Terroirausprägung bei der Rebsorte Riesling: Korrelation sensorischer, chemischer, bodenkundlicher und klimatischer Parameter

Transkript

1 Terroirausprägung bei der Rebsorte Riesling: Korrelation sensorischer, chemischer, bodenkundlicher und klimatischer Parameter Von der Fakultät für Lebenswissenschaften der Technischen Universität Carolo-Wilhelmina zu Braunschweig zur Erlangung des Grades einer Doktorin der Naturwissenschaften (Dr. rer. nat.) genehmigte D i s s e r t a t i o n von Andrea Bauer aus Idar-Oberstein

2 1. Referent: Professor Dr. Peter Winterhalter 2. Referent: Honorarprofessor Dr. Ulrich Fischer eingereicht am: mündliche Prüfung (Disputation) am: Druckjahr: 2008

3 Vorveröffentlichungen der Dissertation Teilergebnisse aus dieser Arbeit wurden mit Genehmigung der Fakultät für Lebenswissenschaften, vertreten durch den Mentor der Arbeit, in folgenden Beiträgen vorab veröffentlicht: Publikationen FISCHER, U. und A. BAUER (2006): Sensorische Ausprägung des Rieslings in verschiedenen Lagen der Pfalz: Das Terroir schmeckbar machen. Das deutsche Weinmagazin 2006 (2): Tagungsbeiträge BAUER, A. und U. FISCHER (2008): Impact of Terroir, vintage and winemaking on the sensory properties of German Riesling. Im Tagungsband des Sensory Science Symposium: From the Vineyard to Consumer Preference, 59 th Annual ASEV-Meeting, Portland (Oregon) ( ). FISCHER, U. und A. BAUER (2007): Sensorische Ausprägung des Riesling-Terroirs. Im Tagungsband des 8. Internationalen Symposiums "Innovationen in der Kellerwirtschaft", Intervitis / Interfructa, Stuttgart ( ). FISCHER, U. und A. BAUER (2007): Sensorische Ausprägung des Riesling-Terroirs. Im Tagungsband der 50. Rheingauer Weinbauwoche, Kiedrich ( ). FISCHER, U. und A. BAUER (2006): Sensorische Ausprägung verschiedener Riesling- Lagen. Im Tagungsband der 59. Pfälzer Weinbautage, Neustadt a.d. Weinstraße ( ).

4

5 Equipped with his five senses, man explores the universe around him and calls the adventure science. Edwin P. Hubble ( )

6

7 Meinen Dank möchte ich an all jene richten, die durch ihre Mithilfe das Entstehen dieser Arbeit unterstützt haben und mir hilfreiche Wegbegleiter waren: Herrn Prof. Dr. Ulrich Fischer, DLR Rheinpfalz, möchte ich für die Betreuung der vorliegenden Arbeit, seine uneingeschränkte Unterstützung und vor allem das in mich gesetzte Vertrauen danken. Herrn Prof. Dr. Peter Winterhalter, Institut für Lebensmittelchemie der Technischen Universität Braunschweig, danke ich ebenfalls für seine freundliche Unterstützung sowie die Übernahme der Begutachtung und Prüfung dieser Arbeit. Mein Dank gilt auch den Kollegen vom DLR Rheinpfalz für das freundschaftliche Miteinander, die Unterstützung und die vielen fachlichen Anregungen, die ich durch sie erfuhr, allen voran Sebastian Ganß. Seine stete Diskussionsbereitschaft, die eine Fülle von Ideen hervorbrachte, war für mich von außerordentlichem Wert. Danken möchte ich auch Herrn Manfred Jutzi, der mit großartiger Geduld maßgeblich zur Lichtung meines Datendickichts beigetragen hat und während unzähliger Gespräche die Freude an der Statistik in mir geweckt hat. Unter den Kollegen möchte ich auch Sascha Wolz für den Ausbau der Versuchsweine sowie Anette Schormann für ihre Unterstützung und ihre Anregungen bei der deskriptiven Analyse danken. Ich danke ebenfalls den Kollegen der DLRs Rheinhessen-Nahe-Hunsrück und Mosel für die Betreuung der Testparzellen an Mosel / Saar, Nahe, Ahr und in Rheinhessen. Die Prüfer der Sensorikpanels 2005 und 2006 leisteten mit großer Ausdauer einen bedeutenden Beitrag zur vorliegenden Arbeit ihnen sei herzlichst gedankt. Herrn Dr. Ernst-Dieter Spies und seinen Mitarbeitern vom Landesamt für Geologie und Bergbau Rheinland-Pfalz möchte ich für die bodenkundliche Kartierung und Untersuchung der Testparzellen danken. Neben dem Boden macht das Klima einen weiteren wichtigen Bestandteil des Terroirs aus, und so bedanke ich mich bei den Kollegen des DLR Rheinhessen-Nahe- Hunsrück, Herrn Preiss vom Institut für Rebenzüchtung Geilweilerhof, Herrn Edgar Müller sowie dem DWD für die Überlassung umfangreicher meteorologischer Daten. Frau Dr. Cathleen Frühauf vom DWD Geisenheim gebührt besonderer Dank für ihre freundliche Mitwirkung bei der Erstellung von klimatischen Parametern. Den am Projekt beteiligten Weingütern danke ich für ihren materiellen Beitrag, den uneingeschränkten Zugang zu ihren Anlagen und die gute Zusammenarbeit. Dem rheinland-pfälzischen Ministerium für Wirtschaft, Verkehr, Landwirtschaft und Weinbau sowie dem Forschungsring des Deutschen Weinbaus sei gedankt für die finanzielle Unterstützung. Sascha Schöning und Jens Hallmann danke ich für die kritische Durchsicht des Manuskripts. Bei meiner Familie, die mich immer unterstützte, möchte ich mich herzlich bedanken. Mein größter Dank gilt allerdings Mike, der manche Entbehrung mit unvergleichlicher Geduld und Toleranz ertrug und stets an meiner Seite stand.

8

9 I Inhaltsverzeichnis 1 EINLEITUNG Der Begriff Terroir Ableitung des Begriffs Terroir Interpretationen des Begriffs Terroir in der Literatur Definition des Begriffs Terroir Literaturübersicht und theoretische Hintergründe Klassifizierung von Weinen anhand ihrer geographischen Herkunft Studien aus der neuen Welt Europäische Studien Beziehungen zwischen verschiedenen Umweltfaktoren und der Zusammensetzung von Weinen sowie ihrer sensorischen Ausprägung Einfluss pedologischer Faktoren Einfluss topographischer Faktoren Einfluss klimatischer Faktoren 22 2 MATERIAL UND METHODEN Auswahl der Anlagen Ausbau der Versuchsweine Probenahme in den Versuchsflächen Ausbau der Versuchsweine Erfassung topographischer Parameter Erfassung pedologischer Parameter Felderhebungen Bodenchemische Untersuchungen Bodenphysikalische Untersuchungen Erfassung klimatischer Parameter Ausgewählte Wetterstationen Erfassung und Aufbereitung klimatischer Daten Klimatische Charakterisierung der Versuchsflächen Aufarbeiten der Rohdaten Analyse der Repräsentativität der Versuchsjahrgänge 38

10 II 2.6 Bestimmung des Wasserstatus in den Versuchsflächen Theoretische Grundlagen Bestimmung des Blattwasserpotentials Vergleich zweier Messtechniken Diurnaler Verlauf des Blattwasserpotentials Analyse der Versuchsweine Deskriptive Analyse Aufstellen von Attributen und Entwicklung von Geruchsreferenzen Selektion des Prüferpanels Training der Prüfer und Bewertung der Weine Einzelheiten zur deskriptiven Analyse der 2004er Weine Einzelheiten zur deskriptiven Analyse der 2005er Weine Aufarbeiten der Daten Vergleichbarkeit von Panel 1 und Panel Analyse der Prüfereffizienz Aromaanalyse Theoretische Grundlagen Probenvorbereitung und Extraktion Gaschromatographie Trennsäulen und Temperaturprogramme Detektoren Quantifizierung Gaschromatographie-Massenspektrometrie Probenvorbereitung und Extraktion Chromatographisches System Massenspektrometrisches System Auswertung gaschromatographischer und massenspektrometrischer Daten Identifikation Statistische Methoden Statistische Kennzahlen Standardabweichung σ Korrelationskoeffizient r und Bestimmtheitsmaß R Student t-test Cluster Analyse Varianzanalyse (ANOVA) Hauptkomponentenanalyse (PCA) Partial Least Square-Regressionsanalyse (PLS) 64

11 III Diskriminanzanalyse Verwendete Software 67 3 ERGEBNISSE Bodenkundliche Erhebungen Bodenprofile der Pfälzer Versuchsflächen Profil: Idig (Königsbach) Profil: Weilberg (Ungstein) Profil: Herrenberg (Ungstein) Profil: Heiligenkirche (Bockenheim) Profil: Kleine Kalmit (Ilbesheim) Profil: Sonnenberg (Schweigen) Profil: Pechstein, Bürklin-Wolf (Forst) Profil: Pechstein, Bassermann-Jordan (Forst) Profil: Kieselberg (Deidesheim) Profil: Im Sonnenschein (Siebeldingen) Profil: Kastanienbusch (Birkweiler) Profil: Altenforst (Burrweiler) Multivariate statistische Analyse der Bodendaten Hauptkomponentenanalyse Cluster-Analyse Teilzusammenfassung Topographische Erhebungen Klimatische Erhebungen Charakterisierung klimatischer Parameter Temperaturverlauf Kumulierte Durchschnittstemperatur Anzahl der Sommertage Growing Degree Days Kumulierte Temperatur-Variabilität Huglin-Index Höhenkorrigierte Globalstrahlung Kumulierter Niederschlag Kumulierter Niederschlag in der Vegetationsperiode ( ) Analyse der Repräsentativität der Versuchsjahrgänge Teilzusammenfassung 113

12 IV 3.4 Charakterisierung des Wasserstatus in den Versuchsanlagen Vergleich zweier Messtechniken Diurnaler Verlauf des Blattwasserpotentials Der Wasserstatus in den Versuchsflächen Teilzusammenfassung Deskriptive Analyse Jahrgang 2004, standardisierter Ausbau Jahrgang 2004, Ausbau in den Betrieben Jahrgang 2005, standardisierter Ausbau Jahrgang 2005, Ausbau in den Betrieben Überprüfung der Ausprägung lagenspezifischer sensorischer Unterschiede Zwei Terroirs ein Weingut Ein Terroir zwei Weingüter Einfluss des Jahrgangs Einfluss des Ausbaus Einfluss des Ausgangsgesteins Multivariate statistische Analyse und sensorische Prägung des Ausgangsgesteins Jahrgang 2004, standardisierter Ausbau Jahrgang 2004, Ausbau in den Betrieben Jahrgang 2005, standardisierter Ausbau Jahrgang 2005, Ausbau in den Betrieben Diskriminierung der Ausgangsgesteine auf Basis der Sensorik Jahrgänge 2004 und 2005, standardisierter Ausbau Jahrgänge 2004 und 2005, Ausbau in den Betrieben Teilzusammenfassung Aromaanalyse Flüchtige Verbindungen im Wein Erfasste Verbindungen (FID) Statistische Auswertung Einfluss des Jahrgangs Einfluss des Ausbaus Einfluss des Ausgangsgesteins Multivariate statistische Analyse Jahrgang 2004, standardisierter Ausbau Jahrgang 2004, Ausbau in den Betrieben Jahrgang 2005, standardisierter Ausbau Jahrgang 2005, Ausbau in den Betrieben 219

13 V Komponenten der Terroirausprägung Diskriminierung der Ausgangsgesteine auf Basis aromachemischer Analysen Erfasste Verbindungen (PFPD) Statistische Auswertung Einfluss des Ausbaus und des Ausgangsgesteins Multivariate statistische Analyse Standardisierter Ausbau Ausbau in den Betrieben Diskriminierung der Ausgangsgesteine anhand schwefelhaltiger Verbindungen Teilzusammenfassung Korrelation pedologischer, meteorologischer, sensorischer und chemischer Datensätze Beziehung zwischen pedologischen sowie meteorologischen Parametern und den Intensitäten sensorischer Attribute Beziehung zwischen pedologischen sowie meteorologischen Parametern und der aromachemischen Zusammensetzung Beziehung zwischen der aromachemischen Zusammensetzung und den Intensitäten der sensorischen Geruchsattribute Teilzusammenfassung DISKUSSION Überprüfung der Ausprägung lagenspezifischer sensorischer Unterschiede Diskussion der angewendeten aromachemischen Analysenmethode Einfluss des Ausbaus auf sensorische Attribute und Aromastoffgehalte Deskriptive Analyse Aromachemische Analyse Einfluss des Jahrgangs auf sensorische Attribute und Aromastoffgehalte Deskriptive Analyse Aromachemische Analyse Einfluss des Ausgangsgesteins auf sensorische Attribute und Aromastoffgehalte Deskriptive Analyse Aromachemische Analyse 294

14 VI 4.6 Korrelation pedologischer, meteorologischer, sensorischer und chemischer Datensätze Beziehung zwischen der aromachemischen Zusammensetzung und den Intensitäten der sensorischen Geruchsattribute Beziehung zwischen pedologischen sowie meteorologischen Parametern und den Intensitäten sensorischer Attribute Beziehung zwischen pedologischen sowie meteorologischen Parametern und der aromachemischen Zusammensetzung Ausblick ZUSAMMENFASSUNG LITERATURVERZEICHNIS ANHANG 338

15 VII Abbildungsverzeichnis Abb. 1-1: Einteilung der Korngrößenfraktionen 15 Abb. 1-2: Bodenarten des Feinbodens 16 Abb. 2-1: Intervallgrenzen im Jahrgang Abb. 2-2: Intervallgrenzen im Jahrgang Abb. 2-3: Scholander Druckkammer 40 Abb. 2-4: Querschnitt durch die Druckkammer 41 Abb. 3-1: Profil Idig (Königsbach) 68 Abb. 3-2: Profil Weilberg (Ungstein) 70 Abb. 3-3: Profil Herrenberg (Ungstein) 71 Abb. 3-4: Profil Heiligenkirche (Bockenheim) 73 Abb. 3-5: Profil Kleine Kalmit (Ilbesheim) 75 Abb. 3-6: Profil Sonnenberg (Schweigen) 77 Abb. 3-7: Profil Pechstein, Bürklin-Wolf (Forst) 78 Abb. 3-8: Profil Pechstein, Bassermann-Jordan (Forst) 80 Abb. 3-9: Profil Kieselberg (Deidesheim) 82 Abb. 3-10: Profil Im Sonnenschein (Siebeldingen) 83 Abb. 3-11: Profil Kastanienbusch (Birkweiler) 84 Abb. 3-12: Profil Altenforst (Burrweiler) 85 Abb. 3-13: PCA über die Böden der pfälzischen Versuchsflächen 88 Abb. 3-14: Carbonatgehalt der Böden der pfälzischen Versuchsflächen 89 Abb. 3-15: Schluffgehalt der Böden der pfälzischen Versuchsflächen 89 Abb. 3-16: Sandgehalt der Böden der pfälzischen Versuchsflächen 90 Abb. 3-17: nfk-db der Böden der pfälzischen Versuchsflächen 90 Abb. 3-18: Dendrogramm der Böden der pfälzischen Versuchsflächen 91 Abb. 3-19: Temperaturverlauf in den Pfälzer Flächen im Jahrgang Abb. 3-20: Temperaturverlauf in den Pfälzer Flächen im Jahrgang Abb. 3-21: Abb. 3-22: Temperaturverlauf in den Flächen in Rheinhessen sowie an Nahe und Mosel / Saar im Jahrgang Kumulierte Durchschnittstemperatur in den Pfälzer Flächen im Jahrgang

16 VIII Abb. 3-23: Abb. 3-24: Kumulierte Durchschnittstemperatur in den Pfälzer Flächen im Jahrgang Kumulierte Durchschnittstemperatur in den Flächen in Rheinhessen sowie an Nahe und Mosel / Saar im Jahrgang Abb. 3-25: Anzahl der Sommertage in den Pfälzer Flächen im Jahrgang Abb. 3-26: Anzahl der Sommertage in den Pfälzer Flächen im Jahrgang Abb. 3-27: Anzahl der Sommertage in den Flächen in Rheinhessen sowie an Nahe und Mosel / Saar im Jahrgang Abb. 3-28: Growing Degree Days in den Pfälzer Flächen im Jahrgang Abb. 3-29: Growing Degree Days in den Pfälzer Flächen im Jahrgang Abb. 3-30: Abb. 3-31: Abb. 3-32: Abb. 3-33: Growing Degree Days in den Flächen in Rheinhessen sowie an Nahe und Mosel / Saar im Jahrgang Kumulierte Temperatur-Variabilität in den Pfälzer Flächen im Jahrgang Kumulierte Temperatur-Variabilität in den Pfälzer Flächen im Jahrgang Kumulierte Temperatur-Variabilität in den Flächen in Rheinhessen sowie an Nahe und Mosel / Saar im Jahrgang Abb. 3-34: Huglin-Index der Pfälzer Flächen in den Jahrgängen 2004 und 2005 sowie der Flächen in Rheinhessen, an der Nahe und an der Mosel im Jahrgang Abb. 3-35: Höhenkorrigierte Globalstrahlung in den Pfälzer Flächen sowie den Flächen in Rheinhessen, an der Nahe und an Mosel / Saar 106 Abb. 3-36: Kumulierter Niederschlag in den Pfälzer Flächen im Jahrgang Abb. 3-37: Kumulierter Niederschlag in den Pfälzer Flächen im Jahrgang Abb. 3-38: Abb. 3-39: Abb. 3-40: Abb. 3-41: Abb. 3-42: Kumulierter Niederschlag in den Flächen in Rheinhessen sowie an Nahe und Mosel / Saar im Jahrgang Kumulierter Niederschlag ( ) in den Pfälzer Flächen in den Jahrgängen 2004 und 2005 sowie den Flächen in Rheinhessen, an der Nahe und an der Mosel im Jahrgang Darstellung des Temperaturverlaufs des 13-jährigen Mittels und des dazugehörenden Konfidenz-Korridors (p=95 %): Vergleich mit dem Temperaturverlauf der Jahrgänge 2004 und Darstellung der monatlichen Niederschläge des 13-jährigen Mittels und des dazugehörenden Konfidenz-Korridors (p=95 %): Vergleich mit den monatlichen Niederschlägen der Jahrgänge 2004 und Darstellung des kumulierten Niederschlags des 13-jährigen Mittels und des dazugehörenden Konfidenz-Korridors (p=95 %): Vergleich mit den kumulierten Niederschlägen der Jahrgänge 2004 und

17 IX Abb. 3-43: Abb. 3-44: Abb. 3-45: Abb. 3-46: Abb. 3-47: Abb. 3-48: Abb. 3-49: Abb. 3-50: Abb. 3-51: Abb. 3-52: Abb. 3-53: Abb. 3-54: Abb. 3-55: Abb. 3-56: Abb. 3-57: Abb. 3-58: Vergleich von zeitverzögerter und in-situ-bestimmung des Blattwasserpotentials 114 Diurnaler Verlauf des Blatt- bzw. Stammwasserpotentials der Anlage Idig (Königsbach) ( ) 115 Verlauf des Blattwasserpotentials in den Versuchsanlagen der Mittelhaardt und Mittelwert aller Flächen im Jahr Verlauf des Blattwasserpotentials in den Versuchsanlagen der südlichen Weinstraße und Mittelwert aller Flächen im Jahr Verlauf des Blattwasserpotentials in den Bereichen südliche Weinstraße und Mittelhaardt im Jahr Verlauf des Blattwasserpotentials in den Anlagen Pechstein Bürklin-Wolf und Bassermann-Jordan in den Jahren 2005 und Verlauf des Blattwasserpotentials in den Anlagen Weilberg und Herrenberg in den Jahren 2005 und Sensorische Profile der Weine aus Kastanienbusch (Birkweiler) und Im Sonnenschein (Siebeldingen), standardisierter Ausbau, Jahrgang Sensorische Profile der Weine aus Kastanienbusch (Birkweiler) und Im Sonnenschein (Siebeldingen), ausgebaut im Weingut Ökonomierat Rebholz, Jahrgang Sensorische Profile der Weine aus Kastanienbusch (Birkweiler) und Im Sonnenschein (Siebeldingen), standardisierter Ausbau, Jahrgang Sensorische Profile der Weine aus Kastanienbusch (Birkweiler) und Im Sonnenschein (Siebeldingen), ausgebaut im Weingut Ökonomierat Rebholz, Jahrgang Sensorische Profile der Weine aus Kieselberg (Deidesheim) und Pechstein (Forst), standardisierter Ausbau, Jahrgang Sensorische Profile der Weine aus Kieselberg (Deidesheim) und Pechstein (Forst), ausgebaut im Weingut Geheimer Rat Dr. von Bassermann-Jordan, Jahrgang Sensorische Profile der Weine aus Kieselberg (Deidesheim) und Pechstein (Forst), standardisierter Ausbau, Jahrgang Sensorische Profile der Weine aus Kieselberg (Deidesheim) und Pechstein (Forst), ausgebaut im Weingut Geheimer Rat Dr. von Bassermann-Jordan, Jahrgang Sensorische Profile der Weine aus Kieselberg (Deidesheim) und Im Sonnenschein (Siebeldingen), standardisierter Ausbau, Jahrgang

18 X Abb. 3-59: Abb. 3-60: Abb. 3-61: Abb. 3-62: Abb. 3-63: Abb. 3-64: Abb. 3-65: Abb. 3-66: Abb. 3-67: Abb. 3-68: Sensorische Profile der Weine aus Kieselberg (Deidesheim), ausgebaut im Weingut Geheimer Rat Dr. von Bassermann-Jordan, und Im Sonnenschein (Siebeldingen), ausgebaut im Weingut Ökonomierat Rebholz, Jahrgang Sensorische Profile der Weine aus Weilberg (Ungstein) und Herrenberg (Ungstein), standardisierter Ausbau, Jahrgang Sensorische Profile der Weine aus Weilberg (Ungstein) und Herrenberg (Ungstein), ausgebaut im Weingut Pfeffingen Fuhrmann-Eymael, Jahrgang Sensorische Profile der Weine aus Weilberg (Ungstein) und Herrenberg (Ungstein), standardisierter Ausbau, Jahrgang Sensorische Profile der Weine aus Weilberg (Ungstein) und Herrenberg (Ungstein), ausgebaut im Weingut Pfeffingen Fuhrmann-Eymael, Jahrgang Sensorische Profile der Weine aus Pechstein (Bassermann-Jordan) und Pechstein (Bürklin-Wolf) (Forst), standardisierter Ausbau, Jahrgang Sensorische Profile der Weine aus Pechstein (Bassermann-Jordan) und Pechstein (Bürklin-Wolf) (Forst), standardisierter Ausbau, Jahrgang Sensorische Profile der Weine aus Pechstein (Bassermann-Jordan) und Pechstein (Bürklin-Wolf) (Forst), ausgebaut in den Weingütern Geheimer Rat Dr. von Bassermann-Jordan und Dr. Bürklin-Wolf, Jahrgang PCA über die Weine des standardisierten Ausbaus, Jahrgänge 2004 und PCA über die aus den Betrieben stammenden Weine, Jahrgänge 2004 und Abb. 3-69: PCA über die Weine des standardisierten Ausbaus, Jahrgang Abb. 3-70: Abb. 3-71: Abb. 3-72: Sensorische Profile der Ausgangsgesteine der Pfalz, standardisierter Ausbau, Jahrgang PCA über die aus den Betrieben stammenden Weine, Jahrgang Sensorische Profile der Ausgangsgesteine der Pfalz, Ausbau in den Betrieben, Jahrgang Abb. 3-73: PCA über die Weine des standardisierten Ausbaus, Jahrgang Abb. 3-74: Abb. 3-75: Sensorische Profile der Ausgangsgesteine der Pfalz, standardisierter Ausbau, Jahrgang Sensorische Profile der Ausgangsgesteine in Rheinhessen sowie an Nahe und Mosel / Saar, standardisierter Ausbau, Jahrgang

19 XI Abb. 3-76: PCA über die Weine des standardisierten Ausbaus, Jahrgang Abb. 3-77: Abb. 3-78: Abb. 3-79: Abb. 3-80: Abb. 3-81: Abb. 3-82: Abb. 3-83: Abb. 3-84: Abb. 3-85: Abb. 3-86: PCA über die aus den Betrieben stammenden Weine, Jahrgang Sensorische Profile der Ausgangsgesteine der Pfalz, Ausbau in den Betrieben, Jahrgang Sensorische Profile der Ausgangsgesteine in Rheinhessen sowie an Nahe und Mosel / Saar, Ausbau in den Betrieben, Jahrgang PCA über die aus den Betrieben stammenden Weine, Jahrgang PCA über die aus den Betrieben stammenden Weine, Jahrgang Diskriminanzanalyse über die Weine des standardisierten Ausbaus, Jahrgänge 2004 und 2005: Klassifizierung der Weine anhand der Ausgangsgesteine 177 Diskriminanzanalyse über die Weine des standardisierten Ausbaus, Jahrgänge 2004 und 2005: Klassifizierung der Weine anhand der Ausgangsgesteine 178 Diskriminanzanalyse über die aus den Betrieben stammenden Weine, Jahrgänge 2004 und 2005: Klassifizierung der Weine anhand der Ausgangsgesteine 182 PCA über die Weine des standardisierten Ausbaus, Jahrgänge 2004 und PCA über die aus den Betrieben stammenden Weine, Jahrgänge 2004 und Abb. 3-87: PCA über die Weine des standardisierten Ausbaus, Jahrgang Abb. 3-88: Abb. 3-89: PCA über die aus den Betrieben stammenden Weine, Jahrgang PCA über die aus den Betrieben stammenden Weine, Jahrgang Abb. 3-90: PCA über die Weine des standardisierten Ausbaus, Jahrgang Abb. 3-91: PCA über die Weine des standardisierten Ausbaus, Jahrgang Abb. 3-92: PCA über die Weine des standardisierten Ausbaus, Jahrgang Abb. 3-93: Abb. 3-94: Abb. 3-95: PCA über die aus den Betrieben stammenden Weine, Jahrgang PCA über die aus den Betrieben stammenden Weine, Jahrgang Diskriminanzanalyse über die Weine beider Jahrgänge und Ausbauvarianten: Klassifizierung der Weine anhand der Ausgangsgesteine 227

20 XII Abb. 3-96: Diskriminanzanalyse über die Weine beider Jahrgänge und Ausbauvarianten: Klassifizierung der Weine anhand der Ausgangsgesteine 228 Abb. 3-97: PCA über die Weine des standardisierten Ausbaus 235 Abb. 3-98: PCA über die aus den Betrieben stammenden Weine 237 Abb. 3-99: PCA über die aus den Betrieben stammenden Weine 238 Abb : Abb : Abb : Abb : Abb : Abb : Abb : Abb : Abb : Abb : Abb : Abb : Diskriminanzanalyse über die Weine beider Ausbauvarianten: Klassifizierung der Weine anhand der Ausgangsgesteine 240 Diskriminanzanalyse über die Weine beider Ausbauvarianten: Klassifizierung der Weine anhand der Ausgangsgesteine 241 PLS-Regression von pedologischen und meteorologischen Parametern und sensorischen Attributen: Loadings der Standortfaktoren und sensorischen Attribute, Jahrgang PLS-Regression von pedologischen und meteorologischen Parametern und sensorischen Attributen: Loadings der Standortfaktoren und sensorischen Attribute, Jahrgang PCA über die standardisierten Koeffizienten der PLS-Regression von pedologischen und meteorologischen Parametern und sensorischen Attributen des Jahrgangs PCA über die standardisierten Koeffizienten der PLS-Regression von pedologischen und meteorologischen Parametern und sensorischen Attributen des Jahrgangs PLS-Regression von pedologischen und meteorologischen Parametern und Aromastoffkonzentrationen: Loadings der Standortfaktoren und Aromastoffe, Jahrgang PCA über die standardisierten Koeffizienten der PLS-Regression von pedologischen und meteorologischen Parametern und Aromastoffkonzentrationen des Jahrgangs PCA über die standardisierten Koeffizienten der PLS-Regression von pedologischen und meteorologischen Parametern und Aromastoffkonzentrationen des Jahrgangs PLS-Regression von pedologischen und meteorologischen Parametern und Aromastoffkonzentrationen: Loadings der Standortfaktoren und Aromastoffe, Jahrgang PCA über die standardisierten Koeffizienten der PLS-Regression von pedologischen und meteorologischen Parametern und Aromastoffkonzentrationen des Jahrgangs PCA über die standardisierten Koeffizienten der PLS-Regression von pedologischen und meteorologischen Parametern und Aromastoffkonzentrationen des Jahrgangs

21 XIII Abb : Abb : Abb : Abb : PLS-Regression von Aromastoffkonzentrationen und sensorischen Geruchsattributen: Loadings der Aromastoffe und sensorischen Attribute, Jahrgang PLS-Regression von Aromastoffkonzentrationen und sensorischen Geruchsattributen: Loadings der Aromastoffe und sensorischen Attribute, Jahrgang PCA über die standardisierten Koeffizienten der PLS-Regression von Aromastoffkonzentrationen und sensorischen Geruchsattributen des Jahrgangs PCA über die standardisierten Koeffizienten der PLS-Regression von Aromastoffkonzentrationen und sensorischen Geruchsattributen des Jahrgangs Abb. 7-1: Versuchsflächen der Pfalz 338 Abb. 7-2: Prüfbogen der deskriptiven Analyse 353 Abb. 7-3: Abb. 7-4: Tagessumme des Niederschlags und Tagesmittel der Lufttemperatur während der Vegetationsperiode 2004 in Neustadt 367 Tagessumme des Niederschlags und Tagesmittel der Lufttemperatur während der Vegetationsperiode 2005 in Neustadt 367

22 XIV Tabellenverzeichnis Tab. 1-1: Schwellen verschiedener Wasserversorgungsstufen 19 Tab. 2-1: Versuchsflächen in der Pfalz 26 Tab. 2-2: Standorte an Mosel / Saar, Nahe, Ahr und in Rheinhessen 26 Tab. 2-3: Tab. 2-4: Jahrgang Lesedatum, Mostgewicht, Gesamtsäure, Kohleschönung, Anreicherung 28 Jahrgang Lesedatum, Mostgewicht, Gesamtsäure, Kohleschönung, Anreicherung 29 Tab. 2-5: Chemische Analysemethoden für die Böden der Pfälzer Testflächen 31 Tab. 2-6: Wetterstationen und die ihnen zugeordneten Versuchsflächen 33 Tab. 2-7: Schwellen der Wasserversorgung 42 Tab. 2-8: Chemische Analysemethoden für die Versuchsweine 44 Tab. 2-9: Sensorische Attribute für die deskriptive Analyse der 2004er und 2005er Rieslinge 45 Tab. 2-10: Von der deskriptiven Analyse ausgeschlossene Weine 45 Tab. 2-11: Tab. 2-12: Herstellung von Geruchs- und Geschmacksreferenzen zur Kalibrierung der Prüfer hinsichtlich der Qualität und Intensität von Geruchs- und Geschmacksattributen 46 Weine, die zur Überprüfung der Vergleichbarkeit beider Panels eingesetzt wurden 50 Tab. 2-13: Beispieldatensatz zur Cluster Analyse 61 Tab. 2-14: Tab. 3-1: Tab. 3-2: Tab. 3-3: Berechnung der F-Werte einer ANOVA mit der Einstufung der Varianzquelle Prüfer als a) fixed und b) random Effekt 62 Mixed model Varianzanalyse der Ergebnisse der deskriptiven Analyse, standardisierter Ausbau, Jahrgang 2004: F-Werte und Freiheitsgrade 122 Mixed model Varianzanalyse der Ergebnisse der deskriptiven Analyse, Ausbau in den Betrieben, Jahrgang 2004: F-Werte und Freiheitsgrade 123 Mixed model Varianzanalyse der Ergebnisse der deskriptiven Analyse, standardisierter Ausbau, Jahrgang 2005: F-Werte und Freiheitsgrade 125

