Des chercheurs montrent qu’un prétraitement améliore le compostage des peaux de raisin blanc

La modélisation par réseau neuronal a aidé à prédire la stabilité du compost et pourrait offrir aux domaines viticoles une méthode plus précise pour gérer les marcs

13-07-2026

Partagez-le!

Des chercheurs publiant dans la revue Agronomy ont examiné comment différentes méthodes de prétraitement peuvent améliorer le compostage des peaux de raisin blanc, un sous-produit de cave souvent difficile à stabiliser en raison de son humidité, de sa charge organique et de sa composition variable.

L’étude s’est concentrée sur les peaux de marc de raisin blanc avant et pendant le compostage et a testé si des prétraitements pouvaient accélérer la décomposition et produire un matériau final plus stable. Les auteurs ont également utilisé une analyse multivariée et une modélisation par réseau neuronal artificiel pour évaluer le processus et prédire le comportement du compost dans différentes conditions.

Selon l’étude, l’objectif était d’identifier des stratégies permettant de gérer plus efficacement ce résidu agricole. Les peaux de raisin blanc sont générées en grandes quantités lors de la vinification, en particulier dans les régions à forte production viticole, et leur élimination peut devenir un problème logistique et environnemental si elles ne sont pas rapidement réutilisées ou traitées correctement.

Les chercheurs ont évalué des options de prétraitement avant le compostage, puis ont suivi l’évolution du matériau au cours du processus. Ils ont utilisé des outils statistiques pour analyser les relations entre les variables liées à la stabilisation du compost et ont appliqué des modèles de réseau neuronal pour estimer les résultats. Cette approche, indique l’article, visait à améliorer la prédiction de la maturité du compost et à favoriser un meilleur contrôle du processus.

Bien que les éléments sources disponibles dans la fiche de la revue ne fournissent pas tous les détails expérimentaux, la conclusion centrale de l’étude est que la stratégie de prétraitement compte pour les performances de compostage des peaux de raisin blanc et qu’une modélisation fondée sur les données peut aider à identifier des conditions de fonctionnement plus efficaces. En pratique, cela signifie que les domaines viticoles et les transformateurs de raisin pourraient réduire les essais et erreurs dans la gestion des résidus de marc.

Ces travaux dépassent la seule gestion des déchets, car les peaux de raisin comptent parmi les principaux sous-produits solides de la production de vin. Si le compostage peut devenir plus fiable, les domaines viticoles pourraient disposer d’une voie plus claire pour transformer une partie de ce résidu en amendement organique stable plutôt que de le considérer uniquement comme un problème d’élimination. Cela pourrait soutenir des efforts plus larges en matière de durabilité du vignoble et de systèmes de production circulaires, même si l’impact économique dépendrait de l’échelle locale, des infrastructures et de la réglementation.

L’utilisation des réseaux neuronaux dans ce contexte reflète aussi une évolution plus large de l’agriculture et de la transformation alimentaire vers des outils prédictifs capables d’orienter les décisions opérationnelles. Dans le compostage, où la température, l’humidité, l’aération et l’équilibre des matières premières peuvent évoluer rapidement, la modélisation peut aider les producteurs à anticiper si un lot se dirige vers la stabilisation ou s’il nécessite un ajustement.

Pour les producteurs de boissons, en particulier les domaines viticoles soumis à la pression de réduire les déchets et d’améliorer leurs performances environnementales, ce type de recherche indique une piste possible pour gérer avec plus de précision les résidus issus de la transformation du raisin. Les résultats suggèrent que l’association d’un prétraitement et d’une modélisation analytique pourrait améliorer la conversion des résidus organiques de cave en compost utilisable, même si une adoption à l’échelle commerciale nécessiterait encore une validation dans des conditions réelles de production.

La lecture vous a plu ? Partagez-la avec d'autres !