Geochemische vingerafdrukken en machine learning voor het authentificeren van de herkomst van mousserende wijn

Waarom het belangrijk is de echte herkomst van je bubbels te kennen

Als we een fles mousserende wijn ontkurken—vooral een bekende naam als Champagne—betalen we niet alleen voor de drank, maar ook voor de plek waar deze vandaan komt. Namaakflessen en misleidende etiketten komen echter steeds vaker voor en vormen een bedreiging voor zowel consumenten als eerlijke producenten. Deze studie laat zien hoe kleine chemische sporen in wijn, gecombineerd met moderne data-analyse, betrouwbaar kunnen onthullen waar een fles is gemaakt, en zo een krachtig nieuw instrument bieden om wijnliefhebbers en wijnmakers te beschermen.

Het probleem van nep-bubbels

De wereldwijde markt voor mousserende wijn is snel gegroeid, vooral in het luxesegment. Dat succes trekt fraude aan: goedkope wijnen kunnen worden uitgegeven als prestigieuze exemplaren, of flessen kunnen ten onrechte beweren uit beschermde gebieden zoals Champagne of Bourgogne te komen. Traditionele middelen—papieren administratie, vrachtpapieren en officiële labels—kunnen allemaal vervalst worden. Regelgevers en producenten hebben daarom methoden nodig om de wijn zelf te testen, in plaats van alleen de documenten, om te controleren of de opgegeven herkomst echt is.

Het landschap lezen in de wijn

Elke wijngaard ligt op een unieke samenstelling van gesteente en bodem, en die ondergrondse kenmerken laten zwakke maar meetbare sporen achter in de druiven en uiteindelijk in de wijn. De onderzoekers richtten zich op Franse mousserende wijnen uit Champagne en Bourgogne, regio’s met contrasterende geologie: krijt in Champagne en klei- kalksteen in Bourgogne. Ze maten een reeks chemische aanwijzingen, waaronder de verhouding van twee vormen van strontium en de hoeveelheden van meerdere sporenelementen zoals rubidium, mangaan en boor. Deze geochemische vingerafdrukken vangen het milieu-‘accent’ van elke regio, op dezelfde manier waarop iemands spraak verraadt waar diegene is opgegroeid.

Een eenvoudig model leren het verschil te zien

Om deze chemische patronen om te zetten in een praktische test, gebruikte het team machine learning—computermethoden die leren van data. Ze kozen voor een eenvoudige aanpak genaamd logistische regressie, populair omdat de beslissingen ervan gemakkelijk te interpreteren zijn door regelgevers en producenten. Met 75 authentieke flessen (66 uit Champagne en 9 uit Bourgogne) splitsten ze herhaaldelijk de data in trainings- en testsets en gebruikten ze een techniek die de twee regio’s in balans houdt zodat de zeldzamere Bourgogne-monsters niet naar de achtergrond verdwijnen. Over duizenden testruns behaalde het model zeer hoge nauwkeurigheid bij het onderscheiden van de twee regio’s, wat bevestigt dat de wijnen duidelijke handtekeningen van hun echte herkomst dragen.

Het vinden van een goedkopere chemische snelkoppeling

Een belemmering voor routinematige tests is de kostprijs. Het meten van strontiumisotoopverhoudingen met zeer hoge precisie is uiterst betrouwbaar, maar elk monster kan ongeveer 300 euro kosten. De studie vergeleek zorgvuldig alle gemeten kenmerken één voor één en in combinatie. Alleen strontiumisotopen identificeerden de herkomst bijna perfect, maar de concentratie rubidium—veel goedkoper om te meten—presteerde vrijwel even goed. Alleen met rubidium classificeerde men de wijnen nog steeds in meer dan 90 procent van de gevallen correct, terwijl de analysekosten met ongeveer 75 procent daalden. Het combineren van rubidium met een paar andere elementen verbeterde de prestaties verder, wat flexibele opties biedt afhankelijk van budget en vereiste zekerheid.

Voorbij Champagne: een breder vangnet voor voedsel

Hoewel dit werk zich richtte op mousserende wijn, is het kader ontworpen om overdraagbaar te zijn. Dezelfde mix van chemische vingerafdrukken en transparante data-analyse kan helpen andere hoogwaardige voedingsmiddelen—zoals olijfolie, honing of koffie—te beschermen tegen herkomstfraude. De auteurs benadrukken ook de resterende uitdagingen: hun dataset beslaat slechts twee Franse regio’s, en toekomstig werk moet rekening houden met klimaatverandering, jaar-tot-jaarvariatie en consistente meetstandaarden tussen laboratoria. Toch toont de studie aan dat het verhaal van het land in elke fles bewaard blijft, en dat we door aandachtig te luisteren naar deze subtiele chemische sporen wereldwijde voedselmarkten eerlijker, beter traceerbaar en waardiger voor het vertrouwen van consumenten kunnen maken.

Bronvermelding: Lu, Y., Doerr, C. & Sebilo, M. Geochemical fingerprinting and machine learning for authenticating sparkling wine origins. npj Sci Food 10, 109 (2026). https://doi.org/10.1038/s41538-025-00635-0

Trefwoorden: wijnauthenticatie, geochemische vingerafdrukken, mousserende wijn, voedselfraude, machine learning