23 XV Tab. 3-4: Tab. 3-5: Tab. 3-6: Tab. 3-7: Tab. 3-8: Tab. 3-9: Tab. 3-10: Mixed model Varianzanalyse der Ergebnisse der deskriptiven Analyse, Ausbau in den Betrieben, Jahrgang 2005: F-Werte und Freiheitsgrade 126 Nach Ausbauvarianten getrennte Varianzanalysen der Ergebnisse der deskriptiven Analyse, Jahrgänge 2004 und 2005 (Varianzquelle: Jahrgang): F-Werte und Freiheitsgrade 145 Varianzanalysen der Ergebnisse der deskriptiven Analyse, Jahrgang 2004 (Varianzquellen: Ausgangsgestein und Ausbau): F-Werte und Freiheitsgrade 150 Varianzanalysen der Ergebnisse der deskriptiven Analyse, Jahrgang 2005 (Varianzquellen: Ausgangsgestein und Ausbau): F-Werte und Freiheitsgrade 152 Anzahl der Weine zur Erstellung der sensorischen Profile der Ausgangsgesteine 157 Ergebnisse der Kreuz-Validierung: Zuordnung der Weine, Probenumfang der Ausgangsgesteins-Gruppen a priori und a posteriori sowie Anteil der korrekt klassifizierten Proben 179 Ergebnisse der Kreuz-Validierung: Individuelle Zuordnung der Weine zu den Ausgangsgesteinsgruppen 179 Tab. 3-11: Ergebnisse der Validierung mittels externer Datensätze 180 Tab. 3-12: Tab. 3-13: Ergebnisse der Kreuz-Validierung: Zuordnung der Weine, Probenumfang der Ausgangsgesteins-Gruppen a priori und a posteriori sowie Anteil der korrekt klassifizierten Proben 183 Ergebnisse der Kreuz-Validierung: Individuelle Zuordnung der Weine zu den Ausgangsgesteinsgruppen 183 Tab. 3-14: Ergebnisse der Validierung mittels externer Datensätze 184 Tab. 3-15: Tab. 3-16: Tab. 3-17: Tab. 3-18: Tab. 3-19: Mittels FID erfasste und identifizierte Substanzen: Alternativbezeichnung, Geruchsqualität und Codierung 192 Varianzanalysen der aromachemischen Zusammensetzung der Weine beider Jahrgänge und Ausbauvarianten: F-Werte und Freiheitsgrade 195 In den Varianzanalysen in Tab bei der Varianzquelle Wiederholung als signifikant ausgewiesene Komponenten: F-Werte und Freiheitsgrade 197 Nach Ausbauvarianten getrennte Varianzanalysen der aromachemischen Zusammensetzung, Jahrgänge 2004 und 2005 (Varianzquelle: Jahrgang): F-Werte und Freiheitsgrade 198 Varianzanalysen der aromachemischen Zusammensetzung, Jahrgang 2004 (Varianzquellen: Ausgangsgestein und Ausbau): F-Werte und Freiheitsgrade 204

24 XVI Tab. 3-20: Tab. 3-21: Tab. 3-22: Tab. 3-23: Tab. 3-24: Tab. 3-25: Tab. 3-26: Tab. 3-27: Tab. 3-28: Tab. 3-29: Tab. 3-30: Tab. 3-31: Tab. 3-32: Varianzanalysen der aromachemischen Zusammensetzung, Jahrgang 2005 (Varianzquellen: Ausgangsgestein und Ausbau): F-Werte und Freiheitsgrade 206 Ergebnisse der Kreuz-Validierung: Zuordnung der Weine, Probenumfang der Ausgangsgesteins-Gruppen a priori und a posteriori sowie Anteil der korrekt klassifizierten Proben 229 Mittels PFPD erfasste und identifizierte Substanzen: Alternativbezeichnung, Geruchsqualität und Codierung 230 Varianzanalysen der aromachemischen Zusammensetzung der Weine beider Ausbauvarianten: F-Werte und Freiheitsgrade 232 Varianzanalysen der aromachemischen Zusammensetzung der Weine (Varianzquellen: Ausgangsgestein und Ausbau): F-Werte und Freiheitsgrade 233 Ergebnisse der Kreuz-Validierung: Zuordnung der Weine, Probenumfang der Ausgangsgesteins-Gruppen a priori und a posteriori sowie Anteil der korrekt klassifizierten Proben 242 Ergebnisse der Kreuz-Validierung: Individuelle Zuordnung der Weine zu den Ausgangsgesteinsgruppen 243 Von der PLS-Regression erklärter Anteil der Gesamtvarianz des unabhängigen (X) und abhängigen Datensatzes (Y) über die PLS- Faktoren kumuliert 246 Von der PLS-Regression erklärter Anteil der Gesamtvarianz des unabhängigen (X) und abhängigen Datensatzes (Y) über die PLS- Faktoren kumuliert 249 Von der PLS-Regression erklärter Anteil der Gesamtvarianz des unabhängigen (X) und abhängigen Datensatzes (Y) über die PLS- Faktoren kumuliert 255 Von der PLS-Regression erklärter Anteil der Gesamtvarianz des unabhängigen (X) und abhängigen Datensatzes (Y) über die PLS- Faktoren kumuliert 260 Von der PLS-Regression erklärter Anteil der Gesamtvarianz des unabhängigen (X) und abhängigen Datensatzes (Y) über die PLS- Faktoren kumuliert 266 Von der PLS-Regression erklärter Anteil der Gesamtvarianz des unabhängigen (X) und abhängigen Datensatzes (Y) über die PLS- Faktoren kumuliert 268 Tab. 7-1: Riesling-Klone und Unterlagen in den Versuchsanlagen 339 Tab. 7-2: Lagekoordinaten und topographische Kennwerte der Versuchsflächen in Rheinhessen sowie an Nahe, Mosel / Saar und Ahr 340 Tab. 7-3: Analytische Kennzahlen der Moste, Jahrgang Tab. 7-4: Analytische Kennzahlen der Moste, Jahrgang

25 XVII Tab. 7-5: Tab. 7-6: Tab. 7-7: Analytische Kennzahlen der experimentellen Weine, Jahrgang Analytische Kennzahlen der experimentellen Weine, Jahrgang Reihenfolge der Attribute während der sensorischen Prüfung und Definition der Skalenenden 347 Tab. 7-8: Training Session 1, Jahrgang Tab. 7-9: Training Session 2, Jahrgang Tab. 7-10: Training Session 3, Jahrgang Tab. 7-11: Training Session 4, Jahrgang Tab. 7-12: Training Session 1, Jahrgang Tab. 7-13: Training Session 2, Jahrgang Tab. 7-14: Training Session 3, Jahrgang Tab. 7-15: Training Session 4, Jahrgang Tab. 7-16: Analysewerte der bodenkundlichen Untersuchung 360 Tab. 7-17: Phänologische Daten der Versuchsflächen, Jahrgang Tab. 7-18: Blattwasserpotential [MPa] in den Pfälzer Anlagen in 2005 und Tab. 7-19: Tab. 7-20: Tab. 7-21: Identifizierte Verbindungen (FID): CAS-Nummern, Retentionszeiten, Kovats-Indizes 370 Erfasste unbekannte Verbindungen: Retentionszeiten und Kovats- Indizes 372 Erfasste schwefelhaltige Verbindungen: CAS-Nummern, Retentionszeiten, Kovats-Indizes 373 Tab. 7-22: In die PLS-Modelle einbezogene Proben 375 Tab. 7-23: Tab. 7-24: Tab. 7-25: Tab. 7-26: Bestimmtheitsmaße und standardisierte Koeffizienten der Korrelation pedo-meteorologischer und sensorischer Datensätze, Jahrgang Bestimmtheitsmaße und standardisierte Koeffizienten der Korrelation pedo-meteorologischer und sensorischer Datensätze, Jahrgang Bestimmtheitsmaße und standardisierte Koeffizienten der Korrelation pedo-meteorologischer und aromachemischer Datensätze, Jahrgang Bestimmtheitsmaße und standardisierte Koeffizienten der Korrelation pedo-meteorologischer und aromachemischer Datensätze, Jahrgang

26 XVIII Tab. 7-27: Tab. 7-28: Bestimmtheitsmaße und standardisierte Koeffizienten der Korrelation sensorischer und aromachemischer Datensätze, Jahrgang Bestimmtheitsmaße und standardisierte Koeffizienten der Korrelation sensorischer und aromachemischer Datensätze, Jahrgang

27 XIX Abkürzungsverzeichnis AGMEDA ANOVA AOC BBA BSA Ca Ca aust. Carb. DA DB DLR DWD F FG FID FK FK-100 FK-DB GC GC-MS GDD GDD_S GIS GOF Grbbo. H 0 h.gstr. HLUG Höhe ü. NN HPLC Hug.I INAO Agrarmeteorologisches Messnetz Rheinland-Pfalz Analysis of Variance (engl.: Varianzanalyse) Appellation d'origine Contrôlée Biologische Bundesanstalt für Land- und Forstwirtschaft (ab Julius Kühn-Institut (JKI)) biologischer Säureabbau Calcium austauschbares Calcium Carbonatgehalt Deskriptive Analyse Durchwurzelbarer Bodenraum Dienstleistungszentrum ländlicher Raum Deutscher Wetterdienst Versuchsfehler Freiheitsgrad Flammen-Ionisations-Detektor Feldkapazität Feldkapazität über 100 cm Profiltiefe Feldkapazität über den durchwurzelbaren Bodenraum Gaschromatographie Gaschromatographie-Massenspektrometrie Growing Degree Days Summe der Growing Degree Days Geoinformationssystem Geländeoberfläche Grobbodengehalt Nullhypothese Höhenkorrigierte Globalstrahlung Hessisches Landesamt für Umwelt und Geologie Höhe über Normalnull High Performance Liquid Chromatography Index nach Huglin Institut National des Appelations d'origin

28 XX KAK pot. KI LGB Mpa MQ n n.s. nfk nfk-100 nfk-db N kum O.I.V. p P x R PAS PC PCA PFPD PG PLS r R 2 R-HST rphu s Sotag Sotag_S SPME SQ ST av. ST Var. T max T min UTA VDP VIP potentielle Kationenaustauschkapazität Kovats-Index Landesamt für Geologie und Bergbau Rheinland-Pfalz Megapascal mittleres Abweichungsquadrat Anzahl der Messwerte nicht signifikant nutzbare Feldkapazität nutzbare Feldkapazität über 100 cm Profiltiefe nutzbare Feldkapazität über den durchwurzelbaren Bodenraum Kumulierter Niederschlag Office International de la Vigne et du Vin probability (engl.: Fehlerwahrscheinlichkeit) Prüfer x Wiederholung Interaktion photosynthetisch aktive Strahlung Principal Component (engl.: Hauptkomponente) Principal Component Analysis (engl.: Hauptkomponentenanalyse) Pulsed-Flame-Photometric-Detector Prüfgröße Partial Least Square Regression Korrelationskoeffizient Bestimmtheitsmaß Riesling-Heiligenstein relative peak hight unit (engl.: relative Peakhöhen-Einheit) Standardabweichung aller Messwerte Anzahl der Sommertage Summe der Sommertage Solid-Phase Microextraction Summe der Abweichungsquadrate Summe der täglichen Durchschnittstemperaturen Summe der täglichen Temperatur-Variabilität Tageshöchsttemperatur Tagestiefsttemperatur untypische Alterungsnote Verband deutscher Prädikatsweingüter variable importance for the projection (engl.: Bedeutung der Variablen für die Projektion)

29 XXI W W x P W x R Referenzwert Wein x Prüfer Interaktion Wein x Wiederholung Interaktion ψ Blattwasserpotential σ Standardabweichung x Mittelwert aller Messwerte * Signifikanzniveau p<0,05 (Fehlerwahrscheinlichkeit) ** Signifikanzniveau p<0,01 (Fehlerwahrscheinlichkeit) *** Signifikanzniveau p<0,001 (Fehlerwahrscheinlichkeit) Oe Grad Oechsle % vol. Volumenprozent Abkürzungen der Versuchsflächen und Weine: Ba_Ps1 Ba_Ps2 Gr_Af Ka_Fb Ka_Gb Ka_Hb Ka_Hk Ka_Id Ka_Kb Ka_kK Ka_Kr Ka_Sb Ka_Wb Po_Sb Rl_Au Rl_Kb Rl_Wg Sa_Kb Sa_So Sc_Ab Sc_Ki Sc_Ri Sc_Uh Basalt: Pechstein (Forst), Wgt. Bassermann-Jordan Basalt: Pechstein (Forst), Wgt. Bürklin-Wolf Grauwacke: Altenforst (Burrweiler) Kalkstein: Feuerberg (Flomborn) Kalkstein: Goldberg (Oppenheim) Kalkstein: Herrenberg (Ungstein) Kalkstein: Heiligenkirche (Bockenheim) Kalkstein: Idig (Königsbach) Kalkstein: Kahlenberg (Bad Kreuznach) Kalkstein: Kleine Kalmit (Ilbesheim) Kalkstein: Kranzberg (Oppenheim) Kalkstein: Sonnenberg (Schweigen) Kalkstein: Weilberg (Ungstein) Porphyr: Stromberg (Bockenau) Rotliegend-Substrat: Auflangen (Nierstein) Rotliegend-Brekzie: Kastanienbusch (Birkweiler) Rotliegend-Substrat: Würzgarten (Ürzig) Sandstein: Kieselberg (Deidesheim) Sandstein: Im Sonnenschein (Siebeldingen) Schiefer: Altenberg (Kanzem) Schiefer: Kirchberg (Hatzenport) Schiefer: Ritsch (Thörnich) Schiefer: Uhlen (Winningen)

30 XXII Die Codierung der Versuchsweine in den graphischen Darstellungen basiert auf den Abkürzungen der Versuchsflächen. 04 bzw. 05 stehen für den Jahrgang 2004 bzw und S bzw. W für die Ausbauvarianten standardisierter Ausbau bzw. Ausbau im Weingut. Beispiel: Bei der Probe mit der Codierung Gr_Af05W handelt es sich um den Wein vom Burrweiler Altenforst (Grauwacke), Jahrgang 2005, Ausbau im Weingut.

31

32

33 Der Begriff Terroir 1 1 Einleitung Angesichts der Diskussion über das Für und Wider bestimmter oenologischer Verfahren und der fortschreitenden Globalisierung lokaler Weinmärkte müssen sich Weinproduzenten mehr denn je fragen, was ihr Alleinstellungsmerkmal ist, das nicht von Mitbewerbern übernommen werden kann und gleichzeitig das Interesse und die Neugierde ihrer Kunden weckt. Nicht von ungefähr rückte daher in den vergangenen Jahren der Begriff des Terroirs, dem in zahlreichen Studien (siehe Kapitel 1.2) ein die sensorischen Eigenschaften von Weinen prägender Einfluss attestiert wurde, mehr und mehr in das Zentrum vieler Diskussionen, da die pedologischen, klimatischen und topographischen Gegebenheiten einer Weinbergslage, also die Komponenten des Terroirs, einmalig und damit nicht kopierbar sind. Zudem zeigen Verbraucher in ihrem Kaufverhalten zunehmendes Interesse an der regionalen Herkunft bzw. Authentizität von Lebensmitteln [36] und sind durchaus bereit, dafür wesentlich höhere Preise zu bezahlen, wie beispielsweise von Skuras und Vakru (2002) für Wein gezeigt wurde [318]. Somit bietet das Konzept des Terroirs für Produzenten nicht nur eine Differenzierungsmöglichkeit gegenüber Mitbewerbern, sondern auch potentiell höhere Gewinnspannen. Um Weine von einem bestimmten Terroir jedoch erfolgreich vermarkten zu können, bedarf es der Kommunikation ihrer sensorischen Eigenschaften, um damit die vom Kunden erfahrbare Vielfalt charakterisieren zu können und diese Weine auch von einfacheren Basisweinen abzugrenzen. Weltweit mangelt es bis heute an wissenschaftlichen Belegen dafür, wie die als Terroir zusammengefasste Einheit von Boden, Mesoklima und Topographie Einfluss auf die Sensorik des Weines sowie den der Sensorik zugrunde liegenden Aroma- und Geschmacksstoffen von Weinen nimmt und welche Kausalitäten sich für die wahrnehmbaren sensorischen Unterschiede verantwortlich zeigen (siehe Kapitel 1.2). Riou (1995) [283] benennt eine Reihe von Schwierigkeiten bei der Untersuchung dieses Themengebietes, die möglicherweise zu dessen bislang spärlichen Behandlung beigetragen haben: die große zeitliche und räumliche Variabilität, die einige Terroirkomponenten zeigen die Vielzahl von Variablen, die vollständigkeitshalber einbezogen werden müssen die Komplexität der Faktorenkette, die die Qualität und Typizität von Weinen bestimmt. Im Rheingau wurde vom Deutschen Wetterdienst (DWD), der Forschungsanstalt Geisenheim und dem Weinbauverband eine auf der langjährigen Mostgewichtsleistung und agrarmeteorologischen Gegebenheiten basierende Ausweisung von Lagen mit einem besonderen Qualitätspotenzial durchgeführt [186]. In anderen Gebieten werden solche Lagen, deren Güte historisch belegt ist oder in der näheren Vergangenheit durch konstant erzeugte hochwertige Weine aufgefallen sind, zur Erzeugung von terroirgeprägten Weinen eingestuft [13, 146]. Die geologischen Landesämter können für einige deutsche Weinanbaugebiete bereits zum Teil lückenloses Kartenmaterial über

34 2 Einleitung die pedologischen Gegebenheiten vorlegen, aber auch über geländeklimatische Parameter wie z.b. Kaltluftgefährdung oder Sonneneinstrahlung. Als Beispiele hierfür seien die Weinbergsbodenkarte von Rheinland-Pfalz des Landesamts für Geologie und Bergbau Rheinland-Pfalz (LGB) [33] sowie der digitale Weinbaustandortatlas von Hessen des hessischen Landesamts für Umwelt und Geologie (HLUG) [186] genannt. Was aber nicht nur in Deutschland, sondern weltweit bis auf wenige Ausnahmen fehlt, ist die sensorische und analytische Interpretation dieser geologischen Vielfalt im Kontext Wein. Riesling reagiert so sensibel wie kaum eine andere Rebsorte auf pedologische und klimatische Variationen von Weinbergslagen [102]. Darüber hinaus wird in der Regel beim Ausbau von Riesling-Weinen auf oenologische Verfahren wie die Barrique- Lagerung verzichtet [102], die eine mögliche Terroirausprägung sensorisch überlagern könnten. Gleichzeitig stellt der Riesling eine international anerkannte deutsche Spezialität dar, die mit Ausnahme des Elsass, von Österreich und Australien in keinem anderen Weinanbauland eine so dominierende Rolle spielt wie in Deutschland [102, 284]. So lag in 2007 die in Deutschland mit Riesling bestockte Fläche bei ha, was einem Anteil von 21,3 % der deutschen Rebfläche entsprach [14] und 59,3 % der Riesling-Fläche weltweit ausmachte (E. Abele (Deutsches Weininstitut), persönl. Mitteilung, September 2008). Im Vergleich dazu wurden im selben Jahr im Elsass, dem einzigen Weinbaugebiet Frankreichs, wo diese Rebsorte offiziell zugelassen ist [284], 3449 ha [15], in Österreich 1874 ha (B. Skorepa (Österreichische Weinmarketingservicegesellschaft), persönl. Mitteilung, September 2008) und in Australien 4432 ha [91] angebaut, was 9,5 %, 5,1 % bzw. 12,1 % der weltweit mit Riesling bepflanzten Fläche entsprach (E. Abele, persönl. Mitteilung, September 2008). Daher ist diese Rebsorte für deutsche Weinproduzenten prädestiniert, neben dem Terroir als weiteres Alleinstellungsmerkmal im internationalen Weinmarkt zu fungieren. Vor diesem Hintergrund war es daher das Ziel der vorliegenden Arbeit, über zwei Jahrgänge (2004 und 2005) hinweg zu untersuchen, inwieweit sich das Terroir auf die Sensorik und aromachemische Zusammensetzung von Riesling-Weinen auswirkt und welchen Einfluss die Jahrgangswitterung sowie der persönliche Ausbaustil eines einzelnen Weinguts nehmen. Dazu sollten 1. in Zusammenarbeit mit rheinland-pfälzischen Weingütern pedologisch, klimatisch und topographisch sehr unterschiedliche Riesling-Flächen ausgewählt werden. 2. diese Versuchsflächen im Hinblick auf ihre Standorteigenschaften charakterisiert werden, 3. neben der betriebsüblichen Vinifikation auch ein Ausbau von Weinen dieser Flächen unter standardisierten Bedingungen erfolgen, 4. die Weine beider Ausbauvarianten mittels deskriptiver Analyse sensorisch beschrieben und deren Aromastoffgehalte mittels Headspace-Solid-Phase Microextraction (SPME) ermittelt werden, 5. die sensorischen, chemischen, pedologischen, klimatischen und topographischen Datensätze mittels multivariater Statistikverfahren korreliert werden 6. und schließlich sensorische und aromachemische Marker für verschiedene Terroirs abgeleitet werden.

35 Der Begriff Terroir 3 Die Identifikation spezifischer sensorischer Marker für bestimmte Terroirs könnte nicht nur als Grundlage für eine besser nachvollziehbare Kommunikation von Terroir dem Verbraucher gegenüber dienen, sondern auch helfen, die aufgezeigte Lücke zwischen dem vorliegenden geologischen Datenmaterial einerseits und der vom Verbraucher wahrnehmbaren sensorischen Dimension der Weine andererseits zu schließen. Gleichzeitig setzt sich diese Arbeit zum Ziel, einen Beitrag zur Definition des Begriffs Terroir im Kontext Wein zu leisten, dessen Interpretation, wie im Folgenden beschrieben, in der Literatur bislang umstrittenen ist. 1.1 Der Begriff Terroir Ableitung des Begriffs Terroir Der Begriff Terroir leitet sich ab von den alt-französischen Begriffen tieroer und tieroir, die wiederum ihren Ursprung im vulgärlateinischen Begriff terratorium haben, einer Abänderung des lateinischen territorium, i, n. (Stadtgebiet) [276, 330]. Terroir ist ein Gallizismus, der in keiner Sprache außer dem Provenzalischen und seinen Dialekten ein Synonym besitzt [246, 355]. Da nicht nur über Sprachgrenzen hinweg, sondern auch innerhalb gleicher Sprachräume dieser Begriff in unterschiedlicher Weise interpretiert wird [210, 217, 335, 347, 355], wird im Folgenden zunächst auf seine ursprüngliche Bedeutung im Französischen eingegangen. Bei Betrachtung des Alt-Französischen wird der Bezug des Begriffs zum Boden deutlich: Terroir wurde synonym für terreau (Muttererde) verwendet [19]. Im weiteren Sprachgebrauch umschreibt Terroir ein ländliches Gebiet oder eine Region als Ursache charakteristischer Merkmale bzw. Eigenheiten seiner Bewohner und derer die daraus stammen [275, 355], wie beispielsweise bei accent du terroir (Terroirakzent) [275]. Darüber hinaus findet der Begriff Terroir Verwendung bei der Beschreibung von kleinräumigen Flächen in Hinblick auf deren Standorteigenschaften und dem daraus resultierenden landwirtschaftlichen Potential bzw. der Nutzung [275]. Beispiele hierfür sind un terroir fertile (ein fruchtbares Terroir) oder un terroir à fraises (ein zum Erdbeeranbau geeignetes bzw. genutztes Terroir) [19]. In früherer Zeit wurde der Begriff Terroir auch in abwertender Weise zur Beschreibung grobschlächtiger Arbeiten oder von Personen mit als unzureichend empfundenen Umgangsformen in Andeutung auf deren ländliche Herkunft eingesetzt [19]. Auch im oenologischen Kontext war der Ausdruck gôut de terroir oder auch terroité (Terroirgeschmack) zunächst negativ behaftet. Mit ihm wurden fehlerhafte Weine beschrieben, die deutlich erdige bzw. mikrobielle Aromanoten aufwiesen [19, 201]. Im aktuellen Sprachgebrauch vermittelt der Begriff Terroir bei Lebensmitteln jedoch Authentizität und Qualität. Er wird eingesetzt, um die regionale Herkunft von Produkten im Allgemeinen oder besondere Produkteigenschaften als Ergebnis ihrer Herkunft im Speziellen hervorzuheben [19] Interpretationen des Begriffs Terroir in der Literatur Die Vielschichtigkeit des Wortes Terroir in seiner Ursprungssprache Französisch und daraus resultierende missverständliche Übersetzungen [355] könnten zu der großen Zahl an in der Literatur beschriebenen unterschiedlichen Interpretationen dieses Begriffs im Kontext Wein beigetragen haben. Diese werden im Folgenden vorgestellt.

36 4 Einleitung Für zahlreiche Autoren umfasst Terroir die Gesamtheit der naturgegebenen Standortfaktoren einer Lage, die sich in die Komplexe Boden, Topographie und Klima unterteilen lassen, sowie deren Interaktionen [19, 79, 94, 262, 283, 284]. Die spezifische Kombination dieser Faktoren verleiht jeder Lage ein charakteristisches Terroir. Im Zentrum des Terroirkonzeptes steht eine durch die jeweiligen Faktorkombinationen bedingte charakteristische organoleptische Ausprägung von Weinen, die sich über die Jahrgänge hinweg mehr oder weniger deutlich zeigt und von weinbaulichen oder oenologischen Maßnahmen unabhängig ist. Im Kontext von terroirgeprägten Weinen wird oftmals der Begriff Typizität verwendet [290, 291, 355], der bei Lebensmitteln spezielle Produkteigenschaften, insbesondere charakteristische organoleptische Merkmale bezeichnet, die von der Erzeugung des Produktes in einem bestimmten Gebiet herrühren und nicht in einem anderen Produktionsgebiet reproduziert werden können [184]. Nach Vaudour (2002) [355] charakterisiert Typizität eine kollektives Geschmacksgedächtnis (S. 121) zu Weinen spezifischer Herkunft, das über einen längeren Zeitraum hinweg geformt wurde und schließlich zu einer Erwartungshaltung führte, welche organoleptischen Eigenschaften die jeweiligen Weine besitzen sollten. Die naturgegebene Weinbergsumwelt wurde über Jahrhunderte hinweg bis in die Gegenwart zur Optimierung der Wachstumsbedingungen der Reben und zur Reduktion des Bewirtschaftungsaufwandes modifiziert. Als Beispiele hierfür sind die Terrassierung von Hängen oder das Rigolen von Weinbergsböden zu nennen, die zum Teil völlig neue topographische und pedologische Verhältnisse in Weinbergslagen schafften und somit zur Veränderung der ursprünglichen Terroirs führten. In Anbetracht dieser anthropogenen Standortmodifikationen sollte von der Formulierung naturgegebene Standortfaktoren Abstand genommen werden. Dies führt zu einer differenzierteren Definition von Terroir, die statt der naturgegebenen Standortfaktoren alle Standortfaktoren umfasst, die sich nicht ohne größeren technischen oder finanziellen Aufwand verändern lassen [34, 45, 178]. Neben den Faktorkomplexen Boden, Topographie und Klima werden in der Literatur oftmals auch sozio-kulturelle, sozio-ökonomische und historische Aspekte als Komponenten von Terroirs angesehen [71, 114, 200, 210, 217, 226, 290, 292, 347, 351, 352, 355, 356]. So beginnen van Leeuwen und Seguin (2006) ihre Argumentationskette für das Zugehören der Komponente Mensch zum Faktorenkomplex des Terroirs damit, dass sich Rebanlagen ohne menschliches Zutun per se nicht ausgebildet hätten. Die Wahl der Rebstandorte fiel historisch gesehen eher auf landwirtschaftlich weniger produktive Flächen wie steile Hänge oder solche mit geringmächtigen, steinigen Böden, während die fruchtbareren Böden Ackerbau und Viehzucht vorbehalten waren, da Reben ein ausgedehntes Wurzelsystem aufbauen und damit kargere Böden besser erschließen können. Zudem leistet der höhere Strahlungsgenuss steiler Hänge vor allem in nördlichen Breiten einen wichtigen Beitrag zum Reifeprozess der Trauben. Die Autoren argumentieren weiterhin, dass sich Weinbau in Gebieten etabliert, in denen die sozio-ökonomischen Bedingungen dafür günstig sind, beispielsweise durch die unmittelbare Nähe zu einem Absatzmarkt oder wenn der Anschluss an Absatzmärkte durch Häfen, schiffbare Flüsse oder Eisenbahnverkehr gewährleistet ist. Als ein Beispiel führen sie das mittelalterliche Gedeihen der Weinbauregion um die Stadt La Rochelle auf, über deren Hafen die Weine nach England und Holland vertrieben wurden. Mit dem

37 Der Begriff Terroir 5 Niedergang des Hafens erfuhr auch der Weinbau dieser Region seinen Niedergang [352]. Wein wurde zudem zur Sterilisation von Trinkwasser eingesetzt, wie beispielsweise noch 1892 während einer Choleraepidemie in Hamburg [284]. Verbesserungen in der Versorgung mit hygienisch unbedenklichem Trinkwasser reduzierten die Nachfrage nach Wein zu diesem Verwendungszweck und führten somit ebenfalls zu einer Abnahme der Anbaufläche (U. Fischer, persönliche Mitteilung, April 2008). Auch weinbauliche Maßnahmen und oenologische Verfahren werden als Mittel zur maximalen Ausschöpfung des Potentials von Lagen in die Reihe der Terroirfaktoren einbezogen [71, 292]. Wilson (1998) [369], gestützt auf die Ausführungen von Kramer (1989, zitiert in [369]) fügt dieser Definition von Terroir eine weitere Ebene hinzu: er weist auf den mentalen Aspekt innerhalb des Terroirkonzeptes hin. Darüber hinaus bezieht er in Einklang einiger weiterer Autoren (Dupuy, 1989, zitiert in [355]) [201] eine mystische Komponente in die Reihe der Terroir bestimmenden Faktoren ein Definition des Begriffs Terroir Zusammenfassend steht die Typizität von Weinen im Zentrum des Terroirkonzeptes, unabhängig davon ob lediglich Umweltfaktoren oder auch anthropogene Aspekte als Terroirkomponenten herangezogen werden. Die Typizität von Weinen verschiedener Terroirs wird bedingt durch die spezifischen Faktorkombinationen der jeweiligen Terroirs. Obwohl der Mensch durch kulturtechnische und oenologische Verfahren maßgeblich Einfluss auf die chemische und sensorische Ausprägung von Weinen nimmt, sollte er nicht als Terroirfaktor betrachtet werden. Wäre die anthropogene Aktivität eine Terroirkomponente, würde dies definitionsgemäß zu einer Veränderung der terroirspezifischen Faktorkombination führen, sobald eine Variation der anthropogenen Komponente eintritt. Solche Variationen könnten beispielsweise durch Abänderung von Produktionstechniken aufgrund technischen Fortschritts oder durch personelle Umstrukturierungen innerhalb von Betrieben eintreten. Dies könnte im Extremfall zu einer wiederholten, kurzfristigen Veränderung von Terroirs führen, was definitionsgemäß in Änderungen der organoleptischen Ausprägung der Weine resultiert. Dies würde ein Verlust der Typizität bedeuten, was nicht mit der Grundauffassung des Terroirkonzeptes vereinbar ist. Somit umfasst in dieser Forschungsarbeit Terroir in Anlehnung an die Definition von Laville (1990) [178] die Gesamtheit aller Standortfaktoren, die sich nicht ohne größeren technischen oder finanziellen Aufwand modifizieren lassen. Die Terroirausprägung eines Weines wird demzufolge definiert als die in einem Wein erfassbare sensorische und chemische Dimension der Wechselwirkungen zwischen der Rebe, den geologischen und pedologischen Standortkomponenten, der Topographie und den geländespezifischen Klimaverhältnissen. Obwohl der Mensch als Terroirkomponente ausgeschlossen wird, kann Terroir nicht isoliert vom Menschen betrachtet werden, da die Terroirausprägung in Weinen durch weinbauliche und kellertechnische Maßnahmen unterstrichen oder auch überlagert werden kann.

