TESIS - Berta Baca Bocanegra

APLICACIÓN DE TÉCNICAS ESPECTROSCÓPICAS
VIBRACIONALES AL ESTUDIO DE LA
EXTRACTABILIDAD DE COMPUESTOS FENÓLICOS
PROCEDENTES DE SUBPRODUCTOS ENOLÓGICOS
Berta Baca Bocanegra

Área de Nutrición y Bromatología. Facultad de Farmacia
c/ P. García González 2. 41012 SEVILLA (Spain). Tel. (34) 954 55 67 61 Fax (34) 954 55 70 17
La tesis titulada “Aplicación de técnicas espectroscópicas vibracionales al estudio de la

extractabilidad de compuestos fenólicos procedentes de subproductos enológicos”, presentada
por la Lda. Dª. Berta Baca Bocanegra para optar al grado de Doctor, ha sido realizada en el Área
de Nutrición y Bromatología del Departamento de Nutrición y Bromatología, Toxicología y
Medicina Legal (Facultad de Farmacia, Universidad de Sevilla), bajo la dirección de los Doctores
D. Francisco José Heredia Mira, Catedrático de la Universidad de Sevilla y D. José Miguel
Hernández Hierro, Profesor Ayudante Doctor de la Universidad de Sevilla. Considerando que
se han alcanzado los objetivos inicialmente previstos, y que el trabajo reúne los requisitos
necesarios, autorizan su presentación
En Sevilla, a 31 de octubre de 2018.
Fdo. Francisco José Heredia Mira Fdo. Berta Baca Bocanegra
Fdo. José Miguel Hernández Hierro
Directores de la Tesis
Este trabajo ha sido realizado con el apoyo institucional de la Universidad de Sevilla mediante
un Contrato Predoctoral PIF-2014 (V Plan Propio de Investigación - Convocatoria II.2) y con la
ayuda para la realización de una estancia breve en el extranjero para el año 2017 (V Plan Propio
de Investigación), gracias a la cual ha sido posible optar a la Mención Internacional del Título de
Doctor. El trabajo se ha desarrollado en el ámbito del proyecto I+D+i del Ministerio de Economía
y Competitividad del Gobierno de España: “Evaluación de estrategias tecnológicas adaptativas
para vinificación en condiciones de cambio climático” (AGL2014-58486-C2-2), del que el doctor
Francisco José Heredia Mira es el investigador principal
ÍNDICE
PRODUCCIÓN CIENTÍFICA .............................................................. 1
RESUMEN ............................................................................................... 3
INTRODUCCIÓN................................................................................... 9
1. ANTECEDENTES Y ESTADO ACTUAL ................................... 11
2. UVA Y VINIFICACIÓN ................................................................. 15

2.1. Morfología y estructura de la uva ........................................................................ 15
2.2. Composición fenólica de la uva ............................................................................ 16
2.2.1. Flavonoides ..................................................................................................... 16
2.2.2. No flavonoides ................................................................................................. 19
2.3. Extractabilidad de los compuestos fenólicos de la uva....................................... 19
2.4. Vino tinto: composición y elaboración ................................................................ 21
3. MADERA DE ROBLE .................................................................... 23

3.1. El género Quercus. Clasificación y distribución geográfica .............................. 23
3.2. Composición química de la madera de roble ...................................................... 23
3.2.1. Compuestos volátiles ....................................................................................... 24
3.2.2. Compuestos fenólicos ...................................................................................... 25
3.3. Importancia de la madera de roble en el sector enológico................................. 26
4. TÉCNICAS ESPECTROSCÓPICAS ............................................ 29

4.1. Espectrofotometría de absorción en la región ultravioleta–visible ................... 31
4.2. Espectroscopía de infrarrojo ................................................................................ 32
4.2.1. Análisis de imagen hiperespectral en el infrarrojo cercano ........................... 33
4.2.2. Espectroscopía en el infrarrojo mediante transformada de Fourier .............. 36

4.3. Espectroscopía Raman .......................................................................................... 36
4.4. Espectroscopía Portátil ......................................................................................... 38
5. MICROSCOPÍA ELECTRÓNICA DE BARRIDO..................... 41
6. COLORIMETRÍA TRIESTÍMULO ............................................. 45
7. .CROMATOGRAFÍA LÍQUIDA DE ALTA EFICACIA ........... 49
8. QUIMIOMETRÍA ........................................................................... 51
8.1. Pretratamientos espectrales.................................................................................. 51
8.2. Análisis cualitativos utilizados ............................................................................. 54
8.2.1. Análisis discriminante lineal (LDA) ................................................................ 54
8.2.2. Análisis discriminante basado en regresión por mínimos cuadrados parciales

(DPLS) 56
8.2.3. Agrupamiento mediante el algoritmo de K–medias ........................................ 57
8.2.4. Análisis de componentes principales (PCA) ................................................... 57
8.3. Análisis cuantitativos utilizados ........................................................................... 60
8.3.1. Regresión por mínimos cuadrados parciales modificados (MPLS) ................ 60
OBJETIVOS GENERALES ................................................................ 65
MATERIALES Y MÉTODOS ............................................................ 71
1. MUESTRAS ..................................................................................... 73
1.1. Uva .......................................................................................................................... 73
1.2. Vino tinto................................................................................................................ 74
1.3. Madera de roble, subproducto de tonelería ........................................................ 75
2. TECNICAS ESPECTROSCÓPICAS ............................................ 77

2.1. Análisis de imagen hiperespectral........................................................................ 77
2.1.1. Material y equipos........................................................................................... 77
2.1.2. Adquisición de imágenes hiperespectrales...................................................... 77
2.1.3. Segmentación de las imágenes hiperespectrales............................................. 78
2.2. Espectroscopía portátil ......................................................................................... 79
2.2.1. Material y equipos ........................................................................................... 79
2.2.2. Adquisición de datos espectrales .................................................................... 80
2.3. Espectroscopía de infrarrojo mediante transformada de Fourier con reflexión

total atenuada (ATR‒FTIR) ................................................................................................. 82
2.3.2. Medidas ATR‒FTIR......................................................................................... 82
2.3.3. Medidas de imágenes ATR-FTIR .................................................................... 83
2.4. Espectroscopía Raman .......................................................................................... 83
2.4.2. Medidas Raman ............................................................................................... 84
3. MICROSCOPÍA ELECTRÓNICA DE BARRIDO..................... 85

3.1.2. Medidas de microscopía.................................................................................. 85
4. MEDIDAS DE COLOR POR COLORIMETRÍA

TRIESTÍMULO. ESPACIO CIELAB .................................................... 87
4.1.1. Material y reactivos ........................................................................................ 87
4.1.2. Medida del color ............................................................................................. 87
5. ANÁLISIS QUÍMICO..................................................................... 89
5.1. Composición fenólica ............................................................................................ 89
5.1.1. Material y reactivos ........................................................................................ 89
5.1.2. Extracciones .................................................................................................... 90
5.1.3. Contenido en fenoles totales ........................................................................... 91
5.1.4. Contenido en flavanoles totales ...................................................................... 91
5.1.5. Determinación del perfil antociánico.............................................................. 92

5.1.6. Determinación de elagitaninos ....................................................................... 92
6. QUIMIOMETRÍA ........................................................................... 95
6.1. Análisis de componentes principales (PCA)........................................................ 95
6.2. Regresión por mínimos cuadrados parciales modificada (MPLS) ................... 96
6.2.1. Aplicación de los modelos desarrollados ........................................................ 96
6.3. Análisis de la varianza (ANOVA) ........................................................................ 97
6.4. Agrupamiento mediante el algoritmo de k-medias ............................................ 97
6.5. Análisis Discriminante Lineal (LDA) .................................................................. 98
6.6. Análisis discriminante basado en la regresión por mínimos cuadrados parciales

(DPLS) ……………………………………………………………………………………..98
6.7. Índice de similitud de Pearson ............................................................................. 98
RESULTADOS Y DISCUSIÓN ........................................................ 101
CAPÍTULO 1: INFLUENCIA DE LA ADICIÓN DE CHIPS DE

MADERA DE ROBLE EN LA EXTRACCIÓN DE ANTOCIANOS
PROCEDENTES DE HOLLEJO DE UVA CON BAJO CONTENIDO
ANTOCIÁNICO EXTRAÍBLE ............................................................. 103
1. Antecedentes ........................................................................................................ 103
2. Objetivo ................................................................................................................ 104
3. Parte experimental .............................................................................................. 104
4. Conclusiones ........................................................................................................ 106
 Publicación: “Influence of oak wood chips-grape mix maceration on the

extraction of anthocyanins from low-extractable anthocyanin content red grapes” ........ 107
CAPÍTULO 2: ESTIMACIÓN DEL CONTENIDO Y LA
EXTRACTABILIDAD DE FENOLES TOTALES Y FLAVANOLES
EN SEMILLAS DE UVA MEDIANTE ANALISIS DE IMAGEN
HIPERESPECTRAL EN EL INFRARROJO CERCANO ................ 113
1. Antecedentes ........................................................................................................ 113
2. Objetivo ................................................................................................................ 114
3. Parte Experimental ............................................................................................. 114
4. Conclusiones ........................................................................................................ 117
 Publicación: “Estimation of total phenols, flavanols and extractability of

phenolic compounds in grape seeds using vibrational spectroscopy and chemometric tools”
………………………………………………………………………………………...119
CAPÍTULO 3: APLICACIÓN DEL ANALISIS DE IMAGEN

HIPERESPECTRAL EN EL INFRARROJO CERCANO A LA
ESTIMACIÓN DEL CONTENIDO EXTRAIBLE DE COMPUESTOS
FENÓLICOS EN SUBPRODUCTOS DE TONELERÍA ................... 131
1. Antecedentes ........................................................................................................ 131
2. Objetivo ................................................................................................................ 132
4. Conclusiones ........................................................................................................ 134
 Publicación: “Evaluation of extractable polyphenols released to wine from

cooperage byproduct by near infrared hyperspectral imaging” ...................................... 135
CAPÍTULO 4: ESTUDIO DE VIABILIDAD DEL USO DE UN

DISPOSITIVO PORTÁTIL DE ESPECTROSCOPÍA NIR PARA LA
ESTIMACIÓN “IN SITU” DEL CONTENIDO POLIFENÓLICO
EXTRAÍBLE EN HOLLEJOS DE UVA TINTA ................................ 143
1. Antecedentes ........................................................................................................ 143
2. Objetivos .............................................................................................................. 144

3. Parte Experimental ............................................................................................. 144
4. Conclusiones ........................................................................................................ 146
 Publicación: “Feasibility study on the use of a portable micro near infrared

spectroscopy device for the “in vineyard” screening of extractable polyphenols in red grape
skins” ………………………………………………………………………………………...149
CAPÍTULO 5: APLICACIÓN DE TECNOLOGÍA PORTÁTIL

MICRO-NIRS AL ANÁLISIS DE LA COMPOSICIÓN FENÓLICA
EXTRAÍBLE DE SUBPRODUCTOS DE TONELERÍA ................... 157
1. Antecedentes ........................................................................................................ 157
2. Objetivo ................................................................................................................ 158
4. Conclusiones ........................................................................................................ 159
 Manuscrito: “Screening of wine extractable total phenolic and ellagitannin

contents in revalorized cooperage byproducts: evaluation by Micro-NIRS technology”. 161
CAPÍTULO 6: ESTUDIO DE EXTRACTABILIDAD DE

COMPUESTOS FENÓLICOS EN SUBPRODUCTOS DE
TONELERÍA MEDIANTE ESPECTROSCOPÍA VIBRACIONAL Y
MICROSCOPÍA ELECTRÓNICA DE BARRIDO ............................ 195
1. Antecedentes ........................................................................................................ 195
2. Objetivos .............................................................................................................. 196
4. Conclusiones ........................................................................................................ 199
 Manuscrito: “On the use of vibrational spectroscopy and scanning electron

microscopy to study phenolic extractability of cooperage byproducts in wine” .............. 201
CAPÍTULO 7: EFECTO DE LA ADICIÓN POST
FERMENTATIVA DE VIRUTA DE ROBLE, SUBPRODUCTO DE
TONELERÍA, EN LA COMPOSICIÓN FENÓLICA Y LA CALIDAD
CROMÁTICA DE VINOS TINTOS ..................................................... 239
1. Antecedentes ........................................................................................................ 239
2. Objetivo ................................................................................................................ 240
4. Conclusiones ........................................................................................................ 244
 Manuscrito: “Valorization of American barrel-shoot wastes: effect of post

fermentative addition and readdition on phenolic composition and chromatic quality of
Syrah red wines” ............................................................................................................... 245
CONCLUSIONES GENERALES ..................................................... 271
REFERENCIAS .................................................................................. 277

PRODUCCIÓN CIENTÍFICA
La estructura de esta memoria sigue la modalidad “Conjunto de Trabajos”, recogida en el Artículo

9 de la Normativa Reguladora de Tesis Doctoral de la Universidad de Sevilla (Bous nº 3 de 23 de
mayo de 2012), a partir de la siguiente producción científica:
Artículos:
Baca Bocanegra, Berta; Nogales Bueno, Julio; Heredia Mira, Francisco José; Hernández Hierro,
José Miguel: Influence of oak wood chips-grape mix maceration on the extraction of anthocyanins
from low-extractable anthocyanin content red grapes. En: European Food Research and
Technology 2018. Vol. 244. Pág. 729–734, ISSN 1438-2377. Factor de impacto: 1.919. Segundo
cuartil.
Baca Bocanegra, Berta; Nogales Bueno, Julio; Heredia Mira, Francisco José; Hernández Hierro,
José Miguel: Estimation of total phenols, flavanols and extractability of phenolic compounds in
grape seeds using vibrational spectroscopy and chemometric tools. En: Sensors 2018. Vol. 18.
Pág. 2426-2438, ISSN 1424-8220. Factor de impacto: 2.475. Segundo cuartil.
Baca Bocanegra, Berta; Nogales Bueno, Julio; Hernández Hierro, José Miguel; Heredia Mira,
Francisco José: Evaluation of extractable polyphenols released to wine from cooperage
byproduct by near infrared hyperspectral imaging. En: Food Chemistry 2018. Vol. 244.
Pág. 206–212, ISSN 0308-8146. Factor de impacto: 4.946. Primer cuartil.
Baca Bocanegra, Berta; Hernández Hierro, José Miguel; Nogales Bueno, Julio; Heredia Mira,
Francisco José: Feasibility study on the use of a portable micro near infrared spectroscopy device
for the “in vineyard” screening of extractable polyphenols in red grape skins. En: Talanta, 2019.
Vol. 192. Pág. 353–359, ISSN 0039-9140. Factor de impacto: 4.244. Primer cuartil.
Baca Bocanegra, Berta; Nogales Bueno, Julio; García Estévez, Ignacio; Escribano Bailón, María
Teresa; Hernández Hierro, José Miguel; Heredia Mira, Francisco José: Screening of wine
extractable total phenolic and ellagitannin contents in revalorized cooperage byproducts:
evaluation by Micro-NIRS technology. Enviado a: Food and Bioprocess Technology (en revisión).
ISSN 1935-5130. Factor de impacto: 2.998. Primer cuartil.
Baca Bocanegra, Berta; Nogales Bueno, Julio; Gorey, Brian; Heredia Mira, Francisco José;
Byrne, Hugh J.; Hernández Hierro, José Miguel: On the use of vibrational spectroscopy and
scanning electron microscopy to study phenolic extractability of cooperage byproducts in wine.
Enviado a Food Chemistry (en revisión), ISSN 0308-8146. Factor de impacto: 4.946. Primer
cuartil.
1
Baca Bocanegra, Berta; Nogales Bueno, Julio; Hernández Hierro, José Miguel; Heredia Mira,
Francisco José: Valorization of American barrel-shoot wastes: effect of post fermentative addition
and readdition on phenolic composition and chromatic quality of Syrah red wines. Enviado a:
Food Chemistry (en revisión). ISSN 0308-8146. Factor de impacto: 4.946. Primer cuartil.
2
RESUMEN
RESUMEN
Las características de la uva en el momento de la vendimia condicionan en gran medida la
calidad del vino elaborado a partir de ellas. En regiones de clima cálido, las altas temperaturas
ambientales, acentuadas en las últimas décadas por los efectos del cambio climático, originan un
desfase entre la madurez tecnológica de la uva, cada vez más temprana y la madurez fenólica,
cada vez más tardía, que desencadena, entre otros, problemas de estabilidad cromática en el
envejecimiento. Ante esta situación se pone de manifiesto la necesidad de implementar medidas
de adaptación que permitan preservar la calidad de estos vinos. En este sentido, el
aprovechamiento de subproductos de la industria vitivinícola ricos en compuestos fenólicos,
como pueden ser las virutas de madera cruda de las tonelerías, añadidas en etapas iniciales de la
vinificación, se presenta como una estrategia enológica, nueva y sostenible, para paliar los efectos
del cambio climático en la calidad de los vinos tintos. Los compuestos fenólicos de la madera,
que pasarán al vino durante el proceso de maceración, junto con los compuestos fenólicos
procedentes de la uva, determinarán la composición fenólica del vino y condicionarán sus
características cromáticas y organolépticas.
Tradicionalmente, la composición fenólica, y la facilidad de cesión de estos compuestos al

vino desde diferentes matrices, se ha controlado por métodos de análisis fisicoquímicos que, en
muchos casos, resultan complejos y tediosos. En las últimas décadas se han desarrollado técnicas
espectroscópicas que permiten estimar de forma rápida, no destructiva y respetuosa con el medio
ambiente, distintos parámetros de interés enológico.
En este trabajo, inicialmente se ha evaluado el efecto que tiene la adición de chips de madera
en la extracción de compuestos antociánicos del hollejo de uva tinta clasificada
hiperespectralmente como uva con baja capacidad de cesión de dichos compuestos. Se ha
comprobado que la adición de copigmentos provenientes de la madera, que contribuyen a mejorar
el color del vino, no altera el equilibrio de extracción de antocianos del hollejo.
Se ha utilizado el análisis de imagen hiperespectral en la región del infrarrojo cercano y la

regresión por mínimos cuadrados parciales (MPLS) para analizar de forma rápida el contenido
total y el contenido extraíble de fenoles totales y flavanoles en semillas de uva tinta. De forma
similar, se ha desarrollado un modelo MPLS para predecir el contenido fenólico extraíble en
viruta cruda de roble.
Se ha evaluado la capacidad de la espectroscopía NIR portátil para estimar in situ de forma

rápida el contenido fenólico extraíble del hollejo de uva y de la viruta cruda de roble. La influencia
de las condiciones ambientales en el viñedo en el momento de la adquisición espectral pueden
condicionar los resultados obtenidos para los hollejos, de forma que los modelos presentan errores
que comprometen su aplicación con fines predictivos. Sin embargo, en virutas de roble, los
5
modelos propuestos para la predicción del contenido extraíble de fenoles totales y de elagitaninos
ofrecen resultados satisfactorios para todos los parámetros evaluados.
Así mismo, utilizando espectroscopía en el infrarrojo medio por transformada de Fourier y

espectroscopía Raman se han caracterizado muestras de viruta cruda de madera y se han
relacionado las características espectrales con la facilidad de extracción de compuestos fenólicos.
De esta forma, se ha podido confirmar la relación existente entre la extractabilidad de compuestos
fenólicos en viruta de madera y la composición y distribución de los componentes de su pared
celular. La microscopía electrónica de barrido (SEM) aporta información topográfica
complementaria que respalda la relación entre la estructura de la madera y los niveles de
extractabilidad fenólica.
Por último, se ha evaluado objetivamente el potencial enológico de la viruta cruda de roble,

subproducto de tonelería. Para ello se ha determinado, en una situación real de vinificación en
tinto, la influencia de la adición post-fermentativa de virutas en la composición fenólica y la
calidad cromática de vinos tintos de variedad Syrah. Los resultados obtenidos demuestran que la
adición pos-fermentativa de viruta de madera cruda representa un procedimiento útil para la
elaboración de vinos tintos en clima cálido, ya que produce una mejora tanto de la composición
fenólica como de la calidad y estabilidad cromática.
6
ABSTRACT
Wine quality mainly depends on the characteristics of harvested grapes. In warm climate
regions, the production of quality red wines are facing serious problems related to high
temperatures, more accused during last decades due to the effect of the climatic changes. Usually,
there is a gap between saccharimetric and phenolic maturity, which causes, among others,
chromatic stability problems during aging. Taking it into account, the need to implement
adaptative strategies in order to preserve wine quality is evident. Utilization of byproducts from
the wine industry such as raw oak shavings, as cooperage byproduct, represents a new and
sustainable oenological strategy to minimize the effects of the climate change on the quality of
red wines. Phenolic compounds of wood, which will release to wine during the maceration stage,
together with phenolic compounds from grapes, will determine wine phenolic composition and
its chromatic and organoleptic characteristics.
Traditionally, phenolic composition and phenolic compounds extractability are determined by

physical and chemical analyses, which are usually time consuming. During the past several
decades, spectroscopic techniques have grown significantly, as technology improved. This
growth has allowed developing fast, non-destructive and green chemistry methods for the
screening of different parameters of value for oenology.
The effect that copigments coming from oak wood chips presents on the anthocyanin
extraction from red grape skins, previously classified by near infrared hyperspectral image
analysis as low-extractable anthocyanin grapes, has been initially evaluated. In this work it has
been proven that the addition of copigments coming from oak wood chips, that improve or
stabilize wine colour, has not reduce the amount of extracted anthocyanins from red grape skin.
Near infrared hyperspectral imaging and modified partial least squares regression (MPLS)
have been applied to analyse, in a fast way, total and extractable content of total phenols and
flavanols in red grape seeds. Similarly, a MPLS model has been developed in order to estimate
extractable phenolic content in oak wood shavings.
The capability of portable NIR spectroscopy to predict quickly and in situ extractable phenolic
content in grape skins has been evaluated. Vineyard environmental conditions maybe play a
critical role on its use and influence on the obtained data, so that the developed models present
errors that compromise their application for predictive purposes. However, in oak wood shavings,
the models proposed for the prediction of extractable content of total phenols and ellagitannins
offer satisfactory results for all parameters evaluated.
Likewise, Fourier transform infrared and Raman spectroscopy have shown to be useful to
characterize oak wood shavings and to relate the more important spectral features to phenolic
extractability. In this way, it has been confirmed the relationship between the extractability of
7
phenolic compounds in wood shavings and the composition and distribution of their cell wall
compounds. Scanning electron microscopy (SEM) provided valuable topographic information
that supports the relationship between the structure of wood and phenolic extractability levels.
Finally, the oenological potential of raw oak wood shavings, as cooperage by-product, has
been evaluated. For this purpose, it has been determined, in a real red vinification situation, the
effect of post-fermentative addition of oak shavings on phenolic composition and chromatic
quality of Syrah red wines. Based on the obtained results, post-fermentative addition of raw wood
shavings could be considered a useful winemaking procedure for the production of high quality
red wines in warm climate since it improves the phenolic composition as well as the quality and
stability of colour.
8
INTRODUCCIÓN
ANTECEDENTES Y ESTADO ACTUAL
1. ANTECEDENTES Y ESTADO ACTUAL
Los efectos del cambio climático sobre la el medio ambiente son cada vez más evidentes, lo
que ha provocado que se tienda a buscar y a implementar estrategias de adaptación a dicho
escenario. Atendiendo a los datos de temperatura y precipitaciones, se puede deducir que la
vitivinicultura española, principalmente la de las regiones más cálidas como Andalucía, será
especialmente sensible a estos efectos, afectando a la productividad de la vid y a la calidad del
vino (Bergqvist, Dokoozlian, y Ebisuda, 2001; Malheiro, Santos, Fraga, y Pinto, 2010; Mira de
Orduña, 2010).
Con primaveras secas y veranos cálidos, el periodo de maduración de la uva disminuye.

Especialmente en las uvas tintas, la pulpa madura con rapidez, alcanzando altas concentraciones
de azúcar mientras que la acumulación de compuestos fenólicos en las semillas y los hollejos se
ve afectada negativamente por la aceleración del periodo de maduración (Mori, Sugaya, y
Gemma, 2005) produciéndose, por tanto, un desfase entre la madurez tecnológica y fenólica de
la uva que da lugar a deficiencias en el color de los vinos elaborados con dichas bayas (Gordillo,
Rodriguez-Pulido, Mateus, Escudero-Gilete, Gonzalez-Miret, Heredia, et al., 2012). Además del
contenido en azúcar, la madurez tecnológica considera la acidez total y el pH que ayudan a
controlar el color y calidad de este. Por su parte, la importancia de la madurez fenólica se debe a
que los compuestos fenólicos presentes en las uvas pueden pasar al vino durante la maceración y
son los responsables del color del vino y de su capacidad de envejecimiento (Waterhouse, 2002).
A pesar de la importancia de la madurez fenólica de la uva en la calidad del vino, la elección

del momento de vendimia se ha llevado a cabo, tradicionalmente, considerando criterios de
madurez tecnológica y no fenólica, elaborándose, en muchos casos, vinos a partir de uvas con un
contenido fenólico insuficiente. En estas condiciones, las reacciones de copigmentación, que
contribuyen a la estabilización del color, se ven obstaculizadas por el déficit de pigmentos y
copigmentos (Boulton, 2001; Escribano-Bailon y Santos-Buelga, 2012; Trouillas, Sancho-Garcia,
De Freitas, Gierschner, Otyepka, y Dangles, 2016).
Estos problemas son bien conocidos en el sector enológico y han llevado a considerar la
aplicación de técnicas que permitan la obtención de vinos con características sensoriales
adecuadas a pesar de partir de una materia prima que no sea la óptima. Así, se han aplicado
técnicas de elaboración novedosas como son la maceración prefermentativa (Gómez-Míguez,
González-Miret, y Heredia, 2007; Heredia, Escudero-Gilete, Hernanz, Gordillo, Melendez-
Martinez, Vicario, et al., 2010), o la adición externa de copigmentos en la vinificación, bien como
extractos, o bien a partir de fuentes naturales que los contengan como chips de madera de roble
tostada (Cejudo-Bastante, Rivero-Granados, y Heredia, 2017; Gordillo, Cejudo-Bastante,
11
INTRODUCCIÓN
Rodriguez-Pulido, Gonzalez-Miret, y Heredia, 2013). La madera es una fuente natural de fenoles

que, utilizada en las fases iniciales de la vinificación de vino tinto, puede modificar las
condiciones redox del medio y afectar a sus características organolépticas, y concretamente, al
color, gracias a los fenómenos de copigmentación (Ribéreau-Gayon, Glories, Maujean, y
Dubourdieu, 2006; Zamora, 2003). En este sentido, la adición de viruta cruda (no tostada) de
madera de roble generada como subproducto de la elaboración de barricas, puede constituir una
estrategia enológica, nueva y sostenible, para paliar el problema de inestabilidad de color de los
vinos tintos. Esta técnica, además de representar una interesante alternativa tecnológica a la
vinificación tradicional, supone una revalorización del subproducto mayoritario de la industria
tonelera. Se estima que solamente en las dos tonelerías más importantes de la D.O.C. Condado
de Huelva se generan cerca de 650 toneladas por año de subproductos susceptibles de ser
utilizados con estos fines.
La relación entre la madera de roble y el vino es muy antigua. El roble se utiliza

fundamentalmente en el sector enológico para la elaboración de barricas donde se almacena el
vino durante la crianza (Ribéreau-Gayon, et al., 2006). Asimismo, desde que la Organización
Internacional de la Viña y el Vino (OIV) aprobó la adición de fragmentos de madera al vino para
producir una crianza acelerada (CE_1507/2006, 2006; OENO_3/2005 y OENO_430/2010, 2013),
ésta se ha convertido en una práctica muy extendida (Hernández-Orte, Franco, Huerta, García,
Cabellos, Suberviola, et al., 2014; Jourdes, Michel, Saucier, Quideau, y Teissedre, 2011). Sin
embargo, a pesar de que la madera cruda se encuentra recogida como apta para su uso en prácticas
enológicas, su uso es muy poco frecuente, en contraste con la frecuencia de uso de la madera
tostada.
La aptitud enológica de la uva y el potencial fenólico de la madera utilizada en vinificación

son aspectos fundamentales para la calidad del vino. Las características y propiedades del vino
dependen en gran medida de su contenido fenólico. Por tanto, es importante conocer no solo el
contenido fenólico de la uva y de los subproductos utilizados como fuente natural de copigmentos
en el proceso de vinificación sino, además, la facilidad con la que estos compuestos fenólicos son
cedidos al vino.
Habitualmente, la determinación del contenido extraíble y la extractabilidad de los compuestos

fenólicos se lleva a cabo mediante análisis espectrofotométricos y/o cromatográficos que requiere
una extracción previa de estos compuestos por medio de maceraciones de las diferentes matrices
en disoluciones hidroalcohólicas. Estos métodos son largos, laboriosos y/o destructivos. Como
alternativa a estos métodos de análisis tradicionales, las técnicas de espectroscopía vibracional
representan un procedimiento analítico rápido, no destructivo, respetuoso con el medio ambiente
y fácilmente automatizable, que goza de prestigio para la estimación, con adecuada precisión, de
parámetros de interés en el sector agroalimentario y concretamente en el sector vitivinícola (Baca-
12
ANTECEDENTES Y ESTADO ACTUAL
Bocanegra, Nogales-Bueno, Rodríguez-Pulido, González-Miret, Hernández-Hierro, y Heredia,

2016; Nogales-Bueno, Rodríguez-Pulido, Baca-Bocanegra, González-Miret, Heredia, y
Hernández-Hierro, 2016). En los últimos años, los avances tecnológicos están propiciando el
afloramiento de nuevas tendencias hacia el desarrollo de una nueva generación de espectrómetros
portátiles. Estos sistemas incorporan la precisión analítica necesaria para la identificación y
cuantificación química con una resolución espectral equivalente a los instrumentos de mesa, lo
que permite flexibilidad para el análisis en campo ya que el equipo puede transportarse fácilmente,
evitando por tanto, el transporte de muestras y los inconvenientes que ello conlleva.
13
UVA Y VINIFICACIÓN
2. UVA Y VINIFICACIÓN
2.1. Morfología y estructura de la uva
La uva (Vitis vinífera L.) es una baya carnosa de forma redondeada. A pesar de que se consume
en fresco, su uso principal es la elaboración de vino. El hollejo, la pulpa y las semillas constituyen
la estructura fundamental de la uva.
El hollejo es la parte más externa del grano de uva. Está formado por tres capas bien
diferenciadas, desde el exterior al interior: cutícula, epidermis e hipodermis. En estas dos últimas
capas de células se ubican la mayor parte de los compuestos fenólicos y sustancias aromáticas
que contiene la uva (Hidalgo Togores, 2010; Pinelo, Arnous, y Meyer, 2006). La cutícula está
recubierta de una capa cerosa llamada pruina, que le confiere a la uva un aspecto exterior mate o
pulverulento. La riqueza en polifenoles del hollejo es muy variable, dependiendo de la variedad
de uva y de su grado de maduración. Es en el hollejo donde se encuentran los compuestos que
caracterizan a un vino, a pesar de que estos se encuentran en pequeñas cantidades en relación a
los de la pulpa. Estos compuestos son los responsables de la astringencia del vino y juegan un
papel muy importante en su conservación y crianza. Gran parte de estos fenoles son coloreados y
son, por tanto, responsables directos del color del vino y su estabilidad (Waterhouse, 2002).
La pulpa es la parte más voluminosa del grano de uva. Es un tejido de acumulación de las
sustancias sintetizadas por la vid y excedentarias de las no utilizadas por las semillas. El agua es
el compuesto mayoritario de la pulpa y tiene la misión de hacer de solvente del resto de
compuestos de la uva. Los azúcares son los siguientes compuestos más abundantes del mosto,
siendo los mayoritarios la glucosa y la fructosa. Los ácidos orgánicos junto con los azúcares, son
los compuestos más importantes que tiene la pulpa, conteniendo en plena madurez del racimo una
acidez del orden de 3 a 7 g L-1. Los polifenoles que contiene la pulpa son fundamentalmente de
tipo no flavonoides, siendo los ácidos cinámicos y benzoicos los más abundantes. No suelen
encontrarse en la pulpa polifenoles de tipo flavonoide excepto trazas de flavanoles muy poco
polimerizados y en las variedades tintoreras de pulpa coloreada, antocianos responsables del color
rojo característico (Hidalgo Togores, 2010).
Las semillas constituyen los elementos de la vid encargados de perpetuar la especie. Las
semillas representan respecto del peso del grano de uva, hasta un máximo del 6%. Los principales
componentes de las semillas de uva son: agua, carbohidratos, aceites, compuestos fenólicos,
compuestos nitrogenados, minerales, y ácidos grasos. Siendo los aceites y los compuestos
fenólicos los de mayor interés debido a sus propiedades beneficiosas para la salud (Ribéreau-
Gayon, et al., 2006). Los compuestos fenólicos más importantes en la semilla de uva son los
15
INTRODUCCIÓN
flavanoles, apareciendo tanto en forma de monómeros como de oligómeros y polímeros

compuestos de distintas subunidades monoméricas (Ristic y Iland, 2005).
2.2. Composición fenólica de la uva
Los compuestos fenólicos constituyen un grupo de sustancias químicas ampliamente

distribuidas en el reino vegetal. En la uva, estos compuestos se encuentran repartidos por todo el
fruto, tanto en semillas como hollejos y pulpa, y pasarán directamente al vino durante el proceso
de maceración (Waterhouse, 2002).
Existen más de 8000 estructuras fenólicas diferentes, que pueden variar desde una molécula
fenólica sencilla a la de un polímero de alto peso molecular complejo (Balasundram, Sundram, y
Samman, 2006). La estructura básica de todas ellas se caracteriza por un anillo aromático que
lleva uno o más grupos hidroxilo, y pueden clasificarse en base al número y disposición de los
átomos de carbono. Los principales compuestos fenólicos encontrados en la uva y sus derivados
se pueden agrupar en flavonoides y no flavonoides (Cheynier, Moutounet, y Sarni-Machado,
2003).
2.2.1. Flavonoides
Los flavonoides poseen un esqueleto básico de 15 átomos de carbono (C6-C3-C6), que en su

nivel más simple consta de dos anillos fenilo (anillos A y B) conectados por un esqueleto de tres
átomos de carbono que, generalmente, se encuentra formando un anillo heterocíclico (anillo C)
(Figura 1)
Figura 1.Estructura base de los flavonoides
Las principales clases de flavonoides son flavanoles, flavonoles, flavonas, flavanonas,

isoflavonas, chalconas y antocianos. Esta clasificación se realiza en función del grado de
insaturación y sustituyentes del anillo C.
16
UVA Y VINIFICACIÓN
 Flavanoles
Los flavan-3-oles son los flavonoides más abundantes en la uva. Los principales flavanoles
monómeros de la uva son la (+) catequina y su isómero cis (-)-epicatequina, pudiendo encontrarse
este último en forma de éster gálico (galato de epicatequina) (Cheynier, et al., 2003). No obstante,
los monómeros representan tan solo una pequeña proporción, ya que la mayor parte de ellos están
en forma de polímeros que se conocen como taninos condensados.
Estos compuestos se localizan principalmente en las semillas, y también en cierta cantidad en

hollejos, incluso se han detectado trazas de monómeros y dímeros en la pulpa. Los contenidos de
flavanoles en las semillas son siempre superiores a los de los hollejos, ya se trate de monómeros,
oligómeros o polímeros. Estos compuestos están implicados en importantes sensaciones
organolépticas como el color vía pigmentación con los antocianos, la astringencia y el amargor
del vino (Hufnagel y Hofmann, 2008a).
 Flavonoles
Los flavonoles constituyen una familia de compuestos con colores de blanco a amarillo cuya
principal función es proteger al fruto de la radiación solar. Los cuatro principales flavonoles que
pueden encontrarse en uva son kaempferol, quercetina, miricetina e isoramnetol. Se pueden
encontrar en forma glucosilada (más abundante), pero se encuentran igualmente cantidades
importantes de glucurónidos. Otros azúcares a los que pueden aparecer unidos los flavonoles son
galactosa, xilosa y arabinosa (Cheynier, et al., 2003).
Aparecen tanto en variedades blancas como en tintas, con concentraciones totales similares
aunque si atendemos a los compuestos individuales las cantidades varían dependiendo de que se
trate de uva blanca o tinta. Estos compuestos se encuentran principalmente en el hollejo de la uva
aunque también han sido detectados en pulpa (Hernandez-Jimenez, Gomez-Plaza, Martinez-
Cutillas, y Kennedy, 2009; Kammerer, Claus, Carle, y Schieber, 2004). Los flavonoles tienen
cierta influencia en el amargor de los vinos (Preys, Mazerolles, Courcoux, Samson, Fischer,
Hanafi, et al., 2006) y además pueden influir en la sensación de astringencia (Hufnagel, et al.,
2008a; Hufnagel y Hofmann, 2008b). Por otro lado, contribuyen al color del vino tinto y a su
estabilización ya que se comportan como buenos copigmentos de los antocianos (Boulton, 2001;
Gómez-Míguez, González-Manzano, Escribano-Bailón, Heredia, y Santos-Buelga, 2006).
 Antocianos
Los antocianos son una familia de compuestos de naturaleza flavonoide que se localizan en el
hollejo y, para las variedades tintoreras, también en la pulpa. Estos compuestos son muy
importantes en las uvas y en el vino tinto tanto cuantitativa como cualitativamente, ya que se
17
INTRODUCCIÓN
encuentran en cantidades bastante elevadas, siendo los responsables del color característico de
estos productos (Crozier, Clifford, y Ashihara, 2006).
Su estructura consta de un esqueleto con dos anillos bencénicos (A y B) unidos por una cadena
de tres átomos de carbono ciclada en un heterociclo oxigenado, insaturado y catiónico,
denominado catión flavilio (antocianidina). De todas las antocianidinas monoméricas que han
sido descritas, cianidina, peonidina, delfinidina, petunidina y malvidina están ampliamente
distribuidas en la uva y por tanto, en el vino. Las diferencias entre ellas se limitan a los distintos
niveles de hidroxilación y metilación del catión flavilio (Figura 2). Además, los distintos azúcares
y ácidos que esterifican a las antocianidinas y la posición donde aparece el enlace glucosídico
permiten distinguir las diferentes familias de antocianos. La glucosa es el principal azúcar que
aparece unido a las antocianidinas en uva, comúnmente en la posición 3 del anillo C. Los
principales ácidos que esterifican el azúcar son el ácido acético, el ácido p-cumárico y el ácido
cafeico. Teniendo esto en cuenta, los antocianos presentes en uva pueden agruparse según se
encuentren acilados o no acilados y dentro de los acilados, según cual sea el ácido que esterifique
al azúcar (acetatos, cumaratos o cafeoatos) (Cheynier, et al., 2003; Zamora, 2003).
Antocianidina R R’
Cianidina OH H
Delfinidina OH OH
Peonidina OCH3 H
Petunidina OCH3 OH
Malvidina OCH3 OCH3
Figura 2. Estructura de las antocianidinas presentes en uva
El color de los antocianos puede verse afectado por la existencia de procesos de

copigmentación que son posibles gracias a la estructura plana de los antocianos y de los
compuestos con los que interacciona mediante fuerzas débiles, denominados copigmentos
(Boulton, 2001; Escribano-Bailon, et al., 2012; Trouillas, et al., 2016). Los ácidos fenólicos, los
flavonoles y los flavanoles pueden actuar como copigmentos. Los antocianos están involucrados
además en gran cantidad de reacciones a partir de las cuales se generan otros pigmentos derivados
que, debido principalmente a su mayor estabilidad química, pueden ser responsables de ciertas
tonalidades del color en los vinos tintos envejecidos según el tipo y la cantidad de pigmentos
formados.
18
UVA Y VINIFICACIÓN
2.2.2. No flavonoides
Los compuestos no flavonoides son el resto de compuestos fenólicos que no comparten dicha
estructura común. Este grupo incluye dos grandes familias: los ácidos fenólicos, divididos en
ácidos hidroxibenzóicos y ácidos hidroxicinámicos, y los estilbenos.
 Acidos fenólicos
Los ácidos hidroxicinámicos son los ácidos fenólicos más comunes en la uva, se encuentran
en las vacuolas de las células del hollejo y la pulpa, siendo el contenido en el hollejo más elevado
que en la pulpa. Estos ácidos se pueden encontrar tanto libres como esterificados con otros
compuestos tanto de naturaleza flavonoide como no flavonoide. Los más importantes son los
ácidos cafeico, ferúlico y p-cumárico, así como sus ésteres tartáricos, denominados ácidos
caftárico, fertárico y cutárico, respectivamente. La forma natural es la trans (E) pero los isómeros
cis (Z) también existen aunque en pequeña cantidad. Durante el proceso de vinificación, estos
ésteres pueden hidrolizarse de manera que en el vino coexisten las formas libres y esterificadas
(Crozier, et al., 2006).
En cuanto a ácidos benzoicos, la uva contiene principalmente ácido gálico, presente en forma
de éster de flavanoles. Este ácido puede alcanzar concentraciones superiores a 100 mg L-1 en vino
tinto (Cheynier, et al., 2003).
Los ácidos fenólicos no presentan una influencia demasiado relevante en el sabor ni en el

aroma de los vinos, pero sí son precursores de compuestos fenólicos volátiles que pueden afectar
a estas propiedades organolépticas. Además, estos compuestos pueden afectar al color del vino
ya que han demostrado ser capaces de reaccionar con los antocianos.
 Estilbenos
Bajo el punto de vista del color y de otras propiedades organolépticas, los estilbenos no
presentan importancia destacable. No obstante, últimamente han cobrado una gran relevancia
científica debido a los efectos beneficiosos que el resveratrol y otros compuestos parecen ejercer
sobre la salud humana.
2.3. Extractabilidad de los compuestos fenólicos de la uva
Las propiedades y la calidad del vino dependen no solo de la composición fenólica cualitativa
y cuantitativa de las uvas utilizadas para su elaboración sino también de la facilidad con que estos
compuestos son cedidos al vino durante el proceso de vinificación.
El estado de maduración de la uva en el momento de la vendimia va a influir de manera

importante en este proceso ya que la liberación de los compuestos fenólicos de las partes sólidas
19
INTRODUCCIÓN
de las uvas (semillas y hollejos) requiere la degradación de la pared celular. Sin embargo, hay que
tener en cuenta que en los hollejos, la extractabilidad fenólica aumenta con la madurez, mientras
que en las semillas disminuye (Ribéreau-Gayon, et al., 2006).
En el hollejo de uva, la extracción de compuestos fenólicos aumenta a medida que aumenta el

contenido de sólidos solubles en el mosto de uva, es decir, con el grado de madurez de la uva
(Fournand, Vicens, Sidhoum, Souquet, Moutounet, y Cheynier, 2006; Torchio, Cagnasso, Gerbi,
y Rolle, 2010; Zouid, Siret, Jourjon, Mehinagic, y Rolle, 2013). Además, se ha demostrado que
diferentes etapas de la maduración de la uva (premaduración, maduración y sobremaduración)
afectan a la cantidad de fenoles extraíbles de la misma manera que lo hacen sobre el total de
sólidos solubles (Canals, Llaudy, Valls, Canals, y Zamora, 2005; Fournand, et al., 2006;
Hernandez-Hierro, Quijada-Morin, Rivas-Gonzalo, y Escribano-Bailon, 2012) como
consecuencia de las diferencias en la composición polisacarídica de la pared celular del hollejo y
de la diferente metilación de las pectinas que forman la misma en las diferentes etapas de
maduración de la uva. Este parámetro de extracción de compuestos fenólicos también se ve
afectado por las condiciones de maceración de la uva (González-Manzano, Rivas-Gonzalo, y
Santos-Buelga, 2004). En lo que respecta a las propiedades físicas del hollejo, el espesor de dicha
pared o la densidad de la misma deben ser también consideradas en la evaluación de la extracción
de los compuestos fenólicos de la uva (Ortega-Regules, Romero-Cascales, Ros-García, López-
Roca, y Gómez-Plaza, 2006).
Por lo que respecta a la semilla de uva, la extractabilidad disminuye durante la maduración,

de aproximadamente el 25% en las primeras etapas a aproximadamente el 5% en la última
(Rodriguez-Pulido, Hernández-Hierro, Nogales-Bueno, Gordillo, Gonzalez-Miret, y Heredia,
2014). Este fenómeno podría estar relacionado con la presencia del tegumento intermedio, que es
impermeable y muy duro cuando las semillas maduran y lignifican, y podría evitar la extracción
(Cadot, Minana-Castello, y Chevalier, 2006). Por otro lado, cambios en la estructura
polisacarídica de la pared celular podría afectar la solubilidad de los flavonoides (Bautista-Ortín,
Jiménez-Pascual, Busse-Valverde, López-Roca, Ros-García, y Gómez-Plaza, 2013). Además, la
maceración enzimática, normalmente utilizada en el proceso de elaboración del vino para
degradar la pared celular del hollejo con el fin de aumentar el color, también puede favorecer la
extracción de flavonoides procedentes de las semillas debido a la degradación de la pared celular
de las semillas, especialmente si están inmaduras y muestran baja lignificación.
20
UVA Y VINIFICACIÓN
2.4. Vino tinto: composición y elaboración (Asselin y Delteil, 2003; Carbonneau,

Champagnol, Deloire, y Sevilla, 2003; Razungles, Blouin, Boulet, Escudier, Feuillat,
Flanzy, et al., 2003; Ribéreau-Gayon, et al., 2006; Zamora, 2003)
El vino tinto se define como el producto resultante de la fermentación alcohólica del mosto
obtenido a partir de la uva tinta. Durante la vinificación se forman diferentes sustancias que, junto
con las presentes originariamente en la uva, y en función de la tecnología empleada para la
elaboración y envejecimiento del vino, determinan la composición del mismo. Entre los
compuestos fenólicos presentes en el vino, poseen un especial interés los compuestos de
estructura flavonoide, tanto por su contribución a las propiedades sensoriales del vino (color,
sabor, astringencia y amargor) (Arnold, Noble, y Singleton, 1980) como por el posible efecto
fisiológico que pueden tener consecuencia de su actividad antioxidante y captadora de radicales
libres (Teissedre, Frankel, Waterhouse, Peleg, y German, 1996). Estos compuestos se encuentran
principalmente en el hollejo y la semilla de la uva, desde donde son extraídos al medio líquido
durante el proceso de vinificación.
Las etapas más importantes en la elaboración del vino tinto se detallan a continuación:
 Maceración y fermentación alcohólica
El proceso de maceración comprende desde el momento en que se llena la cuba con la uva
hasta el descube del vino, esto es, antes, durante y después de la fermentación. A lo largo de estos
procesos se produce la extracción de los compuestos procedentes de la uva al mosto a partir del
que se generará el vino. Durante la maceración pre-fermentativa el medio es acuoso y se encuentra
a una temperatura moderada, extrayéndose principalmente los antocianos y los flavonoles de la
piel de la uva, así como parte de los polisacáridos. A continuación ocurre la fermentación
alcohólica, durante la cual la glucosa es transformada por las levaduras presentes en etanol,
convirtiendo el medio en hidroalcohólico. Este medio facilita la extracción de compuestos
fenólicos del hollejo y permite la extracción de compuestos fenólicos presentes en la semilla.
Además durante este periodo comienzan a darse algunas interacciones entreantocianos y
flavanoles. Por último tiene lugar la maceración post-fermentativa, desde que finaliza la
fermentación hasta el descube del vino. Durante esta etapa, continúa la extracción de taninos,
principalmente desde la semilla de la uva.
 Fermentación maloláctica
Este proceso, esencial en los vinos tintos, se produce tras la fermentación alcohólica y en él
intervienen las bacterias lácticas que, de manera natural, se encuentran en la uva. Su misión es
transformar el ácido málico en ácido láctico, lo que, en cuanto a sabor se refiere, consigue la
disminución de la acidez en el vino. El ácido láctico resulta más suave que el málico, por lo que
tiene lugar un aumento de la untuosidad y los aromas en el vino, y se asegura una mayor
21
INTRODUCCIÓN
estabilidad biológica ya que, al desaparecer el ácido málico que sirve como nutriente a las
bacterias lácticas, es difícil que éstas proliferen en el medio provocando riesgos bilógicos.
Además de la generación de ácido láctico, durante la fermentación maloláctica se liberan al medio
diferentes sustancias que pueden afectar principalmente al aroma y al sabor del vino, tanto
positiva como negativamente.
 Envejecimiento
El vino es un medio en constante evolución por lo que el envejecimiento se produce hasta el

momento de su consumo. En condiciones idóneas, durante este tiempo el vino consigue una
perfecta maduración, afinando sus características organolépticas. Durante el envejecimiento en
barricas de roble, tienen lugar diversos procesos mediante los cuales el vino gana en complejidad
y estabilidad. Por una parte la madera permite una entrada de oxígeno de manera moderada, vital
para que se den las reacciones de polimerización y combinación entre antocianos y flavanoles que
conllevan a la estabilización del color y a la modulaciónde la astringencia. Por otra parte, se
produce la precipitación de parte de la materia colorante del vino, evitando así que aparezcan
precipitados durante la permanencia del vino en botella. Además, como se detalla más adelante,
el roble aporta gran cantidad de compuestos al vino: sustancias volátiles y compuestos fenólicos,
tanto nativos de la madera como formados durante el secado y tostado de la misma, que mejoran
el aroma y la calidad gustativa del vino. Las sustancias volátiles aportan aromas característicos al
vino que solo se consiguen mediante el envejecimiento. Los compuestos fenólicos participan
principalmente en el sabor, aunque algunos de ellos tienen también importancia en la evolución
del vino y en las transformaciones que sufren los pigmentos responsables del color.
22
MADERA DE ROBLE
3. MADERA DE ROBLE
3.1. El género Quercus. Clasificación y distribución geográfica
El termino roble hace referencia a las más de 150 especies de árboles que agrupa el género
Quercus, perteneciente a la familia de las fagáceas. Son árboles de gran porte por lo general,
aunque también se incluyen arbustos. Entre las diversas especies que componen este género,
Quercus alba L., Quercus petraea (Matt.) Liebl. y Quercus robur L.son las tres especies con
mayor relevancia en el sector enológico (Vivas, 2002).
La mayor parte de estas especies de alto valor enológico se encuentran ampliamente
distribuidas a lo largo de Europa, América del norte y América central, el sudeste asiático y en
menor medida, en el norte de África y la región norte de Sudamérica. No obstante, las principales
zonas productoras de las tres especies de roble de interés enológico son Francia y los Estados
Unidos de América. En Francia se pueden encontrar tanto robles de la especie Quercus petraea,
como de la especie Quercus robur. La especie Quercus petraea se cultiva principalmente en las
regiones Centro de Francia, Borgoña y Vosges donde se adapta bien a los suelos arenosos y no
requiere demasiada luminosidad. Mientras que la especie Quercus robur crece fundamentalmente
en la zona de Limusin y requiere suelos fértiles y mucha más luminosidad. La especie Quercus
alba procede de América del Norte siendo las principales áreas de producción los bosques de los
estados de Virginia, Carolina del Norte, Tennessee, Kentucky, Missouri y Oregón (Vivas, 2002;
Zamora, 2003). Por este motivo, tradicionalmente en tonelería se habla de roble francés o roble
americano sin hacer distinción entre especies.
3.2. Composición química de la madera de roble
La madera de roble posee una amplia variabilidad en su composición química determinada por
factores como la especie, el origen geográfico, las condiciones de cultivo o la edad de la madera
(Mosedale, Puech, y Feuillat, 1999; Singleton, 1995). Se sabe que puede existir variabilidad entre
individuos de la misma especie que crecen juntos en un mismo bosque, e incluso dentro de un
mismo árbol (Chatonnet y Dubourdieu, 1998; Masson, Moutounet, y Puech, 1995; Mosedale, et
al., 1999; Prida y Puech, 2006; Sauvageot y Feuillat, 1999).
Celulosa, hemicelulosa y lignina son los principales constituyentes de la pared celular de la

madera de roble. Estos compuestos confieren a la madera sus características propiedades físico-
mecánicas como la resistencia a la tracción y a la compresión. El resto de los componentes
constituyen la llamada fracción extraíble, y pueden presentarse intercalados con los polímeros en
la pared celular o como inclusiones en los lúmenes celulares. Estos compuestos contribuyen al
23
INTRODUCCIÓN
desarrollo de varias propiedades organolépticas de los vinos tratados con madera tales como el
color, sabor y olor (Ribéreau-Gayon, et al., 2006). De entre ellos los más abundantes son los
elagitaninos, pero también se encuentran otros componentes de diversa naturaleza y estructura.
3.2.1. Compuestos volátiles
Los compuestos volátiles procedentes de la madera de roble tostada, como el metilfurfural, el

siringaldehido o el eugenol, son los principales responsables del aroma y sabor típicos de los vinos
que han tenido contacto con madera. La composición volátil de la madera depende del origen
geográfico de esta pero también está muy influenciada por los procesos a los que son sometidas
las duelas, principalmente por el tostado (Alañón, Castro-Vázquez, Díaz-Maroto, Gordon, y
Pérez-Coello, 2011; Caldeira, Climaco, de Sousa, y Belchior, 2006). En la tabla 1 se muestran
los compuestos volátiles que el roble aporta al vino.
Tabla 1. Principales sustancias volátiles procedentes de la madera de roble
ORIGEN
Furfural
Furanos Metilfurfural
Hidroximetilfurfural
Alcohol furfurílico POLISACÁRIDOS
Otros heterociclos Maltol
volátiles Dimetilpirazinas
Ácido acético
Vinillina
Aldehídos fenoles Siringaldehído
Sinapaldehído
Coniferaldehído
Acetofenona
Fenil cetonas Aetovainillona LIGNINA
Propiovainillona
Butirivainillona
Guayacol
Fenoles volátiles Metil-guayacol
Etil-guayacol
Eugenol
Etil-4-fenol
Β-Metil Isómero cis LÍPIDOS
γ-octolactona Isómero trans
24
MADERA DE ROBLE
3.2.2. Compuestos fenólicos
Además de los compuestos aromáticos, la madera de roble puede ceder al vino otros
compuestos que participan principalmente en su sabor, aunque algunos de ellos tienen también
importancia en la evolución del vino y en las transformaciones que sufren los pigmentos que
aportan el color al vino. Básicamente se trata de compuestos fenólicos cedidos por la madera al
vino como son los ácidos fenólicos, taninos gálicos, taninos elágicos y cumarinas.
 Ácidos fenólicos
En la madera de roble se han identificado ácidos fenólicos tales como ácido gálico,
vainillínico, siríngico, ferúlico, sinápico, elágico, etc. De entre todos ellos, posee especial
importancia el ácido elágico y el ácido gálico (Canas, Leandro, Spranger, y Belchior, 2000). Estos
compuestos, además de aportar una cierta acidez, pueden participar en la evolución del color del
vino tinto por su contribución como posibles copigmentos (Vivas, 1997) y su efecto protector de
la oxidación de los antocianos (Vivas y Glories, 1996).
 Taninos hidrolizables
Prácticamente la totalidad de los taninos que se encuentran en la madera de roble pertenecen

al grupo de los taninos hidrolizables divididos en galotaninos y elagitaninos.
Los taninos gálicos o galotaninos están formados por una molécula de glucosa, cuyos grupos
hidroxilo están esterificados total o parcialmente con moléculas de ácido gálico. Estos
compuestos presentan sabor ácido, ligeramente astringente y muy amargo. Sin embargo, su
contribución al sabor del vino es mínima ya que, en realidad, la cantidad de estos taninos en la
madera de roble es reducida (Vivas, 1997).
Los taninos elágicos o elagitaninos, por el contrario, son los compuestos fenólicos más
importantes que puede ceder la madera de roble al vino debido a su abundancia. Destaca la
presencia de elagitaninos de tipo C-glucosidícos que, debido a su alta polaridad, son solubilizados
con facilidad por el medio acuoso del vino. Entre ellos se encuentran vescalagina, castalagina,
grandinina y roburina E (Figura 3), siendo la castalagina y vescalagina los principales elagitaninos
encontrados en la madera de roble (Scalbert, Monties, y Janin, 1989; Viriot, Scalbert, Dupenhoat,
y Moutounet, 1994). Estos compuestos pueden contribuir de manera importante a la estructura
del vino, aportándole astringencia. Además, las propiedades oxidorreductoras de estos
compuestos hacen que su presencia en el vino influya en gran medida en la evolución de su color,
tanto por su efecto protector de la oxidación de antocianos, como por su posible implicación en
la combinación antociano-tanino que conlleva una mayor estabilidad de los pigmentos (Vivas, et
al., 1996). Su capacidad de formación de acetaldehído favorece la polimerización de los
flavanoles del vino, y también pueden unirse a ellos formando complejos flavanol-elagitaninos
25
INTRODUCCIÓN
(Saucier, Jourdes, Glories, y Quideau, 2006). Por tanto, solo una pequeña parte de los elagitaninos
aportados por la madera se encuentran en el vino en forma libre, contribuyendo a las sensaciones
de amargor y astringencia (Glabasnia y Hofmann, 2006). En el caso de que las concentraciones
de elagitaninos llegaran a ser elevadas, esto daría lugar a vinos con características organolépticas
no deseadas debido a lo que se denomina “sabor a tablón”. Sin embargo, durante el procesado de
la madera, la concentración de estos compuestos se reduce considerablemente sobre todo durante
el proceso de tostado.
Figura 3. Estructura de los elagitaninos C-glicosídicos: castalagina, vescalagina, grandinina y

roburina E
 Cumarinas
Las cumarinas pueden considerarse como derivados de los ácidos cinámicos que se forman
mediante esterificaciones intramoleculares (Ribéreau-Gayon, et al., 2006), pudiendo encontrarse
tanto en forma de heterósido como libres. En la madera de roble fresca estos compuestos de
encuentran mayoritariamente en forma de heterósidos amargos. Sin embargo, durante el proceso
de secado de la madera, como consecuencia del desarrollo de ciertos tipos de hongos, se produce
la hidrólisis enzimática de los heterósidos formando los correspondientes aglicones, perdiendo
así gran parte del amargor (Zamora, 2003).
3.3. Importancia de la madera de roble en el sector enológico
La madera de roble se ha utilizado desde hace siglos para la elaboración de las barricas donde
se almacena el vino durante el envejecimiento. Aunque la función original de las barricas fue el
simple almacenamiento y transporte de vino, se ha demostrado que durante el envejecimiento en
las barricas de roble, el vino sufre una serie de transformaciones que conducen a cambios
importantes en el aroma, color, sabor y astringencia (Glabasnia, et al., 2006; Puech, Feuillat, y
Mosedale, 1999; Zamora, 2003). Este proceso entraña multitud de reacciones en las que
26
MADERA DE ROBLE
intervienen compuestos procedentes tanto de la madera utilizada, como del vino sometido al
proceso de crianza. La naturaleza y cantidad de los compuestos de la madera que pasan al vino
dependerá fundamentalmente de la composición química inicial de la barrica pero también de la
capacidad de estos compuestos para ser cedidos al vino. Durante el proceso de envejecimiento en
barrica tiene lugar, además, una microoxigenación natural a través de los poros de la madera. Este
aporte de oxígeno es necesario para las reacciones de polimerización y combinación entre
antocianos y flavanoles que conllevan a la estabilización del color y a la suavización de la
astringencia.
Es evidente que el empleo de barricas para llevar a cabo los procesos de envejecimiento es una
tarea cara, complicada y lenta. En la actualidad existen otras alternativas para el envejecimiento
que intentan conseguir las mismas características en el vino, minimizando los costes y los tiempos
que requiere la crianza en barrica de roble. La utilización de fragmentos de roble como alternativa
al envejecimiento en barrica es una técnica bien conocida y aplicada en bodega desde hace
muchos años (Hernández-Orte, et al., 2014; Jourdes, et al., 2011). Estos fragmentos de madera
deben proceder exclusivamente del género Quercus y pueden utilizarse tanto en estado natural
como tostado, pero sin llegar a la carbonización. La superficie de estos fragmentos no debe
presentar partículas de carbón y no pueden ser sometidos a ningún tratamiento químico,
enzimático o físico a excepción del tostado. Además, las dimensiones de estos fragmentos deben
ser tal que al menos el 95 % en peso quede retenido en un tamiz con malla de 2 mm
(CE_1507/2006, 2006). Teniendo en cuenta éstas especificaciones, las posibilidades existentes en
el mercado son variadas, pudiéndose añadir tablas, chips o virutas entre otros (Fernández de
Simón, Cadahía, del Álamo, y Nevares, 2010). El envejecimiento del vino utilizando fragmentos
de madera suele aplicarse conjuntamente con técnicas de microoxigenación con el objetivo de
lograr tanto la estabilización de la materia colorante y la suavización de la astringencia como el
aporte de aromas y taninos elágicos que complementen sensorialmente al vino y aporten
complejidad.
La relación entre la madera de roble y el vino va más allá de su implicación en las fases finales
de envejecimiento a través de crianza tradicional o acelerada. La adición de madera y otras fuentes
de copigmentos en las etapas iniciales de la vinificación, constituye una interesante posibilidad
para la estabilización química del color del vino (Cejudo-Bastante, et al., 2017; Cejudo-Bastante,
Rodríguez-Morgado, Jara-Palacios, Rivas-Gonzalo, Parrado, y Heredia, 2016; Gordillo, Baca-
Bocanegra, Rodriguez-Pulido, Lourdes Gonzalez-Miret, Garcia Estevez, Quijada-Morin, et al.,
2016; Nogales-Bueno, Baca-Bocanegra, Jara-Palacios, Hernandez-Hierro, y Heredia, 2017;
Rivero, Gordillo, Jara-Palacios, Gonzalez-Miret, y Heredia, 2017). Los estudios sobre el impacto
del cambio climático, ponen de manifiesto la necesidad de estas intervenciones en el sector
enológico; las condiciones ambientales y climáticas están provocando un desfase importante entre
27
INTRODUCCIÓN
la madurez tecnológica y fenólica de la uva, aspecto que se hace aún más evidente en zonas de
clima cálido (Gordillo, et al., 2012) y que conduce a uvas con una composición fenólica
inadecuada y, por tanto, a vinos tintos demasiado amargos y/o astringentes y con colores pobres
o irregulares (Mira de Orduña, 2010). La utilización para esta práctica enológica de la viruta cruda
obtenida como residuo en el proceso de elaboración de las barricas supone, además, el
aprovechamiento de un subproducto de la industria tonelera.
Numerosos factores condicionan la composición química y la extractabilidad de la madera de

roble: desde la especie botánica, el origen geográfico o las condiciones de cultivo hasta las
operaciones a la que es sometida antes de ser utilizada (cortado, secado, tostado, etc.) (Del Álamo
Sanza y Nevares Domínguez, 2006; Del Alamo Sanza, Nevares Domı́nguez, Cárcel Cárcel, y
Navas Gracia, 2004; Fernández de Simón, et al., 2010; Frangipane, Santis, y Ceccarelli, 2007).
Además, en el empleo de las virutas de roble es importante tener en cuenta que, debido a su gran
superficie de contacto, el vino extrae de manera mucho más rápida los compuestos procedentes
de la madera pudiendo dar lugar a una cesión de compuestos que, sin el control adecuado, podría
llegar a enmascarar los aromas propios de la uva. Teniendo en cuenta la variabilidad descrita para
la madera, se hace indispensable el análisis individual de la composición química y la
extractabilidad para conocer y asegurar el perfil organoléptico que se quiere conseguir en un
determinado vino.
28
TÉCNICAS ESPECTROSCÓPICAS
4. TÉCNICAS ESPECTROSCÓPICAS
Espectroscopia es el término general que se da a la ciencia que estudia las distintas

interacciones entre la radiación y la materia. Las técnicas espectroscópicas se pueden definir, por
tanto, como un amplio grupo de técnicas analíticas que tienen en común el uso de la interacción
radiación electromagnética‒muestra como vehículo para el análisis.
La interacción entre la radiación y la materia es un fenómeno complejo que depende tanto de

la naturaleza de la materia como de las características de la radiación y cuyo resultado puede ser
muy diverso (absorción, transmisión, reflexión o dispersión).
La radiación electromagnética puede considerarse una forma de energía que se propaga en

línea recta en el vacío, constituida por dos campos que oscilan en fase, uno eléctrico y otro
magnético, perpendiculares entre sí y perpendiculares a la dirección de propagación de la
radiación. Todas las radiaciones que incluye el espectro electromagnético son de la misma
naturaleza, y solamente difieren en su energía, que a su vez abarca muchos órdenes de magnitud.
Las regiones en las que se divide el espectro completo no están delimitadas de forma arbitraria,
dependen del tipo de fenómeno que se produce al interaccionar con la materia, como se verá más
adelante (Skoog, Holler, y Crouch, 2009).
En el sector agroalimentario, el análisis de muestras mediante técnicas espectroscópicas tiene

numerosas variantes en función de las características de las muestras analizadas (estado de
agregación, tamaño, forma, textura, etc.) y de la radiación electromagnética usada (distintas zonas
del espectro electromagnético).
Entre las técnicas espectroscópicas, son de gran utilidad aquellas que tienen en cuenta las
interacciones radiación-materia a nivel molecular. La energía de las moléculas está cuantizada, es
decir, las moléculas tienen un número limitado de niveles de energía de modo que para que se
produzca la absorción de la radiación, la energía de los fotones excitadores debe coincidir
exactamente con la diferencia de energía entre el estado fundamental y uno de los estados
excitados de las especies absorbentes. Como estas diferencias de energía son características para
cada especie, el estudio de las frecuencias de la radiación absorbida proporciona un medio para
caracterizar los componentes de una muestra (Skoog, et al., 2009). La energía total de una
molécula puede definirse como la suma de la energía de los electrones, la energía de vibración y
la energía de rotación.
La energía necesaria para provocar la promoción entre dos niveles electrónicos es muy
superior a la asociada a transiciones entre niveles vibracionales, y estos muy superiores a las
transiciones entre niveles rotacionales. Por tanto, para que se produzca un cambio electrónico de
la molécula se necesita una radiación perteneciente a la región ultravioleta-visible del espectro,
29
INTRODUCCIÓN
caracterizada por altas frecuencias y bajas longitudes de onda. Los cambios vibracionales son
generados por radiaciones de mayor frecuencia o menor longitud de onda pertenecientes a las
regiones del infrarrojo medio o cercano (espectroscopía vibracional). Finalmente, las radiaciones
menos energéticas, correspondientes a la región de las microondas y del infrarrojo lejano son las
que provocan las transiciones entre los niveles rotacionales (espectroscopía rotacional) (Christen
y Beltrán, 1977).
Figura 4. Niveles energéticos del enlace
Entre las técnicas espectroscópicas más útiles para el estudio de muestras agroalimentarias
están la espectroscopía Raman y a la espectroscopía de infrarrojo englobadas en el término
espectroscopía vibracional. La espectroscopía vibracional analiza las vibraciones que se producen
en los enlaces de las moléculas que conforman una muestra. Cada molécula puede tener varios
modos vibracionales distintos y cada modo puede cambiar en uno o más niveles vibracionales.
En muestras complejas, como las agroalimentarias, se encuentran gran variedad de moléculas
poliatómicas, por lo que la espectroscopía vibracional permite obtener huellas espectrales del
compuesto o muestra analizada (Byrne, Ostrowska, Nawaz, Dorney, Meade, Bonnier, et al.,
2014).
La espectroscopía Raman y de infrarrojo son en realidad dos técnicas complementarias.

