葡萄酒是指用新鲜的葡萄或葡萄汁发酵，酒精度不低于7%vol的一类饮料[1]，是世界上最流行的酒精饮料之一。近年来,随着中国葡萄酒的快速发展，关于葡萄酒感官分析的研究也越来越多，如何对葡萄酒的感官特征进行快速、准确分析变得日益重要。
感官评价是通过人的感觉器官检测分析产品感官特性，主要是通过视觉、嗅觉、味觉等所引起的反应来测定、分析和解释产品的一种科学方法[2]。近年来国内对于葡萄酒感官研究也取得一定的进展，多采用多元统计分析手段对葡萄酒的香气描述符进行筛选或定量描述分析(quantitative descriptiv analysis, QDA)等传统感官分析技术对葡萄酒进行香气特征的描述，如李华等[3]采用主成分分析和聚类分析对澳大利亚西拉葡萄酒的香气描述符进行了筛选，认为: (1)(烧)烤味或胡椒; (2)香料或浆果或玫瑰花香或甜水果; (3)甘草; (4)巧克力或凤梨，这4个描述符可以反映西拉干红葡萄酒香气感官特性；糜川清等[4]利用主成分分析和聚类分析方法筛选了“媚丽”桃红葡萄酒的香气特性感官描述符：玫瑰花(或生青味、苹果)、草莓(或桃)、甜瓜和菠萝；唐柯等[5]同样采用主成分分析和聚类分析方法筛选了黄土高原赤霞珠桃红葡萄酒的香气特性感官描述符:(1)热带水果、枣、麦芽香;(2)水果糖;(3)花香;(4)红色浆果;(5)酸梅。定量描述性分析是目前葡萄酒感官评价中运用最为广泛且相对综合的感官评价方法，既可对产品进行描述，又有区分与排序的功能[6]。CADOT等[7]通过专家感官品评小组对来自法国不同地区的24款品丽珠葡萄酒进行定量描述分析，探究风土对葡萄酒香气典型性的影响；席艳茹等[8]采用定量描述分析对晋西黄土高原产区赤霞珠干红葡萄酒的感官特征进行了研究；HUANG等[9]采用该方法对我国和加拿大威代尔冰葡萄酒的感官特征进行了探究，明确2个产区之间的差异性及特性。
传统描述性分析虽然已经被广泛使用，并且可以很好地描述一款产品的特征和强度，但由于其需要对评价员有较长时间的训练，使评价员具有较好且一致的评价能力，这在实际操作中需要较长的时间和较高的成本，所以目前感官描述性分析方法正朝着快速便捷的方向发展[10]，国外科学家也不断致力于提高描述性分析方法效率和减少成本研究[11-12]。其中Napping®是根据产品间的差异性和相似性进行感官位置的摆放从而生成感官图的一种快速感官分析技术[10]，其最初应用于葡萄酒行业中。PAGES等[13]在2003年使用Napping®和多因素分析(multi-factor authentication, MFA)对10款法国卢瓦尔河的白葡萄酒进行了分类和感官评价，近年来在国外对于产品感官评价的研究中逐渐被广泛应用[11,14-15]。在进行Napping®之后通常结合Ultra Flash Profiling(UFP)进一步对感官特征进行探究。该方法结合了自由选择的概念和快速确定感官属性描述词的特点，其要求评价员在每个产品的位置写下描述词[14]。同时，Napping®不仅用于感官研究中，还可以作为市场研究的工具，研究消费相关的感官描述来指导产品的研发[10]。
目前，我国还未有采用快速感官分析技术对产品进行感官分析的报道，本研究则采用快速感官分析技术结合3种多元统计分析手段,对我国来自不同产区的赤霞珠干红葡萄酒的香气感官特征的差异性和特征性进行评价，以期对该方法进行评价，从而为我国葡萄酒感官分析的深入研究提供参考。
1 材料与方法
1.1 材料
赤霞珠干红葡萄酒，山西戎子酒庄，详情见表1；铅笔；橡皮；60 cm×40 cm白纸1张。
表1 赤霞珠干红葡萄酒样品信息
Table 1 Cabernet Sauvignon dry red wine sample information