38 6 Einleitung 1.2 Literaturübersicht und theoretische Hintergründe Klassifizierung von Weinen anhand ihrer geographischen Herkunft Studien aus der neuen Welt Zahlreiche Studien haben erfolgreich Beziehungen zwischen der geographischen Herkunft und der sensorischen Ausprägung sowie der Zusammensetzung von Weinen nachgewiesen, wobei Aromengehalte, die weinchemische Zusammensetzung, das Spurenelement-Muster oder das Aminosäurespektrum der Weine untersucht wurden. So konnten bei Untersuchungen mit 28 kommerziell erhältlichen Spätburgundern aus den kalifornischen Anbaugebieten Carneros, Napa und Sonoma anhand 14 sensorischer Attribute die Carneros-Weine von denen aus Napa und Sonoma klar differenziert werden [126]. Während Heymann und Noble (1989) anhand elf sensorischer Attribute bei 21 Cabernet Sauvignon-Weinen zwischen vier kalifornischen Anbaugebieten (Napa, Sonoma, Southern und Lake) unterscheiden konnten [144], gelangen Noble und Shannon (1987) keine Differenzierung zwischen kalifornischen Anbaugebieten bei Zinfandel-Weinen der Jahrgänge 1980 und 1981 [240]. Eine mögliche Ursache könnte in den stark unterschiedlichen Ethanolgehalten der Weine liegen, die zwischen 12,7 % vol. und 15,7 % vol. variierten. Der Gehalt an Ethanol beeinflusst maßgeblich die gustatorische Wahrnehmung [103] sowie den Übergang von Aromastoffen aus der Weinmatrix in den Dampfraum [101], wo sie sensorisch wahrgenommen werden können. Stark variierende Ethanolgehalte verfälschen somit die sensorische Analyse. Auch bei 20 kommerziell erhältlichen 1986er Cabernet Sauvignon-Weinen aus sechs Anbaugebieten des Napa Valleys konnten anhand sensorischer und weinchemischer Daten mittels Hauptkomponentenanalyse (PCA) (siehe Kapitel ) keine Gruppierungen anhand der Herkunft erkannt werden (Spears, 1990; Noble et al., 1990, beide zitiert in [310]), jedoch bildeten sich regionale Gruppierungen bei der PCA auf Basis aromachemischer Daten dieser Weine aus [310]. Bei der Durchführung einer Diskriminanzanalyse (siehe Kapitel ) konnten die Weine anhand von sechs Aromakomponenten korrekt klassifiziert werden. Allerdings erfolgte die Wahl dieser Komponenten lediglich aufgrund ihres Beitrags zur Differenzierung zwischen den Proben und nicht anhand ihrer Relevanz für die tatsächliche sensorische Ausprägung der Weine [310]. Kwan und Kowalski (1980) gelang es ebenfalls, 40 Spätburgunder-Weine aus Frankreich, Kalifornien und dem pazifischen Nordwesten der USA anhand aromachemischer Daten korrekt ihrer Herkunft zuzuordnen. Hier trugen 1-Hexanol sowie Cyclohexan zur Differenzierung zwischen den französischen und amerikanischen Proben und p-hydroxybenzaldehyd sowie 2-Phenylethanol zur Differenzierung zwischen den kalifornischen Weinen und denen aus dem pazifischen Nordwesten in besonderem Maße bei [175]. Bei der Kombination von Aroma- und Mineralstoffgehalten zeigte sich mittels PCA für 41 Chardonnay-Weine und Johannisberg Rieslinge aus Kalifornien und Ohio eine deutliche Gruppierung anhand ihrer Herkunft [185]. Signifikante regionale Unterschiede konnten für 41 kommerziell erhältliche Rotweine aus verschiedenen Regionen der Niagara-Halbinsel (Lakeshore, Lakeshore Plain und Bench) auf der Basis von Varianzanalysen und Hauptkomponentenanalysen der weinchemischen Zusammensetzung nachgewiesen werden. Auch mit Ergebnissen der de-

39 Literaturübersicht und theoretische Hintergründe 7 skriptiven Analyse dieser Weine konnte für eine Reihe von Geruchsattributen mittels einer Varianzanalyse signifikante regionale Besonderheiten gezeigt werden, die in einer Diskriminanzanalyse bestätigt wurden [171]. Bei ähnlichen Untersuchungen mit 24 kommerziell erhältlichen Chardonnay-Weinen aus den erwähnten Regionen der Niagara-Halbinsel sowie drei nicht-kanadischen Chardonnays konnten zwar subtile Variationen der regionalen Herkünfte mittels PCA gezeigt werden, jedoch gelang es nicht, diese Weine anhand ihrer Herkunft zu klassifizieren [297]. Dies dürfte auf den Ausbau der Weine zurückzuführen sein, der mit oenologischen Verfahren wie biologischem Säureabbau oder Barrique-Lagerung die lagenspezifische Aromenausbildung überlagern könnte. Reynolds et al. (1996) gelang es, über vier Jahrgänge hinweg regionale Unterschiede im Terpenmuster sowie der sensorischen Ausprägung bei Gewürztraminer-Weinen aus drei Anbauregionen des Okanagan Valley in British Columbia herauszuarbeiten [280]. Deutsche und kanadische Eisweine der Rebsorte Riesling konnten mittels PCA aufgrund ihrer sensorischen Profile sowie ihrer aromen- und weinchemischen Zusammensetzung deutlich voneinander differenziert werden [56]. In einer weiteren Studie konnten 14 kommerziell erhältliche Rieslinge aus den Gebieten Niagara Plains und Beamsville Bench sehr gut auf Basis ihrer Sensorik der regionalen Herkunft mittels PCA sowie Diskriminanzanalyse zugeordnet werden [74]. In kanadischen Studien wurden ebenso die Zusammenhänge zwischen der geographischen Herkunft und dem Mineralstoffgehalt von Weinen untersucht. So gelangen es Greenough et al. (1997), erfolgreich eine Beziehung zwischen der elementaren Zusammensetzung von Weiß- und Rotweinen aus dem Okanagan Valley sowie den Lagen, aus denen sie stammten, nachzuweisen [122]. Ähnliche Resultate wurden für 162 kommerziell erhältliche Weiß- und Rotweine aus den kanadischen Anbaugebieten Nova Scotia, Quebec, Ontario, (Niagara und Pelee Island) sowie British Columbia (Okanagan und Vancouver Island) erbracht, die sich anhand von 20 Spurenelementen mit einer Treffsicherheit von mehr als 90 % regional klassifizieren ließen [123]. Auf Basis der Gehalte von zehn Spurenelementen ließen sich 95 Weine ihren Herkunftsgebieten Okanagan Valley und Niagara Peninsula zu 100 % korrekt zuordnen [333]. Diese Beobachtungen wurden von südafrikanischen Studien mit ebenfalls hoher Treffgenauigkeit bestätigt. So gelang es, Weine der Anbaugebiete Stellenbosch, Robertson, und Swartland zu 100 % korrekt anhand ihres Spurenelement-Musters zu differenzieren [57]. Weitere Studien dieser Art umfassen die regionale Abgrenzung von 27 Cabernet Sauvignon und Sauvignon blanc-weinen der Gebiete Paart Valley und Stellenbosch [213] sowie die regionale Klassifizierung von Pinotage, Shiraz, Merlot, Cabernet Sauvignon, Sauvignon blanc, Chardonnay sowie Chenin blanc-weinen aus Anbaugebieten der Western Cape Provinz [215]. Keine regionalen Unterschiede konnten zwischen den Gebieten Paarl, Stellenbosch und Swartland anhand der weinchemischen Zusammensetzung von Cabernet Sauvignon, Pinotage und Shiraz-Weinen gezeigt werden [214]. Auch Angus, O Keeffe et al. (2006) gelang es, mittels Diskriminanzanalyse 120 neuseeländische Rotweine anhand ihrer Gehalte an neun Spurenelementen einem von sieben Herkunftsgebieten mit einer Genauigkeit von 80,8 % zuzuordnen [8].

40 8 Einleitung Europäische Studien In einer Reihe spanischer Studien konnten Beziehungen zwischen dem Aromaprofil sowie der Zusammensetzung von Weinen und ihrer geographischen Herkunft gezeigt werden. Anhand ihrer sensorischen Ausprägung konnte bei 67 Mencía-Weinen in einer PCA zwischen fünf Bereichen des galizischen Anbaugebietes Ribeira Sacra differenziert werden [358]. Sieben Geruchsnoten, drunter getoastet und laktisch, wurden in dieser Untersuchung als signifikant variierend ausgewiesen. Jedoch sollten die beiden genannten Attribute nicht einem regionalen Einfluss auf die Wein-Aromaprofile zugeordnet werden, da sie vielmehr oenologische Verfahren wie Ausbau in getoasteten Barriques und biologischen Säureabbau wiedergeben, von denen nicht angenommen werden kann, dass sie innerhalb eines Anbaugebietes stark variieren. Auch bei Weinen der Rebsorte Albariño konnte in einer PCA eine Gruppierung zwischen verschiedenen Bereichen der galizischen Region Rías Baixas anhand sensorischer Daten gezeigt werden [359]. Aromachemische Untersuchungen von 12 Albariño Weinen wiesen ebenfalls deutliche Unterschiede zwischen der geographischen Herkunft der Weine aus: so zeichneten sich Weine aus Nord-Galizien durch höhere Geraniol- und Benzyl- Alkoholgehalte aus, während die Weine aus dem südlichen Galizien höhere Gehalte an Nerol, Linalool und 2-Phenlyethanol aufwiesen. Insgesamt wurden die Weine aus dem Süden im Vergleich zu denen aus dem Norden als heterogener eingestuft [360]. Auch bei Mencía-Weinen der galizischen Anbaugebiete Ribeira Sacra und Monterrei wurden aromachemische Analysen durchgeführt, bei denen von 67 flüchtigen Substanzen die neun Komponenten trans-3-hexenol, 1-Butanol, 2-Methylpropanol, Ethylacetat, Hexylacetat, Butansäure, γ-butyrolacton, Methionol und N-(2-hydroxy-ethyl)-acetamid als regional signifikant unterschiedlich ausgewiesen wurden. Diese führten bei einer anschließenden PCA zur geographischen Gruppierung der Weine [41]. Ferreira et al. (1996) [98] führten an 72 spanischen Rot-, Weiß- und Rosé-Weinen aus verschiedenen Anbaugebieten Aromaanalysen durch. Sie kamen zu dem Schluss, dass die aromachemische Zusammensetzung von Weinen zur Identifikation der Herkunft herangezogen werden kann, wobei besonders die Aromakomponenten aus der Peroxidation ungesättigter Fettsäuren sowie die, die in Beziehung mit dem Aminosäurestoffwechsel der Hefen stehen, herkunftsspezifisch variieren. Auch Forcen et al. (1993) [109] schlussfolgerten bei ihren Untersuchungen von 38 mallorkinischen Weinen der Sorten Manto Negro und Callet, dass ausgewählte Aromakomponenten, insbesondere 2-Phenylactetat, 3-Methylbutylacetat, cis-3-hexen-1-ol und trans-2-hexen-1-ol, zur Identifizierung der Herkunft von Weinen dienlich sind. Analysen der Gehalte an Ethanal, Ethylacetat und einer Reihe von Alkoholen von 153 Weiß-, Rot-, und Rosé-Weinen aus unterschiedlichen Anbaubereichen auf vier kanarischen Inseln führten zu keiner Differenzierung zwischen den einzelnen Bereichen, jedoch konnte ein Einfluss der Herkunftsinsel beobachtet werden [72]. Aromachemische Analysen in Kombination mit physiko-chemischen Weinuntersuchungen führten in einer PCA zu einer regionalen Differenzierung von Chardonnay-, Garnacha- und Macabeo-Weinen aus den Anbaugebieten Aragon und Navarra. Bei einer anschließenden Diskriminanzanalyse trugen besonders eine Reihe von Alkoholen, darunter Methanol, 2-Methylpropanol, 2,3- Butandiol und Glycerin, zu einer Klassifikation anhand der Herkunft bei [236]. Auch anhand physiko-chemischer Parameter alleine konnten regionale Unterschiede zwischen 46 mallorkinischen Mosten und Weinen der Sorten Manto Negro, Callet und Fogoneu

41 Literaturübersicht und theoretische Hintergründe 9 gezeigt werden [230]. Obwohl die Polyphenol-Zusammensetzung von Weinen nicht nur von klimatischen und pedologischen Parametern geprägt wird, sondern auch von weinbaulichen und oenologischen Faktoren sowie dem Reifegrad der Weine (Shahidi & Naczk, 1995, zitiert in [285]), konnten bei 55 kanarischen Listán negro-weinen Beziehungen zwischen dem Gehalt verschiedener Polyphenole und der regionalen Herkunft etabliert werden [285]. Die Gehalte der phenolischen Verbindungen Delphinidin und Epicatechin sowie der Elemente Fe, Li und Rb erlaubten es in einer anderen Studie, 39 galizische Rotweine anhand ihrer Herkunft in die Kategorien Ribeira Sacra und nicht- Ribeira Sacra einzuordnen [273]. Pérez-Trujillo et al. (2003) gelang es, 153 kanarische Rot-, Weiß- und Rosé-Weine mit Hilfe einer Diskriminanzanalyse und neuralen Netzwerken anhand der Gehalte an 23 Spurenelementen regional zu klassifizieren. Das Modell des neuralen Netzwerkes wurde mittels leave-one-out Kreuz-Validierung überprüft, in der alle Proben außer einem Wein korrekt zugeordnet werden konnten [256]. Bogoni und Mela (1997) konnten in Hauptkomponentenanalysen bei Sangiovese und Cabernet Sauvignon-Weinen des toskanischen Anbaugebietes Bolgheri über drei Jahrgänge hinweg zwischen verschiedenen Lagen auf Basis sensorischer Analysen unterscheiden. Dabei dienten die Attribute frische Beerenfrüchte, Beerenkonfitüre, würzig, blumig, animalisch, Mundgefühl, alkoholisch, Körper und Farbintensität zur Differenzierung der Sangiovese-Weine und die Deskriptoren frische Beerenfrüchte, Beerenkonfitüre, würzig, Leder, Mundgefühl, Abgang und alkoholisch zur Unterscheidung der Cabernet Sauvignon-Weine [32]. Während bei fünf toskanischen Chianti-Weinen aromachemischen Unterschiede, insbesondere bei den Komponenten Ethyloctanoat, γ-butyrolacton und Ethylhexanoat, zwischen Anbauregionen aufgezeigt werden konnten [95], bedurfte es bei venezianischen Weißweinen elf Alkoholen und flüchtiger Säuren, um sie in einer Diskriminanzanalyse zu 94,9 % korrekt ihren Herkunftsgebieten zuzuordnen [221]. Auch Ballabio et al. (2006) konnten regionale Unterschiede in der weinchemischen Zusammensetzung von 48 Barbera-Weinen aus verschiedenen Anbaugebieten Piemonts und der Lombardei ausweisen [22]. Für griechische Weine der Sorten Aghiorghitiko und Xinomavro sowie nicht-griechische Shiraz und Cabernet Sauvignon-Weine wurden mittels Varianzanalysen, Hauptkomponentenanalysen und Diskriminanz-Partial-Least-Squares Regression Beziehungen zwischen Sensorik und Herkunft der Weine etabliert [174]. Sensorische Untersuchungen in Kombination mit aromachemischen Analysen führten in einer PCA zu einer klaren Auftrennung von griechischen Rotweinen in die Herkunftsgruppen ägäische / ionische Inseln, Nordgriechenland und Südgriechenland [158]. Auch anhand des Aminosäurespektrums konnten 42 griechische Weißweine verschiedener Rebsorten ihrer Herkunft zugeordnet werden [326]. Anhand der Mineralstoffgehalte von 53 tschechischen Weinen konnte erfolgreich zwischen verschiedenen Anbaugebieten unterschieden werden [328]. Ebenso konnten 393 Weine aus Ungarn, Rumänien, der tschechischen Republik sowie Süd-Afrika anhand ausgewählter chemischer Parameter, insbesondere Isotopen-Verhältnissen und den Gehalten an Spurenelementen, ihrem Herkunftsland erfolgreich zugeordnet werden [44]. Slowenische Weine konnten ebenfalls anhand ihrer Isotopen-Verhältnisse in drei verschiedene Herkunftsgruppen eingeordnet werden [172].

42 10 Einleitung Anhand von Aromaanalysen bei 59 österreichischen Weinen der Sorte Grüner Veltliner konnte in Diskriminanzanalysen und neuronalen Netzwerken mit hohen Trefferquoten die Herkunft der Weine erkannt werden, wobei die Klassifizierung anhand von Fermentationsaromen erfolgte [301]. Mit einer Kombination von Isotopen-Verhältnissen, Mineralstoffen sowie weinchemischen Parametern Schweizer Weine aus zwei Jahrgängen konnten die Anbaugebiete Tessin, Valais, Romandie, Alemanique sowie Graubünden deutlich voneinander abgegrenzt werden [124]. Auch in zahlreichen französischen Studien wurde der Einfluss der Herkunft von Weinen auf ihr Aromaprofil und ihre Zusammensetzung nachgewiesen. So konnten bei Cabernet Franc-Weinen der Regionen Saumur, Bourgueil und Chinon über mehrere Jahrgänge hinweg wiederholt Beziehungen zwischen ihrem sensorischen Profil und ihrer Herkunft etabliert werden [18, 223, 224]. Bei sensorischen Untersuchungen von 30 Rotweinen aus Anbaugebieten Bordeaux, Burgund, Beaujolais und Rhône zeigten 15 von 17 Attributen signifikante Variationen zwischen den Gebieten. In einer anschließenden PCA konnte zwischen verschiedenen Herkunftsgruppen unterschieden werden [314]. In einer späteren Studie wurden 22 dieser Weine wiederholt sensorisch bewertet und darüber hinaus auf ihre physiko-chemische sowie aromachemische Zusammensetzung hin untersucht. Wieder gelang es bei Hauptkomponentenanalysen sowie Diskriminanzanalysen, die Weine anhand ihrer Herkunft korrekt in vier Gruppen einzuteilen. Während die Klassifizierung anhand chemischer Parameter mit einer Trefferquote von 81,8 % erfolgte, lag die Trefferquote bei alleinigem Einbezug sensorischer Daten bei lediglich 63,3 %. Mögliche Ursachen wurden in der Wahl unzulänglicher Attribute zur sensorischen Beschreibung der Weine sowie unzureichendem Training der Prüfer gesehen [315]. Elsässische Gewürztraminer aus fünf verschiedenen Lagen konnten anhand ihrer sensorischen Profile und ihren Terpen- und Phenolgehalten erfolgreich statistisch voneinander abgegrenzt werden [73]. Umfangreiche Studien zur geographischen Klassifizierung wurden von Etiévant, Schlich et al. (1989) an 34 Weinen der Sorten Cabernet Franc, Cabernet Sauvignon, Grenache, Carignan, Merlot und Cinsault aus den Gebieten Narbonne, Bordeaux und Angers durchgeführt. Sie konnten diese Weine anhand ihrer Säurestruktur klar klassifizieren. Dabei trugen 2- Hydroxyglutarsäure und Weinsäure besonders zur Differenzierung bei [88]. Allerdings werden die Gehalte dieser Säuren sehr von kellertechnischen Maßnahmen beeinflusst, die zwischen den Anbauregionen variieren können. Auch anhand ihrer Anthocyan- und Flavonoid-Muster konnten die Weine ihren Herkunftsregionen zugeordnet werden. So wiesen Cabernet Sauvignon und Merlot-Weine aus der Nähe von Bordeaux eine weniger intensive Färbung sowie höhere Malvidin-3-Acetylglucosid-Gehalte auf als solche aus der Region Narbonne. Merlot, Cabernet Sauvignon und Cabernet Franc-Weine aus südlichen Gebieten enthielten mehr Catechin, Epicatechin sowie Myricetin als jene aus nördlichen Regionen [86]. Die Gehalte an Spurenelementen, Aminosäuren sowie aromatischen Alkoholen konnte ebenfalls erfolgreich zur Klassifizierung dieser Weine herangezogen werden, wobei allerdings oenologische Verfahren sowie die Rebsorte als einflussnehmend auf das Aminosäuremuster der Weine genannt wurden [87]. Anhand der Gehalte an Spurenelementen und Stabilisotopen konnten 165 Traubenproben und Weine der Regionen Elsass, Burgund, Beaujolais und Loiretal [68] sowie Cabernet Franc-Weine mehrerer Jahrgänge aus verschiedenen Lagen der Region Saumur- Champigny mit hoher Zuverlässigkeit ihrer Herkunft zugeordnet werden [69].

43 Literaturübersicht und theoretische Hintergründe 11 In den Untersuchungen von Freiherr von Schenk zu Tautenburg (1998) konnten keine klaren Unterschiede in der sensorischen Ausprägung von Rieslingen aus sechs Bereichen des Rheingaus gezeigt werden [111]. Allerdings weisen die von ihm durchgeführten sensorischen Analysen einige Schwächen auf: so wurde auf eine differenzierte Beschreibung der Weine zugunsten des 5-Punkte Schemas verzichtet, bei dem ausgewählte Parameter auf einer Skala von 0 (ungenügend, fehlerhaft) bis 5 (hervorragend) bewertet werden. Somit fand lediglich eine Beurteilung des Geruchs als Ganzes, des Geschmacks mit den Unterpunkten Säure, Fruchtaroma, Körper, Abgang sowie der Harmonie statt. Zusätzlich ins Prüfschema aufgenommen wurden die vermutliche Herkunft und der Geschmackstyp der zusammenfassend in Schieferton, intermediärer Typ sowie Boden- oder Lettenton ([111], S.179) untergliedert wurde. Aufgrund zum Teil subtiler regionaler Variationen im Aromaprofil stellt diese Bewertungsweise ein zu grobes Raster dar und lässt den Prüfern Raum für individuelle Interpretation, da außer bei der vermutlichen Herkunft keine Geruchs- und Geschmacksreferenzen angeboten wurden. Darüber hinaus wurden in der sensorischen Analyse des ersten Versuchsjahrgangs die Weine ausschließlich als Fassweinproben bewertet, was zu einer Verfälschung der sensorischen Beurteilung führen kann, beispielsweise durch unterschiedliche Kohlensäuregehalte, wie sie oft bei Jungweinen beobachtet werden. Die Verkostung des zweiten Versuchsjahrgangs erfolgte, nachdem die Weine bereits drei Jahre auf der Flasche gelagert wurden. Die Bildung von Alterungsnoten während dieser Reifeperiode wurde von den Prüfern als störend empfunden und schlug sich somit negativ auf die Resultate nieder. Des Weiteren wurden lediglich zwei Termine für die Bewertung der Proben angesetzt, was bei einem Probenumfang von 48 bzw. 26 Proben pro Jahrgang im Hinblick auf die Konzentrationsfähigkeit der Prüfer als unzureichend erscheint. Darüber hinaus schienen die Prüfer vor der Probenbewertung kein Training durchlaufen zu haben. Für Rheingauer Riesling aus sechs Anbaubereichen konnte auf der Basis einer Varianzanalyse der Ergebnisse einer deskriptiven Analyse nachgewiesen werden, dass der Jahrgang und der Erzeugerbetrieb eine stärkere sensorische Veränderung herbeiführen, als unterschiedliche Lagen [106]. Allerdings wurden in dieser Studie die Weine der beiden Jahrgänge zum gleichen Zeitpunkt bewertet, d.h. die Proben des früheren Jahrgangs waren ein Jahr älter. Somit ist zu erwaten, dass das Aroma der älteren Weine deutlich mehr von Reifenoten geprägt war als das der jüngeren, was den sensorischen Unterschied zwischen den untersuchten Jahrgängen verstärkt. Bei ersten Auswertungen zu der vorliegenden Studie konnte in einer Diskriminanzanalyse der Ergebnisse einer deskriptiven Analyse bei Pfälzer Rieslingen des Jahrgangs 2004 eine deutliche Gruppierung nach den Ausgangsgesteinen ihrer Herkunftslagen gezeigt werden [107]. Anhand ihrer aromachemischen Zusammensetzung, ihres Säurespektrums sowie ihres Aminosäuremusters konnten 25 Rieslinge und 20 Müller-Thurgau-Weine aus dem Rheingau, der Rheinpfalz und von der Mosel voneinander differenziert werden [191]. In einer anschließenden Untersuchung wurden 51 Rieslinge auf Basis ihrer Spurenelement-Gehalte korrekt ihren Herkunftsregionen Rheinpfalz bzw. Mosel zugeordnet [191].

44 12 Einleitung Beziehungen zwischen verschiedenen Umweltfaktoren und der Zusammensetzung von Weinen sowie ihrer sensorischen Ausprägung Einfluss pedologischer Faktoren Die Beziehungen zwischen Boden und Weinzusammensetzung sind umstritten (Pomerol (1989) zitiert in [294, 368]). Boden ist ein komplexes System aus vielen Faktoren, die aufgrund hoher Interaktion nicht voneinander losgelöst betrachtet werden können. Dies, zusammen mit der Schwierigkeit, den möglichen Bodeneinfluss auf die Zusammensetzung und Qualität von Trauben bzw. Weinen im Standortkomplex Klima- Boden-Topographie isoliert zu untersuchen [26, 308], könnte als Ursache für die nur geringe Anzahl der vorliegenden Berichte [368] und deren zum Teil kontradiktorische Aussage zum Einfluss spezifischer pedologischer Faktoren auf den Weincharakter gesehen werden. Von einigen Autoren wurde eine mögliche Beziehung zwischen dem Boden und dem sensorischen Profil von Weinen bestritten. In einer sechsjährigen Studie mit den Rebsorten Riesling, Clare Riesling und Shiraz in den australischen Gebieten Barossa und Eden Valley konnte Rankine (1971) [267] zwar subtile Variationen in Most- und WeinpH sowie deren Gehalte an Gesamtsäure, Natrium und Chlorid zwischen zwei Böden erkennen, jedoch zeigten die Weine keine signifikanten Unterschiede in ihrem Aromaund Geschmacksprofil. Er schloss somit, dass der Boden keinen Effekt auf die Weinqualität hat. Allerdings wies die sensorische Untersuchung der Weine in dieser Studie sehr große Schwächen auf: Statt einer detaillierten deskriptiven Analyse mit einer Reihe von Geruchs- und Geschmacksattributen erfolgte lediglich die Bewertung des Aromas und des Geschmacks als Ganzes auf einer Skala von eins bis zehn. Als Referenzstandards wurden für jede Rebsorte zwei zuvor bewertete kommerziell erhältliche Weine der gleichen Rebsorte gereicht. Mit einer solchen Methode ist eine objektive Bewertung der Proben nicht gewährleistet. Zwar wird den Prüfern die Einteilung des Skalenbereichs verdeutlicht, jedoch bleibt es ihnen überlassen, auf welche Aspekte des Aromas bzw. Geschmacks sie ihre Bewertung basieren. Zudem versagt diese Methode bei der Beschreibung von Gemeinsamkeiten bzw. Unterschieden im Bouquet und Geschmack der Weine, was Schlussfolgerungen über den Einfluss des Bodens auf die Weine erst ermöglicht. Darüber hinaus bestanden die eingesetzten Prüferpanels aus lediglich fünf Personen, von denen nicht bekannt ist, ob sie vor der Bewertung der Weine eine Trainingsphase durchliefen. Zudem ist nicht ersichtlich, ob die Weine in Wiederholung verkostet wurden. Ein marginaler Einfluss des Bodens auf die sensorische Ausprägung von Weinen wurde auch für deutsche Silvaner und Müller-Thurgau-Weine berichtet [21, 363], die aus einem Lysimeterversuch unter identischen Klimabedingungen von Böden aus sieben verschiedenen Substraten stammten. Darüber hinaus zeigten sich beim Vergleich dieser Weine mit den Weinen von Reben der Ursprungsstandorte deutliche Unterschiede, was die Schlussfolgerung eines minimalen Bodeneinflusses auf die Weinsensorik untermauerte [21]. Trotz des großen Aufwandes der Lysimeterinstallation und des mehrere Jahre umfassenden Untersuchungszeitraums weisen diese Studien ebenfalls einige

45 Literaturübersicht und theoretische Hintergründe 13 Schwächen auf. Zwar spiegelten die Bodenprofile die geologischen Verhältnisse der Ursprungsstandorte wider, doch wurden keine Bodenmonolithe für die Lysimeter ausgestochen, sondern Substrat abgegraben. Die natürliche Schichtung der Böden wurde beim Befüllen der Lysimeter beibehalten, jedoch wurde das ursprüngliche Bodengefüge während des Aufschüttens zerstört. Das Wurzelwachstum der Reben war beschränkt, da in den Lysimetern der durchwurzelbare Raum lediglich 1 m 3 betrug. Zudem war der Wasserhaushalt der Böden durch Unterbinden lateraler und vertikaler (aszendenter) Wasserbewegung beeinflusst. Somit mochten die Böden der Lysimeter aus dem gleichen Substrat bestanden haben wie die der Ursprungsstandorte, jedoch wichen die pedologischen Bedingungen, unter denen die verglichenen Reben wuchsen, voneinander ab. Darüber hinaus wurde in der Versuchsausführung kein für alle Substrate einheitliches Ertragsniveau anvisiert. Es wurden zwischen den Böden bis zu 150 % variierende Erträge verzeichnet. Da sich die Ertragshöhe auf die Zusammensetzung und das sensorische Profil von Weinen auswirkt [156], ist der sensorische Vergleich der Weine dieser Studie als äußerst problematisch anzusehen. Die sensorische Untersuchung der Weine selbst wies ebenfalls große Schwächen auf. Zwar bestand das Prüferpanel aus Experten, allerdings ist, wie in der Studie von Rankine (1971) [267], nicht ersichtlich, ob diese ein Training durchlaufen haben. Es erfolgte keine deskriptive Analyse, sondern lediglich eine hedonistische Bewertung der Weine, zu der vage Deskriptoren wie rassige oder stahlige Säure und gefälliger oder edler Geschmack vorgegeben wurden, Referenzstandards jedoch fehlten. Auch hier mussten zusätzlich Geruch, Körper und Säure auf einer Skala von eins bis neun sowie der Geschmack von eins bis zwölf als Ganzes bewertet werden. Im Hinblick dieser nicht eindeutig definierbaren Attribute blieb den Prüfern viel Raum für Subjektivität. Besonders in Frankreich wird dem Einfluss des Bodens sehr große Bedeutung zugesprochen. Diese Auffassung bildet die Hauptgrundlage des Terroir-Konzeptes, auf dem das französische AOC-System beruht [284]. Der den Bodeneinfluss auf die Weinzusammensetzung negierenden Ansicht widersprechen zudem zahlreiche Abhandlungen und Berichte zum Standortkomplex [93, 119, 288]. Der Faktorkomplex Boden lässt sich in zwei Bereiche gliedern: die physikalischen Eigenschaften und die chemischen Eigenschaften. Die Bodeneigenschaften wirken sich indirekt über ihren Einfluss auf das Rebwachstum auf die Zusammensetzung und Qualität von Weinen aus [155, 156, 308, 368] Bodenphysikalische Faktoren Ausgangsgestein In der Literatur werden Beziehungen zwischen dem Ausgangsgestein und organoleptischen Eigenschaften von Weinen beschrieben. So berichtet beispielsweise Seguin (1986) [308] für Saint-Emilion, dass Weine von sandigen Böden eine geringe Farbintensität aufwiesen, dünn und schwach im Abgang seien und nicht den Körper, die Eleganz und Finesse besäßen, die man bei Weinen vom wenige hundert Meter entfernten Kalkstein finden würde. Compagnon (1970) und Seguin (1982) (beide zitiert in [308]) sind der Auffassung, dass Weine, die unter ähnlichen Eigenschaften des Oberbodens aber auf verschiedenen Ausgangsgesteinen erzeugt würden, in ihren sensorischen Eigenschaften die Variationen des Untergrunds wiedergäben.

46 14 Einleitung Die physikalischen und chemischen Bodeneigenschaften werden stark vom Ausgangsgestein geprägt. Das Ausgangsgestein beeinflusst die Bodenbildung durch die Art seiner mineralischen Zusammensetzung, durch seine Verwitterungsstabilität sowie die Verwitterungsprodukte [296, 367, 369]. Aus Informationen über das Ausgangsgestein lassen sich häufig erste Vermutungen ableiten über Textur und Struktur von Böden, deren Wasserhaushalt und Nährstoffverfügbarkeit, den Drainageeigenschaften sowie der Gründigkeit. Beispielsweise weisen Lockergesteine (z.b. Löss) eine geringere Verwitterungsstabilität als Festgesteine (z.b. Kalkstein) auf, so dass bei Böden auf Löss eine tiefergründige Entwicklung als bei benachbarten Böden auf Kalkstein zu erwarten ist. Die Körnung ist neben der Lagerungsdichte entscheidend für die Permeabilität: Grobkörniges Bodenmaterial, beispielsweise aus der Verwitterung von Sandstein, erleichtert die Perkolation, während feinkörniges Bodenmaterial, wie z.b. aus der Verwitterung von Tongestein, oft die Permeabilität mindert und somit Wasserstau begünstigt [296]. Lagen auf kalkhaltigem Ausgangsgestein wurden wiederholt in Zusammenhang mit einer hohen Weinqualität hervorgehoben [294, 308]. Dies ist vermutlich u.a. auf die die Bodenstruktur verbessernde Wirkung von Calcium zurückzuführen, das aus der Verwitterung des Ausgangsgesteines freigesetzt wird [308, 368]. In zwei Studien wurde der Einfluss von Kalkstein auf den Zuckergehalt sowie den Gehalt an Anthocyanen bei Cabernet Sauvignon und Merlot untersucht, indem in die oberen 70 cm eines schwach sauren Bodens (ph 6,1) Kalksteinpulver und -kies in einem Mischungsverhältnis von 1:5 eingebracht und der Unterboden bis zu einer Tiefe von 1 m durch Kalksteinkies und größere Gesteinsstücke ersetzt wurde (Nagao, 1996, zitiert in [376]). Während die Zugabe von Kalkstein die Anthocyangehalte bei Cabernet Sauvignon-Trauben signifikant erhöhte, konnte bei Merlot kein deutlicher Einfluss beobachtet werden [376]. Jedoch wiesen Merlot-Trauben unter Kalksteinbehandlung deutlich höhere Zuckergehalte auf als die unbehandelte Variante (Nagao 1996, zitiert in [376]). Seguin (1986) [308] berichtet von spezifischen Ausgangsgestein-Präferenzen verschiedener Rebsorten in Hinblick auf die Erzeugung sensorisch optimaler Weine, eine Beobachtung, die bislang noch nicht überzeugend bewiesen werden konnte [156]. Dies könnte jedoch ein Erklärungsansatz für die sortenbedingten Unterschiede in der Reaktion auf die Kalksteinbehandlung sein Bodenart und Gefüge Unter der Bodenart wird die Korngrößenzusammensetzung der mineralischen Komponente des Bodens verstanden. Abb. 1-1 gibt eine Übersicht über die Einteilung der Korngrößenfraktionen, wobei zwischen dem Bodenskelett (Grobboden) mit Teilchendurchmessern von > 2 mm und dem Feinboden mit Teilchendurchmessern von < 2 mm unterschieden wird. Abb. 1-2 zeigt die Bodenarten des Feinbodens in einem Dreiecksdiagramm [296]. Tonminerale beeinflussen die chemischen und physikalischen Bodeneigenschaften maßgeblich. Durch ihren schichtförmigen Aufbau und ihre negative Ladung können sie große Mengen Kationen adsorbieren [156, 296]. Die adsorbierten Kationen können durch eine in der Ladung äquivalente Menge anderer Kationen ausgetauscht werden und in die Bodenlösung (und damit für Pflanzen verfügbar) übergehen. Die Summe der austauschbaren Kationen eines Bodens wird als Kationenaustauschkapazität (KAK) definiert und ist ein Maß für die Bodenfruchtbarkeit.