Aunque dependen de los mismos modos vibracionales, los mecanismos básicos surgen de
procesos que son diferentes desde el punto de vista mecánico. La absorción en la región del
infrarrojo requiere que haya un cambio en el momento dipolar permanente del enlace o en la
30
distribución de carga durante la vibración. Por el contrario, la dispersión Raman necesita una
distorsión momentánea de los electrones distribuidos alrededor de un enlace de la molécula,
seguida por la reemisión de la radiación cuando el enlace vuelve a su estado normal. En esta forma
distorsionada, la molécula esta temporalmente polarizada, es decir, produce de manera
momentánea un dipolo inducido que desaparece cuando hay relajación y reemisión (Skoog, et al.,
2009). Por tanto, la espectroscopía vibracional puede aportar información de una muestra desde
dos puntos de vista diferentes y complementarios (Byrne, Sockalingum, y Stone, 2011; Christen,
et al., 1977).
4.1. Espectrofotometría de absorción en la región ultravioleta–visible
(Skoog, et al., 2009)

La espectroscopia de absorción molecular de radiación ultravioleta y visible tiene aplicación
en la identificación y cuantificación de gran cantidad de especies orgánicas e inorgánicas. Sin
embargo, el análisis cualitativo tiene ciertas limitaciones. Como consecuencia del elevado número
de niveles vibracionales y rotacionales asociados a cada nivel electrónico, los espectros de
absorción moleculares ultravioleta y visibles son considerablemente complejos, están formados
por multitud de líneas, tan próximas unas a otras que en la mayoría de los casos, se muestran
como una banda, un todo continuo que a menudo abarca un intervalo considerable de longitudes
de onda. Varias líneas de absorción muy próximas entre sí estarán asociadas a una transición
electrónica de tal forma que los picos individuales son difícilmente detectables. Por tanto, la
aplicación cualitativa o de determinación estructural de esta técnica tiene un carácter
fundamentalmente orientativo.
La aplicación cuantitativa de esta técnica se basa en la conocida ley de Lambert-Beer que

relaciona la cantidad de radiación absorbida por sustancias químicas líquidas o en disolución con
la concentración de determinados componentes de la muestra.
Para llevar a cabo estas medidas se utilizan los denominados espectrofotómetros de absorción.
Su eficacia, resolución, sensibilidad y rango espectral, dependerán de las variables de diseño y de
la selección de los componentes ópticos que lo conforman. Un espectrofotómetro está constituido
fundamentalmente por: fuente de iluminación, sistema monocromador que produce la dispersión
espectral de la radiación incidente y proporciona un haz de energía radiante con una longitud de
onda y una anchura de banda determinada, compartimento para alojar la muestra, detector y
sistema de registro de señal o almacenamiento de datos. En esta región del espectro se utilizan
comúnmente fuentes incandescentes con filamento de wolframio para emisión de luz visible y
lámparas de arco rellenas de deuterio para la emisión de luz ultravioleta.
31
INTRODUCCIÓN
4.2. Espectroscopía de infrarrojo
Entre las radiaciones electromagnéticas utilizadas para el análisis de muestras

agroalimentarias, la radiación infrarroja es una de las más importantes y más utilizadas. Esta
radiación se relaciona con los movimientos vibracionales y rotacionales de los enlaces
moleculares. Se divide a su vez en tres zonas en función de su cercanía al espectro visible:
infrarrojo cercano, infrarrojo medio e infrarrojo lejano (NIR, MIR y FIR por sus siglas en ingles).
Figura 5. Espectros ultravioleta, visible e infrarrojo
Como se ha detallado anteriormente, la energía del infrarrojo medio es del orden de la energía
necesaria para alterar el estado vibracional de un enlace. Energías menores (infrarrojo lejano) solo
consiguen alterar los estados rotacionales de los átomos y moléculas presentes en la muestra,
mientras que energías mayores, correspondientes a la región del infrarrojo cercano, permiten
conseguir mayores transiciones vibracionales, los llamados sobretonos y bandas de combinación.
Figura 6. Características espectrales típicas de los espectros NIR
En el espectro infrarrojo aparecen, por tanto, bandas de absorción en longitudes de onda

pertenecientes a las regiones del infrarrojo medio y del infrarrojo cercano. Las bandas del
32
infrarrojo medio son bandas intensas y estrechas por lo general ya que las transiciones de este tipo
son relativamente frecuentes y se dan a longitudes de onda concretas para cada enlace y modo
vibracional. Sin embargo, las bandas en el infrarrojo cercano son debidas a transiciones
vibracionales entre niveles energéticos más distantes (sobretonos) y a combinaciones de varias
transiciones fundamentales pertenecientes a distintos modos vibracionales. Los cambios
energéticos que las producen son menos frecuentes y, por tanto, estas bandas son menos intensas.
Además, en la región del infrarrojo cercano los sobretonos y las bandas de combinación de los
distintos enlaces presentes en las muestras agroalimentarias se superponen, complicando
enormemente la interpretación directa de esta región del espectro infrarrojo (Bokobza, 1998).
Teniendo en cuenta lo anterior, la espectroscopía de infrarrojo puede dividirse en dos técnicas

claramente diferenciadas según la región del infrarrojo que utilicen (cercano o medio).
4.2.1. Análisis de imagen hiperespectral en el infrarrojo cercano
El análisis de imagen hiperespectral permite obtener, de manera simultánea, información

espacial y espectral de una misma muestra (Sun, 2010). Esta tecnología integra las características
del análisis de imagen con las de técnicas espectroscópicas, lo que la ha convertido en pocos años
en una técnica poderosa y en rápido crecimiento para el control de alimentos. Su utilidad y el
motivo por el que el análisis de imagen hiperespectral está en auge radican en la esencia de su
funcionamiento: en una imagen hiperespectral se encuentra asociado a cada uno de sus píxeles el
espectro medio de la pequeña zona que representa este, pudiéndose llegar a relacionar la
composición superficial de una muestra con el espectro de cada píxel.
Por tanto, el análisis de imagen hiperespectral se encuentra entre el análisis de imagen

convencional y la espectroscopía superando, en algunos casos, a ambas técnicas (Tabla 2).
Tabla 2. Principales diferencias entre el análisis de imagen convencional, espectroscopía y el

análisis de imagen hiperespectral.
Análisis de Análisis de imagen

Característica Espectroscopía
imagen hiperespectral
Información espacial  NO 
Información espectral NO  
Información
NO  
Multiconstituyente
Construcción de imagen
NO NO 
química
Facilidad de extracción de
NO NO 
información espectral
33
INTRODUCCIÓN
Las técnicas de imagen hiperespectral, al igual que la mayoría de las técnicas de análisis
espectroscópico, pueden ser desarrolladas para trabajar usando reflexión, transmisión o
fluorescencia. En el campo del análisis de alimentos se pueden encontrar ejemplos de las tres
(Baiano, Terracone, Peri, y Romaniello, 2012; Barbin, Elmasry, Sun, y Allen, 2013; Kim, Kim,
Chen, y Kong, 2004; Yoon, Lawrence, Smith, Park, y Windham, 2008) aunque lo más común es
trabajar con reflectancias, que pueden transformarse fácilmente en absorbancias aparentes.
1
𝐴 = log⁡( )
𝑅
Para la industria de los alimentos, el análisis de imagen hiperespectral tiene un gran interés ya
que permite conseguir una información precisa y detallada, pero sobre todo de forma más rápida
que otras tecnologías. Es una técnica no destructiva y perfectamente apta para aplicaciones on‒
line, las cuales requieren una rápida respuesta para que otros equipos actúen de forma inmediata.
Las características de esta técnica la hacen muy apropiada para la realización de dos procesos
muy comunes en la industria de alimentos: la identificación de productos con una determinada
cualidad y la determinación de su composición.
Para la realización del análisis de imagen hiperespectral no es necesaria una preparación de

muestra tediosa, ya que la captura de la imagen se realiza sobre el alimento en su estado original.
Además, es un método de análisis no contaminante y seguro, pues no necesita del uso de reactivos
químicos. Una vez puesto a punto, tiene grandes ventajas económicas con respecto a los análisis
tradicionales, es más rápido, requiere menos inversión en reactivos y no genera residuos. Por
último, el hecho de ser una técnica no invasiva ni destructiva permite la utilización de la misma
muestra para realizar otros análisis tras la captura de los datos hiperespectrales (Sun, 2010).
En el análisis de imagen hiperespectral se genera un hipercubo de datos compuesto por la

información espacial y el espectro de cada píxel. Tras la adquisición de datos existe la posibilidad
de seleccionar determinadas regiones de interés (ROI por sus siglas en inglés). Esta selección se
puede hacer de forma previa o posterior a la adquisición y es usada para seleccionar objetos con
una determinada característica espectral.
Con esta técnica se consigue una buena resolución espectral y es posible realizar estudios
cualitativos y cuantitativos para determinar uno o varios parámetros de forma simultánea. Otra
característica interesante del análisis de imagen hiperespectral, al menos para muestras
relativamente grandes o con cierta heterogeneidad, es que se puede realizar un mapa de
composición de la muestra debido a que la composición está íntimamente relacionada con el
espectro y a que se dispone de información espacial de la muestra.
34
De forma orientativa, los equipos de adquisición de imágenes hiperespectrales constan de una

fuente de iluminación, con un espectro de emisión adecuado para medir en la zona del espectro
electromagnético donde el detector es sensible, una zona de medida o portamuestras, un sistema
óptico de recogida y guiado de la radiación electromagnética proveniente de la muestra (lentes,
espejos, fibra óptica, etc.), un elemento dispersivo o espectrógrafo que separa la radiación en las
distintas longitudes de onda, un detector y un sistema informático que permite gobernar el
instrumento, guardar y tratar los datos adquiridos.
Los dispositivos de adquisición de imágenes hiperespectrales más utilizados en

agroalimentación usan detectores sensibles en la zona del visible o del infrarrojo cercano. Son
detectores compuestos a base de semiconductores que utilizan el efecto llamado unión p‒n. Este
efecto consiste en la unión de dos semimetales dopados con impurezas que permiten tener una
estructura con electrones o huecos con cierta libertad de movimiento. Al incidir radiación
electromagnética sobre el detector, se produce un movimiento de los electrones o huecos que
puede ser fácilmente contabilizado y relacionado con la radiación recibida (Rogalski, 2003). Este
tipo de detectores son usados en una amplia zona del espectro electromagnético. Los detectores a
base de silicio trabajan principalmente en la zona visible del espectro aunque son sensibles
también en una pequeña parte de la región del infrarrojo cercano (hasta 1000 nm). Sin embargo,
el más utilizado en esta región es el detector InGaAS, el cual tiene gran sensibilidad, rápida
respuesta y funciona en un amplio intervalo espectral, desde 900 a 1700 nm, o incluso hasta 2500
nm si se incrementa la proporción de Indio en la aleación, aunque esto genera una menor relación
señal‒ruido (Rogalski, 2003; Sun, 2010).
El análisis de imagen hiperespectral en el infrarrojo cercano y su aplicación a la industria

enológica ha sido ampliamente estudiado (Nogales-Bueno, et al., 2016). Existen numerosos
estudios que utilizan esta técnica para determinar parámetros de interés vitivinícola en uva. Entre
ellos, se aplica el análisis de imagen hiperespectral en el infrarrojo cercano para predecir
contenidos de compuestos fenólicos tanto en la baya completa como en la semilla (Chen, Zhang,
Ning, Liu, Zhang, y Yang, 2015; Rodriguez-Pulido, et al., 2014), controlar la madurez fenólica y
tecnológica de la uva (Nogales-Bueno, Hernández-Hierro, Rodríguez-Pulido, y Heredia, 2014),
caracterización de semillas (Rodríguez-Pulido, Barbin, Sun, Gordillo, González-Miret, y
Heredia, 2013) y en la caracterización de subproductos de vinificación (Jara-Palacios, Hernanz,
Escudero-Gilete, y Heredia, 2016).
El análisis de imagen hiperespectral en el infrarrojo cercano también ha sido utilizado para la

determinación de parámetros de interés en muestras de madera (Lestander, Geladi, Larsson, y
Thyrel, 2012; Thumm, Riddell, Nanayakkara, Harrington, y Meder, 2010). Sin embargo, no se
han encontrado referencias de la utilización de esta técnica al análisis de madera de roble con
fines enológicos, si bien si se encuentra descrito en la literatura el uso de técnicas de infrarrojo
35
INTRODUCCIÓN
cercano convencional para la determinación de fenoles totales en madera de roble (Zahri,

Moubarik, Charrier, Chaix, Bailleres, Nepveu, et al., 2008) y para la clasificación de duelas
completas y su posterior uso en barricas teniendo en cuenta el contenido fenólico de las mismas
(Giordanengo, Charpentier, Boizot, Roussel, Roger, Chaix, et al., 2009; Jourdes, et al., 2011).
4.2.2. Espectroscopía en el infrarrojo mediante transformada de Fourier
La espectroscopía de transformada de Fourier se basa en el interferómetro de Michelson, un

elemento que divide la luz proveniente de la fuente de iluminación en dos haces. Uno de los haces
se dirige hacia un espejo fijo y el otro hacia un espejo móvil. Ambos haces recorren caminos
distintos, uno de ellos con una longitud variable y pasando por la muestra. El diferente camino
óptico genera una diferencia de fase entre ambos haces además de diferencias espectrales debidas
a que uno de los haces interacciona con la muestra (Skoog, et al., 2009).
El interferómetro genera interferencias constructivas o destructivas, según la posición del

espejo móvil, y el detector mide la intensidad de esta radiación. Posteriormente, el sistema
informático permite, con la ayuda de la transformada de Fourier, obtener el espectro de la muestra
medida.
El uso de los instrumentos de transformada de Fourier tiene ciertas ventajas con respecto a los
equipos dispersivos: tienen pocos elementos ópticos y ninguna rendija que atenúe la radiación.
Como resultado, la potencia radiante que llega al detector es mucho mayor que en un instrumento
dispersor, y se observan relaciones señal-ruido mucho mayores. Además, pueden medirse todas
las longitudes de onda de forma simultánea ya que no es necesaria la utilización de una rejilla que
seleccione la longitud de onda que llega al detector en cada momento. Esta característica facilita
la obtención de datos de un espectro completo en tiempos más reducidos. Finalmente, los
instrumentos de transformada de Fourier poseen alta potencia de resolución lo cual facilita el
análisis de espectros complejos en los que el número absoluto de líneas y espectros implicados
dificultan la determinación de las características espectrales individuales. Estas ventajas han
provocado que la espectroscopía de transformada de Fourier en el infrarrojo haya sido
ampliamente usada, en detrimento de la espectroscopía de redes de difracción (Siesler, Ozaky,
Kawata, y Heise, 2002).
4.3. Espectroscopía Raman
El efecto Raman fue nombrado de esta manera en honor a su descubridor, el físico indio Sir
C. V. Raman, que observó el efecto en la luz solar. Raman descubrió que la longitud de onda
visible de una pequeña fracción de la radiación dispersada por ciertas moléculas difiere de la del
haz incidente y, además, que los desplazamientos de la longitud de onda dependen de la estructura
36
química de las moléculas causantes de la dispersión. Como resultado de este descubrimiento

surgió una nueva forma de espectroscopía, la espectroscopía Raman, basada en los fenómenos de
dispersión inelástica de la radiación.
Una molécula puede absorber un fotón si la energía de este coincide con una diferencia entre
niveles cuánticos, aunque, tras la colisión, el fotón también puede ser dispersado,
independientemente de la energía de este. La mayoría de los fotones dispersados no sufren ningún
cambio en su frecuencia y energía (dispersión elástica de Rayleigh) pero una pequeña fracción de
la luz es dispersada inelásticamente experimentando cambios de frecuencias con respecto a los
fotones incidentes produciéndose así el denominado efecto Raman. La dispersión inelástica puede
provocar aumentos o disminuciones de la energía del enlace que generan, respectivamente, líneas
Stokes o anti‒Stokes en el espectro Raman. Estas variaciones energéticas son debidas a cambios
en los estados vibracionales o rotacionales de los enlaces presentes en la molécula, por lo que los
desplazamientos energéticos de los fotones dispersados frente a los fotones incidentes son
medidas directas de los distintos modos vibracionales o rotacionales de la molécula (Skoog, et
al., 2009).
A temperatura ambiente, según la ley de distribución de energías de Maxwell-Botzman, el

99% de las moléculas se encuentran en el estado vibracional de menor energía, y por tanto, la
probabilidad de que ocurran transferencias de energía que den lugar a la dispersión Raman Stokes
es mucho mayor que la de la dispersión Raman anti-Stokes. Esto se traduce en que la intensidad
de la dispersión Raman Stokes es del orden de 100 veces superior, por lo que habitualmente se
trabaja midiendo solo el efecto Stokes.
Aunque hay similitudes entre los espectros Raman y los espectros en el infrarrojo, hay
suficientes diferencias entre las clases de grupos que son activos en uno u otro para hacer que las
técnicas sean complementarias y no competitivas. Una ventaja importante de la espectroscopía
Raman frente a la espectroscopía en el infrarrojo radica en que la molécula de agua es
prácticamente pasiva frente el efecto Raman, lo que es de gran utilidad en la medida de muestras
biológicas. Además, el efecto Raman, al ser provocado por una dispersión energética, puede
aparecer en cualquier región del espectro electromagnético mientras que las absorciones medidas
por la espectroscopía de infrarrojo están provocadas por transiciones vibracionales con energías
confinadas en la región infrarroja del espectro. Por tanto, la espectroscopía Raman es una técnica
extremadamente versátil ya que puede ser llevada a cabo excitando en las regiones UV, visible o
infrarrojo cercano.
En los últimos años la espectroscopía Raman ha evolucionado de forma considerable y se ha

establecido como una herramienta de laboratorio que rivaliza con la espectroscopía de infrarrojo
convencional (Byrne, et al., 2011).
37
INTRODUCCIÓN
4.4. Espectroscopía Portátil
Las técnicas de espectroscopía vibracional representan un procedimiento analítico que goza

de prestigio en la industria agroalimentaria como técnica rápida, no destructiva y respetuosa con
el medio ambiente para reemplazar a los tradicionales métodos analíticos de referencia. Los
diferentes campos de aplicación de estas técnicas destacan su versatilidad. En el sector enológico,
concretamente, la aplicación de la espectroscopía vibracional es bien conocida y su uso extendido.
Son numerosos los trabajos desarrollados con resultados prometedores (Ferrer-Gallego,
Hernández-Hierro, Rivas-Gonzalo, y Escribano-Bailón, 2010; Ferrer-Gallego, Hernández-Hierro,
Rivas-Gonzalo, y Escribano-Bailón, 2011; Hernández-Hierro, Nogales-Bueno, Rodríguez-
Pulido, y Heredia, 2013; Nogales-Bueno, et al., 2014; Rodriguez-Pulido, et al., 2014).
Sin embargo, a pesar de la eficiencia, rapidez y efectividad de estas técnicas para predecir
diferentes parámetros en el sector agroalimentario, la mayoría de estos estudios deben ser llevados
a cabo en el laboratorio y, por tanto, implican el transporte de muestras con los inconvenientes
que ello conlleva. Para resolver este problema, y cumplir otras exigencias de la industria, en los
últimos años el interés se ha dirigido hacia el desarrollo de una nueva generación de
espectrómetros portátiles que permiten su uso directo en la localización original de la muestra
gracias a la innovación en el diseño del sistema óptico y a la reducción de tamaño (De la Roza-
Delgado, Garrido-Varo, Soldado, Gonzalez Arrojo, Cuevas Valdes, Maroto, et al., 2017; Perez-
Marin, Paz, Guerrero, Garrido-Varo, y Sanchez, 2010; Pérez-Marín, Sánchez, Paz, Soriano,
Guerrero, y Garrido-Varo, 2009; Prado, Fernandez-Ibanez, Gonzalez, y Soldado, 2011;
Saranwong, Sornsrivichai, y Kawano, 2003; Wiedemair, De Biasio, Leitner, Balthasar, y Huck,
2018).
A pesar de que estos espectrómetros portátiles ofrecen varias ventajas, como análisis no
destructivos e in situ, su desarrollo debe considerar algunos aspectos críticos, como costes,
tamaño, peso, robustez, facilidad de uso, precisión de medida, ergonomía, diseño, etc. Las
innovaciones tecnológicas en los instrumentos dispersivos portátiles han ido aumentando y por
tanto, también lo han hecho las ventajas de estos instrumentos con respecto a los equipos de
laboratorio. En la actualidad los equipos portátiles incorporan la precisión analítica necesaria para
la identificación y cuantificación química con una resolución espectral equivalente a los
instrumentos de mesa, lo que permite flexibilidad para el análisis en un entorno industrial ya que
el equipo puede transportarse fácilmente (Sorak, Herberholz, Iwascek, Altinpinar, Pfeifer, y
Siesler, 2012).
Actualmente las principales tendencias son hacia la miniaturización, aumentando la calidad de

las especificaciones mientras se reduce el costo de los dispositivos. Se trata de sistemas vis/NIR
38
portátiles de bajo peso que no necesitan ninguna sonda, fibra óptica o fuente de iluminación
externa porque todas las partes necesarias están incorporadas en su diseño miniaturizado.
Figura 7. Espectrómetro portátil (MicroNIR™, VIAVI)
El número de estudios publicados basados en el uso de espectroscopia portátil ha aumentado

en la última década y se espera que aumente sustancialmente en los próximos años. Sin embargo,
todavía queda camino por recorrer para optimizar el uso de estos equipos en análisis in situ en
determinados sectores como por ejemplo el sector enológico, ya que hay que tener en cuenta que
se debe compensar cualquier interferencia ambiental como luz, temperatura y humedad. A pesar
de que son numerosos los trabajos que utilizan instrumentos portátiles, muchas de las aplicaciones
han sido en realidad llevadas a cabo bajo condiciones de laboratorio (Ayvaz, Sierra-Cadavid,
Aykas, Mulqueeney, Sullivan, y Rodriguez-Saona, 2016; Basri, Hussain, Bakar, Sharif, Khir, y
Zoolfakar, 2017; Blakey, 2016).
39
MICROSCOPÍA ELECTRÓNICA DE BARRIDO
5. MICROSCOPÍA ELECTRÓNICA DE BARRIDO
La microscopía óptica ha sido la técnica usada tradicionalmente para obtener información

detallada de la naturaleza física de las superficies. Sin embargo, a pesar de que todavía es un
recurso importante, la resolución de la microscopía óptica está limitada por los efectos de
difracción respecto a la longitud de onda de la luz. Para obtener una resolución superior es
necesario recurrir a alguno de los métodos de microscopía electrónica, que utilizan como fuente
haces de electrones acelerados con longitud de onda asociada bastante menor de 1Å, y por tanto,
permiten obtener, al menos teóricamente, resolución atómica.
La microscopía electrónica de barrido, SEM del inglés Scanning Electron Microscopy, tiene
su fundamento en la interacción producida entre un haz de electrones puntual y la superficie de
una muestra sólida. La fuente de electrones está constituida normalmente por un filamento de
wolframio. Los electrones son acelerados dentro de la columna de microscopía hasta una energía
de entre 1 y 30 keV. Un sistema magnético constituido por lentes condensadoras y lentes del
objetivo reducen las dimensiones del haz a un diámetro de 2 a 10 nm cuando llega a la muestra.
El sistema de lentes condensadoras, que puede constar de una o más lentes, se encarga de que el
haz de electrones llegue a la lente del objetivo, y ésta determina el tamaño del haz de electrones
que incide sobre la superficie de la muestra. El barrido se efectúa mediante dos pares de bobinas
electromagnéticas ubicadas dentro de la lente del objetivo; un par desvía el haz en la dirección x
de la muestra, y el otro par lo desvía en la dirección y. Como resultado de la interacción entre el
haz de electrones y la muestra, en la cámara de la muestra, se generan varios tipos de señales que
pueden ser detectadas y procesadas para generar la imagen, manteniéndose el sistema a alto nivel
de vacío (Skoog, et al., 2009).
41
INTRODUCCIÓN
Figura 8. Esquema de microscopio electrónico de barrido adaptado de D.A. Skoog et al. Principios
de Análisis Instrumental. Mc Graw Hill, Madrid (2009)
Las señales producidas como resultado de la interacción entre el haz electrónico y la muestra
son, en definitiva, las que darán lugar a la formación de las imágenes. Estas señales pueden ser:
electrones secundarios, electrones retrodispersados y Auger; fotones debidos a la fluorescencia
de rayos X y otros fotones de diversas energías (Figura 9). En los instrumentos para microscopía
electrónica de barrido los electrones secundarios y retrodispersados son los que se utilizan para
construir la imagen siendo el primero de ellos el modo estándar en la obtención de las mismas.
Figura 9. Diagrama de algunas de las señales generadas con un microscopia electrónico de barrido
42
El detector de electrones secundarios más utilizado en SEM es el conocido como detector de

Everhart-Thornley. El detector consiste principalmente en un centelleador dentro de una jaula de
Faraday dentro de la cámara de muestras del microscopio. Este detector aumenta su eficiencia
gracias a la presencia de un tubo de luz que transporta la señal de fotones del centelleador, situado
dentro de la cámara de muestras, al fotomultiplicador fuera de la misma.
A pesar de que existe una gran variedad de técnicas de microscopia electrónica de barrido que
se han ido perfeccionando para obtener imágenes de muestras no conductoras, las más comunes
requieren que la superficie de la muestra se cubra con una película metálica fina (~10 nm)
producida por evaporación por bombardeo o por evaporación al vacío.
Los nuevos microscopios SEM trabajan utilizando como fuente de electrones un cañón de
emisión de campo (Field Emission Gun, FEG) que proporciona haces de electrones de alta y baja
energía más focalizados, lo que permite mejorar la resolución espacial y permite trabajar a muy
bajos potenciales, (0.02 - 5 kV). Esto permite minimizar cargas sobre la muestra causando,
además, menos daños en muestras sensibles.
43
COLORIMETRÍA TRIESTÍMULO
6. COLORIMETRÍA TRIESTÍMULO
El color es la respuesta mental al estímulo que una radiación luminosa produce en la retina. Se
considera un concepto psicofísico, relacionado al mismo tiempo con la psicología del observador,
la fisiología de la visión y con la energía radiante espectral de la fuente luminosa. No se trata, por
tanto, de una propiedad intrínseca del objeto que refleja o transmite la radiación electromagnética
visible (380-770 nm), pues cambios en la fuente de iluminación o en el observador bastan para
modificar el estímulo producido.
En la retina humana existen tres tipos diferentes de conos, cada uno de ellos sensible cada uno
de ellos sensible a una región del espectro visible: longitudes de onda larga (conos L), media
(conos M) y corta (conos S). A partir de la información individual que los tres tipos de conos
envían simultáneamente al cerebro cuando son estimulados por un estímulo cromático, este es
capaz de interpretar todos los colores.
El estímulo cromático está compuesto por tres sensaciones bien diferenciadas que dan al color
su carácter tridimensional: tono, claridad y saturación. El tono o matiz, es el atributo fundamental,
un atributo cualitativo que nos permite clasificar los colores en rojizos, azulados, etc,; está
relacionado con las diferencias de absorbancia de la energía radiante a diferentes longitudes de
onda. La claridad es la característica que permite clasificar un color como claro u oscuro entre los
extremos negro y blanco. Finalmente, la saturación o pureza determina, para cada tono, su grado
de diferencia frente al gris de la misma claridad.
En la actualidad, los sistemas de color están regularizados por la Comisión Internacional de

Iluminación, CIE (Commission Internationale de lÉclairage), organismo encargado de recoger,
evaluar y recomendar los diferentes avances en Colorimetría.
La Colorimetría surgió como ciencia para dar solución al problema de la medida del color de
una manera objetiva, eliminando la dependencia de la componente psicológica del observador.
Esta ciencia estudia la especificación numérica del color de un estímulo visual definido
físicamente de manera que: estímulos con la misma especificación y bajo las mismas condiciones
de observación aparecen iguales para un observador con visión normal de los colores, estímulos
que aparecen iguales poseen la misma especificación y los números correspondientes a la
especificación son funciones continuas de los parámetros físicos que definen la distribución de
energía radiante espectral del estímulo.
El color se puede expresar de forma geométrica considerando un espacio de tres dimensiones

denominado Espacio Triestímulo, en el que cada estímulo de color (Q) viene expresado por un
vector expresión de las cantidades proporcionales de cada uno de los estímulos primarios: rojo
45
INTRODUCCIÓN
(R), verde (G) y azul (B). A partir de estas cantidades proporcionales, los valores triestímulo R G
B, la CIE propone los distintos sistemas colorimétricos para la evaluación del color.
Con el objetivo de estandarizar las coordenadas de color y facilitar el intercambio y

comparación de datos entre laboratorios, la CIE recomienda, para colorimetría general, utilizar
unos estándares tanto en el iluminante como en el observador de referencia. Como iluminantes
propone distribuciones espectrales relativas para varios tipos de fuentes, siendo el iluminante D65
el que la CIE recomienda en la mayoría de los casos. El iluminante D65 está relacionado con la
radiación que emite un cuerpo negro (radiador total) a la temperatura de 6500 K. Se suele
denominar “luz diurna” y corresponde aproximadamente con la luz de un día con el cielo cubierto
de nubes. Como observador estándar, la CIE recomienda el observador de 10º de ángulo de visión,
que recoge las funciones de igualación de color (series de valores triestímulo espectrales de cada
estímulo monocromático en un determinado sistema de estímulos primarios) para un campo visual
de 10º.
La CIE ha propuesto distintos sistemas de representación del color buscando la mejor

correspondencia con la sensación visual percibida por el observador. De todos los propuestos, el
espacio de color uniforme CIE 1976 L*a*b* (CIELAB) es el más empleado en la actualidad y es
recomendado por la CIE para la mayoría de las aplicaciones industriales.
Figura 10. Representación del Espacio de Color CIE 1976–(L*a*b*).
El espacio CIELAB es un espacio tridimensional que queda definido, tal como muestra la (Figura
10), cuando se representan las coordenadas rectangulares L* a* b*. La claridad L* puede tomar
46
COLORIMETRÍA TRIESTÍMULO
valores desde 0 hasta 100, de más oscuro a más claro. El tono hab es el ángulo con el eje de abscisas
(a*) y está comprendido entre 0º y 360º. El croma C*ab es la distancia entre el origen de
coordenadas y el estímulo en cuestión.
47
CROMATROGRAFÍA LÍQUIDA DE ALTA EFICACIA
7. .CROMATOGRAFÍA LÍQUIDA DE ALTA EFICACIA
La cromatografía agrupa un conjunto importante de métodos que permiten la separación,

identificación y determinación de componentes estrechamente relacionados en mezclas
complejas. En la cromatografía líquida, la muestra se disuelve con una fase móvil la cual se hace
pasar a través de una fase estacionaria inmiscible fija en una columna. Las dos fases se eligen de
tal forma que los componentes de la muestra se distribuyen en grados distintos entre la fase móvil
y la fase estacionaria. Como consecuencia de las distintas velocidades de migración, los
componentes de la muestra se separan en bandas o zonas distintas que se pueden analizar en forma
cualitativa y cuantitativa (Sogorb Sánchez, 2006).
Inicialmente, la cromatografía líquida se llevaba a cabo en columnas de vidrio que tenían una
longitud de varias decenas de centímetros y diámetros internos de 10 a 50 mm. Para asegurar tasas
de flujo razonables a través de la fase estacionaria, las dimensiones de las partículas sólidas se
mantenían en más de 150 a 200 μm. Incluso así, las tasas de flujo eran bajas, de un máximo de
una pocas décimas de mililitro por minuto. Por consiguiente, los tiempos de separación eran
largos, a menudo de varias horas. Los intentos para acelerar el procedimiento clásico mediante la
aplicación de vacío o por bombeo no resultaron efectivos ya que generaban perdidas de eficiencia
y rápidos deterioros de los equipos.
Con el tiempo se descubrió que se podía aumentar de forma notable la eficiencia de la columna
al disminuir el tamaño de las partículas y mejorar su empaquetamiento. Sin embargo, fue apenas
a finales de los años sesenta cuando se perfeccionó la técnica adecuada para producir y utilizar
empaques de tamaño de partícula tan pequeños como del orden de 3 a 10 μm. Esta técnica requería
instrumentos más complejos que contrastaban de manera notable con las sencillas columnas de
vidrio de la cromatografía de líquidos clásica cuyo flujo se debía a la gravedad. Las nuevas
columnas necesitaban una mayor presión para operar a flujos aceptables, por lo que se substituyó
el vidrio por metal, y tenían una menor capacidad de carga, es decir, aceptaban menor cantidad
de muestra para analizar. Por consiguiente, fue necesario el desarrollo de detectores capaces de
registrar señales originadas por muy pequeñas cantidades de electrolito. Para diferenciar estos
procedimientos más nuevos de los métodos originales de flujo por gravedad se empleó la
denominación de cromatografía de líquidos de alta resolución (HPLC, por sus siglas en inglés).
La cromatografía líquida de alta resolución es la técnica más utilizada para el análisis de

compuestos fenólicos (Markham, 1982). Mediante esta técnica se puede conseguir la separación
rápida y eficiente de mezclas complejas, seleccionando adecuadamente los eluyentes, la columna,
el flujo, la temperatura y el gradiente (Hong y Wrolstad, 1990a, 1990b).
49
INTRODUCCIÓN
 Columnas
Las columnas analíticas de HPLC son cilindros de acero de entre 10 y 25 cm de longitud y 4-5
mm de diámetro interno. La fase estacionaria se halla en el interior de los cilindros, siendo lo más
común fases estacionarias en fase reversa a base de sílice químicamente modificada mediante la
inclusión de cadenas de hidrocarburos. Pueden encontrarse columnas con cadenas constituidas
por 8 y por 18 átomos de carbono (C8 y C18 respectivamente) siendo más usadas estas últimas.
El tamaño de partícula de la fase estacionaria oscila entre 2 y 10 μm, dimensiones que se
consideran el mejor compromiso entre capacidad, consumo de fase móvil, velocidad de elución y
resolución.
 Fases móviles
Existe una gran variedad en cuanto a fases móviles dependiendo de las características de los
analitos que componen la muestra. Para muestras con composición polifenólica se suele usar
como fase móvil un gradiente binario, formado por un solvente polar acidificado y otro menos
polar. Los modificadores orgánicos que más comúnmente se utilizan en las fases móviles son el
acetonitrilo y el metanol.
Con el fin de minimizar las colas de los picos cromatográficos, habitualmente se acidifican las
fases móviles. Los acidificantes más frecuentes son el ácido acético y el ácido fórmico, con este
último se obtiene mejor resolución. El ácido trifluoroacético también ha sido ampliamente
utilizado debido a las ventajas que ofrece por ser un ácido menos corrosivo y que mejora la
reproducibilidad de los tiempos de retención de antocianos (Lopes-da-Silva, de Pascual-Teresa,
Rivas-Gonzalo, y Santos-Buelga, 2002).
 Detectores
El detector registra una propiedad físico–química del material eluido por la columna en
función del tiempo. El sistema de detección más habitual en HPLC es la detección
ultravioleta/visible (UV–Vis), utilizando matrices de fotodiodos como sensores. Sin embargo,
también se usan sistemas de detección por fluorescencia o electroquímica cuando la absorbancia
de los compuestos en UV–Vis es muy baja.
La detección mediante espectrometría de masas ha progresado mucho en las dos últimas

décadas por ser el detector más sensible, selectivo y universal de los existentes. La técnica de
HPLC-MS tiene la capacidad de proporcionar huellas dactilares de un producto particular
sometido a elución en lugar de confiar solo en el tiempo de retención. La combinación permite la
determinación funcional y estructural de las moléculas, con una elevada sensibilidad y límites de
detección muy bajos, y de forma más rápida y fiable (Skoog, et al., 2009).
50
QUIMIOMETRÍA
8. QUIMIOMETRÍA
La quimiometría es una disciplina que utiliza las matemáticas, la estadística y la lógica formal
para diseñar o seleccionar los procedimientos óptimos de experimentación y proporcionar la
máxima información analizando los datos y sistemas químicos (Vandeginste, Massart, y Buydens,
1998).
El análisis espectroscópico proporciona una señal de conjunto que contiene toda la

información física y química de la muestras y para obtener la respuesta buscada es necesaria la
aplicación de diversas técnicas quimiométricas que sean capaces de extraer dicha información.
Atendiendo al tipo de información que se necesite obtener (respuesta categórica o de escala)

los métodos se dividen en cualitativos o cuantitativos.
Los cualitativos o métodos de reconocimiento de pautas, se pueden subdividir en métodos

supervisados y no supervisados, dependiendo de si se conoce o no a priori, si el objeto pertenece
a una clase determinada. Los métodos no supervisados buscan agrupamientos en un espacio n‒
dimensional sin conocer las clases a las que pertenece el objeto; sin embargo, en los supervisados
se tiene un conocimiento previo de las clases y posteriormente, tras generar el modelo, se obtiene
a cuál de ellas pertenece un determinado objeto.
En el caso de los métodos cuantitativos, se puede hacer una primera división entre métodos
univariantes y multivariantes. Dentro de éstos se distingue entre modelos lineales y no lineales
dependiendo del tipo de función matemática que presente su algoritmo. Tradicionalmente, los
modelos lineales han sido los más empleados debido a su mayor sencillez. Si se opera con las
variables originales, se utiliza la regresión lineal múltiple, y cuando se trabaja con variables
reducidas, se usa la regresión por componentes principales o la regresión por mínimos cuadrados
parciales (Brereton, 2003; Vandeginste, et al., 1998).
8.1. Pretratamientos espectrales
Los principales problemas que presentan los espectros en espectroscopía de infrarrojo y

Raman se encuentran asociados a la dispersión de la luz, considerada en este caso desde un punto
de vista macroscópico, y en el caso particular de la espectroscopía Raman a la fluorescencia. La
dispersión de la luz se origina por características físicas de la muestra como el tamaño de partícula,
la forma o el grado de compactación o factores externos como la temperatura o la humedad.
Además, también tienen influencia aspectos relacionados con la medida instrumental, unido a la
forma de los espectros en el infrarrojo cercano y en algunas regiones del infrarrojo medio con
bandas muy anchas que se solapan.
51
INTRODUCCIÓN
En espectroscopía Raman, la iluminación usada para excitar la muestra puede producir

fluorescencia. Este fenómeno se da principalmente en muestras coloreadas cuando la excitación
se produce en la región UV‒visible. El uso de fuentes de iluminación que emiten en el infrarrojo
cercano reduce sobremanera este efecto, aunque también reduce la intensidad de las señales
Raman. Por esto, en algunos casos, incluso una débil fluorescencia puede enmascarar las señales
Raman.
La combinación de los pretratamientos que se describen a continuación ofrece un amplio

abanico para intentar eliminar o reducir los efectos que enmascaran, de alguna forma, la señal
apropiada para el propósito analítico. Los pretratamientos comúnmente utilizados son:
Promediado de espectros: el promediado pretende, entre otras cosas, reducir el ruido aleatorio,
y por tanto aumentar la relación señal/ruido, por lo que se usa en diferentes ramas de la
espectroscopía con buenos resultados. Es un método muy efectivo en análisis de imagen
hiperespectral debido a la gran cantidad de espectros que proporciona una imagen.
Corrección del efecto multiplicativo de la dispersión MSC (Multiplicative Scatter Correction):

los efectos de la dispersión de la luz se asocian principalmente a factores físicos como puede ser
el tamaño de partícula o de muestra. Estos efectos pueden ser aditivos o multiplicativos, afectando
a la relación del espectro con las propiedades químicas de la muestra. Mediante este tratamiento
se pretende evitar que los efectos de la dispersión se impongan a las propiedades químicas de la
muestra. La corrección se efectúa utilizando un espectro ideal, que suele ser el espectro medio del
conjunto de muestras. En general, esta corrección mejora la linealidad de los espectros y conserva
la información química a la vez que se minimizan las diferencias entre los espectros (Geladi,
Macdougall, y Martens, 1985) presenta el inconveniente de que es necesario realizar de nuevo los
cálculos cuando se hace algún cambio en el conjunto de muestras; recalculando el espectro medio
y por consiguiente todos los parámetros.
Tipificación de la absorbancia SNV (Standard Normal Variate): al igual que el anterior, este
tratamiento intenta minimizar la dispersión debida principalmente a factores físicos, como puede
ser el tamaño de partícula o de muestra. Este tratamiento se aplica individualmente a cada espectro
y por tanto no necesita el cálculo de un espectro medio o de referencia, ni rehacer los cálculos si
se elimina alguna muestra del conjunto inicial. Existe una relación lineal con MSC, haciendo que
los resultados ofrecidos por ambos métodos sean similares (Barnes, Dhanoa, y Lister, 1989).
Corrección de la tendencia DT (Detrend): este tratamiento se aplica de forma individual a

cada espectro e intenta minimizar la curvatura de la línea base, que surge como consecuencia del
diferente tamaño de partícula o de muestra y del distinto grado de compactación en su
empaquetamiento. Cada espectro, después de esta corrección, tiene una media igual a cero y una
desviación estándar distinta a la unidad (Barnes, Dhanoa, y Lister, 1989).
52
QUIMIOMETRÍA
Derivadas: son una herramienta muy utilizada en el procesado de los espectros en el infrarrojo
cercano porque permiten disminuir sus problemas más característicos: bandas solapadas y
variaciones en la línea base ocasionadas por características físicas de la muestras, como pueden
ser el tamaño de partícula, empaquetamiento de muestras sólidas y otra serie de factores
relacionados con las muestras y su presentación. El método para el cálculo de las derivadas
emplea el método gap o segmento, utilizando la información de un segmento localizado en el
espectro para calcular la derivada. Previamente se puede aplicar un suavizado sustituyendo los
datos de un segmento por el valor promedio. La utilización de la primera derivada, pendiente de
la curva espectral, elimina los términos constantes a todas las longitudes de onda, por lo que
corrige desplazamientos de la línea base. La segunda derivada representa el cambio de pendiente
de la curva espectral, y además, corrige los términos que varían de forma lineal con la longitud
de onda. No suelen utilizarse derivadas superiores a la segunda ya que suponen un aumento del
ruido en las medidas espectrales. La notación utilizada consta de 4 dígitos como a,b,c,d, siendo
a, el orden de derivada, b, el número de puntos en los cuales se realiza la derivada, c el número
de puntos en los cuales se realiza el primer suavizado y d, el número de puntos en los cuales se
realiza el segundo suavizado (Shenk y Westerhaus, 1995). En este método de derivadas y
suavizado se introduce una variable que es el segmento en el cual se realizan estas correcciones.
Un segmento demasiado pequeño puede aumentar el ruido espectral, mientras que uno demasiado
grande puede hacer que no se represente el comportamiento del espectro en el resultado o eliminar
información importante (Infrasoft International LLC, 2000).
Eliminación de la línea base: además de términos constantes y linealmente dependientes a la

longitud de onda, los espectros pueden presentar otras modificaciones no lineales de la línea base,
tanto en Raman como en el infrarrojo. Estas modificaciones son difíciles de eliminar mediante
los tratamientos anteriores. En espectroscopía Raman suelen ser debidas a dispersiones de
Rayleigh residuales que los procesos de filtrado de señal no han podido suprimir por completo o
a fenómenos de fluorescencia producidos fundamentalmente por moléculas orgánicas inherentes
a la muestra o provenientes de algún tipo de contaminación. En espectroscopía de infrarrojo,
heterogeneidades en el sólido, contaminación lumínica o absorciones no controladas pueden
provocar también este efecto. La eliminación de esta línea base permite obtener señales más
fácilmente interpretables, pudiendo así dilucidar mejor las longitudes de onda donde aparecen los
picos o la intensidad de estos (Goehner, 1978; Mazet, Carteret, Brie, Idier, y Humbert, 2005).
Existen procedimientos que estiman la línea base usando ajustes por regresión de mínimos
cuadrados, en los que se necesita que el usuario identifique y seleccione partes de los espectros
pertenecientes a la línea base, sin incluir picos espectrales (Goehner, 1978). Sin embargo,
seleccionar los puntos correctos no es siempre sencillo, puede ser un proceso bastante complejo
y lento si deben de ser procesados un gran número de espectros. Para automatizar el proceso de
53
INTRODUCCIÓN
eliminación de la línea base de los espectros se han desarrollado métodos basados en la

minimización de funciones de costo no cuadráticas, donde no existe la necesidad de seleccionar
manualmente zonas pertenecientes a la línea base (Lieber y Mahadevan-Jansen, 2003; Mazet, et
al., 2005).
Los ajustes a la línea base espectral mediante funciones de costo no cuadráticas se diseñan
para que a valores de error cercanos a 0 (en regiones donde la función de costo y el espectro a
ajustar están próximos), el ajuste sea similar al conseguido con funciones cuadráticas. Sin
embargo, para mayores errores (en regiones donde la función de costo y el espectro a ajustar no
están próximos) el comportamiento del ajuste sea lineal. De esta forma, las funciones de costo no
cuadráticas permiten ajustar la línea base de los espectros a funciones poligonales sin tener en
cuenta los picos. En este tipo de ajustes, el usuario tiene que definir un umbral que permite que el
algoritmo diferencie los picos espectrales de la curvatura natural de la curva base (Mazet, et al.,
2005).
Transformada de Fourier: el uso del interferómetro en espectroscopía implica la adquisición

de datos a periodos regulares en el tiempo, por lo que se obtiene una señal en el dominio del
tiempo. De esta forma se consigue una mayor velocidad de adquisición de datos que usando
medios convencionales (espectroscopía de difracción). Sin embargo, el dominio del tiempo no es
fácilmente interpretable, y es necesaria una herramienta que transforme la señal al dominio de las
frecuencias, es decir, al dominio donde los datos aparecen ordenados según la frecuencia.
8.2. Análisis cualitativos utilizados
8.2.1. Análisis discriminante lineal (LDA)
El análisis discriminante es un método de clasificación supervisada que crea un modelo

predictivo para determinar la pertenencia de una muestra a un grupo. El modelo está compuesto
por una función discriminante (o, para más de dos grupos o categorías, un conjunto de funciones
discriminantes 𝑞 − 1) basada en combinaciones lineales de las variables predictoras que
proporcionan la mejor discriminación posible entre los grupos. Las funciones se generan a partir
de un conjunto de casos para los que se conoce el grupo de pertenencia; posteriormente, las
funciones pueden ser aplicadas a nuevos casos que dispongan de datos para las variables
predictoras pero de los que se desconozca el grupo de pertenencia.
El análisis discriminante es una técnica estadística capaz de determinar qué variables permiten
diferenciar a los grupos y cuántas de estas variables son necesarias para alcanzar la mejor
clasificación posible. La pertenencia a los grupos, conocida de antemano, se utiliza como variable
dependiente (una variable categórica con tantos valores discretos como grupos). Las variables en
54
QUIMIOMETRÍA
las que se supone que se diferencian los grupos se utilizan como variables independientes o
variables discriminantes. Estas variables deben ser cuantitativas continuas, o al menos, admitir un
tratamiento numérico con significado. El análisis discriminante aprovecha las relaciones
existentes entre las variables independientes para maximizar la capacidad de discriminación. No
todas las variables independientes de las que se parte para realizar un análisis discriminante
influyen en la misma medida en el resultado final. Además, el uso de todas las variables implicaría
disponer de un número de muestras igual al de variables para que el sistema tuviese solución.
Debido a esto, existen distintos algoritmos para seleccionar las variables independientes usadas
en el análisis discriminante: algoritmos de selección de variables hacia adelante, eliminación hacia
atrás y de regresión por pasos.
 Los algoritmos de selección hacia adelante comienzan eligiendo la variable que

más discrimina entre las 𝑞 categorías. A continuación seleccionan la segunda más
discriminante y así sucesivamente. Cuando ninguna de las variables que quedan por elegir
discrimina de forma significativa entre los grupos analizados el algoritmo finaliza y no
se seleccionan más variables.
 Los algoritmos de eliminación hacia atrás proceden de forma inversa. Se
comienza suponiendo que todas las variables son necesarias para discriminar y se elimina
la menos discriminante entre los grupos analizados y así sucesivamente. Cuando todas
las variables no eliminadas discriminan significativamente entre los grupos analizados el
algoritmo finaliza.
 Los algoritmos de regresión por pasos utilizan una combinación de los dos
algoritmos anteriores. Permiten la posibilidad de rectificar, eliminando del conjunto
seleccionado una variable introducida en el conjunto de discriminación en un paso
anterior o introduciendo en dicho conjunto una variable previamente eliminada.
Para construir el modelo, es necesario asignar los objetos del conjunto de entrenamiento a una
categoría dada. Para ello, se añade una variable categórica a la matriz de datos conteniendo tantas
categorías como sean necesarias. El análisis discriminante estima los coeficientes 𝑎1 , 𝑎2 , … , 𝑎𝑚 ,
de la función discriminante lineal, 𝑓:
𝑓 = 𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑚 𝑥𝑚
que es capaz de predecir la pertenencia de los objetos a una u otra categoría. Por encima de un
cierto valor de 𝑓, el objeto queda clasificado en una determinada categoría, y por debajo de dicho
valor en otra.
Las funciones discriminantes se construyen de una en una, buscando las direcciones del
espacio que maximizan la expresión:
55
INTRODUCCIÓN
𝑆𝐶𝐷
𝜆′ =
𝑆𝐶𝐼
donde 𝑆𝐶𝐷 es la suma de los cuadrados de las distancias euclídeas entre los objetos que
pertenecen a distintas categorías, en la dirección que índica la función discriminante, y 𝑆𝐶𝐼 la
suma de los cuadrados de las distancias euclídeas entre los objetos pertenecientes a la misma
categoría, también en la dirección de la función discriminante. La primera función discriminante
es la dirección del espacio en la que los grupos se ven más separados entre sí, y a la vez más
compactos internamente. Análogamente, la segunda función discriminante es la dirección del
espacio que, siendo ortogonal a la primera, cumple con el mismo criterio.
La función 𝜆′ no está acotada, por lo que varía solamente con el número de objetos y con la
separación entre ellos. Por ello, en lugar de maximizar 𝜆′ , se suele minimizar la lambda de Wilks
(𝜆𝑊 ), que se define como:
1 𝑆𝐶𝐼
𝜆𝑊 = =
1 + 𝜆′ 𝑆𝐶𝐼 + 𝑆𝐶𝐷
La lambda de Wilks tiene valores entre 0 y 1. Categorías con una separación nítida, dan valores
de 𝜆𝑊 cercanos a 0, mientras que categorías ampliamente solapadas dan valores cercanos a la
unidad.
Se evalúa la bondad del modelo por medio del porcentaje de casos correctamente clasificados
en las diferentes modalidades de validación existentes (interna, cruzada, una muestra fuera o
externa) (Ramis-Ramos y García-Álvarez-Coque, 1999).
8.2.2. Análisis discriminante basado en regresión por mínimos cuadrados

parciales (DPLS)
Este método de reconocimiento de pautas prefijadas se fundamenta en la realización de una

regresión por mínimos cuadrados parciales sobre unas variables categóricas denominadas dummy.
El método de regresión por mínimos cuadrados parciales (PLS) se describirá más detalladamente
en el apartado de métodos cuantitativos, si bien es necesario hacer una breve referencia.
Básicamente, un método PLS trata de concentrar la información relevante contenida en las

variables medidas, en un número menor de variables sin pérdida de información relevante; en la
construcción de estas nuevas variables se tiene en cuenta el dato de referencia. La regresión se
realiza con estas nuevas variables, simplificando el modelo de calibración y la interpretación de
los resultados. Dependiendo si el modelo se realiza para un solo analito o dato de referencia o
56
QUIMIOMETRÍA
para varios a la vez, tendremos las modalidades de PLS 1 y PLS 2 respectivamente (Brereton,
2003; Vandeginste, et al., 1998).
Puesto que en el desarrollo del modelo se conoce a priori el grupo al cual pertenecen las
muestras, se organizan archivos que contengan los espectros de todas las muestras pertenecientes
a una misma clase, tantos como clases existan. Automáticamente se genera una matriz temporal
con las muestras de todas las clases y unas nuevas variables dummy, tantas como clases existan.
El porcentaje de muestras correctamente clasificadas en las clases a las que pertenecen indica
finalmente la bondad del modelo desarrollado. Si la predicción se realiza sobre las muestras que
han servido para desarrollar el modelo estaremos realizando la validación interna del mismo, por
el contrario, si las muestras son distintas a las utilizadas en la obtención del modelo estaremos
realizando una validación externa.
8.2.3. Agrupamiento mediante el algoritmo de K–medias
El agrupamiento mediante el algoritmo de K–medias es uno de los métodos no supervisados

más simples para la clasificación de muestras en un número de grupos a determinar por el usuario.
Este método, agrupa las muestras de acuerdo a su grado de similitud. Analiza las variables
independientes y forma grupos con características similares en cuanto a estas variables. El número
de grupos (𝑘) debe ser elegido a priori por el usuario, quien debe de disponer de la información
necesaria para realizar esta elección.
Inicialmente, el algoritmo define 𝑘 centroides maximizando la distancia que separa unos de

otros. Seguidamente, cada punto perteneciente al set de datos es asignado al grupo del centroide
más próximo. Cuando todos los puntos han sido asignados a un grupo, los centroides son
recalculados como los baricentros de los grupos creados previamente. Tras esto, vuelven a
reasignarse todos los puntos al grupo cuyo centroide es más cercano y se recalculan los centroides.
El proceso se repite hasta que el cálculo de los centroides arroja unos resultados suficientemente
similares a los del paso anterior dando por finalizado el proceso iterativo (MacQueen, 1967).
8.2.4. Análisis de componentes principales (PCA)
El análisis de componentes principales (PCA), es un método de análisis quimiométrico

cualitativo habitual en análisis multivariante. Mediante reconocimiento de pautas, el objetivo es
reducir el número de variables iniciales, sin perder información y así poder observar estructuras
y tendencias en las muestras.
El PCA (Deane, 1992) consiste en:
57
INTRODUCCIÓN
 Estimar la dimensionalidad real de los datos de las muestras estudiadas; y reducir

esta dimensionalidad manteniendo la información relevante del sistema.
 Calcular un nuevo sistema de coordenadas, para lo que se buscan las direcciones
que expliquen la máxima variabilidad en los datos de las muestras. Estos nuevos ejes se
denominan componentes principales (PCs). Así el primer componente principal es la
dirección que explica la máxima variabilidad de los datos de las muestras; el segundo, se
escoge de forma que sea perpendicular al primero, y que explique la máxima variabilidad
de los datos de las muestras una vez restada la explicada por el primer componente
principal y así sucesivamente.
 Definir estos nuevos ejes matemáticamente, mediante cargas o pesos (loadings)
que son los cosenos de los ángulos que forman cada uno de estos nuevos ejes con los
antiguos, y las puntuaciones (scores) que son las coordenadas en estos nuevos ejes, de tal
forma que:
Espectro de la muestra = (score 1) (loading 1) + (score 2) (loading 2)
+… …+ ruido espectral (E ~ residual)
Los componentes principales se pueden interpretar geométricamente de tal forma que el
espectro medido a 𝐽 longitudes de onda, constituye un conjunto de 𝐽 variables que puede ser
descrito como un vector. Se puede construir un espacio de 𝐽 dimensiones, de tal manera, que cada
dimensión corresponda a una de las longitudes de onda, y se pueda representar el mismo objeto
como un punto en ese nuevo espacio. Si tenemos 𝑀 muestras, se pueden representar como 𝑀
puntos en el espacio de 𝐽 dimensiones. El objetivo del PCA es hallar las direcciones en que están
agrupados los ⁡𝑀 puntos de los objetos en el espacio de 𝐽 dimensiones, y reducir el sistema inicial
𝐽 dimensional a uno 𝐴 dimensional, con 𝐴 < 𝐽 manteniendo la información relevante del sistema.
Geométricamente es un cambio de ejes, representando esas muestras en un sistema de
coordenadas con un número inferior de ejes al utilizado inicialmente.
Figura 11. Descomposición de un conjunto de espectros mediante análisis de componentes

principales
58
QUIMIOMETRÍA
Otra propiedad muy importante de los PCs es la ortogonalidad. El método busca las
direcciones ortogonales que expliquen la máxima variabilidad de los datos de las muestras,
utilizando estas direcciones como nuevos ejes de coordenadas o PCs.
Resumiendo, el PCA se utiliza para reducir el número de variables originales correlacionadas,

a un número de variables no correlacionadas en un nuevo sistema de ejes ortogonales
denominados PCs.
El método para el procesado de datos o escalado será un centrado de datos, el valor medio
corresponde al centro del modelo y los valores de todas las variables se refieren a ese centro.
La detección de espectros fuera de la población (outliers) se lleva a cabo utilizando la distancia

de Mahalanobis (𝐻). Se establece la diferencia espectral de una muestra respecto a la media
espectral del conjunto de muestras (𝐻), tomando como valor límite 𝐻 = 3, de forma que aquellos
espectros cuya distancia 𝐻 sea superior a 3.0 se desechan. Las muestras con los datos espectrales
originales se ordenan de acuerdo con la distancia de Mahalanobis (𝐻) obtenida anteriormente,
esto resulta muy útil en procesos posteriores a la hora de construir los grupos de validación
cruzada, de manera que los subgrupos resulten homogéneos. También mediante este proceso de
análisis de componentes principales se puede observar qué muestras resultan espectralmente
diferentes, sin rebasar el valor de 𝐻 = 3, con objeto de decidir su inclusión en el conjunto de
calibración.
Mediante este análisis de componentes principales se puede determinar si una nueva muestra
está dentro del espacio determinado por el conjunto de calibración cuantitativa mediante la
distancia de Mahalanobis (𝐻) con valor límite de 3, antes de realizar una medida cuantitativa.
Aquellas muestras que no pertenezcan al espacio espectral no deben ser predichas, se debe realizar
un análisis de referencia y guardar el espectro para una posible ampliación del modelo. Durante
el análisis de muestras es importante registrar la distancia de Mahalanobis a la muestra vecina
(𝑁𝐻). Usando el valor de 𝑁𝐻 pueden crearse subgrupos de muestras con características
espectrales similares dentro del conjunto global de muestras. Este parámetro tiene gran interés
cuando se dispone de un set de muestras demasiado amplio. Seguidamente, una muestra de cada
subgrupo es elegida para representar a este. De esta manera puede conseguirse un submuestreo
representativo del set global de muestras (Infrasoft International LLC, 2000).
59
INTRODUCCIÓN
8.3. Análisis cuantitativos utilizados
8.3.1. Regresión por mínimos cuadrados parciales modificados (MPLS)
La regresión por mínimos cuadrados parciales modificados (MPLS) es un método de análisis

quimiométrico cuantitativo habitual en análisis multivariante. Se basa en que la información
contenida en las variables medidas se puede concentrar en un número menor de variables sin
pérdida de información relevante. La regresión se realiza con estas nuevas variables, no con los
datos originales, simplificando el modelo de calibración y la interpretación de los resultados
(Brereton, 2003).
El método PLS de calibración es útil para resolver problemas de calibración que contienen un
número elevado de variables y relativamente pocas muestras basándose en una reducción de
variables. Éste es el caso de técnicas espectroscópicas, como la espectroscopía en el infrarrojo
cercano, infrarrojo medio o Raman. Las nuevas variables creadas, denominadas variables latentes,
factores o componentes, son combinación lineal de las variables originales.
Durante la etapa de calibración, el algoritmo PLS utiliza tanto la información contenida en la

matriz de los datos espectroscópicos (matriz 𝑋), como la información contenida en la matriz de
datos de referencia (matriz 𝑌); teniendo en cuenta ambas informaciones, el método reduce el
impacto de grandes pero irrelevantes variaciones en la matriz 𝑋 en el calibrado, se busca además
la máxima variabilidad en la matriz 𝑋 y la mayor correlación con la matriz 𝑌 (Hüskuldsson, 1996).
Además, PLS realiza la regresión en un espacio ortogonal, evitando los problemas derivados de
la colinealidad entre las variables, el centrado de los datos se realiza en las matrices 𝑋 e 𝑌.
60
QUIMIOMETRÍA
Figura 12. Esquema general de obtención de modelos PLS
En la Figura 12 se observa la descomposición de la matriz espectral y la que contiene los

parámetros a modelar (𝑋 e 𝑌) mediante PLS, siendo 𝑇, matriz de las puntuaciones (scores), el
nexo común entre ambas. Las matrices 𝑃 y 𝑄 representan los pesos (loadings), mientras que las
matrices 𝐸 y 𝐹 representan los errores o residuales de la descomposición de las diferentes
matrices. El número de muestras corresponde a 𝑀; 𝐴 es el número de variables latentes obtenidas
y 𝑁 indica el número de parámetros a modelar (Brereton, 2003; Vandeginste et al., 1998).
En la matriz ⁡𝑌, el número de columnas (𝑁) representa el número de parámetros a modelar, si

𝑁 = 1 se estaría modelando para un único parámetro, dando lugar al denominado PLS 1. Sin
embargo si 𝑁 toma un valor distinto a la unidad se estarían modelando varios parámetros de forma
simultánea, dando lugar al denominado PLS 2.
En esta memoria se ha elegido el método MPLS (Modified Partial Least Squares), un PLS
modificado. La modificación reside en que los residuales de los espectros a cada longitud de onda
(obtenidos después de calcular cada factor, variable latente o componente) se estandarizan, es
decir, se dividen por la desviación estándar de los residuales a cada longitud de onda, antes de
calcular el siguiente factor o variable latente; lo que hace a este algoritmo más estable y preciso
que un PLS normal (Infrasoft International LLC, 2000). Al modelar uno a uno los parámetros se
trata de una modificación de un algoritmo PLS 1.
61
INTRODUCCIÓN
El objetivo de la calibración es obtener unos parámetros que permitan calcular la

concentración en futuras muestras, de forma que el residual (diferencia entre el valor de referencia
y el predicho) de los datos calculados sea el menor posible. Teniendo en cuenta esto, se evaluará
la capacidad de predicción del modelo. Se intenta que los primeros factores o variables latentes
contengan la mayor información para la predicción de las muestras. La elección del número de
factores o variables latentes se puede realizar de diversas formas; una de las más extendidas es
mediante la validación cruzada, procedimiento por el que el conjunto original se divide en varios
grupos de forma que se utiliza un grupo para comprobar los resultados (validar) y el resto para
construir el modelo, dejando cada vez un grupo fuera, el proceso se repite tantas veces como
subgrupos se formen. De esta manera se evitan los sobreajustes, atendiendo al valor del error
estándar de validación cruzada (SECV) que, de forma aproximada, se puede decir que es
equivalente al error estándar de predicción (SEP) de 10 muestras elegidas al azar (Brereton, 2003;
Vandeginste, et al., 1998).
En el proceso de elección del número de factores o variables latentes se comienza por

establecer un SECV mínimo y, a partir de éste, se calcula el máximo SECV aceptable (5%
superior al mínimo). Se identificará el SECV que con el menor número de factores o variables
latentes sea inferior al máximo SECV aceptable, eligiéndose ese número de factores o variables
latentes para desarrollar el modelo.
Durante este proceso también son detectadas muestras con altos residuales, diferencias entre
el valor de referencia y el predicho. Se utiliza el criterio 𝑇, de forma que aquellas muestras cuyo
residual dividido por el SECV del proceso supere el valor de 2.5 serán eliminadas del conjunto
de calibración.
𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙
𝑇=
𝑆𝐸𝐶𝑉
Este procedimiento se repite dos veces para obtener finalmente el modelo. Algunos de los
parámetros que se obtienen de la ecuación de calibración son:
 RSQ: coeficiente de correlación múltiple; se utiliza para medir el grado con el

que el calibrado ajusta los datos.
2
∑𝑁
𝑖=1(𝑦𝑐𝑎𝑙𝑖 − 𝑦
̂𝑡𝑒𝑜𝑖 )
𝑅𝑆𝑄 = 1 − ( 2 )
∑𝑁
𝑖=1(𝑦
̂𝑡𝑒𝑜𝑖 − 𝑦̅)
 SEC: error estándar de calibración.

1
2 2
∑𝑁
𝑖=1(𝑦𝑐𝑎𝑙𝑖
− 𝑦̂𝑡𝑒𝑜𝑖 )
𝑆𝐸𝐶 = ( )
𝑁−𝑝−1
62
QUIMIOMETRÍA
 BIAS: se define como la media de los residuales, siendo éstos la diferencia entre
el valor del laboratorio (𝑦𝑐𝑎𝑙𝑖 ) y el valor predicho (𝑦̂𝑡𝑒𝑜𝑖 ).
𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙, 𝑓𝑖𝑗 = (𝑦𝑐𝑎𝑙𝑖 − 𝑦̂𝑡𝑒𝑜𝑖 )
𝑁
1
𝐵𝐼𝐴𝑆 = ∑(𝑦𝑐𝑎𝑙𝑖 − 𝑦̂𝑡𝑒𝑜𝑖 )
𝑁
𝑖=1
 SECV: error estándar de validación cruzada.

1
2 2
∑𝑁
̂𝑡𝑒𝑜𝑖 − 𝐵𝐼𝐴𝑆)
𝑆𝐸𝐶𝑉 = ( )
𝑁−1
 Intervalo de aplicabilidad: valores máximo y mínimo del parámetro de referencia

para los cuales se puede utilizar la ecuación.
En estas ecuaciones 𝑦𝑐𝑎𝑙𝑖 e 𝑦̂𝑡𝑒𝑜𝑖 son, respectivamente, los datos calculados y teóricos para
cada una de las i‒muestras, 𝑦̅ es el valor medio de las datos calculados, 𝑁 es el número de
muestras utilizadas en el calibrado y 𝑝 es el número de factores de la regresión.
Una vez obtenido el modelo, se puede proceder a la validación interna mediante la predicción
de los valores del parámetro de referencia en las mismas muestras que finalmente forman parte
del modelo. Algunos de los parámetros que se utilizan para estimar la bondad del modelo son:
• RSQ: obtenido al realizar una regresión entre los valores de referencia y los predichos
mediante los datos espectroscópicos.
• SEP: error estándar de predicción.
1
2 2
∑𝑁
𝑆𝐸𝑃 = ( )
𝑁
• SEP(C): error corregido por el BIAS.
1
2 2
∑𝑁
̂𝑡𝑒𝑜𝑖 − 𝐵𝐼𝐴𝑆)
𝑆𝐸𝑃(𝐶) = ( )
𝑁−1
En estas ecuaciones 𝑦𝑐𝑎𝑙𝑖 e 𝑦̂𝑡𝑒𝑜𝑖 son, respectivamente, los datos calculados y teóricos para
cada una de las i‒muestras y 𝑁 es el número de muestras utilizadas para realizar la validación
interna.
63
INTRODUCCIÓN
Además, para comprobar la robustez del modelo de calibración, se realiza una validación
externa, aplicando las ecuaciones a un conjunto de muestras que no pertenecen al colectivo de
calibración. Algunos de los parámetros que se pueden evaluar son:
• Media de los residuales.

• Porcentaje de error respecto al valor de referencia.
• RMSE: error cuadrático medio (root mean standard error).
1
2 2
∑𝑁
𝑅𝑀𝑆𝐸 = ( )
𝑁
En esta ecuación 𝑦𝑐𝑎𝑙𝑖 e 𝑦̂𝑡𝑒𝑜𝑖 son respectivamente, los datos calculados y teóricos para cada
una de las i‒muestras y 𝑁 es el número de muestras utilizadas para realizar la validación externa.
La fórmula es la misma que se emplea en validación interna (para el SEP), pero aplicada a
muestras que no pertenecen al colectivo de calibración. La utilización del término SEP para
referirse a este parámetro en validación externa se puede encontrar de forma habitual en la
bibliografía, indicando que se refiere a dicho tipo de validación.
64
OBJETIVOS GENERALES
OBJETIVOS GENERALES
El objetivo general de este trabajo pretende dar respuesta a la demanda de estrategias
enológicas sostenibles, alternativas a la vinificación tradicional, para hacer frente al problema de
inestabilidad cromática de los vinos tintos. Para ello, se evaluará mediante técnicas
espectroscópicas la aptitud fenólica de la uva de vinificación y el potencial de la viruta cruda de
madera de roble, subproducto de tonelería, como coadyuvante de vinificación.
En concreto se han planteado los siguientes objetivos específicos:
 Conocer el efecto que tiene la adición de chips tostados de madera de roble como fuente de
copigmentos en la extracción de compuestos antociánicos en hollejo de uva tinta clasificada
como uva con bajo contenido extraíble, predicho a partir de un modelo desarrollado
previamente por análisis de imagen hiperespectral NIR.
 Desarrollar métodos rápidos y no destructivos mediante análisis de imagen hiperespectral

en el infrarrojo cercano para la estimación del contenido total y contenido extraíble de
fenoles totales y flavanoles en semillas de uva tinta y el contenido fenólico extraíble en
viruta cruda de roble.
 Evaluar la viabilidad del uso de un dispositivo portátil miniaturizado de espectroscopía de

infrarrojo cercano, MicroNIRTM, para la estimación in situ del contenido fenólico extraíble
en hollejos de uva tinta y virutas crudas de roble.
 Estudiar mediante espectroscopía vibracional (espectroscopía en el infrarrojo medio y

Raman) y microscopía electrónica de barrido la relación existente entre la estructura de la
pared celular y la extractabilidad de compuestos fenólicos en virutas de roble.
 Determinar, en situaciones reales de vinificación en tinto, el efecto de la adición post-

fermentativa de viruta de madera cruda, sobre la composición química y la calidad
cromática de vinos tintos de variedad Syrah.
67
GENERAL OBJECTIVES
The main aim of this work is to meet the demand for sustainable oenological strategies,
alternatives to traditional winemaking, to cope the problem of chromatic instability of red wines.
For this purpose, the phenolic capability of grapes and the suitability of raw oak wood shavings,
cooperage byproduct, as processing aids, are evaluated by spectroscopic analysis tools.
In particular, the following specific aims have been proposed:
 To evaluate the influence of oak wood chips, as copigment sources, on the anthocyanin
extraction from red grape skins. Those grapes were previously classified by near infrared
hyperspectral image analysis as low-extractable anthocyanin grapes.
 To develop fast and non-destructive methods using near infrared hyperspectral imaging
for the screening of total content and extractable content of total phenols and flavanols in
red grape seeds and total phenolic content in oak wood shavings.
 To check the feasibility of a portable micro near infrared spectroscopy device,

MicroNIRTM, for in situ screening of extractable polyphenolic content in red grapes and
raw oak wood shavings, cooperage byproduct.
 To evaluate the relationship between cell wall structure and the extractability of phenolic
compounds from oak wood shavings, cooperage byproduct, by vibrational spectroscopy
(Fourier transform infrared and Raman) and scanning electron microscopy.
 To assess, in a real red vinification process, the effect of post-fermentative addition of

raw wood shaving, as cooperage byproduct, on chemical composition and chromatic
quality of Syrah red wines.
69
MATERIALES Y MÉTODOS
1. MUESTRAS
1.1. Uva
Se han utilizado muestras de uva tinta de dos viñedos pertenecientes a la región del Condado
de Huelva (Andalucía, España). En concreto, se han tomado uvas de dos variedades de Vitis
vinifera L., Tempranillo y Syrah. La variedad Tempranillo es originaria del valle del Ebro (Rioja
y Aragón) aunque su cultivo se encuentra ampliamente extendido por el resto de las regiones
vitícolas españolas. Por su parte, Syrah es una variedad de uva tinta, procedente del valle del
Ródano, conocida por su fácil adaptación a condiciones de clima cálido como las que se dan en
la zona (Gordillo, et al., 2012).
Se llevaron a cabo muestreos específicos para los diferentes estudios en los que se utiliza la
uva como matriz pero en todos ellos se ha mantenido una metodología de muestreo similar
siguiendo una modificación del método propuesto por Bergqvist, et al. (2001): en cada parcela se
eligieron y marcaron cuatro hileras de vides separadas entre sí y de los extremos de la parcela por
al menos tres hileras más. De esta forma se pretende cubrir la mayor parte de cada viñedo para
considerar la posible heterogeneidad entre distintas zonas. Se tomó un grano de uva por cada
planta, teniendo la precaución de tomar de distintas partes del racimo (zonas inferior, superior y
media) y cortando el pedicelo para evitar procesos oxidativos tras el muestreo. Con el objetivo de
evitar la recogida de muestras poco representativas solo se recogió uva a partir de la quinta vid en
cada hilera. Para reducir la influencia de la orientación solar, el muestreo se realizó en las zonas
de solana y umbría de cada hilera (Figura 13).
Figura 13. Esquema de muestreo de uva
73
1.2. Vino tinto
Para el ensayo de vinificación experimental realizado en esta memoria los vinos fueron
elaborados a partir de uva tinta Vitis vinifera L. de variedad Syrah, cultivada en un viñedo de la
región del Condado de Huelva, correspondiente a la campaña de vendimia 2016. Los vinos fueron
elaborados en la bodega experimental que el grupo de investigación tiene en la Bodega
“Cooperativa Nuestra Sra. Del Socorro” en Rociana del Condado (Huelva), siguiendo el método
tradicional de vinificación en tinto y procurando que las condiciones de vinificación fueran
similares en todos los vinos.
Para su elaboración, la masa de vendimia (uvas despalilladas y trituradas) se distribuyó en seis

tanques de 220 litros de capacidad donde se desarrolló la fermentación. Durante esta fase, se
hicieron bazuqueosuna vez al día. Pasado este tiempo, los vinos fueron descubados a nueve
depósitos de acero inoxidable de 50 litros de capacidad para llevar a cabo tres tratamientos post-
fermentativos, por triplicado:
 Vinos elaborados por vinificación tradicional (sin adición post-fermentativa), como vino
de control (3 depósitos).
 Vinos con 30 días de maceración post-fermentativa con viruta cruda de roble americano,
subproducto de tonelería, agregando 12 g L-1 de virutas (3 depósitos).
 Vinos con doble maceración post-fermentativa: adición de 12 g L-1 de virutas (30 días) y
una segunda adición de 12 g L-1 de virutas (30 días) una vez eliminada la primera adición
(3 depósitos).
74
Figura 14. Esquema del proceso de vinificación experimental
Simultáneamente a la adición de virutas, se inocularon bacterias de ácido láctico para estimular

el desarrollo de la fermentación maloláctica. Los vinos se mantuvieron en tanques de acero
inoxidable hasta el final de la maceración post-fermentativa y durante el proceso de estabilización.
La elaboración del vino fue cuidadosamente seguida analizando muestras de vino de forma
periódica desde un punto de vista enológico.
Para cada vino elaborado, se tomaron muestras en diferentes momentos de la vinificación,

hasta el momento de su embotellado. Los resultados del seguimiento analítico de este ensayo se
describen en el Capítulo 7 de esta memoria.
1.3. Madera de roble, subproducto de tonelería
En parte de los ensayos realizados en esta memoria se ha utilizado viruta cruda de roble
americano (Quercus alba L.), subproducto de tonelería, suministrada por Tonelería Salas S.L.
(Bollullos Par del Condado, Huelva, España).
Una vez recibida en la tonelería, la madera se somete a un proceso de secado natural al aire
libre durante, aproximadamente, 24 meses. A continuación, antes del ensamblaje, se hace
necesario dar forma a los listones de madera, que deberán presentar su medida definitiva, la cara
75
externa alisada y curvada la interna, los extremos estrechados y los cantos en bisel. Para ello, la
madera se somete a procesos de serrado (A y B) y cepillado (C) en dirección longitudinal a las
fibras. Para fabricar los fondos de las barricas se unen varias duelas y se sierran en forma circular.
Los bordes de los fondos se cepillan (D), en este caso en dirección transversal a las fibras, para
conseguir una superficie en bisel y alisada que permita un ensamblaje correcto.
Durante estas etapas iniciales del proceso de elaboración de las barricas se generan las virutas
de madera (A, B, C y D) que son utilizadas en los diferentes estudios de esta memoria. Todas las
muestras utilizadas son muestras de madera cruda, es decir, han sido generadas antes del tostado
de las duelas.
Figura 15. Viruta de madera cruda de roble americano, subproducto de tonelería, generada en
diferentes etapas del proceso de fabricación de las barricas (A, B, C y D)
Tras la recepción, las muestras fueron tamizadas utilizando dos tamices de luz de malla de 2
mm y 10 mm colocados en tándem. Solo se utilizaron en los ensayos la fracción de muestra
retenida entre ellos. Finalmente, las muestras se colocaron en bolsas herméticas y se almacenaron
en un lugar seco hasta la realización de los correspondientes análisis.
Las particularidades del muestreo de los diferentes estudios que utilizan viruta de roble se
detallan en los capítulos correspondientes.
76
2. TECNICAS ESPECTROSCÓPICAS
2.1. Análisis de imagen hiperespectral
2.1.1. Material y equipos
- Cámara Xenics® XEVA–USB InGaAs (320 x 256 píxeles).
- Espectrógrafo Specim ImSpector N17E Enhanced.
- Lámparas halógenas wolframio‒yodo 70 W (PRILUX®).
- Estándar de reflectancia difusa Spectralon®.
- Ordenador Pentium IV–2.66 GHz. Windows XP.
- Software SpectralDAQ v. 3.62. (Spectral Imaging Ltd.)
2.1.2. Adquisición de imágenes hiperespectrales
Para la adquisición de los datos hiperespectrales, se ha usado un sistema de imagen

hiperespectral (Infaimon S.L., Barcelona, España) compuesto por fuente de iluminación, escáner,
sistema óptico, espectrógrafo, cámara y ordenador. La Figura 16 muestra un esquema del montaje
de este sistema para la adquisición de datos hiperespectrales.
La cámara hiperespectral es el equipo compuesto por las partes d, e, f y g de la Figura 16 y

proporciona una imagen que contiene, para cada píxel, el espectro en la región de infrarrojo
cercano (NIR) desde 900 a 1700 nm con una resolución de 3.25 nm. La muestra se sitúa en la
parte inferior del equipo, sobre una bandeja de polietileno (b). Una estructura (a) soporta el equipo
y las fuentes de iluminación (c), dirigidas hacia la muestra con un ángulo de incidencia de 45º.
De esta forma se consigue disminuir la componente especular de la reflectancia y maximizar la
componente difusa. Las fuentes de iluminación deben permanecer encendidas durante al menos
10 minutos antes del comienzo de las medidas para su correcto funcionamiento y estabilización.
La luz reflejada por la muestra llega a un escáner (d) que permite recoger diferentes zonas
espaciales de la muestra con la ayuda de un espejo giratorio. El haz de luz reflejado por el espejo
se dirige en cada momento a través del sistema óptico (e), donde una lente focaliza la luz sobre el
espectrógrafo (f) y ésta se descompone según las diferentes longitudes de onda. La cámara (g),
que cuenta con un sensor del tipo InGaAs, recoge estos datos y los envía al sistema informático
(h). El sistema informático compone el hipercubo, es decir, el archivo con la información espacial
(𝑥 e 𝑦) y espectral (𝜆) de la muestra.
77
Figura 16. Representación esquemática de la cámara hiperespectral utilizada.
Las imágenes son registradas usando una frecuencia de adquisición de líneas (frames) de
50 Hz y un tiempo de exposición de 9 ms. Todo el sistema está gobernado por el software
SpectralDAQ v. 3.62, (Spectral Imaging Ltd, 2010).
Los archivos recogidos contienen las reflectancias absolutas de cada píxel. Para relativizarlos
y poder comparar las medidas entre distintas fechas, e incluso entre diferentes equipos, se realiza
una calibración de la reflectancia de doble punto. Esta calibración se realiza gracias a la
adquisición de la imagen hiperespectral de un blanco de referencia (Spectralon®, NH, EE.UU.) y
de la corriente oscura del equipo. A cada una de las imágenes tomadas se le aplica el siguiente
algoritmo, pixel a pixel, para pasar de reflectancias absolutas a reflectancias relativas:
𝑆−𝐷
𝑅=
𝑊−𝐷
Siendo 𝑅 la reflectancia corregida o relativa y 𝑆, 𝑊 y 𝐷 las reflectancias absolutas de la

muestra, del blanco de referencia y de la corriente oscura respectivamente.
2.1.3. Segmentación de las imágenes hiperespectrales
En la mayoría de los casos, los hipercubos generados en análisis de imagen hiperespectral

contienen tanto información de interés, o perteneciente a la muestra, como información no
relevante. Es posible seleccionar manualmente las zonas de cada hipercubo que contienen
78
información de interés con el objetivo de tener en cuenta únicamente los datos espectrales de estas
zonas. Sin embargo, sería un proceso tedioso para cuando se mide un gran número de muestras,
como es el caso de los estudios recogidos en la presente memoria. La selección de las zonas que
contienen información de interés puede automatizarse mediante algoritmos informáticos, lo que
se conoce como segmentación.
Para segmentar las imágenes hiperespectrales se han utilizado modificaciones de los métodos
descritos en Hernández-Hierro, et al. (2013) y Rodriguez-Pulido, et al. (2014). Mediante análisis
discriminante lineal por pasos hacia adelante se seleccionaron las longitudes de onda que tienen
más poder discriminante para diferenciar entre el fondo y la muestra, y se calcularon la función o
funciones discriminantes. Seguidamente, estas funciones fueron implementadas en Matlab®
R2012b (The MathWorks, 2012), mediante un algoritmo que permitió la automatización de la
segmentación de las imágenes. Este algoritmo tiene como objetivo clasificar cada píxel de la
imagen hiperespectral en dos clases (muestra o no muestra) usando los valores de reflectancia de
las longitudes de onda seleccionadas. Finalmente el algoritmo calcula, para cada imagen, el
espectro de reflectancia medio de los píxeles clasificados como muestra, le aplica la
transformación 𝑙𝑜𝑔(1/𝑅) y combina todos los espectros obtenidos para las diferentes muestras
en una matriz espectral.
2.2. Espectroscopía portátil
- Espectrómetro MicroNIRTM Pro Lite 1700 (VIAVI) (Santa Rosa, EE.UU.)
- Cable USB
- Accesorio protector con ventana de zafiro antirreflejante
- Soporte para viales

-
Estándar de reflectancia difusa Spectralon®
-
Vial con estándar de reflectancia difusa
- Viales de vidrio de 5 mL
- Tablet PC iRULU. Windows 10.
- Software MicroNIRTM Pro v.2.2 (VIAVI)
79
Figura 17. Espectrómetro MicroNIR Pro Lite 1700 y accesorios de medida
2.2.2. Adquisición de datos espectrales
Para la adquisición de parte de los datos espectrales registrados en esta memoria se ha utilizado
un espectrofotómetro NIR portátil (MicroNIRTM Pro Lite 1700), un dispositivo creado y diseñado
por la empresa VIAVI (Santa Rosa, CA, EE.UU.) que permite medir reflectancia difusa y/o
transmitancia en la región NIR del espectro electromagnético, si bien, y esto es lo que le diferencia
de otros espectrómetros, posee la peculiaridad de un diseño compacto, sin partes móviles y
dimensiones muy reducidas.
Este dispositivo incorpora tecnología óptica de alta precisión utilizando como elemento
dispersivo un filtro lineal variable de película delgada (LVF). Se trata de un filtro paso banda de
Fabry-Perot, cuyo revestimiento se dispone intencionadamente en forma de cuña en una dirección
y, como resultado del espesor variable de la película, la longitud de onda transmitida a través del
filtro varía linealmente en la dirección de la cuña. El LVF está directamente acoplado a un detector
de barrera de diodos de InGaAS de 128 píxeles que cubre el rango espectral entre 908 y 1676 nm
con una resolución espectral de 6.2 nm. El LVF hace que cada píxel del detector responda a una
longitud de onda diferente.
Este núcleo espectroscópico ultracompacto está acoplado con electrónica de lectura

miniaturizada y un sistema de iluminación difusa compuesto por dos lámparas de tungsteno. La
unidad se alimenta a través de un puerto USB y posee un peso de 64 g y un diámetro de 50 mm.
80
En la Figura 18 se muestra un esquema del diseño y principio de funcionamiento del

MicroNIR.
Figura 18. Esquema del diseño y funcionamiento del espectrómetro MicroNIR, adaptado del
manual de usuario del equipo
En el modo de reflexión difusa dos lámparas de tungsteno integradas iluminan una región de
la muestra que tiene aproximadamente 3 mm de diámetro, a una distancia de 3 mm del
instrumento. La radiación reflejada difusa se recoge y se dirige nuevamente al motor espectral,
donde es leída y transformada por la electrónica del equipo para ser mostrada, en forma de
espectro, en la pantalla conectada al equipo vía USB.
Los espectros se registran usando el software MicroNIRTM Pro v.2.2 (VIAVI, Santa Rosa,
California, USA). Antes de cada registro, es necesario realizar una calibración automática de
doble punto usando un material cerámico Spectralon® como referencia blanca (100% de
reflectancia), mientras que la corriente oscura (0% de reflectancia) se registra al aire, situando el
dispositivo a no menos de 0.5 metros de cualquier objeto.
En las dos aplicaciones en las que se ha utilizado este equipo en la presente memoria, las
medidas se han realizado utilizando un accesorio protector con ventana de zafiro que facilita la
medida.
81
2.3. Espectroscopía de infrarrojo mediante transformada de Fourier con

reflexión total atenuada (ATR‒FTIR)
- Espectrómetro Spotligh 400 FTIR Perkin Elmer® (MA, EE.UU.).
- Detector High‒quality MCT (mercurio, cadmio y teluro) de amplio intervalo espectral.
- Accesorio para medidas de reflectancia total atenuada (ATR).
- Accesorio para medidas de imágenes ATR.
- Software Spectrum 10TM.
2.3.2. Medidas ATR‒FTIR
La adquisición de espectros ATR‒FTIR se realizó utilizando el espectrómetro Perkin Elmer ®

(MA, EE.UU.) Spotlight 400N FTIR junto con el accesorio universal para medir reflectancia total
atenuada (ATR). Este accesorio proporciona una superficie de medida plana de diamante que
permite comprimir la muestra para asegurar una correcta superficie de contacto durante la medida.
Usando este accesorio, el haz infrarrojo se proyecta para que atraviese el cristal de diamante, que
tiene un elevado índice de refracción. La onda evanescente llega hasta la muestra, en íntimo
contacto con el cristal, con la que interacciona produciéndose la absorción de parte de la energía,
mientras que la otra parte es reflejada hasta la cara interna del cristal que, de nuevo, la refleja
hasta la muestra, donde vuelve a ocurrir la absorción, y así sucesivamente. Este avance en zigzag,
produce la atenuación del haz hasta que, finalmente, llega al detector.
Se trata de un método muy versátil que permite la medida de muestras líquidas y sólidas sin
prácticamente preparación de las mismas. De esta forma, el accesorio ATR permite que la
interacción entre la radiación electromagnética y la muestra no sea puntual, si no que se distribuya
por toda la superficie de contacto.
El equipo cuenta con un detector High‒quality MCT basado en semiconductores a base de

mercurio, cadmio y teluro, modificando el dopaje del mismo para ampliar su intervalo de
sensibilidad, pudiendo medir desde 580 cm-1 a 7800 cm-1. Sin embargo, el intervalo de medida
más utilizado es desde 600 a 4000 cm-1, donde el detector tiene una mayor sensibilidad y donde
aparecen la mayoría de las absorciones debidas a vibraciones fundamentales de los enlaces más
comunes en muestras biológicas.
Para la realización de los estudios descritos en la presente memoria, los espectros se obtuvieron
realizando 8 escaneos en el intervalo comprendido entre 650 y 4000 cm-1, con una resolución
82
espectral de 4 cm-1. Las muestras se fijaron en el accesorio ATR controlando que la presión
aplicada fuera la misma para todas ellas. Además, se midió el espectro de fondo (aire) y el equipo
lo sustrajo de forma automática de todas las medidas.
2.3.3. Medidas de imágenes ATR-FTIR
Para la adquisición de las imágenes ATR‒FTIR se utilizó el mismo espectrómetro Perkin

Elmer® (MA, EE.UU.) Spotlight 400N FTIR pero en este caso adaptado con un accesorio de
imágenes ATR, un cristal de germanio con índice de refracción de 4.0 y dimensiones de ~ 600 μm
× 600 μm. Este accesorio proporciona una superficie sobre la que es posible comprimir la muestra
para asegurar una correcta superficie de contacto durante la medida y permite la recolección de
imágenes ATR de un área de muestra identificada previamente de forma visual con microscopio.
Para asegurar un buen contacto óptico durante la recolección de datos, el accesorio incluye un
mecanismo que aplica una fuerza de compresión constante y controlable entre la muestra y el
cristal ATR.
Este equipo permite analizar grandes áreas de muestra en minutos o segundos en lugar de
horas. Su alta sensibilidad permite detectar las muestras más pequeñas, mientras que su velocidad
mejora el tiempo de resolución de problemas, extendiendo así el análisis IR a aplicaciones con un
rango de medida de 4500 cm-1 a 720 cm-1.
Las imágenes espectrales se adquirieron en el intervalo espectral entre 750 y 4000 cm-1, en
una región de 500 μm x 500 μm del cristal ATR, con un tamaño de píxel de 6.25 μm x 6.25 μm,
4 escaneos por píxel y una resolución espectral de 8 cm-1. Para realizar la medida, el cristal ATR
se colocó suavemente en contacto con la muestra utilizando la presión suficiente para garantizar
un buen contacto entre la muestra y el cristal pero evitando el deterioro de la misma. El espectro
de fondo se adquirió en ausencia de muestra y evitando el contacto entre el cristal y el soporte.
Cada píxel de la imagen registrada corresponde a un espectro de alta calidad y al utilizar las
rutinas del Software Spectrum 10TM integrado de Spotlight, las imágenes registradas son imágenes
que muestran rápidamente la distribución de los diferentes componentes de las muestras a partir
de las diferencias espectrales entre los píxeles y por tanto eventuales diferencias químicas.
2.4. Espectroscopía Raman
- Espectrómetro Horiba® Jobin–Yvon LabRAM HR800 (CA, EE.UU.)
83
- Detector CCD de intervalo dinámico de 16 bits, refrigerado a –70 ºC.
- Láser de alta eficacia Horiba® de 785 nm y 300 mW.
- Microscopio dual.
- Objetivos ×50 Olympus®.
- Software LabSpec 6 Horiba®.
2.4.2. Medidas Raman
La adquisición de espectros Raman se realizó utilizando el espectrómetro Horiba® (CA,

EE.UU.) Jobin–Yvon LabRAM HR800. Este equipo cuenta con un microscopio dual que permite
seleccionar las distintas zonas de medida y enfocar correctamente la radiación de excitación sobre
la muestra. Se utilizó un objetivo ×50 Olympus® (Tokio, Japón). Como fuente de iluminación se
usó un láser Horiba® de 785 nm y 300 mW de una alta eficacia en el infrarrojo cercano. Este láser
es menos energético que aquellos que emiten en visible, y por tanto produce emisiones Raman
menos intensas. Sin embargo, a diferencia de los láseres que emiten en visible, la excitación en el
infrarrojo cercano genera un efecto de fluorescencia casi nulo, con lo que los espectros adquiridos
usando esta excitación aparecen mejor resueltos. Además, la baja energía del láser reduce el riesgo
de destrucción de la muestra por sobrecalentamiento.
La calibración espectral del equipo se realiza para la línea a 520.7 cm-1 correspondiente a un
modo vibracional del silicio activo en Raman, usando el Material Estándar de Referencia Nº 2243
del National Institute of Standars (CO, EE.UU.). La adquisición de espectros se realizó en el
intervalo espectral desde 200 a 3600 cm-1 con una resolución de ~ 0.9 a 1.6 cm-1 utilizando el
detector CCD de intervalo dinámico de 16 bits, refrigerado a –70 ºC mediante efecto Peltier.
84
3. MICROSCOPÍA ELECTRÓNICA DE BARRIDO
- Microscopio Hitachi® SU 6600 FE-SEM
- Cintas conductivas adhesivas de carbón para microscopía electrónica
- Software SEM Data Manager
3.1.2. Medidas de microscopía
Se ha usado un microscopio electrónico de barrido Hitachi SU 6600 FE-SEM. El reducido

tamaño del haz de electrones que incide sobre la muestra en un Field Emission-SEM, menor que
en SEM convencional, permitió obtener imágenes de muy alta resolución, revelando detalles en
el intervalo de 1 a 5 nm. Dado su carácter no conductor, las virutas de madera se colocaron sobre
cintas o parches conductivos de carbón antes de introducirlas en la cámara de muestras. Se utilizó
una tensión de aceleración de 2 kV, distancia de trabajo de 30 mm, lente condensadora de 21.0 y
corriente de 20 μA para todas las muestras. Se utilizó el software “SEM data manager” para el
registro automático de las imágenes, el ajuste de los parámetros de interés y su almacenado en
base de datos.
85
4. MEDIDAS DE COLOR POR COLORIMETRÍA TRIESTÍMULO.