样品产区品种年份/年总酸/(g·L-1,以酒石酸计)残糖/(g·L-1)酒精度/(%vol)烟台-1山东烟台蓬莱赤霞珠20167.321.5211.5烟台-2山东烟台蓬莱赤霞珠20167.121.4311.5晋西-1晋西黄土高原赤霞珠20166.661.7612.0晋西-2晋西黄土高原赤霞珠20166.931.7212.0晋西-3晋西黄土高原赤霞珠20166.541.6212.0晋西-4晋西黄土高原赤霞珠20166.771.8312.0晋西-5晋西黄土高原赤霞珠20166.791.6912.0宁夏-1宁夏红寺堡赤霞珠20166.132.1112.8宁夏-2宁夏玉泉营赤霞珠20166.291.9812.5宁夏-3宁夏玉泉营赤霞珠20166.301.8012.5新疆-1新疆石河子赤霞珠20165.942.0613.5新疆-2新疆石河子赤霞珠20165.912.8613.1
1.2 实验方法
1.2.1 感官小组的建立
采用自愿报名的方式进行感官品评员的招募，并通过问卷调查的形式收集报名者的相关信息，包括个人基本信息、是否有兴趣并自愿加入品评小组、健康状况、是否有食物过敏、空余时间安排等。有感官评价相关经历或熟悉葡萄酒者优先。然后对报名者进行基本味觉测试(酸、甜、苦、咸、涩)和香气辨别能力测试。通过初筛选出40名无明显味觉缺失并且香气辨别正确率在70%以上的品评员。经过香气识别及描述训练后，复筛选出12名具有较好能力的评价员进行感官实验。
1.2.2 Napping®
将所有葡萄酒酒样进行3位随机编码，并一次性提供给评价员，同时提供铅笔、橡皮和白纸，要求评价员根据每杯葡萄酒香气特征的相似性和差异性在白纸上进行位置摆放：距离越近则越相似，越远则差异越大，当确定所有酒样位置之后，在位置下写下酒样编码，之后对每款酒的坐标进行统计[14]。
1.2.3 UFP
在进行Napping®之后，要求评价员在每款酒编码的旁边写下1～3个区别性、典型性的香气描述词，之后对词汇进行归类，并对频次进行统计[14]。
1.3 数据分析
采用R语言3.4.3进行普氏多维向量分析(PMFA)和Indscal模型分析；采用XLSTAT 2014进行聚类分析。
2 结果与分析
根据R语言SensoMineR安装包提供的处理Napping®相关感官数据的方法，选择其中2种算法：PMFA和Indscal模型分析，其基于不同算法可相互对应。聚类分析已被广泛运用于感官分析中，可对PMFA和Indscal模型分析结果进行验证。
2.1 PMFA
PMFA在2006年被首次提出，并用于产品间差异性的感官分析研究——Napping®中，该方法集成了广义普氏分析(GPA)和MFA的算法，并且具有二者的优点。其中MFA是主成分分析(PCA)的扩展，其首先给出了几种单独配置的共同共识配置并且这种“平均”配置是最佳的。GPA是一种用来分析形状分布的方法，数学上来讲，就是进行不断迭代，寻找标准形状，并利用最小二乘法寻找每个样本形状到这个标准形状的仿射变化方式，所以该方法将Procrustes意义上变换的个体配置添加到MFA的“共识”配置中，共同对数据进行计算，从而达到降低维度的目的[16]。
图1 实验过程
Fig.1 Experiment procedure
本研究通过对数据的收集整理，采用R语言的PMFA算法处理，分别生成评价小组对产品感知的置信椭圆及产品的个体因子图和香气特征相关性图。
置信椭圆的生成源自MFA计算中所有结果对象的产品配置。该过程基于变量组的参数自举，从而提供关于产品不确定性和感官评估结果有效性的有价值的图形信息[17-18]。椭圆以产品为中心，显示评价员对同一产品感官差异性[19]。从结果(图2)可以看到，只有新疆产区的2款葡萄酒和1款宁夏产区的葡萄酒(宁夏-1)的香气感知评价员具有一定的差异，而对于大部分的酒样，其置信椭圆都较小，说明具有较好的一致性。
图2 普氏多维向量分析
Fig.2 Procrustes multiple factor analysis
通过个体因子图，可以看到，葡萄酒样品被明显分为3个组：烟台产区的2款葡萄酒和晋西产区的5款葡萄酒与其他产区的葡萄酒具有明显的差异性，而来自新疆和宁夏产区的葡萄酒之间的差异性较小。结合香气特征相关性图可以看到，烟台产区的赤霞珠干红葡萄酒具有较强的烟熏的气味；晋西产区的酒具有浓郁黑醋栗、红色水果和独特的山楂香气；宁夏产区和新疆产区的酒都具有烘焙、李子干和青椒的香气，但宁夏产区的酒具有较浓郁的甜香料的香气，而新疆产区的酒则具有较强的花香。
