Indice
Sapere quanto a lungo un grappolo potrà mantenere caratteristiche compatibili con la commercializzazione può fare la differenza nella gestione del post-raccolta. Significa poter programmare con maggiore precisione stoccaggio, trasporto e destinazione commerciale, intervenendo prima che il decadimento qualitativo diventi evidente. Ma se a stimare questa finestra temporale fosse un algoritmo? È quanto hanno provato a fare alcuni ricercatori della Zhejiang University, in Cina, applicando diversi modelli di machine learning all’uva da tavola.
Lo studio, pubblicato sulla rivista scientifica Food Chemistry, ha portato allo sviluppo di sistemi capaci di prevedere sia la shelf-life dell’uva, sia l’evoluzione del contenuto totale di antociani durante il post-raccolta, pigmenti fondamentali per la colorazione delle uve pigmentate e rilevanti anche sul piano qualitativo e nutrizionale. L’obiettivo è andare oltre la semplice fotografia dello stato del grappolo in un determinato momento, per provare invece ad anticiparne l’evoluzione nei giorni successivi.
Dal grappolo ai dati: come è stato costruito il modello
La sperimentazione ha riguardato uva Kyoho, sottoposta a quattro diverse condizioni post-raccolta: un campione di controllo, un trattamento con anidride solforosa (SO₂), uno con triptofano e una soluzione combinata.
Nel corso della conservazione, i ricercatori hanno monitorato diversi parametri fisiologici e biochimici, utilizzando complessivamente 12 variabili per addestrare e mettere a confronto differenti algoritmi di machine learning. Lo scopo era capire quale modello fosse in grado di interpretare con maggiore precisione la relazione tra le condizioni del grappolo e la sua evoluzione qualitativa nel tempo.
Un errore di appena 1,6 giorni sulla shelf-life
È nei risultati che emerge la parte più interessante dello studio. Tra i diversi algoritmi messi a confronto, a fornire le prestazioni migliori nella previsione della shelf-life è stata una rete neurale artificiale (ANN), che ha raggiunto un coefficiente di determinazione R² pari a 0,9873 e un errore assoluto medio di 1,624 giorni. In termini pratici, nelle condizioni sperimentali considerate, la differenza media tra la shelf-life stimata dal modello e quella osservata è stata quindi di circa un giorno e mezzo.
Per comprendere meglio il funzionamento dei modelli, i ricercatori hanno poi affiancato alle previsioni un’analisi SHAP – SHapley Additive exPlanations, utilizzata per valutare il peso delle diverse variabili sui risultati ottenuti. Da questa analisi sono emersi soprattutto il tasso di distacco degli acini, la perdita di peso e il trattamento post-raccolta come fattori chiave nel descrivere l’evoluzione qualitativa dell’uva.
Il dato è significativo perché distacco degli acini e perdita di peso sono due manifestazioni direttamente associate al deterioramento post-raccolta: il primo compromette l’integrità e la commerciabilità del grappolo, mentre la seconda accompagna la progressiva disidratazione del prodotto. L’analisi consente quindi non solo di ottenere una previsione, ma anche di individuare quali parametri contribuiscono maggiormente a spiegare i cambiamenti qualitativi osservati durante la conservazione.
L’AI prova a prevedere anche gli antociani
Risultati interessanti sono emersi anche sul fronte degli antociani. In questo caso le prestazioni migliori sono state ottenute attraverso XGBoost, algoritmo di machine learning basato sulla combinazione progressiva di più modelli decisionali. Il sistema ha raggiunto un R² di 0,9355, con un errore assoluto medio di 0,0113 mg C3G per grammo. Un aspetto non secondario, considerando che durante la conservazione il patrimonio antocianico può variare e che alcuni trattamenti post-raccolta possono produrre effetti differenti sulla conservabilità e sulla qualità delle bacche.
L’anidride solforosa, per esempio, viene utilizzata per limitare problemi quali marciumi, rammollimento e distacco degli acini, ma può allo stesso tempo interferire con il patrimonio antocianico delle bacche. Riuscire a prevedere entrambe le dinamiche potrebbe quindi aiutare a valutare meglio il compromesso tra durata commerciale e mantenimento delle caratteristiche qualitative del prodotto.
Dalla previsione alla gestione della filiera
Lo studio non consegna ancora alla filiera un algoritmo pronto all’uso, ma indica con chiarezza una possibile evoluzione della gestione post-raccolta. Oggi molti controlli qualitativi restituiscono una fotografia dello stato del prodotto in un determinato momento; il machine learning punta invece a fare un passo ulteriore, utilizzando i segnali del grappolo per provare a prevedere come evolverà nei giorni successivi. Una capacità di questo tipo potrebbe avere ricadute concrete sulla gestione commerciale. Una partita con una vita residua più lunga potrebbe essere destinata a mercati più lontani o a programmi logistici più complessi, mentre un lotto soggetto a un decadimento più rapido potrebbe essere indirizzato verso circuiti distributivi più brevi o commercializzato con maggiore priorità.
Restano, però, limiti importanti. Il modello è stato sviluppato su uva Kyoho, in condizioni sperimentali specifiche, e i risultati non possono quindi essere trasferiti automaticamente alle numerose cultivar presenti nella filiera internazionale dell’uva da tavola. Per arrivare a un’applicazione operativa sarà necessario validare questi sistemi su varietà, territori e condizioni di conservazione differenti, oltre a disporre di strumenti rapidi e affidabili per raccogliere i dati necessari alle previsioni. La prospettiva resta comunque interessante. L’intelligenza artificiale potrebbe contribuire a spostare il controllo qualità da una logica prevalentemente descrittiva a una logica predittiva, trasformando la shelf-life da semplice parametro di conservazione a vero strumento di programmazione commerciale.
Federica Del Vecchio
© fruitjournal.com