ESPACIO CIELAB
4.1.1. Material y reactivos
- Espectrofotómetro UV‒Vis Agilent® 8453 (Agilent Technologies®) (CA, EE.UU.).
- Cubeta de vidrio de 2 mm (Hellma Analytics)
- Conjunto de filtración de muestras Millipore (Billerica) (MA, EE.UU.), constituido por

jeringa, portafiltro y filtros AP20 de 13 mm de diámetro
- Software CromaLab® 2.0
4.1.2. Medida del color
La medida del color de las muestras de vino se ha realizado por Colorimetría Triestímulo, a
partir de medidas espectrofotométricas de transmisión dentro del espectro de la radiación
electromagnética visible (380-780 nm). La aplicación de la Colorimetría Triestímulo permite
obtener los valores triestímulos X, Y, Z, que definen el color de la muestra y que son el punto de
partida para calcular el resto de variables colorimétricas de otros espacios de color como
CIELAB: L*, a*, b*, C*ab y hab
Antes de realizar la medida de color los vinos fueron filtrados usando un filtro Millipore AP20
de 13 mm de diámetro. Para realizar la medida, la muestra de vino, previamente filtrada, se
deposita en una cubeta de vidrio de 2 mm de paso de luz y se registra el espectro de absorción en
la región visible por espectrofotometría, frente a agua destilada como blanco de referencia, a
intervalos constantes de 2 nm.
A partir de los espectros registrados y utilizando el software de cálculo original CromaLab®

(Heredia, Álvarez, González-Miret, y Ramírez, 2004) se obtuvieron los datos de color de cada
uno de los vinos analizados en el espacio CIELAB, en concreto, se obtuvieron las coordenadas
colorimétricas (a*, b*) y los parámetros claridad, croma y tono (L*, C*ab y hab). Este software
tiene en cuenta las recomendaciones de la Comisión Internacional de Iluminación (CIE, 2004):
observador estándar de 10º e iluminante estándar D65.
El parámetro colorimétrico diferencia de color (ΔE*ab), se ha calculado como la distancia

euclídea entre dos puntos en el espacio tridimensional definido por L*, a* y b*:
∗
∆𝐸𝑎𝑏 = √(∆𝐿∗ )2 + (∆𝑎∗ )2 + (∆𝑏 ∗ )2
87
ANÁLISIS QUÍMICO
5. ANÁLISIS QUÍMICO
5.1. Composición fenólica
5.1.1. Material y reactivos
- Metanol (J.T. BAKER®) (PA, EE.UU.).
- Ácido clorhídrico 12M (Panreac®) (Barcelona, España).
- Agua desionizada (Milli‒Q, Merck Millipore®) (Darmstadt, Germany).
- Etanol absoluto (Panreac®) (Barcelona, España).
- Ácido tartárico (L+) (Panreac®) (Barcelona, España).
- Hidróxido sódico 0.5 M (J.T. BAKER®) (PA, EE.UU.).
- Reactivo de Folin‒Ciocalteu (Merck®) (Darmstadt, Germany).
- Carbonato sódico anhidro (Panreac®) (Barcelona, España).
- Patrón de referencia, ácido gálico (Analytical Carlo Erba®) (Barcelona, España).
- 4-(dimetilamino) cinamaldehído (DMACA) (Sigma Aldrich®) (MO, EE.UU.).
- Patrón de referencia, (+)-catequina (Sigma Aldrich®) (MO, EE.UU.).
- Acetonitrilo calidad HPLC (J.T. BAKER®) (PA, EE.UU.).
- Ácido trifluoroacético (Sigma Aldrich®) (MO, EE.UU.).
- Patrón de referencia, malvidina-3-O-glucósido, cloruro de oenina (Extrasynthese®) (Lyon,

Francia).
- Ácido acético (Panreac Quimica SLU, Castellar del Vallès, España).
- Isopropanol HPLC (HiPerSolv® Chromanorm, BDHProlabo, VWR International)

(Briare, Francia)
- Metanol HPLC (HiPerSolv® Chromanorm, BDHProlabo, VWR International) (Briare,

Francia)
- Patrón Galocatequina (Sigma Aldrich®) (MO, EE.UU.).
- Patrones de elagitaninos no comerciales, aislados y purificados a partir de un extracto de

madera de roble.
- Baño de ultrasonidos JP Selecta® (Barcelona, España).
89
- Centrífuga Eppendorf® 5810R (Hamburgo, Alemania).
- Concentrador Plus Eppendorf® (Hamburgo, Alemania).
- Vortex Genius 3 IKA® (Staufen, Alemania).
- Espectrofotómetro UV‒Vis Agilent® 8453 (Agilent Technologies®) (CA, EE.UU.).
- Cubetas desechables de plastico de 10 mm de camino óptico Kartell® 1938 (Milan, Italia).
- Balanza analítica METTLER TOLEDO CLASSIC AB204–S (Barcelona, España).
- Liofilizador Telstar® Cryodos –80º (Barcelona, España).
- Cromatógrafo de líquidos de alta eficacia HPLC Agilent Technologies® HP 1200 (CA,

EE.UU.), equipado con bomba cuaternaria, desgasificador de vacío, compartimento
termostatizado para columna, inyector automático y detector de diodos.
- Cromatógrafo de líquidos de alta eficacia HPLC Agilent Technologies® HP 1100

(Waldbronn, Alemania)
- Espectrómetro de masas Applied Biosystems API 3200 Qtrap (Darmstadt, Alemania)

equipado con fuente de ionización por electrospray y analizador de masas triple
cuadrupolo/trampa de iones lineal.
- Columna cromatográfica Zorbax ODS de 4.6 x 250 mm y 4.6 µm de tamaño de partícula

(Agilent Technologies®).
- Columna cromatográfica Aqua C18 de 4.6 x 150 mm y 5 μm de tamaño de partícula

(Phenomenex, Torrance, CA)
- Viales de inyección para cromatografía (Agilent Technologies®)
- Filtros Nylon 0.45 µm HNWP 04700 Merck Millipore® (Darmstadt, Germany).
- Matraces aforados de 5, 10, 25 mL y 1 L.
- Micropipetas Eppendorf® (Hamburgo, Alemania) de intervalo de volumen 2‒100 µL, 0.1‒

1 mL y 1‒10 mL.
5.1.2. Extracciones
Se han llevado a cabo dos tipos de extracciones, según los objetivos planteados en cada ensayo,
para determinar el contenido fenólico de las muestras sólidas (hollejos, semillas y virutas de
roble). Por un lado se realizaron extracciones parciales para simular las condiciones reales de
vinificación y, por otro, extracciones exhaustivas con metanol para conocer la cantidad total de
compuestos fenólicos presentes en las muestras.
90
ANÁLISIS QUÍMICO
Se preparó un medio con características similares al vino (vino sintético), es decir, una
disolución en base acuosa con un 12.5% de etanol, 4 g L-1 de ácido tartárico y un pH de 3.6
ajustado con NaOH 0.5M. Las muestras se maceraron en este medio durante 3 días en lugar
oscuro, fresco y seco, tras los cuales se utilizó una alícuota del extracto para la realización de los
análisis espectrofotométricos o cromatográficos según corresponda.
Para la extracción exhaustiva, las virutas de madera, liofilizadas, fueron extraídas con una
disolución acuosa de metanol al 50% y los extractos posteriormente filtrados. En el caso de las
semillas, liofilizadas y molidas, la extracción, en disolución acuosa de metanol al 75%, se realizó
en baño de ultrasonidos y posterior centrifugación. El proceso se repitió hasta que el extracto
resultante quedó incoloro; todos los sobrenadantes se mezclaron y se enrasaron a un volumen fijo.
Se usó una alícuota de cada extracto para los análisis espectrofotométricos. En el caso de semillas,
la alícuota fue previamente evaporada y reconstituida con agua desionizada.
5.1.3. Contenido en fenoles totales
Se ha determinado el contenido en fenoles totales en muestras de vino y en extractos de

muestras sólidas (hollejos, semillas y viruta de madera). La determinación se realizó siguiendo el
método espectrofotométrico de Folin–Ciocalteu (Singleton y Rossi, 1965) . Este método se basa
en una reacción de óxido-reducción entre el reactivo de Folin y los fenoles presentes en la muestra.
El reactivo de Folin Ciocalteu está formado por una mezcla de ácido fosfotúngstico y ácido
fosfomolíbdico que, al reaccionar con los compuestos fenólicos, se reduce a una mezcla compleja
de color azulado adecuada para la determinación espectrofotométrica por medida de la
absorbancia a 765 nm.
De forma general, a 0.25 mL de muestra se le añadieron 3.75 mL de carbonato de sodio

(20% p/v) y 1.25 mL del reactivo de Folin–Ciocalteu. Esta mezcla se enrasó a 25 mL con agua
destilada y, tras dejar que la reacción se completara (2 horas), se midió la absorbancia a 765 nm.
Los volúmenes de muestra fueron adecuadamente modificados siempre que fue necesario. Para
cada matriz, los fenoles totales se cuantificaron mediante la correspondiente recta de calibrado
utilizando como patrón ácido gálico.
5.1.4. Contenido en flavanoles totales
Se ha determinado el contenido en flavanoles totales en muestras de vino y en extractos de

muestras sólidas (hollejos y semillas de uva). Este análisis se llevó a cabo siguiendo una
modificación del método espectrofotométrico descrito por (Vivas, Glories, Lagune, Saucier, y
Augustin, 1994). De forma general, según se tratara de vino y extracción exhaustiva o vino
sintético, 10 o 20 µL de muestra se mezclaron con 190 o 180 µL de metanol, respectivamente. Se
91
añadió 1 mL de reactivo DMACA y, tras 10 minutos, se midió la absorbancia a 640 nm. El

reactivo DMACA, que se preparó inmediatamente antes de su uso, contenía 0.1% (p/v) de 4-
(dimetilamino) cinamaldehído en una disolución HCl:Metanol (1:10, v/v). Los volúmenes de
muestra fueron adecuadamente modificados siempre que fue necesario. Los flavanoles totales se
cuantificaron mediante una recta de calibrado utilizando (+)-catequina como patrón.
5.1.5. Determinación del perfil antociánico
La separación, identificación y cuantificación de los antocianos presentes en las muestras de

vino tinto y hollejo de uva tinta se ha realizado mediante cromatografía líquida de alta eficacia
(HPLC) siguiendo una modificación del método descrito por M. García-Marino, J. M. Hernández-
Hierro, J. C. Rivas-Gonzalo, y M. T. Escribano-Bailón (2010). Previamente a los análisis
cromatográficos, tanto los vinos como los extractos provenientes de las extracciones fueron
filtrados, utilizando filtros de tamaño de poro 0.45 µm, y diluidos 1:2 con HCl 0.1 M.
Los análisis cromatográficos se llevaron a cabo en un equipo HPLC Agilent Technologies®

HP 1200 (CA, EE.UU.), equipado con una columna cromatográfica Zorbax SB C18 (4.6 mm ×
250 mm, 4.6 µm de tamaño de partícula) y un sistema de detección basado en matrizde diodos.
Las fases móviles usadas fueron ácido trifluoroacético 0.1% (v/v) como fase A y acetonitrilo
como fase (B). El perfil de elución, expresado en porcentaje de fase B, fue el siguiente: 10%
durante 3.25 minutos, desde 10 a 15% durante 12.37 minutos, 15 % durante 5.21 minutos, desde
15 a 18% durante 5.21 minutos, desde 18 a 30% durante 20.84 minutos y desde 30 a 35% durante
5.20 minutos. El flujo de fase móvil utilizado fue de 0.8 mL/minuto y el volumen de inyección
de 100 µL. La longitud de onda de detección se fijó en 520 nm y se detectaron hasta un total de
15 antocianos, identificados de acuerdo a sus características espectrales y cromatográficas. La
cuantificación de los distintos antocianos se realizó a partir de una recta de calibrado utilizando
como patrón malvidina‒3‒O‒glucósido.
5.1.6. Determinación de elagitaninos
La determinación de elagitaninos en muestras de viruta de madera se llevó a cabo mediante

cromatografía líquida de alta eficacia con detección por espectrometría de masas siguiendo el
método descrito por García-Estévez, Escribano-Bailón, Rivas-Gonzalo, y Alcalde-Eon (2012). Se
añadió galocatequina como patrón interno antes del análisis por HPLC-ESI-MS/MS-MRM
(análisis de transiciones mediante tecnología multiple reaction monitoring).
Los análisis HPLC se llevaron a cabo en un equipo HPLC Agilent Technologies® de la serie
Hewlett-Packard 1100 (Waldbronn, Alemania) equipado con una columna cromatográfica Aqua
C18 de fase reversa (150 mm × 4.6 mm, 5 μm de tamaño de partícula) termostatizada a 35 °C.
92
ANÁLISIS QUÍMICO
Las fases móviles utilizadas fueron una solución acuosa 2.5% (v/v) de ácido acético como fase A,
isopropanol como fase B y metanol como fase C. El perfil de elución fue el siguiente: isocrático
100% de A durante 14 minutos a flujo 0.4 mL min-1, de 0.4 a 0.5 mL min-1 durante 1 minuto, de
100% de A a 90% de A, 2% de B, 8% de C durante 5 minutos, desde 90% de A, 2% de B, 8% de
C a 60% de A, 8% de B, 32% de C durante 20 min e isocrático 60% de A, 8% de B, 32% de C
durante 5 min. La longitud de onda utilizada para el registro de los cromatogramas fue 250 nm y
los espectros se registraron de 220 a 600 nm.
Para la detección por espectrometría de masas se utilizó un espectrómetro API 3200 Qtrap
Applied Biosystems (Darmstadt, Alemania) equipado con una fuente de ionización por
electrospray, ESI, y un analizador de masas dual trampa iónica lineal-triple cuadrupolo,
controlado por el software Analyst 5.1. Las condiciones de medida fueron optimizadas y validadas
por García-Estévez, et al. (2012). Se utilizó un análisis de transiciones mediante la tecnología
multiple reaction monitoring (MRM) para detectar las transiciones correspondientes a los
diferentes elagitaninos analizados: castalagina (933/631), vescalagina (933/301), y granidina y
roburina E (1065/249); y al patrón interno, galocatequina (305/125).
Para la cuantificación de los elagitaninos individuales se construyó una recta de calibrado para
cada uno de ellos (castalagina, vescalagina, grandinina y roburina E), utilizando la relación entre
la señal de la transición de cada elagitanino a diferentes concentraciones y la señal de la transición
del patrón interno frente a la concentración de elagitanino. Para construir las rectas de calibrado
se utilizaron patrones no comerciales aislados y purificados a partir de un extracto de madera
(García-Estévez, Escribano-Bailón, Rivas-Gonzalo, y Alcalde-Eon, 2010). Estas rectas de
calibrado se usaron para cuantificar los cuatro elagitaninos en todas las muestras después de la
adición del patrón interno.
93
QUIMIOMETRÍA
6. QUIMIOMETRÍA
6.1. Análisis de componentes principales (PCA)
El análisis de componentes principales o PCA se ha aplicado en buena parte de los estudios

recogidos en la presente memoria. Según el estudio, el PCA ha tenido los siguientes objetivos:
 Reducir la dimensión de la matriz mediante la creación de variables nuevas (componentes

principales) que representen la mayor parte de la variabilidad original y permitan observar
agrupaciones o tendencias en las muestras.
 Ordenar las muestras dentro de la matriz espectral y detectar posibles outliers, muestras
con características espectrales muy distintas al resto, mediante el cálculo de la distancia 𝐻
de Mahalanobis.
 Reducir el número de muestras mediante la selección de un subconjunto que represente de
forma adecuada la variabilidad espectral del conjunto original. Las muestras
pertenecientes a este subconjunto serán seleccionadas teniendo en cuenta la distancia de
Mahalanobis a muestra vecina (𝑁𝐻).
En los estudios donde se han usado matrices espectrales, el PCA se ha realizado usando el
software Win ISI® (v1.50) (Infrasoft International LLC, 2000). Este software usa un algoritmo
especializado en el tratamiento de espectros (con número de variables igual a número de
longitudes de onda medidas), con lo que el proceso de cálculo es mucho más ágil que en otros
software. De forma previa a la aplicación del PCA, los espectros fueron pretratados para
minimizar los efectos dispersivos de la radiación electromagnética. Se les aplicó una tipificación
de la absorbancia, un suavizado, utilizando para ello un intervalo de 5 puntos, y una segunda
derivada calculada también a intervalos de 5 puntos (SNV 2,5,5,1). Concretamente, se ha aplicado
en las matrices espectrales que comprenden espectros en el infrarrojo cercano (NIR), en el
infrarrojo medio (MIR) o espectros Raman.
El PCA se realizó con el software Statistica v.8.0 (StatSoft Inc., 2007, OK, EE.UU.) en los
casos en que se usan datos no espectrales como variables. Tal es el caso de matrices constituidas
por parámetros de color y contenidos fenólicos totales o extraíbles.
95
6.2. Regresión por mínimos cuadrados parciales modificada (MPLS)
Se ha utilizado la regresión por mínimos cuadrados parciales modificada (MPLS) para valorar
la relación (de forma predictiva) entre una variable dependiente y otras variables independientes.
Para la realización de este análisis se ha utilizado el software Win ISI® (v1.50), siguiendo el
siguiente procedimiento:
Tras la realización del análisis de componentes principales (PCA), que permite conocer la
distribución de muestras en el espacio recién creado, determinar outliers espectrales (𝐻 > 3), si
existen, y seleccionar subconjuntos de muestras representativas del conjunto inicial, se asocia a
cada muestra espectral los datos de referencia, determinados previamente. Con el objetivo de
reducir al máximo el error de validación cruzada se probaron distintos pretratamientos espectrales,
derivadas y suavizados sobre la matriz espectral de calibración antes de comenzar el cálculo de
la regresión.
La selección de muestras se realizó de forma parcialmente guiada, seleccionando

aleatoriamente una muestra de cada uno de los grupos espectralmente similares identificados,
utilizando el criterio NH, para el subconjunto de calibración y otra para el de validación.
El método MPLS divide el set de muestras de calibración en una serie de subgrupos para
realizar una validación cruzada que permite fijar el número de factores de mínimos cuadrados
parciales (factores PLS), reduciendo así la posibilidad de sobreajuste (Shenk, et al., 1995) y
ayudando a eliminar outliers químicos. Al realizar la predicción, las muestras que presentan un
error residual alto son eliminadas, permaneciendo aquéllas que presentan un valor de 𝑇 ≤ 2.5. El
error de validación obtenido en cada muestra se combina en forma de error estándar de validación
cruzada (𝑆𝐸𝐶𝑉).
Finalmente, se realizó una validación externa de los modelos generados utilizando el

subconjunto de muestras de validación. De este proceso de validación se obtiene el error estándar
de validación externa que permite, junto con otros parámetros, evaluar la bondad de los modelos
MPLS calculados.
6.2.1. Aplicación de los modelos desarrollados
Los modelos MPLS desarrollados se aplicaron a muestras externas a éstos con el objetivo de
predecir los valores que tendrán los parámetros de interés para las cuales estos modelos fueron
creados. La aplicación de un modelo MPLS a nuevas muestras es posible siempre y cuando sus
espectros pertenezcan al mismo espacio espectral que los espectros de las muestras que generaron
el modelo. Para comprobar que se cumple esta condición, los espectros de las nuevas muestras se
descomponen en el espacio espectral generado por el PCA y se calcula la distancia de
96
QUIMIOMETRÍA
Mahalanobis (𝐻) entre cada espectro de estas nuevas muestras y el centro del espacio espectral.
Esta distancia tiene que ser menor a 3 unidades para que la nueva muestra pueda ser evaluada por
los modelos MPLS desarrollados previamente.
Tras la aplicación de los modelos MPLS a un set de nuevas muestras, se obtuvienen los valores
de los parámetros de referencia predichos. Estos valores permiten conocer características de las
muestras de forma rápida y no destructiva, que pueden ser aplicadas para el diseño de nuevos
estudios. En la presente memoria, este procedimiento se ha aplicado en distintas ocasiones. Bien
para conocer la distribución de compuestos fenólicos predichos, extraíbles o totales, en un set de
muestras o para conocer contenidos extraíbles predichos de compuestos fenólicos en hollejo de
uva y poder clasificar después las muestras según estos contenidos predichos.
6.3. Análisis de la varianza (ANOVA)
En general, el propósito del ANOVA es encontrar diferencias significativas entre las medias,
a través de una variable dependiente, cuantitativa, y un conjunto de variables independientes o
factores, que son cualitativas. El valor del nivel de significación estadística p representa la
probabilidad de error que implica aceptar como válido el resultado observado.
En concreto, se ha utilizado el ANOVA con el objetivo de evaluar la influencia de la adición

de fragmentos de madera en etapa fermentativa y postfermentativa sobre el contenido antociánico
extraíble de hollejos de uva tinta y sobre la composición fenólica y calidad cromática de vino
tinto, respectivamente. Se ha utilizado el software Statistica v.8.0 (StatSoft Inc, 2007) aplicando
el test post hoc de Tukey para detectar qué grupos son significativamente diferentes, en cuanto a
sus valores medios. Se estableció un nivel de significación estadística de α=0.05 en todos los
análisis en los que se realizó este test.
6.4. Agrupamiento mediante el algoritmo de k-medias
La aplicación de este algoritmo ha permitido agrupar muestras de semilla de uva en dos grupos
con distintos niveles de extractabilidad fenólica.
El análisis se desarrolló utilizando el software Statistica v.8.0. Para iniciar el análisis se

seleccionaron los centros iniciales de cada grupo de forma que las distancias iniciales entre cada
grupo fueran máximas. El algoritmo iterativo continúa asignando cada muestra al grupo cuyo
centro sea el más cercano y recalculando los centros al finalizar la asignación. El algoritmo
finaliza cuando el reparto de la población de muestras entre los distintos grupos se repite.
97
6.5. Análisis Discriminante Lineal (LDA)
Se ha aplicado el análisis discriminante lineal a muestras de uva tinta y muestras de semillas

de uva con el objetivo de discriminar entre distintos niveles de contenido fenólico extraíble y
extractabilidad fenólica de las muestras, respectivamente. En ambos casos las variables
independientes utilizadas fueron las puntuaciones obtenidas en el PCA de los espectros NIR de
las muestras.
Se ha usado el software SPSS 22.0 (IBM®, 2015) para realizar estos análisis, utilizando la
modalidad de análisis por pasos. Ésta selecciona las variables más significativas para la
discriminación entre las diferentes categorías usando el estadístico F para evaluar la significancia
del cambio en la Lambda de Wilks al añadir o eliminar una variable. La capacidad de predicción
se estimó considerando el porcentaje de muestras correctamente clasificadas usando un proceso
de validación dejando una muestra fuera (leave‒one‒out) o una validación externa, según el caso.
6.6. Análisis discriminante basado en la regresión por mínimos cuadrados

parciales (DPLS)
El análisis DPLS se ha utilizado con el objetivo de discriminar muestras de uva entre los
distintos niveles de contenido fenólico extraíble (fenoles totales, flavanoles y antocianos)
establecidos previamente.
El software win ISI® (v1.50) se utilizó para llevar a cabo el análisis DPLS y se realizó
utilizando, como variables independientes los espectros de los hollejos asignados a los conjuntos
de calibración para cada parámetro evaluado obteniéndose los porcentajes de muestras
correctamente clasificadas en validación interna. Además, los modelos desarrollados se probaron
con los espectros asignados a los conjuntos de validación y se obtuvieron los porcentajes de las
muestras clasificadas correctamente en la validación externa.
6.7. Índice de similitud de Pearson
El índice de similitud de Pearson se ha utilizado para discriminar muestras de uva entre los
niveles de alto y bajo contenido fenólico extraíble (fenoles totales, flavanoles y antocianos).
Para ello, se calcularon los espectros promedio de las muestras de uva clasificadas previamente
como muestras con alto y bajo contenido extraíble del conjunto de calibración atendiendo a datos
químicos, obteniéndose, por tanto, dos espectros promedio, uno correspondiente a las muestras
de alto contenido fenólico extraíble y otro a las de baja. A continuación, se realizó una regresión
lineal entre el espectro de cada muestra y el espectro promedio de la clase de bajo contenido
98
QUIMIOMETRÍA
extraíble y se repitió el mismo procedimiento utilizando el espectro promedio de la clase de alto

contenido extraíble, obteniendo para cada muestra dos coeficientes de correlación R, uno para la
clase alta y otro para la baja. A partir de este coeficiente se calculó el índice de similitud de
Pearson de cada muestra con respecto a las dos clases estudiadas según la siguiente ecuación:
1
Índice⁡de⁡similitud = ⁡
1 − 𝑅2
Para cada muestra se compararon los dos índices y se clasificaron en el grupo para el que se
obtuvo el índice más alto (es decir, contenido extraíble bajo o alto), obteniendo los porcentajes de
muestras clasificadas correctamente en validación interna. Por último, se utilizó el conjunto de
muestras de validación para obtener los porcentajes de muestras clasificadas correctamente en la
validación externa. Este procedimiento se repitió para cada parámetro de referencia (contenido
extraíble de fenoles totales, flavanoles y antocianos). El software win ISI® (v1.50) se utilizó para
llevar a cabo el análisis. En la Figura19 se puede observar de forma esquemática el procedimiento
realizado en este análisis.
Figura 19. Esquema de obtención del Índice de similitud de Pearson
99
RESULTADOS Y DISCUSIÓN
CAPÍTULO 1
CAPÍTULO 1: INFLUENCIA DE LA ADICIÓN DE CHIPS DE

MADERA DE ROBLE EN LA EXTRACCIÓN DE ANTOCIANOS
PROCEDENTES DE HOLLEJO DE UVA CON BAJO CONTENIDO
ANTOCIÁNICO EXTRAÍBLE
En: Baca Bocanegra, Berta; Nogales Bueno, Julio; Heredia Mira, Francisco José; Hernández
Hierro, José Miguel: Influence of oak wood chips-grape mix maceration on the extraction of
anthocyanins from low-extractable anthocyanin content red grapes. European Food Research and
Technology 2018. Vol. 244. Pág. 729–734, https://doi.org/10.1007/s00217-017-2999-7
1. Antecedentes
El color es una de las principales características que definen la calidad de un vino y, por lo general,
el primer atributo percibido por los consumidores. Por tanto, el color del vino es un parámetro
muy importante enológicamente si se desea obtener vinos de alta calidad. Los antocianos
extraídos del hollejo de la uva son los principales responsables del color de los vinos tintos y sus
interacciones con otros compuestos fenólicos, llamados copigmentos, normalmente incoloros,
permiten la estabilización del color de los vinos mediante reacciones de copigmentación (Boulton,
2001; Escribano-Bailon, et al., 2012).
Las condiciones climáticas típicas de las regiones cálidas, como Andalucía, dificultan la
obtención de vinos tintos de alta calidad especialmente cuando se someten a procesos de
envejecimiento (Mira de Orduña, 2010). Esto se debe, fundamentalmente, a que la maduración
fenólica y tecnológica de las uvas no ocurre al mismo tiempo y por tanto, en el momento de la
vendimia las uvas tienen un alto contenido de azúcar pero cantidades fenólicas insuficientes
(Mori, et al., 2005). En estas condiciones, los fenómenos de copigmentación, que contribuyen a
la estabilización del color, se ven obstaculizados por la escasez de pigmentos y copigmentos
(Trouillas, et al., 2016).
Numerosos estudios demuestran que la adición de copigmentos al vino produce mejoras en sus
características cromáticas y en la estabilización del color (González-Manzano, Dueñas, Rivas-
Gonzalo, Escribano-Bailón, y Santos-Buelga, 2009; Gordillo, Rodriguez-Pulido, Gonzalez-Miret,
Quijada-Morin, Rivas-Gonzalo, Garcia-Estevez, et al., 2015). Teniendo en cuenta que la madera
de roble es una fuente natural de fenoles (De Rosso, Panighel, Vedova, Stella, y Flamini, 2009),
podría considerarse una fuente potencial de copigmentos para usar en vinificación.
A pesar de que en las reacciones de copigmentación suelen estar implicados principalmente
compuestos de naturaleza flavanólica, los antocianos del vino también tienen la capacidad de
reaccionar directamente con otros compuestos fenólicos cedidos por la madera de roble como,
103
por ejemplo, los elagitaninos (Chassaing, Lefeuvre, Jacquet, Jourdes, Ducasse, Galland, et al.,
2010; Quideau, Jourdes, Lefeuvre, Montaudon, Saucier, Glories, et al., 2005). Las propiedades
oxidorreductoras de los elagitaninos hacen que su presencia en el vino influya en la evolución de
su color, tanto por su efecto protector frente a la oxidación de los antocianos como por su
combinación con estos compuestos que conduce a una mayor estabilidad de los pigmentos (Vivas,
et al., 1996).
Sin embargo, la adición de fragmentos de madera de roble como fuente de copigmentos con el
objetivo de mejorar o estabilizar el color del vino puede tener también ciertos inconvenientes. En
contacto con la madera, el vino sufre una serie de transformaciones que conducen a cambios
importantes en el color pero también en el aroma, sabor y astringencia (Glabasnia, et al., 2006;
Puech, et al., 1999; Zamora, 2003). Por tanto, la adición de madera puede aportar aromas
indeseados, excesivo amargor o astringencia al vino. Además, es posible que los fragmentos de
madera adsorban pigmentos antociánicos consiguiéndose así un efecto contrario al deseado.
2. Objetivo
El objetivo principal de este trabajo ha sido evaluar el efecto que tiene la adición de chips de
madera de roble como fuente de copigmentos sobre la extracción de antocianos en hollejo de uva
tinta clasificada como uva con bajo contenido extraíble predicho a partir de un modelo
desarrollado previamente usando el análisis de imagen hiperespectral NIR .
3. Parte experimental
Este estudio se llevó a cabo a partir de un conjunto original de doscientas uvas de las
variedades tintas Syrah y Tempranillo, cuyo contenido extraíble de antocianos había sido
previamente predicho a partir del modelo desarrollado por Nogales-Bueno, Baca-Bocanegra,
Rodríguez-Pulido, Heredia, y Hernández-Hierro (2015) utilizando el análisis de imagen
hiperespectral en el infrarrojo cercano. Las uvas se recolectaron en el momento de la vendimia
de la campaña 2013. Se recolectaron cien bayas de cada variedad siguiendo un modificación de
la metodología descrita por Bergqvist, et al. (2001). Una vez recolectadas, las muestras se
transportaron refrigeradas al laboratorio donde, tras alcanzar la temperatura ambiente, fueron
sometidas al análisis de imagen hiperespectral. A continuación, se separaron los hollejos de cada
uva, se pesaron y se almacenaron a ‒20 ºC hasta la realización de los correspondientes análisis
químicos.
Teniendo en cuenta los resultados del modelo hiperespectral desarrollado, según los cuales el
contenido antociánico extraíble predicho es menor para las uvas de variedad Syrah que para las
de variedad Tempranillo, se consideró la variedad Syrah como la más interesante para la
104
CAPÍTULO 1
evaluación del efecto de la adición de copigmentos. Las muestras del subconjunto de variedad
Syrah fueron ordenadas de acuerdo con el contenido extraíble predicho de antocianos y separadas
en dos grupos: bajo y alto contenido extraíble predicho; usando la mediana como valor de corte
para la clasificación (1.8 m g-1 hollejo). Finalmente, para realizar el ensayo, se seleccionaron
aleatoriamente 10 muestras del grupo de bajo contenido extraíble predicho.
El hollejo de cada una de las 10 uvas seleccionadas se dividió en dos partes aproximadamente
iguales, y se maceraron de forma individual durante un periodo de 3 días en vino sintético,
manteniendo constante la relación de volumen de disolvente respecto al peso de hollejo. Para
estudiar la influencia que pudieran tener los copigmentos provenientes de los chips en la
extracción de antocianos de hollejo de uva tinta, una de las extracciones se llevó a cabo en
presencia de chips de roble americano, en una concentración de 4 g L-1, manteniendo la otra
extracción como testigo del proceso.
Los sobrenadantes obtenidos de las extracciones realizadas a los hollejos fueron analizados
mediante cromatografía líquida de alta eficacia (HPLC) para determinar la cantidad de antocianos
extraída, siguiendo una modificación del método descrito por Matilde García-Marino, José
Miguel Hernández-Hierro, Julián C. Rivas-Gonzalo, y M.Teresa Escribano-Bailón (2010). Se
identificaron hasta 15 antocianos diferentes por medio de las características espectrales y
cromatográficas de estos picos y la suma de todos ellos se expresó como antocianos totales. Los
resultados obtenidos en este ensayo corroboran la bondad del modelo utilizado para la predicción
del contenido extraíble de antocianos totales en las muestras seleccionadas ya que solo dos
muestras tienen un contenido total de antocianos extraíbles ligeramente superior a 1.8 mg g-1 de
hollejos.
Para estudiar el efecto de la presencia de copigmentos provenientes de chips de roble

americano en la extracción de antocianos en hollejo de uva, se realizó un análisis de componentes
principales (PCA) y se buscaron agrupaciones no condicionadas de las muestras en función de la
presencia o ausencia de chips de madera de roble. Sin embargo, no pudo encontrarse ninguna
agrupación o tendencia en cuanto al factor analizado.
Para confirmar este resultado se realizó un ANOVA. Se utilizaron como variables

dependientes, los contenidos extraíbles de antocianos obtenidos mediante HPLC y como factor la
presencia o ausencia de copigmentos en el medio de extracción. No se encontraron diferencias
significativas (𝑝 < 0.05) para ninguna de las variables dependientes estudiadas, lo que permite
afirmar que la presencia de estos copigmentos no altera el proceso de extracción de antocianos en
hollejo de uva. Por lo que estos copigmentos pueden ser añadidos en la vinificación con el objetivo
de mejorar la calidad cromática de los vinos producidos, aumentando y estabilizando su color, sin
temor a perjudicar de alguna forma la cantidad de antocianos extraída de los hollejos macerados.
105
4. Conclusiones
 El análisis de imagen hiperespectral en el infrarrojo cercano puede considerarse una

técnica válida para la predicción del contenido extraíble de antocianos en hollejo de uva
tinta, permitiendo, posteriormente, la identificación de muestras de uva con bajo
contenido extraíble de antocianos susceptibles de una actuación para la mejora del color
de los vinos producidos a partir de ellas.
 La adición de chips de madera de roble, fuente natural de copigmentos, podría aumentar
y estabilizar el color del vino elaborado a partir de uvas con bajo contenido antociánico
extraíble mediante reacciones de copigmentación, sin perjudicar el equilibrio de
extracción de antocianos ni provocar fenómenos de adsorción en superficie que reduzcan
la cantidad de antocianos disponibles.
106
Eur Food Res Technol
DOI 10.1007/s00217-017-2999-7
ORIGINAL PAPER
Influence of oak wood chips–grape mix maceration

on the extraction of anthocyanins from low‑extractable
anthocyanin content red grapes
Berta Baca‑Bocanegra1 · Julio Nogales‑Bueno1 · Francisco José Heredia1 ·
José Miguel Hernández‑Hierro1
Received: 1 September 2017 / Revised: 4 October 2017 / Accepted: 13 October 2017

© Springer-Verlag GmbH Germany 2017
Abstract Wine color depends not only on the amount of Keywords Anthocyanins · Chemical composition ·
anthocyanin present in the grapes, but also on the amount Chemometrics · HPLC · Grapes
of them that may be extracted from grapes and their interac-
tions with other phenolic compounds. Color stabilization is
also specially important in poor color wines. The main goal Introduction
of this study was to evaluate the effect of the addition of oak
wood chips on the extractability of anthocyanins from homo- Color is one of the main characteristic defining the quality of
geneous grapes which were previously classified by hyper- wines and usually the first attribute perceived by consumers.
spectral image analysis. Ten Vitis vinifera L. cv. Syrah grape Deep color and hue are usually demanded by them. Thus,
skins from grapes previously classified as low-extractable wine color is a very important parameter for winemakers
anthocyanin content by hyperspectral image analysis were who want to get high quality wines. Phenolic compounds
underwent to simulated maceration in wine-like solution, participate in astringency, bitterness and color. Among them
with or without French oak (Quercus petraea L.) wood light- anthocyanins extracted from grape skin are the principal
toasted chips. For each sample, anthocyanin composition of compounds involved in the color of red wines and their inter-
the extracts was measured at the third day of maceration by actions with other phenolic compounds (called copigments),
HPLC chromatographic analysis and after that the obtained normally colorless, allow improving the color stabilization
data were submitted to chemometric analysis. The presence of aged wines by copigmentation reactions [1, 2]. Factors
of oak wood chips in the extraction media did not cause such as cultivar, growing region, climate, and growth condi-
significant changes on the anthocyanin extractability for all tions may influence the levels of anthocyanins [3–7].
samples in the aforesaid homogeneous created group. The The expression of the color in red wines depends not only
use of this technique might allow wine producers obtaining on the amount of anthocyanin present in the grapes, but also
red wines that may present high color quality and stability on the amount of them that may be extracted from grapes.
due to the copigmentation and color preservation procedure. Several factors have been shown to affect the extraction of
Hyperspectral image analysis was a crucial non-destructive phenolic compounds into the must [8]. Due to their vacuolar
tool in this study that allows to sort the berries and then use location, the diffusion of anthocyanins into the must requires
the same samples for other destructive analyses such as the the break of their skin cell wall. Riper grapes have higher
evaluation of influence of oak chips–grape mix maceration cell wall degradation; hence, they have higher extraction
on the anthocyanin extraction from grape skins. degree [8, 9]. This parameter is also linked to grape macera-
tion conditions [10]. Soluble solids content of grape must
and different stages of ripening also affect the amount of
* José Miguel Hernández‑Hierro extractable phenols from grape skins [11–14].
[email protected] The stressful climate conditions typical of the warm
1 regions make difficult to obtain high quality red wines,
Food Colour and Quality Laboratory, Área de Nutrición y
Bromatología, Facultad de Farmacia, Universidad de Sevilla, with high intensity and stable color especially when
41012 Sevilla, Spain they are subjected to aging process. This event normally
13
Vol.:(0123456789)
occurred since the phenolic and technological maturity Materials and methods
of the grapes do not happen at the same time [5], and so,
at the moment of harvesting the grapes have high sugar Samples
content but phenolic unripe [15]. Wines made from these
grapes, low in pigments and cofactors, are not able to form Grapes of two red V. vinifera L. varieties (cv. Syrah and
much copigmentation [1] and as a result, the color stabili- Tempranillo) were collected from two vineyards located in
zation does not correctly develop. the Condado de Huelva Designation of Origin D.O. (Anda-
Taking into account these considerations, other alter- lusia, Spain), which is under warm climatic conditions
natives winemaking techniques have been used aimed at influence [7]. Grapes were collected when the vineyards
implementing the production of high quality red wines were harvested (August 27 and 12, 2013, respectively). One
in the last years. The procedures intended to enhance the hundred single berries were collected for each variety. To
extraction of grape components responsible for the color achieve representative grape samples, these were collected
of wine or added other which allow improving the color from both sides (sunlight and shade) of vines located in dif-
stabilization such as copigments. ferent rows within the vineyard. Edge rows and the first two
It is well known that the presence of copigments in red vines in a row were avoided. Samples were collected from
wines improve and stabilize its color by copigmentation the top, middle, and bottom of the different clusters. After
reaction [7, 16, 17]. Wood is a natural source of phenols that, samples were refrigerated and they were immediately
[18] that could be implied into copigmentation reactions. carried to the laboratory, tempered and subjected to the
So adding oak wood chips as a source of copigments hyperspectral analysis.
such as flavanols or ellagitannin could be a good alterna-
tive to resolve the problem of wine color stabilization. Sample selection by hyperspectral analysis
Anthocyanins have demonstrated to react with flavanols,
involving acetaldehyde or not, to generate either acetalde- Hyperspectral imaging was used to classify the grapes
hyde-derived or direct flavanol–anthocyanin condensation according to the amount of anthocyanins transferred to
product [19–21]. The formation of most of anthocyanin- the extraction media [28]. Hyperspectral imaging device
derived pigments is directly related to the presence in the (Infaimon S.L., Barcelona, Spain) comprised a Xenics®
wine of compounds such as proanthocyanidins or acetal- XEVA-USB InGaAs camera (320 × 256 pixels; Xenics
dehyde. Oak ellagitannins have demonstrated to indirectly Infrared Solutions, Inc., Leuven, Belgium), a spectrograph
influence the formation of some of these derivative pig- (Specim ImSpector N17E Enhanced; Spectral Imaging Ltd.,
ments. Their structures allow them to participate in oxi- Oulu, Finland) covering the spectral range between 900 and
dation reactions acting as consumers of oxygen and then 1700 nm (spectral resolution of 3.25 nm). The individual
protecting other compounds such as anthocyanins against hyperspectral image of each grape was recorded. After
oxidation, favoring the formation of acetaldehyde from calibration and segmentation processes, the average spec-
ethanol in the medium [22] and favoring several polym- tral profile for each grape was saved. Noisy wavebands at
erization reactions [22, 23]. In this way, the ellagitannins both extremes of the spectral range were removed. Thus,
have the ability to modify the color of the red wine both only spectral data in the resulting effective wavelength of
indirectly as just indicated as directly, through the prod- 950–1650 nm regions were used in data analysis because
ucts derived from the direct reaction between anthocyanins of reduced efficiency outside this range in the used device.
and ellagitannins. So, anthocyanins can react with C-glu- Gapes were classified as high- or low-extractable anthocya-
cosidic ellagitannins to generate anthocyanin–ellagitannin nin content according to the values predicted by the hyper-
hybrid pigments such as A-type and B-type vitisins [24, spectral analysis.
25]. These pigments are more stable against hydration than
their anthocyanin precursor [25]. The traditional source Determination of extractable anthocyanin content
of ellagitannins is the oak barrels where the wine is kept
during the aging process [26, 27]. Nevertheless, they can Grape skins were separated manually from the whole grapes
also be released from the chips or staves. and they were weighted, then grape skins were immediately
The main goal of this study is to evaluate the effect of frozen and stored an − 20 °C until analysis were performed.
the addition of oak wood chips as copigment sources on Selected Syrah grape skins was split into two parts, then
the anthocyanin extraction from grape skins. Those grapes were underwent to simulated maceration in wine-like solu-
were previously classified by hyperspectral image analysis tion (12.5% ethanol, 4 g L−1 of tartaric acid adjusted at pH
according to the amount of anthocyanins transferred to the 3.6 with NaOH 0.5 M), with or without oak wood chips as a
extraction media. control. French oak (Quercus petraea L.) wood light-toasted
chips of 1 cm2 average size (Tonelería Martín y Vázquez,
13
Logroño, Spain) were added to the wine-like solution in a malvidin 3-O-glucoside equivalents with a standard devi-
4 g L−1 ratio. Grape skins were added to extraction media in ation value of 0.63 mg g−1 of grape skin (n = 98). Tem-
a 1:20 ratio. For each sample, anthocyanin composition of pranillo grapes ranged from 0.23 to 3.35 mg g−1 of grape
the extracts was measured at the third day of maceration at skin expressed as malvidin 3-O-glucoside equivalents with
ambient temperature and without agitation. To measure the a standard deviation value of 0.54 mg g−1 of grape skin
extractable anthocyanin content, the supernatant was diluted (n = 99). The results reveal a wide heterogeneity of values.
1:2 with 0.1 M HCl, filtered through 0.45 µm pore size fil- Levels of red grapes (Vitis vinifera L.) phenolic compounds
ters and directly injected into the chromatographic system. depend on a number of factors including the variety of grape,
Anthocyanin compounds were identified by HPLC analysis high or low skin:volume ratio, growing region, climate, and
at 520 nm and comparing their retention times and spectral growth conditions [31]. Furthermore, similar heterogene-
characteristics with data reported by relevant literature ref- ity can be also found within the same physiological stage.
erences [29, 30]. All analyses were performed in duplicate. Some studies describe a Gaussian bell-shaped distribution
Figure 1 shows the whole analytical workflow process. of soluble solids and extractable total phenolic content in a
sampling point [14, 32]. Thus, there is substantial variation
Statistical analysis in levels of phenolic compounds generally.
Since extractable content of anthocyanin is lower in Syrah
Statistical analysis was carried out using Statistica version grapes than Tempranillo grapes the aforesaid cultivar was
8.0 software (Statistica, 2007). Principal component analy- considered the most interesting variety for the assay. Statis-
sis was used as an unsupervised pattern recognition method tical median value (1.8 mg g−1 of grape skin) was used as
to obtain a general overview about the samples taking into cut-off value. Ten Syrah grapes classified by the hyperspec-
account individual, acylated, non-acylated and total anthocy- tral prediction model as low-extractable anthocyanin grapes
anins as studied variables. Furthermore, univariate analysis were used in that assay (extractable anthocyanin content less
of variance (ANOVA) was applied to discriminate among than 1.8 mg g−1 of grape skin).
the means of chemical data (i.e., individual, acylated, non- The separation carried out by HPLC allowed the quanti-
acylated and total anthocyanins) taking into account pairs of fication of 15 anthocyanins. Taking into account their basic
control wines and wines with addition of oak wood chips. structure, anthocyanins were also grouped as acetyls antho-
The statistically significant level was considered at α = 0.05. cyanins [delphinidin-3-O-(6′-acetyl)-glucoside, cyanidin-3-
O-(6′-acetyl)-glucoside, petunidin-3-O-(6′-acetyl)glucoside,
peonidin-3-O-(6′-acetyl)glucoside, malvidin-3-O-(6′-acetyl)
Results and discussion glucoside], coumaroyls anthocyanins [cyanidin-3-O-(6′-p-
coumaroyl)glucoside, petunidin-3-O-(6′-p-coumaroyl)gluco-
Sample selection and anthocyanins analysis side (trans), malvidin-3-O-(6′-p-coumaroyl)glucoside (cis),
peonidin-3-O-(6′-p-coumaroyl)glucoside (trans), malvidin-
Extractable anthocyanin content of Syrah grapes ranged 3-O-(6′-p-coumaroyl)glucoside (trans)], non-acylated antho-
from 0.02 to 3.67 mg g−1 of skin grapes expressed as cyanins (delphinidin 3-O-glucoside, cyanidin 3-O-glucoside,
Fig. 1 Schematic representation of the entire process. Hyperspectral screening of the predicted extractable total anthocyanin content, model
wines elaboration, macerations and chromatographic analyses of the extractable anthocyanin contents
13
Fig. 2 Total extractable anthocyanins content (mg g−1 of grape skin) Fig. 3 Score plot of samples in the space defined by PC1 and PC2
for each sample with or without oak wood chips. Horizontal line that codified as with or without addition of oak wood chips
intersects the axis y in the point 1.8 shows cut-off value to select the
assay samples
shown in Table 1. No significant differences were found
among wines and for each variable after a maceration pro-
petunidin 3-O-glucoside, peonidin 3-O-glucoside, malvidin cess with oak wood chips (p > 0.05). This univariate analy-
3-O-glucoside) and acylated anthocyanins as sum of acetyls sis confirms the previous general overview obtained in the
and coumaroyls anthocyanins. The sum of all them was also PCA analysis and highlights that none of the studied vari-
expressed as total anthocyanins. The results were expressed ables has been perturbed by the presence of oak wood chips.
as mg of malvidin-3-O-glucoside equivalents per gram of The addition of oak wood chips to extraction media nei-
grape skin. Figure 2 shows total extractable anthocyanin ther resulted in a significant increase nor a decrease of the
content obtained for each sample with and without oak wood extractable anthocyanin content. Therefore, it could be rea-
chips by HPLC analysis. The results obtained in this assay, sonable to assume that did not take place adsorption of the
taking into account only the samples without oak chips, are anthocyanins on the chips surface. Thus, the anthocyanins
in accordance with values previously predicted by the hyper- present in the media are available to participate in the suit-
spectral method; only two samples have total extractable able chemical reactions that lead to new derivatives result-
anthocyanin content slightly higher than 1.8 mg g−1 of grape ing in changes of wine color. Apart from that, oak derived
skin. These results confirm that the aforementioned hyper- compounds transferred to the media such as flavanols or
spectral method presents a good potential for the classifica- ellagitannins can react with anthocyanins to generate antho-
tion of grapes according to extractable anthocyanin contents. cyanin–ellagitannin hybrid pigments more stable than their
precursor [24]. Indirectly, ellagitannins also affect the wine
Changes in anthocyanin extraction color since they protect anthocyanins from oxidation [22]
and favoring several polymerization reactions [22, 23].
Principal component analysis was used as an unsupervised
pattern recognition method in order to obtain a general trend
of the samples. Figure 3 shows the projection of the samples
on the plane defined by the first and second principal compo- Conclusions
nent. The first principal component (PC1) describes 54.72%
of the variability in the data and the second (PC2) describes The hyperspectral method previously described was used
26.10%. In the score plot, the samples are represented here for the selection of samples and presents a good poten-
according to the presence or absence of oak wood chips. tial for the classification of grapes according to extractable
In this graph, it is not possible to observe a trend among total anthocyanin contents.
extractable anthocyanin contents from samples extracted in Moreover, it can be assumed from the results that the
model wine solution with or without oak wood chips. presence of oak wood chips in the extraction media did not
Moreover, a univariate analysis of variance was carried cause significant changes in the anthocyanin extractability
out using extractable anthocyanin contents as dependent for all samples. This practice does not promote the extraction
variables and presence or absence of oak wood chips in the of anthocyanins from skin but extraction of specific color-
model wine solutions as independent variable. Results are less oak chips compounds which could stabilize wine color
13
Table 1 Extractable Peak Without With

anthocyanin contents (mg g−1
of skin grape ± SD. n = 10) Delphinidin 3-O-glucoside 6.9E−02 ± 3.8E−02 a
7.2E−02 ± 3.3E−02a
expressed as malvidin-3-O-
Cyanidin3-O-glucoside 1.3E−02 ± 1.4E−02a 1.1E−02 ± 1.0E−02a
glucoside equivalents of Syrah
wine with or without oak wood Petunidin 3-O-glucoside 8.6E−02 ± 3.6E−02a 8.7E−02 ± 3.5E−02a
chips Peonidin 3-O-glucoside 8.6E−02 ± 4.7E−02a 7.5E−02 ± 4.2E−02a
Malvidin 3-O-glucoside 5.7E−01 ± 1.5E−01a 5.6E−01 ± 1.6E−01a
Delphinidin-3-O-(6′-acetyl)-glucoside 1.6E−02 ± 9.4E−03a 1.8E−02 ± 9.4E−03a
Cyanidin-3-O-(6′-acetyl)-glucoside 6.3E−03 ± 5.3E−03a 5.9E−03 ± 4.7E−03a
Petunidin-3-O-(6′-acetyl)glucoside 2.7E−02 ± 1.1E−02a 2.8E−02 ± 1.1E−02a
Peonidin-3-O-(6′-acetyl)glucoside 2.8E−02 ± 1.2E−02a 2.5E−02 ± 1.1E−02a
Malvidin-3-O-(6′-acetyl)glucoside 3.2E−01 ± 1.0E−01a 3.2E−01 ± 1.0E−01a
Cyanidin-3-O-(6′-p-coumaroyl)glucoside 2.7E−02 ± 5.0E−03a 2.5E−02 ± 7.9E−03a
Petunidin-3-O-(6′-p-coumaroyl)glucoside (trans) 8.1E−03 ± 8.7E−03a 9.3E−03 ± 8.4E−03a
Malvidin-3-O-(6′-p-coumaroyl)glucoside (cis) 4.9E−03 ± 2.4E−03a 5.9E−03 ± 3.3E−03a
Peonidin-3-O-(6′-p-coumaroyl)glucoside (trans) 1.0E−02 ± 5.9E−03a 1.2E−02 ± 6.1E−03a
Malvidin-3-O-(6′-p-coumaroyl)glucoside (trans) 6.9E−02 ± 4.6E−02a 7.9E−02 ± 5.1E−02a
Total non-acylated 8.2E−01 ± 2.6E−01a 8.1E−01 ± 2.5E−01a
Total acetyls 4.0E−01 ± 1.3E−01a 4.0E−01 ± 1.3E−01a
Total coumaroyls 1.2E−01 ± 6.2E−02a 1.3E−01 ± 6.8E−02a
Total acylated 5.2E−01 ± 1.3E−01a 5.3E−01 ± 1.4E−01a
Total 1.3 ± 3.9E−01a 1.3E ± 3.9E−01a
The same letter within each row and for each type of anthocyanin indicate the absence of significant differ-
ences (p > 0.05)
protecting anthocyanins against oxidation or interacting with 2. Gordillo B, Cejudo-Bastante MJ, Rodriguez-Pulido FJ, Gonzalez-
them to generate more stable derivatives. Miret ML, Heredia FJ (2013) Application of the differential color-
imetry and polyphenolic profile to the evaluation of the chromatic
Taking into account, the addition of oak wood chips may quality of Tempranillo red wines elaborated in warm climate.
be a good technique to obtain red wines that may present Influence of the presence of oak wood chips during fermentation.
better color quality and stability due to the copigmentation Food Chem 141:2184–2190
procedure. However, further studies would be necessary to 3. Downey MO, Dokoozlian NK, Krstic MP (2006) Cultural prac-
tice and environmental impacts on the flavonoid composition of
assess the effect that other sources of copigments or other grapes and wine: a review of recent research. Am J Enol Vitic
amount of them have in the anthocyanin extraction. 57:257–268
4. Ferrer-Gallego R, Hernandez-Hierro JM, Rivas-Gonzalo JC,
Acknowledgements The Spanish Ministerio de Economía y Com- Escribano-Bailon MT (2012) Influence of climatic conditions on
petitividad is thanked for project AGL-2014-58486-C2. Universidad the phenolic composition of Vitis vinifera L. cv. Graciano. Anal
de Sevilla is thanked for B. Baca-Bocanegra predoctoral grant (VPPI- Chim Acta 732:73–77
II.2) and J. Nogales-Bueno postdoctoral grant (VPPI-II.4). The authors 5. Mira de Orduña R (2010) Climate change associated effects
thank the technical staff of Biology Service [Servicios Generales de on grape and wine quality and production. Food Res Int
Investigación (SGI), Universidad de Sevilla]. 43:1844–1855
6. Ryan JM, Revilla E (2003) Anthocyanin composition of Cabernet
Compliance with ethical standards Sauvignon and Tempranillo grapes at different stages of ripening.
J Agric Food Chem 51:3372–3378
7. Gordillo B, Rodriguez-Pulido FJ, Mateus N, Escudero-Gilete ML,
Conflict of interest The authors declare no conflict of interest. Gonzalez-Miret ML, Heredia FJ, de Freitas V (2012) Applica-
tion of LC–MS and tristimulus colorimetry to assess the ageing
Compliance with ethics requirements This article does not contain aptitude of Syrah wine in the Condado de Huelva D.O. (Spain), a
any studies with human or animal subjects. typical warm climate region. Anal Chim Acta 732:162–171
8. Ribéreau-Gayon P, Dubourdieu D, Doneche B, Lonvaud A, Glo-
ries Y, Maujean A, Branco JM (2006) Handbook of enology, the
microbiology of wine and vinifications, vol 1. Wiley, Chichester
References 9. Hernandez-Hierro JM, Quijada-Morin N, Martinez-Lapuente L,
Guadalupe Z, Ayestaran B, Rivas-Gonzalo JC, Escribano-Bailon
MT (2014) Relationship between skin cell wall composition and
1. Boulton R (2001) The copigmentation of anthocyanins and its anthocyanin extractability of Vitis vinifera L. cv. Tempranillo at
role in the color of red wines. A critical review. Am J Enol Vitic different grape ripeness degree. Food Chem 146:41–47
52:67–87
13
10. González-Manzano S, Rivas-Gonzalo JC, Santos-Buelga C (2004) 22. Vivas N, Glories Y, Lagune L, Saucier C, Augustin M (1994)
Extraction of flavan-3-ols from grape seed and skin into wine Estimation du degré de polymérisation des procyanidines du raisin
using simulated maceration. Anal Chim Acta 513:283–289 et du vin par la méthode au p-dimethylaminocinnamaldéhyde. J
11. Canals R, Llaudy MC, Valls J, Canals JM, Zamora F (2005) Influ- Int Sci Vigne Vin 28:319–336
ence of the physiological stage and the content of soluble solids on 23. Timberlake CF, Bridle P (1976) Interactions between anthocya-
the anthocyanin extractability of Vitis vinifera L. cv. Tempranillo nins, phenolic compounds, and acetaldehyde and their signifi-
grapes. Anal Chim Acta 53:4019–4025 cance in red wines. Am J Enol Vitic 27:97–105
12. Fournand D, Vicens A, Sidhoum L, Souquet JM, Moutounet M, 24. Quideau S, Jourdes M, Lefeuvre D, Montaudon D, Saucier C,
Cheynier V (2006) Accumulation and extractability of grape skin Glories Y, Pardon P, Pourquier P (2005) The chemistry of wine
tannins and anthocyanins at different advanced physiological polyphenolic C-glycosidic ellagitannins targeting human topoi-
stages. J Agric Food Chem 54:7331–7338 somerase II. Chemistry 11:6503–6513
13. Hernandez-Hierro JM, Quijada-Morin N, Rivas-Gonzalo JC, 25. Chassaing S, Lefeuvre D, Jacquet R, Jourdes M, Ducasse L, Gal-
Escribano-Bailon MT (2012) Influence of the physiological stage land S, Grelard A, Saucier C, Teissedre P-L, Dangles O, Quideau
and the content of soluble solids on the anthocyanin extractabil- S (2010) Physicochemical studies of new anthocyano-ellagitannin
ity of Vitis vinifera L. cv. Tempranillo grapes. Anal Chim Acta hybrid pigments: about the origin of the influence of oak C-gly-
732:26–32 cosidic ellagitannins on wine color. Eur J Org Chem 1:55–63
14. Zouid I, Siret R, Jourjon F, Mehinagic E, Rolle L (2013) Impact 26. García-Estévez I, Escribano-Bailón MT, Rivas-Gonzalo JC,
of grapes heterogeneity according to sugar level on both physical Alcalde-Eon C (2012) Validation of a mass spectrometry method
and mechanical berries properties and their anthocyanins extract- to quantify oak ellagitannins in wine samples. J Agric Food Chem
ability at harvest. J Texture Stud 44:95–103 60:1373–1379
15. Mori K, Sugaya S, Gemma H (2005) Decreased anthocyanin bio- 27. Cadahia E, Varea S, Muñoz L, Fernandez de Simon B, García-
synthesis in grape berries grown under elevated night temperature Vallejo MC (2001) Evolution of ellagitannins in Spanish, French,
condition. Sci Hortic Amst 105:319–330 and American oak woods during natural seasoning and toasting. J
16. González-Manzano S, Dueñas M, Rivas-Gonzalo JC, Escribano- Agric Food Chem 49:3677–3684
Bailón MT, Santos-Buelga C (2009) Studies on the copigmenta- 28. Nogales-Bueno J, Baca-Bocanegra B, Rodríguez-Pulido FJ, Here-
tion between anthocyanins and flavan-3-ols and their influence in dia FJ, Hernández-Hierro JM (2015) Use of near infrared hyper-
the colour expression of red wine. Food Chem 114:649–656 spectral tools for the screening of extractable polyphenols in red
17. Gordillo B, Rodriguez-Pulido FJ, Gonzalez-Miret ML, Quijada- grape skins. Food Chem 172:559–564
Morin N, Rivas-Gonzalo JC, Garcia-Estevez I, Heredia FJ, Escrib- 29. Garcia-Marino M, Hernandez-Hierro JM, Rivas-Gonzalo JC,
ano-Bailon MT (2015) Application of differential colorimetry to Escribano-Bailon MT (2010) Colour and pigment composition
evaluate anthocyanin–flavonol–flavanol ternary copigmentation of red wines obtained from co-maceration of Tempranillo and
interactions in model solutions. J Agric Food Chem 63:7645–7653 Graciano varieties. Anal Chim Acta 660:134–142
18. De Rosso M, Cancian D, Panighel A, Dalla Vedova A, Flamini R 30. Hernández-Hierro JM, Nogales-Bueno J, Rodríguez-Pulido FJ,
(2008) Chemical compounds released from five different woods Heredia FJ (2013) Feasibility study on the use of near-infrared
used to make barrels for aging wines and spirits: volatile com- hyperspectral imaging for the screening of anthocyanins in intact
pounds and polyphenols. Wood Sci Technol 43:375–385 grapes during ripening. J Agric Food Chem 61:9804–9809
19. Escribano-Bailón T, Dangles O, Brouillard R (1996) Coupling 31. Crozier A, Clifford MN, Ashihara H (2006) Plant secondary
reactions between flavylium ions and catechin. Phytochemistry metabolites. Occurrence, structure and role in the human diet.
41:1583–1592 Blackwell Publishing, Oxford
20. Francia-Aricha EM, Guerra MT, Rivas-Gonzalo JC, Santos- 32. Kontoudakis N, Esteruelas M, Fort F, Canals JM, De Freitas V,
Buelga C (1997) New anthocyanin pigments formed after con- Zamora F (2011) Influence of the heterogeneity of grape phe-
densation with flavanols. J Agric Food Chem 45:2262–2266 nolic maturity on wine composition and quality. Food Chem
21. Rivas-Gonzalo JC, Bravo-Haro S, Santos-Buelga C (1995) Detec- 124:767–774
tion of compounds formed through the reaction of malvidin
3-monoglucoside and catechin in the presence of acetaldehyde. J
Agric Food Chem 43:1444–1449
13
CAPÍTULO 2
CAPÍTULO 2: ESTIMACIÓN DEL CONTENIDO Y LA

EXTRACTABILIDAD DE FENOLES TOTALES Y FLAVANOLES
EN SEMILLAS DE UVA MEDIANTE ANALISIS DE IMAGEN
HIPERESPECTRAL EN EL INFRARROJO CERCANO
En: Baca Bocanegra, Berta; Nogales Bueno, Julio; Heredia Mira, Francisco José; Hernández
Hierro, José Miguel: Estimation of total phenols, flavanols and extractability of phenolic
compounds in grape seeds using vibrational spectroscopy and chemometric tools. Sensors 2018.
Vol. 18. Pág. 2426-2438, https://doi.org/10.3390/s18082426
1. Antecedentes
En la uva, los compuestos fenólicos se encuentran repartidos por todo el fruto, tanto en semillas
como hollejos y pulpa. Aunque las semillas representan solo 0-6% del peso de la baya, son una
fuente importante de compuestos fenólicos para los vinos. Dependiendo de la variedad, las
semillas de uva contienen hasta la mitad de los compuestos fenólicos de la baya, y representan
entre 4 y 6% del peso de la semilla (Ribéreau-Gayon, et al., 2006). Los compuestos fenólicos más
importantes en la semilla de uva son los flavanoles y pueden aparecer tanto en forma de
monómeros como de oligómeros y polímeros compuestos de distintas subunidades monoméricas
(Hidalgo Togores, 2010; Ristic, et al., 2005).
Durante el proceso de vinificación, concretamente en la maceración, los compuestos fenólicos

presentes en la semilla pasan directamente al vino (Waterhouse, 2002) y condicionan de forma
considerable las características sensoriales del mismo. Por lo general, están relacionados con el
sabor (acidez, amargor y astringencia) y el color (a través del fenómeno de la copigmentación) de
los vinos tintos (Ribéreau-Gayon, Glories, Maujean y Dubourdieu, 2006). Por lo tanto, conocer
la cantidad de fenoles de las semillas de uva que se transfieren al vino, o contenido fenólico
extraíble, despierta interés en la industria del vino, ya que la calidad del vino depende en gran
medida de este aspecto. Factores como el grado de madurez del fruto y la degradación de la pared
celular, condicionan la facilidad de extracción de los compuestos fenólicos desde las semillas de
uva (Bautista-Ortín, et al., 2013; Cadot, et al., 2006; Rodriguez-Pulido, et al., 2014).
Tradicionalmente, la determinación de los compuestos fenólicos de la uva o de las diferentes

partes de la misma se ha llevado a cabo mediante análisis espectrofotométricos o cromatográficos
que requieren maceraciones previas de las muestras. Estos métodos además de ser lentos,
conllevan la destrucción de la muestra, por lo que tiene gran interés reemplazarlos por métodos
113
más rápidos y no destructivos que permitieran hacer un número más elevado de determinaciones
en menos tiempo y utilizar las mismas muestras para diferentes análisis.
En los últimos años, la espectroscopía de infrarrojo cercano se ha instaurado como alternativa

a los métodos tradicionales proporcionando una respuesta rápida, no destructiva y respetuosa con
el medio ambiente. Concretamente, el análisis de imagen hiperespectral en el infrarrojo cercano
ha sido aplicado en varias ocasiones para la determinación, a modo exploratorio, de diversos
parámetros de interés en uva con buenos resultados. Puede ser considerada una técnica adecuada
para la estimación del contenido y la extractabilidad de compuestos fenólicos en semillas de uva.
2. Objetivo
El objetivo de este capítulo ha sido el desarrollo de métodos rápidos y no destructivos para la

estimación del contenido total, contenido extraíble y extractabilidad de fenoles totales y
flavanoles totales en semillas de uva tinta mediante análisis de imagen hiperespectral en el
infrarrojo cercano.
3. Parte Experimental
Se utilizaron muestras de semilla de uva tinta pertenecientes a las variedades Tempranillo y