47 Literaturübersicht und theoretische Hintergründe 15 Blöcke 2 m Steine 63 mm Kies 2 mm Sand Schluff 2 µm Ton Abb. 1-1: Einteilung der Korngrößenfraktionen (abgeändert nach [296]) Die von einem Boden gegen die Schwerkraft maximal haltbare Wassermenge wird als Feldkapazität (FK) bezeichnet, die nicht nur vom Gefüge, der Profiltiefe, der Horizontabfolge sowie der organischen Substanz abhängig ist, sondern auch von der Körnung maßgeblich beeinflusst wird. Auch hier kommt den Tonmineralen eine besondere Bedeutung zu, da sie durch ihren schichtförmigen Aufbau große Mengen Wasser speichern können. Durch die starke Sorption des Wassers an den Tonmineralen ist jedoch nur ein Teil davon pflanzenverfügbar (nutzbare Feldkapazität (nfk)) [296]. Bei der Anlagerung von Wasser quellen Tonminerale, was die Infiltration und Perkolation von Wasser stark reduzieren und zu oberflächlichem Abfluss oder Wasserstau im Boden führen kann [156, 296]. Morlat und Bodin (2006) konnten einen signifikanten Einfluss des Wasserhaushaltes im Zusammenhang mit dem Tongehalt und der Profiltiefe von Böden zeigen [227]. Basierend auf Tongehalt, der Profiltiefe sowie dem Verwitterungsgrad des Ausgangsgesteins teilten sie eine Reihe von Böden im Gebiet Anjou in drei Gruppen ein: denen auf schwach verwitterten (WWR), denen auf moderat verwitterten (MWR) sowie denen auf stark verwitterten (SWR) Gesteinen, wobei Profiltiefe und Tongehalt von WWR zu SWR zunahm. Chenin und Cabernet Franc-Trauben aus der WWR-Gruppe wiesen signifikant höhere Zucker-, Gesamtphenol- und Anthocyangehalte sowie eine niedrigere Gesamtsäure im Vergleich zu denen aus der SWR-Gruppe auf. Cabernet Franc-Trauben aus der MWR-Gruppe waren denen der WWR-Gruppe sehr ähnlich. Für Chenin konnte eine deutliche Beziehung zwischen den Bodengruppen und den Gehalten an freien Aromastoffen in den Trauben etabliert werden. Der Wasserhaushalt der Bodengruppen korrelierte dabei signifikant mit der Traubenqualität.

48 16 Einleitung Abb. 1-2: Bodenarten des Feinbodens, Quelle: [296] S, s: Sand, sandig; U, u: Schluff, schluffig; T, t: Ton, tonig; L, l: Lehm, lehmig. Die Ziffern 2, 3, 4 geben innerhalb des betreffenden Feldes den Anteil der durch das Adjektiv gekennzeichneten Nebenfraktion an. Beispiel: Die Markierung entspricht Anteilen von 30 % Ton, 50 % Sand und 20 % Schluff. Der Beziehung zwischen der Korngrößenverteilung in Kombination mit anderen Bodenparametern und der Zusammensetzung bzw. sensorischen Eigenschaften von Trauben und Weinen wurde auch in einer Reihe weiterer Studien Aufmerksamkeit geschenkt. Noble (1979) [237] beobachtete bei Chardonnay-Weinen von verschiedenen sich im Tongehalt unterscheidenden Böden, dass die Chardonnays der Flächen mit größtem Tonanteil nach dreißigmonatiger Lagerung signifikant weniger oxidative Aromanoten zeigten als die übrigen Varianten. Bei Merlot und Cabernet Franc-Trauben, die von Böden gleicher Gründigkeit stammten, führte über zwei Jahrgänge hinweg ein toniger Boden - in Bestätigung der Beobachtungen von Seguin (1986) [308] und Mackenzie und Christy (2005) [193] - zu Beeren mit höherem Zucker- und Äpfelsäuregehalt als ein sandiger, steiniger Boden mit einem Grobbodenanteil zwischen 35 % und 70 %

49 Literaturübersicht und theoretische Hintergründe 17 (horizontabhängig). Ein sandiger Boden, der grundwasserbeeinflusst war, brachte die geringsten Zuckergehalte sowie die höchsten Äpfelsäuregehalte in den Beeren hervor. Neben den Bodeneigenschaften wurde der Wasserhaushalt als Ursache dieser Unterschiede angeführt [349]. Auch in der Fortsetzung dieses Versuchs über weitere vier Jahre führte der tonige Boden fortwährend zu höheren Zuckergehalten, wohingegen der sandige Boden die geringsten Anthocyangehalte in den Beeren hervorbrachte [351]. Bei Versuchen mit Cabernet Sauvignon fielen Weine von tiefgründigen schluffigtonigen Böden mit hohem Carbonatgehalt (Variante I) sowie Weine von schluffigtonigen Böden mit schlechter Drainage (Varianten A und A1) durch die höchsten Gehalte an Alkohol, Säuren und Phenolen auf im Vergleich zu Weinen von tiefgründigen Sandböden (Varianten G und F). Diese besaßen allerdings einen höheren ph-wert sowie einen höheren Anthocyangehalt. Sensorisch wiesen die Weine aus A das beste Geschmacksprofil mit einer guten Struktur und hoher Komplexität auf. Auch die Weine von I hatten durch würzige und fruchtige Noten eine hohe Komplexität. Die Weine der sandigen Böden besaßen wenig Körper. Die Weine von A1 wurden als unharmonisch mit hoher Säure und ebenfalls wenig Körper wahrgenommen (Maccarrone, 1995, zitiert in [304]). Auch Tomasi et al. (2005) [338] konnten bei Cabernet Sauvignon und Merlot von Böden mit variierendem Stein-, Schluff- und Tongehalt Unterschiede in der Traubenzusammensetzung sowie sensorische Unterschiede im Wein zeigen, die sie ähnlich van Leeuwen (1995) [349] mit dem Wasserhaushalt der Böden in Verbindung brachten. Obwohl Reynolds et al. (2007) [281] über vier Jahrgänge hinweg bei Rieslingen sensorische und weinchemische Unterschiede zwischen einem tonigen und einem sandigen Standort beobachteten, konnte kein reproduzierbarer Einfluss der Bodenart auf den Wein gezeigt werden. Sie kamen zu dem Schluss, dass die Jahrgangswitterung sowie das Alter der Weine bei der Verkostung sich mehr auf die Sensorik auswirkten als die Körnung des Bodens. Es ist zu dieser Studie hervorzuheben, dass beim sensorischen Vergleich der Jahrgänge Weine unterschiedlich langer Alterung verglichen wurden, was mögliche subtile bodenbedingte Variationen in den sensorischen Profilen mit großer Sicherheit überlagert haben könnte. Auch erfolgten die in dieser Studie durchgeführten Bodenanalysen lediglich bis zu einer Tiefe von 75 cm. Angesichts der tiefreichenden Wurzeln von Reben kann so keine Aussage über einen möglichen Einfluss darunter liegender Schichten gemacht werden, die in ihrer Zusammensetzung völlig verschieden vom Oberboden sein könnten. Die Korngrößenverteilung wirkt sich auch auf die Durchwurzelung des Bodenraumes aus. Bei Untersuchungen an Thomson seedless Reben mit Ramsey Unterlage auf einem grobkörnigen, einem mittelkörnigen und einem feinkörnigen Boden reichte das Wurzelwachstum bei grobkörniger Textur bis in 220 cm Tiefe, während die mittlere Körnungsmischung ein Wachstum bis cm erlaubte. Auf feinkörnigem Boden wurden Wurzeln in einem Bereich zwischen 60 und 120 cm verzeichnet. Die maximale Wurzeldichte lag bei grobkörniger Textur bei 0,4 mm cm -3, bei mittlerer Textur zwischen 0,8 und 1 mm cm -3 und bei feinkörnigem Boden bei 0,7-1,7 mm cm -3 [235]. Morlat (1989) [224] zeigte bei Cabernet Franc-Weinen im Loire Tal, dass auf Lagen mit hoher Weinqualität die Durchwurzelungstiefe sowie die Wurzeldichte im Oberboden höher ist als auf Lagen geringerer Qualität. Diese Beobachtung kann nicht auf etwaige Variabilitäten der verwendeten Unterlagen beruhen, sondern auf den Unterschieden zwischen

50 18 Einleitung den Böden, da die Bodeneigenschaften einen größeren Einfluss auf das Tiefenwachstum von Wurzeln haben als Unterlagen bzw. Rebsorten [319]. In der Literatur besteht die Ansicht, dass dem Gefüge eine größere Bedeutung in Bezug auf Weinqualität zukommt als der Bodenart, da es zwischen den besten Lagen beträchtliche Unterschiede im Grobboden- und Tongehalt gibt [308]. Das Gefüge beschreibt die räumliche Anordnung der mineralischen und organischen Bodenpartikel bzw. deren Zusammenschluss zu komplexen Aggregaten [156]. Es bestimmt über den Porenraum die Wasserversorgung der Reben, da die Poren den Speicher darstellen, aus dem die Reben ihren Wasserbedarf decken. Coipel et al. (2006) [58] kamen für Grenache Noir-Reben des Gebiets südliche Côte du Rhône zu dem Schluss, dass die Trauben mit dem höchsten Potential für qualitativ hochwertige Weine von Böden mit der geringsten Wasserhaltekapazität kamen, da diese Böden moderate Erträge mit hohen Zucker- und Anthocyangehalten in den Beeren hervorbrachten. Ein ähnlicher Sachverhalt wurde auch für spanische Grenache-Weine geschildert: Weine aus Lagen mit hoher Wasserhaltekapazität hatten neben einer geringeren Farbintensität niedrigere Gehalte an Gesamtphenolen und Hydroxyzimtsäure-Komponenten. Auch sensorisch bestand bei fünf von sieben Attributen ein signifikanter Unterschied zwischen Weinen von Böden mit hoher und denen von Böden mit niedriger Wasserhaltekapazität [70]. Neben der Wasserversorgung werden vom Gefüge auch die Durchlüftung sowie die Durchwurzelung des Bodenraumes beeinflusst [156, 296] Wasserversorgung Wie bereits in einigen hier aufgeführten Studien gesehen, hat die Wasserversorgung der Reben einen großen Einfluss auf die Zusammensetzung und die sensorischen Eigenschaften von Trauben und Weinen. Obwohl die Wasserversorgung hauptsächlich mit klimatischen Bedingungen assoziiert wird, hängt sie auch von der Infiltrationsrate, dem Wasserhaltevermögen des Bodens, der Höhe des Grundwasserspiegels sowie der Erschließung des Bodenraumes durch die Wurzeln ab [156, 296, 367], also weitestgehend von physikalischen Bodeneigenschaften. Maßgeblich für die Höhe der Infiltration ist die Wasserleitfähigkeit der Bodenoberfläche. Wird diese durch Zerstörung der Aggregate der Bodenoberfläche, Verschlämmung und Bildung einer Kruste herabgesetzt, ist die Infiltrationsrate stark reduziert. Das Wasserhaltevermögen von Böden wird bestimmt von der Körnung (je feinkörniger, desto höher), dem Gefüge, d.h. dem Porenvolumen und der Porengröße sowie dem Gehalt an organischer Substanz, wobei der Einfluss dieser bei feiner Verteilung dem der Tonfraktion gleicht. Je nach Wassersättigung des Bodens, der Bodenart und der Höhe des Grundwasserspiegels kann die Wasserversorgung durch kapillaren Aufstieg aus dem Grundwasserspiegel ergänzt werden [296]. Oftmals werden gut drainierende Böden mit hoher Weinqualität in Verbindung gebracht [225, 253, 307, 308]. Eine übermäßige Wasserversorgung kann bei ausreichender Nährstoffverfügbarkeit zu starkem vegetativen Wachstum führen, das sich, nach der Véraison eintretend, nachteilig auf die Farbausbildung und Qualität der Beeren in Hinblick auf Zucker-, Säure- und Aromagehalte und somit auf die sensorischen Weineigenschaften auswirkt. Bravdo et al. (1985) zeigten in Bewässerungsversuchen bei Cabernet Sauvignon, dass bei der am intensivsten bewässerten Variante eine verzögerte Zuckerakkumulation

51 Literaturübersicht und theoretische Hintergründe 19 stattfand und die Weine bei geringer Farbintensität und hohem ph als die von sensorisch geringster Qualität wahrgenommen wurden [35]. Für Cabernet Franc [205, 206, 348], Bobal [293] und Merlot [317] konnten geringere Phenol- und Anthocyangehalte bei bewässerten Varianten bestätigt werden. Während der Einfluss auf den Zuckergehalt der Beeren in der Literatur umstritten ist [54, 179, 204, 205], wurden bei bewässerten Varianten deutlich höhere Äpfelsäuregehalte (Bobal und Cabernet Franc) und signifikant reduzierte Weinsäuregehalte (Bobal) in den Beeren beschrieben [293, 348]. Auch bei Cabernet Sauvignon wiesen Weine aus bewässerten Varianten einen höheren Äpfelsäuregehalt sowie höhere ph-werte auf [266]. Diese Beobachtungen konnten jedoch von Sivilotti et al. (2005) [317] nicht bestätigt werden, die keine Unterschiede in den Gehalten an Zucker und Gesamtsäure sowie dem ph in Merlot-Beeren aus verschiedenen Bewässerungsvarianten fanden. Signifikante sensorische Unterschiede wurden bei Cabernet Sauvignon-Weinen aus einem kalifornischen Bewässerungsversuch gezeigt: während die minimal bewässerten Varianten höhere Wertungen bei den Attributen Brombeere, Marmelade / gekochte Beere, Dörrobst / Rosine sowie fruchtiger Geschmack erhielten, fielen die Weine der stärker bewässerten Varianten durch vegetative Aromen sowie hohe Adstringens auf [49]. Eine leicht defizitäre Wasserversorgung steigerte bei Sauvignon blanc den Gehalt an Aromastoffvorläufern [54, 259]. Während Bewässerung bei Riesling die Bildung von freien Terpenen während der Reife zu verschiedenen Probenahmeterminen nicht beeinflusste, wurde die Bildungsrate von gebundenen Terpenen, die während der Vinifikation freigesetzt werden und einen bedeutenden Beitrag zum Aroma leisten, signifikant reduziert [207]. Tab. 1-1 zeigt die Schwellen unterschiedlicher Wasserversorgungsstufen. Tab. 1-1: Schwellen verschiedener Wasserversorgungsstufen (abgeändert nach [303]) Wasserversorgung zu hoch adäquat (kein Stress) moderater Stress starker Stress Blattwasserpotential in der Pflanze [MPa] -0,03 bis -0,1-0,1 bis -0,2-0,2 bis -0,5 < -0,5 Zur Bestimmung der Wasserversorgung können Messfühler in den Boden eingebracht werden, die auf der Abhängigkeit der Weitergabe von Impulsen verschiedenster Art im Boden vom Wassergehalt beruhen. Dazu werden die Wärmeleitfähigkeit, die elektrische Leitfähigkeit, die Neutronendiffusion oder die Schwächung von γ-strahlen als Messgrößen herangezogen [296, 367]. Da diese Methoden allerdings nicht das für die Reben verfügbare Bodenwasser über den gesamten durchwurzelten Raum erfassen können, ist die Bestimmung der Wasserversorgung direkt an der Rebe der zuverlässigere Weg. Dazu wurde bereits vielfach die so genannte Scholander Druckkammer eingesetzt [53, , 248, 302, 348], die in Kapitel 2.6 näher beschrieben wird.

52 20 Einleitung Bodenchemische Faktoren Die chemischen Eigenschaften des Bodens werden als weniger wichtig angesehen in Bezug auf die Trauben- und Weinqualität als die bodenphysikalischen Eigenschaften (Scienza et al., 1992, zitiert in [304]). Zwar konnten, wie bereits beschrieben (Kapitel 1.2.1), in zahlreichen Studien Weine aufgrund ihrer Mineralstoffgehalte korrekt ihren Herkunftsgebieten zugeordnet werden, jedoch fehlt bislang der Nachweis, inwiefern Elemente aus der Bodenmatrix direkt die Gehalte an wertgebenden Weininhaltsstoffen beeinflussen [217, 308, 368]. Saxton (2002) [294, 295] stellte die Bedeutung von Calcium (Ca) heraus, indem sie eine maximierte Ca-Aufnahme in Böden aus kalkhaltigen Ausgangsgesteinen in Verbindung mit einer deutlicheren Terroirausprägung der Weine brachte. Dies steht in Kontrast mit den Aussagen von Smart (2002, zitiert in [368]), der, die Arbeit von Seguin (1986) [308] interpretierend, folgerte, dass die besten Crus Bordeaux auf sauren, kieshaltigen Böden zu finden sind. Vorläufige Auswertungen zu der hiesigen Forschungsarbeit deuten ebenfalls an, dass eine deutliche Terroirausprägung in Weinen unabhängig des Ca-Gehaltes der Bodenmatrix ist, da auch Weine, die von kalkfreien Böden auf verschiedenen Ausgangsgesteinen stammten, sich deutlich voneinander abgrenzen ließen und ein individuelles sensorisches Profil aufwiesen [107]. Auch konnten van Leeuwen et al. (2004) in ihrer Studie keine Beziehung zwischen der Mineralstoffaufnahme der Reben, dem Bodenmineralstoffgehalt sowie der Beerenzusammensetzung finden [351]. Jedoch berichten Mackenzie und Christie (2005) [193] für Riesling-Moste aus dem australischen Eden Valley, dass die Gehalte an Zucker und Gesamtsäure klar mit einer Reihe pflanzenverfügbarer Elemente der Bodenmatrix korrelieren, darunter Ca, Strontium, Barium, Blei und Silizium. Eine logische Erklärung dieser Beziehungen fällt schwer, insbesondere bei Blei, womit angenommen werden kann, dass diese Korrelationen eher rein zufälliger Natur sein dürften [368]. Der Boden-pH-Wert wirkt sich indirekt über das Rebwachstum beeinflussende Effekte auf die Zusammensetzung und organoleptischen Eigenschaften von Weinen aus [156, 308]. So sind die Verfügbarkeit von Nährstoffen und die Mobilität toxischer Elemente ph-abhängig. Beispielsweise nehmen die Konzentrationen der Mikronährstoffe Mangan, Kupfer, Zink und Bor in der Bodenlösung mit steigendem ph-wert ab [296, 308]. Darüber hinaus beeinflusst der ph-wert über die mikrobielle Aktivität die Humusabbaurate im Boden und somit die Mineralisation von Stickstoff [296]. Die Mineralstoffzusammensetzung des Bodens wirkt ebenfalls lediglich indirekt auf wertgebende Most- und Weininhaltsstoffe. So werden bodenphysikalische Parameter wie beispielsweise die Bodenstruktur sowie der ph-wert der Bodenlösung durch das Vorhandensein von Ca beeinflusst [296], die sich wiederum wie bereits beschrieben auf das Rebwachstum auswirken. Nährelementgehalte wirken sich ebenso über das Rebwachstum, und somit indirekt, auf die Zusammensetzung und das sensorische Profil von Weinen aus. Eine besondere Bedeutung kommen Stickstoff und Kalium für die organoleptischen Eigenschaften von Wein zu. Eine defizitäre Stickstoffversorgung der Reben wird als eine der Ursachen der untypischen Alterungsnote (UTA) bei Weinen angesehen [269]. Bei Mosten mit hohen Kaliumgehalten wurden hohe ph-werte sowie Äpfelsäuregehalte beobachtet [133]. Während hohe Kaliumgehalte im Boden mit den Kaliumgehalten in zahlreichen Pflanzenteilen, insbesondere dem des Blattstiels korre-

53 Literaturübersicht und theoretische Hintergründe 21 lieren, besteht jedoch kein deutlicher Zusammenhang zwischen den Kaliumgehalten in Boden und Most [81, 228], außer bei exzessiver Kaliumversorgung (Champagnol 1984, zitiert in [155]) Einfluss topographischer Faktoren Ähnlich dem Boden wirken sich topographische Lageneigenschaften indirekt auf die Zusammensetzung und Sensorik von Weinen aus. Topographische Faktoren beeinflussen die klimatischen Verhältnisse sowie die Ausbildung verschiedener Bodeneigenschaften und wirken somit auf das Rebwachstum Drainage und Kaltluftfluss Die Drainage an Hängen ist in der Regel besser als in Ebenen oder am Talgrund [367], was zum Teil auch durch eine oft beobachtete erosionsbedingte gröbere Textur des Bodens an Hängen bedingt ist [156]. Neben verbessertem Wasserabfluss gewährleisten Hänge auch einen Abfluss von Kaltluft, ein weinbaulich wichtiger Aspekt, da dies stark abfallende Wintertemperaturen, die zu einem Erfrieren der Reben führen können, und das Risiko von Frostschäden im Frühling vermindert [118, 156, 367]. Damit einhergehend ist auch die Höhe über dem örtlichen Talgrund [156, 367] weinbaulich ausschlaggebend, da sich die hangabwärts gerichteten Kaltluftströme am Talgrund sammeln und sich dort stauen, wenn weiterer Abfluss durch Hindernisse wie dichte Baumreihen oder Bebauung gestört wird. Dies wirkt sich auf die Lufttemperatur in Mulden und an Unterhängen aus Exposition und Inklination Die Exposition und die Inklination von Hängen sind besonders in nördlichen Breiten wie z.b. in Deutschland (entsprechend umgekehrt für die Südhemisphäre) und größeren Höhen über dem Meeresspiegel wie z.b. in der Schweiz oder Norditalien weinbaulich ausschlaggebend [156]. Bei zunehmender Hangneigung trifft die Sonnenstrahlung mit steilerem Einfallswinkel auf die Erdoberfläche, was in erhöhter Lichtintensität sowie gesteigerter Erwärmung in den Flächen führt. Zum Äquator hin ausgerichtete Flächen empfangen dabei mehr Strahlungsenergie als vom Äquator abgewandte Flächen [156, 367] Höhe über dem Meeresspiegel Die Höhe über dem Meeresspiegel kann die Beerenreife und die Länge der Vegetationsperiode beeinflussen, da, abgesehen von regionalen Variationen, pro 100 m Höhenzunahme die Lufttemperatur um 0,5 C abnimmt [156]. Für Weine aus dem Trentin konnten signifikante Beziehungen zwischen der Mostzusammensetzung, insbesondere dem ph-wert sowie den Gehalten an Äpfelsäure und Kalium [93], der Gesamtsäure und dem Zuckergehalt [27] sowie den sensorischen Eigenschaften von Weinen etabliert werden [93]. In einer brasilianischen Studie konnte eine signifikante positive Korrelation zwischen den Gehalten an 2-Methoxy-3-Isobutylpyrazin von Cabernet Sauvignon-Weinen und der Höhenlage der Herkunftsweinberge nachgewiesen werden. Dies wurde mit sensorischen Ergebnissen der Studie bestätigt, die Weine aus größeren Höhen mit für Methoxypyrazine typische Paprika-Noten beschrieben, während Weine aus

54 22 Einleitung geringeren Höhen mit den Attributen rote Frucht und Marmelade positiv korrelierten [92] Einfluss klimatischer Faktoren Klimatische Lageneigenschaften wirken sich sowohl direkt als auch indirekt auf die Zusammensetzung und Sensorik von Weinen aus. Dabei können die klimatischen Bedingungen auf verschiedenen Ebenen betrachtet werden: dem Makro-, dem Mesound dem Mikroklima. Unter Makroklima wird das durchschnittliche Klima innerhalb einer Region verstanden. Beim Mesoklima werden die klimatischen Bedingungen eines kleinräumigeren Gebietes, wie z.b. einer Einzellage oder einer Parzelle, betrachtet. Es berücksichtigt lokale Abweichungen vom regionalen Klima, die beispielsweise durch topographische Gegebenheiten hervorgerufen werden. Das Mikroklima beschränkt sich auf die klimatischen Verhältnisse in der unmittelbaren Umgebung eines Rebstocks bzw. direkt innerhalb der Laubwand, die durch weinbauliche Maßnahmen wie Entblätterung oder Erziehungsform beeinflusst werden können [118, 153]. Der Einfluss klimatischer Faktoren auf wertgebende Inhaltsstoffe von Trauben und Weinen wird gegenüber der Einflussnahme des Bodens in der Literatur als dominierend beschrieben [21, 147, 217, 255, 363] Temperatur Der Temperaturverlauf wird als weinbaulich wichtigste Klimakomponente angesehen [60, 153]. Neben der regulierenden Wirkung auf den phänologischen Zyklus der Reben sowie das Ausmaß von Blüte [257] und Fruchtansatz, wirkt sich die Temperatur auf den Reifeverlauf der Beeren und somit auf die Zusammensetzung von Beeren und Wein aus [156]. Höhere Temperaturen führen in der Regel zu höheren Mostgewichten [60, 153, 155, 156], wobei Alleweldt et al. (1982) bei 25 C ein Temperaturoptimum für die photosynthetische Zuckerassimilation beschrieben [5] und Kliewer (1973) von einer %igen photosynthetischen Effizienz zwischen 18 C und 33 C berichtete, die außerhalb dieses Bereichs rapide abnimmt [167]. Während zahlreiche Studien zeigten, dass der Temperaturverlauf während der Fruchtentwicklung die Zuckerakkumulation in den Beeren stärker beeinflusst als in der Reifephase [6, 40, 132], berichten Hofäcker et al. (1976), dass der Zuckergehalt eher mit den Temperaturen während der Reife in Verbindung steht [145]. Der Gesamtsäuregehalt der Beeren weist eine zur Temperatur gegenläufige Entwicklung auf. Während der Weinsäuregehalt in den Beeren bei unterschiedlichen Temperaturregimen nahezu konstant bleibt [60], wird die Äpfelsäure während der Beerenreife temperaturbedingt dissimiliert, woraus auch erhöhte ph-werte innerhalb der Beeren resultieren [40, 59, 60, 132, 166, 361]. Kliewer (1973) zeigte in seinen Untersuchungen, dass unter warmen Witterungsbedingungen ein großer Unterschied zwischen Tages- und Nacht-Temperaturen zu verzögertem Äpfelsäureabbau führt [167]. Neben den Untersuchungen zum Temperatureinfluss auf die Beerenzusammensetzung zeigt die Literatur auch Beziehungen zwischen der Temperatur und der sensorischen Ausprägung von Weinen bzw. deren Gehalte an aromachemischen Komponenten auf. So wurden Weißburgunder-Weine aus kühlen Wachstumsbedingungen im Vergleich zu

55 Literaturübersicht und theoretische Hintergründe 23 jenen von wärmeren Standorten mit einer größeren Frische, einem stärkeren Säureempfinden und einem feineren Bouquet assoziiert, wohingegen letztere höhere Alkoholgehalte aufwiesen und oftmals als unharmonisch beschrieben wurden (Becker, 1977, zitiert in [60]). Bei kalifornischen Cabernet Sauvignon-Weinen führten kühlere Wachstumsbedingungen zu einer erhöhten Wahrnehmung vegetativer Noten, während wärmere Temperaturen die Ausbildung von Beeren-Aromen begünstigte [143]. Negative Korrelationen wurde bei Sauvignon blanc zwischen Monoterpen-Konzentrationen in Beeren, die für diese Rebsorte zwar weniger bedeutsam sind als Methoxypyrazine, und wöchentlichen Höchsttemperaturen während der Reifephase gezeigt [196, 197]. Auch die Gehalte an Methoxypyrazinen bei Sauvignon blanc waren in Beeren aus kühleren Regionen um das 10fache höher als bei jenen aus warmen Gebieten [4]. Ähnliches wurde zuvor bereits von Lacey et al. berichtet (1991) [176]. Für Cabernet Sauvignon- Weine wurde eine deutliche negative Korrelation zwischen den Gehalten an 2- Methoxy-3-Isobutylpyrazin und den Temperaturen während der Vegetationsperiode beobachtet [92] Strahlung Strahlung beeinflusst die Traubenzusammensetzung über thermische, photosynthetische oder phytochrome Effekte [320]. Bei den thermischen Effekten ist nicht nur die enge Beziehung zwischen Strahlung und Temperatur des Makro- und Mesoklimas von Bedeutung, sondern auch die mikroklimatische Ebene. So wurde bei dunklen Trauben, die unter windstillen Bedingungen voller Sonnenstrahlung ausgesetzt waren, eine Erwärmung beobachtet, die 15 C über der Umgebungstemperatur lag [320], was zu gesteigertem Metabolismus innerhalb der Beeren führt [155]. Die Erwärmung der Blätter kann, falls nicht genügend Wasser zur Transpiration vorliegt, zu reduzierten Photosyntheseraten führen [156]. Um optimal Photosynthese betreiben zu können, benötigen Reben eine photosynthetisch aktive Strahlung (PAS) von 700 Em -2 s -1. Während bei klaren Witterungsbedingungen ein PAS-Niveau von bis zu 2500 Em -2 s -1 vorliegen kann, kann der PAS-Eintrag bei Bewölkung auf bis zu 300 Em -2 s -1 abnehmen [155], was in einer reduzierten Photosyntheserate resultiert [165]. Über Photorezeptoren, so genannte Phytochrome, wird ein breites Spektrum an Prozessen innerhalb der Reben gesteuert, so auch enzymatische Vorgänge wie die Synthese und der Metabolismus von Äpfelsäure sowie die Synthese von Phenolen und Anthocyanen [156, 320]. Höhere Strahlungseinträge werden mit niedrigeren Gesamtsäure- [25, 277, 278, 321] und Äpfelsäuregehalten [156, 321], höheren Mostgewichten [156, 166, 277, 321], höheren Phenol- [25, 321] und Anthocyangehalten [25, 156, 321, 327] in Beeren sowie einer allgemein höheren Traubenqualität assoziiert [156]. Zahlreiche Untersuchungen konnten auch eine Beziehung zwischen der Strahlungsintensität und Aromastoffvorläufern bzw. Aromastoffen in Beeren nachweisen. So führte intensivere Strahlung zu erhöhten Gehalten an glykosidisch gebundenen und freien Terpenen bei Gewürztraminer [195, 279], Riesling [195, 378], Traminette [324] und Shiraz [39]. Ein ähnlicher Sachverhalt wurde auch für C 13 -Norisoprenoide bei Shiraz [39], Riesling [195] und Cabernet Sauvignon [180] berichtet. Bei Sauvignon blanc hingegen wurden bei höherem Strahlungsgenuss geringere Gehalte an 2-Methoxy-3- Isobutylpyrazin [195], der zu der sortentypischen vegetativen Aromanote beitragenden

56 24 Einleitung Komponente, gemessen und in Bestätigung dieser Resultate die Geruchsnoten vegetativ / Spargel / grüner Paprika in geringerem Maße sensorisch wahrgenommen [197] Niederschlag und Luftfeuchte Wenn der Grundwasserspiegel außer Wurzelreichweite liegt und keine Beregnung durchgeführt wird, erfolgt die Wasserversorgung der Reben ausschließlich über Niederschläge. Die Auswirkung unterschiedlicher Wasserversorgungsstufen auf die Eigenschaften von Beeren und Weinen wurden bereits in Kapitel dargestellt. Darüber hinaus führen hohe Niederschläge auch bei warmer Umgebungstemperatur zu einer verzögerten Reife [ ]. Regen sowie die damit verbundene hohe Luftfeuchtigkeit kann besonders nach der Véraison zum Aufplatzen der Beeren führen, was den mikrobiellen Infektionsdruck auf die Beeren steigert. Auch bei intakten Beerenhäuten wird unter feuchten Bedingungen eine Pilzinfektion der Beeren begünstigt, was in verminderter Weinqualität resultieren kann [153, 155, 156] Wind Neben physischer Schäden an der Laubwand [153] können regelmäßige starke Winde zu vermindertem Triebwachstum [29, 77, 332], reduzierter Blattgröße [29, 332], verringerter Anzahl an Stomata [332] sowie reduzierten Erträgen [29, 77, 168] führen. Dies könnte auf den gesteigerten Schluss der Stomata, mit dem der Wasserverlust aufgrund höherer Transpirationsraten unter windigen Bedingungen [29] reduziert wird, zurückzuführen sein, der in einer verringerten Photosyntheserate und somit einer reduzierten Zuckerassimilation resultiert [155]. Darüber hinaus wird das Meso- und Mikroklima von Lagen maßgeblich von den Windverhältnissen geprägt: durch die Verwirbelung unterschiedlich temperierter Luftschichten kann die Umgebungstemperatur deutlich unter jener liegen, die bei windstillen Bedingungen vorherrschen würde [153].

