Une étude montre que la spectroscopie dopée à l’IA prédit la maturité du raisin sans écraser les baies

Une étude publiée le 1er juillet dans Food Research International indique que la spectroscopie proche infrarouge, associée à une intelligence artificielle explicable, peut aider à prédire les niveaux de sucres et d’acides organiques dans le raisin sans couper ni écraser les baies, une avancée qui pourrait améliorer la manière dont les viticulteurs et les vinificateurs suivent la maturité à la vigne.

La recherche s’est concentrée sur un problème fondamental de la production de raisin : les contrôles qualité sont essentiels tant pour la consommation en frais que pour la production de vin, mais les analyses traditionnelles nécessitent souvent des prélèvements destructifs et des travaux de laboratoire. Les auteurs ont examiné si des mesures non destructives dans le proche infrarouge, ou NIR, pouvaient être utilisées pour estimer des composés clés liés à la maturité et à l’équilibre du raisin, en particulier les sucres et les acides organiques.

Selon l’étude, le principal défi tient au fait que les cépages ne réagissent pas tous de la même manière. Différents cultivars présentent des signatures spectrales distinctes, ce qui signifie qu’un modèle entraîné sur un cépage peut moins bien fonctionner sur un autre si les différences variétales sont ignorées. Les chercheurs ont constaté que cette spécificité variétale n’est pas un détail mineur, mais un facteur central dans la construction de systèmes de prédiction fiables.

Pour répondre à cette difficulté, l’étude a utilisé des méthodes de sélection de variables afin d’identifier les longueurs d’onde les plus étroitement liées à la composition chimique des raisins. En réduisant les données aux signaux les plus pertinents, les modèles ont amélioré leurs performances prédictives. L’article a également appliqué des outils d’IA explicable afin que les utilisateurs puissent voir quelles parties du spectre déterminaient chaque prédiction, plutôt que de s’en remettre à un résultat de type boîte noire.

Cette transparence compte, car l’adoption d’outils d’IA dans l’agriculture dépend souvent de la capacité des viticulteurs et des équipes techniques à comprendre comment un système parvient à ses conclusions. Dans ce cas, l’approche explicable a été présentée comme un moyen de rendre le suivi fondé sur le NIR plus pratique pour les viticulteurs qui ont besoin d’avoir confiance dans les décisions prises sur le terrain en matière de date de vendange et de gestion du fruit.

Les résultats de l’étude ont montré une prédiction précise à la fois de la teneur en sucre et des niveaux d’acides organiques. Ces mesures sont étroitement surveillées dans les vignobles, car elles façonnent la maturité, la fraîcheur et le style final du vin. Les niveaux de sucre influencent le degré alcoolique potentiel, tandis que les acides affectent l’équilibre et la stabilité. Une méthode plus rapide pour estimer ces deux caractéristiques dans des baies intactes pourrait permettre aux producteurs d’obtenir des relevés plus fréquents sur des blocs ou des parcelles sans envoyer autant d’échantillons au laboratoire.

Pour le secteur des boissons, les implications pourraient être importantes si la méthode se révèle robuste à l’échelle commerciale. Dans la production de vin, un suivi plus précis et moins invasif peut soutenir la viticulture de précision et aider les domaines à décider du moment des vendanges avec de meilleures informations issues du terrain. Cela pourrait aussi réduire les délais entre l’échantillonnage et l’action, en particulier pendant les fenêtres de vendange étroites, lorsque la météo et la chimie du fruit peuvent évoluer rapidement.

L’étude décrit la méthode comme rapide et non destructive, deux caractéristiques qui pourraient la rendre utile au-delà des seuls cadres de recherche. Comme la sélection de variables met en évidence les longueurs d’onde clés, l’étalonnage et le déploiement pourraient également devenir plus efficaces qu’avec des modèles plus larges utilisant de grandes quantités de données spectrales sans justification claire. Cela pourrait réduire certains obstacles à une utilisation pratique dans les exploitations viticoles qui souhaitent des outils de contrôle qualité plus rapides.

Les auteurs ont indiqué que leurs résultats soutiennent une amélioration du suivi et de la gestion de la qualité du raisin dans l’ensemble du secteur. Si l’article se concentre sur le raisin, son message plus large est que l’association de la spectroscopie et de l’IA explicable peut offrir aux producteurs de denrées alimentaires et de boissons une voie plus claire vers l’utilisation du machine learning dans l’évaluation courante de la qualité, en particulier lorsque la variation biologique entre variétés ou cultivars affecte les performances.