Syrah, recolectadas en la región del Condado de Huelva (Andalucía, España) durante la vendimia
de 2014. Se recolectó un total de doscientas uvas, cien por variedad. Con el fin de obtener
conjuntos representativos de muestras, se recogieron uvas de la parte superior, media e inferior
del racimo y de racimos situados en zona de sol y de sombra. Las muestras fueron refrigeradas e
inmediatamente transportadas al laboratorio.
Tras la recepción de las muestras, las semillas de cada uva fueron separadas del resto de la
baya. A continuación, siguiendo la metodología descrita por Rodriguez-Pulido, et al. (2014) se
registraron las imágenes hiperespectrales de las semillas de uva pertenecientes a cada uva
individual. Las imágenes de cada una de las muestras se calibraron respecto a un patrón de
referencia y la corriente oscura del equipo, y se almacenó el espectro medio de cada muestra
(950−1650 nm). Finalmente, las muestras de semillas se pesaron y se almacenaron a ‒20 ºC hasta
la realización de los correspondientes análisis químicos.
Se aplicó un análisis de componentes principales (PCA) con el objetivo de reducir la

dimensión de la matriz espectral obtenida, sin pérdida de información espectral significativa, y
seleccionar muestras representativas del conjunto de datos espectrales. La selección de muestras
se llevó a cabo siguiendo una modificación del método de Nogales-Bueno, et al. (2015) como se
describe en detalle en Nogales-Bueno, Baca-Bocanegra, Rooney, Hernandez-Hierro, Byrne, y
114
CAPÍTULO 2
Heredia (2017). Teniendo en cuenta 8 componentes principales se consiguió explicar el 90 % de

la variabilidad espectral de los datos originales. Se calcularon las distancias de Mahalanobis (H)
para cada muestra y se agruparon todas las muestras que tuvieran una distancia de Mahalanobis
a muestra vecina (𝑁𝐻) menor que 0.6, obteniéndose 66 grupos distintos. A continuación, se
crearon conjuntos de calibración y validación asignando una muestra de cada grupo creado a cada
conjunto. El conjunto de calibración consistió en 66 muestras en el cual estaba representada toda
la variabilidad espectral del conjunto original, mientras que el conjunto de validación estaba
compuesto por solo 26 muestras ya que 40 de los 66 grupos creados estaban formados por una
única muestra. Finalmente, se pesaron las 92 muestras de semillas seleccionadas y se conservaron
a -20 ºC hasta que se llevaron a cabo los análisis químicos.
Se determinó el contenido fenólico total extraíble (EPC), el contenido flavanólico extraíble

(EFC), el contenido fenólico total (TPC), el contenido flavanólico total (TFC), la extractabilidad
de fenoles totales (ETP) y la extractabilidad de flavonoles (EF) para las 92 muestras
seleccionadas, y estas nuevas variables se usaron como parámetros de referencia en los análisis
quimiométricos posteriores. Los contenidos extraíbles se determinaron mediante el análisis de los
sobrenadantes de las extracciones de semillas de uva en vino modelo (12.5% (v/v) de etanol, 4 g
de ácido tartárico L-1, ajustado a pH 3,6 con NaOH 0.5 M). A continuación, las semillas de uva
se sometieron a una extracción exhaustiva en metanol:agua 75:25 (v/v) y se obtuvieron los
contenidos totales de fenoles y flavanoles como la suma de ambas extracciones . Finalmente, la
extractabilidad de fenoles totales y flavanoles de cada muestra se determinó como el cociente
entre el contenido extraíble y el contenido total para cada parámetro.
Se aplicó el método de Folin-Ciocalteu (Singleton, et al., 1965) para determinar el contenido

fenólico total extraíble y el contenido fenólico total, mientras que para la determinación del
contenido flavanólico extraíble y el contenido flavanólico total se siguió una modificación del
método de Vivas, et al. (1994).
Una vez determinados los parámetros de referencia, se realizó la calibración mediante

regresión por mínimos cuadrados parciales modificada (MPLS) utilizando los espectros alojados
en el set de calibración y los datos de referencia anteriormente mencionados. Se probaron distintos
pretratamientos espectrales para optimizar el error estándar de calibración que se obtiene en el
proceso de validación cruzada (SECV) y se seleccionó el modelo que menor error generaba. Tras
esto, se realizó la validación externa del modelo usando las muestras seleccionadas para tal efecto.
Como resultado del proceso de validación, se obtuvo el error estándar de predicción (SEP) en
validación externa para cada modelo. Los algoritmosdesarrollados permiten predecir de forma
adecuada el contenido fenólico total y el contenido flavanólico total en semillas de uva con errores
estándar de predicción de 11.23 y 4.85 mg g-1 de semilla de uva (32.15% y 23.31%
respectivamente). Errores similares han sido descritos previamente para estos parámetros usando
115
espectroscopia en el infrarrojo cercano (Cozzolino, Kwiatkowski, Parker, Cynkar, Dambergs,

Gishen, et al., 2004; Ferrer-Gallego, et al., 2010; Jara-Palacios, et al., 2016; Rodriguez-Pulido, et
al., 2014). Para el resto de los parámetros evaluados (EPC, EFC, ETP y EF) los modelos
proporcionan errores estándar de predicción en validación externa elevados que comprometen su
uso con fines predictivos. Debido a la gran importancia de estos parámetros, se llevaron a cabo
otros enfoques para ETP y EF con el fin de vincular la extractabilidad fenólica en semillas de uva
a sus características espectrales en la región del infrarrojo cercano. Para ello, las muestras de
semilla de uva se clasificaron según su extractabilidad de compuestos fenólicos (extractabilidad
de fenoles totales y extractabilidad de flavonoles) utilizando un análisis de conglomerados de K-
medias. Teniendo en cuenta estas dos variables, las muestras de calibración y validación se
clasificaron en muestras con alta y baja capacidad de extracción. Posteriormente, se realizó un
análisis discriminante lineal (LDA) por pasos para discriminar las muestras entre los dos niveles
de extractabilidad (alto o bajo). Se introdujeron como variables clasificatorias las puntuaciones
de los 8 primeros componentes principales, obtenidas de datos hiperespectrales y utilizadas
previamente para la selección de muestras. Este modelo permitió discriminar correctamente un
83.3% de las muestras en el proceso de validación interna y un 76.9% de éstas en la validación
cruzada dejando una muestra fuera.
Por último, los métodos desarrollados, tanto cuantitativos como cualitativos, se aplicaron a
todo el conjunto de muestras de semillas de uva recolectadas, con excepción de un outlier
espectral (H>3) encontrado en el análisis de componentes principales inicial. Al aplicar los
modelos de calibración cuantitativa, se realizó la predicción de los contenidos totales fenólicos y
flavanólicos. Los dos parámetros presentan una distribución gaussiana para las dos variedades de
uva analizadas, Tempranillo y Syrah, lo que confirma la heterogeneidad fenólica descrita
previamente en bibliografía para el contenido fenólico de uvas con el mismo estado de
maduración (Nogales-Bueno, et al., 2015). Los parámetros predichos muestran valores más altos
para la variedad Syrah. El análisis cualitativo permitió clasificar el conjunto total de semillas
como muestras con alto o bajo nivel de extractabilidad de forma que el conjunto de bajo nivel de
extractabilidad estaba constituido por un total 172 muestras, 30 de la variedad Syrah y 97 de
variedad Tempranillo mientras que el conjunto de alto nivel de extractabilidad estaba formado
por 72 muestras en la proporción 69:3 Syrah:Tempranillo. Estos resultados indican mayores
extractabilidades fenólicas en las semillas de uva de variedad Syrah.
116
CAPÍTULO 2
4. Conclusiones
 El análisis de imagen hiperespectral en el infrarrojo cercano puede considerarse una

técnica adecuada para estimar el contenido fenólico total y contenido flavanólico total en
semillas de uva tinta de una manera rápida y razonablemente económica. Sin embargo,
proporciona errores mayores a los esperados en la estimación del contenido extraíble y la
extractabilidad de fenoles totales y flavanoles en las muestras objeto de análisis.
 El análisis de imagen hiperespectral en el infrarrojo cercano tiene un poder
discriminatorio satisfactorio para la clasificación de muestras de semilla de uva tinta
según su nivel de extractabilidad fenólica.
 La aplicación de los modelos cuantitativos desarrollados para la estimación del contenido
fenólico total y contenido flavanólico total en semillas de uva proporciona una
distribución gaussiana de estos parámetros que confirma la heterogeneidad fenólica
descrita en bibliografía. Para ambos parámetros se observan valores más altos en las
muestras de variedad Syrah que en las de Tempranillo, resultado que se corresponde con
mayores extractabilidades fenólicas en las semillas de variedad Syrah según los
resultados obtenidos al aplicar el modelo cualitativo desarrollado.
117
sensors
Article
Estimation of Total Phenols, Flavanols and
Extractability of Phenolic Compounds in Grape Seeds
Using Vibrational Spectroscopy and
Chemometric Tools
Berta Baca-Bocanegra, Julio Nogales-Bueno * ID
, Francisco José Heredia and
José Miguel Hernández-Hierro ID
Food Colour and Quality Laboratory, Área de Nutrición y Bromatología, Facultad de Farmacia, Universidad de
Sevilla, 41012 Sevilla, Spain; [email protected] (B.B.-B.); [email protected] (F.J.H.); [email protected] (J.M.H.-H.)
* Correspondence: [email protected]; Tel.: +34-954-557-017

Received: 18 June 2018; Accepted: 24 July 2018; Published: 26 July 2018
Abstract: Near infrared hyperspectral data were collected for 200 Syrah and Tempranillo grape seed
samples. Next, a sample selection was carried out and the phenolic content of these samples was
determined. Then, quantitative (modified partial least square regressions) and qualitative (K-means
and lineal discriminant analyses) chemometric tools were applied to obtain the best models for
predicting the reference parameters. Quantitative models developed for the prediction of total
phenolic and flavanolic contents have been successfully developed with standard errors of prediction
(SEP) in external validation similar to those previously reported. For these parameters, SEPs were
respectively, 11.23 mg g−1 of grape seed, expressed as gallic acid equivalents and 4.85 mg g−1 of
grape seed, expressed as catechin equivalents. The application of these models to the whole sample
set (selected and non-selected samples) has allowed knowing the distributions of total phenolic and
flavanolic contents in this set. Moreover, a discriminant function has been calculated and applied
to know the phenolic extractability level of the samples. On average, this discrimination function
has allowed a 76.92% of samples correctly classified according their extractability level. In this
way, the bases for the control of grape seeds phenolic state from their near infrared spectra have
been stablished.
Keywords: phenolic compounds; extractability; total phenols; flavanols; grape seeds; near infrared;
vibrational spectroscopy; chemometrics
1. Introduction
There is a high variability of phenolic compounds in grapes (Vitis vinifera L.). These compounds
can be found in the whole berry (skin, pulp and seeds) and in the fermentation stage, they become
part of the wine [1]. Depending on varieties, grape seeds contains up to half of the berry phenolic
compounds, and they represent between 4% and 6% of the seed weight [2]. In grape seed, the most
important phenolic compounds are flavanols (or flavan-3-ols). They can be found as monomers
((+)-catechin, (−)-epichatechin or epichatechin 3-galate) oligomers or polymers [3]. Moreover,
phenolic acids (benzoic or hidroxycinnamic acids) are also found in grape seeds [4]. These phenolic
compounds play an important role in the sensory characteristics of wine. They are typically linked
to the flavor (acidity, bitterness and astringency) and color (via copigmentation phenomena) of red
wines [5].
Therefore, knowing the amount of phenols that are transferred to wine from grape seeds (i.e.,
extractable total phenolic content or extractable phenolic content) is an essential issue in the wine
Sensors 2018, 18, 2426; doi:10.3390/s18082426 www.mdpi.com/journal/sensors

Sensors 2018, 18, 2426 2 of 12
industry, since the quality of wine depends largely on this aspect. Extractable phenolic content largely
depends on the total amount of phenolic compounds that grape seeds have (i.e., total phenolic content).
In consequence, it is necessary to define the extractability as the ratio between the extractable phenolic
content and the total phenolic content. Phenolic extractability allows comparing samples with different
total phenolic content and sorting samples according to their phenolic extractability.
There are a number of methods that allow obtaining the extractable or total content of the
more important phenolic families. For example, in grape seed samples, the Folin-Ciocalteu [6] and
4-dimethyl-aminocinnamaldehyde (DMACA) [7] methods can be applied in order to obtain the
extractable or total content of total phenols and flavanols, respectively (being total phenols the totality
of phenolic compounds present in grape seeds, i.e., phenolic acids, flavanols, flavonols, etc.). These
kind of traditional methods for the control of parameters of interest in grapes are being replaced
by non-destructive and green chemistry methods. Among them, a high number of near infrared
hyperspectral methods have been developed in the last decade in order to screen several parameters of
interest in grapes [8]. In some studies, hyperspectral imaging is applied to predict total or extractable
phenolic content in grapes or grape seeds [9,10], to control phenolic or technological maturity [11] or
to control the composition of oenological by-products [12].
In this study, hyperspectral imaging has been applied to control the extractable phenolic content,
the total phenolic content and the extractability of phenolic compounds. In particular, flavanols and
total phenols have been studied. Near infrared spectra have been acquired for two hundred samples
of Syrah and Tempranillo grape seeds and a sample selection procedure has been carried out. Next,
reference parameters, extractable and total contents and phenolic extractability of total phenols and
flavanols, have been chemically evaluated for selected samples. Then a number of chemometric
approaches have been interrogated (PCA, MPLS, K-means cluster analysis and LDA) in order to obtain
the best methods for predicting the reference parameters. Finally, the developed methods have been
applied to all samples with the exception of spectral outliers and the obtained distributions of the
reference parameters have been evaluated in the samples.
2. Materials and Methods
2.1. Samples
Grape seeds from two hundred Syrah and Tempranillo grapes (Vitis vinifera L.) were used in
this study. The procedures carried out for grape collection and grape seed extraction from the whole
grapes are described in detail elsewhere in [13]. Briefly, two hundred Syrah and Tempranillo red
grape samples were collected from two vineyards located in the Condado de Huelva Designation of
Origin D.O. (Andalusia, Spain) on two different dates (7 and 11 August 2014). In order to achieve
representative samples sets, single grapes were collected from the top, middle and bottom of the cluster
and from the sunlight and shade side. The samples were refrigerated and immediately transported to
the laboratory.
2.2. Acquisition of Hyperspectral Data

Hyperspectral images of grape seeds belonging to an individual grape were jointly acquired.
Hyperspectral data collection is described in Rodríguez-Pulido, et al. [10]. Briefly, hyperspectral
imaging device (Infaimon S.L., Barcelona, Spain) comprised a Xenics® XEVA-USB InGaAs camera
(320 × 256 pixels; Xenics Infrared Solutions, Inc., Leuven, Belgium), a spectrograph (Specim ImSpector
N17E Enhanced; Spectral Imaging Ltd., Oulu, Finland) covering the spectral range between 900 and
1700 nm (spectral resolution of 3.25 nm). Samples were placed 40 cm below the camera’s scanning
window and two 70 W tungsten iodine halogen lamps (Prilux, Barcelona, Spain) were used as lighting
sources at 45◦ from the vertical.
Raw hyperspectral images were corrected from the dark current effect, then, the regions of interest
(i.e., pixels belonging to grape seeds) were selected. The selection of the regions of interest was carried
Sensors 2018, 18, 2426 3 of 12
Sensors 2018, 18, x FOR PEER REVIEW 3 of 12

out by means of a forward stepwise discriminant analysis. For that, a number of spectra belonging to
seedswas
andcarried
background (a homogeneous
out by means of a forward surface
stepwisecomposed
discriminantof analysis.
polyethylene) were
For that, manually
a number collected
of spectra
and they were used
belonging for the
to seeds creation
and of the algorithm
background of segmentation.
(a homogeneous The algorithm
surface composed saved all the
of polyethylene) weremasks
manually collected
of segmentation and they and they
were were used
visually for the for
supervised creation of the
ensuring thealgorithm
suitabilityofofsegmentation.
the proposedThemethod.
Then,algorithm
the averagesaved all the masks
reflectance of segmentation
spectra and they
were obtained weregrape
for each visually supervised
seed sample.for ensuring
Next, thewere
spectra
suitability of the proposed method. Then, the average reflectance spectra were
transformed to relative absorbances and the spectral region comprised between 950 and 1650 nm obtained for each
grape seed sample. Next, spectra were transformed to relative absorbances and the spectral region
was saved and a spectral matrix (200 samples × 215 wavelengths) was formed. Figure 1 describes
comprised between 950 and 1650 nm was saved and a spectral matrix (200 samples × 215
the whole procedure carried out for each sample from the spectra acquisition until the obtaining the
wavelengths) was formed. Figure 1 describes the whole procedure carried out for each sample from
average
the spectrum.
spectra acquisition until the obtaining the average spectrum.
Figure 1. Description of the procedure carried out for each sample from the raw hyperspectral image
Figure 1. Description of the procedure carried out for each sample from the raw hyperspectral image
acquisition until obtaining the average spectrum.
acquisition until obtaining the average spectrum.
2.3. Sample Selection
2.3. Sample Selection
A sample selection procedure was carried out to reduce the dimension of the spectral matrix
A sample selection procedure was carried out to reduce the dimension of the spectral matrix
without losing of significant spectral information and to decrease the number of seed samples to be
without losing of
chemically significant
analyzed. spectral
Sample information
selection was carriedandouttofollowing
decreaseathe number ofofseed
modification samples
the method ofto be
chemically analyzed.
Nogales‐Bueno, Sample
et al. [14] asselection wasin
it is described carried out
detail in following
[13]. In brief, aaprincipal
modification of theanalysis
component method of
Nogales-Bueno, et al. [14]
(PCA) was applied asnear
to the it isinfrared
described in detail
spectral inand,
matrix [13].asIn brief,66agroups
result, principal component
of samples analysis
spectrally
(PCA)different were identified.
was applied to the near Next, calibration
infrared and validation
spectral matrix and, setsaswere created
result, by allocating
66 groups one sample
of samples spectrally
fromwere
different everyidentified.
group respectively. Therefore,
Next, calibration andthevalidation
calibrationsets
set were
consisted of 66
created bysamples, while
allocating onethe
sample
validation set was composed of only 26 samples because there were two
from every group respectively. Therefore, the calibration set consisted of 66 samples, while or more samples in only 26 the
groups. Finally, the weight of these 92 seed samples was measured and they were conserved at −20
validation set was composed of only 26 samples because there were two or more samples in only 26
°C until chemical analyses were carried out.
groups. Finally, the weight of these 92 seed samples was measured and they were conserved at −20 ◦ C
until 2.4.
chemical analyses
Phenolic were carried
Characterization of Grapeout.
Seeds: Extractable Content, Total Content and Extractability of Total
Phenols and Flavanols
2.4. Phenolic Characterization of Grape Seeds: Extractable Content, Total Content and Extractability of Total
Extractable
Phenols and Flavanolstotal phenolic content (EPC), extractable flavanolic content (EFC), total phenolic
content (TPC), total flavanolic content (TFC), extractability of total phenols (ETP) and extractability
Extractable total
of flavanols (EF) phenolic
were measuredcontent (EPC),
for samples extractable
selected flavanolic
in Section content
2.3 and these (EFC),
variables total
were phenolic
used as
content (TPC), total flavanolic content (TFC), extractability
reference parameters in the subsequent chemometric approaches. of total phenols (ETP) and extractability
of flavanols (EF) were
Extractable measured
contents werefor samples selected
determined in Section
by the analysis of 2.3
theand these variables
supernatants were
of grape used as
seeds
extractions
reference in model
parameters in wine (12.5% (v/v) chemometric
the subsequent ethanol, 4 g L−1 approaches.
tartaric acid, adjusted at pH 3.6 with NaOH 0.5
M). A ratio ofcontents
Extractable 25 mL of model wine per eachby
were determined gram theof analysis
seed was kept constant
of the for all samples.
supernatants Theseseeds
of grape
macerations were carried out at room temperature in− a1 dry place during 72 h without
extractions in model wine (12.5% (v/v) ethanol, 4 g L tartaric acid, adjusted at pH 3.6 with NaOH any external
agitation. Supernatants were used for the determination of the extractable contents. Next, they were
0.5 M). A ratio of 25 mL of model wine per each gram of seed was kept constant for all samples.
freeze‐dried, grounded and macerated in methanol:water 75:25 (v/v), sonicated during 15 min (JP
These macerations were carried out at room temperature in a dry place during 72 h without any
external agitation. Supernatants were used for the determination of the extractable contents. Next,
they were freeze-dried, grounded and macerated in methanol:water 75:25 (v/v), sonicated during
Sensors 2018, 18, 2426 4 of 12
15 min (JP Selecta, Barcelona, Spain) and centrifuged (830× g, 15 min). This solution was added in a
constant ratio of 10 mL g−1 for all samples. These extractions were repeated twice in order to achieve
an exhaustive extraction of phenolic compounds. The methanolic extracts were combined and finally
made up to a final volume of 50 mL with methanol. These supernatants were analyzed and the results
combined with those obtained from the model macerations and total contents of total phenols and
flavanols were obtained.
EPC and TPC were determined using the Folin-Ciocalteu method [6]. Two hundred microliters
of exhaustive or model wine supernatants were mixed with 1.5 mL of sodium carbonate (20% w/v),
500 µL of Folin reagent and made up to 10 mL with ultrapure water.
In order to measure EFC and TFC, a modification of Vivas et al. [7] method was carried out. Ten
or twenty microliters of exhaustive or model wine supernatants were mixed with 190 µL or 180 µL of
methanol respectively and 1 mL of DMACA (4-dimethylaminocinnamaldehyde) reagent.
Both Folin-Ciocalteau and DMACA analyses were performed on an Agilent 8453 UV–Visible
spectrophotometer (Palo Alto, CA, USA), equipped with diode array detection (DAD), measuring
absorbance at 765 and 640 nm respectively. The extract volumes were appropriately modified for
samples which needed it. For quantification, Folin-Ciocalteau results were expressed as mg of gallic
acid equivalents per gram of grape seed, whereas DMACA results were expressed as mg of catechin
equivalents per gram of grape seed.
Finally, ETP and EF of each sample were evaluated as follows:
EPC EFC
ETP = × 100; EF = × 100 (1)
TPC TFC
2.5. Data Analysis
2.5.1. Quantitative Calibrations

Raw spectral data of samples allocated in the calibration set were used to develop a quantitative
calibration for each reference parameter. The corresponding reference parameters were allocated to
each sample and different spectral pretreatments were tested. A number of spectral pretreatments,
such as standard normal variate (SNV), multiplicative scatter correction (MSC) or detrending,
were applied to spectral samples allocated in the calibration set in order to remove the scattering
effects [15,16]. Moreover, the effect of differentiation and variations in spectral ranges were tested
in the development of the NIRS calibrations. Afterwards, a modified partial least squares (MPLS)
regression was performed for each reference parameter. In MPLS regression, calibration samples are
split in different subsets. In this way, a cross-validation is performed, the possibility of overfitting
is reduced, the number of PLS factors are set and chemical outliers are removed [17]. Detection of
chemical outliers was performed following a T ≥ 2.5 criterion and these samples were not taken into
account in the MPLS regression due to their high residual predicted value. Finally, the standard error
of cross-validation was obtained by the combination of the validation errors in a single figure.
A number of statistics were used to evaluate the performance of the obtained calibration models.
The applicability range of the models is defined by the maximum and minimum estimations and, jointly
with the standard deviation (SD), allows knowing what data can be used for an external validation.
The standard error of calibration (SEC) and standard error of cross-validation (SECV) are estimates of
the prediction capability of the equation. It is considered that SECV statistic is similar to the average
standard error of prediction (SEP) from 10 randomly chosen prediction sets. The multiple correlation
coefficient (RSQ) measures how well the calibration fits the data. Finally, standard error of prediction
(SEP) compares the real with the predicted values obtained for the reference parameter. It is obtained
SEP in internal validation if this comparison is made for samples that do belong to the calibration set,
else it is obtained SEP in external validation. In this study, external validations were carried out.
Quantitative models, sample selection, PCA and data pretreatments were carried out in Win ISI®
(v1.50) software (Infrasoft International, LLC, Port Matilda, PA, USA).
Sensors 2018, 18, 2426 5 of 12
2.5.2.Sensors
K-Means Cluster
2018, 18, Analysis
x FOR PEER REVIEW 5 of 12
K-means cluster analysis was performed using Statistica v.8.0 software (StatSoft Inc., Tulsa, OK,
2.5.2. K‐Means Cluster Analysis
USA). Samples were classified according to their extractability of phenolic compounds (i.e., ETP and
K‐means
EF). Initial cluster analysis
between-cluster was performed
distances using Statistica
were maximized v.8.0 software
by choosing the (StatSoft Inc., Tulsa,
appropriate initialOK,
cluster
USA). Samples were classified according to their extractability of phenolic compounds (i.e., ETP and
centers. Then, two groups of samples were stablished according to their phenolic extractability levels:
EF). Initial between‐cluster distances were maximized by choosing the appropriate initial cluster
Low and high extractability groups.
centers. Then, two groups of samples were stablished according to their phenolic extractability levels:
Low and high extractability groups.
2.5.3. Supervised Pattern Recognition Analysis
2.5.3. Supervised
Linear Pattern
discriminant Recognition
analysis (LDA) Analysis
was applied in the present study as supervised pattern
recognition method. This method was carried
Linear discriminant analysis (LDA) was outapplied
using the prior
in the probabilities
present study as of classification
supervised and the
pattern
size of each group
recognition was taken
method. into account.
This method Samples
was carried correctly
out using classified
the prior wereof
probabilities considered in and
classification order to
the size
estimate the of each groupability
prediction was taken into
of the account. For
method. Samples
that,correctly classified
leave-one-out were consideredand
cross-validation in order
external
to estimate
validation werethe prediction
applied. Theability of theused
variables method.
wereFor that,
the leave‐one‐out
scores cross‐validation
of the 8 first and external
PCs performed on the near
validation were applied. The variables used were the scores of the 8 first PCs performed
infrared hyperspectral data. All variables were used in the analysis. SPSS 22.0 (SPSS, Inc., on the near IL,
Chicago,
infrared hyperspectral data. All variables were used in the analysis. SPSS 22.0 (SPSS, Inc., Chicago,
USA) was used for the LDA implementation.
IL, USA) was used for the LDA implementation.
3. Results and Discussion
3. Results and Discussion
3.1. Near Infrared Hyperspectral Data
3.1. Near Infrared Hyperspectral Data
In Figure 2, near infrared spectra are described. Figure 2a shows the average raw spectra and the
In Figure 2, near infrared spectra are described. Figure 2a shows the average raw spectra and
standard deviations (amplified
the standard deviations 10 times)
(amplified 10for Syrah
times) forand Tempranillo
Syrah samples.
and Tempranillo Average
samples. raw spectra
Average raw are
quite spectra
similarare
to each
quite other
similarintothe whole
each otherspectral range.
in the whole Figurerange.
spectral 2b shows
Figurethe
2bscores
showsofthethe grape
scores of samples
the
in thegrape
spacesamples
defined in by
thethe first
space and second
defined PCs and
by the first which described
second 51.67%
PCs which (PC1)51.67%
described and 20.57% (PC2) of
(PC1) and
20.57% variability
the spectral (PC2) of theinspectral
the data. variability
There isinnotthea data. There is
separation not a separation
between Syrah and between Syrah and
Tempranillo samples.
Tempranillo samples. However, Syrah samples are more scattered than Tempranillo
However, Syrah samples are more scattered than Tempranillo ones, being Tempranillo samples mainly ones, being
in theTempranillo samplesside
right and down mainly in the
of the rightdefined
space and down byside
PC1ofand
the space
PC2.defined
In thisby PC1 and
space PC2. shown
are also In this the
space are also shown the scores of the validation and calibration samples (Figure 2c). Although
scores of the validation and calibration samples (Figure 2c). Although sample selection was carried
sample selection was carried out taking into account the first 8 PCs, the comparison between
out taking into account the first 8 PCs, the comparison between Figure 2b,c shows that almost all the
Figure 2b,c shows that almost all the spectral variability of samples are included in the validation and
spectral variability of samples are included in the validation and calibration sets.
calibration sets.
Figure 2. Description of near infrared spectra. (a) Near infrared average raw spectra and standard
Figure 2. Description of near infrared spectra. (a) Near infrared average raw spectra and standard
deviations (10 times amplified) for Syrah and Tempranillo samples. (b) Scores of the grape samples
deviations (10 times
in the space amplified)
defined forand
by the first Syrah and PCs.
second Tempranillo
(c) Scoressamples. (b) Scores
of the calibration andofvalidation
the grape samples in
samples
the space defined by the first and second
in the space defined by PC1 and PC2. PCs. (c) Scores of the calibration and validation samples in
the space defined by PC1 and PC2.
Sensors 2018, 18, 2426 6 of 12
3.2. Chemical Analysis

The main statistical descriptors for extractable content, total content and extractability of total
phenols and flavanols of the samples allocated in the validation and calibration sets were obtained
(Table 1). These values are comparatively similar than those described in bibliography [10,18].
Taking into account these statistical descriptors, it can be inferred that in calibration set chemical
variability is bigger than in validation one. These results are surely linked with the spectral relationship
between both sample sets.
Table 1. Main statistical descriptors for reference parameters in calibration and validation sets.
Set Reference Parameter Maximum Mean Minimum SD 1

EPC 2 79.92 17.14 0.67 15.39
EFC 3 56.42 11.07 0.34 11.22
TPC 4 99.97 59.40 32.90 13.51
Calibration
TFC 5 66.92 21.66 6.63 10.49
ETP 6 80.59 28.09 0.99 20.15
EF 7 89.16 42.60 2.20 25.76
EPC 2 41.89 14.91 2.24 9.49
EFC 3 33.12 10.17 0.99 8.54
TPC 4 88.14 56.62 27.50 13.37
Validation
TFC 5 39.42 20.65 11.03 8.21
ETP 6 82.91 29.06 4.04 22.01
EF 7 93.04 44.23 7.80 25.33
1 SD: Standard deviation; 2 EPC: extractable total phenolic content (mg g−1 of grape seed, expressed as gallic
acid equivalents); 3 EFC: extractable flavanolic content (mg g−1 of grape seed, expressed as catechin equivalents);
4 TPC: total phenolic content (mg g−1 of grape seed, expressed as gallic acid equivalents); 5 TFC: total flavanolic
content (mg g−1 of grape seed, expressed as catechin equivalents); 6 ETP: extractability of total phenols (expressed
as percentages); 7 EF: extractability of flavanols (expressed as percentages).
3.3. Quantitative Calibrations

Samples allocated into the calibration set were used to perform MPLS regressions. In these
quantitative calibrations, the 66 seed spectra were used as independent (X) variables. Reference
parameters (EPC, EFC, TPC, TFC, ETP and EF) previously determined for grape seed samples were
used as dependent (Y) variables. The statistical parameters of the final calibration equations are shown
in Table 2 where N is the number of samples used to obtain the calibration equation after eliminating
samples for chemical reasons (T criterion). The mathematical treatment applied (i.e., the best of the
different treatment interrogated), the range of application, and standard deviations are also shown for
each reference parameter.
External validations were carried out for each selected model. For, TPC, TFC, ETP and EF all
samples presented reference values within the applicability of the obtained models. However, in the
case of EPC and EFC, one Syrah sample presented reference values outside of the applicability range
of the obtained models. Therefore, this sample was removed from the validation set in these validation
procedures. In Table 2 were also included the standard errors of prediction (SEP) in external validation
obtained in the validation of each reference parameter.
For TPC and TFC, similar errors have been reported by other authors, taking into account
the applicability range, for total or extractable contents of these compounds using near infrared
spectroscopy [10,12,18–20]. For the interpretation of these errors it is necessary to take into account
the standard error of the reference methods. These errors, for the determinations of total phenols and
flavanols, are around 10% [6,7,21,22]. Therefore, these variables can be considered appropriated to
be used as reference parameters. In consequence, MPLS regressions developed from grape seed NIR
spectra present a good potential for a fast and reasonably inexpensive screening of total contents of
total phenols and flavanols (TPC and TFC respectively) in these samples.
Sensors 2018, 18, 2426 7 of 12
Table 2. Main statistical descriptors for the MPLS models developed in the NIR zone close to
950–1650 nm.
Table 2. Main statistical descriptors for the MPLS models developed in the NIR zone close to
Spectral Reference T PLS Est. Est.
950–1650 nm. N1 SD 2 SEC 3 RSQ 4 SECV 5 SEP 6
Pretreatment Parameters Outliers Factors Min Max
None 2,10,10,1 EPC 7 5 5 61 0.00 9.17
41.80 5.13 0.69 6.45 6.79
None 2,10,10,1 EFC 8
Reference 6 T 5 PLS 60 1 0.00Est. 2 7.59
31.80Est. 3.50 3 0.79 44.21 6.12
Spectral Pretreatment
SNV + Detrend
N SD SEC RSQ SECV 5 SEP 6
Parameters
TPC 9
Outliers
2
Factors
8 64
Min 11.64
23.22
Max 7.38
93.08 0.60 8.41 11.23
2,15,15,1 7
None 2,10,10,1
SNV + Detrend
EPC 5 5 61 0.00 9.17 41.80 5.13 0.69
6.45 6.79
TFC 10 8 3 6 5 5 63 60 0.00 7.197.59 41.62
None 2,10,10,1
1,5,5,1 EFC 0.00 31.80 2.17 3.50 0.91 0.79 3.62
4.85
4.21 6.12
SNV + Detrend 2,15,15,1 9
None 2,15,15,1 TPC
ETP 11 2 2 6 8 64 64 0.00
23.22 19.62
11.64 86.36
93.08 9.74 7.38 0.75 0.60 11.83 8.4119.26 11.23
SNV + Detrend 1,5,5,1 10
None 2,15,15,1 TFC
EF 12 0 3 6 5 66 63 0.00
0.00 25.76
7.19 119.87
41.62 13.50 2.17 0.73 0.91 16.67 3.62
23.47 4.85
None 12,15,15,1 ETP 11 2 62 64 0.00 19.623 86.36 9.74 0.75 11.83 19.26
N: number of samples (calibration set); SD: standard deviation; SEC: standard error of calibration;
None 2,15,15,1 EF 12 0 6 66 0.00 25.76 119.87 13.50 0.73 16.67 23.47
4 RSQ: coefficient of determination (calibration set); 5 SECV: standard error of cross‐validation (7 cross‐
1 N: number of samples (calibration set); 2 SD: standard deviation; 3 SEC: standard error of calibration; 4 RSQ:
validation groups); 6 SEP: standard error of prediction (external validation); 7 EPC: extractable total
coefficient of determination (calibration set); 5 SECV: standard error of cross-validation (7 cross-validation groups);
6 SEP:phenolic
standardcontent
error of (mg g−1 of (external
prediction grape seed, expressed
validation); as gallic
7 EPC: acid total
extractable equivalents); 8 EFC: extractable
phenolic content (mg g−1 of grape
seed, flavanolic
expressed as gallic acid 8 − 1
content (mg equivalents);
g of grape seed,
−1 EFC: expressed
extractable as
flavanolic
catechincontent (mg g of
equivalents); 9 grape
TPC: seed,
total expressed as
phenolic
catechin equivalents); 9 −1 of grape seed, expressed as gallic acid equivalents);
content (mg g−1 of TPC:
grapetotal phenolic
seed, content
expressed as (mg g
gallic acid equivalents); 10 TFC: total flavanolic content
10 TFC: total flavanolic content (mg g−1 of grape seed, expressed as catechin equivalents); 11 ETP: extractability of
(mg g−1 of grape seed, expressed as catechin equivalents); 11 ETP: extractability of total phenols
total phenols (expressed as percentages); 12 EF: extractability of flavanols (expressed as percentages).
(expressed as percentages); 12 EF: extractability of flavanols (expressed as percentages).
The loading plots of the MPLS models for TPC and TFC are shown in Figure 3a,b, respectively.
The loading plots of the MPLS models for TPC and TFC are shown in Figure 3a,b, respectively.
The loadings show important features in the spectral regions around 1200 and 1400 nm. These
The loadings show important features in the spectral regions around 1200 and 1400 nm. These regions
regions
are are usually
usually ascribed
ascribed to combination
to combination bandsbands of the
of the –OH–OH functional
functional group
group and and symmetric
symmetric and and
antisymmetric
antisymmetricstretching.
stretching.Moreover,
Moreover, second and third
second and thirdovertones
overtonesof of
C−HC−aromatic
H aromatic
bondbond are also
are also
assigned to this band. These features can be attributed to the chemical structure of the
assigned to this band. These features can be attributed to the chemical structure of the analyzedanalyzed
compounds
compounds [23–25].
[23–25].
Figure
Figure 3. (a)3.Loading
(a) Loading plots
plots ofof theMPLS
the MPLSmodel
model for
for total
totalphenolic content
phenolic content(TPC). (b) Loading
(TPC). plotsplots
(b) Loading of of
the MPLS model for total flavanolic content (TFC). (c) Standard errors of prediction obtained in the
the MPLS model for total flavanolic content (TFC). (c) Standard errors of prediction obtained in the
external validation procedure for all MPLS models carried out expressed as percentages.
external validation procedure for all MPLS models carried out expressed as percentages.
These spectral regions have been identified as important regions in other similar studies.
Zhang et al. [19] predict total phenols in grape seeds and they identify the regions about 1200 and
1450 nm as the regions with a high importance in the prediction. In the case of the prediction of
flavanols, Ferrer-Gallego et al. [18] and Rodríguez-Pulido et al. [10] also declare the importance of the
spectral regions about 1100–1300 and 1400 nm. In the case of EPC, EFC, ETP and EF, the standard
Sensors 2018, 18, 2426 8 of 12
errors of prediction obtained in the external validation procedure were too high (Figure 3c), not being
possible the correct prediction of these parameters by the use of MPLS regressions. Due to the high
importance of these parameters, other approaches were carried out for ETP and EF in order to link the
phenolic extractability in grape seeds to their spectral features in the near infrared region.
3.4. Qualitative Analysis for the Control of the Extractability of Phenolic Compounds
Grape seed samples were sorted according to their extractability of phenolic compounds (ETP
and EF). For this purpose, a k-means analysis was carried out. Taking into account these two variables,
k-means cluster analysis sorted grape seed samples in two different groups. Then, these groups were
named as low and high extractability levels. Samples of calibration and validation sets were both
sorted. By the application of the k-means method, they were obtained the number of seed samples
classified as samples with low or high extractability and, then, the mean and standard deviation for
ETP and EF were obtained for these samples (Table 3).
Table 3. Extractability levels of total phenols and flavanols for grape seed samples allocated in
calibration and validation sets. Means and standard deviations are shown.
ETP 2 EF 3
Set Samples N1
Mean SD Mean SD
All 66 28.09 20.15 42.60 25.76
Calibration Low 36 12.93 8.08 22.39 13.83
High 30 46.30 14.24 66.84 11.87
All 26 29.06 22.01 44.23 25.33
Validation Low 14 13.76 6.20 24.73 10.71
High 12 46.91 20.24 66.97 16.58
1 N: number of samples; 2 ETP: extractability of total phenols (expressed as percentages); 3 EF: extractability of
flavanols (expressed as percentages).
Afterwards, an LDA was carried out in order to discriminate samples according their extractability
level (high or low). LDA was carried out using the scores of the 8 first PCs obtained from near infrared
hyperspectral data, which had previously been used for the sample selection (expressed as PC1 to PC8
for simplicity). Results of this LDA are shown in Table 4. The results of the classification of grape seed
samples according to their extractability level of phenolic compounds reveal a good percentage of
correctly classified samples. The model classifies correctly the 83.3% of the samples in leave-one-out
cross-validation and the 76.9% of the samples in external validation. Table 4 also shows the lineal
discriminant function. If the scores of the 8 first PCs obtained from near infrared hyperspectral data
are known for other samples, this discrimination function can be applied for the classification of
these grape seed samples according to their extractability. Respectively, the standardized canonical
coefficients (β) for the scores of the first 8 PCs are: 0.678, −0.628, 0.547, 0.295, −0.187, −0.520, −0.042
and 0.596. Therefore, the variables with the greatest influence on the discrimination are PC1 and
PC2 scores.
Table 4. Samples correctly classified by the LDA in the leave-one-out cross-validation and in the
external validation. The obtained lineal discriminant function is also shown.
Leave-One-Out Cross-Validation External Validation

Samples Samples Correctly % of Samples Correctly Samples Correctly % of Samples Correctly
Classified Classified Classified Classified
Low 30/36 83.33 12/14 85.7
High 25/30 83.33 8/12 66.67
All 55/66 83.33 20/26 76.92
Discriminant function D = −17.316 + 4.735PC1 − 6.993PC2 + 9.199PC3 + 8.307PC4 − 6.770PC5 − 21.565PC6 − 1.608PC7 + 24.292PC8
Table 4. Samples correctly classified by the LDA in the leave‐one‐out cross‐validation and in the
external validation. The obtained lineal discriminant function is also shown.
Leave‐One‐Out Cross‐Validation External Validation

Samples Samples Correctly % of Samples Samples Correctly % of Samples
Sensors 2018, 18, 2426 Classified Correctly Classified Classified 9 of 12
Correctly Classified
Low 30/36 83.33 12/14 85.7
High 25/30 83.33 8/12 66.67
If the
All loadings of the PCA are analyzed,83.33
55/66 important features 20/26are found in the spectral76.92 regions
Discriminant
around D nm
1200 and 1400 = −17.316
(data+ 4.735PC1 − 6.993PC2
not shown). + 9.199PC3 + 8.307PC4
As mentioned above, −similar
6.770PC5 − 21.565PC6
results were− found
1.608PC7in+ the
function 24.292PC8
loading plots of the MPLS models. Therefore, the importance of these spectral regions is confirmed.
3.5.
3.5. Application
Application of
of the
the Developed
Developed Tools in the
Tools in the Control
Control of
of Grape
Grape Seed
Seed Phenols
Phenols
3.5.1. Total Phenolic and Flavanolic Contents

By applying the quantitative calibration models developed in previous sections, total phenolic
and total flavanolic contents were predicted for the whole set of collected grape seeds samples with
the exception
exceptionofofthe thespectral
spectral outlier.
outlier. Models
Models described
described in Table
in Table 2 were 2 applied
were applied to of
to a total a 199
totalsamples
of 199
samples
(99 Syrah(99 Syrah
and 100and 100 Tempranillo
Tempranillo samples) samples)
for thefor the prediction
prediction of TPC of and
TPCTFC.
and TFC.
FigureFigure 4 shows
4 shows the
the distributions
distributions of Syrah
of Syrah andand Tempranillo
Tempranillo grape grape
seeds seeds in different
in different totaltotal phenolic
phenolic content
content (a and
(a and c)
c) and
and
total total flavanolic
flavanolic contentcontent
(b and(bd).and d). be
It can It appreciated
can be appreciated that,
that, in all in all
cases, thecases, the two parameters
two parameters describe a
describe
Gaussianabell-shaped
Gaussian bell‐shaped distribution.
distribution. This confirmsThis the
confirms the heterogeneity
heterogeneity found
found within thewithin
same the same
ripeness
ripeness
stage for stage for the above‐said
the above-said parameters.parameters. It is noteworthy
It is noteworthy thatresults
that similar similarwere
results were
found in found in a
a previous
previous
study for study for extractable
extractable polyphenols
polyphenols in Syrah and in Syrah and Tempranillo
Tempranillo grape skingrape
[14]. skin [14].
Figure
Figure 4.
4. Distributions
Distributions of
of Syrah
Syrah and
and Tempranillo
Tempranillo grape
grape seeds
seeds in
in different
different total
total phenolic
phenolic content
content (a,c)
(a,c)
and
and total
total flavanolic content (b,d).
flavanolic content (b,d).
Basic statistical descriptors

descriptors of predicted values (mean and standard deviation) indicate higher
values of TPC and TFC for Syrah samples than for Tempranillo. For TPC (expressed as gallic acid
equivalents)
equivalents) these
these descriptors
descriptorswere
werefor
forSyrah
Syrahsamples,
samples,respectively,
respectively,60.14
60.14mgmg g−1g− 1 and
and 9.599.59
mgmg g−1
g−1 and
for
andTempranillo samples,
for Tempranillo 57.31
samples, mgmg
57.31 − 1
g−1g andand
6.97 mg
6.97 − 1
mgg−1g. Whereas forforTFC
. Whereas TFC(expressed
(expressedas as catechin
equivalents), these statistics were for Syrah samples, respectively: 24.21 mg g and 5.51 mg g−1 and
− 1
for Tempranillo samples 15.98 mg g−1 and 3.84 mg g−1 .

In Figure 5a, samples are plotted according to their TPC and TFC values. It can be observed that,
in most cases, Syrah samples have a higher amount of TFC than Tempranillo samples. Regarding to
equivalents), these statistics were for Syrah samples, respectively: 24.21 mg g−1 and 5.51 mg g−1 and
for Tempranillo samples 15.98 mg g−1 and 3.84 mg g−1.
In2018,
Sensors Figure 5a, samples are plotted according to their TPC and TFC values. It can be observed10that,
18, 2426 of 12
in most cases, Syrah samples have a higher amount of TFC than Tempranillo samples. Regarding to
TPC, differences are lower than in the previous case, although five Syrah samples show really high
TPC, differences are lower than in the previous case, although five Syrah samples show really high
total contents.
total contents.
Figure 5. Representation of
5. Representation of grape
grape seed
seedsamples
samplesaccording
according their
theirpredicted
predicted total
total phenolic
phenolic content
content(TPC)
(TPC)
and total flavanolic content (TFC). Samples are codified as (a) Syrah or Tempranillo samples
and total flavanolic content (TFC). Samples are codified as (a) Syrah or Tempranillo samples or or (b)
(b)
samples with
samples with low
low or
or high
high phenolic
phenolic extractabilities.
extractabilities.
3.5.2. Phenolic Extractability Levels

3.5.2. Phenolic Extractability Levels
In order to determine the extractability level for the whole grape seed set (spectral outlier was not
In order to determine the extractability level for the whole grape seed set (spectral outlier was
taken into account), the discriminant function previously obtained (Table 4) was applied. For these
not taken into account), the discriminant function previously obtained (Table 4) was applied. For
samples, scores of the first 8 PCs were introduced in the discriminant function and samples were
these samples, scores of the first 8 PCs were introduced in the discriminant function and samples
classified according to their phenolic extractability level as samples with low or high extractability level.
were classified according to their phenolic extractability level as samples with low or high
As result, 127 grape seeds were classified as samples with low extractability level and the
extractability level.
remaining 72 seeds samples as samples with high extractability level. Among high extractability
As result, 127 grape seeds were classified as samples with low extractability level and the
samples, 69 were Syrah samples whereas only 3 where Tempranillo. In consequence, low extractability
remaining 72 seeds samples as samples with high extractability level. Among high extractability
group was composed of 30 Syrah and 97 Tempranillo samples. Those results indicate higher
samples, 69 were Syrah samples whereas only 3 where Tempranillo. In consequence, low
extractability of phenolic compounds in Syrah than in Tempranillo seeds. This higher extractability can
extractability group was composed of 30 Syrah and 97 Tempranillo samples. Those results indicate
be attributed to the physiological differences among both varieties. For example, Tempranillo grapes
higher extractability of phenolic compounds in Syrah than in Tempranillo seeds. This higher
generally present a more mature state than other varieties on similar dates. In this way, Tempranillo
extractability can be attributed to the physiological differences among both varieties. For example,
grapes present more mature seeds than Syrah grapes and it is well-known that phenolic extractability
Tempranillo grapes generally present a more mature state than other varieties on similar dates. In
in grape seeds decreases during ripening due to, among others, changes in the cell wall polysaccharide
this way, Tempranillo grapes present more mature seeds than Syrah grapes and it is well‐known that
structure and lignification [10,13,26].
phenolic extractability in grape seeds decreases during ripening due to, among others, changes in the
In Figure 5b, samples of different extractability levels are plotted separately according to their
cell wall polysaccharide structure and lignification [10,13,26].
TPC and TFC values. It is noteworthy that samples with the highest total contents (TPC and TFC) are
In Figure 5b, samples of different extractability levels are plotted separately according to their
not always samples with a high extractability level. Although these samples have high total contents,
TPC and TFC values. It is noteworthy that samples with the highest total contents (TPC and TFC) are
they do not necessarily release phenolic compound easier than samples with a lower total amount of
not always samples with a high extractability level. Although these samples have high total contents,
these compounds. Nevertheless, in a large number of cases and especially for TFC, samples with high
they do not necessarily release phenolic compound easier than samples with a lower total amount of
content are samples of high extractability.
these compounds. Nevertheless, in a large number of cases and especially for TFC, samples with high
content are samples of high extractability.
4. Conclusions
Quantitative models carried out in this work, from near infrared hyperspectral images, provide
4. Conclusions
good results for the screening of total phenolic and flavanolic contents in grape seeds in a fast and
Quantitative models carried out in this work, from near infrared hyperspectral images, provide
reasonably inexpensive way. These models have errors which are comparatively similar to the
good results for the screening of total phenolic and flavanolic contents in grape seeds in a fast and
errors previously reported for these parameters in bibliography. Moreover, spectral region with high
reasonably inexpensive way. These models have errors which are comparatively similar to the errors
importance in the prediction of these parameters have been identified and the heterogeneity of total
previously reported for these parameters in bibliography. Moreover, spectral region with high
polyphenols within the same ripeness stage has been observed.
Qualitative models have also been carried out for the identification of grape seed samples with
low or high phenolic extractability levels. The model classifies correctly the 83.3% of the samples in
leave-one-out cross-validation and the 76.9% of the samples in external validation. By the application
Sensors 2018, 18, 2426 11 of 12
of the developed model, higher extractabilities of phenolic compounds have been found in Syrah than
in Tempranillo seeds.
In this preliminary study, a number of simplifications have been adopted to obtain the
feasibility of using the hyperspectral imaging in the control of phenolic extractability in grape seeds.
These simplifications are intended to simulate a post-fermentative process. In future studies, it would
be interesting to recalculate these chemometric models for pre-fermentative or fermentative processes.
For example, ethanol or temperature variations, regular agitation, changes in pH, production of
enzymes or the formation of new polyphenols during the fermentation may be taken into account.
Author Contributions: Conceptualization, J.N.-B.; Funding acquisition, F.J.H.; Investigation, B.B.-B.; Methodology,
J.M.H.-H.; Supervision, J.M.H.-H.; Validation, B.B.-B.; Writing—original draft, J.N.-B.; Writing—review & editing,
F.J.H..
Funding: This research was funded by Spanish Ministerio de Economía y Competitividad, grant number
AGL2017-84793-C2 and by Universidad de Sevilla, grant numbers VPPI-II.2, VPPI-II.4.
Acknowledgments: The authors thank the technical staff of Biology Service (Servicios Generales de Investigación
(SGI), Universidad de Sevilla).
Conflicts of Interest: The authors declare no conflict of interest.
References
1. Waterhouse, A.L. Wine Phenolics; The New York Academy of Sciences: New York, NY, USA, 2002; pp. 21–36.
2. Ribéreau-Gayon, P.; Dubourdieu, D.; Doneche, B.; Lonvaud, A.; Glories, Y.; Maujean, A.; Branco, J.M.
Handbook of Enology, The Microbiology of Wine and Vinifications; Wiley & Sons: West Sussex, UK, 2006.
3. Ristic, R.; Iland, P.G. Relationships between seed and berry development of Vitis Vinifera L. cv Shiraz:
Developmental changes in seed morphology and phenolic composition. Aust. J. Grape Wine Res. 2005, 11,
43–58. [CrossRef]
4. Jara-Palacios, M.J.; Gordillo, B.; González-Miret, M.L.; Hernanz, D.; Escudero-Gilete, M.L.; Heredia, F.J.
Comparative Study of the Enological Potential of Different Winemaking Byproducts: Implications in the
Antioxidant Activity and Color Expression of Red Wine Anthocyanins in a Model Solution. J. Agric.
Food Chem. 2014, 62, 6975–6983. [CrossRef] [PubMed]
5. Ribéreau-Gayon, P.; Glories, Y.; Maujean, A.; Dubourdieu, D. Handbook of Enology, The Chemistry of Wine:
Stabilization and Treatments; Wiley & Sons: West Sussex, UK, 2006.
6. Singleton, V.L.; Rossi, J.A. Colorimetry of Total Phenolics with Phosphomolybdic-Phosphotungstic Acid
Reagents. Am. J. Enol. Vitic. 1965, 16, 144–158.
7. Vivas, N.; Glories, Y.; Lagune, L.; Saucier, C.; Augustin, M. Estimation du degré de polymérisation des
procyanidines du raisin et du vin par la méthode au p-dimethylaminocinnamaldéhyde. J. Int. Sci. Vigne Vin.
1994, 28, 319–336. [CrossRef]
8. Nogales-Bueno, J.; Rodríguez-Pulido, F.J.; Baca-Bocanegra, B.; González-Miret, M.L.; Heredia, F.J.;
Hernández-Hierro, J.M. Hyperspectral Imaging—A Novel Green Chemistry Technology for the Oenological
and Viticultural Sectors. In Agricultural Research Updates; Gorawala, P., Mandhatri, S., Eds.; Nova Science
Publishers, Inc.: New York, NY, USA, 2016; Volume 12, pp. 45–56.
9. Chen, S.; Zhang, F.; Ning, J.; Liu, X.; Zhang, Z.; Yang, S. Predicting the anthocyanin content of wine grapes
by NIR hyperspectral imaging. Food Chem. 2015, 172, 788–793. [CrossRef] [PubMed]
10. Rodríguez-Pulido, F.J.; Hernández-Hierro, J.M.; Nogales-Bueno, J.; Gordillo, B.; González-Miret, M.L.;
Heredia, F.J. A novel method for evaluating flavanols in grape seeds by near infrared hyperspectral imaging.
Talanta 2014, 122, 145–150. [CrossRef] [PubMed]
11. Nogales-Bueno, J.; Hernández-Hierro, J.M.; Rodríguez-Pulido, F.J.; Heredia, F.J. Determination of
technological maturity of grapes and total phenolic compounds of grape skins in red and white cultivars
during ripening by near infrared hyperspectral image: A preliminary approach. Food Chem. 2014, 152,
586–591. [CrossRef] [PubMed]
12. Jara-Palacios, M.J.; Rodríguez-Pulido, F.J.; Hernanz-Vila, M.D.; Escudero-Gilete, M.L.; Heredia, F.J.
Determination of phenolic substances of seeds, skins and stems from white grape marc by near-infrared
hyperspectral imaging. Aust. J. Grape Wine Res. 2016, 22, 11–15. [CrossRef]
Sensors 2018, 18, 2426 12 of 12
13. Nogales-Bueno, J.; Baca-Bocanegra, B.; Rooney, A.; Hernández-Hierro, J.M.; Byrne, H.J.; Heredia, F.J. Study of
phenolic extractability in grape seeds by means of ATR-FTIR and Raman spectroscopy. Food Chem. 2017, 232,
602–609. [CrossRef] [PubMed]
14. Nogales-Bueno, J.; Baca-Bocanegra, B.; Rodríguez-Pulido, F.J.; Heredia, F.J.; Hernández-Hierro, J.M. Use of
near infrared hyperspectral tools for the screening of extractable polyphenols in red grape skins. Food Chem.
2015, 172, 559–564. [CrossRef] [PubMed]
15. Geladi, P.; MacDougall, D.; Martens, H. Linearization and Scatter-Correction for Near-Infrared Reflectance
Spectra of Meat. Appl. Spectrosc. 1985, 39, 491–500. [CrossRef]
16. Dhanoa, M.S.; Lister, S.J.; Barnes, R.J. On the Scales Associated with Near-Infrared Reflectance Difference
Spectra. Appl. Spectrosc. 1995, 49, 765–772. [CrossRef]
17. Shenk, J.S.; Westerhaus, M.O. Routine Operation,Calibration, Development and Network System Management
Manual; NIRSystems: Silver Spring, MD, USA, 1995.
18. Ferrer-Gallego, R.; Hernández-Hierro, J.M.; Rivas-Gonzalo, J.C.; Escribano-Bailón, M.T. Feasibility study
on the use of near infrared spectroscopy to determine flavanols in grape seeds. Talanta 2010, 82, 1778–1783.
[CrossRef] [PubMed]
19. Zhang, N.; Liu, X.; Jin, X.; Li, C.; Wu, X.; Yang, S.; Ning, J.; Yanne, P. Determination of total iron-reactive
phenolics, anthocyanins and tannins in wine grapes of skins and seeds based on near-infrared hyperspectral
imaging. Food Chem. 2017, 237, 811–817. [CrossRef] [PubMed]
20. Cozzolino, D.; Kwiatkowski, M.J.; Parker, M.; Cynkar, W.U.; Dambergs, R.G.; Gishen, M.; Herderich, M.J.
Prediction of phenolic compounds in red wine fermentations by visible and near infrared spectroscopy.
Anal. Chim. Acta 2004, 513, 73–80. [CrossRef]
21. Slinkard, K.; Singleton, V.L. Total Phenol Analysis: Automation and Comparison with Manual Methods.
Am. J. Enol. Vitic. 1977, 28, 49–55.
22. Ivanova, V.; Stefova, M.T.; Chinnici, F. Determination of the polyphenol contents in Macedonian grapes and
wines by standardized spectrophotometric methods. J. Serbian Chem. Soc. 2010, 75, 45–49. [CrossRef]
23. Osborne, B.G.; Fearn, T.; Hindle, P.T. Practical NIR Spectroscopy with Applications in Food and Beverage Analysis;
Longman Scientific and Technical: Harlow, UK, 1993.
24. Siesler, H.W.; Ozaky, Y.; Kawata, S.; Heise, H.M. Near Infrared Spectroscopy: Principles, Instruments, Applications;
Wiley-VCH: Weinheim, Germany, 2002.
25. Hernández-Hierro, J.M.; Nogales-Bueno, J.; Rodríguez-Pulido, F.J.; Heredia, F.J. Feasibility study on the use
of near-infrared hyperspectral imaging for the screening of anthocyanins in intact grapes during ripening.
J. Agric. Food Chem. 2013, 61, 9804–9809. [CrossRef] [PubMed]
26. Bautista-Ortín, A.B.; Jiménez-Pascual, E.; Busse-Valverde, N.; López-Roca, J.M.; Ros-García, J.M.;
Gómez-Plaza, E. Effect of Wine Maceration Enzymes on the Extraction of Grape Seed Proanthocyanidins.
Food Bioprocess Technol. 2013, 6, 2207–2212. [CrossRef]
© 2018 by the authors. Licensee MDPI, Basel, Switzerland. This article is an open access
article distributed under the terms and conditions of the Creative Commons Attribution
(CC BY) license (http://creativecommons.org/licenses/by/4.0/).
CAPÍTULO 3
CAPÍTULO 3: APLICACIÓN DEL ANALISIS DE IMAGEN

HIPERESPECTRAL EN EL INFRARROJO CERCANO A LA
ESTIMACIÓN DEL CONTENIDO EXTRAIBLE DE COMPUESTOS
FENÓLICOS EN SUBPRODUCTOS DE TONELERÍA
En: Baca Bocanegra, Berta; Nogales Bueno, Julio; Hernández Hierro, José Miguel; Heredia
Mira, Francisco José: Evaluation of extractable polyphenols released to wine from cooperage
byproduct by near infrared hyperspectral imaging. Food Chemistry 2018. Vol. 244. Pág. 206–
212, https://doi.org/10.1016/j.foodchem.2017.10.027 .
1. Antecedentes
El procesamiento de la madera para la elaboración de barricas genera subproductos que, en la

mayoría de los casos, se eliminan directamente como desecho. Sin embargo, en el campo de la
enología, los desechos de barricas de roble se postulan como un producto interesante debido a su
potencial para liberar compuestos de alto valor añadido para el vino durante procesos de
maceración, tanto fermentativa como postfermentativa.
La madera es la segunda gran fuente natural de fenoles para el vino. Además de compuestos
aromáticos, aporta al vino ácidos fenólicos y taninos hidrolizables, que no se encuentran
naturalmente en la uva. Estos compuestos pueden participar en la estabilización del color del vino
mediante procesos de copigmentación y protección de los antocianos frente a la oxidación
(Chassaing, et al., 2010; Jourdes, et al., 2011; Vivas, et al., 1996). Además, juegan un papel
importante en la astringencia de los vinos (Ribéreau-Gayon, et al., 2006; Zamora, 2003).
Las características finales del vino dependen no solo de la cantidad de compuestos fenólicos
que contiene la madera, sino también de la cantidad de estos compuestos que pasarán a formar
parte del vino tras el proceso de maceración. Existe gran heterogeneidad de estos compuestos en
la madera en función del tipo de roble, el origen geográfico, el cultivo o el grado tostado de la
madera entre otros (Del Álamo Sanza, et al., 2006; Del Alamo Sanza, et al., 2004; Fernández de
Simón, et al., 2010; Frangipane, et al., 2007), incluso, diferentes zonas anatómicas de la misma
madera pueden diferir en términos de contenido fenólico total y contenido fenólico extraíble
(Colares, Pastore, Coradin, Marques, Moreira, Alexandrino, et al., 2016). En cualquier caso, sería
de interés disponer de un método rápido que permita el análisis del contenido fenólico extraíble
de las virutas de madera de roble añadidas al vino dada la importancia de este parámetro en la
elaboración de vinos.
131
La espectroscopía en el infrarrojo cercano (NIRS) es una técnica rápida y no destructiva que

ha sido utilizada con buenos resultados para desarrollar métodos que puedan reemplazar las
técnicas tradicionales de análisis en distintas matrices de interés en agricultura y enología. En el
caso concreto de la madera, se encuentra descrito en la literatura el uso de técnicas de infrarrojo
cercano convencional para la determinación de fenoles totales en madera de roble (Zahri, et al.,
2008) y para la clasificación de duelas completas y su posterior uso en barricas, teniendo en cuenta
el contenido fenólico de las mismas (Giordanengo, et al., 2009; Michel, Jourdes, Le Floch,
Giordanengo, Mourey, y Teissedre, 2013). Sin embargo, no se han encontrado referencias de la
utilización del análisis de imagen hiperespectral NIR para el análisis de madera de roble con fines
enológicos, si bien sí ha sido empleada en el análisis de otras variedades y con otros fines
(Lestander, et al., 2012; Thumm, et al., 2010). Por tanto, el análisis de imagen hiperespectral en
el infrarrojo cercano se puede considerar un candidato válido para la estimación del contenido
fenólico extraíble de virutas de roble americano obtenidas como subproducto de tonelería. Este
modelo permitirá realizar una selección adecuada de la madera de roble, cualitativa y
cuantitativamente hablando, para conseguir el efecto deseando en el vino mediante la adicción de
copigmentos externos.
2. Objetivo
El objetivo de este capítulo ha sido el desarrollo de un método rápido y no destructivo,

mediante análisis de imagen hiperespectral en el infrarrojo cercano, para la estimación del
contenido extraíble de fenoles totales en viruta cruda de roble americano, subproducto de
tonelería.
Para la realización de este estudio se han utilizado muestras de viruta cruda de roble americano
(Quercus alba L.), subproducto de tonelería, suministradas por Tonelería Salas S.L. (Bollullos
Par del Condado, Huelva, España). Con el objetivo de obtener un conjunto de muestras
representativo, se eligieron 4 puntos diferentes del proceso de fabricación de las barricas: serrado
automático de las duelas (A), serrado manual de las duelas (B), cepillado de las duelas (C) y
cepillado de los cantos de los fondos de las barricas (D), y se tomaron muestras periódicamente
entre junio de 2015 y enero de 2016, hasta completar un total de doscientas muestras.
Las muestras que pertenecen a los conjuntos A, B y C corresponden a diferentes procesados

de las duelas pero siempre en la dirección longitudinal de las fibras. Sin embargo, las muestras
del grupo D son el resultado de un procesado de las duelas en la dirección transversal de las fibras.
132
CAPÍTULO 3
Tras la recepción, las muestras se tamizaron y se realizó inmediatamente el análisis de imagen

hiperespectral en el infrarrojo cercano siguiendo la metodología descrita por Hernández-Hierro,
et al. (2013). La imagen de cada muestra se sometió a una calibración de doble punto, para ello
se adquirieron imágenes de un material de referencia y de la corriente oscura del equipo, señal
que recoge el detector cuando no recibe luz. El espectro medio de cada una de ellas se almacenó
en una única matriz de datos (950−1650 nm). Tras la adquisición espectral, las muestras se
colocaron en bolsas herméticas y se almacenaron en un lugar seco hasta la realización de los
correspondientes análisis químicos.
Siguiendo un procedimiento similar al descrito en el capítulo anterior se desarrolló un modelo

para la estimación del contenido extraíble de fenoles totales en viruta cruda de roble americano.
En primer lugar, la matriz espectral de datos se sometió a un análisis de componentes

principales (PCA) con el objetivo de reducir su dimensión y realizar una selección espectral de
muestras que permitiera reducir el número de ellas manteniendo la variabilidad espectral de la
matriz original. En este caso se consigue explicar el 99.21% de la variabilidad espectral de los
datos originales teniendo en cuenta 8 componentes principales y se encontraron 5 outliers
espectrales que fueron eliminados del conjunto de muestras estudiado. Las muestras restantes se
ordenaron de acuerdo a su distancia de Mahalanobis (𝐻) y se agruparon todas aquellas que
tuvieran una distancia de Mahalanobis a la muestra vecina (𝑁𝐻) menor que 0.9, obteniéndose 36
grupos con diferentes características espectrales. 15 de los 36 grupos creados estaban formados
por una única muestra y 3 de ellos agruparon un número elevado de muestras (más de 10
muestras). Con el fin de lograr conjuntos representativos de calibración y validación, los grupos
más numerosos se dividieron en 3 subgrupos a partir de los valores de NH (NH≤0.3, 0.3≤NH≤0.6,
0.6≤NH≤0.9). Para construir los conjuntos de calibración y validación, se seleccionó una muestra
de cada uno de los grupos/subgrupos obteniéndose así un set de calibración constituido por 42
muestras en el cual estaba representada toda la variabilidad espectral del conjunto original de 195
muestras y un set de validación constituido por 21 muestras (15 de los grupos creados contenían
una única muestra).
A continuación, se determinó el contenido extraíble de fenoles totales para las 63 muestras de

viruta seleccionadas (calibración y validación). Para ello las muestras fueron maceradas durante
tres días en vino sintético, una disolución en base acuosa con un 12.5% de etanol, 4 g L-1 de ácido
tartárico y un pH de 3.6. Seguidamente, se determinó la concentración de los fenoles totales
presentes en los extractos, utilizando el método espectrofotométrico de Folin−Ciocalteu
(Singleton, et al., 1965).
A partir de los datos espectrales y el parámetro de referencia calculado para el conjunto de

calibración, se desarrolló un modelo de calibración mediante regresión por mínimos cuadrados
133
parciales modificada (MPLS) que permite la estimación del contenido extraíble de fenoles totales
en viruta cruda de roble americano en el intervalo de 0-65 mg g-1 y se realizó la validación externa
del modelo usando las muestras seleccionadas para tal efecto. Este modelo, desarrollado
utilizando pretratamiento Detrend 1.5.51 como el más adecuado, presenta un coeficiente de
determinación (RSQ) de 0.89 y un error estándar de predicción (SEP) de 6.3 mg g -1 de viruta
(19.40%).
Por último, el método desarrollado se utilizó para predecir el contenido extraíble de fenoles
totales en todas las muestras (195), sin tener en cuenta los outliers espectrales. Los resultados
obtenidos muestran una variabilidad sustancial de este parámetro dentro de cada grupo de
muestras. El contenido extraíble de fenoles totales es mayor en las muestras de los conjuntos A,
B y C, obtenidas mediante procesados de las duelas en la dirección longitudinal de las fibras, que
en aquellas obtenidas tras un procesado de las duelas en la dirección transversal (D).
4. Conclusiones
 En la elaboración de vinos, la utilización de residuos de madera de roble, obtenidos

durante el proceso de fabricación de barricas, puede considerarse una estrategia
interesante para la revalorización de este subproducto gracias a la extracción de
compuestos de elevado interés para el vino como son los polifenoles.
 El modelo MPLS desarrollado, a partir del análisis de imagen hiperespectral en el
infrarrojo cercano, permite estimar el contenido extraíble de fenoles totales procedentes
de viruta cruda de roble americano de forma rápida y razonablemente económica.
 La aplicación del modelo desarrollado revela una variabilidad sustancial en el contenido
fenólico extraíble dentro de cada grupo de muestras, resultado que corrobora la
heterogeneidad fenólica de la madera de roble descrita en bibliografía. Se observan
diferencias en el contenido extraíble de compuestos fenólicos según la dirección del
procesado de las duelas: longitudinal o transversal a las fibras; lo que podría estar
relacionado con diferencias estructurales y/o morfológicas entre los dos grupos de
muestras.
134
Food Chemistry 244 (2018) 206–212
Contents lists available at ScienceDirect
Food Chemistry
journal homepage: www.elsevier.com/locate/foodchem
Evaluation of extractable polyphenols released to wine from cooperage MARK

byproduct by near infrared hyperspectral imaging
Berta Baca-Bocanegra, Julio Nogales-Bueno, José Miguel Hernández-Hierro,
⁎
Francisco José Heredia
Food Colour and Quality Laboratory, Área de Nutrición y Bromatología, Facultad de Farmacia, Universidad de Sevilla, 41012 Sevilla, Spain
A R T I C L E I N F O A B S T R A C T
Keywords: Extractable total phenolic content of American non-toasted oak (Quercus alba L.) shavings has been determined
Byproduct using near infrared hyperspectral imaging. A like-wine model solution was used for the simulated maceration
Oak procedure. Calibrations were performed by partial least squares regression (MPLS) using a number of spectral
Near infrared hyperspectral imaging pre-treatments. The coefficient of determination of wood for extractable total phenolic content was 0.89, and the
Phenolic compounds
standard error of prediction was 6.3 mg g−1. Thus, near infrared hyperspectral imaging arises as an attractive
strategy for predicting extractable total phenolic content in the range of 0–65 mg g−1, of great relevance from
the point of view of quality assurance regarding wood used in the wine sector. Near infrared hyperspectral
imaging arises as an attractive strategy for the feasibility of enhancing the value of cooperage byproduct through
the fast determination of extractable bioactive molecules, such as polyphenols.
1. Introduction cooperated the terms French oak and American oak are widely used.
Alternative sources of wood for barrel making have been assayed, in-
Wood is the second great natural source of phenols for wine. In cluding mainly chestnut, acacia and cherry, in an effort to give a par-
addition to aromatic compounds, wood releases to wine phenolic acids ticular personality to aged wines (Alañón, Castro-Vázquez, Díaz-
and hydrolysable tannins, which are not naturally found in grape. These Maroto, & Pérez-Coello, 2012; De Rosso, Panighel, Vedova,
compounds are involved in the stabilization of wine color by means of Stella, & Flamini, 2009; Fernández de Simón, Martínez, et al., 2014;
co-pigmentation processes and protection against oxidation and they Fernández de Simón, Sanz, et al., 2014; Rodríguez-Bencomo et al.,
play an important role in the astringency of wines (Ribérau-Gayon, 2009). Even so, most of the oak barrels that are marketed at this time
Glories, Maujean, & Dubourdieu, 2000; Zamora, 2003). continue to be oak wood and, in particular, American white oak
Oak wood has been used for centuries for the construction of barrels (Quercus alba L.) and European oak (Quercus robur L.).
where the wine is stored during aging. Although the original function of Winemakers are continuously looking for high quality wines. In
the barrels was the mere storage and transport of wine, it has been geographical areas with typical climatological conditions of warm cli-
shown that during barrel aging, wine undergoes a series of transfor- mate, such as Andalucía, the stressful climate increases the difficulty of
mations leading to important changes in aroma, color, taste, and as- obtaining high quality red wines because of color instability over time
tringency (Glabasnia & Hofmann, 2006; Puech, Feuillat, & Mosedale, (Gordillo et al., 2012). In these warm regions, the phenolic maturity
1999; Zamora, 2003). Since the European Community approved the does not coincide with the technological maturity of grapes, therefore,
addition of wood chips to produce accelerated aging (CE 2165/2005 at the moment of harvesting, different levels of both phenolic and sugar
and CE 1507/2006), it has become an extended practice (Bautista-Ortín maturity exist (Mira de Orduña, 2010; Mori, Sugaya, & Gemma, 2005).
et al., 2008; Del Álamo, Nevares, Gallego, Martin, & Merino, 2008; Thus, copigmentation phenomena, which contribute to color stabiliza-
Frangipane, Santis, & Ceccarelli, 2007; Guchu, Díaz-Maroto, Pérez- tion, are hampered by the shortfall of pigments and copigments
Coello, González-Viñas, & Ibáñez, 2006; Rodríguez-Bencomo, Ortega- (Boulton, 2001). Taking that into account, an extra contribution of
Heras, Pérez-Magarino, & González-Huerta, 2009). phenolic compounds might be necessary to partially solve the problem.
Quercus genus is widely distributed all over the world. However, the The external addition of phenolic compounds from natural sources to
main producing areas of the three oak species used for the production of the musts has been reported for the purpose of color stabilization
barrels are France and the United States of America. In fact, in (Canals, Llaudy, Canals, & Zamora, 2008; Cejudo-Bastante et al., 2016;
⁎
Corresponding author.
E-mail address: [email protected] (F.J. Heredia).
http://dx.doi.org/10.1016/j.foodchem.2017.10.027
Received 9 May 2017; Received in revised form 5 October 2017; Accepted 6 October 2017
Available online 10 October 2017
0308-8146/ © 2017 Elsevier Ltd. All rights reserved.
B. Baca-Bocanegra et al. Food Chemistry 244 (2018) 206–212
Gordillo, Cejudo-Bastante, Rodriguez-Pulido, Gonzalez- 2. Material and methods