57 Auswahl der Anlagen 25 2 Material und Methoden 2.1 Auswahl der Anlagen Im Jahrgang 2004 wurden in Zusammenarbeit mit dem Verband deutscher Prädikatsweingüter (VDP) Pfalz zwölf sehr unterschiedliche Riesling-Flächen (siehe Tab. 2-1 und Abb. 7-1) ausgewählt, die in ihren geologischen und topographischen Unterschieden eine möglichst große Vielfalt im Anbaugebiet Pfalz darstellen sollten. Da ältere Anlagen mit gut ausgebildeten, tiefreichenden Wurzelsystemen klimatische Extreme besser ausgleichen können als Junganlagen und somit bei ihnen eine lagenspezifische Aromatik eher zu erwarten ist [43, 200, 308, 362], durfte keine der Testflächen jünger als zehn Jahre sein. Ein weiteres Kriterium war ein reduziertes Ertragsniveau in den Anlagen, da sich hohe Erträge aufgrund einer verzögerten Reife, höheren Säuregehalten und einer verminderten Zuckerakkumulation in den Beeren sowie einer verminderten Aromenausbildung eher negativ auf die Weinqualität auswirken [156]. Die Übereinstimmung von Unterlage und Klon in den Versuchsanlagen ließ sich nicht berücksichtigen. Tab. 7-1 im Anhang informiert über die Riesling-Klone und Unterlagen der Versuchsflächen. Die Anlagen wurden von den Betrieben regulär bewirtschaftet, d.h. die Versuchsflächen erfuhren keine spezielle weinbauliche und phytosanitäre Behandlung. Aufgrund der Zugehörigkeit des Großteils der kooperierenden Weingüter zum VDP bzw. der dem VDP assoziierten Gruppe der Jungen Talente, konnte von einer für alle Betriebe ähnlichen Bestandsführung nach den Maximen der guten fachlichen Praxis ausgegangen werden. Um dennoch mögliche Unterschiede zwischen den Betrieben in der Bewirtschaftung zu berücksichtigen, erfolgte die Wahl einiger Versuchsanlagen so, dass vom gleichen Weingut (Ökonomierat Rebholz, Geheimer Rat Dr. von Bassermann-Jordan, Pfeffingen Fuhrmann-Eymael) zwei Weinberge einbezogen wurden. Da die Betriebe in ihren Flächen die gleiche Bewirtschaftung anwenden, wird somit eine Untersuchung von lagenspezifischen Unterschieden innerhalb der Weine unter Ausschluss möglicher Abweichungen in der weinbaulichen und phytosanitären Bestandsführung durchführbar. In der Lage Forster Pechstein wurden zwei Anlagen berücksichtigt, so dass die Versuchsweine etwa den gleichen pedo-geologischen sowie klimatischen Ursprung besitzen, jedoch aus zwei Weingütern stammen, die in ihrer Bewirtschaftung variieren können. Im Jahrgang 2005 wurde die Auswahl der Versuchsflächen um 13 weitere Standorte in den Anbaugebieten Rheinhessen, Nahe, Mosel / Saar und Ahr ergänzt (siehe Tab. 2-2). Die Wahl der neuen Standorte erfolgte in Zusammenarbeit mit den Dienstleistungszentren ländlicher Raum (DLRs) Mosel und Rheinhessen-Nahe-Hunsrück nach den beschriebenen Kriterien, wobei diesmal auch die unmittelbare Nähe einer Wetterstation des Agrarmeteorologischen Messnetzes Rheinland-Pfalz (AGMEDA) Berücksichtigung fand. Während auch dort die Bestandsführung durch die bewirtschaftenden Betriebe erfolgte, wurde die Betreuung der Flächen im Rahmen des Forschungsprojek-

58 26 Material und Methoden tes von den jeweiligen DLRs übernommen. Die Lagekoordinaten dieser Versuchsparzellen können der Tab. 7-2 im Anhang entnommen werden. Tab. 2-1: Versuchsflächen in der Pfalz Einzellage Klassifizierung Weingut Sonnenberg (Schweigen) Kalkstein Scheu Kleine Kalmit (Ilbesheim) Kalkstein Kranz Kastanienbusch (Birkweiler) Rotliegend-Brekzie Ökonomierat Rebholz Im Sonnenschein (Siebeldingen) Sandstein Ökonomierat Rebholz Altenforst (Burrweiler) Grauwacke Rudi Möwes Idig (Königsbach) Kalkstein A. Christmann Kieselberg (Deidesheim) Sandstein Geheimer Rat Dr. von Bassermann-Jordan Pechstein (Forst) Basalt Geheimer Rat Dr. von Bassermann-Jordan Pechstein (Forst) Basalt Dr. Bürklin-Wolf Herrenberg (Ungstein) Kalkstein Pfeffingen Fuhrmann-Eymael Weilberg (Ungstein) Kalkstein Pfeffingen Fuhrmann-Eymael Heiligenkirche (Bockenheim) Kalkstein Ludi Neiss Tab. 2-2: Standorte an Mosel / Saar, Nahe, Ahr und in Rheinhessen Einzellage Klassifizierung Weingut Feuerberg (Flomborn) Kalkstein Michel-Pfannebecker Auflangen (Nierstein) Rotliegend-Substrat Domäne Oppenheim Goldberg (Oppenheim) Kalkstein Domäne Oppenheim Kranzberg (Nierstein) Kalkstein Domäne Oppenheim Kahlenberg (Bad Kreuznach) Kalkstein Staatswg. Bad Kreuznach Stromberg (Bockenau) Porphyr Schäfer-Fröhlich Altenberg (Kanzem) Schiefer Bischöfliche Weingüter Juffer (Brauneberg) Schiefer St. Nikolaus-Hospital Ritsch (Thörnich) Schiefer Klaus Bach Würzgarten (Ürzig) Rotliegend-Substrat Mönchhof Robert Eymael Kirchberg (Hatzenport) Schiefer Thomas Ibald Uhlen (Winningen) Schiefer Fred Knebel Mönchsberg (Mayschoß) Schiefer Winzergenoss. Mayschoss

59 Ausbau der Versuchsweine Ausbau der Versuchsweine Probenahme in den Versuchsflächen Die Probenahme in den Versuchsweinbergen erfolgte zeitgleich mit der betriebsspezifischen Lese, wobei das bewirtschaftende Weingut den Lesetermin festgelegte. Innerhalb der jeweiligen Rebanlage wurde eine möglichst repräsentative Fläche ausgewählt, aus der 90 kg Trauben i.r. von Mitarbeitern des DLR Rheinpfalz bzw. der DLRs Mosel und Rheinhessen-Nahe-Hunsrück manuell geerntet wurden. Durch die Markierung der beernteten Rebstöcke im Jahr 2004 konnte die Probenahme im Jahrgang 2005 von den gleichen Rebstöcken erfolgen. Somit ist eine etwaige Bodenheterogenität innerhalb der Versuchsweinberge als Beitrag zu möglichen sensorischen und strukturellen Unterschieden zwischen den Weinen verschiedener Jahrgänge weitestgehend ausschließbar. Um den Beitrag von Botrytis cinerea-verursachten Aromanoten zu minimieren, wurden möglichst gesunde Trauben geerntet. Die Lesetermine können Tab. 2-3 und Tab. 2-4 entnommen werden. Eine Übersicht ausgewählter Mostparameter ist im Anhang in Tab. 7-3 und Tab. 7-4 aufgeführt Ausbau der Versuchsweine Das Lesegut wurde zentral im Technikum des DLR Rheinpfalz unter standardisierten Bedingungen vinifiziert. Da eine Spontangärung der Moste die Gefahr der Überlagerung der hefebedingten sensorischen Eigenschaften gegenüber des pedo-klimatischen Einflusses birgt [337], wurde die Reinzuchthefe Riesling-Heiligenstein (R-HST) (Lallemand, Montreal, Kanada) zur Vinifikation ausgewählt. Parallel zum standardisierten Ausbau im Technikum des DLR Rheinpfalz erfolgte in den Betrieben die betriebsspezifische Weiterverarbeitung und Vinifikation der Trauben nach den Maximen der guten fachlichen Praxis, wobei die Verwendung der Reinzuchthefe R-HST (Lallemand, Montreal, Kanada) aus dem standardisierten Ausbau vorgeschrieben war. Lediglich die Betriebe Klaus Bach (Thörnich), Robert Eymael (Ürzig) und Schäfer-Fröhlich (Bockenau) bestanden auf eine Spontangärung, die in diesen Weingütern den betriebsüblichen Ausbau darstellte. Leider war die Spontangärung nicht in der Lage, die drei Weine durchzugären, so dass diese nicht in die sensorische Untersuchung aufgenommen werden konnten. Nach dem erstem Abstich und der Schweflung der Weine stellten die Betriebe dem DLR Rheinpfalz jeweils eine 25 l-probe zum weiteren zentralen Ausbau und zur Abfüllung zu Verfügung. Beim standardisierten Ausbau wurde 2004 das nicht-entrappte Lesegut eingemaischt und nach Zugabe von 5 g Kaliumdisulfid pro 100 kg Maische einer Standzeit von zwölf Stunden unterzogen. Das Abpressen erfolgte mittels einer pneumatischen Presse bei maximal 0,2 MPa über 80 min. hinweg. Zur Vorklärung wurden 2 g hl -1 der Pektinase Panzym Rapid Clair (Lallemand, Montreal, Kanada) zudosiert und der nach dem Abstich anfallende Trub verworfen. Die Hefedosage umfasste einen Ansatz von 25 g hl -1 R-HST (Lallemand, Montreal, Kanada), die in einem Most-Wasser-Gemisch unter Zugabe von 30 g hl -1 GoFerm (Lallemand, Montreal, Kanada) rehydriert wurde. Moste bis 90 Oe wurden auf einen Gesamtalkoholgehalt von 12,5 % vol. mit Saccharose angereichert, um die sensorische Vergleichbarkeit der späteren Weine zu erhöhen. Drei Tage nach Gärbeginn erfolgte eine Zugabe von 30 g hl -1 Diammoniumhydrogenphosphat

60 28 Material und Methoden sowie 60 mg hl -1 Vitamin B 1 zur Unterstützung der Hefeaktivität. Der Gärverlauf wurde in definierten Zeitabständen durch Bestimmung von Zucker, Alkohol, Glycerin, flüchtiger Säure, ph-wert, Äpfel-, Wein- und Milchsäure (jeweils durch FT-IR, Grape- und WineScan, FOSS, Dänemark) sowie Temperaturmessung dokumentiert. Zum Abstich erfolgte eine Schwefelung mit 80 mg l -1 SO 2. Während des sich anschließenden Feinhefelagers wurde das Hefedepot wöchentlich aufgerührt. Die Filtration der Jungweine erfolgte Anfang Januar mit einem Kieselgurfilter mit horizontalen Filtertellern. Bei einer Filtrationsfläche von 0,025 m 2 wurden zur Anschwemmung 2 kg m -2 weiße Kieselgur verwendet und den Jungweinen zur Filtration jeweils 1 kg m -2 weiße Kieselgur sowie 240 g m -2 braune Kieselgur zugesetzt. Bis zur Abfüllung im März erfolgte eine SO 2 - Stabilisierung der Weine bei einem angestrebten Niveau von mg l -1 freier SO 2. Alle Weine wurden in Gebinden zu 25 l in zweifacher Wiederholung ausgebaut. Sofern die Jungweine sensorisch fehlerfrei waren, wurden die Gär-Wiederholungen vor der Abfüllung vereint und bei Bedarf der Restzuckergehalt zur Erhöhung der sensorischen Vergleichbarkeit mit Fruktose auf bis zu 6 g l -1 angehoben. Bei der Abfüllung fand ein Schichtenfilter mit Zellulose-Platten mit einer Filtrationsschärfe von K100 Einsatz, der durch 20-minütiges Dämpfen sterilisiert wurde. Zur Abkühlung des Systems und zur Vermeidung von Fehlaromen, die über die Filterplatten in die Weine hätten gelangen können, musste der Filter zunächst mit Wasser gespült werden. Anschließend erfolgte eine Prekonditionierung des Filters mit einem Vorlagewein der Rebsorte Riesling. Die Weine wurden in 0,75 l- Flaschen abgefüllt, mit Natur-Korken verschlossen und bei C liegend und dunkel gelagert. Tab. 2-3: Jahrgang Lesedatum, Mostgewicht, Gesamtsäure, Kohleschönung, Anreicherung Anlage Lesedatum Mostgew. [ Oe] Titrierbare Gesamtsäure [g l -1 ] Kohlegabe zum Most [g hl -1 ] Anreicherung (Saccharose) [g l -1 ] Sonnenberg (Schweigen) ,4 - - Kleine Kalmit (Ilbesheim) ,2 - - Kastanienbusch (Birkweiler) ,9 - - Im Sonnenschein (Siebeldingen) ,0 - - Altenforst (Burrweiler) ,5-49,4 Idig (Königsbach) ,5 - - Kieselberg (Deidesheim) ,8 - - Pechstein (Forst) Bassermann- Jordan ,8 - - Pechstein (Forst) Bürklin-Wolf ,8 - - Herrenberg (Ungstein) ,7 - - Weilberg (Ungstein) ,3 - - Heiligenkirche (Bockenheim) ,4 - - Der standardisierte Ausbau im Jahr 2005 unterschied sich in einigen Punkten von dem im Jahr So wurde nicht nur zur Vorklärung, sondern bereits nach dem Einmai-

61 Ausbau der Versuchsweine 29 schen zur Verbesserung der Preßbarkeit mit 2 g pro 100 kg das Pektinase-Präparat Lallzym CuveeBlanc (Lallemand, Montreal, Kanada) zugegeben. Aufgrund höheren Fäulnisbefalls des Leseguts musste im Bedarfsfall bei der Vorklärung Aktivkohle mit einer Dosage von bis zu 50 g hl -1 eingesetzt werden. Im Jahr 2005 erfolgten bei den Jungweinen zwischen Abstich und Kieselgurfiltration zwei Schwefelungen von jeweils 40 mg l -1, während im Jahrgang 2004 die Jungweine nach dem ersten Abstich nur einmal 80 mg l -1 SO 2 erhielten. Das Feinhefelager wurde zwischen diesen Schwefelgaben dreimal wöchentlich aufgerührt. Zwischen der zweiten Schwefelung und der Kieselgurfiltration unterblieb die Durchmischung von Hefedepot und Jungwein. Tab. 2-4: Jahrgang Lesedatum, Mostgewicht, Gesamtsäure, Kohleschönung, Anreicherung Anlage Lesedatum Mostgew. [ Oe] Titrierbare Gesamtsäure [g l -1 ] Kohlegabe zum Most [g hl -1 ] Anreicherung (Saccharose) [g l -1 ] Sonnenberg (Schweigen) , Kleine Kalmit (Ilbesheim) , Kastanienbusch (Birkweiler) , Im Sonnenschein (Siebeldingen) , Altenforst (Burrweiler) ,4-12 Idig (Königsbach) , Kieselberg (Deidesheim) ,8 - - Pechstein (Forst) Bassermann- Jordan , Pechstein (Forst) Bürklin-Wolf , Herrenberg (Ungstein) , Weilberg (Ungstein) , Heiligenkirche (Bockenheim) ,3 - - Feuerberg (Flomborn) , Auflangen (Nierstein) , Goldberg (Oppenheim) , Kranzberg (Nierstein) , Kahlenberg (Bad Kreuznach) , ,8 Stromberg (Bockenau) , Altenberg (Kanzem) , Juffer (Brauneberg) , ,1 Ritsch (Thörnich) , Würzgarten (Ürzig) ,8 30 5,8 Kirchberg (Hatzenport) , Uhlen (Winningen) , ,1 Mönchsberg (Mayschoß) ,

62 30 Material und Methoden 2.3 Erfassung topographischer Parameter Zur topographischen Charakterisierung der Versuchsflächen sowie zur Berechnung der höhenkorrigierten Globalstrahlung nach Hoppmann et al. (2004) [186] wurde die Höhe ü. NN, die Höhe des örtlichen Talgrund sowie die Exposition der Flächen aus dem Kartenwerk der Weinbergsbodenkarte von Rheinland-Pfalz [11] entnommen. Die Bestimmung der Inklination der Flächen erfolgte mit einem Neigungsmesser. 2.4 Erfassung pedologischer Parameter Die bodenkundliche Untersuchung der Versuchsflächen der Pfalz erfolgte in enger Zusammenarbeit mit dem Landesamt für Geologie und Bergbau Rheinland-Pfalz (LGB). Obwohl für eine umfassende Untersuchung eine gute Durchfeuchtung der Böden vorliegen sollte, wie sie unmittelbar nach den Winterniederschlägen gegeben ist, wurde aus organisatorischen Gründen die bodenkundliche Charakterisierung der Testflächen im Juni 2006 durchgeführt. Aufgrund der Trockenheit konnten zu diesem Termin lediglich topographische und bodenkundliche Kennwerte im Felde sowie bodenchemische Parameter im Labor erfasst werden. Bodenphysikalische Untersuchungen schlossen sich in ausgewählten Parzellen bei ausreichender Bodenfeuchte im März 2007 an Felderhebungen Kartenmaterial aller rheinland-pfälzischen Rebflächen liegt aufgrund der Weinbergsbodenkartierung von in sehr hoher Auflösung vor [33], so dass auf eine erneute Rasterbeprobung der Testparzellen verzichtet werden konnte. Nach einer Vorsondierung der Testflächen mittels eines Pürckhauer-Erdbohrstocks erfolgten die bodenkundlichen Untersuchungen für jede Parzelle repräsentativ anhand einer bis zu 200 cm tiefen Profilgrube. Dabei wurden die Böden nach der Bodenkundlichen Kartieranleitung [2] beschrieben und klassifiziert. Das Profil jeder Parzelle wurde zunächst in geologische Schichten gegliedert und anhand von Färbungs-, Körnungs- oder Gefügewechsel in einzelne Bodenhorizonte unterteilt, wobei das Anfeuchten der Profilwand die Differenzierung der Horizonte erleichterte. Für die Schichten wurden jeweils die Mächtigkeit sowie die Zusammensetzung, die Genese und eine zeitliche Zuordnung des Substrates festgehalten. Die Ansprache der Horizonte umfasste die Art, Mächtigkeit und Abfolge der Horizonte sowie die Ausprägung der Horizontgrenzen. Die Bestimmung der Bodenart in den einzelnen Horizonten erfolgte mittels Fingerprobe, bei der feuchtes Bodenmaterial zwischen Daumen und Zeigefinger gerieben und geknetet wurde. Dabei dienten Körnigkeit, Formbarkeit und Bindigkeit des Materials zur Differenzierung zwischen den Bodenartenuntergruppen [2]. Neben der Feinbodenansprache wurden auch Grobbodenart und gehalt, Art und der Flächenanteil von Poren sowie die Rohdichte festgehalten. Über den Carbonatgehalt jedes Horizontes gab die Reaktion mit 10%iger Salzsäure Auskunft, wobei das Maß der CO 2 -Entwicklung optisch und akustisch geschätzt wurde [2]. Der Humusgehalt jedes Horizontes konnte anhand der Substratfärbung eingestuft werden. Neben der Ausprägung des Wurzelwachstums wurden für jeden Horizont die Färbung mittels Munsell-Farbtafeln sowie die Gefügeform dokumentiert.

63 Erfassung pedologischer Parameter Bodenchemische Untersuchungen Jedem Horizont wurden nach der Profilansprache Bodenproben entnommen und dem Labor des LGB zur Untersuchung zugeführt. Die Probenvorbereitung erfolgte nach E DIN ISO 11464, wonach die Proben zuerst luftgetrocknet, der Grobboden anschließend mittels eines Siebes mit 2 mm Maschengröße abgetrennt und ein Aliquot des Feinbodens mit einer Achat-Kugelmühle gemahlen wurde. Die Lagertemperatur der Proben betrug bis zur weiteren Untersuchung 20 C. Die Analyse umfasste die folgenden Kennwerte (Tab. 2-5), die in Tab für jedes Profil aufgelistet sind. Die Analysemethoden wurden gemäß der Empfehlung der Bodenkundlichen Kartieranleitung [2] gewählt. Tab. 2-5: Chemische Analysemethoden für die Böden der Pfälzer Testflächen Zielgröße Analysemethode Vorgabe Korngrößenzusammensetzung Sieb- und Pipettverfahren nach KÖHN ph-wert elektrometrische Bestimmung in 0,01 mol/l CaCl 2 -Lösung E DIN ISO (1994) DIN ISO (1997) Carbonatgehalt volumetrische Bestimmung nach SCHEIBLER DIN ISO (1997) Gesamt-Kohlenstoff Organischer Kohlenstoff Wärmeleitfähigkeitsdetektion nach trockener Verbrennung berechnet aus Gesamtkohlenstoffgehalt und Carbonatgehalt DIN ISO (1996) DIN ISO (1996) austauschbare Kationen Flammenphotometer (Ca, K, Na), DIN Teil 8 Flammen-AAS (Mg) DIN Teil 8 elektrometrische Bestimmung (H-Wert) DIN Teil 8 potentielle Kationenaustauschkapazität (KAK pot. ) berechnet aus den Gehalten der austauschbaren Kationen DIN Teil 8 Anhand der Analyseresultate wurde die Feldkapazität (FK), d.h. die vom Boden gegen die Schwerkraft zurückhaltbare Wassermenge, sowie die nutzbare Feldkapazität (nfk), d.h. die den Pflanzen tatsächlich verfügbare Wassermenge, über 100 cm Profiltiefe (FK-100, nfk-100) sowie den gesamten durchwurzelbaren Bodenraum (FK-DB, nfk- DB) ermittelt Bodenphysikalische Untersuchungen In Flächen mit hinreichend geringem Grobbodenanteil erfolgte die Beprobung zur bodenphysikalischen Analyse im März 2007 an frisch erstellten Profilgruben. Pro Horizont wurden sechs Proben mittels Stechzylinder gezogen und dem Labor des LGB zur Analyse zugeführt. Bodenphysikalische Ergebnisse liegen zum Zeitpunkt dieser Auswertung noch nicht vor, weshalb darauf im Folgenden nicht weiter eingegangen wird.

64 32 Material und Methoden 2.5 Erfassung klimatischer Parameter Ausgewählte Wetterstationen Aufgrund hoher Kosten konnten in den Versuchflächen keine eigenen Wetterstationen zur Erfassung des Mesoklimas installiert werden. Zur geländeklimatischen Charakterisierung der Pfälzer Lagen wurde mit Ausnahme der Fläche Im Sonnenschein (Siebeldingen), in deren unmittelbaren Nähe sich die Wetterstation der Bundesanstalt für Züchtungsforschung Geilweilerhof befindet, auf das Agrarmeteorologische Messnetz Rheinland-Pfalz (AGMEDA) zurückgegriffen, dessen Wetterstationen in einer Entfernung von maximal 4 km Luftlinie zu den jeweiligen Versuchsflächen liegen. Die Problematik von klimatischen Abweichungen zwischen den Standorten der Wetterstationen und den zu charakterisierenden Testflächen wurde 2005 bei der Auswahl der Versuchweinberge an Nahe, Mosel-Saar, Ahr und in Rheinhessen zum Anlass genommen, Rebanlagen in unmittelbarer Nähe einer Wetterstation des agrarmeteorologischen Messnetzes auszuwählen. Lediglich bei der Lage Ritsch (Thörnich) musste mit der Wetterstation Riol auf Daten zurückgegriffen werden, die in einer Entfernung von ca. 5,5 km Luftlinie erfasst wurden. Bei den klimatischen Daten der Station Bockenheim handelt es sich um Messwerte einer privaten Station (Müller, E.), die allerdings nach allgemein gültigen Richtlinien betrieben wird. Darüber hinaus wurde auf Daten der Wetterstation Bad Bergzabern des Deutschen Wetterdienstes (DWD) zurückgegriffen. Tab. 2-6 gibt eine Übersicht über die zur mesoklimatischen Charakterisierung herangezogenen Wetterstationen und die ihnen zugeordneten Versuchsflächen. Um möglichen mesoklimatischen Eigenheiten der Versuchsflächen Rechnung zu tragen, wurde die Wetterstation Neustadt lediglich zur Charakterisierung der ihr am nächst gelegenen Fläche Idig (Königsbach) herangezogen. Für die nur einige Kilometer weiter entfernte Fläche Kieselberg (Deidesheim) sowie die Anlagen im Pechstein (Forst) liegen in Ermangelung alternativer ausreichend nahe liegender Stationen keine klimatischen Daten vor. Der Versuchsfläche Kastanienbusch (Birkweiler) konnte ebenfalls keine der den Testflächen nahe liegenden Wetterstationen zugeordnet werden, da die Station des wenige Kilometer entfernten Geilweilerhof zu Charakterisierung der Fläche Im Sonnenschein (Siebeldingen) herangezogen wurde. Aufgrund großer topographischer Ähnlichkeit sowie der sehr großen Nähe der Anlagen Herrenberg und Weilberg (Ungstein), kann für beide Flächen ein ähnliches Mesoklima angenommen werden, so dass ihre klimatische Charakterisierung von Daten ein und derselben Wetterstation abgeleitet wurde Erfassung und Aufbereitung klimatischer Daten Die von den Wetterstationen bezogenen Rohdaten umfassten die Tageswerte für Temperaturminimum und maximum (jeweils 2 m ü. Bodenoberfläche), Niederschlag sowie Globalstrahlung. Obwohl die Windverhältnisse entscheidend das lagenspezifische Mikroklima beeinflussen [153], konnten diese aufgrund ihrer großen räumlichen Variabilität nicht in die klimatische Charakterisierung der Versuchsflächen miteinbezogen werden. Aus demselben Grund wurde auch die relative Luftfeuchte außenvorgelassen.

65 Erfassung klimatischer Parameter 33 Tab. 2-6: Wetterstationen und die ihnen zugeordneten Versuchsflächen Wetterstation Lagekoordinaten Zugeordnete Lage Neustadt-Mußbach E08 11'06" N49 22'06" Königsbach: Idig Freinsheim E08 11'59'' N49 30'33'' Ungstein: Herrenberg Freinsheim E08 11'59'' N49 30'33'' Ungstein: Weilberg Dackenheim E08 11'08" N49 31'12" Bockenheim: Heiligenkirche Edesheim E08 08'40" N49 15'50" Burrweiler: Altenforst Geilweilerhof E08 02'53" N49 13'00" Siebeldingen: Sonnenschein Göcklingen E08 02'09" N49 09'38" Ilbesheim: Kleine Kalmit Schweighofen E07 59'30" N49 02'19" Schweigen: Sonnenberg Bad Kreuznach E07 50'55" N49 51'34" Bad Kreuznach: Kahlenberg Bockenau E07 41'20" N49 50'05" Bockenau: Stromberg Flomborn E08 08'47'' N49 41'41'' Flomborn: Feuerberg Nierstein E08 19'40'' N49 52'32'' Nierstein: Auflangen Nierstein E08 19'40'' N49 52'32'' Nierstein: Kranzberg Oppenheim E08 20'49" N49 50'51" Oppenheim: Goldberg Winningen E07 31'25'' N50 19'06'' Winningen: Uhlen Hatzenport E07 24'49'' N50 13'45'' Hatzenport: Kirchberg Zeltingen E07 01'35'' N49 57'09'' Ürzig: Würzgarten Brauneberg E06 59'51'' N49 54'53'' Brauneberg: Juffer Riol E06 47'29" N49 47'54" Thörnich: Ritsch Kanzem E06 34'42'' N49 40'21'' Kanzem: Altenberg Mayschoß E07 01'10'' N50 31'07'' Mayschoß: Mönchsberg Klimatische Charakterisierung der Versuchsflächen Zur Charakterisierung der lagenspezifischen Mesoklimate wurden aus den Rohdaten ausgewählte Klimaparameter bzw. -indizes berechnet, die wie folgt definiert sind: Growing Degree Days (GDD) nach Amerine und Winkler (1944, zitiert in [156]): Tmax + Tmin GDD = 10 C 2 (Gleichung 1) mit T max = Tageshöchsttemperatur in C T min = Tagestiefsttemperatur in C

66 34 Material und Methoden Jackson und Cherry (1988) [154] fanden bei Untersuchungen der Zusammenhänge zwischen dem Reife-Potential verschiedener Rebsortengruppen, die sie anhand ihrer Wärmebedürftigkeit zur Erlangung der Beerenreife definierten, und den GDD verschiedener Regionen Europas und der neuen Welt bessere Korrelationen im Falle der Berechnung der GDD aus Tagesmesswerten statt monatlichen Durchschnittswerten, wie von Huglin und Schneider (1998) [150] beschrieben. Somit fanden in dieser Studie sowohl für die Berechnung der GDD als auch die der folgenden Parameter ausschließlich Tagesmesswerte Verwendung. Als untere Temperaturschwelle zur Berechnung der GDD wurde nach Gladstones (1992) [118] 10 C gewählt, d.h. alle Tages-Temperaturen <10 C wurden =10 C gesetzt. Ebenso wurde eine obere Temperaturschwelle von 30 C gewählt [118], was bedeutet, dass analog alle Tages-Temperaturen >30 C mit 30 C gleichgesetzt wurden. Anzahl der Sommertage (Sotag): Anzahl der Tage, an denen die Tageshöchsttemperatur > 25 C ist. Summe der täglichen Durchschnittstemperaturen (ST av. ): Tmax + Tmin ST av. = (Gleichung 2) 2 mit T max = Tageshöchsttemperatur in C T min = Tagestiefsttemperatur in C Summe der täglichen Temperatur-Variabilität (ST Var. ): ( T ) ST Var (Gleichung 3). = max Tmin mit T max = Tageshöchsttemperatur in C T min = Tagestiefsttemperatur in C Höhenkorrigierte Globalstrahlung (h.gstr.) nach Hoppmann (2004) [186]: Die höhenkorrigierte Globalstrahlung der Jahrgänge 2004 und 2005 wurde vom Deutschen Wetterdienst (DWD) Geisenheim für jede Versuchsfläche unter Einbezug der Globalstrahlung und den topographischen Kennwerten Inklination, Exposition, Höhe ü. NN und Höhe ü. örtlichem Talgrund berechnet. Kumulierter Niederschlag (N kum ) des Untersuchungszeitraumes: t l = = N kum N t (Gleichung 4) t= e mit N = Tagesniederschlag in mm e = erster Tag des Untersuchungszeitraumes l = letzter Tag des Untersuchungszeitraumes

67 Erfassung klimatischer Parameter 35 Index nach Huglin (Hug.I) (1978, zitiert in [150]): ( Tav. 10) + ( Tmax 10) Hug. I = K (Gleichung 5) mit T av. = Tagesdurchschnittstemperatur in C T max = Tageshöchsttemperatur in C K = Latitüdenkoeffizient wobei der Latitüdenkoeffizient K einer Fläche mit der geographischen Breite x y folgendermaßen definiert ist: 5 K = 1,02 + ( x 40) + y 6,6 10 (Gleichung 6) Zur Untersuchung der Zusammenhänge zwischen Mesoklima und sensorischen Eigenschaften bzw. wertgebenden Inhaltsstoffen der Versuchsweine erfolgte die Berechnung der oben genannten Klimaparameter bzw. indizes für Zeitintervalle, die anhand der phänologischen Entwicklung der Reben in den Versuchsanlagen bzw. bei fehlenden Boniturdaten von Versuchsflächen anhand regionaler Daten definiert wurden. Folgende vier Intervalle wurden festgelegt: Intervall 1: Lese bis Knospenaufbruch Intervall 2: Austrieb bis Blüte Intervall 3: Blüte und Fruchtbildung bis Véraison Intervall 4: Véraison bis Lese, wobei als Beginn des Austriebs das Stadium 09 [ Knospenaufbruch: grüne Triebspitzen deutlich sichtbar ([208], S.93)], als Blütebeginn das Stadium 62 [ 20% der Blütenkäppchen abgeworfen ([208], S.93)], und als Reifebeginn das Stadium 81 [ Beginn der Reife, Beeren beginnen hell zu werden (bzw. beginnen sich zu verfärben) ([208], S.94)] der BBCH-Skala nach Lorenz et al. (1994, zitiert in [208]) festgesetzt wurden. Ein separates Blüte-Intervall konnte nicht berücksichtigt werden, da dieses Intervall nur wenige Tage umfasst hätte und somit der Fehler bei etwaigen Ungenauigkeiten in der zeitlichen Erfassung des Stadiums 62 und des Abschlusses der Blüte besonders zubuche geschlagen wäre. Die Berechnung des Huglin-Indexes erfolgte gemäß Definition für die Periode zwischen dem 1.4. und [150]. Da im Jahrgang 2004 noch keine phänologischen Erhebungen in den Versuchsflächen stattfanden, mussten für jede Fläche identische Intervallgrenzen auf Grundlage phänologischer Daten aus einer repräsentativen Riesling-Fläche des DLR Rheinpfalz definiert werden. Aufgrund der für alle Flächen identischen Intervallgrenzen, wurde auch der Lesetermin mit dem für alle Flächen gleich festgesetzt. Für den Jahrgang 2005 erfolgte die Festlegung der Intervallgrenzen anhand von in den jeweiligen Testflächen erhobenen Boniturdaten. Da bei den Pfälzer Anlagen die Bonituren aufgrund großer räumlicher Distanz zwischen den Versuchsflächen nicht täglich erfolgten, konnten zum Teil die exakten Termine der besagten Entwicklungsstadien nicht erfasst werden. Die-