2.2 Indscal模型
Indscal模型是一个同时分析I个对象之间J个相似度矩阵的模型，Indscal模型常用于感官图的数据分析，例如本研究，对象是产品(酒样)，若干主体(评价员)评估这些产品之间的相似性(或差异)，其主要基于加权欧几里德模型，根据产品之间的距离进行计算，从而反映产品之间的关系，并且Indscal模型是与MFA相对应的方法[20-22]。
根据stimuli map的结果可以看到，酒样可以根据产区划分为4组，相较于PMFA中新疆产区和宁夏产区酒差异性较小，通过该模型的计算方式对数据进行处理后，来自宁夏产区和新疆产区的赤霞珠葡萄酒具有明显的差异性。结合香气特征相关性图可以看出，烟台产区的酒具有更为明显的烟熏和核果类的香气特征；晋西产区的酒具有更浓郁的黑醋栗、红色水果和山楂的香气，该结果与PMFA结果一致；宁夏产区的酒具有较强的青椒和甜香料的香气；新疆产区的酒则具有较强的烘焙、李子干和花香的香气。
图3 Indscal模型
Fig.3 Indscal models
2.3 聚类分析
聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，可以更直观地观察产品间的相似性，并且已经被广泛应用与感官分析中，被认为可以较好地评价感官分析结果[23-25]。我们采用聚类分析对感官数据进行分析，根据产品之间的的相似性进行划分，以期对PMFA和Indscal模型的结果进行验证。
从结果可以看出，来自4个产区的12款葡萄酒均可以根据产区进行区分。此外，晋西产区和烟台产区的酒之间具有较为一致的产区特性，并与其他2个产区具有明显的区别性；宁夏产区和新疆产区的葡萄酒则更为接近，该结果同Indscal模型和PMFA结果相似，来自不同产区的葡萄酒具有明显的差异，说明PMFA和Indscal模型可以较好地对Napping®数据进行分析。
图4 聚类分析
Fig.4 Cluster analysis
3 结论
首次通过快速感官分析技术——Napping®结合UFP并采用PMFA、Indscal模型和聚类分析3种多元统计分析对感官数据进行分析从而对来自4个产区12款赤霞珠干红葡萄酒进行香气感官的评价。从3种多元统计分析的结果可以得到相似的结论：来自不同产区的葡萄酒间具有明显的产区差异性，并且具有相似的香气特征，其中PMFA与聚类分析得到的结果一致，烟台产区和晋西产区的葡萄酒具有更显著的产区特性，而宁夏产区与新疆产区间的差异性较小，而Indscal模型得到的结果是产区间都具有明显差异。而通过对比PMFA和Indscal模型香气特征相关图，认为所得到的结果具有相似性，其中来自晋西产区的葡萄酒都具有黑醋栗、红色水果和山楂的香气，而烟台产区的葡萄酒则具有显著的烟熏，通过Indscal模型认为还具有核果类的果香，宁夏产区和新疆产区的香气特征由于Indscal模型可以较好地将二者进行区分从而将PMFA认为是共有的香气进行了产区区分，其中来自宁夏产区的葡萄酒具有青椒和甜香料的香气的香气，而来自新疆产区的葡萄酒则是具有更显著的烘烤、李子干和花香的香气。研究结果表明Napping®结合UFP的方法可以快速、良好地对葡萄酒进行感官评价。
[1] 中国食品发酵工业研究院, 烟台张裕葡萄酿酒股份有限公司,中法合营王朝葡萄酿酒有限公司, 等. GB/T 15037—2006, 葡萄酒[S].中华人民共和国国家质量监督检验检疫总局;中国国家标准化管理委员会, 2006.
[2] LAWLESS H T, HEYMANN H. Sensory Evaluation of Food Principles and Practices [J]. Food Engineering & Ingredients, 2010, 98(7-8): A09.
[3] 李华, 张莉,王华, 等. 西拉干红葡萄酒香气感官特性描述语分析[J]. 食品科学, 2010,31(17): 22-24.
[4] 糜川清. “媚丽”桃红葡萄酒的特征香气成分和感官特性描述符研究[D]. 杨凌：西北农林科技大学, 2012.