Miret, & Heredia, 2013; Gordillo et al., 2014; Pedroza, Carmona,
Alonso, Salinas, & Zalacain, 2013). However, the use of raw wood 2.1. Samples
shavings, cooperage byproduct, to get high quality red wines is not so
frequent. American non-toasted oak (Quercus alba L.) shavings, cooperage
Wood processing for the elaboration of barrels generates byproducts byproduct, were used for this study. Samples were provided by
which could be burned to meet energy needs in the wood industries but Toneleria Salas S.L. (Bollullos Par del Condado, Huelva, Spain). Wood
in most cases they are directly disposed as waste products. It is known staves were seasoned under natural conditions in the open air during
that cooperage byproduct contain many compounds whose extraction 24 months approximately before being used in the process of making
could create new business opportunities. In this context, oak barrel- barrels. In order to achieve representative sample sets, the samples
shoot wastes seem to be an interesting product due to its potential to were taken at 4 different points in the process of making barrels, so four
release high added value compounds for wine. samples were collected at each date (A, B, C and D). Samples belonging
Factors such as oak species, geographic origin, seasoning and to A, B and C groups are generated by different sawing processes of the
toasted degree have been shown to affect the chemical composition of staves but always in the longitudinal direction of the fibers. In detail, an
the oak wood used (Del Alamo Sanza, Nevares Domı́nguez, Cárcel automatic or manual processing of the staves is the only difference
Cárcel, & Navas Gracia, 2004; Del Álamo Sanza & Nevares Domínguez, between the samples A and B respectively. With respect to the group D,
2006; Fernández de Simón, Cadahía, del Álamo, & Nevares, 2010; the samples are the result of a processing of the staves in the transversal
Frangipane et al., 2007) and even various anatomical parts of wood direction of the fibers. All sampling points are pre-molded and pre-
may differ in terms of concentration and composition (Colares et al., toasted of the staves. Samples were collected periodically, between
2016). However, the characteristics of the final wines depend not only June of 2015 and January of 2016. Two hundred samples were col-
on the composition of the oak wood used but also on the amount of lected during the aforesaid period. Upon receipt, the samples were
phenolic compounds that may be extracted from wood to the must. This sieved and subjected to the hyperspectral analysis. Wood shaving
transfer processes could be affected by contact surface between wine samples were screened using 2 mm and 10 mm mesh sieves placed in
and wood, alcoholic degree, duration time etc. The contact surface tandem. Only shaves of each sample which were retained between them
depends on the size of the oak fragment and on the amount used were taken into account in the assay. After that, wood shavings were
(Arapitsas, Antonopoulos, Stefanou, & Dourtoglou, 2004; Bautista-Ortín placed in stoppered plastics bags and stored in a dry chamber until use.
et al., 2008).
Due to the importance in the different productive sectors, the qua- 2.2. Hyperspectral image acquisition
litative and quantitative characterization of woods applying fast and
efficient analytical methods has been required. Spectroscopic methods Hyperspectral imaging device (Infaimon S.L., Barcelona, Spain)
based on near-infrared spectroscopy (NIR) have shown great potential comprised a Xenics® XEVA-USB InGaAs camera (320 × 256 pixels;
for qualitative and quantitative analyses of wood. The rapid assessment Xenics Infrared Solutions, Inc., Leuven, Belgium), a spectrograph
of the chemical composition using NIR in applications related to the (Specim ImSpector N17E Enhanced; Spectral Imaging Ltd., Oulu,
quality has provided an increasing number of publications for industrial Finland) covering the spectral range between 900 and 1700 nm (spec-
applications in this area (Da Silva et al., 2013; Jones, Schimleck, Peter, tral resolution of 3.25 nm), two 70 W tungsten iodine halogen lamps
Daniels, & Clark, 2006; Sun, Liu, Liu, & Yang, 2011; Yao et al., 2010). In (Prilux, Barcelona, Spain) mounted as source light, a mirror scanner
a further step, near infrared hyperspectral imaging has also been ap- (Spectral Imaging Ltd.) and a computer system. The hyperspectral
plied for analyses of wood (Lestander, Geladi, Larsson, & Thyrel, 2012; image of each sample on a polyethylene plastic was recorded.
Thumm, Riddell, Nanayakkara, Harrington, & Meder, 2010). References Equipment and procedure used to image recording are described in
for the use of this technique in the analysis of byproducts of oak wood detail elsewhere in Hernández-Hierro et al. (2013).
for oenological purposes have not been found, although in the literature After calibration and segmentation processes, the average spectral
the use of conventional near infrared techniques is described for the profile for each sample was saved. Noisy wavebands at both extremes of
quantification of oak wood extractives (Michel et al., 2013; Zahri et al., the spectra range were removed and only spectral data in the resulting
2008) and for the correlations between NIR quantification and classi- effective wavelength 950–1650 nm regions were used in data analysis
fication with extractive level in wood, (Giordanengo et al., 2009). due to reduced efficiency outside this range in the used device.
Correlation between oak wood extractives and oxygen consumption of
wine aged in contact of wood in relation of the classified wood has been 2.3. Extractable total phenolic content
already reported in some studies (Michel et al., 2016; Navarro et al.,
2016). In none of these studies, the assignment of these compounds Wood shavings were immersed in a model wine hydroalcoholic
from wood to wine is estimated by the use of spectral techniques resolution (4 g L−1 tartaric acid, 12.5% ethanol, adjusted at pH 3.6 with
cording the spectrum of the wood. A rapid estimation of wood ex- NaOH 0.5 M) for a maceration period of 72 h. Oak wood shavings were
tractable content of phenolic compounds could assist in selecting oak added to the wine-like solution in a 4 g L−1 ratio. The supernatant was
wood suited for improving wine quality through the addiction of ex- used in the analysis. Extractable total phenolic content was determined
ternal copigments to wine. For the same purpose near-infrared hyper- using the Folin-Ciocalteu method (Singleton & Rossi, 1965). For quan-
spectral imaging has been applied previously in our lab in order to tification, results were expressed as mg of gallic acid equivalents per
predict different parameter in grapes (Hernández-Hierro, Nogales- gram of wood.
Bueno, Rodríguez-Pulido, & Heredia, 2013; Nogales-Bueno, Baca-
Bocanegra, Rodríguez-Pulido, Heredia, & Hernández-Hierro, 2015; 2.4. Image processing and data analysis
Nogales-Bueno, Hernández-Hierro, Rodríguez-Pulido, & Heredia,
2014). 2.4.1. Image processing
The aim of this study is to look at the feasibility of enhancing the Prior to the qualitative and quantitative analysis, a discriminant
value of cooperage byproduct through the extraction of bioactive mo- method was applied to the shaving images to isolate the shavings from
lecules, such as polyphenols. To this end near infrared hyperspectral other parts of the image. Firstly, a set of reflectance spectra belonging to
imaging has been used for the screening of the extractable content of shaving and background (regions of interest (ROIs)) were selected to
phenolic compounds in raw wood. develop a stepwise lineal discriminant model. The aforementioned
discriminant model classified each pixel into two classes (sample or no
207
Fig. 1. Obtained mask after the segmentation procedure (a) and spectra of raw wood and background (b).
sample pixel) using the reflectance values from seven wavelengths LLC, Port. Matilda, PA, USA). This software allowed the data pre-
(1073, 1177, 1216, 1396, 1445, 1527 and 1540 nm) as can be seen in treatment, principal components analysis and sample selection and
Fig. 1a. Fig. 1b shows the average spectra belonging to shavings and development of quantitative models.
background (a homogeneous surface composed of polyethylene). After
calibration and segmentation processes, the average spectrum of the
wood region was extracted and then transformed into Log (1/R) units. 3. Results and discussion
Although the spatial dimensions has not been used directly, this in-
formation is conveyed through the averaged value. The procedure was 3.1. Sample selection
repeated for each sample and the obtained spectra were combined into
the spectral matrix. Noisy wavebands at both extremes of the spectra Sample selection was made in order to reduce the number of sam-
range were removed and only spectral data in the resulting effective ples maintaining as much spectral variety as possible. To keep as much
wavelength 950–1650 nm regions were used in data analysis due to spectral information as possible, this selection was carried out from a
reduced efficiency outside this range in the used device. Image treat- PCA. A SNV (2,5,5,1) spectral pre-treatment was applied to the spectra
ment was carried out using Matlab (R2010b; The Math Works, Inc., of all samples in the 950–1650 nm region, where the hyperspectral
USA). system has revealed greater efficiency.
Using all spectral samples, eight principal components were taken
into account. More than ninety-nine per cent of the spectral variability
2.4.2. Data analysis of the original spectral matrix was explained (99.21%). Moreover, five
Prior to quantitative analysis, an unsupervised pattern recognition spectral outliers (H > 3) were found and removed from this matrix. In
technique, principal component analysis (PCA), was used in order to this eight-dimensional space the 195 samples were grouped according a
provide information about the latent structure of spectral matrix and to NH ≤ 0.9 criterion. So, 36 groups with different spectral characteristics
find spectral differences among all spectral samples. This method pro- were created. 15 of the 36 groups that were created had not more than
vides not only information related to spectral outliers and the dis- one sample and 3 of them grouped a number of samples (more than 10
tribution of samples in the newly-created space, but is also an important samples). In order to achieve representative calibration and validation
source of knowledge with which to create cross-validation groups used sets, the most numerous groups were divided into 3 subgroups based on
in the calibration process (Brereton, 2003; Shenk & Westerhaus, 1995). NH (NH ≤ 0.3, 0.3 ≤ NH ≤ 0.6, 0.6 ≤ NH ≤ 0.9). One sample from
PCA was also used to select representative samples from the spectral every group or subgroup was allocated in the calibration set. 42 sam-
data set. Mahalanobis distances (H) for each sample were calculated ples were selected to develop a calibration process. In addition, to
and samples were grouped according their neighborhood H values create the validation set, another sample from every group/subgroup
(NH). was selected. Only 21 samples were allocated in this set because some
Using the raw spectral data, testing different spectral pretreatments groups created had not more than one sample. Fig. 2 shows a graphical
and allocating the corresponding extractable total phenolic to each description of the sample selection process.
sample, calibrations were performed by modified partial least squares Fig. 3a shows the scores of the wood samples in the space defined by
regression (MPLS). In this method, the group of calibration samples is the first and second principal components which described 47.78%
divided into a series of subsets in order to perform cross-validation to (PC1) and 35.40% (PC2) of the spectral variability in the data. PC1
set the number of PLS factors, reduce the possibility of overfitting could be used to separate the samples according to the cutting direction
(Shenk & Westerhaus, 1995) and remove chemical outliers. Using the of the staves (longitudinal or transversal to the fibers, A, B and C vs D)
T ≥ 2.5 criterion, samples that presented a high residual value when although this separation would not be complete. If these same samples
they were predicted were eliminated from the set. Finally, validation are represented in the space defined by the first and the third principal
errors are combined into a single figure, the standard error of cross- components, a slight separation of the samples can be appreciated de-
validation (SECV). pending on the staves processed (A, B, C, D) to obtain them (Fig. 3b).
Spectral pretreatments are usually applied to NIR raw data. Samples belonging to A and B groups have been obtained in the same
Scattering effects were removed using detrending pretreatment way, an automatic or manual processing of the staves is the only dif-
(Dhanoa, Lister, & Barnes, 1995; Geladi, MacDougall, & Martens, 1985). ference between them, and therefore appear overlapping in this re-
Moreover, the effect of differentiation and variations in spectral ranges presentation. Fig. 3c shows the scores of the calibration and validation
were tested in the development of the NIRS calibrations. samples in the space defined by PC1 and PC2. This space is not entirely
The software used was Win ISI® (v1.50) (Infrasoft International, the same as the space used to select the calibration and validation sets
208
Fig. 2. Graphical description of the sample selection process.
(bearing in mind that 8 PCs were used). However, in this figure, it can 3.2. Chemical analysis
be appreciated how both the calibration set and the validation set are
homogenously allocated in the space defined by PC1 and PC2 including Table 1 shows the main statistical descriptors for the reference
almost all the spectral variability of samples and therefore, representing parameters of the samples allocated in the calibration and validation
the heterogeneity of the whole set. sets. These statistical indicators show that chemical variability is bigger
Fig. 3. Score plot of wood samples codified as A, B, C and D samples. (a) In the space defined by PC1 and PC2. (b) In the space defined by PC1 and PC3. (c) Codified as calibration and
validation sets in the space defined by PC1 and PC2.
209
Table 1
Main statistical descriptors for reference parameters in calibration and validation sets.
Set Reference Parameters Maximum Mean Minimum SDa
Calibration EPCb 69.64 23.80 7.60 16.68

Validation EPCb 46.47 22.20 10.30 12.81
a
SD: Standard deviation.
b
EPC: extractable total phenolic content (mg g−1 of wood, expressed as gallic acid
equivalents).
in the calibration set than in the validation one. These results are surely
linked with the spectral relationship between both sample sets.
3.3. Calibration process
Quantitative calibrations were developed by modified partial least

squares (MPLS) regression and they provided coefficient of determi- Fig. 4. Comparison of reference values with the values predicted by the hyperspectral
nation RSQ = 0.89 and standard error of cross-validation imaging model for extractable total phenolic content in samples belonging to the external
SECV = 5.96 mg g−1 for extractable total phenolic content. As de- validation set.
scribed above, to perform this calibration 42 wood spectra were used as
the independent (X) variables. Extractable total phenolic content in
each group of samples. This heterogeneity is noticeable in a similar to
wood was used as dependent (Y) variables. The statistical parameters of
approximately Gaussian bell-shaped distribution of samples (Fig. 5). It
the final calibration equations are shown in Table 2 where N is the
is noteworthy that extreme values have been also obtained in the
number of samples used to obtain the calibration equation after elim-
analyzed samples and are also presented in the aforesaid plot and taken
inating samples for chemical reasons (T criterion). The best of the dif-
into account for the statistical descriptors of each group. The ex-
ferent mathematical treatments, the range of application, and standard
tractable content of total phenols is higher in A, B and C groups than D.
deviations are also shown.
Samples belonging to the groups A, B and C are generated by different
The robustness of the selected model was tested using validation set
sawing processes of the staves in the longitudinal direction of the fibers
samples, which did not belong to the calibration set, as external vali-
while the group D is the result of a processing of the staves in the
dation. Calibration model obtained was applied and the predicted va-
transversal direction of the fibers. On the basis of the results obtained it
lues were compared with the reference data for extractable total phe-
can be assumed that these extractable content differences could be due
nolic content determined by Folin Ciocalteau method (Fig. 4). The
to the structure of the samples.
differences between the reference method and the hyperspectral tech-
nique in external validation are generally small except in two samples
that cause an increase in standard error of prediction (SEP), bearing in
4. Conclusion
mind that without the aforesaid two samples the model could reach an
RSQ value around 0.94 and SEP close to 3 mg g−1 of wood in the ex-
The MPLS model performed presents a good potential for a fast and
ternal validation procedure. However, for the reference parameter, all
reasonably inexpensive screening of the extractable polyphenolic
samples presented reference values within the applicability of the ob-
compounds in wood cooperage byproduct. This was able to predict the
tained models and none of them is considered as spectral outliers
extractable polyphenolic content of a sample based on spectral features.
(H < 3 for all used samples). So, all samples belonging to validation set
Near infrared hyperspectral imaging arises as an attractive strategy for
must be taken into account in the process. Consequently, RSQ = 0.84
the feasibility of enhancing the value of cooperage byproduct through
and SEP = 6.31 mg g−1 were obtained as results of this external vali-
the fast determination of extractable bioactive molecules, such as
dation for the reference variable, which also indicates a good potential
polyphenols. However, a comprehensive study should be made in order
for a fast screening of extractable total phenolic content using the
to evaluate other factors in the complete development of robust models.
purposed methodology.
Furthermore, extractable polyphenols content differences between
wood samples generated by longitudinal and transversal cutting of the
3.3.1. Use of developed method for the screening of extractable polyphenols fibers have been also found. It is therefore of interest to establish more
The method developed in the preceding section was used to predict information about how wood structure and/ or morphology changes
the extractable content of total phenols in all of the wood sets. The within different levels of phenolic compounds extractability.
results show a substantial variability in the reference parameter within
Table 2
Calibration statistical descriptors for the models developed in the NIR zone close to 950–1650 nm.
Spectral pretreatments Reference Parameters T outliers PLS factors Na Est. Min SDb Est. Max SECc RSQd SECVe SEPf
(mg g−1 wood) (mg g−1 wood)
Detrend 1,5,5,1 EPCg 4 5 38 0 14.18 65.15 4.72 0.89 5.96 6.31
a
N: number of samples (calibration set).
b
SD: standard deviation.
c
SEC: standard error of calibration.
d
RSQ: coefficient of determination (calibration set).
e
SECV: standard error of cross-validation (7 cross-validation groups).
f
SEP: standard error of prediction (external validation).
g
EPC: extractable total phenolic content (mg g−1 of wood, expressed as gallic acid equivalents).
210
Fig. 5. Distributions of A, B, C and D wood samples in extractable total phenolic content and main statistical descriptors for the predicted values for each group of samples.
Acknowledgments seed hydrolysate in warm climate winemaking. Effect on the differential colorimetry,
copigmentation and polyphenolic profiles. Food Chemistry, 209, 348–357.
Colares, C. J. G., Pastore, T. C. M., Coradin, V. T. R., Marques, L. F., Moreira, A. C. O.,
The Spanish Ministerio de Economía y Competitividad is thanked Alexandrino, G. L., ... Braga, J. W. B. (2016). Near infrared hyperspectral imaging and
for project AGL-2014-58486-C2. Universidad de Sevilla is thanked for MCR-ALS applied for mapping chemical composition of the wood specie Swietenia
Macrophylla King (Mahogany) at microscopic level. Microchemical Journal, 124,
B. Baca-Bocanegra predoctoral grant (VPPI-II.2) and J. Nogales-Bueno 356–363.
postdoctoral grant (VPPI-II.4). The authors thank the technical staff of Da Silva, A. R., Monteiro Pastore, T. C., Batista Braga, J. W., Davrieux, F., Arakaki Okino,
Biology Service [Servicios Generales de Investigación (SGI), E. Y., Rauber Coradin, V. T., ... do Prado, A. G. S. (2013). Assessment of total phenols
and extractives of mahogany wood by near infrared spectroscopy (NIRS).
Universidad de Sevilla]. The authors also thank Toneleria Salas S.L. Holzforschung, 67(1), 1–8.
(Bollullos Par del Condado, Huelva, Spain) for supplying the cooperage De Rosso, M., Panighel, A., Vedova, A. D., Stella, L., & Flamini, R. (2009). Changes in
byproduct samples. chemical composition of a red wine aged in Acacia, Cherry, Chestnut, Mulberry, and
Oak Wood Barrels. Journal of Agricultural and Food Chemistry, 57(5), 1915–1920.
Del Álamo, M., Nevares, I., Gallego, L., Martin, C., & Merino, S. (2008). Aging markers
References from bottled red wine aged with chips, staves and barrels. Analytica Chimica Acta,
621(1), 86–99.
Alañón, M. E., Castro-Vázquez, L., Díaz-Maroto, M. C., & Pérez-Coello, M. S. (2012). Del Álamo Sanza, M., & Nevares Domínguez, I. (2006). Wine aging in bottle from artificial
Aromatic potential of Castanea sativa Mill. compared to Quercus species to be used in systems (staves and chips) and oak woods. Analytica Chimica Acta, 563(1–2),
cooperage. Food Chemistry, 130(4), 875–881. 255–263.
Arapitsas, P., Antonopoulos, A., Stefanou, E., & Dourtoglou, V. G. (2004). Artificial aging Del Alamo Sanza, M., Nevares Domı́nguez, I., Cárcel Cárcel, L. M., & Navas Gracia, L.
of wines using oak chips. Food Chemistry, 86(4), 563–570. (2004). Analysis for low molecular weight phenolic compounds in a red wine aged in
Bautista-Ortín, A. B., Lencina, A. G., Cano-López, M., Pardo-Mínguez, F., López-Roca, J. oak chips. Analytica Chimica Acta, 513(1), 229–237.
M., & Gómez-Plaza, E. (2008). The use of oak chips during the ageing of a red wine in Dhanoa, M. S., Lister, S. J., & Barnes, R. J. (1995). On the scales associated with near-
stainless steel tanks or used barrels: effect of the contact time and size of the oak chips infrared reflectance difference spectra. Applied Spectroscopy, 49.
on aroma compounds. Australian Journal of Grape and Wine Research, 14(2), 63–70. Fernández de Simón, B., Cadahía, E., del Álamo, M., & Nevares, I. (2010). Effect of size,
Boulton, R. (2001). The copigmentation of anthocyanins and its role in the color of red seasoning and toasting in the volatile compounds in toasted oak wood and in a red
wines. A critical review. American Journal of Enology and Viticulture, 52(67–87). wine treated with them. Analytica Chimica Acta, 660(1–2), 211–220.
Brereton, R. G. (2003). Chemometrics: Data analysis for the laboratory and chemical plant. Fernández de Simón, B., Martínez, J., Sanz, M., Cadahía, E., Esteruelas, E., & Muñoz, A.
Chichester, West Sussex, England: J. Wiley. M. (2014). Volatile compounds and sensorial characterisation of red wine aged in
Canals, R., Llaudy, M. D. C, Canals, J. M., & Zamora, F. (2008). Influence of the elim- cherry, chestnut, false acacia, ash and oak wood barrels. Food Chemistry, 147,
ination and addition of seeds on the colour, phenolic composition and astringency of 346–356.
red wine. European Food Research and Technology, 226(5), 1183–1190. Fernández de Simón, B., Sanz, M., Cadahía, E., Martínez, J., Esteruelas, E., & Muñoz, A.
Cejudo-Bastante, M. J., Rodríguez-Morgado, B., Jara-Palacios, M. J., Rivas-Gonzalo, J. C., M. (2014). Polyphenolic compounds as chemical markers of wine ageing in contact
Parrado, J., & Heredia, F. J. (2016). Pre-fermentative addition of an enzymatic grape with cherry, chestnut, false acacia, ash and oak wood. Food Chemistry, 143, 66–76.
211
Frangipane, M. T., Santis, D. D., & Ceccarelli, A. (2007). Influence of oak woods of dif- Mira de Orduña, R. (2010). Climate change associated effects on grape and wine quality
ferent geographical origins on quality of wines aged in barriques and using oak chips. and production. Food Research International, 43(7), 1844–1855.
Food Chemistry, 103(1), 46–54. Mori, K., Sugaya, S., & Gemma, H. (2005). Decreased anthocyanin biosynthesis in grape
Geladi, P., MacDougall, D., & Martens, H. (1985). Linearization and scatter-correction for berries grown under elevated night temperature condition. Scientia Horticulturae,
near-infrared reflectance spectra of meat. Applied Spectroscopy, 39. 105(3), 319–330.
Giordanengo, T., Charpentier, J. P., Boizot, N., Roussel, S., Roger, J. M., Chaix, G., ... Navarro, M., Kontoudakis, N., Giordanengo, T., Gomez-Alonso, S., Garcia-Romero, E.,
Mourey, N. (2009). OAKSCAN: Procédé de mesure rapide et non destructif des Fort, F., ... Zamora, F. (2016). Oxygen consumption by oak chips in a model wine
polyphénols du bois de chêne de tonnellerie. Revue Francaise d’Oenologie, 234, 10–15. solution; Influence of the botanical origin, toast level and ellagitannin content. Food
Glabasnia, A., & Hofmann, T. (2006). Sensory-directed identification of taste-active el- Chemistry, 199, 822–827.
lagitannins in American (Querqus alba L.) and quantitative analysis in bourbon Nogales-Bueno, J., Baca-Bocanegra, B., Rodríguez-Pulido, F. J., Heredia, F. J., &
whiskey and oak-matured red wines. Journal of Agricultural and Food Chemistry, 54, Hernández-Hierro, J. M. (2015). Use of near infrared hyperspectral tools for the
3380–3390. screening of extractable polyphenols in red grape skins. Food Chemistry, 172,
Gordillo, B., Cejudo-Bastante, M. J., Rodriguez-Pulido, F. J., Gonzalez-Miret, M. L., & 559–564.
Heredia, F. J. (2013). Application of the differential colorimetry and polyphenolic Nogales-Bueno, J., Hernández-Hierro, J. M., Rodríguez-Pulido, F. J., & Heredia, F. J.
profile to the evaluation of the chromatic quality of Tempranillo red wines elaborated (2014). Determination of technological maturity of grapes and total phenolic com-
in warm climate. Influence of the presence of oak wood chips during fermentation. pounds of grape skins in red and white cultivars during ripening by near infrared
Food Chemistry, 141(3), 2184–2190. hyperspectral image: a preliminary approach. Food Chemistry, 152, 586–591.
Gordillo, B., Cejudo-Bastante, M. J., Rodríguez-Pulido, F. J., Jara-Palacios, M. J., Pedroza, M. A., Carmona, M., Alonso, G. L., Salinas, M. R., & Zalacain, A. (2013). Pre-
Ramírez-Pérez, P., González-Miret, M. L., & Heredia, F. J. (2014). Impact of adding bottling use of dehydrated waste grape skins to improve colour, phenolic and aroma
white pomace to red grapes on the phenolic composition and color stability of Syrah composition of red wines. Food Chemistry, 136(1), 224–236.
wines from a warm climate. Journal of Agricultural and Food Chemistry, 62(12), Puech, J. L., Feuillat, F., & Mosedale, J. R. (1999). The tannins of oak heartwood:
2663–2671. Structure, properties, and their influence on wine flavor. American Journal of Enology
Gordillo, B., Rodriguez-Pulido, F. J., Mateus, N., Escudero-Gilete, M. L., Gonzalez-Miret, and Viticulture, 50(4), 469–478.
M. L., Heredia, F. J., & de Freitas, V. (2012). Application of LC-MS and tristimulus Ribérau-Gayon, P., Glories, Y., Maujean, A., & Dubourdieu, D. (2000). Handbook of en-
colorimetry to assess the ageing aptitude of Syrah wine in the Condado de Huelva ology, Vol. 2. Baffins Lane, Chichester: John Wiley.
D.O. (Spain), a typical warm climate region. Analytica Chimica Acta, 732, 162–171. Rodríguez-Bencomo, J. J., Ortega-Heras, M., Pérez-Magarino, S., & González-Huerta, C.
Guchu, E., Díaz-Maroto, M. C., Pérez-Coello, M. S., González-Viñas, M. A., & Ibáñez, M. D. (2009). Volatile compounds of red wines macerated with Spanish, American, and
C. (2006). Volatile composition and sensory characteristics of Chardonnay wines French oak chips. Journal of Agricultural and Food Chemistry, 57(14), 6383–6391.
treated with American and Hungarian oak chips. Food Chemistry, 99(2), 350–359. Shenk, J. S., & Westerhaus, M. O. (1995). Routine operation, calibration, development and
Hernández-Hierro, J. M., Nogales-Bueno, J., Rodríguez-Pulido, F. J., & Heredia, F. J. network system management manual, NIR systems. MD, USA: Silver Spring.
(2013). Feasibility study on the use of near-infrared hyperspectral imaging for the Singleton, V. L., & Rossi, J. A. (1965). Colorimetry of total phenolics with phosphomo-
screening of anthocyanins in intact grapes during ripening. Journal of Agricultural and lybdic-phosphotungstic acid reagents. American Journal of Enology and Viticulture, 16,
Food Chemistry, 61(41), 9804–9809. 144–158.
Jones, P. D., Schimleck, L. R., Peter, G. F., Daniels, R. F., & Clark, A. (2006). Sun, B., Liu, J., Liu, S., & Yang, Q. (2011). Application of FT-NIR-DR and FT-IR-ATR
Nondestructive estimation of wood chemical composition of sections of radial wood spectroscopy to estimate the chemical composition of bamboo (Neosinocalamus af-
strips by diffuse reflectance near infrared spectroscopy. Wood Science and Technology, finis Keng). Holzforschung, 65(5).
40(8), 709–720. Thumm, A., Riddell, M., Nanayakkara, B., Harrington, J., & Meder, R. (2010). Near in-
Lestander, T., Geladi, P., Larsson, S., & Thyrel, M. (2012). Near infrared image analysis for frared hyperspectral imaging applied to mapping chemical composition in wood
online identification and separation of wood chips with elevated levels of extractives. samples. Journal of Near Infrared Spectroscopy, 18(6), 507–515.
Journal of Near Infrared Spectroscopy, 20, 591–599. Yao, S., Wu, G. F., Jiang, Y. F., Fu, X. D., Lü, H. K., Su, M., & Pu, J. W. (2010). Extending
Michel, J., Albertin, W., Jourdes, M., Le Floch, A., Giordanengo, T., Mourey, N., & hemicelluloses content calibration of Acacia spp. using NIR to new sites. Guang Pu Xue
Teissedre, P.-L. (2016). Variations in oxygen and ellagitannins, and organoleptic Yu Guang Pu Fen Xi/Spectroscopy and Spectral Analysis, 30(5), 1206–1209.
properties of red wine aged in French oak barrels classified by a near infrared system. Zahri, S., Moubarik, A., Charrier, F., Chaix, G., Bailleres, H., Nepveu, G., & Charrier, B.
Food Chemistry, 204, 381–390. (2008). Quantitative assessment of total phenol contents of European oak (Quercus
Michel, J., Jourdes, M., Le Floch, A., Giordanengo, T., Mourey, N., & Teissedre, P.-L. petraea and Quercus robur) by diffuse reflectance NIR spectroscopy on solid wood
(2013). Influence of wood barrels classified by NIRS on the Ellagitannin content/ surfaces. Holzforschung, 62(6), 679–687.
composition and on the organoleptic properties of wine. Journal of Agricultural and Zamora, F. (2003). Elaboración y crianza del vino tinto: Aspectos cientificos y prácticos.
Food Chemistry, 61(46), 11109–11118. Madrid: Mundi Prensa.
212
CAPÍTULO 4
CAPÍTULO 4: ESTUDIO DE VIABILIDAD DEL USO DE UN

DISPOSITIVO PORTÁTIL DE ESPECTROSCOPÍA NIR PARA LA
ESTIMACIÓN “IN SITU” DEL CONTENIDO POLIFENÓLICO
EXTRAÍBLE EN HOLLEJOS DE UVA TINTA
En: Baca Bocanegra, Berta; Hernández Hierro, José Miguel; Nogales Bueno, Julio; Heredia
Mira, Francisco José: Feasibility study on the use of a portable micro near infrared spectroscopy
device for the “in vineyard” screening of extractable polyphenols in red grape skins. Talanta,
2019. Vol. 192. Pág. 353–359, https://doi.org/10.1016/j.talanta.2018.09.057
1. Antecedentes
Los compuestos fenólicos juegan importantes y variados papeles en el reino vegetal. En la uva,
los flavanoles participan en las características sensoriales del vino, pudiendo aportar amargor,
astringencia o cuerpo (Hufnagel, et al., 2008a), así como aumentan y estabilizan el color actuando
como cofactores del proceso de copigmentación de los antocianos (Escribano-Bailon, et al., 2012;
Trouillas, et al., 2016). Un déficit de compuestos fenólicos en el hollejo de uva en el momento de
la vendimia deriva en la producción de vinos con poca intensidad y estabilidad cromática
(Gordillo, et al., 2012). Por tanto, para el proceso de vinificación es de extremada importancia
conocer la cantidad de compuestos fenólicos que puede esperarse obtener a partir de una
determinada cosecha de uva.
Como se ha visto en capítulos anteriores las técnicas de espectroscopía vibracional representan

un procedimiento analítico de gran utilidad en la industria como técnica rápida, no destructiva y
respetuosa con el medio ambiente. Los diferentes campos de aplicación de estas técnicas
demuestran su enorme versatilidad. En el sector agroalimentario en general y enológico en
particular, la aplicación de la espectroscopía infrarroja es bien conocida y su uso extendido
(Kumaravelu, Gopal, y Ieee, 2015). Sin embargo, a pesar de la efectividad y rapidez de estas
técnicas para predecir diferentes parámetros en el sector del vino, la mayoría de los estudios deben
ser llevados a cabo en el laboratorio y, por tanto, implican el transporte de muestras con los
inconvenientes que ello conlleva. Para resolver este problema, en los últimos años el interés se
ha desplazado hacia el desarrollo de una nueva generación de espectrómetros portátiles (Teixeira
dos Santos, Lopo, Pascoa, y Lopes, 2013). Estos sistemas incorporan la precisión analítica
necesaria para la identificación y cuantificación química con una resolución espectral equivalente
a los instrumentos de mesa, lo que proporciona una mayor flexibilidad para el análisis en campo
ya que el equipo puede transportarse fácilmente (Sorak, et al., 2012).
143
Disponer de modelos aplicables en el viñedo para la determinación del contenido fenólico

extraíble de las uvas permitirá un mayor control y eficacia en la toma de decisiones, como la fecha
idónea de vendimia, por lo que se considera de gran interés el estudio de su viabilidad..
2. Objetivos
El objetivo de este trabajo ha sido evaluar la viabilidad del uso de un dispositivo portátil de
espectroscopía de infrarrojo cercano, MicroNIRTM, para la estimación in situ del contenido
extraíbles de antocianos, flavanoles y fenoles totales en hollejo de uva tinta apta para vendimia,
utilizando dos metodologías de medida distintas en dos campañas diferentes.
3. Parte Experimental
Para la realización de este estudio se utilizaron muestras de uva tinta de las variedades Syrah
y Tempranillo cultivadas en la región del Condado de Huelva. Con el objetivo de optimizar el
proceso de adquisición de espectros, se diseñó un experimento dividido en dos campañas
sucesivas (2016 y 2017) pero, en ambos casos, considerando un estado fisiológico concreto de la
uva: uvas maduras justo antes de la vendimia. En ambos años, el análisis espectroscópico se llevó
a cabo en el viñedo, pero se realizó una modificación de las condiciones de medida.
- En la campaña 2016, la adquisición de los espectros de las uvas fue realizada directamente
en la vid, sin preparación alguna de la muestra. Las uvas cuyos espectros fueron
registrados, se recolectaron para su análisis químico, a fin de obtener valores de referencia
para las propiedades evaluadas.
- En la campaña 2017, el análisis espectral se realizó sobre el hollejo. Para ello, las uvas
seleccionadas se extrajeron del racimo e inmediatamente después los hollejos fueron
separados manualmente del resto de la baya para someterlas al análisis espectral. Las
muestras se colocaron adecuadamente en cubetas de vidrio para poder registrar el
espectro de la superficie externa del hollejo, presionando suavemente dentro de la cubeta
para aumentar la superficie de contacto.
Con el objetivo de lograr conjuntos representativos de muestras, las uvas se seleccionaron de

la parte superior, media e inferior del racimo y de las zonas de sol y de sombra de las vides,
ubicadas en diferentes filas dentro del viñedo. Se registró un total de doscientos espectros en cada
temporada, cien espectros de variedad Tempranillo y cien espectros de variedad Syrah.
Una vez registrado el espectro, las muestras (uvas enteras en 2016 y hollejos de uva en 2017)
fueron colocadas en bolsas de plástico herméticas, etiquetadas, congeladas y almacenadas
144
CAPÍTULO 4
a -20 ºC hasta que se realizaron los análisis químicos. Antes de estos análisis, los hollejos de uva
pertenecientes a la cosecha 2016 fueron separados manualmente de las uvas enteras.
La adquisición espectral se realizó utilizando un espectrofotómetro NIR portátil (MicroNIR

Pro Lite 1700) que cubre el rango espectral entre 908 y 1676 nm. Para cada medida se realizó una
calibración de reflectancia de dos puntos utilizando un patrón de referencia Labsphere® como
referencia blanca (100% de reflectancia), mientras que la corriente oscura (0% de reflectancia) se
registró al aire, colocando el dispositivo a aproximadamente 0.5 metros de cualquier objeto. Para
la adquisición espectral se utilizó un dispositivo que protege la medida de la acción directa del
sol.
En cada temporada, la matriz espectral original fue sometida a un análisis de componentes

principales que permitió realizar una selección de muestras representativas del conjunto.
Utilizando todas las muestras espectrales y el pretratamiento SNV 2,5,5,1, se tuvieron en cuenta
tres y cinco componentes principales en la temporada 2016 y 2017, respectivamente. En ambos
casos se explicó más del noventa y cinco por ciento de la variabilidad espectral de la matriz
espectral original. Se encontraron diez y ocho outliers espectrales (H> 3) respectivamente, que se
eliminaron de cada matriz espectral. Las muestras restantes fueron ordenadas en los nuevos
espacios creados de acuerdo a su distancia de Mahalanobis (𝐻) y se agruparon en función de la
distancia de Mahalanobis a la muestra vecina (𝑁𝐻) obteniéndose 32 y 23 grupos de muestras para
las campañas 2016 y 2017 respectivamente. Se asignó una muestra de cada grupo en el conjunto
de calibración y otra en el de validación. Para la campaña 2016, el conjunto de calibración estaba
formado por 32 muestras mientras que solo se asignaron 27 muestras en el conjunto de validación
porque algunos de los grupos creados no tenían más de una muestra. Siguiendo el mismo
procedimiento para la campaña 2017, 23 y 18 muestras constituyeron el conjunto de calibración
y validación, respectivamente.
Se determinó el contenido extraíble de antocianos, flavanoles y fenoles totales en hollejo de

uva para las muestras alojadas en el set de calibración y validación de cada campaña. Para ello,
los hollejos fueron macerados durante tres días en vino sintético y se determinaron las
concentraciones de los parámetros de interés en los extractos resultantes. La determinación de
antocianos se realizó mediante análisis cromatográfico, siguiendo una modificación del método
descrito por M. García-Marino, et al. (2010) como se describe en Hernández-Hierro, et al. (2013).
Para la determinación de flavanoles se utilizó el método espectrofotométrico descrito por Vivas,
et al. (1994) mientras que la determinación de los fenoles totales presentes en los extractos se
utilizó el también método espectrofotométrico de Folin−Ciocalteu (Singleton, et al., 1965).
Para cada temporada y cada parámetro de referencia, utilizando los datos espectrales de los
conjuntos de calibración, probando diferentes pretratamientos espectrales y asignando los
145
contenidos fenólicos extraíbles, contenidos flavanólicos extraíbles y contenidos antociánicos

extraíbles correspondientes a cada muestra, se desarrolló un modelo de calibración mediante
regresión de mínimos cuadrados modificados (MPLS) y se realizó la validación externa del
modelo usando las muestras alojadas en los conjuntos de validación.
Comparativamente, los errores obtenidos son mayores que los de un estudio anterior, realizado
en nuestro laboratorio, utilizando la misma matriz y una metodología similar en cuanto a región
del espectro electromagnético, detector y análisis quimiométrico (Nogales-Bueno, et al., 2015).
La principal novedad de este estudio es la adquisición espectral in situ, en el viñedo, que puede
verse influenciada por factores climáticos que deberán ser considerados en estudios posteriores.
Por último, para cada temporada y cada parámetro de referencia, las muestras de los conjuntos
de calibración y validación se dividieron en dos clases en función de su contenido extraíble. De
esta forma, las muestras se identificaron como muestras con bajo o alto contenido fenólico
extraíble, contenido flavanólico extraíble o contenido antociánico extraíble. Estas nuevas
variables categóricas se usaron junto con los datos espectrales para el desarrollo de diferentes
modelos cualitativos (análisis discriminante lineal (LDA), análisis discriminante basado en
regresión por mínimos cuadrados parciales (DPLS) y coeficiente de correlación de Pearson) con
el objetivo de discriminar las muestras en las nuevas clases creadas y evaluar dicha discriminación
en validación interna y externa. Los porcentajes de muestras clasificadas correctamente en
validación interna y externa para cada parámetro de referencia y temporada se muestran en la
De forma similar a lo que sucede con los resultados cuantitativos, los diferentes enfoques
llevados a cabo para la discriminación de muestras de acuerdo con su nivel de compuestos
extraíbles muestran resultados insuficientes. Únicamente las validaciones internas en la
temporada 2017 muestran porcentajes de clasificación aceptables, especialmente para LDA. Sin
embargo, estos resultados no son consistentes en el procedimiento de validación externa y los
porcentajes de muestras correctamente clasificadas caen incluso más que en la temporada 2016.
4. Conclusiones
 Los modelos cuantitativos MPLS desarrollados a partir del análisis espectral in situ en el
infrarrojo cercano no presentan el potencial suficiente para estimar el contenido extraíble
de compuestos fenólicos (flavanoles, antocianos y fenoles totales) procedentes de uva
tinta a pesar de que se han obtenido resultados prometedores en nuestro laboratorio para
otras matrices, como se mostrará en el siguiente Capítulo de esta memoria, y para la
misma matriz usando una metodología similar.
146
CAPÍTULO 4
 .El análisis cualitativo de los datos (LDA, DPLS y coeficiente de correlación de

Pearson) ofrece porcentajes de clasificación correcta de las muestras que comprometen
la utilidad de la espectroscopía NIR portátil para la clasificación de uva tinta según el
nivel de contenido fenólico extraíble.
 Se deben considerar las condiciones ambientales y las condiciones fisiológicas de la uva
para evaluar y eliminar los factores que dificultan una buena clasificación de las bayas de
acuerdo con sus contenidos fenólicos extraíbles.
147
Talanta 192 (2019) 353–359
Contents lists available at ScienceDirect
Talanta
journal homepage: www.elsevier.com/locate/talanta
Feasibility study on the use of a portable micro near infrared spectroscopy T

device for the “in vineyard” screening of extractable polyphenols in red grape
skins
Berta Baca-Bocanegra, José Miguel Hernández-Hierro, Julio Nogales-Bueno ,
⁎

Food Colour and Quality Laboratory, Á. Nutrición y Bromatología, Facultad de Farmacia, Universidad de Sevilla, 41012 Sevilla, Spain
ARTICLE INFO ABSTRACT
Keywords: There is substantial variation in levels of extractable phenolic compounds of red grapes (Vitis vinifera L.).
Extractable polyphenols Therefore, it could be desirable to known the aforesaid parameter at least for each vine. Nowadays, interest has
Red grapes shifted toward the development of portable vis/NIR systems, innovation in optical system design and minia-
Portable spectroscopy turization for its friendly use directly in the field.
NIR
Spectra of intact grapes and grapes skins were recorded at harvest time in two different vintages (2016 and
Chemometrics
Wine
2017 respectively) using a portable micro NIR spectrophotometer (908–1676 nm). A number of chemometric
approaches have been used for spectral interrogation and evaluation of the aforesaid device. Spectral data have
been correlated with red grape skin extractable polyphenols (total phenolic, anthocyanins and flavanols) by
modified partial least squares regression (MPLS) using a number of spectral pretreatments. Moreover, different
statistics strategies have been performed to develop a qualitative analysis of the data (linear discriminant
analysis, discriminant partial least square analyses and Pearson's similarity index).
After an exhaustive analysis of the obtained results in two different seasons, it can be concluded that the use
of the portable micro NIR device for the “in vineyard” screening of extractable polyphenols in red grape skins is
hampered by a number of factors. Environmental and physiological conditions should be considered to evaluate
and remove factors that hamper a good sorting the berries according to their extractable polyphenol contents.
1. Introduction Most flavonoids in red grapes are found in berry solid parts and they
are transferred to the wine during the fermentation process. Wine fla-
Red grapes (Vitis vinifera L.) contain about four grams of phenolic vonoids (mainly flavonols, flavanols and anthocyanins) play a relevant
material per kilo. These compounds are secondary metabolites that play role in the sensory characteristic of red wines. They are directly or in-
crucial roles in the plant kingdom. There are substantial variations in directly responsible for wine color [3,5,6] and have a strong influence
levels of phenolic compounds which depends on a number of physio- in wine taste (astringency, sourness, bitterness, etc.) [7].
logic, agronomic or climatological factors [1,2]. Wine and grape phenolic Taking into account these aspects, it could be desirable to know the
compounds are grouped into two categories, flavonoids and non-flavo- amount of these phenols that may be extracted from grapes to wine, at
noids. Wine flavonoids are all polyphenolic compounds, having multiple least for each vine. The conventional chemical methods used for de-
aromatic rings presenting hydroxyl groups [3]. Flavonoids have well- termination of these parameters are destructive and time consuming
known health benefits. They possess ideal structural chemistry for free because they require the extractions of different phenols from grape skin
radical-scavenging activities, and they have been shown to be more ef- using wine simulated macerations [8–10]. Near infrared (NIR) spectro-
fective antioxidants in vitro than vitamins E and C on a molar basis [4]. scopy has been widely used in the oenological field for grape and wine
Abbreviations: NIR, near infrared; MPLS, modified partial least squares; LVF, linear variable filter; PLS, partial least squares; DPLS, discriminant partial least square;
LDA, linear discriminant analysis; EPC, extractable total phenolic content; EFC, extractable flavanol content; EAC, extractable anthocyanin content; DMACA, 4-
dimethylaminocinnamaldehyde; DAD, diode array detector; PCA, principal component analysis; H, Mahalanobis distance; NH, neighborhood Mahalanobis distance;
ROC, receiver operating characteristic; SEP, standard error of prediction
⁎
Corresponding author.
E-mail address: [email protected] (J. Nogales-Bueno).
https://doi.org/10.1016/j.talanta.2018.09.057
Received 19 July 2018; Received in revised form 12 September 2018; Accepted 17 September 2018
Available online 20 September 2018
0039-9140/ © 2018 Elsevier B.V. All rights reserved.
B. Baca-Bocanegra et al. Talanta 192 (2019) 353–359
Fig. 1. Schematic representation of the experimental design.
analysis [11]. This technique has shown considerable potential for the illumination sources because all the needed parts are incorporated into
nondestructive determination of the main families of phenolic com- its miniaturized design. Grape skin spectra have been collected in two
pounds in grapes [12,13]. The use of NIR spectroscopy to predict total different seasons using two different measurement methodologies to
soluble solids, pH, and total anthocyanins in red grapes [14,15] and obtain the spectral data. A number of samples spectrally representative
other technological parameters useful for classifying grapes [16] have have been selected and the extractable contents of total phenols, fla-
been also reported. In a further step, near infrared hyperspectral imaging vanols and anthocyanins have been chemically evaluated. Finally, dif-
has been used to develop screening methods to measure total or ex- ferent chemometric quantitative and qualitative tools have been inter-
tractable phenols in grapes [17,18]. This methodology may allow sorting rogated to obtain the best approach for the spectral screening of these
the berries according to their extractable polyphenol contents and then extractable contents in grape skin. To the best of our knowledge, this is
the same samples could be used in further studies for other destructive also the first time that the aforementioned parameters have been jointly
analyses or purposes. However, despite the fast and effective proficiency evaluated using a portable device.
of near-infrared spectroscopy to predict different parameters in wine
sector, most of these studies carried out at lab imply sample transpor- 2. Material and methods
tation. To solve this problem portable hand-held NIR spectrometers have
been recently used to acquire NIR spectra in vineyards, directly on-the- 2.1. Samples
vine [19–22]. However, it should be taken into account that these por-
table systems are composed of different elements such lightening system, Vitis vinifera L. cv. Tempranillo and Syrah red grapes samples from
batteries and fiber optic probe in addition to the portable spectro- two vineyards located in the Condado de Huelva Designation of Origin
photometer that may difficult their used in field conditions. In a further D.O. (Andalusia, Spain) were used in the present study. Both varieties
step, interest has shifted toward the development of portable vis/NIR are typically grown in Spain for producing quality red wines and being
systems using Linear Variable Filter (LVF), innovation in optical system a resistant cultivar to warm climatic conditions [30].
design and miniaturization due to the fact that it does not need any In an attempt to optimize the spectra acquisition procedure, it was
external components because all the needed parts are incorporated into designed a systematic experiment which was divided into two seasons
its design. Although limited information is still available with regards to as shown in the Fig. 1. To face this task, grapes were collected in two
this technology on the enology sector, their use could be significantly different vintages (2016 and 2017) at harvest time. In both years NIR
hindered by the varying conditions of field measurements. spectroscopy analysis was carried out “in vineyard” but a modification
A huge amount of information generated by all these spectroscopic of measurement conditions was performed.
devices has to be correctly processed to obtain useful information.
Quantitative or qualitative chemometric tools are usually applied for - In 2016 season grape spectra were collected directly on the bunch,
the development of calibration or classification methods. Partial least without any sample preparation. Samples whose spectra were re-
square (PLS) regression has been widely used for the development of corded were then collected for chemical analysis, to provide re-
calibration methods for the prediction of different parameters in grapes ference values for the measured properties.
[23]. Moreover, supervised pattern recognition methods, such as dis- - In 2017 season the engaging grapes were picked from the bunch and
criminant partial least square (DPLS) analysis or linear discriminant just after that grape skins were manually separated from the whole
analysis (LDA), are usually applied to the identification of spatial re- grapes and placed at the bottom of quartz cuvettes to collect the
gions of interest in oenological samples [24,25] or to the classification spectra. Samples were soft-pressed inside the cuvette to increase the
of grape samples according to some important attribute [26–29]. contact surface. Spectra were recorded from the external surfaces of
The main aim of this work is to study the feasibility of the use of a the skins.
portable micro near infrared spectroscopy device for the “in vineyard”
screening of extractable polyphenols in red grape skins. The aforesaid With the aim of achieving representative sample sets, the grapes
new device does not need any external probes, fiber optics or external were selected from the top, middle and bottom of the bunch and in the
354
sunlight and shade side of vines located in different rows within the curve of (+)–catechin was used for quantification and results were
vineyard. Edge rows and the first two vines in a row were avoided. A expressed as (+)–catechin equivalent in mg g−1 of grape skin.
total of 200 spectra were collected in each season, 100 Tempranillo Both Folin–Ciocalteu and DMACA analyses were performed on an
spectra and 100 Syrah spectra. Agilent 8453 UV–visible spectrophotometer (Palo Alto, USA), equipped
Once the spectrum was registered, the samples (whole grapes from with diode array detection (DAD). The extract volumes were appro-
2016 and grapes skins from 2017) were placed in stoppered plastics priately modified for samples which needed it.
bags, labelled, refrigerated at 4 °C and immediately carried to the la- Extractable anthocyanin content was determined by means of
boratory. Therefore, in this study, a total of 400 grape samples have chromatographic analysis following a modification of the method of
been taken into account (200 samples in 2016 and 200 samples in 2017, García-Marino et al. [33] as described elsewhere in Hernández-Hierro
i.e. 100 samples per variety and season). Upon arrival at the lab, grapes et al. [17]. Model wine extractions were diluted 1:2 with 0.1 M HCl,
were frozen and stored at − 20 °C until analyses were performed. Prior filtered through 0.45 µm pore size filters and directly injected into the
to each chemical measurement, grape skins belonging to vintage 2016 chromatographic system. Results were expressed as mg of malvidin-3-
were separated manually from the whole grapes and they were O-glucoside equivalents per gram of grape skin.
weighted. All samples were allowed to stabilize at laboratory tem-
perature (25 °C) before the chemical analysis. 2.4. Chemometric analysis
2.2. Spectral data acquisition 2.4.1. Quantitative analysis

Before the quantitative analysis, principal component analysis
In-situ acquisition of spectra was performed using a portable NIR (PCA) was used as unsupervised pattern recognition technique to get
spectrophotometer (MicroNIR Pro Lite 1700, VIAVI, Santa Rosa, information about the latent structure of spectral matrix. This method
California, USA), an instrument designed to measure diffuse reflectance provides not only information related to spectral outliers and the dis-
in the NIR region of the electromagnetic spectrum. The MicroNIR owes tribution of samples in the newly-created space, but it is also an im-
its small size to the novel thin-film linearly variable filter (LVF) used as portant source of knowledge with which to create cross-validation
the dispersive element. The LVF is directly coupled to a linear detector groups used in the calibration process [34,35]. PCA was also used to
array (128-pixel uncooled InGaAs photodiode array), covering the select representative samples from the spectral data set. Mahalanobis
spectral range between 908 and 1676 nm (spectral resolution of distances (H) for each sample were calculated and samples were
6.2 nm). The filter coating in the LVF is wedged in one direction and as grouped according their neighborhood H values (NH).
a result of the varying film thickness; the wavelength transmitted For each season, using the raw spectral data, testing different
through the filter varies linearly in the direction of the wedge. The LVF spectral pretreatments and allocating the corresponding EPC, EFC and
makes each pixel of the detector respond to a different wavelength. This EAC to each sample, calibrations were performed by modified partial
ultra-compact spectroscopic engine is coupled with a tungsten lamps least squares regression (MPLS). In this method, the group of calibra-
diffuse illumination system. An illustration of the MicroNIR spectro- tion samples is divided into a series of subsets to perform cross-vali-
meter and MicroNIR's optical designed, adapted from VIAVI user dation to set the number of PLS factors, reduce the possibility of
manual, is provided in Fig. S1. overfitting [35] and remove chemical outliers. Using the T ≥ 2.5 cri-
Spectra were recorded using the instrument acquisition software terion, samples that presented a high residual value when they were
MicroNIR™ Pro v.2.2 (VIAVI, Santa Rosa, California, USA). A two-point predicted were eliminated from the set.
reflectance calibration was used. A Spectralon® ceramic tile was used as The software used was Win ISI® (v1.50) (Infrasoft International,
a white reference (100% reflectance), whereas dark current (0% re- LLC, Port. Matilda, PA, USA). This software allowed the data pre-
flectance) was recorded by taking a measurement placing the device treatment, principal components analysis and sample selection and
about 0.5 m from any object. Because measurements were made on the development of quantitative models.
vineyard, sample temperature was not controlled beforehand; mean
temperature on measurement days ranged from 30 to 35 °C, typical 2.4.2. Qualitative approaches
extreme temperature of warm climates in August and September. For each reference parameter, grape samples allocated into the ca-
Spectral acquisition was performed in shade using a light-tight box. libration and validation sets were respectively split in two different
classes according to their extractable content. The statistical median
2.3. Reference parameters value of each reference parameter in the calibration set was used to
develop these classifications. In this way, samples were identified as
Reference parameters taken into account were extractable total samples with low or high EPC, EFC or EAC. These new categorical
phenolic content, extractable flavanol content and extractable antho- variables were used in conjunction with spectral data for the develop-
cyanin content in grape skin (EPC, EFC and EAC respectively). To ment of different qualitative chemometric methods. These methods
perform these determinations, grape skins were immersed in a model usually indicate whether samples fall into pre-defined classes, how well,
wine hydroalcoholic solution (4 g L−1 tartaric acid, 12.5% ethanol, and what causes this separation.
adjusted at pH 3.6 with NaOH 0.5 M) for a maceration period of 72 h. Qualitative analyses were carried out for each reference parameter
Grape skins were added to extraction media in a 1:20 ratio. Then, su- and season. Linear discriminant analysis (LDA) and discriminant partial
pernatants were used into the subsequent analyses. least square analysis (DPLS) were applied to the spectral matrixes in
Extractable total phenolic content was determined using the order to develop different classification methods. The objective of de-
Folin–Ciocalteu method [31]. Gallic acid was used as a standard for veloping these methods is to obtain fast tools for the classification of
construction of the calibration curve and the concentration of total grape samples according their extractable contents of phenolic com-
phenols was expressed as gallic acid equivalent in mg g−1 of grape skin. pounds (EPC, EFC or EAC). LDA was carried out via SPSS 22.0 for
Extractable flavanol content was determined following a modifica- Windows software package (SPSS, Inc., Chicago, IL, USA). Prior prob-
tion of Vivas et al. [32]. Twenty microliters of model wine extractions abilities of classification were used in this analysis taking into account
were mixed with 180 μL of methanol respectively and 1 mL of DMACA each class size. The prediction ability was estimated considering the
reagent. The DMACA (4-dimethylaminocinnamaldehyde) reagent was percentage of samples correctly classified by the rules developed with
prepared immediately before use, containing 0.1% (w/v) DMACA in a the training set using an internal validation procedure and the external
mixture of HCl:methanol (1:10, v/v). After a ten-minute period, the validation set available. The variables used were all the scores of the
absorbance at 640 nm was measured for each sample. A calibration PCs used in the sample selection for each season.
355
Table 1
Main statistical descriptors for the MPLS models developed in the NIR zone close to 908–1676 nm in 2016 and 2017 seasons.
Season Spectral pretreatments Reference parameters T outliers PLS factors Na Est. Min SDb Est. Max SECc RSQd SECVe SEPf
2016 None 2,7,7,1 EPCg 1 2 31 0.39 1.82 11.29 1.62 0.20 1.72 2.66
MSC 2,5,5,1 EFCh 1 2 31 0.00 0.50 2.57 0.42 0.32 0.49 0.60
Detrend 2,13,13,1 EACi 2 4 30 0.00 0.47 2.15 0.33 0.49 0.43 0.43
2017 Detrend 1,5,5,1 EPCg 0 2 23 0.00 3.45 18.71 3.04 0.22 3.41 4.04
MSC 2,5,5,1 EFCh 0 5 23 0.00 0.51 2.66 0.28 0.70 0.44 0.64
SNV 0,0,1,1 EACi 0 2 23 0.00 0.44 2.48 0.34 0.42 0.36 0.60
a
N: number of samples (calibration set).
b
SD: standard deviation.
c
SEC: standard error of calibration.
d
RSQ: coefficient of determination (calibration set).
e
SECV: standard error of cross-validation (2016: 7 cross-validation groups; 2017: 8 cross-validation groups).
f
SEP: standard error of prediction (external validation).
g
EPC: extractable total phenolic content (mg g−1 of grape skin, expressed as gallic acid equivalents).
h
EFC: extractable flavanol content (mg g−1 of grape skin, expressed as catechin equivalents).
i
EAC: extractable anthocyanin content (mg g−1 of grape skin, expressed as gallic acid equivalents).
Moreover, DPLS were also carried out. Essentially, a PLS method each spectral matrix respectively. In these new three-dimensional and
attempts to concentrate the relevant information contained in the penta-dimensional spaces created, the samples were grouped according
variables measured in a lower number of variables without losing of their neighborhood H values (NH). One sample from every group was
relevant information. Regression is carried out with these new vari- allocated in the calibration set. In addition, to create the validation set,
ables, simplifying the calibration model and interpretation of the re- another sample from every group was selected. So, 32 samples were
sults. Win ISI® (v1.50) (Infrasoft International, LLC, Port. Matilda, PA, selected to develop a calibration process in 2016 season. Only 27
USA) was used for carried out DPLS analyses and they were performed samples were allocated in the validation set because some groups cre-
using, as independent variables (X), grape skin spectra allocated into ated had not more than one sample. Following a similar procedure in
the calibration sets. In addition, developed models were tested with 2017, 23 and 18 samples formed the calibration and validation set re-
spectra allocated into the validation sets and the percentages of samples spectively.
correctly classified in external validation were obtained.
Pearson's similarity index was also applied to discriminate spectral 3.2. Quantitative calibrations
samples according to their extractable contents. Average spectra of
samples allocated into the calibration set with low or high extractable Quantitative calibrations were developed by modified partial least
content were respectively obtained. Next, a Pearson's linear regression squares (MPLS) regression. These calibrations were performed using, as
was performed between each spectral sample and the average spectrum independent variables (X) the grape skin spectra allocated into the
of low extractable content class and the same procedure was repeated calibration sets (i.e., 32 and 23 spectral samples for 2016 and 2017
for the high class. Following, the Pearson's similarity indexes were seasons respectively). Reference parameters (EPC, EFC and EAC) pre-
calculated as: viously determined for grape skin samples in each season were used as
1 dependent variables (Y). The statistical parameters of the final cali-
Similarity index = bration equations are shown in Table 1 where N is the number of
1 R2
samples used to obtain the calibration equation after removing samples
Indexes were compared and samples were classified according this for chemical reasons (T criterion). The mathematical treatment applied
procedure in the group that has obtained the higher index (i.e. low or (i.e., the best of the different tried treatment), the range of application,
high extractable content), obtaining the percentages of samples cor- and standard deviations are also shown for each reference parameter.
rectly classified in internal validation. Last, validation set was used to External validations were carried out for each selected model. In
obtain the percentages of samples correctly classified in external vali- 2016, two samples presented reference values outside of the applic-
dation. This procedure was repeated for each reference parameter (EPC, ability range of the obtained model in the case of EAC. In 2017, one
EFC and EAC) and for each season and it was carried out via Win ISI® sample presented reference values outside of the applicability range of
(v1.50) (Infrasoft International, LLC, Port. Matilda, PA, USA). the obtained models in the cases of EPC and EAC. These samples were
Finally, percentages of samples correctly classified obtained in each removed from their respective validation sets and the validation pro-
qualitative chemometric analysis were jointly plotted in ROC curves via cedures were carried out taking into account only samples which pre-
SPSS 22.0 for Windows software package (SPSS, Inc., Chicago, IL, USA). sented reference values within the applicability range of the obtained
models. As result of the external validation, the standard errors of
3. Results and discussion prediction (SEP) were obtained for each reference variable, these values
were also included in Table 1.
3.1. Sample selection Comparatively, these errors are higher than those obtained in our
previous study developed using a bench top instrument [36] but in
Sample selection was made to reduce the number of samples accordance with the high errors previously obtained by Guidetti et al.
maintaining as much spectral variety as possible as described elsewhere [20] for the estimation of extractable anthocyanins and polyphenols in
in Nogales-Bueno et al. [18]. The selection was carried out from a PCA. grapes using a portable device. With regard to the aforesaid bench top
Using all spectral samples and SNV 2,5,5,1 pretreatment, three and five study, near infrared hyperspectral imaging, with a similar InGaAs
principal components were taken into account in 2016 and 2017 season sensor, was used for the prediction of the same reference parameters.
respectively. More than ninety five per cent of the spectral variability of Hyperspectral imaging was applied to similar samples than ones used in
original spectral matrix was explained in both cases. Ten and eight the present study, that is, Syrah and Tempranillo grapes collected in the
spectral outliers (H > 3) were found respectively and removed from same region at harvest time and the whole grapes were used for the
356
Table 2
Percentages of samples correctly classified as samples with low or high extractable contents of total phenols, flavanols and anthocyanins in seasons 2016 and 2017 by
different chemometric tools.
Season Chemometric tool EPCa EFCb EACc
Internal (%) External (%) Internal (%) External (%) Internal (%) External (%)
2016 LDAd 65.6 48.1 68.8 59.3 59.4 55.6

DPLSe 56.3 40.7 75.0 40.7 75.0 48.1
Pearsonf 68.8 59.3 46.9 37.0 59.0 59.0
2017 LDAd 87.0 44.4 91.3 44.4 91.3 33.3
DPLSe 69.6 50.0 87.0 55.6 78.3 66.7
Pearsonf 73.9 50.0 56.5 72.2 73.9 61.1
a
EPC: extractable phenolic content.
b
EFC: extractable flavanol content.
c
EAC: extractable anthocyanin content.
d
LDA: linear discriminant analysis.
e
DPLS: discriminant partial least square.
f
Pearson: Pearson's similarity index.
spectral data acquisition. Moreover, a similar chemometric metho- initial and final temperatures in the same collection session. Moreover,
dology was applied. Therefore, it is proven that the methodologies other factors that directly affect the performance of the spectroscopic
applied here, the measurement of whole grapes or grape skins in field system such as the berry size variation, the minimum number of berry
with the MicroNIR system, is not as efficient as the in-lab hyperspectral samples to build the model, the heterogeneous phenolic distribution
methodology applied in our previous study. inside the berry or the range of the parameter to be assessed could
In a further step, other qualitative approaches have been carried out influence the obtained results. The size and geometry of grapes com-
to link the phenolic extractable contents in grape skins to their spectral bined with their low spectral reflectance can also be the factors re-
features in the near infrared region. sponsible of these results. Grapes are small and spherical samples and
therefore, they have a high curvature. Small size differences in the
3.3. Qualitative analysis grapes can produce large differences in their curvature and, in con-
sequence, in the reflectance that the MicroNiR device can measure.
For qualitative analysis, the calibration sets of samples are the same These might be the causes of the results obtained in 2016 season.
described above for the quantitative one. Calibration sets were used to As mentioned above, to reduce this problem, a new measurement
develop internal validations and the validation sets described above methodology was carried out in 2017 season. Grapes skins were placed
were used to develop external validations in this qualitative approach. at the bottom of quartz cuvettes for the spectra acquisition trying to
As results of the qualitative analyses carried out (LDA, DPLS and minimize the differences in grape curvature. New models showed better
Pearson's similarity index), different models for the prediction the ex- results, although they were not good enough for considering them
tractable content level of phenolic, flavanolic and anthocyanic com- useful models. The different thickness of the grape skins samples might
pounds (EPC, EFC and EAC) were obtained. The percentages of samples be contribute to as new source of these errors, especially when bare
correctly classified in internal and external validation for each re- skins of reduced number of grapes are used as sample. It is well known
ference parameter and season are shown in Table 2. that NIR radiation penetrates a millimeter or so into the sample, thus,
Similar to quantitative results, the different approaches carried out differences in the thickness of the skins should have some influence on
for the discriminations of samples according to their level of extractable the collected spectra. In consequence, grapes, unlike other bigger or
compounds show unremarkable results. Only internal validations in grounded samples, do not seem to be susceptible of being correctly
2017 season show fairly good results (especially for LDA). However, measured by portable NIR spectroscopes such as the described in this
these results are not consistent in the external validation procedure and study.
percentages of correctly classified samples fall even more than in 2016
season. To easily compare the different chemometric tools applied, ROC 4. Conclusion
(Receiver Operating Characteristic) curves have been plotted (Fig. 2).
ROC curves confirm the trends deduced from Table 2. The mea- A number of spectral pretreatments and MPLS calibrations were
surement of grape skin in quartz cuvettes, carried out in 2017 season, interrogated to develop quantitative models. Moreover, different che-
resulted in a slight improvement in the percentages of samples correctly mometric strategies were performed to develop a qualitative analysis of
classified according their EPC, EFC and EAC levels. However, this im- the data. However, the procedure reported here does not present en-
provement does not seem to be enough for taking into account these ough accuracy for the “in vineyard” screening of extractable poly-
models as useful ones. phenols in red grape skins, although promising results have been ob-
tained in our lab for other matrix [37] and for the same matrix using a
3.4. Discussion similar benchtop methodology [18]. Although the aforesaid device has
been developed for its use out of lab, vineyard environmental condi-
The influence of different error sources related to the varying con- tions (extreme temperature conditions in most of cases in a warm cli-
ditions of field measurements should be considered. The environmental mate) maybe play a critical role on its use. This factor is also a critical
conditions of the vineyard (extreme temperature conditions in most of one not only in portable devices, but also for the benchtop ones. Fur-
cases in a warm climate) maybe played a critical role on the obtained thermore, heterogeneity of analyzed grapes and the own features of the
results. This factor is also a critical one not only in portable devices, but berries (size, geometry or skin grape thickness) may also have influence
also for the benchtop ones. Although the sample collections were car- on the obtained data and especial attention should be paid for further
ried out early in the morning, there is an important gap between the studies.
357
Fig. 2. Receiver operating characteristic (ROC) curves of different chemometric tools applied (LDA, DPLS and Pearson's similarity index) for each parameter
(extractable total phenolic content, extractable flavanol content and extractable anthocyanin content) and each season (2016 and 2017). Internal and external
validation results are shown.
358
Acknowledgments destructive determination of maturity of wine grapes, Meas. Sci. Technol. 14 (5)
(2003) 689–697.
[17] J.M. Hernández-Hierro, J. Nogales-Bueno, F.J. Rodríguez-Pulido, F.J. Heredia,
The authors thank the technical staff of Biology Service [Servicios Feasibility study on the use of near-infrared hyperspectral imaging for the screening
Generales de Investigación (SGI), Universidad de Sevilla]. of anthocyanins in intact grapes during ripening, J. Agric. Food Chem. 61 (41)
(2013) 9804–9809.
[18] J. Nogales-Bueno, B. Baca-Bocanegra, F.J. Rodríguez-Pulido, F.J. Heredia,
Fundings J.M. Hernández-Hierro, Use of near infrared hyperspectral tools for the screening of
extractable polyphenols in red grape skins, Food Chem. 172 (2015) 559–564.
This work was supported by the Spanish Ministerio de Economía y [19] V. Gonzalez-Caballero, M.-T. Sanchez, J. Fernandez-Novales, M.-I. Lopez, D. Perez-
Marin, On-vine monitoring of grape ripening using near-infrared spectroscopy,
Competitividad [project AGL-2014-58486-C2 and AGL-2017-84793- Food Anal. Methods 5 (6) (2012) 1377–1385.
C2]; and Universidad de Sevilla [B. Baca-Bocanegra predoctoral grant [20] R. Guidetti, R. Beghi, L. Bodria, Evaluation of frape quality parameters by a simple
(VPPI-II.2) and J. Nogales-Bueno postdoctoral grant (VPPI-II.4)] VIS/NIR system, Trans. ASABE 53 (2) (2010) 477–484.
[21] M. Larrain, A.R. Guesalaga, E. Agosin, A multipurpose portable instrument for
determining ripeness in wine grapes using NIR spectroscopy, IEEE Trans. Instrum.
Appendix A. Supporting information Meas. 57 (2) (2008) 294–302.
[22] R. Urraca, A. Sanz-Garcia, J. Tardaguila, M.P. Diago, Estimation of total soluble
Supplementary data associated with this article can be found in the solids in grape berries using a hand-held NIR spectrometer under field conditions, J.
Sci. Food Agric. 96 (9) (2016) 3007–3016.
online version at doi:10.1016/j.talanta.2018.09.057. [23] J. Nogales-Bueno, F.J. Rodríguez-Pulido, B. Baca-Bocanegra, M.L. González-Miret,
F.J. Heredia, J.M. Hernández-Hierro, Hyperspectral Imaging - A Novel Green
References Chemistry Technology for the Oenological and Viticultural Sectors, (2016), pp.
45–56.
[24] J. Nogales-Bueno, J.M. Hernández-Hierro, F.J. Rodríguez-Pulido, F.J. Heredia,
[1] A. Crozier, M.N. Clifford, H. Ashihara, Plant Secondary Metabolites. Occurrence, Determination of technological maturity of grapes and total phenolic compounds of
Structure and Role in the Human Diet, Blackwell Publishing, Blackwell Publishing, grape skins in red and white cultivars during ripening by near infrared hyper-
Oxford, England, 2006. spectral image: a preliminary approach, Food Chem. 152 (2014) 586–591.
[2] R.E. Koes, F. Quattrocchio, J.N.M. Mol, The flavonoid biosynthetic pathway in [25] J.M. Hernández-Hierro, J. Nogales-Bueno, F.J. Rodríguez-Pulido, F.J. Heredia,
plants: function and evolution, Bioessays 16 (2) (1994) 123–132. Feasibility study on the use of near-infrared hyperspectral imaging for the screening
[3] A.L. Waterhouse, Wine Phenolics, The New York Academy of Sciences, New York, of anthocyanins in intact grapes during ripening, J. Agric. Food Chem. 61 (41)
New york, 2002. (2013) 9804–9809.
[4] C.A. Rice-Evans, J. Miller, G. Paganga, Antioxidant properties of phenolic com- [26] J. Nogales-Bueno, F.J. Rodríguez-Pulido, F.J. Heredia, J.M. Hernández-Hierro,
pounds, Trends Plant Sci. 2 (4) (1997) 152–159. Comparative study on the use of anthocyanin profile, color image analysis and near-
[5] B. Gordillo, F.J. Rodríguez-Pulido, M.L. González-Miret, N. Quijada-Morín, infrared hyperspectral imaging as tools to discriminate between four autochthonous
J.C. Rivas-Gonzalo, I. García-Estévez, F.J. Heredia, M.T. Escribano-Bailón, red grape cultivars from La Rioja (Spain), Talanta 131 (2015) 412–416.
Application of differential colorimetry to evaluate anthocyanin–flavonol–flavanol [27] M. Urbano, M.D.L. de Castro, P.M. Perez, J. Garcia-Olmo, M.A. Gomez-Nieto,
ternary copigmentation interactions in model solutions, J. Agric. Food Chem. 63 Ultraviolet-visible spectroscopy and pattern recognition methods for differentiation
(35) (2015) 7645–7653. and classification of wines, Food Chem. 97 (1) (2006) 166–175.
[6] J. Nogales-Bueno, B. Baca-Bocanegra, M.J. Jara-Palacios, J.M. Hernández-Hierro, [28] R. Ferrer-Gallego, J.M. Hernández-Hierro, J.C. Rivas-Gonzalo, M.T. Escribano-
F.J. Heredia, Evaluation of the influence of white grape seed extracts as copigment Bailón, A comparative study to distinguish the vineyard of origin by NIRS using
sources on the anthocyanin extraction from grape skins previously classified by near entire grapes, skins and seeds, J. Sci. Food Agric. 93 (4) (2013) 967–972.
infrared hyperspectral tools, Food Chem. 221 (2017) 1685–1690. [29] C.J. Bevin, R.G. Dambergs, A.J. Fergusson, D. Cozzolino, Varietal discrimination of
[7] R.S. Jackson, Chemical constituents of grapes and wine, in: R.S. Jackson (Ed.), Wine Australian wines by means of mid-infrared spectroscopy and multivariate analysis,
Science: Principles, Prectice And Perception, Academic Press, San Diego, California, Anal. Chim. Acta 621 (1) (2008) 19–23.
2000, pp. 232–280. [30] B. Gordillo, F.J. Rodriguez-Pulido, N. Mateus, M.L. Escudero-Gilete, M.L. Gonzalez-
[8] D. Fournand, A. Vicens, L. Sidhoum, J.M. Souquet, M. Moutounet, V. Cheynier, Miret, F.J. Heredia, V. de Freitas, Application of LC-MS and tristimulus colorimetry
Accumulation and extractability of grape skin tannins and anthocyanins at different to assess the ageing aptitude of Syrah wine in the Condado de Huelva D.O. (Spain),
advanced physiological stages, J. Agric. Food Chem. 54 (2006) 7331–7338. a typical warm climate region, Anal. Chim. Acta 732 (2012) 162–171.
[9] F. Torchio, E. Cagnasso, V. Gerbi, L. Rolle, Mechanical properties, phenolic com- [31] V.L. Singleton, citation classic - colorimetry of total phenolics with phosphomo-
position and extractability indices of Barbera grapes of different soluble solids lybdic-phosphotungstic acid reagents, Curr. Contents/Agric. Biol. Environ. Sci. (48)
contents from several growing areas, Anal. Chim. Acta 660 (1–2) (2010) 183–189. (1985) (18-18).
[10] I. Zouid, R. Siret, F. Jourjon, E. Mehinagic, L. Rolle, Impact of grapes heterogeneity [32] N. Vivas, Y. Glories, L. Lagune, C. Saucier, M. Augustin, Estimation du degré de
according to sugar level on both physical and mechanical merries properties and polymérisation des procyanidines du raisin et du vin par la méthode au p-
their anthocyanins extractability at harvest, J. Texture Stud. 44 (2) (2013) 95–103. dimethylaminocinnamaldéhyde, J. Int. Sci. Vigne Vin. 28 (1994) 319–336.
[11] D. Cozzolino, R.G. Dambergs, L. Janik, W.U. Cynkar, M. Gishen, Analysis of grapes [33] M. García-Marino, J.M. Hernández-Hierro, J.C. Rivas-Gonzalo, M.T. Escribano-
and wine by near infrared spectroscopy, J. Infrared Spectrosc. 14 (5) (2006) Bailón, Colour and pigment composition of red wines obtained from co-maceration
279–289. of Tempranillo and Graciano varieties, Anal. Chim. Acta 660 (1–2) (2010) 134–142.
[12] R. Ferrer-Gallego, J.M. Hernández-Hierro, J.C. Rivas-Gonzalo, M.T. Escribano- [34] R.G. Brereton, Chemometrics: data analysis for the laboratory and chemical plant,
Bailón, Feasibility study on the use of near infrared spectroscopy to determine J. Wiley, Chichester, West Sussex, Engl. (2003).
flavanols in grape seeds, Talanta 82 (5) (2010) 1778–1783. [35] J.S. Shenk, M.O. Westerhaus, Routine Operation,Calibration, Development and
[13] R. Ferrer-Gallego, J.M. Hernández-Hierro, J.C. Rivas-Gonzalo, M.T. Escribano- Network System Management Manual, NIRSystems, Silver Spring, Maryland, 1995.
Bailón, Determination of phenolic compounds of grape skins during ripening by NIR [36] J. Nogales-Bueno, B. Baca-Bocanegra, F.J. Rodríguez-Pulido, F.J. Heredia,
spectroscopy, LWT-Food Sci. Technol. 44 (4) (2011) 847–853. J.M. Hernández-Hierro, Use of near infrared hyperspectral tools for the screening of
[14] D. Cozzolino, M.J. Kwiatkowski, M. Parker, W.U. Cynkar, R.G. Dambergs, extractable polyphenols in red grape skins, Food Chem. 172 (2015) 559–564.
M. Gishen, M.J. Herderich, Prediction of phenolic compounds in red wine fer- [37] B. Baca-Bocanegra, J. Nogales-Bueno, J.M. Hernández-Hierro, F.J. Heredia,
mentations by visible and near infrared spectroscopy, Anal. Chim. Acta 513 (1) Screening of extractable polyphenols (extractable total phenolic and ellagitannin
(2004) 73–80. contents) in cooperage byproducts: evaluation of portable micro near infrared
[15] R.G. Dambergs, D. Cozzolino, W. Cynkar, A. Kambouris, I. Francis, P.B. Høj, M. spectroscopy technology, in: Proceedings of the In Vino Analytica Scientia
Gishen, The use of near infrared spectroscopy for grape quality measurement, 2003. Symposium, Salamanca, Spain, 2017.
[16] J. Herrera, A. Guesalaga, E. Agosin, Shortwave-near infrared spectroscopy for non-
359
CAPÍTULO 5
CAPÍTULO 5: APLICACIÓN DE TECNOLOGÍA PORTÁTIL