68 36 Material und Methoden se wurden unter Einbeziehen der Witterung im Vergleich des Verlaufs der phänologischen Entwicklung in allen Versuchsflächen interpoliert. Aufgrund einer weniger intensiven Betreuung der Versuchsflächen an Nahe, Mosel / Saar, Ahr und in Rheinhessen, lagen für diese weniger exakte phänologische Daten vor. Während die Entwicklung der 31. Okt. 1. Sep Jul Mai Mrz. 31. Dez Nov. Sonnenberg (Schweigen) Kleine Kalmit (Ilbesheim) Kastanienbusch (Birkweiler) Im Sonnenschein (Siebeldingen) Altenforst (Burrweiler) Idig (Königsbach) Kieselberg (Deidesheim) Pechstein (Forst) BJ Pechstein (Forst) BW Herrenberg (Ungstein) Weilberg (Ungstein) Heiligenkirche (Bockenheim) Abb. 2-1: Intervallgrenzen im Jahrgang : Intervall Lese bis Knospenaufbruch ; 2: Intervall Austrieb bis Blüte ; 3: Intervall Blüte und Fruchtbildung bis Véraison ; 4: Intervall Véraison bis Lese Reben im Kahlenberg (Bad Kreuznach) dokumentiert wurde, fand in der Fläche Stromberg (Bockenheim) keine Bonitur statt, weshalb für diese Parzelle die Daten des Kahlenberg übernommen werden mussten. Für die Flächen Juffer (Brauneberg) und Würzgarten (Ürzig) wurden Phänologiedaten der 10 km entfernten Riesling-Parzelle Im Pfalzgraben (Bernkastel) der Biologischen Bundesanstalt für Land- und Forstwirtschaft (BBA) Bernkastel-Kues herangezogen. Die phänologische Entwicklung in den Lagen Ritsch (Thörnich) und Altenberg (Kanzem) musste mit vom DWD zu Verfügung gestellten phänologischen Daten einer Riesling-Parzelle in der Nähe der DWD-Wetterstation Kenn beschrieben werden. Für die Lagen Kirchberg (Hatzenport), Uhlen (Winningen) und Mönchsberg (Mayschoß) wurden phänologische Daten des DLR Mosel herange-

69 Erfassung klimatischer Parameter 37 zogen. Die Festsetzung der Intervallgrenzen der Lagen in Rheinhessen erfolgte anhand vom DLR Rheinhessen-Nahe-Hunsrück erhobener phänologischer Daten für Riesling. Eine graphische Übersicht über die Intervallgrenzen der jeweiligen Versuchsflächen für die Jahrgänge 2004 und 2005 wird in Abb. 2-1 und Abb. 2-2 gegeben. Tab im Anhang informiert über phänologische Daten des Jahrgangs Okt. 1. Sep Jul Mai Mrz Dez. 1. Nov. Sonnenberg (Schweigen) Kleine Kalmit (Ilbesheim) Kastanienbusch (Birkweiler) Im Sonnenschein (Siebeldingen) Altenforst (Burrweiler) Idig (Königsbach) Kieselberg (Deidesheim) Pechstein (Forst) BJ Pechstein (Forst) BW Herrenberg (Ungstein) Weilberg (Ungstein) Heiligenkirche (Bockenheim) Feuerberg (Flomborn) Auflangen (Nierstein) Goldberg (Oppenheim) Kranzberg (Nierstein) Kahlenberg (Bad Kreuznach) Stromberg (Bockenau) Altenberg (Kanzem) Juffer (Brauneberg) Ritsch (Thörnich) Würzgarten (Ürzig) Kirchberg (Hatzenport) Uhlen (Winningen) Mönchsberg (Mayschoß) Abb. 2-2: Intervallgrenzen im Jahrgang : Intervall Lese bis Knospenaufbruch ; 2: Intervall Austrieb bis Blüte ; 3: Intervall Blüte und Fruchtbildung bis Véraison ; 4: Intervall Véraison bis Lese Aufarbeiten der Rohdaten Trotz standardgemäßer Plausibilitätskontrolle der klimatischen Daten seitens der Betreiber der Messnetze bzw. der Wetterstationen, wurde der Datensatz vor Einbezug in weitere Berechnungen geprüft. Unplausible Daten, wie z.b. Globalstrahlungswerte von 0 Wh m -2 oder konstante Temperaturwerte von 0 C über mehrere Tage hinweg ließen auf eine Fehlfunktion von Sensoren schließen und mussten somit aus dem Datensatz gelöscht werden. Die durch den Ausfall des Niederschlagssensors fehlenden Daten der Station Schweighofen in der Periode vom bis wurden durch die Messwerte der nächstliegenden Station Göcklingen ersetzt.

70 38 Material und Methoden Die Installation der Wetterstationen in den Versuchsflächen außerhalb der Pfalz erfolgte messnetzbedingt außer bei den Lagen Ritsch (Thörnich), Goldberg (Oppenheim) und Kahlenberg (Bad Kreuznach) erst deutlich nach Versuchsbeginn. Aus diesem Grund sowie durch die zeitlich begrenzte Fehlfunktion von Sensoren einzelner Stationen weißt der Klimadatensatz einige zum Teil erhebliche Lücken auf. Zur Berechnung der Klimaparameter bzw. indizes wurden für jedes Intervall maximal 10 % fehlende Daten-Tage zugelassen, für die als Ersatz der über das jeweilige Intervall gebildete Mittelwert der fehlenden Größe verwendet wurde. Fehlten mehr als 10 % der Daten- Tage einer Messgröße, wurde der Datensatz als nicht ausreichend zur Charakterisierung der klimatischen Bedingungen der jeweiligen Periode angesehen Analyse der Repräsentativität der Versuchsjahrgänge Die in dieser Studie angestrebte Charakterisierung von Terroirs auf sensorischer und aromachemischer Ebene und die daraus folgende Ableitung von terroirspezifischen Leitaromen ist in Anbetracht des kurzen Untersuchungszeitraumes von nur zwei Jahrgängen problematisch, da, wie bereits bei Fischer, Roth et al. (1999) beschrieben, die aromatischen Eigenschaften von Weinen verschiedener Jahrgänge aus einundderselben Lage beträchtlich variieren können [106]. Ursachen hierfür sind im zwischen den Jahrgängen stark variierenden Temperaturverlauf sowie der Sonneneinstrahlung zu finden, welche die Beerenreife und somit die Aromenausbildung stark beeinflussen [147]. Um den Grad der Repräsentativität der in dieser Studie vorgelegten Untersuchungsergebnisse für die jeweiligen Terroirs einschätzen zu können, wurde folgende Alternative zu der noch nicht abgeschlossenen Langzeitstudie entwickelt: Da nicht nur die topopedologischen Eigenschaften der Versuchsflächen sondern auch deren Bewirtschaftung und der Ausbau der Versuchsweine über die Jahrgänge 2004 und 2005 hinweg nicht variierten, stellt die Witterung die einzige Varianzquelle innerhalb des Untersuchungszeitraums dar. Liegt innerhalb eines Jahrgangs eine durchschnittliche, also nicht von Extremen geprägte Witterung vor, ist somit bei Weinen dieses Jahrgangs eine durchschnittliche, also lagen-typische Aromenausbildung anzunehmen. Somit ist es nahe liegend, statt der sensorischen bzw. aromachemischen Typizität der Weine die Abweichungen der jeweiligen Jahrgangswitterung vom langjährigen Mittel zu untersuchen. In Ermangelung langjähriger Klimaaufzeichnungen zahlreicher für diese Studie herangezogener Wetterstationen sowie aufgrund der Unvollständigkeit des Klimadatensatzes der nicht-pfälzischen Versuchsgebiete, konnte diese Untersuchung nicht individuell für jede Versuchfläche durchgeführt werden und musste zudem auf die Region Pfalz beschränkt bleiben. Anhand der Klimadaten der Wetterstationen Bad Bergzabern (südliche Weinstraße), Neustadt (Mittelhaardt) und Dackenheim (nördlicher Bereich der Weinstraße) wurden die 13-jährigen Monats-Mittel über die Jahre (das langjährige Mittel ) für die Parameter Durchschnittstemperatur, Niederschlag sowie kumulierter Niederschlag berechnet. Analog erfolgte die Berechnung der jeweiligen Monats-Mittel für die Jahrgänge 2004 und 2005 (das Jahrgangsmittel ). Zum Vergleich der Jahrgangsmittel mit dem langjährigen Mittel wurde der Student t-test angewendet, auf den in Kapitel detailliert eingegangen wird. Das langjährige Monats-Mittel eines Parameters wurde dazu als Mittelwert einer Stichprobe (mit n=13) angesehen,

71 Bestimmung des Wasserstatus in den Versuchsflächen 39 der mit dem 2004er bzw. 2005er Monats-Mittel dieses Parameters als Referenzwert verglichen wurde. Ein mindestens signifikanter Unterschied zwischen dem langjährigen Monats-Mittel und der Monatswitterung des entsprechenden Jahrgangs signalisierte dabei eine untypische, also extreme Witterung. Zur graphischen Darstellung wurde für jeden Parameter ein Konfidenz-Korridor mit p=95 % um den Verlauf des langjährigen Mittels gelegt, dessen monatliche Intervallgrenzen wie folgt definiert sind: x i mit si si 2,179 < xi < xi + 2,179 (Gleichung 7) x i = langjähriges Mittel des Monats i s = Standardabweichung aller Messwerte des Monats i, i wobei der Wert 2,179 dem t-wert bei f=12 Freiheitsgrade sowie der Wahrscheinlichkeit p=95 % bei einem bilateralen t-test entspricht. Liegt die Kurve des 2004er bzw. 2005er Jahrgangsmittels eines Parameters außerhalb dieses Korridors, weicht er mindestens signifikant vom langjährigen Mittel ab, d.h. er wird für den jeweiligen Zeitraum als extrem angesehen. Mit Hilfe dieser Methode werden Jahrgänge mit extremer Witterung in Perioden, in denen sich Aromen oder Prekusoren innerhalb der Traube ausbilden, detektiert. Da somit die Typizität der sensorischen bzw. chemischen Aromenausbildung in diesen Jahrgängen mit der entsprechenden Vorsicht interpretiert werden kann, verringert sich der Fehler bei der Ableitung terroirspezifischer Leitaromen. Es wird folglich möglich, auch in Studien, die nur wenige Jahrgänge umfassen, aussagekräftige Ergebnisse zu erhalten. 2.6 Bestimmung des Wasserstatus in den Versuchsflächen Theoretische Grundlagen Der Wasserstatus, d.h. die Wasserversorgung der Reben, wird als Blattwasserpotential ψ ausgedrückt. Das dahinter stehende Prinzip wurde von Scholander et al. (1965) [298] beschrieben: Aufgrund des stomatären Wasserverlusts durch Transpiration sowie unzureichender Wassernachlieferung aus dem Boden über das Wurzelsystem entsteht ein negativer hydrostatischer Druck im Xylem. Wird ein transpirierendes Blatt von einer Pflanze abgeschnitten, zieht sich der Xylemsaft aufgrund des vorherrschenden Unterdrucks ins Blatt-Xylem zurück. Der Druck, der auf das Blatt ausgeübt werden muss, bis sich Xylemsaft an der Schnittfläche zeigt, ist äquivalent dem aktuellen hydrostatischen Druck im Xylem der Pflanze und wird Blattwasserpotential genannt. Das Blattwasserpotential besitzt ein negatives Vorzeichen, da es den negativen hydrostatischen Druck im Xylem beschreibt. Bei steigender Unterversorgung mit Wasser nimmt das Blattwasserpotential ab. Das Blattwasserpotential lässt sich mit einer so genannten Scholander Druckkammer bestimmen. Das Gerät besteht aus einem Druckgefäß, das für Drücke bis zu 10 MPa ausgelegt [346] und mit einem Gas-Vorratsbehälter verbunden ist. Dazwischen ge-

72 40 Material und Methoden schaltet sind ein Manometer zum Ablesen des in der Kammer vorliegenden Drucks, ein Nadelventil, das der Steuerung der Gasflussgeschwindigkeit dient, ein 3-Wege-Ventil zur Evakuierung der Druckkammer nach erfolgter Messung bzw. zur Ver- und Entriegelung der Gaszuleitung sowie ein Druckregler am Ausgang des Vorratsbehälters (Abb. 2-3). Die Druckkammer wird mit einem mit Bajonettverschluss versehenen Deckel verschlossen, in den das Blatt so eingespannt wird, dass die Petiole herausragt (Abb. 2-4). Durch Zustrom von Luft oder Gas aus der Gasflasche wird der Innendruck der Kammer und somit der Druck auf das Blatt solange erhöht, bis an der Schnittstelle der Petiole erster Xylemsaft austritt. Deckel Manometer Nadelventil Schneidebrett 3-Wege- Ventil Druckkammer Gas- Vorratsbehälter Druckminderer Abb. 2-3: Scholander Druckkammer (abgeändert nach [162])

73 Bestimmung des Wasserstatus in den Versuchsflächen 41 Dichtungsring (Gummi) Druckablassventil Manometer Druckluft Nadelventil zur Druckregulierung Abb. 2-4: Querschnitt durch die Druckkammer (abgeändert nach [162]) Um Aussagen über das im Boden zu Verfügung stehende Wasser treffen zu können, wird das frühmorgendliche Wasserpotential, d.h. das Wasserpotential, das bei der Dämmerung vorliegt, bestimmt, da sich zu diesem Zeitpunkt aufgrund unterbliebener Transpirations-Wasserverluste während der Nachtphase das Wasserpotential in Pflanze und Boden angeglichen hat (De Roo, 1969, zitiert in [346]). Diese Methode hat den Vorteil, dass die Wasserverfügbarkeit im gesamten durchwurzelten Bodenraum, der sich bei Reben über mehr als 6 m Tiefe erstrecken kann [156], berücksichtigt wird, was bei Einsatz von Bodensonden, deren Reichweite maximal 1-2 m Tiefe umfasst, unmöglich ist Bestimmung des Blattwasserpotentials Zur Bestimmung des frühmorgendlichen Blattwasserpotentials wurde eine Scholander Druckkammer der Firma Soilmoisture Equipment Corp. (Santa Barbara, CA), Modell 3005 Pressure Extractor, eingesetzt. Da das Gerät erst ab der zweiten Augusthälfte 2005 verfügbar war, konnten für den davor liegenden Projektzeitraum keine Untersuchungen stattfinden. Die Messungen erfolgten auf den Pfälzer Versuchsflächen an fünf Terminen vom sowie aufgrund regnerischer Witterung im Sommer 2006 lediglich zu einem Termin am 5.9. / Aufgrund der großen räumlichen Distanz konnten die Flächen nicht innerhalb einer Nacht abgearbeitet werden, sondern mussten in zwei aufeinander folgenden Nächten beprobt werden. Voraussetzung dazu war eine stabile niederschlagsfreie Wetterlage während der einzelnen Messtermine, da Regenereignisse die Vergleichbarkeit der Ergebnisse von einer Messnacht zur nächsten infrage gestellt hätten. Die Messungen erfolgten zwischen 2:00 und 6:30 Uhr, wobei die Flächen immer zur gleichen Uhrzeit sowie in gleicher Reihenfolge untersucht wurden, beginnend mit der nördlichsten bzw. südlichsten Parzelle und endend mit der Fläche Idig (Königsbach). Anhand der Beprobung der Lage Idig in beiden Nächten wurde die Vergleichbarkeit der Resultate über beide Messtage hinweg mittels Student t-test (siehe Kapitel ) untersucht. Aus organisatorischen Gründen konnten keine repräsentativen Messungen auf den nicht-pfälzischen Flächen vorgenommen werden.

74 42 Material und Methoden Während Turner (1981) [345] für Blattwasseruntersuchungen den Mittelwert aus drei bis sechs Proben pro Parzelle als ausreichend ansieht, wurden in dieser Studie acht gesunde, ausgereifte Blätter pro Anlage untersucht, die von verschiedenen repräsentativen, gesunden Rebstöcken innerhalb des bei der Lese 2004 markierten Bereichs stammten. Turner und Long (1980) zeigten, dass der Wasserverlust zwischen Probenahme und Messung bei stark transpirierenden Blättern innerhalb der ersten 20 sec. nach Abtrennung des Blattes zu einer Reduzierung des Blattwasserpotentials um bis zu 0,7 MPa führen kann [346]. Um einem derartigen Messfehler vorzubeugen, wurden die Blätter unmittelbar vor Probenahme mit einem Plastikbeutel umhüllt, was ebenfalls mögliche Transpirationsverluste innerhalb der Druckkammer eliminierte [346]. Bei Taubildung auf den Rebstöcken mussten die Blätter zuvor abgetrocknet werden, da freies Wasser auf den Blättern das Blattwasserpotential während der Messung um 0,1 0,2 MPa erhöhen kann [346]. Die zu untersuchenden Blätter wurden mit einem sauberen Schnitt direkt am Blattansatz abgetrennt, um das Nachschneiden der Petiole, einer weiteren Quelle von Messfehlern [346], möglichst zu vermeiden. Die Bestimmung des Blattwasserpotentials erfolgte unmittelbar nach Probenahme im Innenraum des eingesetzten Transporters, um während der Messung Messungenauigkeiten durch eine von Wind verursachte Evaporation von austretendem Xylemsaft auszuschließen [162]. Zu den Messungen wurde Stickstoff als Gas eingesetzt. Die Grenzwerte zur Beurteilung des Wasserstatus entstammen der Literatur [303]. Tab. 2-7 zeigt die Schwellen der jeweiligen Stressniveaus. Tab. 2-7: Schwellen der Wasserversorgung (abgeändert nach [303]) Wasserversorgung zu hoch adäquat (kein Stress) moderater Stress starker Stress Blattwasserpotential in der Pflanze [MPa] -0,03 bis -0,1-0,1 bis -0,2-0,2 bis -0,5 < -0, Vergleich zweier Messtechniken Obwohl in der Literatur statt einer zeitverzögerten Messung die Bestimmung des Blattwasserpotentials unmittelbar nach Probenahme empfohlen wird [346], fand ein Vergleich beider Methoden statt. Parallel zur Bestimmung des Blattwasserpotentials in der Versuchsfläche Kleine Kalmit (Ilbesheim) zwischen 3:05 und 3:30 Uhr wurden von den beprobten Rebstöcken jeweils zwei eingehüllte Blätter geschnitten, in ihren nummerierten Plastikbeuteln luftdicht verpackt und bis zur Messung dunkel und gekühlt aufbewahrt. Dies wurde in der Lage Idig (Königsbach) bei der Beprobung zwischen 6:00 und 6:30 Uhr wiederholt. Die Messung der Blätter aus der Lage Kleine Kalmit erfolgte um 7:50 Uhr, also 4 Std. 50 min nach Probenahme, die der Blätter aus der Lage Idig im Anschluss um 8:25 Uhr, also 2 Std. 25 min nach Probenahme. Der Vergleich der Messreihen erfolgte mittels Student t-test.

75 Analyse der Versuchsweine Diurnaler Verlauf des Blattwasserpotentials Vom auf den wurde in der Fläche Idig (Königsbach) die diurnale Entwicklung des Blattwasserpotentials an acht markierten, repräsentativen und gesunden Rebstöcken untersucht. Bei wolkenlosem Himmel und Windstille stiegen die Temperaturen im Tagesverlauf von 6 C auf 22 C an und erreichten im Laufe der Nacht wieder ein Minimum von 6 C. Sonnenauf- und untergang waren um 7:44 bzw. 18:42 Uhr [10]. Die Messungen erfolgten zu neun Terminen, wobei das nächtliche und frühmorgendliche Blattwasserpotential anhand von acht Einzelmessungen wie bereits beschrieben bestimmt wurde. Da während der Besonnungsphase die Blätter einer Rebpflanze je nach Exposition unterschiedlich stark transpirieren und somit unterschiedliche Blattwasserpotentiale aufweisen, wurde für diesen Zeitraum das so genannte Stammwasserpotential zur weiteren Untersuchung herangezogen. Dazu wurden mindestens 1,5 Std. vor Probenahme Blätter mit Aluminiumfolie umhüllt, was zur Einstellung der Transpiration dieser Blätter und somit zur Angleichung des Blattwasserpotentials mit dem in allen Teilen des Stamms vorliegenden Wasserpotential führte [53]. Choné et al. (2001) zeigten, dass unterschiedliche Beschattungszeiten der Blätter von 1 Std., 2 Std. und 6 Std. zu identischen Ergebnissen führt [53], weshalb davon ausgegangen werden kann, dass der hydrostatische Druckausgleich zwischen Blättern und Stamm nach einer Beschattungszeit von 1,5 Std. erreicht war. Die Auswahl der Blätter erfolgte auf der Schattenseite der jeweiligen Reihe, um eine Überhitzung der Aluminiumtaschen zu vermeiden. Unmittelbar nach Abtrennung wurden die Blätter mitsamt Aluminiumhülle in die Druckkammer eingespannt und das Wasserpotential bestimmt. 2.7 Analyse der Versuchsweine Die Versuchsweine wurden einer umfangreichen weinchemischen Analyse unterzogen, wobei die Bestimmung der Dichte mittels Biegeschwinger sowie die von ph-wert und titrierbarer Gesamtsäure an einem TitroLine alpha Titrator (Schott Instruments, Mainz) gemäß der VO (EWG) Nr. 2676/90 erfolgte [9]. Während die Gehalte an Fruktose und Glukose enzymatisch sowie der Gesamtphenol-Gehalt photometrisch an einem Konelab 20i (Thermo Electron, Dreieich) bestimmt werden konnten, erfolgte die Analyse von Ethanol und Glycerin mittels High Performance Liquid Chromatography (HPLC) gemäß O.I.V.-Empfehlung [247] auf einer MetaCarb 67C-Säule (Varian, Palo Alto, CA) in Kombination mit einem Brechungsindex-Detektor (Sunchrom, Friedrichsdorf). Ebenso fand die Untersuchung von Wein-, Äpfel-, Zitronen-, Bernstein-, Shikimi-, Milch- und Essigsäure mittels HPLC gemäß O.I.V.-Empfehlung [247] statt, jedoch auf einer SäureScreening-Säule (Sunchrom, Friedrichsdorf) und in Kombination mit einem UV- Detektor (UV-2075 Plus, Jasco, Groß-Umstadt). Die Lichtabsorption bei 280 nm wurde an einem Cary 100 Conc UV-Visible Spectrophotometer (Varian, Palo Alto, CA) mit einer 2 mm Küvette gemessen. Tab. 2-8 gibt eine Übersicht über die Analysekennwerte, die im Anhang in Tab. 7-5 und Tab. 7-6 für jeden Wein aufgeführt sind.

76 44 Tab. 2-8: Chemische Analysemethoden für die Versuchsweine Material und Methoden Zielgröße Einheiten Analysemethode Weinsäure g l -1 HPLC-UV/vis Äpfelsäure g l -1 HPLC-UV/vis Zitronensäure g l -1 HPLC-UV/vis Bernsteinsäure g l -1 HPLC-UV/vis Shikimisäure g l -1 HPLC-UV/vis Milchsäure g l -1 HPLC-UV/vis Essigsäure g l -1 HPLC-UV/vis Gesamtsäure g l -1 titrimetisch bis ph 7 ph ph-elektrode Dichte kg l -1 Biegeschwinger Ethanol % vol. HPLC-Ri Glycerin g l -1 HPLC-Ri Fruktose g l -1 enzymatisch Glukose g l -1 enzymatisch Gesamtphenole g l -1 photometrisch (Folin-Ciocalteu) Absorption bei 280 nm photometrisch 2.8 Deskriptive Analyse Bei der deskriptiven Analyse werden sensorische Eigenschaften von Lebensmitteln durch Prüfer identifiziert, quantifiziert und beschrieben [260, 329], womit die Unterschiede zwischen den analysierten Lebensmitteln einer statistischen Beurteilung zugänglich gemacht werden. Vor der eigentlichen Bewertung der Proben durch die Prüfer steht das Zusammenstellen geeigneter Attribute zur Beschreibung der sensorischen Unterschiede, die Entwicklung von dazugehörenden Geruchs- und Geschmacksreferenzen zur Standardisierung der Bewertungen sowie ein Training der Prüfer mithilfe der Referenzen zur Beherrschung und reproduzierbaren Anwendung der gewählten Attribute [209] Aufstellen von Attributen und Entwicklung von Geruchsreferenzen Vor der sensorischen Analyse der Versuchsweine, die drei Monate nach deren Abfüllung im Juni / Juli 2005 bzw stattfand, wurden in beiden Jahren die Weine des aktuellen Jahrgangs von einem Expertengremium verkostet und im Konsens ein umfassendes Vokabular zur Beschreibung der geruchlichen und geschmacklichen Eigenschaften der Weine zusammengestellt (siehe Tab. 2-9). Von dem Gremium als fehlerhaft wahrgenommene Weine wurden von der weiteren Analyse ausgeschlossen (siehe Tab. 2-10).

77 Deskriptive Analyse 45 Tab. 2-9: Sensorische Attribute für die deskriptive Analyse der 2004er und 2005er Rieslinge Geruch Geschmack mineralisch Honig/Karamell süß Rhabarber rauchig sauer Zitrone/Grapefruit blumig spitze Säure Apfel grünes Gras/Gurke hartes Mundgefühl Pfirsich/Aprikose Buchsbaum bitter Mango/Maracuja grüne Bohne 1 mineralisch 2 Honigmelone brotig/buttrig/hefig/schweißig Farbintensität 1 Bewertung nur in der deskriptiven Analyse des Jahrgangs 2004; 2 Bewertung nur in der deskriptiven Analyse des Jahrgangs 2005 Tab. 2-10: Von der deskriptiven Analyse ausgeschlossene Weine Jahrgang Wein 2004 Forster Pechstein (Bürklin-Wolf), Ausbau Weingut 2004 Burrweiler Altenforst, Ausbau Weingut 2004 Schweigener Sonnenberg, Ausbau Weingut 2005 Mayschoßer Mönchsberg, standardisierter Ausbau 2005 Kreuznacher Kahlenberg, Ausbau Weingut 2005 Brauneberger Juffer, standardisierter Ausbau 2005 Brauneberger Juffer, Ausbau Weingut Zu den gewählten Attributen wurden entsprechende Geruchs- und Geschmacksreferenzen entwickelt (siehe Tab. 2-11), wobei letztere lediglich zum Training der Prüfer eingesetzt und nicht während der eigentlichen deskriptiven Analyse gereicht wurden. Die Zubereitung der Geruchsreferenzen erfolgte mit wenigen Ausnahmen, wie von Noble et al. (1987) vorgeschlagen [239], mit frischen, kommerziell erhältlichen Zutaten sowie einem aroma-neutralen Riesling. Die Geschmacksreferenzen wurden ebenfalls in einem Riesling angesetzt, wobei dieser Wein ausreichend niedrige Zucker- und Gesamtsäuregehalte aufweisen musste, so dass die für das Training bestimmten unterschiedlichen Geschmacksintensitäten innerhalb der Bandbreite der Versuchsweine lagen. Die Geschmacks- und Geruchsreferenzen wurden zu jedem Trainings- bzw. Prüftermin frisch zubereitet.

78 46 Material und Methoden Tab. 2-11: Herstellung von Geruchs- und Geschmacksreferenzen zur Kalibrierung der Prüfer hinsichtlich der Qualität und Intensität von Geruchs- und Geschmacksattributen Geruchsstandard Zitrone / Grapefruit Pfirsich / Aprikose Mango / Maracuja Apfel Rhabarber Honigmelone grünes Gras / Gurke Buchsbaum grüne Bohne rauchig Honig / Karamell brotig / buttrig / schweißig / hefig blumig mineralisch Geschmacksstandard Herstellung 25 ml frisch gepresster Zitronensaft + 15 ml Grapefruitsaft (von Albi) ml Grundwein 1 20 ml Pfirsichsaft (von Merziger) + 11 ml Aprikosensaft (von Granini) ml Grundwein 25 ml Mango / Maracujasaft (von Albi) ml Grundwein 67 ml Apfelsaft (Direktsaft Apfelsaft naturtrüb von Lindavia) + 33 ml Apfelsaft Grüner Apfel (von Pfanner) ml Grundwein 3 Stücke à ca. 7 cm, 3 h extrahieren in 500 ml Grundwein 160 g Honigmelone, gewaschen und klein geschnitten (ohne Kerne, mit Schale), 25 min extrahieren in 500 ml Grundwein 4 g Gras (geschnitten), 20 min extrahieren in 500 ml Grundwein + eine Scheibe Salatgurke (mit Schale), 20 sec extrahieren g frische Triebe (klein geschnitten), min extrahieren in 500 ml Grundwein 20 ml Bohnenlake (Konserve von Bonduelle) ml Grundwein 180 µl Stammlösung Vinylguaiacol ml Grundwein (Stammlösung: 10 mg 4-Vinylguaiacol / 100 ml Ethanol, 96 % vol., unvergällt) 2 Teel. Honig (Breitsamer: Gebirgsblüten 2 / Geller: "Rapshonig" 4 ) + 0,2 g Werthers Echte ml Grundwein 1,5 g Trockenhefe + 35 µl Stammlösung Valeriansäure + 45 µl Stammlösung Diacetyl ml Grundwein (Stammlösung: 300 µl Valeriansäure / 100 ml Ethanol, 96 % vol., unvergällt) (Stammlösung: 1 ml Diacetyl / 100 ml Ethanol, 96 % vol., unv.) 270 µl Stammlösung Rosenöl ml Grundwein (Stammlösung: 18 µl Rosenöl (ChB:10423 aus der Apotheke) / 50 ml Ethanol, 96 % vol., unvergällt) etwas feinen Rheinkies mit Grundwein benetzen Herstellung sauer 2 g Weinsäure ml Grundwein 2,3 1 g Weinsäure ml Grundwein 4,5 süß 4 g Fruktose ml Grundwein 2,3 2 g Fruktose ml Grundwein 4,5 bitter 0,5 g Coffein ml Grundwein 3,5 1 Deskriptive Analyse des Jahrgangs 2004: Riesling Spätlese 2004, DLR-Staatswgt. mit Johannitergut; Deskriptive Analyse des Jahrgangs 2005: Riesling Johanniterschoppen 2005, DLR-Staatswgt. mit Johannitergut; 2 Deskriptive Analyse des Jahrgangs 2004; 3 Riesling Spätlese 2003, DLR-Staatswgt. mit Johannitergut; 4 Deskriptive Analyse des Jahrgangs 2005; 5 Riesling Johanniterschoppen 2005, DLR- Staatswgt. mit Johannitergut

79 Deskriptive Analyse Selektion des Prüferpanels Die Gruppen der Prüfer bestanden aus Mitarbeitern des DLR Rheinpfalz und externen Prüfern, die aufgrund von Verfügbarkeit, Interesse und Zuverlässigkeit ausgewählt wurden. Der Grossteil der ausgewählten Personen hatte bereits mehrfach an deskriptiven Analysen von Weinen teilgenommen. Das Panel zur Bewertung der 2004er Weine bestand aus acht weiblichen und zwölf männlichen Personen im Alter von 23 bis 56 Jahren. Zur Beurteilung der 2005er Weine wurden aufgrund der großen Probenanzahl zwei Panels gebildet, die jeweils 15 und 14 Prüfer (sieben weibliche und acht männliche (Panel 1), bzw. drei weibliche und elf männliche (Panel 2) im Alter von 23 bis 56 Jahren) umfassten Training der Prüfer und Bewertung der Weine Die sensorischen Prüfungen fanden in beiden Jahren zweimal wöchentlich (dienstags und donnerstags) zwischen 9:00 und 16:30 Uhr statt und erstreckten sich über einen Zeitraum von jeweils fünf Wochen. Zu allen Terminen wurden an jedem Arbeitsplatz Geruchsreferenzen in beschrifteten, abgedeckten INAO Degustationsgläsern (DIN 10960) gereicht. Zu den Trainingsterminen, an denen die Intensität von Geschmacksattributen bewertet werden sollte, wurden darüber hinaus Geschmacksreferenzen angeboten. Jeder Arbeitsplatz war zudem mit einem Expektorationsgefäß sowie einem Glas Wasser zum Spülen des Mundraums ausgestattet. Die Proben waren mit zufällig gewählten dreistelligen Nummern codiert. Während bei den Trainingseinheiten alle Prüfer die Geruchs- und Geschmacksproben in der gleichen Reihenfolge verkosteten, wurden die Weine sowohl während des Trainings als auch der eigentlichen sensorischen Prüfung in einer komplett randomisierten Abfolge gereicht. Die standardisiert vinifizierten Weine wurden in dreifacher, die individuell im Weingut ausgebauten Weine in doppelter Wiederholung verkostet. Die Prüfer bekamen die Weine (30 ml) in DIN Verkostungsgläsern (DIN 10960, Sensus Glas) bei einer Temperatur von 12 C und mit einem Plastikdeckel verschlossen gereicht. Pro Session waren höchstens zwölf Weine in zwei Runden von jeweils sechs Weinen zu beurteilen. Die Prüfer wurden angehalten, nach jedem Wein zu expektorieren und den Münd zu spülen. Ungesäuertes Knäckebrot stand den Prüfern zur Neutralisation bereit. Die Prüfer beurteilten die farblichen und geruchlichen Attribute in monadischer Abfolge, während die Geschmacksattribute nicht monadisch abgefragt wurden Einzelheiten zur deskriptiven Analyse der 2004er Weine Die deskriptive Analyse der 2004er Weine fand in einem nicht-klimatisierten Prüfraum unter natürlichen Lichtverhältnissen statt, wobei die Prüfer an Einzeltischen arbeiteten. Zu Beginn der deskriptiven Analyse durchliefen die Prüfer vier Trainingseinheiten, in denen sie sich mit dem Verfahren der deskriptiven Analyse vertraut machten und für die ausgewählten Attribute sensibilisiert wurden. Die Trainingseinheiten umfassten folgende Aufgabenstellungen:

