发表于《Food Chemistry》的一项研究称，可解释机器学习有助于预测鲜食葡萄在储藏中能保持多久，以及其花青素含量会如何随时间变化，从而为追踪果实品质衰退提供一种更细致的方法。
这项研究聚焦红地球葡萄果实，探讨了采后处理中的一个主要问题：果实腐败并不会以简单或均一的方式发生。质地、酸度、颜色和内部气体环境的变化可能同时出现，并以不同速度发展，这使得用常规方法很难估算保鲜期。研究人员表示，一个既能预测、又能解释哪些变量最重要的系统，既可支持田间采前决策，也可用于采后储藏管理。
为了建立这些预测，研究人员用五种商业盐类处理葡萄，并与清水对照进行比较。这些盐类分别是氯化钙、氯化钠、乙酸钾、乙酸钠和碳酸氢钠。随后将果粒分别在0°C和20°C下储藏，以在储藏期间形成不同的品质损失和花青素积累模式。
花青素是赋予红葡萄和紫葡萄大部分颜色的色素。它们也与外观成熟度和市场吸引力密切相关。在这项研究中，花青素积累与保鲜期一并分析，因为二者都关系到葡萄在采后和储藏期间的变化。
研究团队将多种信息输入四种机器学习算法。数据包括化学组成、果实品质测量以及周围气体环境，具体为 O2 和 CO2。研究称，目标不仅是给出准确预测，还要理解模型为何得出这些预测。
在测试的四种算法中，随机森林回归表现最佳。研究称，这些模型显示出潜力，可利用化学参数或气体环境组成来预测保鲜期和花青素积累。这一点很重要，因为种植者、包装商和储藏运营方通常需要能够使用处理和储藏过程中已采集测量数据的工具。
研究还使用了 SHAP 值，这是一种旨在显示每个输入特征对模型预测贡献大小的方法。这就是这种方法“可解释”之处。与其把机器学习当作黑箱，SHAP 分析能够指出在预测果实品质变化时最有分量的变量。
在本研究中，SHAP 结果显示，可滴定酸度和花青素在预测储藏葡萄的保鲜期方面尤为重要。该发现表明，酸度和色素发育不仅是一般性的品质指标，也是模型判断储藏葡萄是否正接近其商业保鲜期终点的核心信号。
研究人员表示，这些模型有助于区分哪些因素影响品质衰退和花青素积累，这可能为更有针对性的采前和采后策略提供指导。在实践中，这意味着可以根据模型识别出的最具影响力的变量来调整处理方式、储藏条件或监测流程。
尽管这项研究是在鲜食葡萄上进行的，但其工作也可能引起饮料行业的关注。与花青素相关的色泽发展是酿酒葡萄中的一个关键问题，而储藏或成熟决策往往取决于这里考察的同类品质指标。研究人员并未研究葡萄酒生产，但这种监测和预测方法理论上可被改用于用于酿酒的葡萄批次，或用于其他以水果为基础的饮料供应链，在这些环节中，成熟度、色泽和采后稳定性都会影响加工决策。
该研究将这项工作呈现为园艺领域迈向数据驱动管理的更广泛趋势的一部分。研究人员表示，通过将储藏数据与可解释的机器学习模型结合起来，这一方法为果蔬储藏系统开辟了一条路径：它们不再只是事后记录衰退，而是能在果实仍处于供应链流转过程中时就帮助预判衰退。