MICRO-NIRS AL ANÁLISIS DE LA COMPOSICIÓN FENÓLICA
EXTRAÍBLE DE SUBPRODUCTOS DE TONELERÍA
En: Baca Bocanegra, Berta; Nogales Bueno, Julio; García Estévez, Ignacio; Escribano Bailón,
María Teresa; Hernández Hierro, José Miguel; Heredia Mira, Francisco José: Screening of wine
extractable total phenolic and ellagitannin contents in revalorized cooperage byproducts:
evaluation by Micro-NIRS technology. Food and Bioprocess Technology, (en revisión).
1. Antecedentes
En los últimos años, la utilización de madera de roble como fuente natural de copigmentos en
vinificación se ha convertido en una práctica enológica extendida. Los compuestos fenólicos de
la madera se liberan al vino y pueden modificar propiedades organolépticas como el aroma, el
color o la astringencia. La presencia en el vino de elagitaninos procedentes de la madera influye
en la evolución de su color, tanto por su efecto protector de los antocianos frente a la oxidación,
que favorece las reacciones de copigmentación flavanol-antociano, como por su combinación
directa con los antocianos que conduce a una mayor estabilidad de los pigmentos (Chassaing, et
al., 2010; Vivas, et al., 1996). Teniendo en cuenta lo anterior, la predicción del contenido de
compuestos fenólicos de la madera y su capacidad de extracción desde la matriz al medio
hidroalcohólico resulta de interés en la industria enológica.
Son conocidas las ventajas que las técnicas espectroscópicas tienen respecto a las técnicas
tradicionales usadas en el sector vitivinícola para la predicción de distintos parámetros enológicos
de interés (Ferrer-Gallego, et al., 2010; Ferrer-Gallego, et al., 2011; Hernández-Hierro, et al.,
2013; Nogales-Bueno, et al., 2015) tal y como puede comprobarse además en los Capítulos 2 y 3
de esta memoria (Baca-Bocanegra, Nogales-Bueno, Heredia, y Hernandez-Hierro, 2018; Baca-
Bocanegra, Nogales-Bueno, Hernandez-Hierro, y Heredia, 2018). Debido a los avances en la
investigación, en los últimos tiempos se ha prestado considerable atención a la miniaturización y
portabilidad de los dispositivos espectroscópicos. El espectrómetro MicroNIR Pro Lite 1700 es
un potente instrumento que ofrece varias ventajas para el análisis no destructivo: pequeño tamaño,
bajo coste, robustez, simplicidad de análisis, ergonomía de diseño y portabilidad, lo que evita el
transporte de la muestra y por tanto mejora la preservación de la misma. Este equipo permite el
desarrollo de nuevas aplicaciones que pueden implementarse en línea o in situ.
En la industria enológica, el desarrollo de modelos aplicables in situ permitirá una mayor

versatilidad y eficiencia para la toma de decisiones en tiempo real en el proceso de vinificación
157
sobre la adecuación y/o dosificación de madera de roble, subproducto de tonelería, dependiendo

de sus características espectrales y propiedades de extractabilidad.
2. Objetivo
El objetivo de este capítulo ha sido evaluar la viabilidad del uso de un dispositivo portátil
miniaturizado de espectroscopía de infrarrojo cercano, con el fn de estimar in situ el contenido
extraíble de fenoles totales y elagitaninos en viruta cruda de roble americano, subproducto de
tonelería.
Para la realización de este estudio se utilizó el conjunto de doscientas muestras de viruta cruda
de roble americano (Quercus alba L.), utilizado en el Capítulo 3. La adquisición espectral se
realizó utilizando un espectrofotómetro NIR portátil (MicroNIR Pro Lite 1700) que cubre el rango
espectral entre 908 y 1676 nm. En este caso, dado que el equipo utilizado realiza una adquisición
espectral puntual y no un barrido de la superficie de la muestra como en el caso de la cámara
hiperespectral, se registraron seis réplicas espectrales para cada muestra, se calculó el espectro
medio y se constituyó una matriz espectral formada por los espectros medios de cada una de las
200 muestras. Los espectros de cada muestra se calibraron utilizando un patrón de referencia
Labsphere® como referencia blanca (100% de reflectancia), mientras que la corriente oscura (0%
de reflectancia) se registró al aire, colocando el dispositivo a aproximadamente 0.5 metros de
cualquier
En este capítulo se realiza un procedimiento analítico análogo al realizado en el Capítulo 3

con el objetivo de evaluar la espectroscopía NIR portátil para la predicción del contenido fenólico
extraíble en virutas de roble americano y comparar los resultados con los obtenidos utilizando un
equipo de sobremesa de características similares, debido a la importancia que este parámetro tiene
en la industria enológica y a las ventajas que la portabilidad del equipo puede proporcionar en
este campo.
Para la selección de muestras a través del análisis de componentes principales se tuvieron en

cuenta 5 componentes principales que permitieron explicar el 96.23 % de la variabilidad espectral
original. Se identificaron 10 outliers espectrales que se eliminaron del conjunto inicial de
muestras. Las 190 muestras restantes fueron ordenadas en este espacio pentadimensional de
acuerdo a su distancia de Mahalanobis (𝐻) y se agruparon todas las muestras que tuvieran una
distancia de Mahalanobis a la muestra vecina (𝑁𝐻) menor que 0.6, obteniéndose 18 grupos
distintos de los cuales 3 estaban formados por una única muestra. En este caso se constituyeron
158
CAPÍTULO 5
conjuntos de calibración y validación formados por 18 y 15 muestras respectivamente. Estos sets

de muestras fueron utilizados, respectivamente, para realizar el calibrado mediante regresión por
mínimos cuadrados parciales modificada (MPLS) y la validación externa de los modelos
desarrollados.
Se determinó el contenido extraíble de fenoles totales y elagitaninos en viruta de roble

americano para las 33 muestras de viruta seleccionadas. Para ello, las muestras de viruta fueron
maceradas durante tres días en vino sintético. Seguidamente, se determinó la concentración de los
fenoles totales presentes en los extractos utilizando el método espectrofotométrico de
Folin−Ciocalteu (Singleton, et al., 1965) y la concentración de elagitaninos individuales siguiendo
el método cromatográfico descrito por García-Estévez, et al. (2012). La suma de elagitaninos
individuales fue expresada como elagitaninos totales.
Los modelos desarrollados para estimar el contenido extraíble de fenoles totales, elagitaninos
totales, castalagina, vescalagina, granidina y roburina E, a partir de la información espectral y los
valores de referencia calculados, ofrecen resultados satisfactorios obteniéndose coeficientes de
determinación (RSQ) mayores de 0.9 y errores estándar de predicción (SEP) comprendidos entre
13.68% y 23.51% para todos los parámetros evaluados. Estos errores son comparativamente
similares o incluso menores que los errores obtenidos previamente para el contenido total o
extraíble de estos compuestos usando equipos de sobremesa (B. Baca-Bocanegra, et al., 2018;
Giordanengo, et al., 2009).
Los métodos desarrollados se utilizaron para predecir los contenidos extraíbles de fenoles
totales y elagitaninos en todas las muestras (190), sin tener en cuenta los outliers espectrales. En
concordancia con los resultados obtenidos en el Capítulo 3, se aprecia una variabilidad sustancial
de los parámetros evaluados dentro de cada grupo de muestras (A, B, C, D), además de diferencias
en función de la dirección de procesado de las duelas con respecto a las fibras para obtener las
virutas, siendo mayor el contenido fenólico extraíble en las muestras de los conjuntos A, B y C,
obtenidas mediante procesados de las duelas en la dirección longitudinal de las fibras, que en
aquellas obtenidas tras un procesado de las duelas en la dirección transversal (D).
4. Conclusiones
 El análisis espectral desarrollado utilizando el espectrómetro portátil MicroNIR

constituye una técnica prometedora para la evaluación de rutina de los compuestos
fenólicos extraíbles en el subproducto de tonelería, proporcionando resultados
comparables e incluso menores que los obtenidos con equipos de sobremesa.
 La aplicación del modelo desarrollado confirma los resultados obtenidos en el Capítulo
3 en cuanto a la heterogeneidad en el contenido extraíble de compuestos fenólicos de
159
madera de roble: se observan diferencias entre las muestras obtenidas tras procesados de
las duelas en dirección longitudinal y transversal de las fibras además de variabilidad de
este parámetro dentro de cada grupo.
 El desarrollo de modelos aplicables in situ permitirá una mayor versatilidad y eficiencia
para la toma de decisiones en el proceso de vinificación sobre la adecuación y/o
dosificación de los subproductos de acuerdo con los requisitos del vino.
160
Food and Bioprocess Technology
Screening of wine extractable total phenolic and ellagitannin contents in revalorized
cooperage byproducts: evaluation by MICRO-NIRS technology
--Manuscript Draft--
Manuscript Number:
Full Title: Screening of wine extractable total phenolic and ellagitannin contents in revalorized
cooperage byproducts: evaluation by MICRO-NIRS technology
Article Type: Original Research
Keywords: red wine; oak byproduct; phenolic compounds; ellagitannin; MICRO-NIRS
Corresponding Author: José Miguel Hernández-Hierro

Universidad de Sevilla
Sevilla, SPAIN
Order of Authors: Berta Baca-Bocanegra
Julio Nogales-Bueno
Ignacio García-Estévez
María Teresa Escribano-Bailón
José Miguel Hernández-Hierro
Corresponding Author Secondary

Information:
Corresponding Author's Institution: Universidad de Sevilla
Corresponding Author's Secondary

Institution:
First Author: Berta Baca-Bocanegra
First Author Secondary Information:
Order of Authors Secondary Information:
Funding Information: Spanish Ministerio de Economía y Not applicable

Competitividad
(AGL2017-84793-C2)
Universidad de Sevilla Miss Berta Baca-Bocanegra
(VPPI-II.2)
Universidad de Sevilla Dr Julio Nogales-Bueno
(VPPI-II.4)
FEDER-Interreg España-Portugal Dr Ignacio García-Estévez
Programme
(0377_IBERPHENOL_6_E)
Abstract: The addition of commercial oak wood as copigments sources has been used to get
high quality red wines in the last years. During the contact time, different oak
compounds such as phenolic compounds are released from the wood to the wine, thus
affecting its organoleptic properties such as aroma, color or astringency. Wood
processing for the elaboration of barrels generates by-products which also seem to be
interesting in the oenological field due to its potential capacity of release high added
value compounds for wine.
Determining phenolic compounds of wood and its extractability to the hydroalcoholic
medium is important in the oenological industry. The method proposed in this study
cope with this issue in an in situ, non-destructive and fast way. For this purpose, a
number of oak by-product samples spectrally representative have been selected.
Selected spectral data have been correlated with oak wood extractable polyphenols
(extractable total phenolic content and extractable ellagitannin content) by modified
partial least squares regression (MPLS) using a number of spectral pre-treatments.
The obtained results are comparable with those obtained using bench top devices and
Powered by Editorial Manager® and ProduXion Manager® from Aries Systems Corporation
presents the advantage of its eventual friendly use out of lab. Development of
applicable models in situ will allow a greater versatility and efficiency for the decision-
making in the winemaking process on the adequacy and/or dosage of these
byproducts according to the requirements of the wine. The use of cooperage by-
products as source of copigments for wine leads to a sustainable and competitive
cooperage industry, through waste reduction and by-product valorization.
Powered by Editorial Manager® and ProduXion Manager® from Aries Systems Corporation
Manuscript Click here to download Manuscript
B.Baca_Bocanegra_Manuscript.docx
Click here to view linked References
Screening of wine extractable total phenolic and ellagitannin contents

1
2
3 in revalorized cooperage byproducts: evaluation by MICRO-NIRS
4
5
6 technology
7
8
9 Berta Baca-Bocanegra1, Julio Nogales-Bueno1, Ignacio García-Estévez2, María Teresa
10
11 Escribano-Bailón2, José Miguel Hernández-Hierro1,*and Francisco José Heredia1
12
13
14
15
16
17
18 1
19
Food Colour and Quality Laboratory, Á. Nutrición y Bromatología, Facultad de
20
21 Farmacia, Universidad de Sevilla, 41012 Sevilla, Spain.
22
23
24 2
25 Grupo de Investigación en Polifenoles (GIP), Unidad de Nutrición y Bromatología,
26
27 Facultad de Farmacia, Universidad de Salamanca, Salamanca, Spain.
28
29
30
31
32
33 * Corresponding author: José Miguel Hernández-Hierro
34
35
36 Phone: +34 954556495
37
38
39
40 E-mail: [email protected]
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62 1
63
64
65
ABSTRACT
1
2 The addition of commercial oak wood as copigments sources has been used to get high
3
4
5 quality red wines in the last years. During the contact time, different oak compounds
6
7 such as phenolic compounds are released from the wood to the wine, thus affecting its
8
9
10 organoleptic properties such as aroma, color or astringency. Wood processing for the
11
12 elaboration of barrels generates by-products which also seem to be interesting in the
13
14
15
oenological field due to its potential capacity of release high added value compounds
16
17 for wine.
18
19 Determining phenolic compounds of wood and its extractability to the hydroalcoholic
20
21
22 medium is important in the oenological industry. The method proposed in this study
23
24 cope with this issue in an in situ, non-destructive and fast way. For this purpose, a
25
26
27 number of oak by-product samples spectrally representative have been selected.
28
29 Selected spectral data have been correlated with oak wood extractable polyphenols
30
31
32
(extractable total phenolic content and extractable ellagitannin content) by modified
33
34 partial least squares regression (MPLS) using a number of spectral pre-treatments.
35
36 The obtained results are comparable with those obtained using bench top devices and
37
38
39 presents the advantage of its eventual friendly use out of lab. Development of applicable
40
41 models in situ will allow a greater versatility and efficiency for the decision-making in
42
43
44 the winemaking process on the adequacy and/or dosage of these byproducts according
45
46 to the requirements of the wine. The use of cooperage by-products as source of
47
48
49 copigments for wine leads to a sustainable and competitive cooperage industry, through
50
51 waste reduction and by-product valorization.
52
53
54
Keywords: red wine, oak byproduct, phenolic compounds, ellagitannin, MICRO-NIRS
55
56
57
58
59
60
61
62 2
63
64
65
Introduction
1
2 In grape berries, the balance between technological and phenolic parameters is a key
3
4
5 factor for obtaining quality red wines, especially in terms of their color. Anthocyanins
6
7 are the main responsible for the colour of red wines, and their interactions with other
8
9
10 phenolic compounds, called copigments, allow improving the color stabilization of aged
11
12 wines by copigmentation or stabilization reactions (Boulton 2001; Escribano-Bailón and
13
14
15
Santos-Buelga 2012). However, grapevine berries are commonly harvested on the base
16
17 of technological maturity parameters often without considering properly phenolic
18
19 maturity. Under warm climatic conditions, it is a usual pattern that grapes have high
20
21
22 sugar content but insufficient levels of phenolic compounds (pigments and copigments).
23
24 Wines made from these grapes are not able to form much copigmentation and as a
25
26
27 result, the color stabilization does not correctly develop and fall of color normally
28
29 occurred during winemaking maturation, especially when they are subjected to ageing
30
31
32
process (Boulton 2001; Ribéreau-Gayon et al. 2006).
33
34 The addition of commercial oak wood (Del Álamo et al. 2008; Nevares et al. 2008) or
35
36 wood compounds (Balík et al. 2017) have been aimed at implementing the production
37
38
39 of high quality red wines in the last years. During the contact time, different types of
40
41 oak compounds are released from the wood to the wine, thus affecting its organoleptic
42
43
44 properties such as aroma, color or astringency. Among these compounds, ellagitannins,
45
46 with several hydroxyl groups, can take part in oxidation reactions (Vivas and Glories
47
48
49 1996; Ignacio García-Estévez et al. 2017) that may favor the polymerization reactions
50
51 between flavanols and between flavanols and anthocyanins. Furthermore, they can
52
53
54
directly react with these types of compounds giving rise to flavanol-ellagitannins or
55
56 anthocyano-ellagitanins (Chassaing et al. 2010; Ignacio García-Estévez et al. 2013; I.
57
58 García-Estévez et al. 2013). Thus, ellagitannins may be involved in the changes of
59
60
61
62 3
63
64
65
colour during maturation and ageing of wine, helping to improve colour stability and
1
2 also protecting it against oxidation.
3
4
5 Wood processing for the elaboration of barrels generates by-products that seem to be an
6
7 interesting product in the oenological field due to its potential capacity of release high
8
9
10 added-value compounds for wine. Taking this into account, the use of barrel-shoot
11
12 wastes as a source of copigments for wine could become a sustainable and profitable
13
14
15
alternative to get high quality red wine for the oenological industry and to disposal of
16
17 their byproducts for the cooperage industry. In this sense, other products of the
18
19 oenological industry, as the grape pomace have been characterized for food waste
20
21
22 valorization (Páscoa et al. 2014).
23
24 Predicting phenolic compounds of wood and its extractability from the matrix to the
25
26
27 hydroalcoholic medium could be important in the oenological industry. Accordingly,
28
29 chemical techniques, such as chromatography and mass spectroscopy, have been used in
30
31
32
several studies focused on evaluate the oak wood phenolic extraction process and how
33
34 is the extractability affected by factors as oak toasted degree or the type of aging
35
36 performed (Chira and Teissedre 2013; I. García-Estévez et al. 2015; Jourdes et al.
37
38
39 2011). These studies achieve very accurate results but they used destructive and time
40
41 consuming analyses that also require the use of chemical reagents. It is undesirable
42
43
44 when the work flow is relatively fast.
45
46 Vibrational spectroscopy techniques represent emerging analytical procedure, which are
47
48
49 enjoying increasing popularity in the industry as non-destructive, environmental
50
51 friendly and rapid technique. The different fields of application of these techniques
52
53
54
highlight its enormous versatility. In the oenological sector, the application of infrared
55
56 spectroscopy is well known and extended. Classic NIR spectroscopy has been used to
57
58 determine parameters in grapes such total polyphenols, extractable anthocyanins,
59
60
61
62 4
63
64
65
concentration of sugars, density (Kemps et al. 2010), total anthocyanins (Cozzolino et
1
2 al. 2006) and the main families of phenolic compounds (Ferrer-Gallego et al. 2011;
3
4
5 Ferrer-Gallego et al. 2010). In previous works carried out in our laboratory, near
6
7 infrared hyperspectral imaging has been used to develop screening methods in order to
8
9
10 measure phenols concentration in grape or grape seeds (Hernández-Hierro et al. 2013;
11
12 Nogales-Bueno et al. 2015; Rodriguez-Pulido et al. 2014). In a further step,
13
14
15
spectroscopic methods based on near-infrared spectroscopy have also shown great
16
17 potential for analyses of wood for oenological purposes. Giordanengo et al. (2009) used
18
19 classic NIR spectroscopy for the screening of extractable polyphenols in staves used to
20
21
22 manufacture barrels oak wood. Its use was then extended for the selection of oak for
23
24 oenology. So, Michel et al. (2013) carried out a validation of the aforesaid method by
25
26
27 means of the determination of ellagitannin content and organoleptic properties of wines
28
29 aging in wood barrels classified by NIRS. Finally NIR hyperspectral imaging has been
30
31
32
also used for the screening of the extractable polyphenolic compounds (extractable total
33
34 phenolic content) in wood cooperage byproduct by Baca-Bocanegra et al. (2018).
35
36 However, despite the fast and effective proficiency of near-infrared spectroscopy to
37
38
39 predict different parameters in wine sector, most of these studies carried out at lab
40
41 imply sample transportation. To solve this problem and fulfill other sophisticated
42
43
44 conditions for its application in the industry, new generation of portable/handheld NIR
45
46 spectrometers have been developed within the last years. These systems incorporate the
47
48
49 analytical precision for chemical identification and quantitation with a spectral
50
51 resolution equivalent to bench-top instruments, allowing for flexibility for in-plant
52
53
54
analysis since the unit can be easily carried and transferred. In the agro-food industry
55
56 the potential of this technique has been highlighted for assessing the quality of fruits
57
58 nondestructively in the field under different weather conditions (Abu Izneid et al. 2014;
59
60
61
62 5
63
64
65
Antonucci et al. 2011; Camps et al. 2012). In the viticulture sector, portable NIR
1
2 devices have been implemented for assessing and monitoring grape ripeness directly in
3
4
5 the field. Phenol ripening parameters such as the concentration of anthocyanins and
6
7 polyphenols have been evaluated (González-Caballero et al. 2012; Guidetti et al. 2010;
8
9
10 Larrain et al. 2008). However, references for the use of this technique in the analysis of
11
12 oak wood for oenological purposes have not been found. The development of applicable
13
14
15
models in situ will allow a greater versatility and efficiency for the real time decision-
16
17 making in the vinification process on the adequacy and / or dosage of these byproducts
18
19 depending on its spectral features and extractability properties.
20
21
22 The aim of this study was to develop a rapid and reliable method using a portable NIR
23
24 spectrometer for the screening of extractable polyphenols (extractable total phenolic and
25
26
27 ellagitannin contents) in cooperage byproduct. To our knowledge, this is the first time
28
29 that portable micro near infrared spectroscopy technology has been applied to face the
30
31
32
aforementioned goals.
33
34 Material and methods
35
36 Samples
37
38
39 American non-toasted oak (Quercus alba L.) shavings, cooperage byproduct, were used
40
41 for this study. Samples were provided by Tonelería Salas S.L. (Bollullos Par del
42
43
44 Condado, Huelva, Spain) and were collected as previously reported in Baca-Bocanegra
45
46 et al. (2018). Wood staves were seasoned under natural conditions in the open air during
47
48
49 24 months approximately before being used in the process of making barrels. In order to
50
51 achieve representative sample sets, the samples were taken at 4 different points in the
52
53
54
process of making barrels, so four samples were collected at each date (A, B, C and D).
55
56 Samples belonging to A, B and C groups are generated by different sawing processes of
57
58 the staves but always in the longitudinal direction of the fibers. In detail, an automatic
59
60
61
62 6
63
64
65
or manual processing of the staves is the only difference between the samples A and B
1
2 respectively. With respect to the group D, the samples are the result of a processing of
3
4
5 the staves in the transversal direction of the fibers. All sampling points are pre-molded
6
7 and pre-toasted of the staves. Samples were collected periodically, between June of
8
9
10 2015 and January of 2016. Two hundred samples were collected during the aforesaid
11
12 period. Upon receipt, the samples were sieved and subjected to the spectral analysis.
13
14
15
Wood shaving samples were screened using 2 mm and 10 mm mesh sieves placed in
16
17 tandem. Only shaves of each sample which were retained between them were taken into
18
19 account in the assay. After that, wood shavings were placed in stoppered plastics bags
20
21
22 and stored in a dry chamber until use.
23
24 Spectral data acquisition.
25
26
27 The spectral reflectance data were collected using MicroNIR Pro Lite 1700 device
28
29 (VIAVI, Santa Rosa, California, USA), an instrument designed to measure diffuse
30
31
32
reflectance in the NIR region of the electromagnetic spectrum. The MicroNIR owes its
33
34 small size to the novel thin-film linearly variable filter (LVF) used as the dispersive
35
36 element. The LVF is directly coupled to a linear detector array (128-pixel uncooled
37
38
39 InGaAs photodiode array), covering the spectral range between 908 and 1676 nm
40
41 (spectral resolution of 6.2 nm). The filter coating in the LVF is wedged in one direction
42
43
44 and as a result of the varying film thickness; the wavelength transmitted through the
45
46 filter varies linearly in the direction of the wedge. The LVF makes each pixel of the
47
48
49 detector respond to a different wavelength. This ultra-compact spectroscopic engine is
50
51 coupled with a tungsten lamps diffuse illumination system. An image of the MicroNIR
52
53
54
spectrometer and MicroNIR´s optical designed, adapted from VIAVI user manual, is
55
56 provided in Online Resource 1.
57
58
59
60
61
62 7
63
64
65
Spectra were recorded using 9.3 ms as integration time and 100 as scan count using the
1
2 instrument acquisition software MicroNIRTM Pro v.2.2 (VIAVI, Santa Rosa,
3
4
5 California, USA). A two-point reflectance calibration was used. A spectralon® ceramic
6
7 tile was used as a white reference (100% reflectance), whereas dark current (0%
8
9
10 reflectance) was recorded by taking a measurement placing the device about 0.5 meters
11
12 from any object.
13
14
15
Six replicates spectra were recorded for each sample and were exported in Log (1/R)
16
17 units and subsequently the average of the replication spectra was calculated. The
18
19 procedure was repeated for each sample and the obtained spectra were combined into
20
21
22 the spectral matrix.
23
24 Chemical analysis
25
26
27 Total phenol and ellagitannin extractabilities were determined for oak wood samples. In
28
29 order to perform this determination, wood shavings were immersed in a model wine
30
31
32
hydroalcoholic solution (4 g L−1 tartaric acid, 12.5% ethanol, adjusted at pH 3.6 with
33
34 NaOH 0.5 M) for a maceration period of 72 h at room temperature and without
35
36 agitation. Oak wood shavings were added to the wine-like solution in a 4 g L-1 ratio.
37
38
39 This supernatant was used in all of the following reference analysis.
40
41 Extractable total phenolic content was determined using the Folin-Ciocalteu method
42
43
44 (Singleton and Rossi 1965). The absorbance was recorded at 765 nm after 2 hours of
45
46 reaction. This measure was performed in duplicate on an Agilent 8453 UV–visible
47
48
49 spectrophotometer (Palo Alto, USA), equipped with diode array detection (DAD).
50
51 Gallic acid was used as a standard for construction of the calibration curve and the
52
53
54
concentration of total phenols was expressed as gallic acid equivalent in mg g−1 of
55
56 wood.
57
58 Extractable ellagitannin content (castalagin, vescalagin, grandinin, and roburin E) were
59
60
61
62 8
63
64
65
determined using the HPLC-DAD-MS method presented by I. García-Estévez et al.
1
2 (2012). HPLC analyses were performed in a Hewlett-Packard 1100 series liquid
3
4
5 chromatograph (Agilent Technologies,Waldbronn, Germany). Detection was carried out
6
7 at 250 nm as the preferred wavelength. Spectra were recorded from 220 to 600 nm. MS
8
9
10 detection was performed in an API 3200 Qtrap (Applied Biosystems, Darmstadt,
11
12 Germany) equipped with an ESI source and a triple-quadrupole linear ion trapmass
13
14
15
analyzer that was controlled by Analyst 5.1 software (Applied Biosystems, Darmstadt,
16
17 Germany). All analyses were performed in duplicate. Standards of castalagin,
18
19 vescalagin, grandinin, and roburin E were extracted from Q. petraea oak chips and
20
21
22 purified as it is described by García-Estévez and co-workers (I. García-Estévez et al.
23
24 2010).
25
26
27 Data analysis
28
29 An unsupervised pattern recognition technique, principal component analysis (PCA),
30
31
32
was used in order to provide information about the latent structure of spectral matrix
33
34 and to find spectral differences among all spectral samples. This method provides not
35
36 only information related to spectral outliers and the distribution of samples in the
37
38
39 newly-created space, but is also an important source of knowledge with which to create
40
41 cross-validation groups used in the calibration process (Brereton 2003; Shenk and
42
43
44 Westerhaus 1995). PCA was also used to select representative samples from the spectral
45
46 data set. Mahalanobis distances (H) for each sample were calculated and samples were
47
48
49 grouped according their neighborhood H values (NH).
50
51 Different spectral pretreatments were tested to eliminate effects of unwanted signals of
52
53
54
spectra and also to enhance subtle differences between different samples. Scattering
55
56 effects were removed using standard normal variate (SNV), multiplicative scatter
57
58 correction (MSC) and detrending (Geladi, MacDougall, & Martens, 1985; Dhanoa,
59
60
61
62 9
63
64
65
Lister, & Barnes, 1995). Moreover, the effect of differentiation and variations in
1
2 spectral ranges were tested in the development of the NIRS calibrations.
3
4
5 Using the raw spectral data, applying spectral pretreatments and allocating the
6
7 corresponding extractable total phenolic content and extractable ellagitannin content to
8
9
10 each sample, calibrations were performed by modified partial least squares regression
11
12 (MPLS). In this method, the group of calibration samples is divided into a series of
13
14
15
subsets in order to perform cross-validation to set the number of PLS factors, reduce the
16
17 possibility of over fitting (Shenk and Westerhaus 1995) and remove chemical outliers.
18
19 Using the T≥2.5 criterion, samples that presented a high residual value when they were
20
21
22 predicted were eliminated from the set. Finally, validation errors are combined into a
23
24 single figure, the standard error of cross-validation (SECV).
25
26
27 The software used was Win ISI® (v1.50) (Infrasoft International, LLC, Port. Matilda,
28
29 PA, USA). This software allowed the data pretreatment, principal components analysis
30
31
32
and sample selection and development of quantitative models.
33
34 Results and discussion
35
36 Exploratory analysis of spectra
37
38
39 Fig.1a shows the raw average spectra regarding the sampling point of oak wood
40
41 shavings. It can be seen that wood samples belonging to A, B, C and D groups have
42
43
44 different reflectance intensities along some wavelength regions, although with the same
45
46 pattern.
47
48
49 A SNV (2,5,5,1) spectral pre-treatment was applied to the spectra of all samples in the
50
51 908–1676 nm region and after that, principal component analysis was carried out in
52
53
54
order to provide information about the latent structure of spectral matrix. PCA was also
55
56 used in this study to select representative samples from the spectral data set. Sample
57
58 selection was made in order to reduce the number of samples maintaining as much
59
60
61
62 10
63
64
65
spectral variety as possible. Using all spectral samples, five principal components were
1
2 taken into account. More than ninety-five per cent of the spectral variability of the
3
4
5 original spectral matrix was explained (96.23 %). In this five-dimensional space, the
6
7 samples were sorted according to Mahalanobis distances (H). Then, ten spectral outliers
8
9
10 (H>3) were found and removed from this matrix. The 190 remaining samples were
11
12 grouped according their neighborhood H values (NH≤0.6 criterion). So, 18 groups with
13
14
15
different spectral characteristics were created. One sample from every group was
16
17 allocated in the calibration set. Therefore, 18 samples were selected to develop a
18
19 calibration process. In addition, to create the validation set, another sample from every
20
21
22 group was selected. Only 15 samples were allocated in this set because 3 of the 18
23
24 created groups had not more than one sample.
25
26
27 Fig.1b shows the scores of the wood samples in the space defined by the first and
28
29 second principal components which described 53.37 % (PC1) and 30.37 % (PC2) of the
30
31
32
spectral variability in the data. In the scores plot, the samples are represented by a color
33
34 code according to the cutting direction of the staves to obtain them (longitudinal or
35
36 transversal to the fibers). It can be seen that PC1 could be used to differentiate between
37
38
39 longitudinal and transversal group. Furthermore, it also possible to appreciate a
40
41 successful separation between samples according to the different staves processed to
42
43
44 obtain them, in other words, the different sampling points (A, B, C, D) (Fig.1c).
45
46 Samples belonging to A and B groups have been obtained in the same way (an
47
48
49 automatic or manual processing of the staves is the only difference between them) and,
50
51 therefore, it appears partly overlapping in this plot. Fig.1d shows the scores of the
52
53
54
calibration and validation samples in the space defined by PC1 and PC2. This space is
55
56 not entirely the same as the space used to select the calibration and validation sets
57
58 (bearing in mind that 5 PCs were used). However, in this figure, it can be appreciated
59
60
61
62 11
63
64
65
how both the calibration set and the validation set are homogenously allocated in the
1
2 space defined by PC1 and PC2 including almost all the spectral variability of samples
3
4
5 and, therefore, representing the heterogeneity of the whole set.
6
7 Quantitative analysis.
8
9
10 After HPLC-MS method, 4 ellagitannins were determined (castalagin, vescalagin,
11
12 grandinin and roburin E) and individual extractable ellagitannin contents were obtained.
13
14
15
The sum of all them was also expressed as total ellagitannins. From a quantitative point
16
17 of view, castalagin and vescalagin are the most abundant ellagitannins in oak wood but
18
19 lyxose/xylose derivatives (grandinin and roburin E) are also present. Oak wood
20
21
22 extractable total phenolic content has also been quantified using a spectrophotometric
23
24 method. Table 1 shows the main statistical descriptors for the reference parameters of
25
26
27 the samples allocated in the calibration set.
28
29 Quantitative calibrations were developed by modified partial least squares (MPLS)
30
31
32
regression. Extractable total phenolic content and extractable ellagitannin content were
33
34 used as dependent (Y) variables and the matrix of 18 wood processed spectra was used
35
36 as the independent (X). The statistical parameters of the final calibration equations are
37
38
39 shown in Table 2 where N is the number of samples used to obtain the calibration
40
41 equation after eliminating samples for chemical reasons (T criterion). The best of the
42
43
44 different mathematical treatments, the range of application, and standard deviations are
45
46 also shown.
47
48
49 The robustness of the selected models was tested using validation set samples, which
50
51 did not belong to the calibration set, as external validation. Samples which presented
52
53
54
reference values outside the applicability of the obtained models for each reference
55
56 parameter were not used in this procedure. In the case of the total phenols parameter all
57
58 sample presented reference values inside the applicability of the obtained model,
59
60
61
62 12
63
64
65
however, 2, 2, 5, 3 and 1 samples were not used for castalagin, vescalagin, grandinin,
1
2 roburin E and total ellagitannin validations, respectively. Table 3 shows the main
3
4
5 statistical descriptors for the reference parameters of the samples allocated in the
6
7 validation set after remove from the validation set the samples that should not be
8
9
10 predicted by the calibration models. Calibration model obtained was applied and the
11
12 predicted values were compared with the reference data. As result of this external
13
14
15
validation the standard errors of prediction (SEP) were obtained for each reference
16
17 variable, these values were also included in Table 2. These values are comparatively
18
19 similar or even better than the errors previously reported for total or extractable content
20
21
22 of these compounds using near infrared spectroscopy bench top devices taking into the
23
24 account the applicability range (Baca-Bocanegra et al. 2018; Giordanengo et al. 2009).
25
26
27 Fig.2 shows the loadings resulting of the MPLS model for total phenols as example and
28
29 it indicates the most dominant wavelengths. The spectral region between 1100 and 1200
30
31
32
showed important contribution to the model loadings. These could be related to
33
34 combination band of O–H functional group and symmetric and anti-symmetric
35
36 stretching vibration. This wavelength region is also related to C–H aromatic second
37
38
39 overtones and C–H third overtones vibration. These can be attributed to the chemical
40
41 structure of phenolic compounds (Osborne et al. 1993; Siesler et al. 2002). Combination
42
43
44 band of C–H aromatic appears in the spectral region between 1350 and 1450 nm.
45
46 Moreover, the first O–H stretching overtone contributes to spectrum at 1400 nm, hence
47
48
49 the moisture affects expansively to this band. Definitive attribution of absorbances
50
51 around 1400 nm is difficult given that absorptions around this wavelength range
52
53
54
originate from both -OH and -CH structures.
55
56
57
58
59
60
61
62 13
63
64
65
Use of developed method for the screening of extractable polyphenols
1
2 The methods developed in the preceding section were used to predict the extractable
3
4
5 content of total phenols and total ellagitannins in the whole of wood set. The results
6
7 show a substantial variability in the reference parameters within each group of samples
8
9
10 (Fig.3). The variability of oak wood extractives has been demonstrated by different
11
12 authors (Doussot et al. 2002; Snakkers et al. 2000). Phenols content has been found to
13
14
15
vary even from the same provenance, the same tree and the same piece of timber
16
17 (Masson et al. 1995). Zahri et al. (2008) reported that total phenols content in wood
18
19 varied according to the distance from the oak tree pith. This observation confirmed
20
21
22 previous studies which determined that the concentration of soluble tannins in oak tree
23
24 decrease with age tree. A large amount of tannins and phenolic monomers in wood can
25
26
27 form polymers and copolymers with cell-wall components with time and then their
28
29 solubility would be reduced (Peng et al. 1991; Viriot et al. 1994).
30
31
32
In addition, an inter group variability of oak wood extractives has been found. Samples
33
34 generated by a processed of the staves in the longitudinal direction of the fibers hold
35
36 higher extractable polyphenols content than those obtained after processing staves in the
37
38
39 transversal direction. On the basis of these results, it can be assumed that the structure
40
41 of the samples could be involved in these extractable content differences.
42
43
44 Conclusion
45
46 The MPLS model performed confirmed that spectral analysis developed from
47
48
49 MicroNIR is a promising technique for in situ routine assessment of the extractable
50
51 polyphenolic compounds in wood cooperage byproduct. This methodology was able to
52
53
54
predict, in situ, the extractable polyphenolic content of a sample based on spectral
55
56 features as the predictor variables. The obtained results are comparable with those
57
58 obtained using other bench-top devices and presents the advantage of its eventual
59
60
61
62 14
63
64
65
friendly use out of lab. The use of a portable micro spectrometer implies very
1
2 interesting features, since at a lower cost objective and instantaneous spectroscopic
3
4
5 measurements can be carried out in situ with the advantage of its portability, due to its
6
7 small size. Development of applicable models in situ will also allow a greater versatility
8
9
10 and efficiency for the decision-making in the winemaking process on the adequacy and /
11
12 or dosage of these byproducts according to the requirements of the wine.
13
14
15
The use of cooperage by-product as source of copigments for wine is a sustainable and
16
17 profitable alternative to get high quality red wine for the oenological industry and to
18
19 disposal of their byproducts for the cooperage industry.
20
21
22 The variability in oak wood extractives within the same provenance has been observed.
23
24 Moreover, extractable polyphenols content differences between wood samples
25
26
27 generated by longitudinal and transversal cutting of the fibers have been also found.
28
29 Nonetheless, a comprehensive study should be made in order to obtain more
30
31
32
information about how wood structure and / or morphology changes within different
33
34 levels of phenolic compounds extractability.
35
36 Acknowledgments
37
38
39 The Spanish Ministerio de Economía y Competitividad is thanked for project
40
41 AGL2017-84793-C2. Universidad de Sevilla is thanked for B. Baca-Bocanegra
42
43
44 predoctoral grant (VPPI-II.2) and J. Nogales-Bueno postdoctoral grant (VPPI-II.4). I.
45
46 García-Estévez thanks FEDER-Interreg España-Portugal Programme (Project ref.
47
48
49 0377_IBERPHENOL_6_E) for his postdoctoral grant. The authors thank the technical
50
51 staff of Biology Service [Servicios Generales de Investigación (SGI), Universidad de
52
53
54
Sevilla]. They also thank Tonelería Salas S.L. (Bollulos Par del Condado, Huelva,
55
56 Spain) for supplying the cooperage byproduct samples.
57
58
59
60
61
62 15
63
64
65
Conflict of Interest
1
2 The authors declare that they have no conflict of interest.
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62 16
63
64
65
References
1
2 Abu Izneid, B., Fadhel, M. I., Al-Kharazi, T., Ali, M., & Miloud, S. (2014). Design and
3
4
5 develop a nondestructive infrared spectroscopy instrument for assessment of
6
7 mango (Mangifera indica) quality. Journal of Food Science and Technology-
8
9
10 Mysore, 51(11), 3244-3252
11
12 Antonucci, F., Pallottino, F., Paglia, G., Palma, A., D'Aquino, S., & Menesatti, P.
13
14
15
(2011). Non-destructive Estimation of Mandarin Maturity Status Through
16
17 Portable VIS-NIR Spectrophotometer. Food and Bioprocess Technology, 4(5),
18
19 809-813
20
21
22 Baca-Bocanegra, B., Nogales-Bueno, J., Hernández-Hierro, J. M., & Heredia, F. J.
23
24 (2018). Evaluation of extractable polyphenols released to wine from cooperage
25
26
27 byproduct by near infrared hyperspectral imaging. Food Chemistry, 244, 206-
28
29 212
30
31
32
Balík, J., Híc, P., Kulichová, J., Novotná, P., Tříska, J., Vrchotová, N., et al. (2017).
33
34 Musts with Increased Lignan Content Through Addition of Lignan Extracts.
35
36 Food and Bioprocess Technology, 10(7), 1367-1373
37
38
39 Boulton, R. (2001). The copigmentation of anthocyanins and its role in the color of red
40
41 wines. A critical review. American Journal of Enology and Viticulture, 52, 67-
42
43
44 87
45
46 Brereton, R. G. (2003). Chemometrics : data analysis for the laboratory and chemical
47
48
49 plant. Chichester, West Sussex, England: J. Wiley.
50
51 Camps, C., Simone, C., & Gilli, C. (2012). Assessment of Tomato Quality Using
52
53
54
Portable NIR Spectroscopy and PLSR with Wavelengths Selection. Acta
55
56 Horticulturae, 936, 437-442
57
58
59
60
61
62 17
63
64
65
Cozzolino, D., Dambergs, R. G., Janik, L., Cynkar, W. U., & Gishen, M. (2006).
1
2 Analysis of grapes and wine by near infrared spectroscopy. Journal of Near
3
4
5 Infrared Spectroscopy, 14(5), 279-289
6
7 Chassaing, S., Lefeuvre, D., Jacquet, R., Jourdes, M., Ducasse, L., Galland, S., et al.
8
9
10 (2010). Physicochemical studies of new anthocyano-ellagitannin hybrid
11
12 pigments: about the origin of the influence of oak C-glycosidic ellagitannins on
13
14
15
wine color. European Journal of Organic Chemistry, 1, 55-63
16
17 Chira, K., & Teissedre, P.-L. (2013). Extraction of oak volatiles and ellagitannins
18
19 compounds and sensory profile of wine aged with French winewoods subjected
20
21
22 to different toasting methods: Behaviour during storage. Food Chemistry, 140(1-
23
24 2), 168-177
25
26
27 Del Álamo, M., Nevares, I., Gallego, L., Martin, C., & Merino, S. (2008). Aging
28
29 markers from bottled red wine aged with chips, staves and barrels. Anal Chim
30
31
32
Acta, 621(1), 86-99
33
34 Doussot, F., De Jéso, B., Quideau, S., & Pardon, P. (2002). Extractives Content in
35
36 Cooperage Oak wood during Natural Seasoning and Toasting; Influence of Tree
37
38
39 Species, Geographic Location, and Single-Tree Effects. Journal of Agricultural
40
41 and Food Chemistry, 50, 5955-5961
42
43
44 Escribano-Bailón, M. T., & Santos-Buelga, C. (2012). Anthocyanin Copigmentation -
45
46 Evaluation, Mechanisms and Implications for the Colour of Red Wines.
47
48
49 [Article]. Current Organic Chemistry, 16(6), 715-723
50
51 Ferrer-Gallego, R., Hernández-Hierro, J. M., Rivas-Gonzalo, J. C., & Escribano-Bailón,
52
53
54
M. T. (2010). Feasibility study on the use of near infrared spectroscopy to
55
56 determine flavanols in grape seeds. Talanta, 82(5), 1778-1783
57
58
59
60
61
62 18
63
64
65
Ferrer-Gallego, R., Hernández-Hierro, J. M., Rivas-Gonzalo, J. C., & Escribano-Bailón,
1
2 M. T. (2011). Determination of phenolic compounds of grape skins during
3
4
5 ripening by NIR spectroscopy. LWT - Food Science and Technology, 44(4), 847-
6
7 853
8
9
10 García-Estévez, I., Alcalde-Eon, C., Le Grottaglie, L., Rivas-Gonzalo, J. C., &
11
12 Escribano-Bailón, M. T. (2015). Understanding the ellagitannin extraction
13
14
15
process from oak wood. Tetrahedron, 71(20), 3089-3094
16
17 García-Estévez, I., Alcalde-Eon, C., María Martínez-Gil, A., Rivas-Gonzalo, J. C.,
18
19 Teresa Escribano-Bailón, M., Nevares, I., et al. (2017). An Approach to the
20
21
22 Study of the Interactions between Ellagitannins and Oxygen during Oak Wood
23
24 Aging. Journal of Agricultural and Food Chemistry, 65(31), 6369-6378
25
26
27 García-Estévez, I., Escribano-Bailón, M. T., Rivas-Gonzalo, J. C., & Alcalde-Eon, C.
28
29 (2010). Development of a fractionation method for the detection and
30
31
32
identification of oak ellagitannins in red wines. Anal Chim Acta, 660(1-2), 171-
33
34 176
35
36 García-Estévez, I., Escribano-Bailón, M. T., Rivas-Gonzalo, J. C., & Alcalde-Eon, C.
37
38
39 (2012). Validation of a mass spectrometry method to quantify oak ellagitannins
40
41 in wine samples. [Article]. Journal of Agricultural and Food Chemistry, 60(6),
42
43
44 1373-1379
45
46 García-Estévez, I., Gavara, R., Alcalde-Eon, C., Rivas-Gonzalo, J. C., Quideau, S.,
47
48
49 Escribano-Bailón, M. T., et al. (2013). Thermodynamic and Kinetic Properties
50
51 of a New Myrtillin–Vescalagin Hybrid Pigment. Journal of Agricultural and
52
53
54
Food Chemistry, 61(47), 11569-11578
55
56 García-Estévez, I., Jacquet, R., Alcalde-Eon, C., Rivas-Gonzalo, J. C., Escribano-
57
58 Bailón, M. T., & Quideau, S. (2013). Hemisynthesis and Structural and
59
60
61
62 19
63
64
65
Chromatic Characterization of Delphinidin 3-O-Glucoside-Vescalagin Hybrid
1
2 Pigments. Journal of Agricultural and Food Chemistry, 61(47), 11560-11568
3
4
5 Giordanengo, T., Charpentier, J. P., Boizot, N., Roussel, S., Roger, J. M., Chaix, G., et
6
7 al. (2009). Oakscan: procédé de mesure rapide et non destructif des polyphénols
8
9
10 du bois de chêne de tonnellerie. Revue française d'Oenologie, 10-15
11
12 González-Caballero, V., Sánchez, M.-T., Fernández-Novales, J., López, M.-I., & Pérez-
13
14
15
Marín, D. (2012). On-Vine Monitoring of Grape Ripening Using Near-Infrared
16
17 Spectroscopy. Food Analytical Methods, 5(6), 1377-1385
18
19 Guidetti, R., Beghi, R., & Bodria, L. (2010). Evaluation of frape quality parameters by a
20
21
22 simple VIS/NIR system Transactions of the Asabe, 53(2), 477-484
23
24 Hernández-Hierro, J. M., Nogales-Bueno, J., Rodríguez-Pulido, F. J., & Heredia, F. J.
25
26
27 (2013). Feasibility study on the use of near-infrared hyperspectral imaging for
28
29 the screening of anthocyanins in intact grapes during ripening. Journal of
30
31
32
Agricultural and Food Chemistry, 61(41), 9804-9809
33
34 Jourdes, M., Michel, J., Saucier, C., Quideau, S., & Teissedre, P. L. (2011).
35
36 Identification, amounts, and kinetics of extraction of C-glucosidic ellagitannins
37
38
39 during wine aging in oak barrels or in stainless steel tanks with oak chips.
40
41 Analytical and Bioanalytical Chemistry, 401(5), 1531-1539
42
43
44 Kemps, B., Leon, L., Best, S., De Baerdemaeker, J., & De Ketelaere, B. (2010).
45
46 Assessment of the quality parameters in grapes using VIS/NIR spectroscopy.
47
48
49 Biosystems Engineering, 105(4), 507-513
50
51 Larrain, M., Guesalaga, A. R., & Agosin, E. (2008). A multipurpose portable instrument
52
53
54
for determining ripeness in wine grapes using NIR spectroscopy. Ieee
55
56 Transactions on Instrumentation and Measurement, 57(2), 294-302
57
58
59
60
61
62 20
63
64
65
Masson, G., Moutounet, M., & Puech, J. L. (1995). Ellagitannin content of oak wood as
1
2 a function of species and of sampling position in the tree. American Journal of
3
4
5 Enology and Viticulture, 46(2), 262-268
6
7 Michel, J., Jourdes, M., Le Floch, A., Giordanengo, T., Mourey, N., & Teissedre, P. L.
8
9
10 (2013). Influence of wood barrels classified by NIRS on the ellagitannin
11
12 content/composition and on the organoleptic properties of wine. Journal of
13
14
15
Agricultural and Food Chemistry, 61(46), 11109-11118
16
17 Nevares, I., Del Alamo, M., Cárcel, L. M., Crespo, R., Martin, C., & Gallego, L. (2008).
18
19 Measure the Dissolved Oxygen Consumed by Red Wines in Aging Tanks. Food
20
21
22 and Bioprocess Technology, 2(3), 328-336
23
24 Nogales-Bueno, J., Baca-Bocanegra, B., Rodríguez-Pulido, F. J., Heredia, F. J., &
25
26
27 Hernández-Hierro, J. M. (2015). Use of near infrared hyperspectral tools for the
28
29 screening of extractable polyphenols in red grape skins. Food Chemistry, 172,
30
31
32
559-564
33
34 Osborne, B. G., Fearn, T., Hindle, P. T., & Osborne, B. G. (1993). Practical NIR
35
36 spectroscopy with applications in food and beverage analysis. Harlow, Essex,
37
38
39 England; New York: Longman Scientific & Technical ; Wiley.
40
41 Páscoa, R. N. M. J., Machado, S., Magalhães, L. M., & Lopes, J. A. (2014). Value
42
43
44 Adding to Red Grape Pomace Exploiting Eco-friendly FT-NIR Spectroscopy
45
46 Technique. Food and Bioprocess Technology, 8(4), 865-874
47
48
49 Peng, S., Scalbert, A., & Monties, B. (1991). Insoluble ellagitannins in Castanea sativa
50
51 and Quercus petraea woods. Phytochemistry, 30(3), 775-778
52
53
54
Ribéreau-Gayon, P., Dubourdieu, D., Doneche, B., Lonvaud, A., Glories, Y., Maujean,
55
56 A., et al. (2006). Handbook of Enology, The Microbiology of Wine and
57
58 Vinifications (Vol. v. 1). West Sussex, England: J. Wiley & Sons.
59
60
61
62 21
63
64
65
Rodriguez-Pulido, F. J., Hernández-Hierro, J. M., Nogales-Bueno, J., Gordillo, B.,
1
2 Gonzalez-Miret, M. L., & Heredia, F. J. (2014). A novel method for evaluating
3
4
5 flavanols in grape seeds by near infrared hyperspectral imaging. Talanta, 122,
6
7 145-150
8
9
10 Shenk, J. S., & Westerhaus, M. O. (1995). Routine Operation,Calibration, Development
11
12 and Network System Management Manual. Silver Spring, Maryland:
13
14
15
NIRSystems.
16
17 Siesler, H. W., Ozaky, Y., Kawata, S., & Heise, H. M. (2002). Near infrared
18
19 spectroscopy: principles, instruments, applications. Weinheim, Germany:
20
21
22 Wiley-VCH.
23
24 Singleton, V. L., & Rossi, J. A. (1965). Colorimetry of Total Phenolics with
25
26
27 Phosphomolybdic-Phosphotungstic Acid Reagents. American Journal of
28
29 Enology and Viticulture(16), 144-158
30
31
32
Snakkers, G., Nepveu, G., Guilley, E., & Cantagrel, R. (2000). Geographic, silvicultural
33
34 and individual variabilities of extractive content for French sessile oaks
35
36 (Quercus petraea Liebl.): polyphenols, octalactones and volatile phenols. Annals
37
38
39 of Forest Science, 57(3), 251-260
40
41 Viriot, C., Scalbert, A., Hervé du Penhoat, C. L. M., & Moutounet, M. (1994).
42
43
44 Ellagitannins in woods of sessile oak and sweet chestnut dimerization and
45
46 hydrolysis during wood ageing. Phytochemistry, 36(5), 1253-1260
47
48
49 Vivas, N., & Glories, Y. (1996). Role of oak wood ellagitannins in the oxidation
50
51 process of red wines during aging. American Journal of Enology and Viticulture,
52
53
54
47(1), 103-107
55
56 Zahri, S., Moubarik, A., Charrier, F., Chaix, G., Bailleres, H., Nepveu, G., et al. (2008).
57
58 Quantitative assessment of total phenol contents of European oak (Quercus
59
60
61
62 22
63
64
65
petraea and Quercus robur) by diffuse reflectance NIR spectroscopy on solid
1
2 wood surfaces. Holzforschung, 62(6), 679-687
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62 23
63
64
65
Figure captions¹
1
2 Fig. 1 (a) Raw average spectra of wood samples according to sampling point. (b) Score
3
4
5 plot of wood samples codified as longitudinal and transversal samples in the space
6
7 defined by PC1 and PC2 (c) codified according to sampling point (A, B, C and D) (d)
8
9
Score plot of wood samples codified as calibration and validation sets in the space
10
11
12 defined by PC1 and PC2
13
14 Fig. 2 Loadings plot for the PLS factors of the regression model for extractable total
15
16
17 phenolic content prediction
18
19 Fig. 3 Distribution of longitudinal and transversal wood samples in different extractable
20
21
22 phenolic content (a and c) and extractable ellagitannin content (b and d)
23
24
25
26
27
1 NOTE: All figures should be in color on the Web and in black-and-white in print.
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62 24
63
64
65
Figure 1 Click here to download Figure Fig 1.tif
ESM_1 Click here to download Figure ESM_1.docx
Screening of wine extractable total phenolic and ellagitannin contents in
revalorized cooperage byproducts: evaluation by MICRO-NIRS technology
Food and Bioprocess Technology
Berta Baca-Bocanegra1, Julio Nogales-Bueno1, Ignacio García-Estévez2, María Teresa Escribano-Bailón2,
José Miguel Hernández-Hierro1,*and Francisco José Heredia1
* Corresponding author: José Miguel Hernández-Hierro

Phone: +34 954556495
E-mail: [email protected]
ESM_1. Illustration of the optical design and cross section of the MicroNIR operated in
diffuse reflection mode adapted from VIAVI user manual.

Table 1 Click here to download Table Table 1.doc
Table 1. Main statistical descriptors for reference parameters in calibration set.

Reference
Set Na Maximum Mean Minimum SDb
Parameters
Calibration EPCc 18 59.56 23.79 9.41 15.67
EECd 18 16.15 5.07 1.49 4.66
Castalagin 18 6.62 2.03 0.52 1.99
Vescalagin 18 6.94 2.01 0.60 1.86
Gradinin 18 1.74 0.71 0.18 0.58
Roburin E 18 0.85 0.31 0.08 0.26
a
N: number of samples; SD: Standard deviation; EPC: extractable total phenolic content (mg g-1 of
b c
wood, expressed as gallic acid equivalents); dEEC: extractable total ellagitannin content (mg g-1 of wood,
expressed as sum of individual ellagitannins);
Table 2. Calibration statistical descriptors for the models developed in the NIR zone close to 908-1676 nm.
PLS
Reference Parameter Spectral pretreatment T outliers Na Est. Min SDb Est. Max SECc RSQd SECVe SEPf
factors
(mg g-1 wood) (mg g-1 wood)
EPCg SNV 2,5,5,1 0 4 18 0 14.92 68.23 2.07 0.98 3.83 5.86
EECh Standard MSC 1,5,5,1 0 2 18 0 4.66 19.04 1.30 0.92 1.76 2.07
Castalagin Standard MSC 1,5,5,1 0 2 18 0 1.99 8.00 0.66 0.90 0.85 0.90
Vescalagin None 1,5,5,1 1 2 17 0 1.44 6.04 0.36 0.94 0.53 0.71
Gradinin Detrend 2,5,5,1 2 3 16 0 0.55 2.34 0.09 0.98 0.13 0.16
Roburin E Standard MSC 1,5,5,1 0 2 18 0 0.30 1.16 0.08 0.91 0.11 0.13
a b c d e
N: number of samples (calibration set); SD: standard deviation; SEC: standard error of calibration; RSQ: coefficient of determination (calibration set); SECV: standard
error of cross-validation (7 cross-validation groups); fSEP: standard error of prediction (external validation); gEPC: extractable total phenolic content (mg g-1 of wood,
expressed as gallic acid equivalents); hEEC: extractable total ellagitannin content (mg g-1 of wood, expressed as sum of individual ellagitannins)
Table 3. Main statistical descriptors for reference parameters in validation set.

Reference
Set Na Maximum Mean Minimum SDb
Parameters
Validatione EPCc 15 56.54 32.03 11.26 17.73
EECd 14 14.44 7.50 1.40 4.49
Castalagin 13 5.50 2.91 0.51 1.73
Vescalagin 13 4.85 2.82 0.67 1.53
Gradinin 10 1.57 0.83 0.25 0.48
Roburin E 12 0.78 0.43 0.09 0.26
a
N: number of samples; SD: Standard deviation; EPC: extractable total phenolic content (mg g-1 of
b c
wood, expressed as gallic acid equivalents); dEEC: extractable total ellagitannin content (mg g-1 of wood,
expressed as sum of individual ellagitannins); eValidation: statistical descriptors for the reference
parameters of the samples allocated in the validation set after remove the samples that presented reference
values outside the applicability of the calibration models.
CAPÍTULO 6
CAPÍTULO 6: ESTUDIO DE EXTRACTABILIDAD DE

COMPUESTOS FENÓLICOS EN SUBPRODUCTOS DE
TONELERÍA MEDIANTE ESPECTROSCOPÍA VIBRACIONAL Y
En: Baca Bocanegra, Berta; Nogales Bueno, Julio; Gorey, Brian; Heredia Mira, Francisco
José; Byrne, Hugh J.; Hernández Hierro, José Miguel: On the use of vibrational spectroscopy and
scanning electron microscopy to study phenolic extractability of cooperage byproducts in wine.
Food Chemistry, (en revisión).
1. Antecedentes
Factores como la cantidad de compuestos potencialmente extraíbles, el tiempo de contacto

entre la madera y el vino y el procesado de la misma (método de obtención de las duelas, secado,
tratamientos químicos o grado de tostado) pueden condicionar la extracción de los compuestos
fenólicos de la madera (Fernández De Simón, Cadahía, Conde, y García-Vallejo, 1999; Guchu,
Díaz-Maroto, Pérez-Coello, González-Viñas, y Ibáñez, 2006; Mosedale, et al., 1999; Puech, et
al., 1999). Los distintos tratamientos a los que se somete la madera durante el proceso de
elaboración de las barricas producen cambios en la estructura de la pared celular tanto de las
duelas como de los subproductos obtenidos a partir de ellas, facilitando o dificultando, por tanto,
la liberación de los compuestos extraíbles de la madera que se encuentran entrelazados con los
polímeros que constituyen la pared celular o bien como inclusiones en los lúmenes celulares. Por
lo tanto, el contenido fenólico extraíble de la madera puede verse afectado tanto por la cantidad
de compuestos potencialmente extraíbles como por la facilidad /dificultad de extracción de los
mismos.
Siguiendo este razonamiento, resulta interesante conocer los cambios que se producen en la
estructura de la pared celular de muestras de viruta de madera con diferentes niveles de
El análisis espectral y el análisis de imagen hiperespectral en el infrarrojo cercano han

demostrado ser herramientas útiles para predecir el contenido total y contenido extraíble de
fenoles totales en muestras de madera de roble (B. Baca-Bocanegra, et al., 2018; Giordanengo, et
al., 2009; Zahri, et al., 2008). Sin embargo, la complejidad de esta región del espectro, donde
aparecen solapados numerosos sobretonos y bandas de combinación de vibraciones
fundamentales limita la utilidad de esta zona del espectro para la determinación estructural y por
tanto, para el estudio de la relación entre la extractabilidad de compuestos fenólicos y la estructura
195
de la matriz. Es en la región del infrarrojo medio donde aparecen picos más intensos y mejor
definidos, correspondientes a las vibraciones fundamentales de estos enlaces (Bokobza, 1998).
La espectroscopía vibracional, que comprende espectroscopía infrarroja y Raman son técnicas
complementarias entre sí, que permiten estudiar la información molecular desde dos puntos de
vista distintos (Byrne, et al., 2011) ofreciendo una huella característica de cada molécula (Byrne,
et al., 2014).
Puede considerarse de interés utilizar la espectroscopía vibracional para intentar relacionar las
características estructurales observadas con dichas técnicas con la extractabilidad de compuestos
fenólicos en muestras de viruta cruda de roble americano. La microscopía electrónica de barrido
(SEM) puede aportar información complementaria y útil para este propósito a través de la
caracterización topográfica de las muestras.
2. Objetivos
El objetivo de este capítulo ha sido estudiar mediante espectroscopía vibracional y microscopía

electrónica de barrido la relación existente entre la estructura de la pared celular y la
extractabilidad fenólica en virutas de roble americano, subproducto de tonelería.
Para este estudio se han utilizado 18 muestras de viruta de roble americano, subproducto de
tonelería, seleccionadas espectralmente utilizando un espectrómetro NIR portátil MicroNIRTM
(908-1676 nm), a partir de un conjunto inicial de 200 muestras (Capítulo 5). En este conjunto
existen muestras de virutas generadas tras el procesado de las duelas en dirección longitudinal y
transversal de las fibras, dos categorías que serán tenidas en cuenta en el análisis e interpretación
posterior de los resultados.
Cada una de las muestras seleccionadas fue sometida a una extracción en vino sintético durante
un periodo de tres días tras el cual el residuo sólido se retiró y se liofilizó. El residuo sólido
liofilizado se sometió a una extracción exhaustiva en una disolución acuosa de metanol al 50% y
posteriormente fue de nuevo liofilizado y almacenado en desecador hasta la realización de las
medidas espectrales. Para cada uno de los extractos obtenidos, ya fueran en vino sintético o en
metanol, se determinaron los fenoles totales siguiendo el método espectrofotométrico de Folin‒
Ciocalteu (Singleton, et al., 1965). Se determinó la extractabilidad de fenoles totales para cada
muestra como la relación porcentual entre lo extraído en vino sintético y el total extraído como
suma de ambos procesos. A partir de la extractabilidad de fenoles totales las muestras fueron
clasificadas en tres grupos con valores de extractabilidad de fenoles totales bajos, medios y altos.
Las muestras control (muestras de viruta que no han sido sometidas a la extracción fenólica) y el
196
CAPÍTULO 6
material no extraíble (residuo sólido, proveniente de las muestras de viruta, obtenido tras las
extracciones) se midieron espectroscópicamente mediante espectroscopía infrarroja por
transformada de Fourier (FTIR) y espectroscopía Raman. Las medidas en infrarrojo se realizaron
utilizando un accesorio de reflexión total atenuada (ATR–FTIR) en la región comprendida entre
650 y 4000 cm-1. Utilizando un accesorio de imágenes y un objetivo de cristal de germanio en
contacto con la muestra, se adquirieron además las imágenes espectrales ATR-FTIR de las
muestras. Las medidas Raman se realizaron excitando las muestras con un láser a 785 nm y
registrando el espectro obtenido desde 200 a 3600 cm-1. En las medidas puntuales se realizaron 6
réplicas para cada muestra. Todos los espectros fueron pretratados, o bien mediante una
corrección de los efectos multiplicativos de la dispersión (MSC) para los espectros FTIR o
mediante una eliminación de la línea base para los espectros Raman. En ambos casos se calculó
el espectro medio de cada muestra como promedio de las 6 medidas anteriormente mencionadas.
Las imágenes ATR-FTIR se normalizaron para ajustar las variaciones en la absorbancia punto a
punto y permitir la comparación entre muestras. Las muestras control fueron además analizadas
por microscopía electrónica de barrido (SEM) con el objetivo de analizar la topografía de la
superficie.
Con objeto de buscar tendencias dentro de la matriz de espectros control FTIR se aplicó un
análisis de componentes principales (PCA). El segundo componente principal permite diferenciar
entre las muestras de alta y baja extractabilidad fenólica mientras que las muestras pertenecientes
al grupo de extractabilidad media se solapa con los dos grupos anteriores. PC2 también permite
observar una separación de las muestras longitudinales de aquellas obtenidas tras un procesado
de las duelas en la dirección transversal de las fibras. Teniendo en cuenta los pesos (loadings)
obtenidos para el segundo componente principal, se identificó una serie de zonas espectrales
donde se concentraba la mayor parte de la variabilidad espectral del conjunto de datos que se
atribuyeron a polisacáridos, lignina y compuestos fenólicos (Faix, 1992; Karim, Daryaei,
Torkaman, Oladi, Ghanbary, y Bari, 2016; Pandey y Theagarajan, 1997; Schultz y Glasser, 1986).
Atendiendo a los loadings de PC2, las características positivas de los mismos, atribuidas en este
PCA a las muestras de alto contenido fenólico, están relacionadas principalmente con compuestos
fenólicos y lignina mientras que las características negativas de los loadings anteriormente
mencionados, atribuidas a las muestras de baja extractabilidad están relacionadas con celulosa y
hemicelulosa.
Para confirmar los resultados anteriores, se seleccionaron las longitudes de onda adjudicadas
a polisacáridos (1000-1100 cm-1) y lignina (1500-1800 cm-1 y 2700-3000 cm-1) como regiones
espectrales que podrían influir la extractabilidad fenólica de la madera y, por lo tanto, se
consideraron en las imágenes ATR-FTIR para encontrar diferencias en la estructura de las
muestras en función de la extractabilidad fenólica. La diferencia en las distribuciones estructurales
197
de los constituyentes corrobora la propuesta de que no solo el contenido químico, sino también la
estructura de las muestras de madera juegan un papel significativo en la determinación de la
Los espectros y las imágenes ATR FTIR del material no extraíble fueron sometidos al mismo
tratamiento de datos que los correspondientes a las muestras control. Después de la extracción de
los compuestos fenólicos se sigue observando en el segundo componente principal una separación
de las muestras de baja y alta extractabilidad. Como en el caso de las muestras control, en las
puntuaciones del PC2, los picos atribuidos a lignina son intensos en muestras de alta capacidad
de extracción, mientras que los atribuidos a celulosa/hemicelulosa son prominentes para muestras
de baja capacidad de extracción. La intensidad de los picos relacionados con los compuestos
fenólicos en las puntuaciones del PC2 se reduce significativamente en el material no extraíble con
respecto a las muestras control. Igual que en el caso de las muestras de control, en las imágenes
ATR-FTIR se observa un alto grado de variación de los niveles de absorbancia entre las distintas
muestras.
Con el fin de confirmar y/o complementar los hallazgos obtenidos utilizando ATR-FTIR se
analizaron los espectros Raman de las muestras control siguiendo el mismo procedimiento que en
los datos de ATR FTIR. Las principales características de estos espectros fueron relacionadas con
polisacáridos, lignina y compuestos fenólicos (Agarwal, 2014; Colares, Pastore, Coradin,
Camargos, Moreira, Rubim, et al., 2015; Jason y Emily, 2012; Larsen y Barsberg, 2010) y tras el
PCA se aprecia un ligero grado de separación entre las muestras de alta y baja extractabilidad, en
este caso de acuerdo con PC1.
Finalmente, las micrografías de las muestras de alta y baja extractabilidad fenólica obtenidas
por microscopía electrónica de barrido muestran diferencias morfológicas entre la estructura de
estos dos grupos de muestras que podrían estar relacionadas con los diferentes niveles de
extractabilidad fenólica. Este comportamiento podría explicarse probablemente por los diferentes
cortes a los que se han sometido las duelas para obtener las muestras (longitudinales y
transversales). En este sentido, debe tenerse en cuenta que la mayoría de las muestras de alta
capacidad de extracción pertenecen al conjunto longitudinal, mientras que el conjunto transversal
consiste principalmente en muestras de baja extractabilidad.
198
CAPÍTULO 6
4. Conclusiones
 La espectroscopía infrarroja por transformada de Fourier y la espectroscopía Raman

proporcionan información complementaria sobre la composición y la estructura de la
madera. Se ha confirmado que las muestras con mayor contenido de lignina en la pared
celular conducen a una alta extractabilidad, mientras que una mayor cantidad de
polisacáridos está relacionada con menores niveles de extractabilidad
 La espectroscopía de imágenes ATR FTIR se ha utilizado con éxito para evaluar la
distribución de los distintos componentes de la pared celular de la muestra. Los mapas de
distribución presentan diferencias características entre muestras de alta y baja
extractabilidad, especialmente en tres intervalos específicos de longitud de onda: 1000-
1100 cm-1, 1500-1750 cm-1 y 2700-3000 cm-1.
 La microscopía electrónica de barrido permite observar diferencias morfológicas en la
estructura según el nivel de extractabilidad. Las micrografías muestran estructuras más
porosas en las virutas de corte longitudinal, lo que se corresponde con mayores niveles
de extractabilidad fenólica.
199
Elsevier Editorial System(tm) for Food
Chemistry
Manuscript Draft
Manuscript Number:
Title: On the use of vibrational spectroscopy and scanning electron

microscopy to study phenolic extractability of cooperage byproducts in
wine
Article Type: Research Article (max 7,500 words)
Keywords: red wine; oak wood; phenolic extractability; ATR-FTIR

spectroscopy; Raman spectroscopy; scanning electron microscopy
Corresponding Author: Professor Francisco José Heredia, PhD
Order of Authors: Berta Baca-Bocanegra; Julio Nogales-Bueno, PhD; Brian

Gorey, PhD; Francisco José Heredia, PhD; Hugh J. Byrne, PhD; José Miguel
Hernández-Hierro, PhD
Abstract: Wood is an important source of phenolic compounds, which can be

transferred to wine during ageing process, improving its properties, from
an organoleptic point of view. Therefore, understanding and optimising
the extractability of phenolic compounds from the wood is crucial in the
oenological field.
The structural composition of oak wood samples has been evaluated using
vibrational spectroscopy methods, and their main spectral features have
been linked to phenolic compound extractabilities. To support the
analysis, microscopic images of the samples were also recorded using
scanning electron microscopy (SEM).
The applied methodology is shown to be useful to relate the wood cell
wall structure to phenolic extractability levels of wood samples. It
could assist in selecting oak wood suited for improving wine quality with
regard to its colour or/and stability through the addiction of external
copigments to wine and deeply understanding the phenolic extraction
process from wood to this beverage
Cover Letter
Francisco J. Heredia Food Colour & Quality Lab.