80 48 Material und Methoden Trainingseinheit 1: Bewertung der Intensität der Geschmacksattribute bitter, sauer, süß in jeweils fünf Proben; Bewertung der Intensität von sechs Geruchsattributen in jeweils drei Proben (Zusammensetzung der Proben in Tab. 7-8) Trainingseinheit 2: Bewertung der Intensität der Geschmacksattribute bitter, sauer, süß in jeweils fünf Proben; Bewertung der Intensität von acht Geruchsattributen in jeweils drei Proben (Zusammensetzung der Proben in Tab. 7-9) Trainingseinheit 3: Bewertung der Intensität des Geschmacksattributs bitter in jeweils fünf Proben; Bewertung der Intensität von drei Geruchsattributen in jeweils drei Proben; Bewertung von vier Versuchsweinen (Zusammensetzung der Proben in Tab. 7-10) Trainingseinheit 4: Bewertung von acht Versuchsweinen (Zusammensetzung der Proben in Tab. 7-11) Die Auswertung der Ergebnisse einer Einheit erfolgte am gleichen Tag, so dass die Aufgabenstellung der folgenden Einheit auf den Stand des Panels abgestimmt und den Prüfern ein schnelles Feedback gegeben werden konnte. Tab. 7-7 im Anhang gibt eine Übersicht über die Reihenfolge der Attribute während der sensorischen Prüfung. Die Bewertung erfolgte auf mit der Software FIZZ Aquisition Version 2.00 (Biosystems, Couternon) erstellten Prüfbögen. Sensorische Intensitäten eines jeden geruchlichen und geschmacklichen Attributs wurden auf einer unstrukturierten 10 cm langen Skala markiert, die links und rechts wie in Tab. 7-7 angegeben definiert war. Ein exemplarischer Prüfbogen ist im Anhang in Abb. 7-2 abgebildet Einzelheiten zur deskriptiven Analyse der 2005er Weine Die deskriptive Analyse der 2005er Weine fand in einem speziellen Sensorik-Labor statt. Jeder Prüfer arbeitete in einer seitlich abgeschirmten Prüfkabine, die mit Tageslichtlampen (5600 K) beleuchtet wurde und mit Flachbildschirm, Tastatur und Maus zur Dateneingabe ausgestattet war. Alle Prüfkabinen waren mit einem sich in einem Nebenraum befindenden Zentralrechner verbunden, über den mittels der Software FIZZ Aquisition Version 2.00 (Biosystems, Couternon) die Abgabe der Bewertungen registriert und ausgewertet wurde. Zu Beginn der deskriptiven Analyse absolvierten die Prüfer vier Trainingseinheiten, die folgende Aufgabenstellungen beinhalteten: Trainingseinheit 1: Bewertung der Intensität der Geschmacksattribute bitter, sauer, süß in jeweils fünf Proben; Bewertung der Intensität von acht Geruchsattributen in jeweils drei Proben (Zusammensetzung der Proben in Tab. 7-12)

81 Deskriptive Analyse 49 Trainingseinheit 2: Bewertung der Intensität der Geschmacksattribute bitter, sauer, süß in jeweils fünf Proben; Bewertung der Intensität von fünf Geruchsattributen in jeweils drei Proben; Bewertung der Intensität von sechs paarweise kombinierten Geruchsattributen in jeweils drei Proben (Zusammensetzung der Proben in Tab. 7-13) Trainingseinheit 3: Bewertung der Intensität der Geschmacksattribute bitter, sauer, süß in jeweils fünf Proben; Bewertung der Intensität von sechs paarweise kombinierten Geruchsattributen in jeweils drei Proben; Erstellung einer Rangfolge für drei mineralisch schmeckende Weine; Bewertung von vier Versuchsweinen (Zusammensetzung der Proben in Tab. 7-14) Trainingseinheit 4: Bewertung von acht Versuchsweinen (Zusammensetzung der Proben in Tab. 7-15) Auch hier erfolgte die Auswertung der Ergebnisse einer Trainingseinheit am gleichen Tag, so dass die Aufgabenstellung der folgenden Einheit auf den Stand des Panels abgestimmt und den Prüfern ein schnelles Feedback gegeben werden konnte. Die Erstellung der Rangfolge der mineralisch schmeckenden Weine erwies sich für den Grossteil der Prüfer als äußerst schwierig, was als mangelndes Verständnis des Attributs mineralischer Geschmack interpretiert wurde. Infolgedessen musste dieses Attribut in der vierten Trainingseinheit jedem Prüfer im Einzelgespräch anhand der Trainingsweine erklärt werden. Mineralischer Geschmack wurde als neues Attribut aufgenommen und das Attribut grüne Bohne verworfen. Bei der sensorischen Prüfung der 2004er Weine konnte eine Erwärmung der Proben von 12 C zu Beginn der olfaktorischen Bewertung auf bis zu 22 C zum Zeitpunkt der Geschmacksprüfung beobachtet werden. Da die gustatorische Bewertung der Weine bei optimaler Trinktemperatur (12 C) erfolgen sollte, wurden die Geschmacksattribute in der Bewertungs-Reihenfolge vorgezogen. Einer möglichen Beeinträchtigung bei der Bewertung der Geruchsattribute durch retronasale Effekte konnte durch ausgiebiges Spülen des Mundraumes und Reichen von ungesäuertem Knäckebrot weitestgehend vorgebeugt werden. Wie in Kapitel bereits beschrieben, wurden zur Beurteilung der 2005er Weine zwei Panels eingesetzt. Panel 1, das von 9:00 bis 13:00 Uhr arbeitete, bewertete die pfälzischen Versuchsweine. Panel 2 verkostete die übrigen Weine zwischen 14:00 und 16:30 Uhr. Eine gleichartige Bewertungsweise der beiden Panels ist Voraussetzung zum sensorischen Vergleich von Weinen, die von unterschiedlichen Panels bewertet wurden. Zur Überprüfung der Vergleichbarkeit beider Panels mussten diese die in Tab aufgeführten Weine in Wiederholung verkosten. Die sensorische Intensität eines jeden Attributs wurde auf einer unstrukturierten 10 cm langen Skala per Mausklick aufgezeichnet, bei der die Skalenenden wie bereits beschrieben benannt waren.

82 50 Material und Methoden Tab. 2-12: Weine, die zur Überprüfung der Vergleichbarkeit beider Panels eingesetzt wurden Jahrgang Wein 2005 Birkweiler Kastanienbusch, standardisierter Ausbau 2005 Schweigener Sonnenberg, Ausbau Weingut 2005 Niersteiner Auflangen, standardisierter Ausbau Aufarbeiten der Daten Die Prüfbögen der deskriptiven Analyse der 2004er Weine mussten gescannt und die Bewertungen in die Software FIZZ Calculations Version 2.01 (Biosystems, Couternon) eingelesen werden. Dem folgte eine manuelle Prüfung des Datensatzes auf Lücken, die beispielsweise durch versehentlich nicht bewertete Proben oder Erkennungsfehler während des Scan-Vorgangs entstanden. Falls die Original-Daten nicht vorlagen, wurde der Mittelwert über alle Bewertungen des entsprechenden Attributs für die jeweilige Probe eingesetzt. Zur weiteren Auswertung erfolgte der Übertrag der Daten nach Excel. Die Daten der deskriptiven Analyse der 2005er Weine konnten direkt von der FIZZ Software nach Excel übertragen werden. Die computergesteuerte Erfassung der Bewertungen bot den Vorteil eines lückenlosen Datensatzes, da programmbedingt erst alle Proben eines Auftragsschrittes bewertet sein mussten, bevor ein Prüfer zum nächsten Auftragsschritt übergehen konnte Vergleichbarkeit von Panel 1 und Panel 2 Der Vergleich der Bewertungsweise beider Panels erfolgte mittels Student t-test. Dazu wurden für jeden Wein und jedes Attribut der Mittelwert über alle Prüfer eines Panels und alle Wiederholungen gebildet und die Bewertungen beider Panels für jeden der drei Weine miteinander verglichen. Der Test konnte keine signifikanten Unterschiede zwischen den Bewertungsweisen beider Panels nachweisen Analyse der Prüfereffizienz In sensorischen Studien werden Prüfer als Messinstrumente eingesetzt. Sie müssen somit den gleichen Anforderungen entsprechen, die auch an Messinstrumente der instrumentellen Analytik gestellt werden: Prüfer sollen eine ausreichende Sensibilität besitzen und sie sollen präzise Bewertungen abgeben, womit eine hohe Reproduzierbarkeit bei gleichzeitiger hoher Diskriminierung zwischen den Proben einhergeht [261]. Obwohl die Sensibilität und Präzision von Panels durch die Wahl geeigneter Prüfer, Training und den Einsatz von Geruchs- und Geschmacksreferenzen optimiert werden kann, tragen eine Reihe von Faktoren zur Variabilität der Prüfer bei. Adaptation, die Abnahme bzw. Veränderung der Sensibilität für einen Stimulus in Folge wiederholter Exposition des oder eines ähnlichen Stimulus, führt zu veränderten Wahrnehmungsschwellen und somit zu Variabilität in der Bewertung von Intensitäten. Eine zweite Va-

83 Deskriptive Analyse 51 riabilitätsquelle stellt der Komplex der psychologischen Faktoren dar, der kognitive Täuschungen, Muster-Effekte, Motivations- und Konzentrationsprobleme sowie Unsicherheit beim Einsatz der Bewertungsskala umfasst. Kognitive Täuschungen treten auf, wenn Prüfer zwei oder mehr Probe-Eigenschaften miteinander verbinden: Die Erfahrung, dass beispielsweise dunkle Biere geschmacksintensiver oder dunkelfarbige Mayonnaisen mit großer Wahrscheinlichkeit ranzig sind [209], führt entgegen der initialen Wahrnehmung zur Modifikation von Beurteilungen. Trotz randomisierter Präsentation der Proben, suchen Prüfer nach Mustern in der Probenabfolge und werden vermeintliche Wiederholungen von Proben ähnlich bewerten, womit Muster-Effekte auftreten. Motivations- und Konzentrationsprobleme können von emotionalen Belastungen oder Arbeitsdruck hervorgerufen werden. Unsichere Prüfer nutzen lediglich einen engen Skalenbereich zur Bewertung, was zu einer befriedigenden Reproduzierbarkeit, jedoch auch zu einer schlechten Differenzierung zwischen den Proben führt. Im Gegensatz dazu tendieren manche Prüfer zu Extrembewertungen, d.h. sie nutzen bevorzugt die Endbereiche der Skala, was die Bewertung des Panels in seiner Gesamtheit verzerrt. Eine dritte Variabilitätsquelle stellt der Komplex der physischen Faktoren dar, der die gesundheitliche Verfassung und den Biorhythmus der Prüfer sowie den Konsum von Kaffee, Zigaretten und anderen Nahrungs- und Genussmitteln unmittelbar vor der sensorischen Prüfung umfasst [209]. Da Prüfer mit wiederholt unzureichender Reproduzierbarkeit und ungenügender Fähigkeit zur Differenzierung der Proben die Paneleffizienz verringern, wurde in dieser Studie für die drei eingesetzten Panels ein Prüfer-Ranking anhand der beiden genannten Kriterien erstellt und die Bewertungen der drei (deskriptive Analyse Jahrgang 2004) bzw. zwei (deskriptive Analyse Jahrgang 2005) ineffizientesten Prüfer eines jeden Panels aus dem Datensatz entfernt. Zur Erstellung der Rankings wurde für jedes Panel eine zwei-faktorielle Varianzanalyse (siehe Kapitel ) mit Wein und Wiederholung als Varianzquellen und den bewerteten Attributen als abhängige Variablen durchgeführt. Im nächsten Schritt wurde bei jedem Prüfer für jedes Attribut die Häufigkeit des Annehmens der Nullhypothese Es gibt keinen Unterschied zwischen den Proben. (H 0 ) bei der Varianzquelle Wein und die Häufigkeit des Ablehnens von H 0 bei der Varianzquelle Wiederholung erfasst. Das Annehmen von H 0 bei der Varianzquelle Wein deutet auf eine schlechte Differenzierung zwischen den Proben bei dem jeweiligen Attribut hin, wohingegen das Ablehnen von H 0 bei der Varianzquelle Wiederholung eine unzureichende Reproduzierbarkeit anzeigt. Die Rankings ergaben sich aus der Summe der beiden Häufigkeiten für jeden Prüfer (Ergebnisse nicht dargestellt). Falls Prüfer in ihrer Häufigkeitssumme die gleiche Rangfolge einnahmen, fiel die Wahl auf den Prüfer mit der schlechteren Differenzierung zwischen den Proben. Folgende Prüfer wurden aus den Panels entfernt: Deskriptive Analyse, Jahrgang 2004: Prüfer 9, 15, 19 Deskriptive Analyse, Jahrgang 2005, Panel 1: Prüfer 111, 114 Deskriptive Analyse, Jahrgang 2005, Panel 2: Prüfer 211, 212 Zur Überprüfung der Steigerung der Paneleffizienz nach Entfernung der jeweiligen Prüfer wurde mit dem Original-Datensatz sowie dem bereinigten Datensatz für jedes Panel eine drei-faktorielle Varianzanalyse mit den Varianzquellen Prüfer (fixed Effekt), Wein

84 52 Material und Methoden und Wiederholung samt Interaktionen durchgeführt und die einander entsprechenden F-Werte verglichen. Eine Steigerung der F-Werte bei der Varianzquelle Wein sowie eine Abnahme der F-Werte bei den übrigen Varianzquellen bei den mit dem bereinigten Datensatz durchgeführten Varianzanalysen zeigte eine Verbesserung der Paneleffizienz innerhalb aller Panels an (Ergebnisse nicht dargestellt). 2.9 Aromaanalyse Die Aromaanalyse fand parallel zur deskriptiven Analyse statt, um den sensorischen Ergebnissen die aktuelle aromachemische Zusammensetzung der Weine gegenüberstellen zu können und mögliche Aromaveränderungen durch Alterungsprozesse bei einem späteren Untersuchungstermin auszuschließen. Die Weine wurden vor der Analyse sensorisch auf Fehler geprüft. Die Analyse erfolgte in zweifacher Wiederholung nach einer von Ganß (2004) [113] und Schröder (persönl. Mitteilung, Mai 2005) entwickelten Methode Theoretische Grundlagen Zur Untersuchung der Aromakomponenten wurde eine Headspace-Analyse mittels Solid-Phase Microextraction (SPME) durchgeführt. Die Headspace-Analyse besitzt anderen Analysemethoden gegenüber den Vorteil, dass die Aromazusammensetzung des Dampfraumes über einer Probe ähnlicher der des olfaktorisch wahrgenommenen Aromas ist als die Zusammensetzung eines Aromaextraktes, der beispielsweise mittels flüssig-flüssig Extraktion gewonnen wurde [243, 366]. Dies bedeutet, dass die von der Nase wahrgenommenen Geruchsimpressionen durch die Headspace-Methode tatsächlich auch weitestgehend analytisch erfasst werden. Die SPME bietet dabei die Möglichkeit, durch minimale Probenvorbereitung und eine hohe Automatisierbarkeit eine große Anzahl von Proben in kurzer Zeit zu analysieren [159, 187, 364]. Kernstück der SPME-Vorrichtung ist eine an eine Metallnadel befestigte fused silica Faser, die von einem dünnen Film stationärer Phase umgeben ist. Diese Anordnung ist in eine Stahlkanüle integriert, aus der sie ein- und ausgefahren werden kann. Die Kanüle bietet der Faser ausreichenden Schutz, wenn bei der Analyse die Septen von Probengefäßen oder Injektoren durchdrungen werden. Der Film stationärer Phase fungiert als Lösungsmittel für die adsorptive Extraktion der flüchtigen Verbindungen aus der Probenmatrix, wobei sich die Analyten in Abhängigkeit ihrer Verteilungskoeffizienten zwischen Flüssig- und Gasphase, sowie Gasphase und stationärer Phase so lange an der Faser anlagern, bis sich im Verteilungsprozess ein Gleichgewicht eingestellt hat. Nach erfolgter Extraktion wird die Faser in den Injektor eingebracht, wo die an der Faser adsorbierten Komponenten thermisch desorbiert und mit dem Trägergasstrom auf die Säule transferiert werden [90, 134] Probenvorbereitung und Extraktion In ein 20 ml Glas-Vial wurde 4,2 g bei 150 C ausgeheiztes NaCl eingewogen, das zur Erhöhung des Dampfdruckes der flüchtigen Verbindungen und somit zur Verbesserung der Adsorptionsrate bei der späteren SPME beiträgt [134, 159, 364]. Ein dem beigefügtes Magnetrührstäbchen steigert ebenfalls die Adsorptionsraten, indem es nicht nur die

85 Aromaanalyse 53 Probe selbst verwirbelt, sondern auch den darüber stehenden Dampfraum. Dies führt zur Zerstörung der Grenzschicht, die sich zwischen SPME-Faser und Headspace aufbaut und den Übergang der Analyten an die Faser erschwert [134, 159, 354]. Eine Probenmenge von 14 ml, 3,5 µl des internen Standards I sowie 4 µl des internen Standards II (siehe Kapitel ) wurden zupipettiert, wobei der Standard II erst bei den Weinen des Jahrgangs 2005 Verwendung fand. Die Vials wurden anschließend mit einem Teflon-Septum Modell 20-LLX (Infochroma-AG, Zug, Schweiz) sowie einem Edelstahl-Crimp-Deckel Modell 20-MCB (Sun-Sri, Rockwood, TN) luftdicht verschlossen und sofort untersucht. Zur SPME wurde eine 50/30 µm Divinylbenzen/Carboxen/Polydimethylsiloxan (DVB/Carboxen/PDMS) Faser (Supelco Inc., Bellefonte, PA) eingesetzt, die in der Literatur im Vergleich mit Fasern anderer Beschichtung bei der Headspace-Analyse von Weinen als diejenige mit der höchsten Extraktionsrate für Alkohole, Aldehyde, Terpene, Isoprenoide und Ester [100, 148] charakterisiert wurde. In den Untersuchungen von Torrens et al. (2004) erfasste die DVB/Carboxen/PDMS Faser im Vergleich mit drei anderen Fasern das umfangreichste Aromaprofil bei Rot- und Weißweinen [344]. Ebenso setzten Pinho et al. (2003) die DVB/Carboxen/PDMS Faser bei der erfolgreichen Isolierung von Schwefelkomponenten bei der SPME-Headspace-Analyse von Käse ein [263]. Vor jedem Analysengang erfuhr die Faser eine thermische Reinigung im Injektor des Gaschromatographen. Die Extraktion erfolgte über 90 min in der bei 35 C temperierten Heizkammer des Autosamplers unter Agitation der Probe (250 Upm), wobei die Probe zuvor bereits für 60 sec. agitiert wurde. Die Desorption im Injektor erfolgte bei 220 C für 5 min. Der Probenauftrag auf die Säule wurde während der ersten fünf Minuten splitlos durchgeführt. Danach wurde ein Splitverhältnis von 1:10 eingestellt, um etwaige Verunreinigungen, die nach Probenauftrag in den Injektor und damit auf die Säule gelangen könnten, zu verdünnen Gaschromatographie Trennsäulen und Temperaturprogramme Die gaschromatographische Auftrennung der Komponenten erfolgte an einem mit einem CombiPAL Autosampler (CTC Analytics) ausgestatteten Varian CP Im ersten Analyseschritt wurde Wasserstoff mit einer Flussrate von 1,2 ml min -1 als Trägergas eingesetzt. Als Trennsäule fungierte eine 30 m lange ZB-Wax Kapillarsäule (Phenomenex, Aschaffenburg) mit einem Innendurchmesser von 0,25 mm und einer Phasenstärke von 0,5 µm. Das Temperaturprogramm umfasste eine zweiminütige Initialtemperatur von 40 C und stieg anschließend mit einer Rate von 4 C min -1 auf die Endtemperatur von 240 C an, die für 10 min gehalten wurde. Im zweiten Analyseschritt erfolgte die Auftrennung der Komponenten an einer Säule verschiedener Polarität. Das Trägergas war wieder Wasserstoff, jedoch mit einer Flussrate von 2 ml min -1, und es wurde eine 30 m lange ZB-5 Kapillarsäule (Phenomenex, Aschaffenburg) mit einem Innendurchmesser von 0,25 mm und einer Beschichtungsdicke von 0,25 µm eingesetzt. Das Temperaturprogramm begann mit einer Temperatur von 35 C für eine Dauer von 5 min, stieg mit einer Rate von 3 C min -1 auf 200 C an, um nach einer Minute mit einer Rate von 8 C min -1 auf die Endtemperatur von 300 C zu gelangen, die für weitere 5 min gehalten wurde.

86 54 Material und Methoden Detektoren Die eingesetzten Detektoren umfassten in beiden Analyseschritten einen Flammen- Ionisations-Detektor (FID) sowie einen schwefelselektiven Pulsed-Flame-Photometric- Detector (PFPD). Der FID wurde bei 250 C mit den Gasen Stickstoff (Flussrate 25 ml min - ), Wasserstoff (Flussrate 28 ml min - ) sowie Luft (Flussrate 300 ml min -1 ) betrieben. Der PFPD wurde ebenfalls bei 250 C betrieben, jedoch mit Wasserstoff (Flussrate 11 ml min -1 ) sowie Luft (Flussrate 17 ml min -1 und 10 ml min -1 ) Quantifizierung Die Quantifizierung erfolgte mittels zwei interner Standards, wobei bei deren Wahl darauf geachtet werden musste, dass die verwendeten Substanzen weder im Weinaroma auftraten, noch mit einem natürlichen Aromastoff co-eluierten. In Anlehnung an die Arbeit von Fischer (1995) [104] und an Vorarbeiten von Schröder (persönl. Mitteilung, Mai 2005) fand 2-Heptanol als Standard I Einsatz. Dazu wurden 100 mg 2-Heptanol an einer Analysenwaage eingewogen und bis zu einem Volumen von 10 ml mit Ethanol absolut pa. aufgefüllt. Zur näheren Untersuchung der schwefelhaltigen Aromen wurde ab dem Jahrgang 2005 auch ein Schwefelstandard mit Ethyl(methylthio)acetat eingesetzt. Diese Substanz konnte zwar bei Ananas [85] und Passionsfrucht [365] nachgewiesen werden, ist jedoch in der Literatur im Kontext Wein noch nicht beschrieben worden. Moreira et al. (2002 und 2004) [218, 219] setzten sie hingegen bei der Analyse von Schwefelkomponenten in Wein bereits als internen Standard ein. Da in keinem der PFPD-Chromatogramme der 2004er Versuchsweine ein Peak bei der für Ethyl(methylthio)acetat zu erwartenden Retentionszeit auftrat, fiel die Wahl auf diese Substanz als internen Standard II. Für diesen Standard wurden 35 µl Ethyl(methylthio)acetat mit Ethanol absolut pa. zu einem Volumen von 10 ml aufgefüllt und dies wiederum mit Ethanol absolut pa. 1:100 verdünnt. Während für Standard I die einzusetzende Menge anhand der Vorarbeiten von Schröder (persönl. Mitteilung, Mai 2005) bekannt war, musste die adäquate Dosage von Standard II experimentell bestimmt werden, wobei diese so gewählt werden sollte, dass im PFPD-Chromatogramm die Höhe des Ethyl(methylthio)acetat-Peaks im oberen Drittel der Höhen aller Peaks liegen sollte. Dazu wurde ein Versuchswein (Forster Pechstein, Fläche Bürklin-Wolf, 2005, standardisierter Ausbau) mit jeweils 4 µl (entspricht einem Gehalt von 10 µg l -1 Ethyl(methylthio)acetat in der Probe), 12 µl und 40 µl internem Standard II wie beschrieben gaschromatographisch analysiert. Anhand dieses Vergleiches wurde das einzusetzende Volumen auf 4 µl festgesetzt. Ein Ziel dieses Forschungsprojektes ist die Identifikation von Leitaromen verschiedener Terroirs. Trotz einer möglichst umfangreichen Erfassung von Aromakomponenten bei hoher Probenzahl konnte der Arbeitsschwerpunkt dieser Studie in Anbetracht der Vielzahl der miteinzubeziehenden Untersuchungsgebiete wie Pedologie, Meteorologie und Sensorik nicht bei der Aromaanalyse liegen. Dessen wurde bereits bei der Wahl der SPME als Extraktionsmethode Rechnung getragen. Dies spiegelt sich auch bei der Quantifizierung der erfassten Aromakomponenten wider: um eine statistische Auswertung des aromachemischen Datensatzes und dessen Korrelation mit den übrigen Datensätzen zu ermöglichen, erfolgte eine Quantifizierung anhand der Peakhöhen. Dazu

87 Aromaanalyse 55 wurden die Peakhöhen normalisiert, indem die individuellen Peakhöhen eines GC- Laufs durch die Peakhöhe des internen Standards, d.h. im Falle der FID-Spur die des Standards I und im Fall der PFPD-Spur die des Standards II, dividiert und mit 1000 multipliziert wurde. Die daraus erhaltenen Werte flossen als relative peak hight units (rphu) (engl.: relative Peakhöhen-Einheiten) in die statistische Auswertung ein Gaschromatographie-Massenspektrometrie Die Identifizierung der erfassten Aromakomponenten erfolgte mittels Gaschromatographie-Massenspektrometrie (GC-MS). Diese wurde jedoch nicht bei allen, sondern lediglich bei den Weinen Forster Pechstein, Fläche Bassermann-Jordan, Kleine Kalmit, Hatzenporter Kirchberg sowie Niersteiner Auflangen (Jahrgang 2005, standardisierter Ausbau) durchgeführt, deren Auswahl auf folgenden Kriterien basierte: Repräsentation der unterschiedlichen Substrate hohe Anzahl erfasster Peaks sowohl in der FID- als auch PFPD-Spur Randlage bei den PCAs über die aromachemischen Datensätze der FID- und der PFPD-Spur (Ergebnisse nicht dargestellt) Probenvorbereitung und Extraktion Die Probenvorbereitung und Extraktion erfolgte wie bereits beschrieben, wobei die Injektortemperatur allerdings 230 C betrug Chromatographisches System Ein mit einem CombiPAL Autosampler (CTC Analytics) ausgestatteter Trace GC 2000 (Thermo Electron, Dreieich) diente zur gaschromatographischen Auftrennung der Aromakomponenten. Es wurde Helium als Trägergas mit einer Flussrate von 1,2 ml min -1 sowie eine ZB-Wax Kapillarsäule mit bereits zuvor beschrieben Eigenschaften verwendet. Das Temperaturprogramm umfasste eine fünfminütige Initialtemperatur von 35 C und stieg anschließend mit einer Rate von 4 C min -1 auf die Endtemperatur von 240 C an, die 10 min gehalten wurde Massenspektrometrisches System Die massenspektrometrische Analyse erfolgte an einem DSQ (Thermo Electron, Dreieich), mit Quadropol. Die Massenfragmente wurden mittels positiver elektrischer Ionisation (EI + ) erzeugt, wobei die Ionenquelle bei einer Temperatur von 240 C betrieben wurde. Der Messbereich lag zwischen 29 und 250 u für die ersten 40 min und wurde von 29 auf 450 u für die folgenden 20 min ausgedehnt Auswertung gaschromatographischer und massenspektrometrischer Daten Die Auswertung der Analysen am Varian CP 3800 erfolgte mit der Software Galaxy Chromatography Workstation (Version , Varian Inc, Palo Alto, CA) an einem Dell Precision 360 Computer. Obwohl die verwendete Software eine automatische Integrierung der Peaks durchführt, mussten die Chromatogramme nochmals überprüft

88 56 Material und Methoden und manuell nachintegriert werden. Die Peakhöhen wurden anschließend in Excel (Version 2002) (Microsoft, Redwood, WA) übertragen und, wie bereits beschrieben, normalisiert, wobei Peaks < 1500 µv aufgrund schlechter Reproduzierbarkeit [238] und schwieriger Identifikation verworfen wurden. Zur statistischen Auswertung mussten die Ergebnisse der Aromaanalyse in eine Matrix- Form gebracht werden, d.h. wenn die einzelnen Chromatogramme die Reihen der Matrix darstellen, müssen die einander entsprechenden Peaks in den gleichen Spalten der Matrix stehen. Dies erwies sich als äußerst schwierig, da aufgrund von zeitlichen Peakverschiebungen, so genannten Retentionszeitverschiebungen, die von leichten Variationen in der Säulentemperatur, Säulenalterung oder instrumentellen Instabilitäten hervorgerufen werden können [353], und der äußerst hohen Peakdichte in den Chromatogrammen die einzelnen Peaks sich nicht mehr leicht über alle Chromatogramme einander zuordnen ließen. In der Literatur angebotene Lösungen wie die Software Chrompare [112] wurden getestet, ließen sich allerdings aufgrund der hohen Peakdichte nicht befriedigend anwenden. Somit mussten die Retentionszeitverschiebungen im optischen Vergleich aller Chromatogramme manuell ausgeglichen werden. Die Daten wurden schließlich in Matrix-Form gebracht und Peaks, die nur in ein bis zwei Proben erfasst wurden, aus dem Datensatz entfernt [243]. Aufgrund der hohen Arbeitsintensität dieser Methode konnten lediglich die Ergebnisse der Analysen auf der ZB-Wax Kapillarsäule zur statistischen Auswertung aufgearbeitet werden. Die Resultate der Analysen auf der ZB-5 Säule fanden ausschließlich bei der Identifikation der Aromakomponenten Verwendung. Die den Peaks zugehörigen Kovats-Indizes KI wurden anhand einer homologen Alkanreihe (C 7 -C 29 auf ZB-Wax; C 7 -C 32 auf ZB-5; Temperaturprogramme siehe Kapitel ) und der Gleichung 8 berechnet [104]. KI a logt = 100N logt ' R( X ) ' R( N + 1) logt logt ' R( N ) ' R( N ) (Gleichung 8) mit KI a = Kovats-Index auf der Phase a N = Anzahl der C-Atome des Alkans C N ' t R( X ) = Nettoretentionszeit der Substanz X ' t R( N ) = Nettoretentionszeit des Alkans C N ' t = Nettoretentionszeit des Alkans C N+1 R( N +1) Die Auswertung der massenspektrometrischen Daten fand an einem Dell Precision 370 Computer, der mit der Software Excalibur (Version Home Page 1.4. SR1, Thermo Electron, Dreieich) ausgestattet war, statt Identifikation Im ersten Schritt wurden die erfassten Massenspektren mit der umfangreichen NIST- Spektrensammlung (Version 2.0 b), die um eine Spektrensammlung der Arbeitsgruppe Winterhalter (Technische Universität Braunschweig) und eine selbst erstellte Spektren-

89 Statistische Methoden 57 sammlung erweitert war, abgeglichen und Vorschläge möglicher Substanzen gesammelt. Aus diesen Vorschlägen wurde die Substanz ausgewählt, deren KI ZB-Wax mit dem des aktuell untersuchten Peaks übereinstimmte und gleichzeitig einen bei den Analysen auf der ZB-5 Säule erfassten Kovats-Index besaß. Ein mit Hilfe der Software Filemaker Pro (Version 6.0Dv4, FileMaker Inc., Santa Clara, CA) angelegtes umfangreiches Chemikalienverzeichnis des DLR Rheinpfalz diente zum Abgleich der Kovats- Indizes. Die darin aufgeführten Kovats-Indizes beruhen größtenteils auf am DLR Rheinpfalz durchgeführte Referenzmessungen. Schließlich fand eine letzte Absicherung der angenommenen Vorschläge durch einen Abgleich mit in der Literatur aufgeführten Aromakomponenten im Kontext Wein statt. Die am GS-MS System identifizierten Komponenten wurden im optischen Vergleich der Chromatogramme beider Systeme auf die am GC-FID / PFPD System aufgezeichneten Chromatogramme übertragen. In Anbetracht hoher Peakdichten und Retentionszeitverschiebungen konnte nur ein Teil der identifizierten Substanzen eindeutig zugeordnet werden. Da bei der GC-MS Analyse aufgrund zu geringer Konzentrationen außer Methionol keine weiteren Schwefelkomponenten identifiziert werden konnten, beruhen die Vorschläge für die schwefelhaltigen Aromastoffe lediglich auf der Übereinstimmung in den Kovats-Indizes KI ZB-Wax und KI ZB-5. Eine Übersicht über die in dieser Studie erfassten Aromastoffe wird in Tab und Tab in Kapitel bzw sowie im Anhang in Tab. 7-19, Tab und Tab geben Statistische Methoden Statistische Kennzahlen Standardabweichung σ Zur Beschreibung der Eigenschaften einer Messreihe wird die Standardabweichung σ als Maß für die Streuung der Messwerte um den Mittelwert herangezogen. Sie ist wie folgt definiert: ( x) x i 2 σ = (Gleichung 9) n 1 mit x i = einzelner Messwert x = Mittelwert aller Messwerte x i n = Anzahl der Messwerte

