научный руководитель
510606
Заместитель директора по науке
4749-5602
Заведующий сектором
6193-3420
научный сотрудник
5203-0644
инженер
инженер
5450-4980
Введение. В связи с заметным повышением интереса потребителей к винам с защищенным географическим указанием (ЗГУ) и защищенным наименованием места происхождения (ЗНМП) особую актуальность приобретает разработка надежных методов подтверждения их географического происхождения. Несмотря на широкое применение в мировой практике комплексного анализа изотопных отношений, элементного профиля и методов машинного обучения, для российских вин отсутствуют научно обоснованные модели классификации, учитывающие особенности основных виноградо-винодельческих зон страны.
Цель. Установить возможность классификации образцов отечественный вин по месту их географического происхождения на основе комплексного анализа изотопных отношений углерода, кислорода и водорода этанола и элементного профиля с использованием методов машинного обучения.
Материалы и методы. Были отобраны 63 образца вин, произведенных в основных виноградо-винодельческих зонах России. Из них 20 образцов из Краснодарского края, 32 образца из Крыма, 7 образцов из Дагестана, 4 образца из Долины Дона. В данных образцах были измерены изотопные отношения δ13С, δ18O и δD выделенного этанола, а также 71 показатель массовых концентраций макро-, микроэлементов и редкоземельных металлов. В исследовании использовали модель Random Forest, в качестве метрик применяли precision, recall и f1-score, для получения доверительных интервалов метрик была использована стратифицированная k-fold кросс-валидация c 100 повторениями.
Результаты. После обучения и валидации модели, ее средняя точность составила 0,92 для Дагестана, 0,99 для Долины Дона, 0,82 для Краснодарского Края и 0,90 для Крыма. Наиболее важными для модели параметрами являлись показатели изотопных отношений элементов в составе молекул этанола, а также массовые концентрации Li, B, Cs, Sr, W, Ni, Sn. Среди редкоземельных металлов наиболее важными для модели являлись концентрации Dy, Lu, Yb, Tm, Ho, Y, La.
Выводы. Полученные результаты показывают перспективность применения методов машинного обучения для задач аутентификации отечественной винодельческой продукции. Данная модель является основой для проведения классификации вин, произведенных в более ограниченных географических зонах, в том числе в виноградо-винодельческих районах и конкретных терруарах.
Abstract. Due to the marked increase in consumer interest in wines with a protected geographical indication PGI and a protected designation of origin PDO, the development of reliable methods for confirming their geographical origin is becoming particularly relevant. Despite the widespread use of complex isotope ratio analysis, elemental profile, and machine learning methods in world practice, there are no scientifically sound classification models for Russian wines that take into account the characteristics of the country's main grape-growing areas.
Purpose. To establish the possibility of classifying samples of domestic wines by their geographical origin based on a comprehensive analysis of the isotopic ratios of carbon, oxygen and hydrogen of ethanol and the elemental profile using machine learning methods.
Materials and Methods. 63 samples of wines produced in the main wine-growing areas of Russia were selected. Of these, 20 samples are from the Krasnodar Territory, 32 samples from the Crimea, 7 samples from Dagestan, 4 samples from the Don Valley. The isotopic ratios δ13C, δ18O, and δD of the isolated ethanol were measured in these samples, as well as 71 mass concentrations of macro-, microelements, and rare earth metals. The Random Forest model was used in the study, precision, recall, and f1-score were used as metrics, and stratified k-fold cross-validation with 100 repetitions was used to obtain confidence intervals for metrics.
Results. After training and validating the model, its average accuracy was 0.92 for Dagestan, 0.99 for the Don Valley, 0.82 for the Krasnodar Territory and 0.90 for the Crimea. The most important parameters for the model were the isotope ratios of the elements in the composition of ethanol molecules, as well as the mass concentrations of Li, B, Cs, Sr, W, Ni, and Sn. Among rare earth metals, the concentrations of Dy, Lu, Yb, Tm, Ho, Y, and La were the most important for the model.
Conclusion. The results obtained show the prospects of applying machine learning methods to the tasks of authenticating domestic wine products. This model is the basis for classifying wines produced in more limited geographical areas, including wine-growing areas and specific terroirs.
The authors declare that there are no conflicts of interest present.