QUAVE

QUAVE est un outil permettant d’obtenir un classement objectif de la qualité des vins.

De nos jours la qualité du vin n’est jugée que par des experts. Ce jugement est un critère important pour définir le prix du vin. Cependant, cette opinion est subjective et dépend des goûts des critiques. Les producteurs n’ont donc pas de critère objectif pour quantifier la qualité de leur vin, ce qui conduit parfois à des prix de vin surévalués par rapport à la qualité. Cette qualité est le fruit de la transformation du raisin selon plusieurs étapes, différents procédés peuvent être utilisés. La qualité du vin est influencée par les choix technologiques pris par le producteur, mais aussi par la qualité du raisin. Elle est principalement influencée par les conditions climatiques, mais également par le terroir.

Nous avons mis en place un outil permettant d’obtenir un classement objectif de la qualité des vins. Diverses approches ont été explorées, toutes en utilisant comme paramètre principal les conditions climatiques. 

Dans un premier temps, nous avons voulu créer une année de référence formée à partir des conditions climatiques optimales permettant d’obtenir la meilleure qualité possible pour le raisin. Cette année nous aurait servie de référence avec laquelle on aurait comparé chaque nouvelle année afin d’estimer la qualité potentielle du vin. L’inconvénient principal de cette méthode résidait dans le fait qu’aucun expert ne semblait s’accorder sur les conditions climatiques nécessaires pour cette année idéale. Nous aurions donc été amené à fixer subjectivement un grand nombre de variables. Ceci allant à l’encontre de notre démarche.

La seconde approche consiste à utiliser le ‘machine learning’. Cette méthode devait nous permettre d'établir un classement relatif des années selon leurs conditions climatiques. On pouvait utiliser diverses sorties pour ce système, simple (note) ou multiple (composition du raisin). Cependant, cette approche ne fut pas concluante car nous ne possédions pas un historique de données météorologiques suffisant pour que l’apprentissage soit efficace. Afin de pouvoir utiliser cette méthode, il nous aurait fallu des données sur une vingtaine d’années. Cependant, les stations météorologiques ne sont présentes dans les vignobles que depuis quelques années, ce qui demandera encore un peu de temps avant que cette approche soit exploitable.

Ces recherches nous ont permis de développer une approche intermédiaire et progressive: l’approche métrique. Elle nous a permis de mesurer la distance relative entre chaque individu. Les résultats présentés sous forme de matrices triangulaires symétriques permettent d’établir des classements tout en laissant le choix de l'individu de référence. Ces calculs dynamiques et évolutifs permettront de prendre en compte les données des millésimes futurs dès leurs enregistrements.

Nous sommes parvenus, sur cet échantillon, à retrouver une certaine cohésion entre nos résultats et le jugement effectué par les experts. En effet, les mêmes groupes de millésimes se distinguent. Nous pouvons donc dire, à ce stade, que notre méthode nous permet d’obtenir un classement relatif des millésimes, d’un même domaine, de manière objective.

Commentaires

Ajouter un commentaire

CAPTCHA
Ce test a pour but d'empêcher les spams.
1 + 10 =
Trouvez la solution de ce problème mathématique simple et saisissez le résultat. Par exemple, pour 1 + 3, saisissez 4.