90 58 Material und Methoden Korrelationskoeffizient r und Bestimmtheitsmaß R 2 Der lineare Zusammenhang zwischen zwei Variablen X und Y wird durch den Korrelationskoeffizient r nach Pearson ausgedrückt. r ist ein dimensionsloses Maß, das Werte zwischen 1 (vollständig positive) und -1 (vollständig negative Korrelation) annehmen kann und folgendermaßen definiert wird: r = ( ( y y i i y)( x y) 2 i x) ( x i x) 2 (Gleichung 10) mit x i = einzelner Messwert der Variablen X x = Mittelwert aller Messwerte x i y i = einzelner Messwert der Variablen Y y = Mittelwert aller Messwerte y i Im Falle einer vollständigen Korrelation ( r = 1) beschreiben die xy-koordinaten der Variablen X und Y eine Gerade. Ein Wert von r = 0 besagt, dass keine lineare Korrelation zwischen X und Y besteht. Dessen ungeachtet kann jedoch ein nicht-linearer Zusammenhang zwischen den beiden Variablen bestehen, wie von Meilgaard und Civille (1991) [209] ausführlich dargestellt. Das Signifikanzniveau der Korrelation wird von zahlreichen Statistik-Programmen wie z.b. der in dieser Studie verwendeten Software XLSTAT Version (Addinsoft, Paris) beim Test auf Korrelation mitangegeben. Alternativ dazu kann es anhand von Tabellen, wie beispielsweise von Fischer (1995) [104] vorgeschlagen, bestimmt werden. In dieser Studie wird das erreichte Signifikanzniveau durch die Anzahl an * angegeben (* p<0,05, ** p<0,01 und *** p<0,001, n.s. = nicht signifikant). Das Bestimmtheitsmaß R 2 leitet sich aus der Potenzierung des Korrelationskoeffizienten r ab: 2 2 R = r (Gleichung 11) Es gibt an, zu welchem Grad die Variation der Variable Y durch die Variation der Variable X erklärt wird. Bei einem Korrelationskoeffizient von r > 0, 7 werden mehr als 50 % der Varianz von Y durch die Varianz von X erklärt Student t-test Der Student t-test erlaubt es, den Mittelwert einer Messreihe mit einem gegeben Wert bzw. dem Mittelwert einer zweiten Messreihe zu vergleichen und zu bestimmen, ob die Werte signifikant voneinander abweichen. Zum Vergleich des Mittelwerts einer Messreihe mit einem gegeben Wert wird eine Prüfgröße PG nach Gleichung 12 errechnet [121], die mit den Werten der t-tabelle für

91 Statistische Methoden 59 das gewählte Signifikanzniveau und den entsprechenden Freiheitsgraden f verglichen wird. x W PG = n (Gleichung 12) s mit PG = Prüfgröße x = Mittelwert aller Messwerte W = Referenzwert s = Standardabweichung aller Messwerte n = Anzahl der Messwerte Ist die Prüfgröße PG kleiner als der der Tabelle entnommene t-wert für p=95 % und f=n-1, so ist kein Unterschied zwischen x und W nachweisbar. Gilt t (p=95 %, f=n-1) < PG t (p=99 %, f=n-1), so ist der Unterschied zwischen dem Mittelwert der Messreihe und dem Referenzwert signifikant. Bei t (p=99 %, f=n-1) < PG t (p=99,9 %, f=n-1) besteht ein hoch-signifikanter und bei PG > t (p=99,9 %, f=n-1) ein höchst-signifikanter Unterschied zwischen x und W. Der Vergleich der Mittelwerte zweier Messreihen bzw. zweier abhängiger Stichproben erfolgt analog dem Mittelwert-Referenzwert-Vergleich, wobei hier der Mittelwert der Differenz berechnet für die n Messwerte untersucht wird. Somit ergibt sich folgende Gleichung: d D PG = n (Gleichung 13) s mit PG = Prüfgröße d = Mittelwert der Differenzen D = unterstellte Differenz s = Standardabweichung der Differenzen n = Anzahl der Messwerte Wenn zwei Stichproben abhängig sind, haben sie definitionsgemäß den gleichen Umfang. Im Falle fehlender Werte für bestimmte Beobachtungen werden die Beobachtung aus beiden Stichproben entfernt oder die fehlenden Werte geschätzt Cluster Analyse Der Begriff Cluster Analyse beschreibt eine Reihe multivariater statistischer Verfahren, in denen Beobachtungen zu möglichst homogenen Gruppen, so genannten Cluster (engl.: Gruppe, (An)Häufung), zusammengefasst werden. Obwohl sowohl bei der Cluster Analyse als auch der Diskriminanzanalyse die Klassifikation von Objekten verfolgt wird, besteht ein bedeutender konzeptioneller Unterschied zwischen beiden Verfahren: Während in der Diskriminanzanalyse die Zuordnung von Beobachtungen zu vorgegebenen Gruppen erfolgt, bildet die Cluster Analyse neue Gruppen, die auf der

92 60 Material und Methoden Ähnlichkeit der Beobachtungen beruhen [3, 120]. Die Cluster Analyse lässt sich somit zur Entwicklung von Klassifizierungs-Systemen einsetzen, auf die beispielsweise die Diskriminanzanalyse aufbaut. Darüber hinaus fand die Cluster Analyse, ähnlich der PCA, zur Untersuchung latenter Strukturen in komplexen Datensätzen sowie zur Prüfung von Hypothesen bereits breite Anwendung [30, 120, 286]. Cluster Analysen können in partitionierende, überlappende und hierarchische Verfahren unterteilt werden, wobei bei letzteren eine Unterscheidung zwischen agglomerativen und unterteilenden Methoden erfolgt. Da in der Literatur hierarchische Verfahren als sehr robust angesehen werden (Scheibler und Schneider, 1985, zitiert in [120]), fiel die Wahl in dieser Studie auf das agglomerative hierarchische Clustering. Auf eine weitere Ausführung der übrigen Verfahren wird somit verzichtet. Beim agglomerativen hierarchischen Clustering wird zunächst jedes Objekt als individuelles Cluster mit einem Element aufgefasst. In jedem folgenden Schritt werden die einander ähnlichsten Cluster zu einem Cluster vereinigt bis alle Objekte in einem einzigen Cluster zusammengefasst sind. Aus unterschiedlichen Methoden zur Bestimmung der Ähnlichkeit zweier Cluster ergeben sich verschiedene agglomerative Verfahren. Diese umfassen das single linkage Verfahren, das maximum linkage Verfahren, das average linkage Verfahren, die Zentroid-Methode sowie die Minimum-Varianz- Methode, unter der die Ward s Methode (Ward, 1963, zitiert in [286] und [120]) die am weitest verbreitete und akkurateste ist [120] und in dieser Studie eingesetzt wurde. Bei der Ward s Methode werden in jedem Schritt der Aggregation alle möglichen Cluster- Kombinationen gebildet. Für jede Kombination wird die Summe der Distanzquadrate eines jeden Objekts vom Mittelwert seines jeweiligen Clusters errechnet. Aus allen Kombinationen wird schließlich das Cluster ausgewählt, das die kleinste Summe der Distanzquadrate besitzt. Das folgende Beispiel verdeutlicht dieses Verfahren: Der in Tab dargestellte Datensatz besteht aus drei Beobachtungen (1, 2 und 3) bei denen jeweils zwei Parameter (a und b) gemessen wurden. Insgesamt sind die Cluster-Kombinationen (1,2), (1,3) und (2,3) möglich. In den folgenden Gleichungen wird für jede Kombination die Summe der Distanzquadrate berechnet: Cluster(1,2): (2-2,5) + (5-5,5) + (3-2,5) + (6-5,5) + (5-5) + (7-7) = 1(Gleichung 14) Cluster(1,3): (2-3,5) + (5-6) + (3-3) + (6-6) + (5-3,5) + (7-6) = 6,5 (Gleichung 15) Cluster(2,3): (2-2) + (5-5) + (3-4) + (6-6,5) + (5-4) + (7-6,5) = 2,5 (Gleichung 16) Da die Summe der Distanzquadrate in Gleichung 14 am kleinsten ist, werden die Beobachtungen 1 und 2 als Cluster zusammengefasst. Neben dem Festlegen des Clustering-Verfahrens und der Aggregationsmethode sind auch die Wahl zwischen den Proximitätstypen Ähnlichkeit und Unähnlichkeit und die Bestimmung eines Ähnlichkeits- bzw. Unähnlichkeitskoeffizienten notwendig. Bei der

93 Statistische Methoden 61 Clusterbildung stehen grundsätzlich zwei Strategien zur Wahl. Zum einen kann mit so genannten Ähnlichkeits-Matrizen die Ähnlichkeit zwischen zwei Objekten untersucht werden, wobei ein hoher Ähnlichkeitsgrad durch große Werte in den Matrizen ausgedrückt wird [120]. Als Maß der Ähnlichkeit wurden zahlreiche Koeffizienten entwickelt, wie beispielsweise die Dice-, Gower- und Jaccard-Koeffizienten oder der Kendall Korrelationskoeffizient [12]. In der zweiten Strategie stehen die Unterschiede zwischen zwei Objekten im Mittelpunkt, die über Abstands-Matrizen erfasst werden. Ein hoher Ähnlichkeitsgrad manifestiert sich in diesem Fall durch geringe Werte in den Abstands- Matrizen [120]. Auch hier stehen zahlreiche Koeffizienten als Maß der Unähnlichkeit zu Verfügung, wie z.b. der Mahalanobis Abstand, der χ 2 Abstand [12] oder der von Sozialund Verhaltenswissenschaftlern bevorzugte Euklidische Abstand [120]. In dieser Studie erfolgte die Cluster Analyse mit dem Proximitätstypen Unähnlichkeit und dem Euklidischen Abstand als Unähnlichkeitskoeffizient. Tab. 2-13: Beispieldatensatz zur Cluster Analyse Beobachtung Parameter a 2,0 3,0 5,0 b 5,0 6,0 7,0 Die Hierarchie der Partitionen, d.h. die einzelnen Schritte der Cluster-Bildung, wird in einem so genannten Dendrogramm visualisiert, dessen Stamm einem Cluster entspricht, das alle Beobachtungen vereinigt Varianzanalyse (ANOVA) Die Varianzanalyse (ANOVA) ist ein univariates Verfahren, mit dem der Beitrag einzelner Varianzquellen, wie z.b. Prüfer, Behandlungen, Wiederholungen und deren Wechselwirkungen (ausgedrückt als Summe der Abweichungsquadrate SQ) zur Gesamtvarianz untersucht wird. Der Teil der Gesamtvarianz, der nicht mittels dieser Varianzquellen mitsamt Interaktionen erklärt werden kann, wird als unerklärte Varianz oder Versuchsfehler F bezeichnet. Der Quotient aus der Summe der Abweichungsquadrate SQ V und den Freiheitsgraden FG V einer Varianzquelle V führt zum mittleren Abweichungsquadrat MQ V, das wiederum geteilt durch das mittlere Abweichungsquadrat des Versuchsfehlers MQ F den F-Wert der Varianzquelle ergibt (siehe Tab. 2-14). Anhand des F-Wertes wird ermittelt, ob eine Varianzquelle statistisch signifikant zur Gesamtvarianz beiträgt. Wenn nicht anders angegeben, wurde die Varianzquelle Prüfer in dieser Studie als ein random (engl.: zufällig) Effekt eingestuft, d.h. die Angehörigen der Prüferpanels dieser Studie werden als zufällige Stichprobe aus der Grundgesamtheit aller möglichen Prüfer angesehen. Dies ermöglicht es, die Ergebnisse der ANOVAs über die in dieser Studie eingesetzten Prüfer hinaus zu verallgemeinern [189, 234]. Die Behandlung der Prüfer als random Effekt zieht die Einstufung der Prüfer-Interaktionen Prüfer x Wein und Prüfer x Wiederholung als random Effekte nach sich [234]. Die Varianzquellen Wein und Wiederholung selbst wurden hingegen als fixed (engl.: fest, festgesetzt)

94 62 Material und Methoden Effekte definiert, d.h. die Ergebnisse der ANOVAs sind nur für die untersuchten Weine und Wiederholungen gültig. Ebenso wird die Wechselwirkung Wein x Wiederholung als fixed Effekt angesehen. Die Kombination von fixed und random Effekten in einer ANOVA wird als mixed model (engl.: gemischtes Modell) bezeichnet. Der Einstufung der eingesetzten Prüfer als zufällige Stichprobe aus einer Grundgesamtheit muss auch bei der Berechnung der F-Werte der Varianzquellen und deren Interaktionen Rechnung getragen werden, da nun zur Fehlervarianz auch die zufällige Varianz, die durch die Wahl der Prüfer aus der Grundgesamtheit verursacht wird, beiträgt [189]. Daraus ergibt sich die in Tab dargestellte Anpassung der Nenner zur Berechnung der F-Werte bei einer mixed model ANOVA. Tab. 2-14: Berechnung der F-Werte einer ANOVA mit der Einstufung der Varianzquelle Prüfer als a) fixed und b) random Effekt (abgeändert nach [104] und [189]) Summe Varianzquelle Freiheitsgrade (FG) Abweichungsquadrate Mittleres Abweichungs-quadrat (MQ) F-Wert (SQ) Prüfer fixed Prüfer random Prüfer (P) FG P SQ P MQ = P SQ FG P P F = P MQ MQ P F F P = MQ PxW MQ + MQ P PxR MQ F Wein (W) FG W SQ W MQ = W SQ FG W W F = W MQ MQ W F F = W MQ MQ W PxW Wdhg. (R) FG R SQ R MQ = R SQ FG P F F = R MQ MQ R F F = R MQ MQ R PxR Interaktion P x W FG PxW SQ PxW MQ = PxW SQ FG PxW F F = PxW MQ MQ PxW F F = PxW MQ MQ PxW F Versuchsfehler (F) FG F SQ F MQ = P SQ FG P F Die ANOVA wurde in dieser Studie ebenfalls eingesetzt, um redundante Daten, d.h. Daten, die lediglich zum Rauschen beitragen, aus den Datensätzen herauszufiltern:

95 Statistische Methoden 63 ausschließlich die von den ANOVAs als mindestens signifikant ausgewiesenen Attribute wurden in die weitere statistische Auswertung einbezogen [38, 106, 199] Hauptkomponentenanalyse (PCA) Die Principal Component Analysis (PCA) oder Hauptkomponentenanalyse untersucht, ob sich unter den Variablen eines Datensatzes eine oder mehrere Gruppen von Variablen befinden, denen eine Hintergrundvariable zugrunde liegt, mit der sich die Variablen der Gruppe möglichst gut zusammenfassen lassen. Ziel der PCA ist es, mit der minimalen Anzahl dieser latenten Variablen, so genannten Principal Components (PCs) oder Hauptkomponenten, ein Maximum der Gesamtvarianz zu erklären, wodurch die Untersuchung der dem Datensatz zugrunde liegender Strukturen stark erleichtert wird. Die Principal Components sind lineare Kombinationen (Gleichung 17) [209] der ursprünglichen Variablen, die orthogonal und somit unkorreliert sind, d.h. sie erklären nicht dieselbe Varianz. Dabei wird durch die PC1 definitionsgemäß der größten Teil der Gesamtvarianz erklärt, gefolgt von PC2, PC3 usw. Y i mit = a x + a x a x i1 1 i2 2 ip p (Gleichung 17) Y i = Principle Component i x j = Variable j a = Koeffizient zur Variablen j ij Die Durchführung einer PCA umfasst mehrere Schritte [37, 104]: Zunächst muss der Datensatz normalisiert werden, um einer unbeabsichtigten a priori-gewichtung von Variablen aufgrund unterschiedlicher Skalierung vorzubeugen. Dies ermöglicht es, auch Variablen mit unterschiedlichen Maßeinheiten gleichzeitig in eine PCA einzubeziehen. Die Normalisierung wird erreicht, indem die Einzelwerte einer Variablen durch ihre Standardabweichung dividiert werden [115]. Bei einigen Softwarepaketen, wie z.b. XLSTAT (Addinsoft, Paris) erfolgt die Normalisierung automatisch während der Durchführung der PCA. Als zweiter Schritt wird eine Korrelationsmatrix aller einbezogenen Variablen erstellt, auf der die Berechnung der Principal Components aufgebaut wird. Der nächste Schritt wird als Extraktion der Principal Components bezeichnet, die die Wahl genau der Anzahl der Principal Components umfasst, bei der noch ein hinreichend großer Teil der Gesamtvarianz erklärt und zugleich eine ausreichend große Reduzierung der Komplexität erzielt wird. Diese kann anhand einer Reihe von Kriterien erfolgen, wie z.b. dem Erreichen eines vorher festgesetzten Niveaus der durch die Principal Components erklärten Varianz [209] oder der Betrachtung der Eigenwerte der Principal Components. Der Eigenwert oder Eigenvalue weist den Beitrag einer Principal Component an der Erklärung der Gesamtvarianz aus. Ist der Eigenwert einer Principal Component kleiner als 1, erklärt diese Komponente einen geringeren Teil der Gesamtvarianz als die ursprünglichen Variablen selbst, da jede Variable sich selbst und somit (mit einer Standardabweichung von 1 nach Datennormalisierung) eine Varianz von 1 erklärt [37]. Dies bedeutet, dass Principal Components mit einem Eigenwert kleiner als 1 nicht ausgewählt werden. Eine weitere Entscheidungshilfe bietet der so genannte Scree Plot, eine Graphik, die die nach der Größe der Eigenwerte geordneten Principal Components mitsamt der Höhe ihrer Eigenwerte aufführt. Es wird empfohlen,

96 64 Material und Methoden die Anzahl der Principal Components zu wählen, bei der der Verlauf des Scree Plots deutlich abflacht [37, 209]. Die Extraktion der Principal Components kann allerdings statistisch nicht abgesichert werden [144]. Die Koeffizienten a ij in Gleichung 17 werden Loadings oder Faktorladungen genannt und weisen die Beiträge der dazugehörenden Variablen an den Principal Components aus. Ähnlich dem Korrelationskoeffizienten r nehmen sie Werte zwischen 1 und -1 an, wobei Werte nahe 1 bzw. -1 einen großen und Werte nahe 0 einen geringen Beitrag anzeigen. Anhand der Loadings kann jeder Variablen ein genauer Punkt in einem Koordinatensystem, das von den Principal Components aufgespannt wird, zugeordnet werden. So besitzt beispielsweise der Punkt der Variable 1 in einem Koordinatensystem von 4 Principal Components die Koordinate ( a 11 / a21 / a31 / a41). Verbindet man die Loadings-Koordinaten mit dem Ursprung des Koordinatensystems, erhält man die so genannten Loadings-Vektoren. Ebenso lässt sich jeder Einzelprobe in einem so genannten Score Plot eine Position im von den Principal Components aufgespannten Koordinatensystem zuordnen. Da die Einzelproben als lineare Kombination der Variablen aufgefasst werden können, erhält man die Koordinaten der Einzelproben, wenn die Loadings der Variablen entsprechend den Werten, die die Einzelproben in den jeweiligen Variablen besitzen, addiert werden. Es lässt sich allerdings nicht prüfen, ob es statistisch signifikante Unterschiede zwischen den Positionen der Einzelproben im Score Plot gibt [144]. Die Position der Loadings und Scores zeigt den Grad ihrer Korrelation mit den Principal Components, aber auch ihre Korrelation untereinander an, wobei die Winkel zwischen den Loadings-Vektoren und den Principal Components bzw. zwischen den Loadings- Vektoren selbst herangezogen werden: ein Winkel nahe 0 indiziert eine sehr starke positive Korrelation, ein Winkel nahe 180 eine sehr starke negative Korrelation und ein Winkel nahe 90 eine sehr geringe Korrelation Partial Least Square-Regressionsanalyse (PLS) Die Partial Least Square Regression (PLS) untersucht Beziehungen zwischen einem unabhängigen Datensatz X und einem abhängigen Datensatz Y. Dazu werden ähnlich der PCA innerhalb des X-Datensatzes Faktoren oder latente Variablen t i als lineare Kombinationen der ursprünglichen Variablen x i extrahiert, mit denen die Varianz im Y-Datensatz modelliert wird. Diese Faktoren sollen dabei nicht nur ein Maximum der Varianz in beiden Datensätzen X und Y erklären, sondern auch die Y Variablen möglichst gut vorhersagen, d.h. die Abweichung zwischen den tatsächlichen und den modellierten Y-Werten soll minimal sein [374]. Neben dem Erklären von Strukturen zwischen zwei Datensätzen lässt sich die PLS auch zur Vorhersage von zu erwartenden Werten einsetzen, indem einem mit einem Trainingsdatensatz erstellten Modell (Kalibration) ein neuer X-Datensatz zugeführt wird, für den die Y-Werte anhand des Modells projiziert werden. Der PLS-Algorithmus erstellt zur Berechnung des Modells mit der maximalen Aussagekraft eine Reihe partieller Modelle, deren Güte mittels Cross-Validation oder Kreuz-

97 Statistische Methoden 65 Validierung geprüft wird. Dabei wird der Datensatz in n gleichgroße Teildatensätze unterteilt. Die partiellen Modelle werden mit einem n-1 großen Teildatensatz erstellt und mit dem verbliebenen n-ten Restdatensatz validiert, wobei für jedes Modell ein anderer Restdatensatz zur Validierung herangezogen wird. In diesem Prozess werden die partiellen Modelle unter Einbezug neuer PLS-Komponenten soweit verbessert, bis jegliche Modifikation zu keiner Steigerung der erklärten Varianz mehr führt [104, 374]. Die Qualität des erstellten Modells lässt sich einstufen anhand des Anteils erklärter Varianz in X und Y, ausgedrückt als R 2 2 X bzw. R Y, sowie des Anteils richtig vorhergesagter 2 Y-Werte im Vergleich zu den tatsächlichen Y-Werten, ausgedrückt als Q [374]. Die Bedeutung einer Variablen x i für die Beschreibung der Varianz in den Datensätzen X und Y und die Modellierung der Y-Werte wird durch deren VIP-Wert (variable importance for the projection; engl.: Bedeutung der Variablen für die Projektion) ausgedrückt [374], der eine untere Schwelle von 0,8 besitzt [373]. Die graphische Darstellung und Interpretation der Ergebnisse einer PLS erfolgt analog der einer PCA [334]. Die Loadings der X- und Y-Variablen werden in einem durch die PLS-Komponenten aufgespannten Koordinatensystem aufgetragen. Die Länge der Loadings-Vektoren gibt alternativ zu den VIP-Werten Aufschluss über den Beitrag der zugehörigen Variablen zur Erstellung des Modells. Ebenso lassen sich die X- und Y-Werte gemeinsam oder getrennt in Score Plots darstellen. Die Interpretation der Winkel zwischen den Loadings-Vektoren sowie die Position der Loadings und Scores zueinander erfolgt analog der PCA, wobei Loadings, die eng zusammen liegen, auf eine mögliche kausale Beziehung hindeuten [104], diese jedoch anhand der PLS allein noch nicht nachgewiesen ist [254]. Die PLS wurde in dieser Studie lediglich zur Erklärung von Beziehungen zwischen Datensätzen und nicht zur Vorhersage von Werten anhand eines erstellten Modells eingesetzt Diskriminanzanalyse Die Diskriminanzanalyse ist ein multivariates Verfahren, mit dem Beobachtungen, beschrieben durch eine Reihe von Variablen x i, in vordefinierte Gruppen, beschrieben durch eine diskrete abhängige Variable y, eingeordnet werden. Sie dient nicht nur zum Aufzeigen und Erklären von Gruppenunterschieden innerhalb eines Datensatzes X, sondern kann auch zur Vorhersage von Gruppenzugehörigkeiten unbekannter Beobachtungen eingesetzt werden. Bei der Diskriminanzanalyse werden ähnlich der PCA latente Variablen des Datensatzes X, so genannte Diskriminanzfunktionen, als Linearkombination der ursprünglichen Variablen x i extrahiert, diesmal jedoch mit der Zielsetzung, das Verhältnis Varianz zwischen den Gruppen Varianz innerhalb der Gruppen zu maximieren [209]. Diese Funktionen sind orthogonal, d.h. sie erklären nicht dieselbe Varianz, und es können maximal k-1 (mit k = Anzahl der Gruppen) Funktionen extra-

98 66 Material und Methoden hiert werden, wobei der ersten Funktion der größte Erklärungswert der Inter-Gruppen- Varianz zukommt, gefolgt von Funktion 2 usw. Das für jede Funktion errechnete Wilk s λ, das Verhältnis der Intra-Gruppenvarianz zur Gesamtvarianz innerhalb des Datensatzes X, ist ein indirekter Indikator für den Beitrag einer Funktion zur Modellierung der Inter-Gruppenvarianz und somit der Bedeutung dieser Funktion für das Modell. Werte nahe 0 weisen aus, dass der Großteil der Varianz innerhalb X auf die Varianz zwischen den Gruppen zurückzuführen ist, wohingegen Werte nahe 1 eine große Varianz innerhalb der Gruppen anzeigen. Besitzt eine Funktion beispielsweise ein λ von 0,8, zeigt dies, dass diese Funktion größtenteils Intra-Gruppenvarianz erklärt. Da die Diskriminanzanalyse allerdings das Ziel verfolgt, Inter-Gruppenvarianz aufzuzeigen, ist diese Funktion von nur geringer Bedeutung für das Modell [38]. Ein sich an den Wilk s λ-test anschließender χ 2 -Test weist das Signifikanzniveau des von der untersuchten Funktion erklärten Teils der Inter-Gruppenvarianz aus und gilt als Entscheidungshilfe für den Einbezug dieser Funktion in die Modellierung [38]. Die Einordnung der Beobachtungen in die jeweiligen Gruppen basiert auf der Wahrscheinlichkeit der Gruppenzugehörigkeit, die anhand der Distanz der Beobachtungen zu den Gruppen-Zentroiden, dem Mittel aller Angehörigen der jeweiligen Gruppe, berechnet wird [38]. Zur Durchführung einer Diskriminanzanalyse werden besondere Anforderungen an die Datensätze gestellt [38], um dem Phänomen des Over-Fitting vorzubeugen. Over-fitting liegt vor, wenn ein auf den ersten Blick äußerst passendes (engl.: fitting) Modell erstellt wurde, das jedoch nur geringe bis keine Aussagekraft besitzt [374]. Dies ist dann vorwiegend der Fall, wenn ein zu geringes Proben:Variablen-Verhältnis vorliegt und / oder die Variablen hochgradig untereinander korrelieren [254, 374]. Multikollinearität zwischen Variablen weisen besonders sensorische Datensätze auf [233], die zudem aufgrund der aufwändigen Datenerhebung i.r. über ein ungünstiges Proben:Variablen- Verhältnis verfügen [243]. Ebenso problematisch kann das Proben:Variablen-Verhältnis bei aromachemischen Datensätzen aufgrund äußerst sensitiver Analysemethoden sein [243]. Während Peppard (1994) [254] ein Proben:Variablen-Verhältnis von 3:1 empfiehlt, befürworten Brown und Wicker (2000) [38] ein Verhältnis zwischen 10:1 und 20:1. Da die untersuchten Datensätze dieser Studie diese in der Literatur empfohlenen Werte deutlich unterschritten, wurde die Zahl der Variablen reduziert, indem nur die in der ANOVA als signifikant ausgewiesenen Variablen in die Diskriminanzanalyse einflossen. Die in dieser Studie eingesetzte Statistik-Software XLSTAT prüft automatisch Datensätze auf Kollinearität zwischen den Variablen und schließt die entsprechenden Variablen aus den Berechnungen aus, wie von Brown und Wicker (2000) [38] empfohlen. Zur Überprüfung der Aussagekraft der erstellten Modelle wurden zwei Verfahren parallel angewendet. Zum einen erfolgte eine Kreuz-Validierung mittels leave-one-out- Verfahren. Dabei wird eine Beobachtung aus dem Datensatz abgetrennt und mit dem verbliebenen Restdatensatz eine Diskriminanzanalyse durchgeführt. Die entfernte Probe wird anschließend einer der Gruppen im erstellten Modell zugeordnet. Diese Prozedur wird wiederholt bis alle Beobachtungen gegen die jeweiligen Restdatensätze

99 Statistische Methoden 67 getestet wurden. Der Prozentsatz der richtig klassifizierten Beobachtungen weist die Güte des Modells aus [38]. Als zweite Methode erfolgte die Validierung mittels eines neuen Datensatzes, der nicht zur Erstellung des Modells herangezogen wurde. Da bei der Validierung eine korrekte Zuordnung auch zufällig erfolgen könnte, wurde der Anteil möglicher durch Zufall richtig gruppierter Beobachtungen mit dem Anteil der erfolgreichen Zuordnungen verglichen. Dazu wurde der z test of proportions [38] nach Gleichung 18 angewendet, wobei der kritische z-wert für ein gewähltes Signifikanzniveau einer Tabelle der Quantile der Standard-Normalverteilung entnommen werden kann. Für das hier gewählte Signifikanzniveau von p<0,05 beträgt der kritische z-wert 1,65, d.h. bei z-werten größer als 1,65 übertrifft die Anzahl der richtigen Zuordnungen die der durch Zufall möglichen richtigen Zuordnungen mindestens signifikant. z = N p N p a c N p ( 1 p ) c c (Gleichung 18) mit N = Anzahl der Beobachtungen p a = Anteil der richtig zugeordneten Beobachtungen p c= Anteil der möglichen durch Zufall richtig zugeordneten Beobachtungen p c wird anhand folgender Gleichung berechnet: p c = p a + p a p a k k (Gleichung 19) mit p 1 = prozentuale Gruppengröße der Gruppe 1 a 1 = Anteil der zugeordneten Beobachtungen in Gruppe 1 k = Anzahl der Gruppen Die Ergebnisse einer Diskriminanzanalyse werden ähnlich denen einer PCA graphisch dargestellt und interpretiert. Die Loadings der X-Variablen werden in einem durch die Diskriminanzfunktionen aufgespannten Koordinatensystem aufgetragen, wobei die Länge und Richtung der Loadings-Vektoren Aufschluss gibt über den Beitrag der zugehörigen Variablen zur Diskriminierung der Gruppen. Die Gruppierung der Beobachtungen wird in einem Score Plot dargestellt, in dem erkennbar ist, wie stark sich die Gruppen voneinander differenzieren Verwendete Software Die ANOVA erfolgte mittels der proc glm -Prozedur der Software SAS Version 9.12, (SAS Institute Inc., Cary, North Carolina). Für alle weiteren statistischen Analysen wurde das Programm XLSTAT Version (Addinsoft, Paris) eingesetzt.

100 68 Ergebnisse 3 Ergebnisse 3.1 Bodenkundliche Erhebungen Bodenprofile der Pfälzer Versuchsflächen Die zwölf Versuchsflächen der Pfalz umfassten sechs Parzellen auf Böden aus / mit tertiärem Kalkstein bzw. Tonmergel, zwei Flächen auf Böden aus / mit Sandstein aus dem Buntsandstein (germanische Trias) sowie zwei Flächen auf Böden aus / mit tertiärem basaltischem Vulkanit, der zum Teil mit Buntsandstein-Material durchmischt war. Jeweils eine Fläche besaß ein Profil aus / mit devonischer Grauwacke sowie eines aus / mit Rotliegend-Brekzie. Im Folgenden werden die untersuchten Profile vorgestellt. Die Ergebnisse der Bodenanalysen sind in Tab im Anhang für jede Fläche nach Bodenhorizonten aufgeführt Profil: Idig (Königsbach) I R-Ap I R Rigosol aus / mit tertiärem Kalkstein Lage: E08 09'51" N49 23'16" Höhe: 171 m ü. NN Neigung: 9 % Exposition: Südost I M II lecv Abb. 3-1: Profil Idig (Königsbach), Quelle Foto: LGB I R-Ap 0-20 cm bräunlich-schwarzer (7.5 YR 3/1), sandig-toniger Lehm (Lts); schwach skeletthaltig; sehr stark humos (h5); carbonatreich (c4); Subpolyedergefüge; starkes Wurzelwachstum