[email protected] www.color.us.es A. Nutrición y Bromatología, Facultad de Farmacia, 41012 SEVILLA (Spain). Tel +34 954556495
Prof. P. Finglas
Editor in chief of Food Chemistry
Dept. Food and Nutritional Sciences
University of Reading
Sevilla, July 19, 2018
Dear Editor,
Following your recommendation, please find enclosed the new version of our manuscript
entitled “On the use of vibrational spectroscopy and scanning electron microscopy to study
phenolic extractability of cooperage byproducts in wine”. First at all, we acknowledge your
effort and hope that, in the revised form, the manuscript would be appropriate for
publication in Food Chemistry.
Wood is an important source of phenolic compounds, which can be transferred to wine during
ageing process, improving its properties, from an organoleptic point of view. Therefore,
understanding and optimising the extractability of phenolic compounds from the wood is
crucial in the oenological field to use this byproduct as extra source of polyphenols that may
improve wine quality with regard to its colour or/and stability.
In the present study, the structural composition of oak wood samples has been evaluated
using Raman and attenuated total reflectance Fourier transform infrared (ATR-FTIR)
spectroscopies, and their main spectral features have been linked to phenolic compound
extractabilities, as measured by classic chemical analyses. To support the analysis,
microscopic images of the samples were also recorded using scanning electron microscopy
(SEM).
The applied methodology are shown to be useful to relate the wood cell wall structure to
phenolic extractability levels of wood samples. It could assist in selecting oak wood suited
for improving wine quality through the addiction of external copigments to wine and deeply
understanding the phenolic extraction process from wood to this beverage.
I look forward to hearing from you.
Yours faithfully,
Francisco J. Heredia
*Highlights (for review)
Highlights
- Wine extractability of phenolic compounds from wood has been determined
- Oak wood Fourier transform infrared (FTIR) and Raman spectra were acquired
- Microscopic images of the samples were recorded using scanning electron
microscopy.
- Spectral and microscopic features were linked to phenolic extractabilities
- It could help wine industry to improve process efficiency and enhance wine
quality
*Manuscript
1 On the use of vibrational spectroscopy and scanning electron
2 microscopy to study phenolic extractability of cooperage byproducts in
3 wine
4 Berta Baca-Bocanegraa, Julio Nogales-Buenoa, Brian Goreyb, Francisco José Herediaa*,
5 Hugh J. Byrneb, José Miguel Hernández-Hierroa.
a
6 Food Colour and Quality Laboratory, Área de Nutrición y Bromatología, Facultad de
b
8 FOCAS Research Institute, Dublin Institute of Technology, Kevin Street, Dublin 8,
9 Ireland
10 Running Title: Cooperage byproduct extractability in wine
11
12 Berta Baca-Bocanegra: [email protected]
13 Julio Nogales-Bueno: [email protected]
14 Brian Gorey: [email protected]
15 Francisco José Heredia: [email protected]
16 Hugh J. Byrne: [email protected]
17 José Miguel Hernández-Hierro: [email protected]
18
19 * Corresponding author: Francisco José Heredia
20 Phone: +34 954556495
22
1
23 ABSTRACT
24 Wood is an important source of phenolic compounds, which can be transferred to wine
25 during ageing process, improving its properties, from an organoleptic point of view.
26 Therefore, understanding and optimising the extractability of phenolic compounds from
27 the wood is crucial in the oenological field.
28 The structural composition of oak wood samples has been evaluated using vibrational
29 spectroscopy methods, and their main spectral features have been linked to phenolic
30 compound extractabilities. To support the analysis, microscopic images of the samples
31 were also recorded using scanning electron microscopy (SEM).
32 The applied methodology is shown to be useful to relate the wood cell wall structure to
33 phenolic extractability levels of wood samples. It could assist in selecting oak wood
34 suited for improving wine quality with regard to its colour or/and stability through the
35 addiction of external copigments to wine and deeply understanding the phenolic
36 extraction process from wood to this beverage.
37 Keywords
38 red wine; oak wood; phenolic extractability; ATR-FTIR spectroscopy; Raman
39 spectroscopy; scanning electron microscopy.
40
2
41 1. Introduction
42 Increasing demand on high quality red wines by the consumers represents a matter of
43 concern for the wine industry. The balance between technological and phenolic
44 parameters is a key factor for obtaining quality red wines. However, under warm
45 climatic conditions, it is a usual pattern the wine colour instability over time (Gordillo,
46 Rodriguez-Pulido, Mateus, Escudero-Gilete, Gonzalez-Miret, Heredia, et al., 2012) due
47 to the different levels of both phenolic and sugar maturity that exist at the moment of
48 harvesting (Mira de Orduña, 2010; Mori, Sugaya, & Gemma, 2005). Under these
49 conditions, copigmentation phenomena, which contribute to colour stabilization, are
50 hampered by the shortfall of pigments and copigments (Boulton, 2001).
51 Wood is an important source of phenolic compounds, which can be transferred to wine
52 during the ageing process, improving its properties, from an organoleptic point of view
53 (colour, astringency, bitterness). In view of this, oak barrels and their alternatives
54 (staves, chips, shaves…) are widely used in winemaking as a source of copigments in
55 order to achieve high quality red wines (Bautista-Ortín, Lencina, Cano-López, Pardo-
56 Mínguez, López-Roca, & Gómez-Plaza, 2008; B. Gordillo, Baca-Bocanegra,
57 Rodriguez-Pulido, Lourdes Gonzalez-Miret, Garcia Estevez, Quijada-Morin, et al.,
58 2016).
59 Phenolic compounds are an important group of substances in the plant kingdom.
60 However, despite their significance, these compounds are part of the so-called
61 extractable fraction that represents only a low percentage of oak wood composition,
62 cellulose, hemicelluloses and lignin being the major constituents (Eriksson, Blanchette,
63 & Ander, 1990; Morrell & Gartner, 1998) and the structural basis of wood cell wall.
64 The characteristics of wines that have been macerated with wood depend on the amount
65 of phenolic compounds in the wood but also on the amount of these compounds than
3
66 can be extracted from the wood to the wine. Factors such as oak species or geographic
67 origin have been shown to affect the chemical composition of the oak wood (Del Álamo
68 Sanza & Nevares Domínguez, 2006; Fernández de Simón, Cadahía, del Álamo, &
69 Nevares, 2010; Frangipane, Santis, & Ceccarelli, 2007), and even different anatomical
70 parts of wood may differ in terms of concentration and composition (Colares, Pastore,
71 Coradin, Marques, Moreira, Alexandrino, et al., 2016). Moreover, phenolic content has
72 been found to vary even from the same provenance, the same tree and the same piece of
73 timber (Masson, Moutounet, & Puech, 1995). The extraction of compounds from wood,
74 especially those of low molecular weight, depends mainly on the quantity of compounds
75 that are potentially extractable, on the contact time between the wine and wood, as well
76 as on the processing of the wood to be used in winemaking: how the staves are
77 obtained, the method of seasoning, chemical treatments and the degree of oak toasting.
78 Compounds constituting the extractable fraction can be contained within the polymers
79 in the cell wall and as inclusions in the cell lumens and therefore the amount of phenolic
80 compounds extracted from wood to the wine may vary due to differences in the quantity
81 of compounds that are potentially extractable but can also be affected by the
82 easy/difficulty of extraction. In view of this, it is important to evaluate and understand
83 the relationship between cell wall structure and the extraction degree of phenolic
84 compounds, that is to say, how wood structure and/or morphology changes within
85 different levels of phenolic compounds extractability. It could assist in selecting oak
86 wood suited for improving wine quality through the addiction of external copigments to
87 wine.
88 Vibrational spectroscopic techniques, both infrared (IR) and Raman, are powerful
89 analytical tools for materials characterization. As the vibrational energy levels of each
90 molecule correspond to a specific pattern of stretching and bending motions, the
4
91 infrared and Raman spectra offer a characteristic fingerprint of the molecule (Byrne,
92 Ostrowska, Nawaz, Dorney, Meade, Bonnier, et al., 2014). Although both techniques
93 provide chemical information based on molecular vibrational motions, they show
94 different molecular responses, and so complement each other. Thus, it is possible to
95 evaluate the structure of compounds at the molecular level using two different physical
96 processes (Byrne, Sockalingum, & Stone, 2011).
97 In recent years, infrared spectroscopy has been demonstrated to be a very effective tool
98 in the analysis of wood. Near infrared (NIR) spectroscopy, coupled with chemometric
99 data analysis techniques, has emerged as a powerful technique for the screening of
100 different chemical and physical wood parameters, without the need for time consuming
101 analysis. In this sense, near infrared spectroscopy has been successful in developing
102 calibration models for estimating total and extractable phenolic content in oak wood
103 (Baca-Bocanegra, Nogales-Bueno, Hernandez-Hierro, & Heredia, 2018; Giordanengo,
104 Charpentier, Boizot, Roussel, Roger, Chaix, et al., 2009; Zahri, Moubarik, Charrier,
105 Chaix, Bailleres, Nepveu, et al., 2008). However, NIR spectra contains information
106 arising from overtones and combinations of fundamental vibrations which result in
107 broad and unresolved bands that make it difficult to interpret the relationship between
108 cell wall composition and phenolic compound extractability. By comparison, mid IR
109 spectra, commonly measured in the Fourier transform (FT) mode, present sharp and
110 narrow peaks, essentially related to fundamental molecular vibrational frequencies
111 which can be easily assigned to chemical structures (Bokobza, 1998).
112 The potential of FTIR spectroscopy in order to elucidate structural and compositional
113 information of cell wall of wood has been widely investigated in different fields (Chen,
114 Ferrari, Angiuli, Yao, Raspi, & Bramanti, 2010; Jaaskelainen, Nuopponen, Axelsson,
115 Tenhunen, Loija, & Vuorinen, 2003; Traore, Kaal, & Cortizas, 2016).
5
116 Raman spectroscopy similarly provides a chemical fingerprint of the sample, based on
117 the inelastic scattering of light, by vibrations, and has also been employed to study cell
118 wall structure of wood. An interesting area of Raman application is the identification of
119 wood species and wood origin (Edwards, de Oliveira, & Nesbitt, 2003; Gerasimov,
120 Gurovich, Kostrin, Selivanov, Simon, Stuchenkov, et al., 2016). Moreover, hard and
121 softwoods have been differentiated by FT-Raman and FTIR spectroscopy (Evans,
122 1991). Raman imaging spectroscopy has been used to elucidate the spatial distribution
123 of wood constituents, especially the cellulose and lignin (Colares, Pastore, Coradin,
124 Camargos, Moreira, Rubim, et al., 2015; Sun, Simmons, & Singh, 2011).
125 Notably, however, although both mid infrared and Raman spectroscopy have proven to
126 be useful and reliable techniques for the study of the cell wall structure in wood, they
127 have not yet been applied to study the relationship between cell wall composition and
128 phenolic compounds extractability in wood. In the oenological field, they have been
129 jointly employed to look at extractability from grape skins and seeds (Nogales-Bueno,
130 Baca-Bocanegra, Rooney, Hernandez-Hierro, Byrne, & Heredia, 2017; Nogales-Bueno,
131 Baca-Bocanegra, Rooney, Miguel Hernandez-Hierro, Jose Heredia, & Byrne, 2017).
132 In the present study the extractability of phenolic compounds has been determined for
133 oak wood samples, selected based in an initial near infrared reflection screening
134 protocol (unpublished results) and the structural composition of these samples has been
135 evaluated using Raman and attenuated total reflectance Fourier transform infrared
136 (ATR-FTIR). The main aim of this study is to evaluate the relationship between the
137 extractability of phenolic compounds from oak wood and the presence of certain
138 chemical structures or families of compounds in the cellular material of these samples.
139 To support this aim, the ATR FT-IR spectral images of the samples were also recorded
140 and scanning electron microscopy (SEM) techniques were also used. The
6
141 aforementioned information could assist not only in selecting oak wood suited for
142 improving wine quality through the addiction of external copigments to wine, but also
143 in deeply understanding the phenolic extraction process from wood to wine.
144 2. Material and methods
145 2.1. Samples
146 American non-toasted oak (Quercus alba L.) shavings, provided by Tonelería Salas S.L.
147 (Bollullos Par del Condado, Huelva, Spain), were collected for this study, as previously
148 reported Baca-Bocanegra, Nogales-Bueno, Hernandez-Hierro, and Heredia (2018).
149 Briefly, raw wood samples were obtained by processes of sawing the staves in the
150 longitudinal and transversal direction of the fibers. Therefore, two groups of samples
151 were obtained, a longitudinal set and a transversal one. Samples were collected
152 periodically, between June of 2015 and January of 2016. In all, two hundred samples
153 were collected (150 longitudinal and 50 transversal). Upon receipt, the samples were
154 sieved and subjected to a near infrared spectral analysis. After that, wood shavings were
155 placed in stoppered plastic bags and stored in a dry place until use.
156 2.2. Sample selection
157 Wood shaving samples were screened using 2 mm and 10 mm mesh sieves placed in
158 tandem. Only shavings of each sample that were retained between them were taken into
159 account in the assay. Then spectral reflectance data of the samples was recorded over
160 the spectral range between 908 and 1676 nm. Six replicate spectra were recorded for
161 each sample and the average of the replication spectra was calculated. The procedure
162 was repeated for each sample and the obtained spectra were combined into the spectral
163 matrix. Afterwards, an unsupervised pattern recognition technique, principal component
164 analysis (PCA), was used to select representative samples from the spectral data set in
165 order to reduce the number of samples maintaining as much spectral variety as possible.
7
166 Taking into account five principal components, more than ninety-five per cent of the
167 spectral variability of the original spectral matrix was explained. Mahalanobis distances
168 (H) for each sample were calculated and samples were grouped according to a
169 neighborhood H criterion (NH ≤ 0.6). So, 18 groups with different spectral
170 characteristics were created and one sample from every group was selected. These 18
171 selected samples were used in all the subsequent analyses.
172 2.3. Total phenol extractability determination
173 A model wine extraction and an exhaustive extraction were carried out in order to
174 determine the extractability of total phenols for selected wood samples. For model wine
175 extraction, wood samples were immersed in a model wine hydroalcoholic solution (4 g
176 L-1 tartaric acid, 12.5% ethanol, adjusted at pH 3.6 with NaOH 0.5 M) for a maceration
177 period of 72 h at room temperature and without agitation. Oak wood shavings were
178 added to the wine-like solution in a 4 g L-1 ratio. Then, supernatants were used in order
179 to obtain extractable total phenolic content. Afterwards, wood samples were freeze-
180 dried and macerated in methanol: water 50:50 (v/v) during 24 h in order to obtain an
181 exhaustive extraction of phenolic compounds. Total phenolic content was obtained by
182 the analysis of the model wine and exhaustive supernatants. Total phenol contents were
183 determined using the Folin–Ciocalteu method (Singleton & Rossi, 1965). Two hundred
184 and fifty microliters of exhaustive or model wine extractions were mixed with 3.75 mL
185 of sodium carbonate (20 % w/v), 1.25 mL of Folin reagent and made up to 25 mL with
186 ultrapure water. The analyses were performed on an Agilent 8453 UV–visible
187 spectrophotometer (Palo Alto, USA), equipped with diode array detection (DAD),
188 measuring absorbance at 765 nm. Then, extractabilities of each sample were evaluated
189 as the fractions of total phenols extracted by the model wine solution with respect to the
8
190 exhaustive extraction. Finally, wood samples were sorted according to their phenolic
191 extractability levels expressed as percentages.
192 As a by-product of model wine and exhaustive extractions, non-extracted material
193 (NEM) was obtained from each wood selected sample. These NEM samples were
194 freeze-dried and then stored in a desiccator until further use. Control (without extraction
195 process) and NEM selected samples were used in the subsequent analysis. From here on
196 in, the term “wood samples” will be used to refer to the control samples. Non-extracted
197 material will be specified by the acronym, NEM.
198 2.4. ATR-FTIR data collection
199 IR absorption measurements were carried out using a Perkin Elmer Spotlight 400N
200 FTIR imaging system. The data have been collected using both the ATR mode and
201 Micro ATR imaging mode. A liquid nitrogen cooled mercury cadmium telluride (MCT-
202 A) line detector was used.
203 2.4.1. Data collection using the ATR mode
204 ATR spectra were recorded using the Perkin Elmer Spotlight 400N Universal
205 Attenuated Total Reflectance (UATR) accessory of the spectrometer, which employs a
206 9-bounce diamond top-plate for this analysis. Spectral data were the result of 8 scans,
207 with a spectral resolution of 4 cm-1 and covering the spectral range between 650 and
208 4000 cm-1. All samples were measured with a force gauge of 250 units. 6 absorption
209 spectra were collected for each sample. Prior to recording, a background spectrum was
210 also recorded in the absence of any sample and automatically subtracted by the
211 software.
212
213
9
214 2.4.2. Data collection using the Micro ATR imaging mode
215 ATR images were recorded with the Perkin Elmer Spotlight 400N ATR imaging
216 adapter using a germanium crystal objective of dimensions ~ 600 µm x 600 µm placed
217 in direct contact with the sample. Spectral images were acquired covering the spectral
218 range between 750 and 4000 cm-1 with a pixel size of 6.25 µm x 6.25 µm, with 4 scan
219 per pixel at a spectral resolution of 8 cm-1. Background measurement was acquired
220 without sample and without contact between the crystal and the support. ATR images
221 were acquired across a 500 µm x 500 µm region of the ATR crystal. The ATR crystal
222 was gently placed in contact with the sample using pressure to ensure good contact.
223 2.5. Raman data collection
224 A Horiba Jobin-Yvon LabRAM HR800 spectrometer with an external 300 mW diode
225 laser operating at 785 nm as source was used throughout this work. For the
226 measurements, a ×50 objective (MPlanN, Olympus) was employed, providing a spatial
227 resolution of ~1 µm at the sample. The confocal hole was set at 100 µm, the specified
228 setting for confocal operation. The system was spectrally calibrated to the 520.7 cm-1
229 spectral line of silicon. The LabRAM system is a confocal spectrometer that contains
230 two interchangeable gratings (300 and 900 lines per mm respectively). In the following
231 experiments, the 300 lines per mm grating was used, providing a spectral dispersion of
232 approximately 1.5 cm-1 per pixel. The detector used was a 16-bit dynamic range Peltier
233 cooled CCD detector. All spectra were recorded over the spectral range between 200
234 and 3600 cm-1 and with a spectral resolution of ~0.9 to 1.6 cm-1. Six spectra were
235 collected for each sample.
236 2.6. Scanning electron microscopy
237 Scanning electron microscopy (SEM) analysis was performed to analyse surface
238 topography and porosity using a Hitachi SU 6600 Fe-SEM instrument. Samples were
10
239 placed on conductive carbon tabs before being placed in the sample chamber. An
240 accelerating voltage of 2 kV, working distance of 30 mm, condenser lens of 21.0 and
241 current of 20 µA was used for all samples.
242 2.7. Data analysis
243 Samples were sorted into three groups, low, medium and high phenolic extractability
244 levels according to the reference values previously calculated. Wood spectra contain
245 contributions from the chemical content of the sample and physical effects. Therefore,
246 the interpretation of the results obtained from Raman and FTIR spectroscopy requires
247 the pretreatment of the data. A multiplicative scatter correction (MSC) was applied to
248 the ATR-FTIR raw spectra in order to remove the scattering effects. Win ISI (v1.50)
249 (Infrasoft International, LLC, Port. Matilda, PA, USA, 2000) software was used for this
250 aim. ATR-FTIR images were normalised to adjust for point-to-point variations in
251 absorbance and allow the comparison between samples using the SpectrumIMAGE
252 software. Baseline correction was applied to Raman raw data. This correction was
253 carried out using MATLAB R2017b (The Mathworks, Natik, MA, USA, 2017) and
254 following the algorithm previously described (Mazet, Carteret, Brie, Idier, & Humbert,
255 2005). Asymmetric truncated quadratic was the cost function, which gives the best
256 results to estimate background in Raman spectra of wood samples, and the backgrounds
257 were estimated by a 5th-order polynomial and with thresholds of 0.01.
258 3. Results and discussion
259 3.1. Total phenol extractability levels
260 According to their total phenol extractability levels, wood samples were sorted into
261 three different groups, designated as low, medium and high extractability levels and
262 defined by mean ± standard deviations total extractability expressed as percentages
263 (62.01 ± 3.19% ; 70.29 ± 2.80% ; 80.02 ± 1.97%). Thus, 4, 6 and 8 samples were sorted
11
264 respectively as low, medium and high extractability samples. Moreover, samples
265 belonging to low extractability level are distributed as 1:3 in longitudinal: transversal
266 set, medium extractability samples as 2:4 and high extractability samples as 7:1. It can
267 be seen that most of the samples sorted into the low extractability level have been
268 obtained by shaving the staves in the transversal direction of the fibers while most of the
269 high extractability samples have been obtained by shaving the staves in the longitudinal
270 direction of the fibers (Table S1).
271 3.2. ATR-FTIR data
272 3.2.1. ATR mode
273 A typical ATR - FTIR spectrum of raw oak wood is depicted in Fig. S1. Despite the
274 background correction procedure, a negative baseline was consistently returned for all
275 samples in the region ~3500-4000cm-1, perhaps due to a refractive index matching
276 between the sample and crystal in this region. FTIR spectra are characteristic of the
277 chemical composition of the samples and their peaks can be tentatively assigned to
278 specific molecular bonds or functional groups. A hydrogen bonded (O-H) stretching
279 absorption at 3500-3300 cm-1 (1) and a C-H stretching absorption around 2900 cm-1 (2)
280 are observed. The region between 1800 and 600 cm-1, known as the IR fingerprint
281 region, is the region that provides information relevant to molecular structure by means
282 of many well-defined peaks. In wood spectra, the following peaks could be observed:
283 (3) unconjugated groups in lignin and carboxylic acid ester hemicellulose at 1730 cm-1;
284 (4 and 5) aromatic skeletal vibration in lignin and phenols at 1594/1505 cm-1; (6 and 7)
285 C-H deformation in lignin and carbohydrates at 1455/1422 cm-1; (8) C-H deformation in
286 cellulose and hemicellulose, C-H bending vibration in cellulose and hemicellulose at
287 1371 cm-1; (9) C-H vibration in cellulose and C-O vibration in syringyl derivatives at
288 1319 cm-1; (10) syringyl ring and C-O stretch in lignin and xylan and 1235 cm-1; (11) C-
12
289 O-C vibration in cellulose and hemicellulose at 1155 cm-1; (12) aromatic skeletal, C-C
290 stretch and O-H association band in cellulose, hemicellulose and phenols at 1108cm-1;
291 (13) C-O vibration in cellulose and hemicellulose at 1050 cm-1; (14) C-H deformation in
292 cellulose at 892 cm-1. These peaks have been assigned in accordance with available
293 literature (Faix, 1992; Karim, Daryaei, Torkaman, Oladi, Ghanbary, & Bari, 2016;
294 Pandey & Pitman, 2003; Pandey & Theagarajan, 1997; Schultz & Glasser, 1986). A
295 summary of peak assignments can be found in Table 1.
296 Fig. 1a,b shows the raw average spectra, in the region from 600 to 4000 cm-1, of wood
297 samples designated as (a) low, medium and high extractability (including all
298 longitudinal and transverse samples) and (b) as belonging to the longitudinal or
299 transversal set. In both cases, the different spectra have the same pattern, although with
300 different absorbance intensities in some wavelength regions. MSC spectral pretreatment
301 was then applied to the ATR-FTIR spectra and average spectra were calculated for each
302 wood sample. Afterwards, PCA was applied to this spectral matrix. Using all spectral
303 samples, eight principal components were taken into account and 98.57% of the spectral
304 variability of the original spectral matrix was explained. Mahalanobis distances for each
305 sample were calculated. The samples were ranked, in this eight-dimensional space,
306 according to their Mahalanobis distances (H) and the H > 3 criterion was applied in
307 order to look for spectral outliers. No H-outliers were found. Fig. 1c,d shows the scatter
308 plots of the wood samples in the space defined by the first and second principal
309 components, which described 57.70% (PC1) and 21.50% (PC2) of the variability in the
310 data, respectively. In Fig. 1c, the samples are represented by a color code according to
311 the different levels of extractability. As the figure shows, high and low extractability
312 samples are separated according to PC2, while medium extractability samples overlap
313 the low and high extractability ones. In Fig. 1d, the samples have been represented in
13
314 order to find differences between samples obtained by a cut of the staves in the
315 longitudinal or transversal direction of the fibers. The two samples sets are largely
316 differentiated by PC2.
317 Fig. 2 shows the PC2 loadings and the MSC pre-treated average spectra of wood
318 samples with low and high extractabilities. Although the loading of PC2 indicates a
319 significant baseline contribution, specific spectral features are indicated which may
320 influence the wood phenolic extractability. Positive features, ascribed to the high
321 phenolic content samples, can be seen in the 1500-1800 cm-1 and 2700-3000 cm-1
322 spectral areas, while negative features, ascribed to the low extractability samples, are
323 observed in the region 1000-1100 cm-1. These features are mainly ascribed to phenolic
324 compounds and lignin (positive features); cellulose and hemicellulose (negative
325 features) (Table 1). Therefore, it may be inferred that high extractability samples are
326 rich in lignin and phenolic compounds, while low extractability samples are rich in
327 polysaccharides. Despite the obvious fact that the phenolic compounds content
328 influences the phenolic extractability, the results indicate that phenolic extractability is
329 also influenced by the structure of the wood itself, (i.e. by the ease with which the
330 phenolic compounds can be released from the wood to the medium). This observation is
331 supported by the fact that most of the high extractability samples have been obtained by
332 sawing the staves in the longitudinal direction of the fibers, while low extractability
333 samples belong to the transversal set, as can be seen in Table S1. Longitudinal and
334 transversal samples may present the same chemical composition, but differ significantly
335 in structural aspects.
336 3.2.2. ATR Imaging mode
337 In order to confirm and consolidate the above findings, micro ATR images of the wood
338 samples were registered, over the spectral range between 750 and 4000 cm-1. After
14
339 integration of the whole data set, the spectral data were normalized and specific
340 wavenumber ranges of all the spectra were selected using the instrument software. The
341 loadings of the second principal components previously obtained in the PCA of ATR-
342 FTIR data were used for wavelength region selection, because this principal component
343 was responsible for the separation of the samples according to the extractability levels
344 (high and low). The wavenumbers corresponding to higher loadings of this particular
345 principal component were selected as candidates for optimum visualization of structural
346 variations. Based on the results obtained in the previous section, wavenumber regions
347 ascribed to polysaccharides (cellulose, hemicellulose 1000-1100 cm-1) and lignin (1500-
348 1800 cm-1 and 2700-3000cm-1) were selected as spectral regions that might influence
349 the wood phenolic extractability and therefore are considered in ATR-FTIR images for
350 interpretation purposes. Fig. S2 shows an example of the distribution of the absorbance,
351 integrated over the selected wavenumber ranges, of samples with low and high
352 extractability levels, as a false color image. In general, the absorbance levels for all
353 samples was variable, as indicated by the spread of data points for the samples in Fig. 1
354 c,d. Considering the distribution of cellulose/hemicellulose in the mapped area (Fig. S2
355 a and d), it can be observed that, in general, polysaccharides are present in almost all
356 mapped regions, with the exception of a small region in the high extractability sample.
357 This region could be related to structures such as vessels or cellular lumens in high
358 extractability samples as a consequence of the different cutting direction of the staves to
359 obtain the two sample sets. The spectral ranges of 1500-1800 cm-1 and 2700-3000cm-1
360 are ascribed to, a combination of lignin and phenolic compounds, and lignin alone,
361 respectively. For both, high and low extractability samples, the spectral distributions of
362 these regions follow a similar pattern, although the 1500-1800 cm-1 absorbances are
363 higher in Figure S2 b and e. Consistent with literature (Colares, et al., 2015; Sun,
15
364 Simmons, & Singh, 2011), the spatial profile of spectral bands associated with lignin
365 (Fig. S2 b, c, e, f) indicate a lower proportion of this compound than polysaccharides in
366 the samples. Areas of higher lignin content seem to belong to the characteristic fibers
367 and rays of wood, structures which are richer in lignin (Colares, et al., 2015; Colares, et
368 al., 2016).
369 It is notable that, for all high extractability samples mapped, the regions of maximum
370 absorbance in the spectral range of cellulose/hemicellulose (1000-1100 cm-1) do not
371 coincide with those of maximum absorbance of lignin/phenolics (1500-1800 cm-1 and
372 2700-3000cm-1). In contrast, for the low extractability samples, the regions of high
373 absorbance of all spectral ranges are co-incident.
374 The difference in structural distributions of the constituent components corroborates the
375 proposal that not only the chemical content, but also the structure of the wood samples
376 play a significant role in determining the phenolic extractability.
377 3.2.3. ATR-FTIR NEM
378 ATR FTIR spectra and images of non-extracted material (NEM) were also recorded and
379 the data were processed following the same procedure used to analyze the control
380 samples. Fig. 3a shows the scores of the NEM samples in the space defined by the two
381 first principal components. It can be seen that, after the extraction of the phenolic
382 compounds, it is still possible to observe some degree of separation between low and
383 high extractability samples according to the second principal component. These results
384 support the influence of the wood cell wall structure on the extraction of phenolic
385 compounds. Loadings of PC2 and the MSC pre-treated average spectra of NEM
386 samples with low and high extractabilities are represented in Fig. 3b. As in the case of
387 the control samples, peaks ascribed to lignin are strong (negative) in high extractability
388 samples, while those ascribed to cellulose/hemicellulose are prominent (positive) for
16
389 low extractability samples. It can be see that the feature related to phenolic compounds
390 which can be seen around 1150 cm-1 in the PC2 loading of the control samples, is
391 significantly reduced in the PC2 loadings of the samples obtained after the extraction of
392 the phenolic compounds (NEM samples).
393 The spectral region of PC2 loadings that show high variations, related to lignin and
394 polysaccharides (1000-1100 cm-1, 1500-1700 cm-1 and 2700-3000 cm-1) were selected
395 for ATR FTIR image processing. Similar to the case of the control samples, a high
396 degree of inter-sample variation of absorbance levels is observed. Notably, however, in
397 the high extractability samples, a high degree of correlation of the three wavenumber
398 regions is observed, as shown for one example in Fig. S3. In the NEM samples,
399 phenolic compounds have been extracted and thus the absorbance of 1500-1700 cm-1
400 and 2700-3000 cm-1 spectral areas are practically identical.
401 3.3. Raman data
402 In order to confirm and/or complement the findings obtained using ATR-FTIR, Raman
403 spectra of wood samples were collected. Six samples were randomly selected, taking
404 care to select from different extractability levels and quite noisy spectra with several
405 peaks were obtained. Fig. 4a shows a typical wood spectrum after the baseline
406 correction. This spectrum shows characteristic Raman peaks for polysaccharides, lignin
407 and phenolic compounds (Agarwal, 2014; Agarwal, McSweeny, & Ralph, 2011;
408 Colares, et al., 2015; Jason & Emily, 2012; Larsen & Barsberg, 2010). The cellulose-
409 related peaks in the Raman spectra are at 895, 1098, 1125 and 1330 cm -1. In detail,
410 cellulose HCC and HCO bending at 895 cm-1, cellulose CC and CO stretch at 1098 cm-
1
411 , cellulose CC and CO stretch; HCC and HCO bend at 1125 cm-1, cellulose HCC and
412 HCO bend at 1330 cm-1. The feature at 1605 cm-1 is reported to be associated with an
413 aromatic skeletal vibration of lignin and phenolic compounds. This band presents a
17
414 strong Raman intensity, whereas it is only weakly active in infrared spectroscopy. The
415 large intensity of this peak is in agreement with the presence of phenolic compounds in
416 the samples. One last peak related to lignin C = C stretch can be appreciated at 1632 cm-
1
417 .
418 To further examine the results, PCA was performed. Fig. 4bc shows the scores of the
419 wood samples in the space defined by the first and second principal components, which
420 described 63.28% (PC1) and 15.60% (PC2) of the variability in the data. Following the
421 same procedure as in ATR FTIR data, in the plot 6b the color code indicates different
422 extractability levels of the samples while in the plot 6c it indicates different cutting
423 direction. As in ATR-FTIR results, a slight degree of separation between high and low
424 extractability samples is indicated, in this case according to PC1. However, in this case
425 medium extractability samples are overlapped with those of low extractability.
426 Regarding the cutting direction, the second principal component provides valuable
427 information, with transversal samples having higher scores than longitudinal ones (Fig.
428 4c). Therefore, Raman spectroscopy enables confirmation of the linkage between cell
429 wall components and phenolic extractability in wood samples.
430 3.4. Scanning electron microscopy
431 After analysis by ATR-FTIR and Raman spectroscopy, wood samples of high and low
432 extractability levels were visualized by scanning electron microscopy (SEM) in order to
433 obtain a more complete understanding about their ultrastructure (Fig. 5). Micrographs
434 show morphological differences between the structure of these two groups of samples
435 that could be related to the different phenolic extractability levels. According to what
436 can be seen in the images, samples of high extractability have more cavities (cell
437 lumens, intercellular spaces) in view. This behavior could be probably explained by the
438 different cuts to which the staves have been subjected to obtain the samples
18
439 (longitudinal and transversal). In this sense, has to be taken into consideration that most
440 of the high extractability samples belong to the longitudinal set, while the transversal set
441 consists mainly of low extractability samples, as can be seen in Table S1. Taking into
442 account that compounds constituting the extractable fraction, and therefore phenolic
443 compounds, can be mixed with the polymers in the cell wall and also as inclusions in
444 the cell lumens, the processing of the staves in the longitudinal direction of the staves
445 could facilitate the transfer of phenolic compounds from wood to the medium.
446 4. Conclusion
447 ATR-FTIR and Raman spectroscopic techniques provided complementary information
448 about the composition and structure of wood and have been shown to be useful to relate
449 the more important spectral features to phenolic extractability levels of wood samples.
450 ATR-FTIR data analysis confirmed that wood phenolic extractability is influenced by
451 the cell wall composition (cellulose, hemicellulose and lignin). ATR FTIR image
452 spectroscopy has been successfully used to investigate the distribution of lignin and
453 cellulose/hemicellulose. In general, the observed distributions for polysaccharides and
454 lignin are in agreement with the data reported in the literature and confirm that the
455 structure of the wood samples play a significant role in determining the phenolic
456 extractability. The results originally obtained from the infrared spectra and image have
457 been confirmed by Raman spectroscopy. Moreover, scanning electron microscopy
458 provided valuable complementary information that supports the relationship between
459 the structure of the wood and phenolic extractability levels.
460 The results obtained in this work will allow a greater versatility and efficiency for the
461 decision-making in the winemaking process on the adequacy and/or dosage of wood
462 according to the requirements of the wine and, therefore, it will help to implementing
463 the production of high quality red wines.
19
464 Acknowledgements
465 This work was supported by the Spanish MINECO [AGL2017-84793-C2] and
466 Universidad de Sevilla [VPPI-II.2, VPPI-II.4, VIPPI-EEBB-PIF 2017]. The authors
467 thank the technical staff of Biology Service [Servicios Generales de Investigación
468 (SGI), Universidad de Sevilla]. They also thank Tonelería Salas S.L. (Bollulos Par del
469 Condado, Huelva, Spain) for supplying the cooperage byproduct samples.
470 Conflict of interest
471 The authors declare no potential conflict of interest.
20
472 REFERENCES
473
474 Agarwal, U. P. (2014). 1064 nm FT-Raman spectroscopy for investigations of plant cell
475 walls and other biomass materials. Frontiers in Plant Science, 5, 490.
476 Agarwal, U. P., McSweeny, J. D., & Ralph, S. A. (2011). FT–Raman Investigation of
477 Milled-Wood Lignins: Softwood, Hardwood, and Chemically Modified Black
478 Spruce Lignins. Journal of Wood Chemistry and Technology, 31(4), 324-344.
479 Baca-Bocanegra, B., Nogales-Bueno, J., Hernandez-Hierro, J. M., & Heredia, F. J.
480 (2018). Evaluation of extractable polyphenols released to wine from cooperage
481 byproduct by near infrared hyperspectral imaging. Food Chemistry, 244, 206-
482 212.
483 Bautista-Ortín, A. B., Lencina, A. G., Cano-López, M., Pardo-Mínguez, F., López-
484 Roca, J. M., & Gómez-Plaza, E. (2008). The use of oak chips during the ageing
485 of a red wine in stainless steel tanks or used barrels: effect of the contact time
486 and size of the oak chips on aroma compounds. Australian Journal of Grape and
487 Wine Research, 14(2), 63-70.
488 Bokobza, L. (1998). Near infrared spectroscopy. Journal of Near Infrared
489 Spectroscopy, 6(1), 3-17.
490 Boulton, R. (2001). The copigmentation of anthocyanins and its role in the color of red
491 wines. A critical review. American Journal of Enology and Viticulture, 52, 67-
492 87.
493 Byrne, H. J., Ostrowska, M. K., Nawaz, H., Dorney, J., Meade, D. A., Bonnier, F., &
494 Lyng, M. F. (2014). Vibrational Spectroscopy: Disease Diagnostics and Beyond.
495 In M. Baranska (Ed.), Optical Spectroscopy and Computational Methods in
496 Biology and Medicine, (pp. 355-399). Dordrecht, Netherlands: Springer
497 Netherlands.
21
498 Byrne, H. J., Sockalingum, G. D., & Stone, N. (2011). Chapter 4 Raman Microscopy:
499 Complement or Competitor? In Biomedical Applications of Synchrotron
500 Infrared Microspectroscopy: A Practical Approach, (pp. 105-143). Karlsruhe,
501 Germany: The Royal Society of Chemistry.
502 Colares, C. J. G., Pastore, T. C. M., Coradin, V. T. R., Camargos, J. A. A., Moreira, A.
503 C. O., Rubim, J. C., & Braga, J. W. B. (2015). Exploratory Analysis of the
504 Distribution of Lignin and Cellulose in Woods by Raman Imaging and
505 Chemometrics. Journal of the Brazilian Chemical Society, 26(6), 1297-1305.
506 Colares, C. J. G., Pastore, T. C. M., Coradin, V. T. R., Marques, L. F., Moreira, A. C.
507 O., Alexandrino, G. L., Poppi, R. J., & Braga, J. W. B. (2016). Near infrared
508 hyperspectral imaging and MCR-ALS applied for mapping chemical
509 composition of the wood specie Swietenia Macrophylla King (Mahogany) at
510 microscopic level. Microchemical Journal, 124, 356-363.
511 Chen, H., Ferrari, C., Angiuli, M., Yao, J., Raspi, C., & Bramanti, E. (2010). Qualitative
512 and quantitative analysis of wood samples by Fourier transform infrared
513 spectroscopy and multivariate analysis. Carbohydrate Polymers, 82(3), 772-778.
514 Del Álamo Sanza, M., & Nevares Domínguez, I. (2006). Wine aging in bottle from
515 artificial systems (staves and chips) and oak woods. Analytica Chimica Acta,
516 563(1-2), 255-263.
517 Edwards, H. G. M., de Oliveira, L. F. C., & Nesbitt, M. (2003). Fourier-transform
518 Raman characterization of brazilwood trees and substitutes. Analyst, 128(1), 82-
519 87.
520 Eriksson, K.-E. L., Blanchette, R. E., & Ander, P. (1990). Microbial and enzymatic
521 degradation of wood and wood components. Berlin: Springer.
22
522 Evans, P. A. (1991). Differentiating hard from soft woods using fourier-transform
523 infrared and fourier-transform raman-spectroscopy. Spectrochimica Acta Part a,
524 47(9-10), 1441-1447.
525 Faix, O. (1992). Fourier Transform Infrared Spectroscopy. In S. Y. Lin & C. W. Dence
526 (Eds.), Methods in Lignin Chemistry, (pp. 83-109). Berlin: Springer
527 Fernández de Simón, B., Cadahía, E., del Álamo, M., & Nevares, I. (2010). Effect of
528 size, seasoning and toasting in the volatile compounds in toasted oak wood and
529 in a red wine treated with them. Anal Chim Acta, 660(1-2), 211-220.
530 Frangipane, M. T., Santis, D. D., & Ceccarelli, A. (2007). Influence of oak woods of
531 different geographical origins on quality of wines aged in barriques and using
532 oak chips. Food Chemistry, 103(1), 46-54.
533 Gerasimov, V. A., Gurovich, A. M., Kostrin, D. K., Selivanov, L. M., Simon, V. A.,
534 Stuchenkov, A. B., Paltcev, A. V., Uhov, A. A., & Iop. (2016). Raman
535 spectroscopy for identification of wood species. In 3rd International School and
536 Conference on Optoelectronics, Photonics, Engineering and Nanostructures,
537 vol. 741).
538 Giordanengo, T., Charpentier, J. P., Boizot, N., Roussel, S., Roger, J. M., Chaix, G.,
539 Robin, C., & Mourey, N. (2009). Oakscan: procédé de mesure rapide et non
540 destructif des polyphénols du bois de chêne de tonnellerie. Revue française
541 d'Oenologie, 10-15.
542 Gordillo, B., Rodriguez-Pulido, F. J., Mateus, N., Escudero-Gilete, M. L., Gonzalez-
543 Miret, M. L., Heredia, F. J., & de Freitas, V. (2012). Application of LC-MS and
544 tristimulus colorimetry to assess the ageing aptitude of Syrah wine in the
545 Condado de Huelva D.O. (Spain), a typical warm climate region. Analytica
546 Chimica Acta, 732, 162-171.
23
547 Gordillo, B., Baca-Bocanegra, B., Rodriguez-Pulido, F. J., Lourdes Gonzalez-Miret, M.,
548 Garcia Estevez, I., Quijada-Morin, N., Heredia, F. J., & Teresa Escribano-
549 Bailon, M. (2016). Optimisation of an oak chips-grape mix maceration process.
550 Influence of chip dose and maceration time. Food Chemistry, 206, 249-259.
551 Jaaskelainen, A. S., Nuopponen, M., Axelsson, P., Tenhunen, M., Loija, M., &
552 Vuorinen, T. (2003). Determination of lignin distribution in pulps by FTIR ATR
553 spectroscopy. Journal of Pulp and Paper Science, 29(10), 328-331.
554 Jason, S. L., & Emily, A. S. (2012). Characterization of Woody and Herbaceous
555 Biomasses Lignin Composition with 1064 nm Dispersive Multichannel Raman
556 Spectroscopy. Applied Spectroscopy, 66(8), 903-910.
557 Karim, M., Daryaei, M. G., Torkaman, J., Oladi, R., Ghanbary, M. A. T., & Bari, E.
558 (2016). In vivo investigation of chemical alteration in oak wood decayed by
559 Pleurotus ostreatus. International Biodeterioration & Biodegradation, 108, 127-
560 132.
561 Larsen, K. L., & Barsberg, S. (2010). Theoretical and Raman Spectroscopic Studies of
562 Phenolic Lignin Model Monomers. The Journal of Physical Chemistry B,
563 114(23), 8009-8021.
564 Masson, G., Moutounet, M., & Puech, J. L. (1995). Ellagitannin content of oak wood as
565 a function of species and of sampling position in the tree. American Journal of
566 Enology and Viticulture, 46(2), 262-268.
567 Mazet, V., Carteret, C., Brie, D., Idier, J., & Humbert, B. (2005). Background removal
568 from spectra by designing and minimising a non-quadratic cost function.
569 Chemometrics and Intelligent Laboratory Systems, 76(2), 121-133.
570 Mira de Orduña, R. (2010). Climate change associated effects on grape and wine quality
571 and production. Food Research International, 43(7), 1844-1855.
24
572 Mori, K., Sugaya, S., & Gemma, H. (2005). Decreased anthocyanin biosynthesis in
573 grape berries grown under elevated night temperature condition. Scientia
574 Horticulturae, 105(3), 319-330.
575 Morrell, J. J., & Gartner, B. L. (1998). Wood as a material. London: Bruce, A. &
576 Palfreyman, J.W. .
577 Nogales-Bueno, J., Baca-Bocanegra, B., Rooney, A., Hernandez-Hierro, J. M., Byrne,
578 H. J., & Heredia, F. J. (2017). Study of phenolic extractability in grape seeds by
579 means of ATR-FTIR and Raman spectroscopy. Food Chemistry, 232, 602-609.
580 Nogales-Bueno, J., Baca-Bocanegra, B., Rooney, A., Miguel Hernandez-Hierro, J., Jose
581 Heredia, F., & Byrne, H. J. (2017). Linking ATR-FTIR and Raman features to
582 phenolic extractability and other attributes in grape skin. Talanta, 167, 44-50.
583 Pandey, K. K., & Pitman, A. J. (2003). FTIR studies of the changes in wood chemistry
584 following decay by brown-rot and white-rot fungi. International
585 Biodeterioration & Biodegradation, 52(3), 151-160.
586 Pandey, K. K., & Theagarajan, K. S. (1997). Analysis of wood surfaces and ground
587 wood by diffuse reflectance (DRIFT) and photoacoustic (PAS) Fourier
588 transform infrared spectroscopic techniques. Holz als Roh- und Werkstoff, 55(6),
589 383-390.
590 Schultz, T. P., & Glasser, W. G. (1986). Quantitative structural analysis of lignin by
591 diffuse reflectance Fourier transform spectrometry. Holzforschung, 40(SUPPL.),
592 37-44.
593 Singleton, V. L., & Rossi, J. A. (1965). Colorimetry of Total Phenolics with
594 Phosphomolybdic-Phosphotungstic Acid Reagents. American Journal of
595 Enology and Viticulture(16), 144-158.
25
596 Sun, L., Simmons, B. A., & Singh, S. (2011). Understanding Tissue Specific
597 Compositions of Bioenergy Feedstocks Through Hyperspectral Raman Imaging.
598 Biotechnology and Bioengineering, 108(2), 286-295.
599 Traore, M., Kaal, J., & Cortizas, A. M. (2016). Application of FTIR spectroscopy to the
600 characterization of archeological wood. Spectrochimica Acta Part a, 153, 63-70.
601 Zahri, S., Moubarik, A., Charrier, F., Chaix, G., Bailleres, H., Nepveu, G., & Charrier,
602 B. (2008). Quantitative assessment of total phenol contents of European oak
603 (Quercus petraea and Quercus robur) by diffuse reflectance NIR spectroscopy on
604 solid wood surfaces. Holzforschung, 62(6), 679-687.
605
606
26
607 Fig. captions1
608 Fig. 1. Raw average spectra of wood samples with low, medium and high
609 extractabilities (a) and belonging to longitudinal and transversal set (b) in the region
610 from 600 to 4000 cm-1. Score plot of the first two principal components obtained in the
611 PCA performed on ATR-FTIR spectra recorded from wood samples. The individual
612 data points have been color coded according to the phenolic extractability levels (c) and
613 according to the cut direction of the staves (longitudinal and transversal) (d).
614 Fig. 2. PC2 loading plot and average MSC pre-treated ATR-FTIR spectra for low and
615 high phenolic extractability wood samples.
616 Fig. 3. Score plot of NEM samples in the space defined by PC1 and PC2 codified
617 according to the phenolic extractability levels (a). PC2 loading plot and average MSC
618 pre-treated ATR-FTIR spectra for low and high phenolic extractability NEM samples
619 (b).
620 Fig. 4. Baseline corrected Raman spectrum for a wood sample in the region from 200-
621 4000 cm-1 and 600-1800 cm-1 (a). Score plot of the first two principal components
622 obtained in the PCA performed on Raman spectra recorded from wood samples. The
623 individual data points have been color coded according to the phenolic extractability
624 levels (b) and according to the cut direction of the staves (longitudinal and transversal)
625 (c).
626 Fig. 5. Scanning electron microscopy (SEM) of wood samples with high (a) and low (b)
627 extractability levels.
628
629 1 NOTE: All figures should be in color on the Web and in black-and-white in print.
630
27
Table 1
Table 1. Main functional groups assigned to the different vibrations present in the ATR-FTIR
spectra of wood samples.
Absorption Peak reference

Assignmenta Component
bands (cm-1) (Figure S1)
3300 ν(O-H) Polysaccharides, lignin 1
2900 ν(CH2) Lignin 2
1730 ν(C=O)ester Lignin, hemicellulose 3
1594 ν(C-C)aromatic Lignin, phenolics 4
1505 ν(C-C)aromatic Lignin, phenolics 5
1455 δ(C-H) Lignin, polysaccharides 6
1422 δ(C-H) Lignin, polysaccharides 7
1371 δ(C-H) Cellulose, hemicellulose 8
ν(C-H) and
1319 Cellulose, Syringil derivates 9
ν(C-O)
1235 ν(C-O) Lignin, xylan 10
1155 ν(C-O-C) Cellulose, hemicellulose 11
ν(C-C)aromatic, Cellulose, hemicellulose,
1108 12
δ(O-H) phenolics
1050 ν(C-O) Cellulose, hemicellulose 13
892 δ(C-H) Cellulose 14
α
Assignment: ν, stretching; δ, bending;
Figure 1
Click here to download high resolution image
Figure 2
Figure 3
Figure 4
Figure 5
Supplementary Material
Click here to download Supplementary Material: FTIR_Dublin_B.Baca_Bocanegra_Supplementary material.docx
CAPÍTULO 7
CAPÍTULO 7: EFECTO DE LA ADICIÓN POST FERMENTATIVA

DE VIRUTA DE ROBLE, SUBPRODUCTO DE TONELERÍA, EN LA
COMPOSICIÓN FENÓLICA Y LA CALIDAD CROMÁTICA DE
VINOS TINTOS
En: Baca Bocanegra, Berta; Nogales Bueno, Julio; Hernández Hierro, José Miguel; Heredia
Mira, Francisco José: Valorization of American barrel-shoot wastes: effect of post fermentative
addition and readdition on phenolic composition and chromatic quality of Syrah red wines. Food
Chemistry, (en revisión).
1. Antecedentes
La calidad y estabilidad del color del vino tinto está estrechamente relacionada con su
composición fenólica, fundamentalmente con los pigmentos antociánicos y otros fenoles
extraídos de la uva durante la fase de maceración y también con los procesos de copigmentación
en etapas posteriores de la vinificación (Perez-Lamela, Garcia-Falcon, Simal-Gandara, y Orriols-
Fernandez, 2007). Los colores pálidos y la presencia de tonalidades no esperadas de acuerdo a la
edad del vino, conducen al rechazo del producto por parte del consumidor. Por esta razón, la
estabilización del color de los vinos es un importante motivo de preocupación en las bodegas.
En las últimas décadas se han utilizado distintas técnicas de maceración, alternativas a la

maceración tradicional, con el objetivo de mejorar la extracción de compuestos fenólicos
procedentes de las distintas partes de la uva y lograr la formación de pigmentos nuevos que
proporcionan colores más estables. Para alcanzar dicho objetivo se han utilizado técnicas de
maceración pre-fermentativa en frío, maceración carbónica y maceración enzimática (Casassa,
Bolcato, y Sari, 2015; Cejudo-Bastante, Gordillo, Hernanz, Escudero-Gilete, Gonzalez-Miret, y
Heredia, 2014; Gómez-Míguez, et al., 2007; Gonzalez-Neves, Favre, Gil, Ferrer, y Charamelo,
2015; Gonzalez-Neves, Favre, Piccardo, y Gil, 2016; Heredia, et al., 2010; Ortega-Heras, Perez-
Magarino, y Gonzalez-Sanjose, 2012).
Entre las posibles estrategias dirigidas a paliar la deficiente madurez fenólica de las uvas y por
consiguiente los problemas de estabilidad de color, también se encuentra la adición de
copigmentos en la vinificación, bien como extractos, o bien a partir de fuentes naturales que los
contengan (Cejudo-Bastante, et al., 2016; Gordillo, et al., 2013; Gordillo, Cejudo-Bastante,
Rodríguez-Pulido, Jara-Palacios, Ramírez-Pérez, González-Miret, et al., 2014; Harbertson,
Parpinello, Heymann, y Downey, 2012; Rivero, et al., 2017; Soto Vazquez, Rio Segade, y Orriols
Fernandez, 2010). La realización de estas prácticas en las etapas iniciales de la vinificación
239
durante periodos de maceración más prolongados, incrementa los niveles iniciales de

copigmentación (aumenta la relación copigmento/pigmento), lo que conduce a la formación de
pigmentos derivados más estables.
En este contexto, la adición post-fermentativa de virutas crudas de roble se puede considerar

una estrategia interesante. La madera es una importante fuente de compuestos fenólicos que
podrían participar directa o indirectamente en la estabilización de los pigmentos extraídos de la
uva, tanto porque mejoran la proporción de copigmento/pigmento como porque evitan la
degradación de los antocianos gracias al efecto protector frente a la oxidación que ejercen los
elagitaninos. La utilización de subproductos de tonelería como coadyuvantes en vinificación
implica, además, la reutilización y aprovechamiento de desechos industriales y aporta
sostenibilidad al proceso lo que se traduce en importantes beneficios económicos y ambientales
para la industria del vino.
2. Objetivo
El objetivo general de este trabajo es la evaluación del potencial de la viruta cruda de roble
americano, subproducto de tonelería, como coadyuvante de vinificación. Para ello, se estudia la
influencia de la adición post-fermentativa de virutas crudas de roble, en la composición fenólica
y la calidad cromática de vinos tintos de variedad Syrah elaborados en zonas de clima cálido.
Para este ensayo se elaboraron vinos a partir de uva tinta Vitis vinifiera L. de variedad Syrah,
cultivada en un viñedo de la región del Condado de Huelva, correspondiente a la campaña de
vendimia 2016. Se utilizaron 900 kg de uva cosechada con madurez tecnológica óptima (14 Bé).
Los vinos fueron elaborados en la bodega experimental que el grupo de investigación tiene en la
Bodega “Cooperativa Nuestra Sra. Del Socorro” en Rociana del Condado (Huelva), siguiendo el
método tradicional de vinificación en tinto.
Para su elaboración, la masa de vendimia (uvas despalilladas y trituradas) se distribuyó en seis

tanques de 220 litros de capacidad donde se desarrolló la fermentación alcohólica con la adición
de levadura seleccionada Saccharomyces cerevisiae (VINIFERM BY, 25 g hL-1, Agrovin, Ciudad
Real, Spain). Durante la fase de fermentación alcohólica (6 días) se hicieron bazuqueos una vez
al día. Pasado este tiempo, los vinos fueron descubados a nueve depósitos de acero inoxidable de
50 litros de capacidad para llevar a cabo tres tratamientos experimentales post-fermentativos, por
triplicado:
240
CAPÍTULO 7
 Vinos elaborados por vinificación tradicional (sin adición post-fermentativa), como vino
de control (3 depósitos), CW.
 Vinos con 30 días de maceración post-fermentativa con virutas crudas de roble
americano, subproducto de tonelería, agregando 12 g L-1 de virutas (3 depósitos). De
ahora en adelante “adición simple”, SW.
 Vinos con doble maceración post-fermentativa: adición de 12 g L-1 de virutas (30 días) y
una segunda adición de 12 g L-1 de virutas (30 días) una vez eliminada la primera adición
(3 depósitos). De ahora en adelante “adición doble”, DW.
Simultáneamente a la adición de virutas, se inocularon bacterias de ácido láctico Oenococcus

oeni para estimular el desarrollo de la fermentación maloláctica. Los vinos se mantuvieron en
tanques de acero inoxidable hasta el final de la maceración post-fermentativa y durante el proceso
de estabilización. La elaboración del vino fue cuidadosamente seguida analizando muestras de
forma periódica para la determinación de parámetros enológicos de control.
La viruta de madera utilizada en este ensayo fue generada en un único punto del proceso de
elaboración de las barricas, (cepillado de la madera en dirección longitudinal de las fibras, C) y
en una única fecha. En la fecha elegida, se recolectaron 10 kg de virutas, cantidad suficiente para
dosificar, después del proceso de tamizado, en una proporción de 12 g viruta por cada litro de
vino. Una vez recogida y tamizada, la muestra fue caracterizada por análisis de imagen
hiperespectral a partir del modelo desarrollado por B. Baca-Bocanegra, et al. (2018) en el Capítulo
3 de esta memoria, que permite estimar el contenido fenólico extraíble en viruta cruda de roble.
Debido al tamaño de la muestra y con el fin de considerar la posible heterogeneidad fenólica
característica de la madera, la cantidad inicial fue dividida en varias submuestras y se aplicó el
modelo a cada una de ellas. La viruta fue dosificada en los distintos depósitos, teniendo en cuenta
el contenido fenólico extraíble predicho, de tal forma que este parámetro no suponga un nuevo
factor de variabilidad en el ensayo de vinificación.
Para cada vino elaborado, se tomaron muestras en diferentes momentos de la vinificación,

antes del embotellado: adición de viruta (0 días), final de la maceración (30 días para la adición
simple y 60 para la adición doble) y final de la fase de estabilización antes del embotellado (120
días). Para cada muestra se determinó el perfil antociánico, contenido de fenoles totales, contenido
de flavanoles totales, parámetros colorimétricos, diferencias de color, porcentajes de
copigmentación y polimerización de antocianos.
La determinación de antocianos se realizó mediante análisis cromatográfico, siguiendo una

modificación del método descrito por M. García-Marino, et al. (2010) como se describe en
Hernández-Hierro, et al. (2013). Para la determinación de flavanoles se utilizó el método
espectrofotométrico descrito por Vivas, et al. (1994), el cual mide la reacción entre el reactivo 4-
241
(dimetilamino)cinamaldehído (DMACA) y los compuestos flavanólicos de la muestra, mientras

que la determinación de los fenoles totales presentes en los extractos se utilizó el también método
espectrofotométrico de Folin−Ciocalteu (Singleton, et al., 1965).
La determinación de los parámetros de color se llevó a cabo por espectrofotometría UV-Vis.

Se registraron los espectros visibles (380-780 nm) de cada muestra con un espectrofotómetro
Agilent 8453 UV-Vis (Palo Alto, EE. UU.), utilizando cubetas de vidrio de 2 mm de paso de luz
y agua destilada como blanco de referencia. Los parámetros de color CIELAB (L*, a*, b*, C*ab
y hab) se calcularon a partir de los espectros de transmitancia utilizando el software original
∗
CromaLab® (Heredia, et al., 2004). Las diferencias de color (∆𝐸𝑎𝑏 ) se han calculado como la
distancia euclídea entre dos puntos en el espacio tridimensional definido por L *, a * y b *:
∗
∆𝐸𝑎𝑏 = √(∆𝐿∗ )2 + (∆𝑎∗ )2 + (∆𝑏 ∗ )2
La contribución de los antocianos copigmentados al color total del vino a pH 3.6 (% de

antocianos copigmentados) y el grado de polimerización de antocianos (porcentaje de pigmentos
poliméricos) se determinarón siguiendo el método propuesto por (Boulton, 1996). La acidez de
las muestras de vino se ajustó previamente a un valor de pH de 3.6 usando NaOH 1M o HCl de
la misma molaridad en dicho ajuste.
Se aplicó el ANOVA para estudiar la influencia de la adición post-fermentativa de viruta de

roble sobre la composición fenólica y la calidad cromática de los vinos. Se utilizaron como
variables dependientes los diferentes parámetros de referencia calculados y como factor el
tratamiento (control, adición simple y adición doble). Los análisis estadísticos se realizaron con
el software Statistica v.8.0 StatSof Inc®.
La adición de viruta dio lugar a un aumento significativo (p<0.05) del contenido de fenoles
totales tanto en SW como en DW, con respecto al vino control, al final del proceso de maceración
(30 días para SW y 60 días para DW). Este aumento está relacionado con la cesión, durante la
maceración, de compuestos fenólicos de la madera tales como ácidos fenólicos y elagitaninos y,
como cabría esperar, es mayor en el caso de la adición doble. Por el contrario, la contribución al
contenido de flavanoles es prácticamente despreciable debido a su escasa presencia en la madera.
En esta etapa del proceso de vinificación, el contenido de antocianos en SW y DW experimenta
una caída con respecto al vino control, muy ligera en el caso de la adición simple y significativa
(p<0.05) en el ensayo de adición doble. Este efecto puede estar relacionado con la formación de
antocianos poliméricos durante las primeras etapas de la vinificación. Además, la viruta añadida
puede adsorber en su superficie los compuestos antociánicos provocando una disminución de su
concentración especialmente cuando la cantidad de viruta añadida es elevada y el periodo de
maceración largo (Gordillo, et al., 2016). Durante la fase de estabilización, la disminución de
antocianos continúa, observándose este efecto en los tres vinos elaborados pero de forma mucho
242
CAPÍTULO 7
más acusada en SW y DW, de tal forma que las diferencias entre ellos y el control son
significativas (p<0.05). Reacciones de oxidación, hidratación y polimerización están,
probablemente, relacionadas con esta disminución de antocianos (Cejudo-Bastante, et al., 2017).
De acuerdo con estas observaciones, se obtienen mayores porcentajes de polimerización en los
vinos SW y DW (66.81 - 64.16 %) que en el vino control (60%) lo que indica mayores
proporciones de antocianos más estables en los vinos macerados con virutas y por tanto más
estabilidad química. A pesar de que al final de la fase de maceración existe una diferencia
importante en la caída que experimentan los antocianos en DW con respecto a SW, al final de la
fase estabilización no existen diferencias significativas para este parámetro entre estos dos vinos,
siendo los niveles comparables e incluso ligeramente superior para el ensayo de adición doble.
Esta compensación puede estar relacionada con el efecto protector que ejercen los elagitaninos
(Cano-Lopez, Lopez-Roca, Pardo-Minguez, y Gomez Plaza, 2010), añadidos en mayor cantidad
en el caso de la adición doble de viruta.
En cuanto a las características cromáticas, los vinos SW y DW presentan cromas mayores y

valores de tono menores que el control, es decir, vinos con mayor intensidad cromática y tonos
rojos más azulados que el control aunque estas diferencias sólo son significativas en el caso del
tono. No se aprecian diferencias entre los ensayos y el control con respecto a la claridad. DW
presenta mayor valor para el tono, es decir, tonos más rojos anaranjados, que están en
concordancia con mayor cantidad de antocianos libres, menos estables y menos porcentaje de
polimerización que el ensayo de adición simple. La adición de viruta provoca un efecto positivo
no solo en la densidad de color (croma) y el tono sino también en la estabilidad del color, es decir,
durante la fase de estabilización, la perdida de color que experimentan los vinos elaborados
añadiendo viruta es menor que en el vino control. Esta pérdida de color es menor en el ensayo de
adición simple que en el doble. Las diferencias de color se deben fundamentalmente a diferencias
cualitativas (Δhab) ya que es el único parámetro para el que existen diferencias significativas entre
los ensayos y el control. Con el objetivo de comparar las dos adiciones al final de la fase de
estabilización se determinaron las diferencias de color entre SW y DW con respecto a CW (SW120
vs CW120 y DW120 vs CW120). La mayor diferencia de color se aprecia en el caso de la adición
simple (4.51 frente a 3.76 unidades) aunque estas diferencias entre los ensayos no son
significativas. En ambos casos, las diferencias de color con respecto al testigo son apreciables por
el ojo humano.
243
4. Conclusiones
 La adición post-fermentativa de virutas crudas de roble modifica el contenido fenólico,

dando lugar a vinos con un contenido de fenoles totales significativamente mayor que los
vinos elaborados mediante vinificación tradicional. Se puede considerar, por tanto, una
alternativa tecnológica interesante para aumentar la relación copigmento/pigmento.
 En referencia al color, la adición post-fermentativa condujo a vinos con características
colorimétricas diferentes a los vinos elaborados por vinificación tradicional, siendo la
diferencia visualmente apreciable tanto en la adición simple como en la doble.
Concretamente, favoreció la elaboración de vinos con mayor intensidad cromática y
tonalidad más azulada. Dichos resultados demostraron la efectividad de la maceración
post-fermentativa con viruta de madera, para estabilizar el color de los vinos y provocar
modificaciones de color más bajas a lo largo del tiempo, produciendo vinos
cromáticamente más estables para un mejor envejecimiento posterior.
 Entre las dos adiciones ensayadas, la adición post fermentativa simple condujo a vinos
con color más estable, que mantuvieron sus tonalidades azuladas durante más tiempo. En
el caso de la adición doble, la eventual adsorción de los pigmentos sobre las virutas
durante la maceración parece tener mayor efecto sobre el color que el incremento de
copigmentación y/o polimerización.
244
Elsevier Editorial System(tm) for Food
Chemistry
Manuscript Draft
Manuscript Number:
Title: Valorization of American barrel-shoot wastes: effect of post

fermentative addition and readdition on phenolic composition and
chromatic quality of Syrah red wines
Article Type: Research Article (max 7,500 words)
Keywords: Anthocyanins; wood; byproducts; colour; wine.
Corresponding Author: Dr. José Miguel Hernández-Hierro,
Order of Authors: Berta Baca-Bocanegra; Julio Nogales-Bueno; José Miguel

Hernández-Hierro; Francisco José Heredia
Abstract: The influence of post fermentative addition of American barrel-

shoot wastes on phenolic composition and chromatic quality of Syrah red
wines has been evaluated as an oenological alternative to the
conventional winemaking for avoiding the common color loss of red wines
elaborated in warm climates. American oak wood byproducts added were
previously classified by hyperspectral image analysis according to the
amount of phenolic compounds transferred to the extraction media. After
that, wines were elaborated under different maceration conditions by
applying only one proportion of wood (12 g L-1) and two different
maceration procedures.
The simple post-fermentative addition led to wines with a more stable
color, which maintained their bluish hues for a longer time. In the case
of double addition, the adsorption of the pigments during the maceration
seems to have a stronger effect on the colour than copigmentation and
polymerization due to the copigments extracted from the wood.
Cover Letter
UNIVERSIDAD DE SEVILLA
DEPARTAMENTO DE NUTRICION Y BROMATOLOGIA TOXICOLOGÍA Y MEDICINA LEGAL
Laboratorio de Color y Calidad de Alimentos
Dr. J. M. Hernández Hierro
E-mail: [email protected]
Sevilla, October 29, 2018

Dear Editor,
Please find enclosed our manuscript entitled “Valorization of American barrel-shoot wastes: effect
of post fermentative addition and readdition on phenolic composition and chromatic quality of Syrah
red wines”, which we would like to submit for your consideration for publication in Food Chemistry.
The influence of the post fermentative addition of American barrel-shoot wastes on the phenolic
composition and chromatic quality of Syrah red wines has been evaluated as an oenological alternative
to the conventional winemaking for avoiding the common color loss of red wines elaborated in warm
climates. American oak wood byproducts added were previously classified by hyperspectral image
analysis according to the amount of phenolic compounds transferred to the extraction media. After
that, wines were elaborated under different maceration conditions by applying only one proportion of
wood (12 g/L) and two different maceration procedures.
The simple post-fermentative addition led to wines with a more stable color, which maintained
their bluish hues for a longer time. In the case of double addition, the adsorption of the pigments
during the maceration seems to have a stronger effect on the color than copigmentation and
polymerization due to the copigments extracted from the wood.
The use of cooperage by-products as source of copigments for wine leads to a sustainable and
competitive cooperage industry, through waste reduction and by-product valorization.
I hope that this work will be of interest for your journal.
I look forward to hearing from you.
Yours sincerely,
José Miguel Hernández Hierro
Facultad de Farmacia - Phone: +34 954556761

