Une étude montre que l’apprentissage automatique explicable prédit la durée de conservation du raisin en stockage

Une étude publiée dans Food Chemistry indique que l’apprentissage automatique explicable peut aider à prédire combien de temps les raisins de table se conserveront en stockage et comment leurs niveaux d’anthocyanes évolueront au fil du temps, offrant ainsi un moyen plus précis de suivre la qualité du fruit à mesure qu’elle se dégrade.

Les travaux se sont concentrés sur des baies de raisin Red Globe et ont examiné l’un des principaux problèmes de la gestion post-récolte : la dégradation des fruits ne se produit pas de manière simple ni uniforme. Les changements de texture, d’acidité, de couleur et d’atmosphère interne peuvent apparaître ensemble et à des rythmes différents, ce qui rend la durée de conservation difficile à estimer avec les méthodes classiques. Les chercheurs ont indiqué qu’un système prédictif capable aussi d’expliquer quelles variables comptent le plus pourrait soutenir à la fois les décisions avant récolte au vignoble et la gestion du stockage après récolte.

Pour établir ces prédictions, les chercheurs ont traité les raisins avec cinq sels commerciaux et les ont comparés à un témoin à l’eau. Les sels étaient le chlorure de calcium, le chlorure de sodium, l’acétate de potassium, l’acétate de sodium et le bicarbonate de sodium. Les baies ont ensuite été stockées à 0°C et 20°C afin de générer différents schémas de perte de qualité et d’accumulation d’anthocyanes pendant le stockage.

Les anthocyanes sont les pigments qui donnent en grande partie leur couleur aux raisins rouges et violets. Elles sont aussi étroitement liées à la maturité visuelle et à l’attrait commercial. Dans l’étude, l’accumulation d’anthocyanes a été analysée conjointement avec la durée de conservation, car les deux éléments sont importants pour comprendre comment les raisins évoluent après la récolte et pendant le stockage.

L’équipe de recherche a intégré plusieurs types de données dans quatre algorithmes d’apprentissage automatique. Les données comprenaient la composition chimique, des mesures de la qualité du fruit et l’atmosphère gazeuse environnante, en particulier O2 et CO2. Selon l’étude, l’objectif n’était pas seulement d’obtenir des prédictions précises, mais aussi de comprendre pourquoi les modèles aboutissaient à ces prédictions.

Parmi les quatre algorithmes testés, la régression par forêt aléatoire s’est montrée la plus performante. L’étude indique que ces modèles présentaient un potentiel pour prédire à la fois la durée de conservation et l’accumulation d’anthocyanes à partir de paramètres chimiques ou de la composition de l’atmosphère gazeuse. C’est important, car les viticulteurs, les conditionneurs et les opérateurs de stockage ont souvent besoin d’outils capables de fonctionner avec les mesures déjà collectées pendant la manipulation et le stockage.

L’étude a également utilisé des valeurs SHAP, une méthode conçue pour montrer dans quelle mesure chaque caractéristique d’entrée contribue à la prédiction d’un modèle. C’est la partie « explicable » de l’approche. Plutôt que de traiter l’apprentissage automatique comme une boîte noire, l’analyse SHAP peut mettre en évidence les variables qui pèsent le plus dans la prévision des évolutions de la qualité des fruits.

Dans ce cas, les résultats SHAP ont mis en avant l’acidité titrable et les anthocyanes comme particulièrement importantes pour prédire la durée de conservation des raisins stockés. Ce résultat suggère que l’acidité et le développement des pigments ne sont pas seulement des indicateurs généraux de qualité, mais des signaux centraux dans la manière dont le modèle estime si les raisins stockés approchent de la fin de leur durée commerciale utile.

Les chercheurs ont indiqué que les modèles peuvent aider à distinguer quels facteurs influencent la dégradation de la qualité et l’accumulation d’anthocyanes, ce qui pourrait guider des stratégies avant et après récolte plus ciblées. En pratique, cela pourrait signifier ajuster les traitements, les conditions de stockage ou les routines de surveillance en fonction des variables que le modèle identifie comme les plus influentes.

Bien que l’étude ait été menée sur des raisins de table, ces travaux pourraient également attirer l’attention du secteur des boissons. Le développement de la couleur lié aux anthocyanes est un enjeu clé pour les raisins de cuve, et les décisions de stockage ou de maturation reposent souvent sur le même type d’indicateurs de qualité que ceux examinés ici. Les chercheurs n’ont pas étudié la production de vin, mais cette approche de suivi et de prédiction pourrait potentiellement être adaptée à des lots de raisin destinés à la vinification ou à d’autres chaînes d’approvisionnement de boissons à base de fruits où la maturité, la couleur et la stabilité post-récolte influencent les décisions de transformation.

L’étude présente ces travaux comme s’inscrivant dans un mouvement plus large de gestion fondée sur les données en horticulture. En combinant des données de stockage avec des modèles d’apprentissage automatique interprétables, les chercheurs ont indiqué que la méthode ouvre la voie à des systèmes de stockage des fruits qui ne se contentent pas d’enregistrer le déclin une fois qu’il s’est produit, mais aident au contraire à l’anticiper alors que les fruits circulent encore dans la chaîne d’approvisionnement.