[5] 唐柯, 马玥,席艳茹, 等. 黄土高原赤霞珠桃红葡萄酒感官描述符筛选研究[J]. 酿酒科技, 2017(12): 17-20；26.
[6] STONE H, SIDEL J L. Sensory Evaluation Practices[J]. Sensory Evaluation Practices, 1992: 296-304.
[7] CADOT Y, CAILLE S, SAMSON A, et al. Sensory dimension of wine typicality related to a terroir by quantitative descriptive analysis, just about right analysis and typicality assessment[J]. Anal Chim Acta, 2010, 660(1-2): 53-62.
[8] 席艳茹, 唐柯,徐岩, 等. 应用定量描述分析和气相色谱-闻香/质谱法研究黄土高原赤霞珠干红葡萄酒香气特征[J]. 食品与发酵工业, 2016, 42(5): 192-197.
[9] HUANG L, MA Y, TIAN X, et al. Chemosensory characteristics of regional Vidal icewines from China and Canada[J]. Food Chemistry, 2018.
[10] 苏晓霞, 黄序,黄一珍, 等. 快速描述性分析方法在食品感官评定中应用进展[J]. 食品科技, 2013, 34(7): 298-303.
[11] DEHLHOLM C, BROCKHOFF P B, MEINERT L, et al. Rapid descriptive sensory methods-comparison of free multiple sorting, partial napping, napping, flash profiling and conventional profiling[J]. Food Quality and Preference, 2012, 26(2): 267-277.
[12] SANTOS B A, POLLONIO M A R, CRUZ A G, et al. Ultra-flash profile and projective mapping for describing sensory attributes of prebiotic mortadellas[J]. Food Research International, 2013, 54(2): 1 705-1 711.
[13] PAGES J. Direct collection of sensory distances: application to the evaluation of ten white wines of the Loire Valley[J]. Scinces Des Aliments, 2003, 23(5-6):679-688.
[14] PERRIN L, SYMONEAUX R, MAITRE I, et al. Comparison of three sensory methods for use with the Napping® procedure: Case of ten wines from Loire valley[J]. Food Quality and Preference, 2008, 19(1): 1-11.
[15] LOUW L, MALHERBE S, NAES T, et al. Validation of two Napping® techniques as rapid sensory screening tools for high alcohol products[J]. Food Quality and Preference, 2013, 30(2): 192-201.
[16] MORAND E, PAGES J. Procrustes multiple factor analysis to analyse the overall perception of food products[J]. Food Quality & Preference, 2006, 17(1): 36-42.
[17] ABDI H, VALENTIN D. Some new and easy ways to describe, compare, and evaluate products and assessors[C]. SPISE 2007 New Trends in Sensory Evaluation of Food and Nonfood Products, 2007: 321-345.
[18] DEHLHOLM C, BROCKHOFF P B, BREDIE W L P. Confidence ellipses: A variation based on parametric bootstrapping applicable on Multiple Factor Analysis results for rapid graphical evaluation[J]. Food Quality and Preference, 2012, 26(2): 278-280.
[19] HUSSON F, L
S, PAGES J. Confidence ellipse for the sensory profiles obtained by principal component analysis[J]. Food Quality & Preference, 2005, 16(3): 245-250.
[20] CARROLL J D, CHANG J J. Analysis of individual differences in multidimensional scaling via an n-way generalization of "Eckart-Young" decomposition[J]. Psychometrika, 1970, 35(3): 283-319.
[21] HUSSON F. INDSCAL model: geometrical interpretation and methodology[M]. Elsevier Science Publishers B V, 2006: 358-378.
[22] NAS T, BERGET I, LILAND K H, et al. Estimating and interpreting more than two consensus components in projective mapping: INDSCAL vs. multiple factor analysis (MFA)[J]. Food Quality & Preference, 2017, 58: 45-60.
[23] RYBOWSKA A, BABICZ- ZIELINSKA E. Cluster analysis in dietary behaviour assessment of students[J]. Food Quality and Preference, 2007, 18(1): 130-132.
[24] MULLER H, HAMM U. Stability of market segmentation with cluster analysis-A methodological approach[J]. Food Quality and Preference, 2014, 34: 70-78.
[25] CARIOU V, QANNARI E M. Statistical treatment of free sorting data by means of correspondence and cluster analyses[J]. Food Quality and Preference, 2018, 68: 1-11.