41012 Sevilla, Spain Fax: +34 954557017
*Highlights (for review)
Highlights
 Post fermentative addition of American barrel-shoot has been evaluated.
 Two different maceration conditions were applying.
 Simple addition led to wines with a more stable colour and bluish hues.
 Adsorption of pigments presents a strong effect on colour in double addition.
1
*Manuscript
1 Valorization of American barrel-shoot wastes: effect of post fermentative addition and
2 readdition on phenolic composition and chromatic quality of Syrah red wines.
3 Berta Baca-Bocanegra1, Julio Nogales-Bueno1, José Miguel Hernández-Hierro1*, Francisco
4 José Heredia1
1
6 Food Color and Quality Laboratory, Section of Nutrition and Food Science, Facultad de
8 Running Title: Valorization of cooperage byproduct in wine
10 Berta Baca-Bocanegra: [email protected]
11 Julio Nogales-Bueno: [email protected]
12 José Miguel Hernández-Hierro: [email protected]
13 Francisco José Heredia: [email protected]
14 * Corresponding author:
15 José Miguel Hernández-Hierro
16 Food Colour & Quality Lab., Dept. Nutrition & Food Science. Facultad de Farmacia.
17 Universidad de Sevilla. 41012-Sevilla, Spain
18 Tel.: +34 954556495 Fax: +34 954556110
20
1
21 Summary
22 The influence of post fermentative addition of American barrel-shoot wastes on phenolic
23 composition and chromatic quality of Syrah red wines has been evaluated as an oenological
24 alternative to the conventional winemaking for avoiding the common color loss of red wines
25 elaborated in warm climates. American oak wood byproducts added were previously
26 classified by hyperspectral image analysis according to the amount of phenolic compounds
27 transferred to the extraction media. After that, wines were elaborated under different
28 maceration conditions by applying only one proportion of wood (12 g L-1) and two different
29 maceration procedures.
30 The simple post-fermentative addition led to wines with a more stable color, which
31 maintained their bluish hues for a longer time. In the case of double addition, the adsorption
32 of the pigments during the maceration seems to have a stronger effect on the colour than
33 copigmentation and polymerization due to the copigments extracted from the wood.
34 Keywords
35 Anthocyanins; wood; byproducts; colour; wine.
2
36 Introduction
37 Colour is one of the main characteristic defining the quality of wines and usually the first
38 attribute perceived by the consumer, who want to get high quality wines. Phenolic compounds
39 participate in several sensory attributes such as astringency, bitterness and colour. Among
40 them, anthocyanins extracted from grape skin are the principal compounds involved in the
41 colour of red wines and their interactions with other phenolic compounds (i.e. copigments),
42 normally colorless, allow improving the colour stabilization of aged wines by copigmentation
43 reactions (Boulton, 2001a; B. Gordillo, Cejudo-Bastante, Rodriguez-Pulido, Gonzalez-Miret,
44 & Heredia, 2013a). The amount of anthocyanins is influence by a number of factors such as
45 cultivar, growing region, climate, and growth conditions (Downey, Dokoozlian, & Krstic,
46 2006; Ferrer-Gallego, Hernandez-Hierro, Rivas-Gonzalo, & Escribano-Bailon, 2012; B.
47 Gordillo, Rodriguez-Pulido, Mateus, Escudero-Gilete, Gonzalez-Miret, Heredia, et al., 2012;
48 Mira de Orduña, 2010; Ryan & Revilla, 2003). Under warm climatic conditions, it is a usual
49 pattern the lack of copigmentation phenomena, which contribute to colour stabilization, and it
50 is hampered by the shortfall of pigments and copigments (Boulton, 2001b). In this scenario, it
51 is desirable to obtain additional polyphenols from others sources that contribute to assist in
52 the copigmentation and hence in color stabilization.
53 Wood from the manufacture of barrels is a natural source of phenols that, used in the initial
54 stages of vinification in red wines, are expected to modify the conditions of the medium and
55 affect their organoleptic characteristics, specifically, the colour. The contribution of wood is
56 expected to improve the stabilization of the wine colour, contributing to the phenomena of
57 copigmentation or preventing the oxidation of colored compounds during winemaking
58 maturation, especially when they are subjected to ageing process (Boulton, 2001b; Ribéreau-
59 Gayon, Dubourdieu, Doneche, Lonvaud, Glories, Maujean, et al., 2006). Although oak wood
60 has been used for centuries for the elaboration of the barrels where the wine is stored during
3
61 aging, the addition of cooperage byproducts such as oak wood has been recently aimed at
62 implementing the production of high quality red wines in the last years. Taking into account
63 this topic the founded references are scarce. Food industry generates high amounts of solid
64 waste/by-products, which represent a main disposal problem for the industry. The aforesaid
65 by-products are very promising sources of value-added substances, with particular emphasis
66 to the retrieval technologically important secondary metabolites. Over the next few years,
67 food processing waste management might be rapidly expand.
68 Taking into account these considerations, the aim of the present work was to evaluate the
69 influence of post fermentative addition of American barrel-shoot wastes on phenolic
70 composition and chromatic quality of Syrah red wines. This technique was applied as an
71 oenological alternative to the conventional winemaking for avoiding the common colour loss
72 of red wines elaborated in warm climates. Moreover, the added byproducts were previously
73 classified by hyperspectral image analysis according to the amount of phenolic compounds
74 transferred to the extraction media trying to optimize the aforesaid procedure.
75 Material and methods
76 Samples and winemaking
77 American oak wood byproducts added (Toneleria Salas S.L. (Bollullos Par del Condado,
78 Huelva, Spain)), were previously classified by hyperspectral image analysis according to the
79 amount of phenolic compounds transferred to the extraction media as previously described
80 elsewhere in Baca-Bocanegra et al. (2018). After that, red wines were elaborated under
81 different maceration conditions by applying only one proportion of wood (12 g/L) and two
82 different maceration procedures and were compared with a traditionally macerated Syrah red
83 wine.
84 Red wines were made from grapes Vitis vinifera L. var. Syrah grown in “Condado de Huelva”
85 Designation of Origin (DO), in the southwest of Spain (warm climate) as previously described
4
86 in Rivero et al. (2019). Briefly, about 900 kg of grapes were harvested in 2016 vintage at
87 optimum technological maturity and in good sanitary conditions. The fermentation mash
88 (destemmed and crushed grapes) was distributed in six stainless steel tanks of 220 L capacity
89 to perform the alcoholic fermentation by adding 25 g hL-1 of selected Saccharomyces
90 cerevisiae yeast (Viniferm BY, Agrovin, Ciudad Real, Spain). Skin maceration was
91 developed manually punching down each tank once a day during 6 days. After this, the mash
92 was drawn off to remove the solid parts, and the free run wines were racked to nine 50 L
93 stainless steel tanks.
94 The first procedure involves the oak wood maceration for 30 days (SW), in a second strand,
95 oak wood was readded and macerated for 30 additional days (DW). A control wine was also
96 elaborated (CW). Simultaneously to the wood addition (without wood in control wines),
97 selected Oenococcus oeni lactic acid bacteria (VINIFERM Oe 104, 14 mL hL-1, Agrovin,
98 Ciudad Real, Spain) were inoculated to develop the malolactic fermentation. At the end of
99 malolactic fermentation, sulfur dioxide levels were adjusted (free sulfur dioxide about 100 mg
100 L-1 in all wines). The wines were kept in the stainless steel tanks during 120 days until the end
101 of the stabilization process. A schematic workflow is provided in Figure 1. Three samples
102 were taken into account in this study: initial point: 0 days, addition of wood, wood removal:
103 after 30 days for SW and 60 days for DW and end of stabilization point (120 days).
104 Phenolic compound analysis
105 Total phenolic content was determined using the Folin–Ciocalteu method (Singleton & Rossi,
106 1965). Gallic acid was used as a standard for construction of the calibration curve and the
107 concentration of total phenols was expressed as gallic acid equivalent.
108 Flavanol content was determined following a modification of Vivas et al. (1994) using the
109 DMACA (4-dimethylaminocinnamaldehyde) as reagent. A calibration curve of (+)–catechin
110 was used for quantification and results were expressed as (+)–catechin equivalent.
5
111 Both Folin–Ciocalteu and DMACA analyses were performed on an Agilent 8453 UV–visible
112 spectrophotometer (Palo Alto, USA), equipped with diode array detection (DAD).
113 Anthocyanin content was determined by chromatographic analysis following a modification
114 of the method of García-Marino et al. (2010) as described elsewhere in Hernández-Hierro et
115 al. (2013). Results were expressed as mg of malvidin-3-O-glucoside equivalents.
116 Colour analysis
117 The visible spectra (380–770 nm) was measured in triplicate at constant intervals (Δλ = 2 nm)
118 with an Agilent 8453 UV–Vis spectrophotometer (Palo Alto, USA), using 2 mm path length
119 glass cells and distilled water as white reference. CIE 1964 10º standard observer and the CIE
120 D65 illuminant were used as references to calculate the tristimulus values recommended by the
121 Comission Internationale de l'Éclairage (CIE, 2004). The CIELAB space was used and
122 parameters measured included: Lightness (L*), red-green coordinate (a*, -a*), yellow-blue
123 coordinate (b*, -b*). From a* and b* coordinates another two colour parameters are defined:
124 the hue angle (hab) and chroma (C*ab) which indicate qualitative and quantitative aspects of
125 colour respectively. Calculations were made using the CromaLab® software (Heredia,
126 Alvarez, Gonzalez-Miret, & Ramirez, 2004).
127 Statistical analysis.
128 Univariate analyses of variance (ANOVA) and Tukey post hoc test were applied to look for
129 differences in the obtained mean values for each parameter. The statistically significant level
130 was considered at = 0.05. All statistical analyses were performed using Statistica v.8.0
131 software (StatSoft Inc., OK, USA, 2007).
132 Results and discussion
133 Phenolic compound analysis
134 At the end of the maceration process (30 days for SW and 60 days for DW) a significant
135 increase (p <0.05) of the content of total phenols is observed both in SW and in DW with
6
136 respect to their respective control (Table 1). This increase is related to the transfer, during the
137 maceration, of wood phenolic compounds such as phenolic acids and ellagitannins. As
138 expected, DW has higher values than SW for this parameter since in this case a double
139 amount of shavings is added during a longer period of maceration (12 g L-1 chip for 30 days
140 and a second addition of 12 g L-1). On the other hand, the contribution of wood to the content
141 of flavanols is practically negligible due to their scarce presence in the wood. Regarding the
142 content of anthocyanins, SW and DW experience a fall in the level of pigments, very slight in
143 the case of the simple and significant addition (p <0.05) in the double addition test. This drop
144 in anthocyanin content is consistent with the results previously obtained by other authors (B.
145 Gordillo, Cejudo-Bastante, Rodriguez-Pulido, Gonzalez-Miret, & Heredia, 2013b). This
146 effect may be related to the formation of polymeric anthocyanins during the early stages of
147 winemaking by condensation reactions between the anthocyanins themselves and other
148 compounds given up by the wood or initially present in the wine as flavanols. In addition, the
149 added wood can adsorb the anthocyanin compounds on its surface causing a decrease in its
150 concentration especially when the amount of added wood is higher and the maceration period
151 is longer (Belen Gordillo, Baca-Bocanegra, Rodriguez-Pulido, Lourdes Gonzalez-Miret,
152 Garcia Estevez, Quijada-Morin, et al., 2016).
153 During the stabilization phase (120 days from the start of the post-fermentative maceration),
154 differences in the phenolic content between the two SW and DW wines tend to be reduced.
155 Total phenols suffer a drop in both SW and DW with respect to CW although these
156 differences are not significant. On the other hand, the falls experienced by the anthocyanins in
157 SW and DW with respect to the control are significant (p <0.05). This typically occurs due to
158 reactions such as oxidation, hydration and polymerization (Cejudo-Bastante, Rivero-
159 Granados, & Heredia, 2017).
7
160 The percentage of polymerization is higher in the tests than in the control 60.00-66.81% -
161 64.16% for CW-SW-DW respectively. This indicates higher proportions of more stable
162 anthocyanins in the wines macerated with wood and therefore more chemical stability.
163 At the end of the maceration phase there was an important difference in the fall experienced
164 by flavanols and anthocyanins in DW with respect to SW. However, throughout the
165 stabilization phase there are no significant differences for these parameters between SW and
166 DW, the levels being comparable and even slightly higher for the double addition test. This
167 compensation may be related to the protective effect exerted by ellagitannins (Cano-Lopez,
168 Lopez-Roca, Pardo-Minguez, & Gomez Plaza, 2010), added in greater quantity in the case of
169 the double addition of shavings.
170 In the stabilization phase, there is also a significant decrease in the flavanols in SW and DW
171 with respect to the control, probably due to their involvement in the polymerization reactions
172 with anthocyanins (He, Liang, Mu, Pan, Wang, Reeves, et al., 2012; Rentzsch, Schwarz,
173 Winterhalter, & Hermosin-Gutierrez, 2007).
174 Colour analysis
175 Table 2 shows the CIELAB color parameters (L*, a*, b*, C* ab, and hab) for the different
176 elaborated wines (CW, SW and DW) in three different stages of the winemaking process:
177 addition of the wood (day 0), end of the maceration (day 30 for the simple addition test and
178 day 60 for the double maceration test) and end of the stabilization process (day 120).
179 At the end of the maceration phase, the largest color extraction corresponds to the control
180 wines, which show the lowest values of lightness and hue (L* and hab) and the highest chroma
181 values (C*ab), which it translates into darker wines, with more chromatic intensity and red-
182 blue hues. These results are consistent with the higher content of anthocyanins in the control
183 wines during the maceration period, especially in the double addition test. However, during
184 the stabilization stage, these results are inverted and it is the SW and DW wines that present
8
185 larger chromatics and smaller hues than the control, that is, wines with greater chromatic
186 intensity and more bluish red hues than the control, although these differences they are only
187 significant in case of hue. There are no differences between the tests and the control with
188 respect to lightness. The double test has a higher hue, ie, redder orange hues, which are in
189 agreement with a larger amount of free anthocyanins, less stable and less percentage of
190 polymerization than the simple addition test.
191 This fact can be observed in the color diagram (Figure 2). The different position of the
192 traditionally produced wines and the wines made with the addition of raw wood, at the end of
193 the stabilization phase, make it possible to objectively establish their chromatic
194 characteristics. All the wines are located in the first quadrant (positive values of a and b).
195 However, SW and DW wines have smaller b values that result in wines with higher purple or
196 reddish-blue hues than control wines.
197 In order to evaluate the color stability of each wine, the CIELAB color differences (ΔE*ab)
198 and the differences for the different color parameters (ΔL*, ΔC*ab and Δhab) were calculated
199 for each wine (CW, SW and DW) considering the end point of the stabilization stage with
200 respect to the initial point (day 0, chip addition) (Table 3). The addition of raw wood causes a
201 positive effect not only on color density (chroma) and hue but also on color stability. This
202 means that, during the stabilization stage, the loss of color experienced by the wines made by
203 adding wood is less than in the control wine. As expected, this loss of color is less in the
204 simple addition test than in the double test. The color differences are mainly due to qualitative
205 differences (Δhab) since it is the only parameter for which there are significant differences
206 between the tests and the control; CW, SW and DW experience positive variations of the hue
207 towards redder-orange tones, these differences being smaller in the case of SW. All wines
208 experience losses in the chroma but the differences between them are negligible. With regard
9
209 to lightness, this parameter increases in the three wines, with SW experiencing a smaller
210 increase although the differences between them are not significant.
211 In order to evaluate the influence of the post-fermentation addition at the end of the
212 stabilization stage, the color differences between SW and DW with respect to CW (SW120 vs
213 CW120 and DW120 vs CW 120) were determined (Table 4). The greatest color difference is seen
214 in the case of the simple addition (4.51 vs. 3.76 units) although these difference between the
215 tests is not significant. Taking into account that ΔE*ab greater than 3 CIELAB units indicate
216 appreciable differences by the human eye (Martínez, Melgosa, Pérez, Hita, & Negueruela,
217 2001), the color differences caused by the post-fermentative addition of raw wood both
218 simple and re-addition or double are appreciable for the human eye.
219 Conclusions
220 The improvement experienced by the wines made by adding oak wood may be related to the
221 transference to the wine of compounds coming from wood, especially ellagitannins. Its
222 presence can favor the formation of new pigments derived from anthocyanins that increase the
223 stability of the color due to an increase in blue hues which in turn leads to a decrease in the
224 yellow hues.
225 It can be concluded that the simple post-fermentative addition of raw American oak wood led
226 to wines with a more stable color, which maintained their bluish hues for a longer time. In the
227 case of double addition, the adsorption of the pigments during the maceration seems to have a
228 stronger effect on the color than copigmentation and polymerization (color stabilization) due
229 to the copigments extracted from the wood.
230 Acknowledgments
231 The Spanish Ministerio de Economía y Competitividad is thanked for project AGL2017-
232 84793-C2. Universidad de Sevilla is thanked for B. Baca-Bocanegra predoctoral grant (VPPI-
233 II.2) and J. Nogales-Bueno postdoctoral grant (VPPI-II.4). The authors thank the technical
10
234 staff of Biology Service [Servicios Generales de Investigación (SGI), Universidad de Sevilla].
235 They also thank Tonelería Salas S.L. (Bollulos Par del Condado, Huelva, Spain) for supplying
236 the cooperage byproduct samples.
237
11
238 References
239
240 Baca-Bocanegra, B., Nogales-Bueno, J., Hernández-Hierro, J. M., & Heredia, F. J. (2018). Evaluation
241 of extractable polyphenols released to wine from cooperage byproduct by near infrared
242 hyperspectral imaging. Food Chemistry, 244, 206-212.
243 Boulton, R. (2001a). The copigmentation of anthocyanins and its role in the color of red wines. A
244 critical review. American Journal of Enology and Viticulture, 52(67-87).
245 Boulton, R. (2001b). The copigmentation of anthocyanins and its role in the color of red wines. A
246 critical review. American Journal of Enology and Viticulture, 52, 67-87.
247 Cano-Lopez, M., Lopez-Roca, J. M., Pardo-Minguez, F., & Gomez Plaza, E. (2010). Oak barrel
248 maturation vs. micro-oxygenation: Effect on the formation of anthocyanin-derived pigments
249 and wine colour. Food Chemistry, 119(1), 191-195.
250 Cejudo-Bastante, M. J., Rivero-Granados, F. J., & Heredia, F. J. (2017). Improving the color and
251 aging aptitude of Syrah wines in warm climate by wood-grape mix maceration. European
252 Food Research and Technology, 243(4), 575-582.
253 CIE. (2004). Colorimetry (3rd ed.). Vienna, Austria.
254 Downey, M. O., Dokoozlian, N. K., & Krstic, M. P. (2006). Cultural practice and environmental
255 impacts on the flavonoid composition of grapes and wine: A review of recent research.
256 American Journal of Enology and Viticulture, 57(3), 257-268.
257 Ferrer-Gallego, R., Hernandez-Hierro, J. M., Rivas-Gonzalo, J. C., & Escribano-Bailon, M. T. (2012).
258 Influence of climatic conditions on the phenolic composition of Vitis vinifera L. cv. Graciano.
259 Anal Chim Acta, 732, 73-77.
12
260 Garcia-Marino, M., Hernandez-Hierro, J. M., Rivas-Gonzalo, J. C., & Escribano-Bailon, M. T. (2010).
261 Colour and pigment composition of red wines obtained from co-maceration of Tempranillo
262 and Graciano varieties. Analytica Chimica Acta, 660(1-2), 134-142.
263 Gordillo, B., Baca-Bocanegra, B., Rodriguez-Pulido, F. J., Lourdes Gonzalez-Miret, M., Garcia
264 Estevez, I., Quijada-Morin, N., Heredia, F. J., & Teresa Escribano-Bailon, M. (2016).
265 Optimisation of an oak chips-grape mix maceration process. Influence of chip dose and
266 maceration time. Food Chemistry, 206, 249-259.
267 Gordillo, B., Cejudo-Bastante, M. J., Rodriguez-Pulido, F. J., Gonzalez-Miret, M. L., & Heredia, F. J.
268 (2013a). Application of the differential colorimetry and polyphenolic profile to the evaluation
269 of the chromatic quality of Tempranillo red wines elaborated in warm climate. Influence of
270 the presence of oak wood chips during fermentation. Food Chem, 141(3), 2184-2190.
271 Gordillo, B., Cejudo-Bastante, M. J., Rodriguez-Pulido, F. J., Gonzalez-Miret, M. L., & Heredia, F. J.
272 (2013b). Application of the differential colorimetry and polyphenolic profile to the evaluation
273 of the chromatic quality of Tempranillo red wines elaborated in warm climate. Influence of
274 the presence of oak wood chips during fermentation. Food Chemistry, 141(3), 2184-2190.
275 Gordillo, B., Rodriguez-Pulido, F. J., Mateus, N., Escudero-Gilete, M. L., Gonzalez-Miret, M. L.,
276 Heredia, F. J., & de Freitas, V. (2012). Application of LC-MS and tristimulus colorimetry to
277 assess the ageing aptitude of Syrah wine in the Condado de Huelva D.O. (Spain), a typical
278 warm climate region. Anal Chim Acta, 732, 162-171.
279 He, F., Liang, N.-N., Mu, L., Pan, Q.-H., Wang, J., Reeves, M. J., & Duan, C.-Q. (2012).
280 Anthocyanins and Their Variation in Red Wines II. Anthocyanin Derived Pigments and Their
281 Color Evolution. Molecules, 17(2), 1483-1519.
282 Heredia, F. J., Alvarez, C., Gonzalez-Miret, M. L., & Ramirez, A. (2004). CromaLab, análisis de
283 color, CromaLab, análisis de color Sevilla, Spain.
13
284 Hernández-Hierro, J. M., Nogales-Bueno, J., Rodríguez-Pulido, F. J., & Heredia, F. J. (2013).
285 Feasibility study on the use of near-infrared hyperspectral imaging for the screening of
286 anthocyanins in intact grapes during ripening. Journal of Agricultural and Food Chemistry,
287 61(41), 9804-9809.
288 Martínez, J. A., Melgosa, M., Pérez, M. M., Hita, E., & Negueruela, A. I. (2001). Note. Visual and
289 Instrumental Color Evaluation in Red Wines. Food Science and Technology International,
290 7(5), 439-444.
291 Mira de Orduña, R. (2010). Climate change associated effects on grape and wine quality and
292 production. Food Research International, 43(7), 1844-1855.
293 Rentzsch, M., Schwarz, M., Winterhalter, P., & Hermosin-Gutierrez, I. (2007). Formation of
294 hydroxyphenyl-pyranoanthocyanins in Grenache wines: Precursor levels and evolution during
295 aging. Journal of Agricultural and Food Chemistry, 55(12), 4883-4888.
296 Ribéreau-Gayon, P., Dubourdieu, D., Doneche, B., Lonvaud, A., Glories, Y., Maujean, A., & Branco,
297 J. M. (2006). Handbook of Enology, The Microbiology of Wine and Vinifications. West
298 Sussex, England: J. Wiley & Sons.
299 Rivero, F. J., Jara-Palacios, M. J., Gordillo, B., Heredia, F. J., & Gonzalez-Miret, M. L. (2019). Impact
300 of a post-fermentative maceration with overripe seeds on the color stability of red wines. Food
301 Chem, 272, 329-336.
302 Ryan, J. M., & Revilla, E. (2003). Anthocyanin composition of Cabernet Sauvignon and Tempranillo
303 grapes at different stages of ripening. Journal of Agricultural and Food Chemistry, 51(11),
304 3372-3378.
305 Singleton, V. L., & Rossi, J. A. (1965). Colorimetry of Total Phenolics with Phosphomolybdic-
306 Phosphotungstic Acid Reagents. American Journal of Enology and Viticulture(16), 144-158.
14
307 Vivas, N., Glories, Y., Lagune, L., Saucier, C., & Augustin, M. (1994). Estimation du degré de
308 polymérisation des procyanidines du raisin et du vin par la méthode au p-
309 dimethylaminocinnamaldéhyde. Journal International des Sciences de la Vigne et du Vin, 28,
310 319-336.
311
312 Fig. captions1
313 Fig. 1. Schematic representation of the wine elaboration process.
314 Fig.2. Location of wines at the end of the stabilization phase (120 days) on the CIELAB
315 (a*b*)-diagram.
316
317 1 NOTE: All figures should be in color on the Web and in black-and-white in print.
318
15
Table 1
Table 1. Polyphenol content (mg L-1) for the different elaborated wines (CW, SW and DW) in three different stages of the winemaking process.
C30 S30 C60 D60 C120 S120 D120

Mean ± SD Mean ± SD Mean ± SD Mean ± SD Mean ± SD Mean ± SD Mean ± SD
Total Phenols 2019.19a ± 36.07 2466.32b ± 218.38 2174.45a ± 157.95 2503.72b ± 119.89 2304.90a ± 292.92 1984.79a ± 221.36 2052.87a ± 165.94
Total Flavanols 141.21a ± 7.24 136.55a ± 8.24 129.11a ± 9.28 102.24b ± 9.31 137.66a ± 16.91 70.43b ± 4.17 88.03b ± 8.87
Total Anthocyanins 150.20a ± 11.12 141.17a ± 4.84 132.44a ± 19.04 68.74b ± 3.49 113.57a ± 40.77 15.77b ± 1.10 23.63b ± 6.70
Total non acylated 67.83a ± 2.00 66.02a ± 3.62 62.99a ± 7.05 35.67b ± 2.15 54.66a ± 18.63 6.85b ± 0.56 11.33b ± 3.50
Total acetyls 46.53a ± 2.34 45.27a ± 0.61 43.50a ± 5.47 24.14b ± 1.28 36.94a ± 12.60 6.70b ± 0.39 9.77b ± 2.44
Total coumaroyls 36.51a ± 7.28 30.55a ± 1.16 26.63a ± 6.64 9.60b ± 0.21 22.64a ± 9.55 2.89b ± 0.35 3.21b ± 0.77
Total acylated 82.71a ± 9.20 75.49a ± 1.40 69.79a ± 12.10 33.41b ± 1.34 59.25a ± 22.14 9.25b ± 0.55 12.64b ± 3.22
Delphinidin-3-O-glucoside 2.90a ± 0.19 2.91a ± 0.13 2.81a ± 0.36 1.61b ± 0.07 2.53a ± 0.68 0.60b ± 0.04 0.78b ± 0.13
Petunidin-3-O-glucoside 5.56a ± 0.15 5.39a ± 0.16 5.20a ± 0.65 3.00b ± 0.12 4.63a ± 1.46 1.00b ± 0.04 1.38b ± 0.28
Peonidin-3-O-glucoside 5.53a ± 0.88 4.62a ± 0.96 4.50a ± 0.61 2.35b ± 0.10 3.46a ± 1.11 0.52b ± 0.06 0.66b ± 0.13
Malvidin-3 O-glucoside 54.85a ± 1.14 54.12a ± 2.43 51.49a ± 5.92 29.72b ± 1.86 45.05a ± 15.38 5.74b ± 0.45 9.53b ± 2.96
Delphinidin-3-O-(6ácetyl)-glucoside 1.56a ± 0.70 1.48a ± 0.72 1.60a ± 0.19 1.18b ± 0.07 1.42a ± 0.30 0.78b ± 0.02 0.83b ± 0.06
Petunidin-3-O-(6ácetyl)-glucoside 2.18a ± 0.25 2.08a ± 0.06 1.84a ± 0.30 1.13b± 0.04 1.74a ± 0.53 0.72b ± 0.02 0.79b ± 0.09
Peonidin-3-O-(6ácetyl)-glucoside 1.03a ± 0.19 1.06a ± 0.09 1.04a ± 0.25 0.44b ± 0.03 0.83a ± 0.28 0.64b ± 0.02 0.60b ± 0.03
Malvidin-3-O-(6ácetyl)-glucoside 4.42a ± 0.13 4.61a ± 0.56 4.44a ± 0.31 2.50b ± 0.20 3.65a ± 1.05 0.83b ± 0.04 1.09b ± 0.22
Delphinidin-3-O-(6′-p-coumaroyl)glucoside (trans) 38.70a ± 2.63 37.39a ± 0.93 35.93a ± 4.87 20.24b ± 1.03 30.65a ± 10.54 5.08b ± 0.32 7.80b ± 2.13
Malvidin- 3-O-(6´ caffeoyl)-glucoside (trans) 1.42a ± 0.23 1.11a ± 0.08 0.77a ± 0.39 0.50a ± 0.07 0.70a ± 0.23 0.62a ± 0.02 0.59a ± 0.02
Cyanidin-3-O-(6′-p-coumaroyl)glucoside 1..48a ± 0.16 1.36a ± 0.17 0.95a ± 0.37 0.66a ± 0.18 0.98a ± 0.26 0.37b ± 0.01 0.39b ± 0.02
Petunidin-3-O-(6′-p-coumaroyl)glucoside (trans) 3.48a ± 1.28 2.66a ± 0.25 2.07a ± 0.67 0.88b ± 0.22 1.80a ± 0.60 0.41b ± 0.01 0.39b ± 0.01
Malvidin-3-O-(6′-p-coumaroyl)glucoside (cis) 2.91a ± 1.88 1.21a ± 0.51 0.96a ± 0.19 0.448b ± 0.04 0.66a ± 0.12 0.65a ± 0.05 0.61a ± 0.07
Peonidin-3-O-(6′-p-coumaroyl)glucoside (trans) 2.86a ± 0.05 2.90a ± 0.70 2.98a ± 1.30 1.32b ± 0.09 2.44a ± 0.60 0.56 b± 0.09 0.56b ± 0.07
Malvidin-3-O-(6′-p-coumaroyl)glucoside (trans) 26.05a ± 3.93 23.00a ± 0.41 20.59a ± 3.78 7.47b ± 0.59 17.77a ± 8.29 1.88b ± 0.23 2.37b ± 0.70
Significant differences (=0.05).
Table 2
Table 2. CIELAB color parameters (L*, a*, b*, C*ab, and hab) for the different
elaborated wines (CW, SW and DW) in three different stages of the winemaking
process
Control Simple Double

Stage
Mean ± SD Mean ± SD Mean ± SD
L* 74.34 ± 0.53 74.83 ± 0.87 73.90 ± 0.76
a* 27.18 ± 0.80 28.88 ± 0.88 28.51 ± 0.55
Initial
b* -0.99 ± 0.25 -1.72 ± 0.25 -1.68 ± 0.14
(0 day)
C*ab 27.20 ± 0.79 28.93 ± 0.89 28.23 ± 0.54
hab -2.10 ± 0.57 -3.40 ± 0.43 -3.53 ± 0.37
L* 79.17a ± 0.54 83.44b ± 0.22
a* 19.18a ±0.72 15.19b ± 0.17
Maceration
b* 2.41a ±0.31 3.39b ± 0.18
(30 days)
C*ab 20.22a ± 0.61 15.57b ± 0.13
hab 6.29a± 1.36 12.57b ± 0.77
L* 79.96a ± 1.24 81.31a ± 0.45
a* 20.25a ± 0.89 19.49a ± 0.25
Maceration
b* 1.00a ± 0.15 1.55b ± 0.06
(60 days)
C*ab 20.77a± 0.68 19.55a ± 0.26
hab 2.74a ± 0.54 4.54b ± 1.14
L* 80.81a ± 0.52 80.54a ± 1.76 80.92a ± 1.33
a* 18.01a ± 0.63 18.89a ± 1.17 18.60a ± 1.35
Stabilization
b* 3.91a ± 0.45 1.50b ± 0.10 2.14b ± 0.26
(120 days)
C*ab 17.87a ± 1.32 18.95a ± 1.17 18.73a ± 1.35
hab 10.94a ± 0.71 4.55b ± 0.37 6.59c ± 0.92
Significant differences (=0.05)
Table 3
Table 3. Colour differences for each wine (CW, SW and DW) considering the end point
of the stabilization with respect to the initial point (day 0, wood addition).
Control Simple Double

Stage Mean ± SD Mean ± SD Mean ± SD
ΔE*ab 13.50a ± 3.20 12.00a ± 2.65 12.76a ± 1.90
Stabilization ΔL* 6.47a ± 0.58 5.71a ± 2.24 7.02a ± 1.48
(120 days) ΔCab -9.99a ± 3.21 -9.99a ± 1.90 -9.51a ± 1.38
Δhab 13.04a ± 1.24 7.94b ± 0.75 10.12b ± 1.28
Table 4
Table 4. Colour differences between SW and DW with respect to CW (SW120 vs CW120
and DW120 vs CW120) at the end of the stabilization stage.
*
Post-maceration treatment
C L
Stage Mean ± SD Mean ± SD
ΔE*ab 4.51a ± 2.69 3.76a ± 2.56
ΔL* -0.36a ± 2.08 0.10a ± 1.14
Global
ΔCab 2.12a ± 2.88 1.52a ± 3.16
Δhab -6.33a ± 0.51 -4.34b ± 0.61
Figure 1
Figure 2
CONCLUSIONES GENERALES
CONCLUSIONES GENERALES
En este trabajo se han utilizado con éxito distintas técnicas espectroscópicas para el estudio de
la extractabilidad de compuestos fenólicos procedentes de uva y de subproductos de tonelería,
utilizados como coadyuvantes de vinificación.
Las conclusiones más importantes son las siguientes:
PRIMERA: Los copigmentos procedentes de chips de madera tostada de roble pueden

aumentar y estabilizar el color del vino sin interferir en el equilibrio de extracción de antocianos.
Se ha probado que la adición de estos copigmentos no reduce la cantidad de antocianos extraídos
a partir del hollejo de uva tinta durante la etapa de maceración.
SEGUNDA: El análisis de componentes principales de los datos espectrales permite reducir

el número de muestras necesarias para la obtención de modelos de calibración manteniendo la
heterogeneidad espectral existente en el set de muestras de partida. A partir de esta selección de
muestras, pueden desarrollarse modelos válidos para la estimación de diferentes parámetros de
interés en semillas y hollejos de uva, y en virutas de madera, con una reducción de la cantidad de
recursos necesarios para ello, tanto desde el punto de vista experimental como computacional.
TERCERA: Se han desarrollado modelos que permiten estimar con éxito el contenido fenólico
total y contenido flavanólico total en semillas de uva tinta a partir de análisis de imagen
hiperespectral en el infrarrojo cercano, identificándose la regiones alrededor de 1200 y 1400 nm
como las de mayor peso en la predicción. Esta técnica presenta, además, un poder discriminatorio
elevado para la clasificación de muestras de semilla de uva tinta según su nivel de extractabilidad
fenólica, encontrándose mayores extractabilidades para las semillas de uva de variedad Syrah que
para las de Tempranillo.
CUARTA: El análisis de imagen hiperespectral en la región del infrarrojo cercano y la

aplicación de modelos de regresión múltiple permiten estimar con éxito el contenido extraíble de
fenoles totales en viruta cruda de roble, obteniéndose contenidos extraíbles mayores para las
virutas obtenidas tras un procesado de la madera en dirección longitudinal de las fibras que para
aquellas generadas tras un procesado transversal. La aplicación de técnicas de imagen
hiperespectral NIR permite realizar una selección rápida y objetiva de la viruta de roble más
adecuada según las características deseadas para el vino.
273
QUINTA: En muestras de uva, los modelos desarrollados utilizando un espectrómetro NIR
portátil miniaturizado, para estimar in situ el contenido extraíble de antocianos, flavanoles y
fenoles totales, presentan errores que comprometen su aplicación con fines predictivos. De forma
similar, los bajos porcentajes de clasificación correcta de las muestras según su nivel de contenido
fenólico extraíble comprometen la utilidad de esta técnica con fines clasificatorios.
SEXTA: A partir del análisis espectral NIR portátil, es posible obtener modelos fiables para
estimar el contenido extraíble de fenoles totales y elagitaninos en viruta cruda de roble, que
confirman las ventajas del procesado de la madera en dirección longitudinal de las fibras en cuanto
al nivel de contenido fenólico extraíble. Se han identificado las zonas alrededor de 1200 y 1400
nm del espectro como las de mayor influencia en la predicción de este parámetro. El desarrollo
de modelos aplicables in situ permitirá una mayor versatilidad y eficiencia para la toma de
decisiones en el proceso de vinificación sobre la adecuación y/o dosificación de este subproducto.
SÉPTIMA: La espectroscopía infrarroja por transformada de Fourier y la espectroscopía

Raman han probado ser técnicas efectivas y fiables para relacionar las características espectrales
más importantes con el nivel de extractabilidad de fenoles totales en viruta cruda de roble. Estas
técnicas, junto con la microscopía electrónica de barrido, confirman la influencia de la estructura
y la morfología de la pared celular de la madera en la extractabilidad de compuestos fenólicos.
OCTAVA: Se ha confirmado que la adición post-fermentativa de viruta de madera cruda

representa un procedimiento enológico útil para la elaboración de vinos tintos en clima cálido, ya
que conduce a una mejora de la calidad y estabilidad cromática con respecto a la vinificación
tradicional. Las diferencias de color, evaluadas por Colorimetría Triestímulo, demuestran que se
obtienen vinos con mejores características cromáticas cuando el tiempo de maceración y la
cantidad de viruta añadida son moderados.
274
GENERAL CONCLUSIONS
In this work, different spectroscopic techniques have been successfully used to study the
extractability of phenolic compounds from grapes and cooperage by-products, used as processing
aids.
The following main conclusions are drawn from the studies carried out:
FIRST: Copigments coming from toasted oak wood chips can improve and stabilize wine color
without hampering the extraction equilibrium of anthocyanins compounds. It has been proven
that the addition of these copigments do not reduce the amount of anthocyanins extracted from
grape skins during the maceration stage.
SECOND: Calibration models can be obtained from a reduced number of samples by the use
of principal component analysis. This reduction can be achieved without loss of spectral
heterogeneity of the original sample set. The application of this methodology allows developing
models for the screening of different parameters of interest in grapes (seeds and skins) and oak
wood shavings, reducing the resources necessary for this, both from the computational and
experimental point of view.
THIRD: Extractable content of total phenols and flavanols can be predicted in red grape seeds
using near infrared hyperspectral imaging. The spectral regions around 1200 and 1400 nm have
been identified as important regions for the phenolic screening. Moreover, this methodology
allows sorting red grape seeds according to their extractability of phenolic compounds. The
obtained results indicate higher extractability of phenolic compounds in Syrah than in
Tempranillo seeds.
FOURTH: Near infrared hyperspectral imaging and modified partial least squares regression
(MPLS) have been successfully used for the screening of extractable phenolic content in oak
wood shavings. The extractable content of total phenols is higher in shavings generated by
processes of the staves in the longitudinal direction of the fibers than in transversal ones. The
application of NIR hyperspectral imaging techniques will allow a fast and objective selection of
the most suitable oak shavings according to the characteristics desired for wine.
275
FIFTH: Portable NIR spectroscopy does not present enough accuracy for the “in vineyard”
screening of extractable polyphenols (anthocyanins, flavanols and total phenols) in red grape
skins. Similar to quantitative results, the different approaches carried out for the discriminations
of samples according to their level of extractable compounds show unremarkable results.
SIXTH: Portable NIR spectroscopy allows developing reliable models to estimate the
extractable content of total phenols and ellagitannins in oak wood shavings. This procedure
confirms the advantages of wood processing in the longitudinal direction of the fibers in terms of
the level of extractable phenolic content. The spectral regions around 1200 and 1400 nm have
shown to have important contributions for the phenolic screening. Development of applicable
models in situ will allow a greater versatility and efficiency for the decision-making in the
winemaking process on the adequacy and/or dosage of these byproducts according to the
requirements of the wine.
SEVENTH: Fourier transform infrared and Raman spectroscopy have proven to be effective
and reliable tools to relate the more important spectral features to phenolic extractability levels in
oak wood shavings. These techniques, together scanning electron microscopy, confirm the
influence of the structure and/or morphology of the cell wall wood on phenolic compounds
extractability.
EIGHTH: Post-fermentative addition of oak wood shavings is a useful oenological procedure

to elaborate red wines in warm climates since it improves both phenolic composition and quality
and stability of colour with respect to traditional vinification. Color differences, evaluated by
Tristimulus Colorimetry, show that wines with better chromatic characteristics are obtained when
the time of maceration and the amount of shavings added are moderate.
276
REFERENCIAS
REFERENCIAS
Agarwal, U. P. (2014). 1064 nm FT-Raman spectroscopy for investigations of plant cell walls
and other biomass materials. Frontiers in Plant Science, 5, 490.
Alañón, M. E., Castro-Vázquez, L., Díaz-Maroto, M. C., Gordon, M. H., y Pérez-Coello, M. S.
(2011). A study of the antioxidant capacity of oak wood used in wine ageing and the
correlation with polyphenol composition. Food Chemistry, 128(4), 997-1002.
Arnold, R. A., Noble, A. C., y Singleton, V. L. (1980). Bitterness and astringency of phenolic
fractions in wine. Journal of Agricultural and Food Chemistry, 28(3), 675-678.
Asselin, C., y Delteil, D. (2003). Vinificaciones: principales operaciones unitarias comunes. En
Enología: Fundamentos Científicos y Tecnológicos, (2ª ed. (pp.). Madrid, España: AMV
Ediciones y Mundi-Prensa.
Ayvaz, H., Sierra-Cadavid, A., Aykas, D. P., Mulqueeney, B., Sullivan, S., y Rodriguez-Saona,
L. E. (2016). Monitoring multicomponent quality traits in tomato juice using portable
mid-infrared (MIR) spectroscopy and multivariate analysis. Food Control, 66, 79-86.
Baca-Bocanegra, B., Nogales-Bueno, J., Heredia, F. J., y Hernandez-Hierro, J. M. (2018).
Estimation of Total Phenols, Flavanols and Extractability of Phenolic Compounds in
Grape Seeds Using Vibrational Spectroscopy and Chemometric Tools. Sensors 18(8).
Baca-Bocanegra, B., Nogales-Bueno, J., Hernandez-Hierro, J. M., y Heredia, F. J. (2018).
Evaluation of extractable polyphenols released to wine from cooperage byproduct by near
infrared hyperspectral imaging. Food Chemistry, 244, 206-212.
Baca-Bocanegra, B., Nogales-Bueno, J., Rodríguez-Pulido, F., González-Miret, M., Hernández-
Hierro, J., y Heredia, F. (2016). Near infrared hyperspectral imaging: recent applications
in the oenological and viticultural sectors. NIR news, 27(6), 14-18.
Baiano, A., Terracone, C., Peri, G., y Romaniello, R. (2012). Application of hyperspectral
imaging for prediction of physico-chemical and sensory characteristics of table grapes.
Computers and Electronics in Agriculture, 87, 142-151.
Balasundram, N., Sundram, K., y Samman, S. (2006). Phenolic compounds in plants and agri-
industrial by-products: Antioxidant activity, occurrence, and potential uses. Food
Chemistry, 99(1), 191-203.
Barbin, D. F., Elmasry, G., Sun, D. W., y Allen, P. (2013). Non-destructive determination of
chemical composition in intact and minced pork using near-infrared hyperspectral
imaging. Food Chemistry, 138(2-3), 1162-1171.
Barnes, R. J., Dhanoa, M. S., y Lister, S. (1989). Standard Normal Variate Transformation and
De-trending of Near-Infrared Diffuse Reflectance Spectra. Applied Spectroscopy, 43(5),
772-777.
279
Basri, K. N., Hussain, M. N., Bakar, J., Sharif, Z., Khir, M. F. A., y Zoolfakar, A. S. (2017).
Classification and quantification of palm oil adulteration via portable NIR spectroscopy.
Spectrochimica Acta Part a-Molecular and Biomolecular Spectroscopy, 173, 335-342.
Bautista-Ortín, A. B., Jiménez-Pascual, E., Busse-Valverde, N., López-Roca, J. M., Ros-García,
J. M., y Gómez-Plaza, E. (2013). Effect of Wine Maceration Enzymes on the Extraction
of Grape Seed Proanthocyanidins. Food and Bioprocess Technology, 6(8), 2207-2212.
Bergqvist, J., Dokoozlian, N., y Ebisuda, N. (2001). Sunlight eposure and temperature effects on
berry growth and composition of Cabernet Sauvignon and Grenache in the central San
Joaquin Valley of California. American Journal of Enology and Viticulture, 52, 1-7.
Blakey, R. J. (2016). Evaluation of avocado fruit maturity with a portable near-infrared
spectrometer. Postharvest Biology and Technology, 121, 101-105.
Bokobza, L. (1998). Near infrared spectroscopy. Journal of Near Infrared Spectroscopy, 6(1), 3-
17.
Boulton, R. (2001). The copigmentation of anthocyanins and its role in the color of red wines. A
critical review. American Journal of Enology and Viticulture, 52, 67-87.
Boulton, R. B. (1996). A method for the assessment of copigmentation in red wines. In 47 th
Annual Meeting of the American Society for Enology and Viculture, Reno, NV.
Brereton, R. G. (2003). Chemometrics: data analysis for the laboratory and chemical plant.
Chichester, West Sussex, England: J. Wiley.
Byrne, H. J., Ostrowska, M. K., Nawaz, H., Dorney, J., Meade, D. A., Bonnier, F., y Lyng, M. F.
(2014). Vibrational Spectroscopy: Disease Diagnostics and Beyond. En Optical
Spectroscopy and Computational Methods in Biology and Medicine, (pp. 355-399).
Dordrecht, Netherlands: Springer Netherlands.
Byrne, H. J., Sockalingum, G. D., y Stone, N. (2011). Chapter 4 Raman Microscopy: Complement
or Competitor? En Biomedical Applications of Synchrotron Infrared Microspectroscopy:
A Practical Approach, (pp. 105-143). Karlsruhe, Germany: The Royal Society of
Chemistry.
Cadot, Y., Minana-Castello, M. T., y Chevalier, M. (2006). Anatomical, histological, and
histochemical changes in grape seeds from Vitis vinifera L. cv Cabernet franc during fruit
development. Journal of Agricultural and Food Chemistry, 54(24), 9206-9215.
Caldeira, I., Climaco, M. C., de Sousa, R. B., y Belchior, A. P. (2006). Volatile composition of
oak and chestnut woods used in brandy ageing: Modification induced by heat treatment.
Journal of Food Engineering, 76(2), 202-211.
Canals, R., Llaudy, M. C., Valls, J., Canals, J. M., y Zamora, F. (2005). Influence of the
physiological stage and tehe content of soluble solids on the anthocyanin extractability
of Vitis vinifera L.cv. Tempranillo grapes. Analytica Chimica Acta, 53, 4019-4025.
280
Canas, S., Leandro, M. C., Spranger, M. I., y Belchior, A. P. (2000). Influence of botanical species
and geographical origin on the content of low molecular weight phenolic compounds of
woods used in Portuguese cooperage. Holzforschung, 54(3), 255-261.
Cano-Lopez, M., Lopez-Roca, J. M., Pardo-Minguez, F., y Gomez Plaza, E. (2010). Oak barrel
maturation vs. micro-oxygenation: Effect on the formation of anthocyanin-derived
pigments and wine colour. Food Chemistry, 119(1), 191-195.
Carbonneau, A., Champagnol, F., Deloire, A., y Sevilla, F. (2003). Vendimia y calidad de la uva.
En Enología: Fundamentos Científicos y Tecnológicos, (2ª Edición ed. (pp.). Madrid,
España: AMV Ediciones y Mundi-Prensa.
Casassa, L. F., Bolcato, E. A., y Sari, S. E. (2015). Chemical, chromatic, and sensory attributes
of 6 red wines produced with prefermentative cold soak. Food Chemistry, 174, 110-118.
CE_1507/2006. (2006). Reglamento (CE) No 1507/2006 de la comisión. Diario Oficial de la
Unión Europea, 280, 9-11.
Cejudo-Bastante, M. J., Gordillo, B., Hernanz, D., Escudero-Gilete, M. L., Gonzalez-Miret, M.
L., y Heredia, F. J. (2014). Effect of the time of cold maceration on the evolution of
phenolic compounds and colour of Syrah wines elaborated in warm climate. International
Journal of Food Science and Technology, 49(8), 1886-1892.
Cejudo-Bastante, M. J., Rivero-Granados, F. J., y Heredia, F. J. (2017). Improving the color and
aging aptitude of Syrah wines in warm climate by wood-grape mix maceration. European
Food Research and Technology, 243(4), 575-582.
Cejudo-Bastante, M. J., Rodríguez-Morgado, B., Jara-Palacios, M. J., Rivas-Gonzalo, J. C.,
Parrado, J., y Heredia, F. J. (2016). Pre-fermentative addition of an enzymatic grape seed
hydrolysate in warm climate winemaking. Effect on the differential colorimetry,
copigmentation and polyphenolic profiles. Food Chemistry, 209, 348-357.
CIE. (2004). Technical Report: Colorimetry (3rd ed.). Vienna, Austria: Commission
Internationale de l’Eclairage Central Bureau.
Colares, C. J. G., Pastore, T. C. M., Coradin, V. T. R., Camargos, J. A. A., Moreira, A. C. O.,
Rubim, J. C., y Braga, J. W. B. (2015). Exploratory Analysis of the Distribution of Lignin
and Cellulose in Woods by Raman Imaging and Chemometrics. Journal of the Brazilian
Chemical Society, 26(6), 1297-1305.
Colares, C. J. G., Pastore, T. C. M., Coradin, V. T. R., Marques, L. F., Moreira, A. C. O.,
Alexandrino, G. L., Poppi, R. J., y Braga, J. W. B. (2016). Near infrared hyperspectral
imaging and MCR-ALS applied for mapping chemical composition of the wood specie
Swietenia Macrophylla King (Mahogany) at microscopic level. Microchemical Journal,
124, 356-363.
281
Cozzolino, D., Kwiatkowski, M. J., Parker, M., Cynkar, W. U., Dambergs, R. G., Gishen, M., y
Herderich, M. J. (2004). Prediction of phenolic compounds in red wine fermentations by
visible and near infrared spectroscopy. Analytica Chimica Acta, 513(1), 73-80.
Crozier, A., Clifford, M. N., y Ashihara, H. (2006). Plant Secondary Metabolites. Occurrence,
Structure and Role in the Human Diet. Oxford, England: Blackwell Publishing.
Chassaing, S., Lefeuvre, D., Jacquet, R., Jourdes, M., Ducasse, L., Galland, S., Grelard, A.,
Saucier, C., Teissedre, P.-L., Dangles, O., y Quideau, S. (2010). Physicochemical studies
of new anthocyano-ellagitannin hybrid pigments: about the origin of the influence of oak
C-glycosidic ellagitannins on wine color. European Journal of Organic Chemistry, 1, 55-
63.
Chatonnet, P., y Dubourdieu, D. (1998). Comparative study of the characteristics of American
white oak (Quercus alba) and European oak (Quercus petraea and Q-robur) for production
of barrels used in barrel aging of wines. American Journal of Enology and Viticulture,
49(1), 79-85.
Chen, S., Zhang, F., Ning, J., Liu, X., Zhang, Z., y Yang, S. (2015). Predicting the anthocyanin
content of wine grapes by NIR hyperspectral imaging. Food Chemistry, 172, 788-793.
Cheynier, V., Moutounet, M., y Sarni-Machado, P. (2003). Los compuestos fenólicos. En
Enología: fundamentos científicos y tecnológicos, (pp. 114-136). Madrid, España: AMV
Ediciones y Mundi-Prensa.
Christen, H. R., y Beltrán, J. (1977). Fundamentos de la química general e inorgánica. Barcelona,
España: Reverté.
De la Roza-Delgado, B., Garrido-Varo, A., Soldado, A., Gonzalez Arrojo, A., Cuevas Valdes,
M., Maroto, F., y Perez-Marin, D. (2017). Matching portable NIRS instruments for in situ
monitoring indicators of milk composition. Food Control, 76, 74-81.
De Rosso, M., Panighel, A., Vedova, A. D., Stella, L., y Flamini, R. (2009). Changes in Chemical
Composition of a Red Wine Aged in Acacia, Cherry, Chestnut, Mulberry, and Oak Wood
Barrels. Journal of Agricultural and Food Chemistry, 57(5), 1915-1920.
Deane, J. M. (1992). Chapter 5 Data Reduction Using Principal Components Analysis. 9, 125-
177.
Del Álamo Sanza, M., y Nevares Domínguez, I. (2006). Wine aging in bottle from artificial
systems (staves and chips) and oak woods. Analytica Chimica Acta, 563(1-2), 255-263.
Del Alamo Sanza, M., Nevares Domı́nguez, I., Cárcel Cárcel, L. M., y Navas Gracia, L. (2004).
Analysis for low molecular weight phenolic compounds in a red wine aged in oak chips.
Analytica Chimica Acta, 513(1), 229-237.
Escribano-Bailon, M. T., y Santos-Buelga, C. (2012). Anthocyanin Copigmentation - Evaluation,
Mechanisms and Implications for the Colour of Red Wines. Current Organic Chemistry,
16(6), 715-723.
282
Faix, O. (1992). Fourier Transform Infrared Spectroscopy. En Methods in Lignin Chemistry, (pp.
83-109). Berlin: Springer
Fernández De Simón, B., Cadahía, E., Conde, E., y García-Vallejo, M. C. (1999). Ellagitannins
in woods of Spanish, French and American oaks. Holzforschung, 53(2), 147-150.
Fernández de Simón, B., Cadahía, E., del Álamo, M., y Nevares, I. (2010). Effect of size,
seasoning and toasting in the volatile compounds in toasted oak wood and in a red wine
treated with them. Analytica Chimica Acta, 660(1-2), 211-220.
Ferrer-Gallego, R., Hernández-Hierro, J. M., Rivas-Gonzalo, J. C., y Escribano-Bailón, M. T.
(2010). Feasibility study on the use of near infrared spectroscopy to determine flavanols
in grape seeds. Talanta, 82(5), 1778-1783.
Ferrer-Gallego, R., Hernández-Hierro, J. M., Rivas-Gonzalo, J. C., y Escribano-Bailón, M. T.
(2011). Determination of phenolic compounds of grape skins during ripening by NIR
spectroscopy. LWT - Food Science and Technology, 44(4), 847-853.
Fournand, D., Vicens, A., Sidhoum, L., Souquet, J. M., Moutounet, M., y Cheynier, V. (2006).
Accumulation and extractability of grape skin tannins and anthocyanins at different
advanced physiological stages. Journal of Agricultural and Food Chemistry, 54, 7331-
7338.
Frangipane, M. T., Santis, D. D., y Ceccarelli, A. (2007). Influence of oak woods of different
geographical origins on quality of wines aged in barriques and using oak chips. Food
Chemistry, 103(1), 46-54.
García-Estévez, I., Escribano-Bailón, M. T., Rivas-Gonzalo, J. C., y Alcalde-Eon, C. (2010).
Development of a fractionation method for the detection and identification of oak
ellagitannins in red wines. Analytica Chimica Acta, 660(1-2), 171-176.
García-Estévez, I., Escribano-Bailón, M. T., Rivas-Gonzalo, J. C., y Alcalde-Eon, C. (2012).
Validation of a mass spectrometry method to quantify oak ellagitannins in wine samples.
Journal of Agricultural and Food Chemistry, 60(6), 1373-1379.
García-Marino, M., Hernández-Hierro, J. M., Rivas-Gonzalo, J. C., y Escribano-Bailón, M. T.
(2010). Colour and pigment composition of red wines obtained from co-maceration of
Tempranillo and Graciano varieties. Analytica Chimica Acta, 660(1-2), 134-142.
García-Marino, M., Hernández-Hierro, J. M., Rivas-Gonzalo, J. C., y Escribano-Bailón, M. T.
(2010). Colour and pigment composition of red wines obtained from co-maceration of
Tempranillo and Graciano varieties. Analytica Chimica Acta, 660(1-2), 134-142.
Geladi, P., Macdougall, D., y Martens, H. (1985). Linearization and scatter-correction for near-
infrared reflectance spectra of meat. Applied Spectroscopy, 39(3), 491-500.
Giordanengo, T., Charpentier, J. P., Boizot, N., Roussel, S., Roger, J. M., Chaix, G., Robin, C., y
Mourey, N. (2009). Oakscan: procédé de mesure rapide et non destructif des polyphénols
du bois de chêne de tonnellerie. Revue française d'Oenologie, 10-15.
283
Glabasnia, A., y Hofmann, T. (2006). Sensory-Directed Identification of Taste-Active
Ellagitannins in American (Querqus alba L.) and Quantitative Analysis in Bourbon
Whiskey and Oak-Matured Red Wines. Journal of Agricultural and Food Chemistry, 54,
3380-3390.
Goehner, R. P. (1978). Background subtract subroutine for spectral data. Analytical Chemistry,
50(8), 1223-1225.
Gómez-Míguez, M., González-Manzano, S., Escribano-Bailón, M. T., Heredia, F. J., y Santos-
Buelga, C. (2006). Influence of Different Phenolic Copigments on the Color of Malvidin
3-Glucoside. Journal of Agricultural and Food Chemistry, 54(15), 5422-5429.
Gómez-Míguez, M., González-Miret, M. L., y Heredia, F. J. (2007). Evolution of colour and
anthocyanin composition of Syrah wines elaborated with pre-fermentative cold
maceration. Journal of Food Engineering, 79(1), 271-278.
González-Manzano, S., Dueñas, M., Rivas-Gonzalo, J. C., Escribano-Bailón, M. T., y Santos-
Buelga, C. (2009). Studies on the copigmentation between anthocyanins and flavan-3-ols
and their influence in the colour expression of red wine. Food Chemistry, 114(2), 649-
656.
González-Manzano, S., Rivas-Gonzalo, J. C., y Santos-Buelga, C. (2004). Extraction of flavan-
3-ols from grape seed and skin into wine using simulated maceration. Analytica Chimica
Acta, 513(1), 283-289.
Gonzalez-Neves, G., Favre, G., Gil, G., Ferrer, M., y Charamelo, D. (2015). Effect of cold pre-
fermentative maceration on the color and composition of young red wines cv. Tannat.
Journal of Food Science and Technology-Mysore, 52(6), 3449-3457.
Gonzalez-Neves, G., Favre, G., Piccardo, D., y Gil, G. (2016). Anthocyanin profile of young red
wines of Tannat, Syrah and Merlot made using maceration enzymes and cold soak.
International Journal of Food Science and Technology, 51(1), 260-267.
Gordillo, Rodriguez-Pulido, F. J., Mateus, N., Escudero-Gilete, M. L., Gonzalez-Miret, M. L.,
Heredia, F. J., y de Freitas, V. (2012). Application of LC-MS and tristimulus colorimetry
to assess the ageing aptitude of Syrah wine in the Condado de Huelva D.O. (Spain), a
typical warm climate region. Analytica Chimica Acta, 732, 162-171.
Gordillo, B., Baca-Bocanegra, B., Rodriguez-Pulido, F. J., Lourdes Gonzalez-Miret, M., Garcia
Estevez, I., Quijada-Morin, N., Heredia, F. J., y Teresa Escribano-Bailon, M. (2016).
Optimisation of an oak chips-grape mix maceration process. Influence of chip dose and
maceration time. Food Chemistry, 206, 249-259.
Gordillo, B., Cejudo-Bastante, M. J., Rodriguez-Pulido, F. J., Gonzalez-Miret, M. L., y Heredia,
F. J. (2013). Application of the differential colorimetry and polyphenolic profile to the
evaluation of the chromatic quality of Tempranillo red wines elaborated in warm climate.
284
Influence of the presence of oak wood chips during fermentation. Food Chemistry,
141(3), 2184-2190.
Gordillo, B., Cejudo-Bastante, M. J., Rodríguez-Pulido, F. J., Jara-Palacios, M. J., Ramírez-Pérez,
P., González-Miret, M. L., y Heredia, F. J. (2014). Impact of adding white pomace to red
grapes on the phenolic composition and color stability of Syrah wines from a warm
climate. Journal of Agricultural and Food Chemistry, 62(12), 2663-2671.
Gordillo, B., Rodriguez-Pulido, F. J., Gonzalez-Miret, M. L., Quijada-Morin, N., Rivas-Gonzalo,
J. C., Garcia-Estevez, I., Heredia, F. J., y Escribano-Bailon, M. T. (2015). Application of
differential colorimetry to evaluate anthocyanin-flavonol-flavanol ternary
copigmentation interactions in model solutions. Journal of Agricultural and Food
Chemistry, 63(35), 7645-7653.
Guchu, E., Díaz-Maroto, M. C., Pérez-Coello, M. S., González-Viñas, M. A., y Ibáñez, M. D. C.
(2006). Volatile composition and sensory characteristics of Chardonnay wines treated
with American and Hungarian oak chips. Food Chemistry, 99(2), 350-359.
Harbertson, J. F., Parpinello, G. P., Heymann, H., y Downey, M. O. (2012). Impact of exogenous
tannin additions on wine chemistry and wine sensory character. Food Chemistry, 131(3),
999-1008.
Heredia, F. J., Álvarez, C., González-Miret, M. L., y Ramírez, A. (2004). Cromalab.
Heredia, F. J., Escudero-Gilete, M. L., Hernanz, D., Gordillo, B., Melendez-Martinez, A. J.,
Vicario, I. M., y Gonzalez-Miret, M. L. (2010). Influence of the refrigeration technique
on the colour and phenolic composition of syrah red wines obtained by pre-fermentative
cold maceration. Food Chemistry, 118(2), 377-383.
Hernández-Hierro, J. M., Nogales-Bueno, J., Rodríguez-Pulido, F. J., y Heredia, F. J. (2013).
Feasibility study on the use of near-infrared hyperspectral imaging for the screening of
anthocyanins in intact grapes during ripening. Journal of Agricultural and Food
Chemistry, 61(41), 9804-9809.
Hernandez-Hierro, J. M., Quijada-Morin, N., Rivas-Gonzalo, J. C., y Escribano-Bailon, M. T.
(2012). Influence of the physiological stage and the content of soluble solids on the
anthocyanin extractability of Vitis vinifera L. cv. Tempranillo grapes. Analytica Chimica
Acta, 732, 26-32.
Hernandez-Jimenez, A., Gomez-Plaza, E., Martinez-Cutillas, A., y Kennedy, J. A. (2009). Grape
Skin and Seed Proanthocyanidins from Monastrell x Syrah Grapes. Journal of
Agricultural and Food Chemistry, 57(22), 10798-10803.
Hernández-Orte, P., Franco, E., Huerta, C. G., García, J. M., Cabellos, M., Suberviola, J., Orriols,
I., y Cacho, J. (2014). Criteria to discriminate between wines aged in oak barrels and
macerated with oak fragments. Food Research International, 57, 234-241.
285
Hidalgo Togores, J. (2010). Tratado de enología: tomo I (2a. ed.). Madrid, España: Mundi-
Prensa.
Hong, V., y Wrolstad, R. E. (1990a). Characterization of anthocyanin-containing colorants and
fruit juices by hplc photodiode array detection. Journal of Agricultural and Food
Chemistry, 38(3), 698-708.
Hong, V., y Wrolstad, R. E. (1990b). Use of hplc separation photodiode array detection for
characterization of anthocyanins. Journal of Agricultural and Food Chemistry, 38(3),
708-715.
Hufnagel, J. C., y Hofmann, T. (2008a). Orosensory-directed identification of astringent
mouthfeel and bitter-tasting compounds in red wine. Journal of Agricultural and Food
Chemistry, 56(4), 1376-1386.
Hufnagel, J. C., y Hofmann, T. (2008b). Quantitative reconstruction of the nonvolatile
sensometabolome of a red wine. Journal of Agricultural and Food Chemistry, 56(19),
9190-9199.
Hüskuldsson, A. (1996). Prediction Methods in Science and Technology. Copenhagen, Denmark:
Thor Publishing.
IBM® (2015). SPSS® Statistics Version 22.0.
Infrasoft International LLC (2000). WinISI II Version 1.50.
Jara-Palacios, M., Hernanz, D., Escudero-Gilete, M., y Heredia, F. (2016). The Use of Grape Seed
Byproducts Rich in Flavonoids to Improve the Antioxidant Potential of Red Wines.
Molecules, 21(11), 1526.
Jason, S. L., y Emily, A. S. (2012). Characterization of Woody and Herbaceous Biomasses Lignin
Composition with 1064 nm Dispersive Multichannel Raman Spectroscopy. Applied
Spectroscopy, 66(8), 903-910.
Jourdes, M., Michel, J., Saucier, C., Quideau, S., y Teissedre, P. L. (2011). Identification,
amounts, and kinetics of extraction of C-glucosidic ellagitannins during wine aging in
oak barrels or in stainless steel tanks with oak chips. Analytical and Bioanalytical
Chemistry, 401(5), 1531-1539.
Kammerer, D., Claus, A., Carle, R., y Schieber, A. (2004). Polyphenol screening of pomace from
red and white grape varieties (Vitis vinifera L.) by HPLC-DAD-MS/MS. Journal of
Karim, M., Daryaei, M. G., Torkaman, J., Oladi, R., Ghanbary, M. A. T., y Bari, E. (2016). In
vivo investigation of chemical alteration in oak wood decayed by Pleurotus ostreatus.
International Biodeterioration & Biodegradation, 108, 127-132.
Kim, I., Kim, M. S., Chen, Y. R., y Kong, s. g. (2004). Assessment of the quiality parameters in
grapes using VIS/NIR spectroscopy. Byosistems Engineering, 105.
286
Kumaravelu, C., Gopal, A., y Ieee. (2015). A Review on the applications of Near-Infrared
Spectrometer and Chemometrics for the Agro-Food Processing Industries. In
Proceedings 2015 Ieee International Conference on Technological Innovations in Ict for
Agriculture and Rural Development Tiar 2015, (pp. 8-12).
Larsen, K. L., y Barsberg, S. (2010). Theoretical and Raman Spectroscopic Studies of Phenolic
Lignin Model Monomers. The Journal of Physical Chemistry B, 114(23), 8009-8021.
Lestander, T., Geladi, P., Larsson, S., y Thyrel, M. (2012). Near infrared image analysis for online
identification and separation of wood chips with elevated levels of extractives. Journal
of Near Infrared Spectroscopy, 20(5), 591.
Lieber, C. A., y Mahadevan-Jansen, A. (2003). Automated Method for Subtraction of
Fluorescence from Biological Raman Spectra. Applied Spectroscopy, 57(11), 1363-1367.
Lopes-da-Silva, F., de Pascual-Teresa, S., Rivas-Gonzalo, J., y Santos-Buelga, C. (2002).
Identification of anthocyanin pigments in strawberry (cv Camarosa) by LC using DAD
and ESI-MS detection. European Food Research and Technology, 214(3), 248-253.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations.
In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and
Probability, Volume 1: Statistics, (pp. 281-297). Berkeley, California: University of
California Press.
Malheiro, A. C., Santos, J. A., Fraga, H., y Pinto, J. G. (2010). Climate change scenarios applied
to viticultural zoning in Europe. Climate Research, 43(3), 163-177.
Markham, K. R. (1982). Ultraviolet-Visible Absorption Spectroscopy. En Techniques of
Flavonoid Identification, (pp.). Nueva York, Estados Unidos: Academic Press.
Masson, G., Moutounet, M., y Puech, J. L. (1995). Ellagitannin content of oak wood as a function
of species and of sampling position in the tree. American Journal of Enology and
Viticulture, 46(2), 262-268.
Mazet, V., Carteret, C., Brie, D., Idier, J., y Humbert, B. (2005). Background removal from
spectra by designing and minimising a non-quadratic cost function. Chemometrics and
Intelligent Laboratory Systems, 76(2), 121-133.
Michel, J., Jourdes, M., Le Floch, A., Giordanengo, T., Mourey, N., y Teissedre, P. L. (2013).
Influence of wood barrels classified by NIRS on the ellagitannin content/composition and
on the organoleptic properties of wine. Journal of Agricultural and Food Chemistry,
61(46), 11109-11118.
Mira de Orduña, R. (2010). Climate change associated effects on grape and wine quality and
production. Food Research International, 43(7), 1844-1855.
Mori, K., Sugaya, S., y Gemma, H. (2005). Decreased anthocyanin biosynthesis in grape berries
grown under elevated night temperature condition. Scientia Horticulturae, 105(3), 319-
330.
287
Mosedale, J. R., Puech, J. L., y Feuillat, F. (1999). The influence on wine flavor of the oak species
and natural variation of heartwood components. American Journal of Enology and
Viticulture, 50(4), 503-512.
Nogales-Bueno, J., Baca-Bocanegra, B., Jara-Palacios, M. J., Hernandez-Hierro, J. M., y Heredia,
F. J. (2017). Evaluation of the influence of white grape seed extracts as copigment sources
on the anthocyanin extraction from grape skins previously classified by near infrared
hyperspectral tools. Food Chemistry, 221, 1685-1690.
Nogales-Bueno, J., Baca-Bocanegra, B., Rodríguez-Pulido, F. J., Heredia, F. J., y Hernández-
Hierro, J. M. (2015). Use of near infrared hyperspectral tools for the screening of
extractable polyphenols in red grape skins. Food Chemistry, 172, 559-564.
Nogales-Bueno, J., Baca-Bocanegra, B., Rooney, A., Hernandez-Hierro, J. M., Byrne, H. J., y
Heredia, F. J. (2017). Study of phenolic extractability in grape seeds by means of ATR-
FTIR and Raman spectroscopy. Food Chemistry, 232, 602-609.
Nogales-Bueno, J., Hernández-Hierro, J. M., Rodríguez-Pulido, F. J., y Heredia, F. J. (2014).
Determination of technological maturity of grapes and total phenolic compounds of grape
skins in red and white cultivars during ripening by near infrared hyperspectral image: a
preliminary approach. Food Chemistry, 152, 586-591.
Nogales-Bueno, J., Rodríguez-Pulido, F. J., Baca-Bocanegra, B., González-Miret, M. L., Heredia,
F. J., y Hernández-Hierro, J. M. (2016). Hyperspectral Imaging - A Novel Green
Chemistry Technology for the Oenological and Viticultural Sectors. En Agricultural
research updates, (pp. 45-56 ).
OENO_3/2005, y OENO_430/2010. (2013). Pieces of oak wood. Paris, France: International
oenological codex oiv.
Ortega-Heras, M., Perez-Magarino, S., y Gonzalez-Sanjose, M. L. (2012). Comparative study of
the use of maceration enzymes and cold pre-fermentative maceration on phenolic and
anthocyanic composition and colour of a Mencia red wine. Lwt-Food Science and
Technology, 48(1), 1-8.
Ortega-Regules, A., Romero-Cascales, I., Ros-García, J. M., López-Roca, J. M., y Gómez-Plaza,
E. (2006). A first approach towards the relationship between grape skin cell-wall
composition and anthocyanin extractability. Analytica Chimica Acta, 563(1–2), 26-32.
Pandey, K. K., y Theagarajan, K. S. (1997). Analysis of wood surfaces and ground wood by
diffuse reflectance (DRIFT) and photoacoustic (PAS) Fourier transform infrared
spectroscopic techniques. Holz als Roh- und Werkstoff, 55(6), 383-390.
Perez-Lamela, C., Garcia-Falcon, M. S., Simal-Gandara, J., y Orriols-Fernandez, I. (2007).
Influence of grape variety, vine system and enological treatments on the colour stability
of young red wines. Food Chemistry, 101(2), 601-606.
288
Perez-Marin, D., Paz, P., Guerrero, J.-E., Garrido-Varo, A., y Sanchez, M.-T. (2010). Miniature
handheld NIR sensor for the on-site non-destructive assessment of post-harvest quality
and refrigerated storage behavior in plums. Journal of Food Engineering, 99(3), 294-302.
Pérez-Marín, D., Sánchez, M.-T., Paz, P., Soriano, M.-A., Guerrero, J.-E., y Garrido-Varo, A.
(2009). Non-destructive determination of quality parameters in nectarines during on-tree
ripening and postharvest storage. Postharvest Biology and Technology, 52(2), 180-188.
Pinelo, M., Arnous, A., y Meyer, A. S. (2006). Upgrading of grape skins: Significance of plant
cell-wall structural components and extraction techniques for phenol release. Trends in
Food Science & Technology, 17(11), 579-590.
Prado, N., Fernandez-Ibanez, V., Gonzalez, P., y Soldado, A. (2011). On-Site NIR Spectroscopy
to Control the Shelf Life of Pork Meat. Food Analytical Methods, 4(4), 582-589.
Preys, S., Mazerolles, G., Courcoux, P., Samson, A., Fischer, U., Hanafi, M., Bertrand, D., y
Cheynier, V. (2006). Relationship between polyphenolic composition and some sensory
properties in red wines using multiway analyses. Analytica Chimica Acta, 563(1-2), 126-
136.
Prida, A., y Puech, J.-L. (2006). Influence of geographical origin and botanical species on the
content of extractives in American, French, and East European oak woods. Journal of
Puech, J. L., Feuillat, F., y Mosedale, J. R. (1999). The tannins of oak heartwood: Structure,
properties, and their influence on wine flavor. American Journal of Enology and
Viticulture, 50(4), 469-478.
Quideau, S., Jourdes, M., Lefeuvre, D., Montaudon, D., Saucier, C., Glories, Y., Pardon, P., y
Pourquier, P. (2005). The chemistry of wine polyphenolic C-glycosidic ellagitannins
targeting human topoisomerase II. Chemistry, 11(22), 6503-6513.
Ramis-Ramos, G., y García-Álvarez-Coque, M. C. (1999). Quimiomentría. Madrid, España:
Síntesis.
Razungles, A., Blouin, J., Boulet, J. C., Escudier, J. L., Feuillat, M., Flanzy, C., y Peyron, D.
(2003). Vinificación en tinto. En Enología: Fundamentos Científicos y Tencnológicos,
(2ª Edición ed. (pp.). Madrid (España): AMV Ediciones y Mundi-Prensa.
Ribéreau-Gayon, P., Glories, Y., Maujean, A., y Dubourdieu, D. (2006). Handbook of Enology,
The Chemistry of Wine: Stabilization and Treatments. West Sussex, England: Wiley &
Sons.
Ristic, R., y Iland, P. G. (2005). Relationships between seed and berry development of Vitis
Vinifera L. cv Shiraz: Developmental changes in seed morphology and phenolic
composition. Australian Journal of Grape and Wine Research, 11(1), 43-58.
Rivero, F. J., Gordillo, B., Jara-Palacios, M. J., Gonzalez-Miret, M. L., y Heredia, F. J. (2017).
Effect of addition of overripe seeds from white grape by-products during red wine
289
fermentation on wine colour and phenolic composition. Lwt-Food Science and
Technology, 84, 544-550.
Rodríguez-Pulido, F. J., Barbin, D. F., Sun, D.-W., Gordillo, B., González-Miret, M. L., y
Heredia, F. J. (2013). Grape seed characterization by NIR hyperspectral imaging.
Postharvest Biology and Technology, 76, 74-82.
Rodriguez-Pulido, F. J., Hernández-Hierro, J. M., Nogales-Bueno, J., Gordillo, B., Gonzalez-
Miret, M. L., y Heredia, F. J. (2014). A novel method for evaluating flavanols in grape
seeds by near infrared hyperspectral imaging. Talanta, 122, 145-150.
Rogalski, A. (2003). Infrared detectors: status and trends. Progress in Quantum Electronics,
27(2–3), 59-210.
Saranwong, S., Sornsrivichai, J., y Kawano, S. (2003). On-tree evaluation of harvesting quality
of mango fruit using a hand-held NIR instrument. Journal of Near Infrared Spectroscopy,
11(4), 283-293.
Saucier, C., Jourdes, M., Glories, Y., y Quideau, S. (2006). Extraction, detection, and
quantification of flavano-ellagitannins and ethylvescalagin in a Bordeaux red wine aged
in oak barrels. Journal of Agricultural and Food Chemistry, 54(19), 7349-7354.
Sauvageot, F., y Feuillat, F. (1999). The influence of oak wood (Quercus robur L., Q-petraea
Liebl.) on the flavor of Burgundy Pinot noir. An examination of variation among
individual trees. American Journal of Enology and Viticulture, 50(4), 447-455.
Scalbert, A., Monties, B., y Janin, G. (1989). Tannins in wood - comparison of different
estimation methods. Journal of Agricultural and Food Chemistry, 37(5), 1324-1329.
Schultz, T. P., y Glasser, W. G. (1986). Quantitative structural analysis of lignin by diffuse
reflectance Fourier transform spectrometry. Holzforschung, 40(SUPPL.), 37-44.
Shenk, J. S., y Westerhaus, M. O. (1995). Routine Operation,Calibration, Development and
Network System Management Manual. Silver Spring, Maryland: NIRSystems.
Siesler, H. W., Ozaky, Y., Kawata, S., y Heise, H. M. (2002). Near infrared spectroscopy:
principles, instruments, applications. Weinheim, Germany: Wiley-VCH.
Singleton, V. L. (1995). Maturation of wines and spirits - comparisons, facts, and hypotheses.
American Journal of Enology and Viticulture, 46(1), 98-115.
Singleton, V. L., y Rossi, J. A. (1965). Colorimetry of Total Phenolics with Phosphomolybdic-
Phosphotungstic Acid Reagents. American Journal of Enology and Viticulture(16), 144-
158.
Skoog, D. A., Holler, F. J., y Crouch, S. R. (2009). Principios de análisis instrumental (6ª ed.).
España.
Sogorb Sánchez, M. Á. (2006). Técnicas analíticas de contaminantes químicos: aplicaciones
toxicológicas, medioambientales y alimentarias. Madrid, España: Ediciones Díaz de
Santos.
290
Sorak, D., Herberholz, L., Iwascek, S., Altinpinar, S., Pfeifer, F., y Siesler, H. W. (2012). New
Developments and Applications of Handheld Raman, Mid-Infrared, and Near-Infrared
Spectrometers. Applied Spectroscopy Reviews, 47(2), 83-115.
Soto Vazquez, E., Rio Segade, S., y Orriols Fernandez, I. (2010). Effect of the winemaking
technique on phenolic composition and chromatic characteristics in young red wines.
European Food Research and Technology, 231(5), 789-802.
Spectral Imaging Ltd (2010). SpectralDAQ Versión 3.62.
StatSoft Inc (2007). STATISTICA (data analysis software system) Version 8.0.
Sun, D. W. (2010). Hyperspectral Imaging for Food Quality Analysis and Control. San Diego,
California: Elsevier Science & Technology.
Teissedre, P. L., Frankel, E. N., Waterhouse, A. L., Peleg, H., y German, J. B. (1996). Inhibition
of in vitro human LDL oxidation by phenolic antioxidants from grapes and wines.
Journal of the Science of Food and Agriculture, 70(1), 55-61.
Teixeira dos Santos, C. A., Lopo, M., Pascoa, R. N. M. J., y Lopes, J. A. (2013). A Review on
the Applications of Portable Near-Infrared Spectrometers in the Agro-Food Industry.
Applied Spectroscopy, 67(11), 1215-1233.
The MathWorks (2012). Matlab® Versión R2012b.
Thumm, A., Riddell, M., Nanayakkara, B., Harrington, J., y Meder, R. (2010). Near infrared
hyperspectral imaging applied to mapping chemical composition in wood samples.
Journal of Near Infrared Spectroscopy, 18(6), 507-515.
Torchio, F., Cagnasso, E., Gerbi, V., y Rolle, L. (2010). Mechanical properties, phenolic
composition and extractability indices of Barbera grapes of different soluble solids
contents from several growing areas. Analytica Chimica Acta, 660(1-2), 183-189.
Trouillas, P., Sancho-Garcia, J. C., De Freitas, V., Gierschner, J., Otyepka, M., y Dangles, O.
(2016). Stabilizing and Modulating Color by Copigmentation: Insights from Review
Theory and Experiment. Chemical Reviews, 116(9), 4937-4982.
Vandeginste, B. G. M., Massart, D. L., y Buydens, L. M. C. (1998). Handbook of Chemometrics
and Qualimetrics (Vol. 20). Amsterdam, Netherlands: Elsevier.
Viriot, C., Scalbert, A., Dupenhoat, C., y Moutounet, M. (1994). Ellagitannins in woods of sessile
oak and sweet chestnut dimerization and hydrolysis during wood aging. Phytochemistry,
36(5), 1253-1260.
Vivas, N. (1997). Recherches sur la qualité de chêne français de tonnellerie (Q. petraea Liebl.,
Q. robur L.) et sur les méchanismes d’oxidoréducction des vins rouges au cours de leur
élevage en barriques. Unpublished Thesis, Université Bordeaux.
Vivas, N. (2002). Manuel de Tonnellerie a lúsage des utilisateurs de futailles (2 ème ed.). France.
Vivas, N., y Glories, Y. (1996). Role of oak wood ellagitannins in the oxidation process of red
wines during aging. American Journal of Enology and Viticulture, 47(1), 103-107.
291
Vivas, N., Glories, Y., Lagune, L., Saucier, C., y Augustin, M. (1994). Estimation du degré de
polymérisation des procyanidines du raisin et du vin par la méthode au p-
dimethylaminocinnamaldéhyde. Journal International des Sciences de la Vigne et du Vin,
28, 319-336.
Waterhouse, A. L. (2002). Wine phenolics. New York, New york: The New York Academy of
Sciences.
Wiedemair, V., De Biasio, M., Leitner, R., Balthasar, D., y Huck, C. W. (2018). Application of
Design of Experiment for Detection of Meat Fraud with a Portable Near-Infrared
Spectrometer. Current Analytical Chemistry, 14(1), 58-67.
Yoon, S. C., Lawrence, K. C., Smith, D. P., Park, B., y Windham, W. R. (2008). Bone fragment
detection in chicken breast fillets using transmittance image enhancement. Transactions
of the Asabe, 51(1), 331-339.
Zahri, S., Moubarik, A., Charrier, F., Chaix, G., Bailleres, H., Nepveu, G., y Charrier, B. (2008).
Quantitative assessment of total phenol contents of European oak (Quercus petraea and
Quercus robur) by diffuse reflectance NIR spectroscopy on solid wood surfaces.
Holzforschung, 62(6), 679-687.
Zamora, F. (2003). Elaboración y crianza del vino tinto:Aspectos cientificos y prácticos. Madrid:
Mundi Prensa.
Zouid, I., Siret, R., Jourjon, F., Mehinagic, E., y Rolle, L. (2013). Impact of grapes heterogeneity
according to sugar level on both physical and mechanical merries properties and their
anthocyanins extractability at harvest. Journal of Texture Studies, 44(2), 95-103.
292

TESIS - Berta Baca Bocanegra

Cargado por

Copyright:

Formatos disponibles

TESIS - Berta Baca Bocanegra

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TESIS - Berta Baca Bocanegra

Cargado por

Copyright:

Formatos disponibles

APLICACIÓN DE TÉCNICAS ESPECTROSCÓPICAS

Berta Baca Bocanegra

La tesis titulada “Aplicación de técnicas espectroscópicas vibracionales al estudio de la

En Sevilla, a 31 de octubre de 2018.

Fdo. Francisco José Heredia Mira Fdo. Berta Baca Bocanegra

Fdo. José Miguel Hernández Hierro

1. ANTECEDENTES Y ESTADO ACTUAL ................................... 11

2. UVA Y VINIFICACIÓN ................................................................. 15

2.2. Composición fenólica de la uva ............................................................................ 16

2.2.1. Flavonoides ..................................................................................................... 16

2.2.2. No flavonoides ................................................................................................. 19

2.3. Extractabilidad de los compuestos fenólicos de la uva....................................... 19

2.4. Vino tinto: composición y elaboración ................................................................ 21

3. MADERA DE ROBLE .................................................................... 23

3.2. Composición química de la madera de roble ...................................................... 23

3.2.1. Compuestos volátiles ....................................................................................... 24

3.2.2. Compuestos fenólicos ...................................................................................... 25

3.3. Importancia de la madera de roble en el sector enológico................................. 26

4. TÉCNICAS ESPECTROSCÓPICAS ............................................ 29

4.2. Espectroscopía de infrarrojo ................................................................................ 32

4.2.1. Análisis de imagen hiperespectral en el infrarrojo cercano ........................... 33

4.2.2. Espectroscopía en el infrarrojo mediante transformada de Fourier .............. 36

4.4. Espectroscopía Portátil ......................................................................................... 38

5. MICROSCOPÍA ELECTRÓNICA DE BARRIDO..................... 41

6. COLORIMETRÍA TRIESTÍMULO ............................................. 45

7. .CROMATOGRAFÍA LÍQUIDA DE ALTA EFICACIA ........... 49

8.2. Análisis cualitativos utilizados ............................................................................. 54

8.2.1. Análisis discriminante lineal (LDA) ................................................................ 54

8.2.2. Análisis discriminante basado en regresión por mínimos cuadrados parciales

8.2.3. Agrupamiento mediante el algoritmo de K–medias ........................................ 57

8.2.4. Análisis de componentes principales (PCA) ................................................... 57

8.3. Análisis cuantitativos utilizados ........................................................................... 60

8.3.1. Regresión por mínimos cuadrados parciales modificados (MPLS) ................ 60

OBJETIVOS GENERALES ................................................................ 65

MATERIALES Y MÉTODOS ............................................................ 71

1.2. Vino tinto................................................................................................................ 74

1.3. Madera de roble, subproducto de tonelería ........................................................ 75

2. TECNICAS ESPECTROSCÓPICAS ............................................ 77

2.1.2. Adquisición de imágenes hiperespectrales...................................................... 77

2.1.3. Segmentación de las imágenes hiperespectrales............................................. 78

2.2. Espectroscopía portátil ......................................................................................... 79

2.2.1. Material y equipos ........................................................................................... 79

2.2.2. Adquisición de datos espectrales .................................................................... 80

2.3. Espectroscopía de infrarrojo mediante transformada de Fourier con reflexión

2.3.1. Material y equipos ........................................................................................... 82

2.3.2. Medidas ATR‒FTIR......................................................................................... 82

2.3.3. Medidas de imágenes ATR-FTIR .................................................................... 83

2.4. Espectroscopía Raman .......................................................................................... 83

2.4.1. Material y equipos ........................................................................................... 83

2.4.2. Medidas Raman ............................................................................................... 84

3. MICROSCOPÍA ELECTRÓNICA DE BARRIDO..................... 85

3.1.2. Medidas de microscopía.................................................................................. 85

4. MEDIDAS DE COLOR POR COLORIMETRÍA

4.1.2. Medida del color ............................................................................................. 87

5.1.1. Material y reactivos ........................................................................................ 89

5.1.2. Extracciones .................................................................................................... 90

5.1.3. Contenido en fenoles totales ........................................................................... 91

5.1.4. Contenido en flavanoles totales ...................................................................... 91

5.1.5. Determinación del perfil antociánico.............................................................. 92