अध्ययन में पाया गया: व्याख्येय मशीन लर्निंग भंडारण में अंगूर की शेल्फ लाइफ का अनुमान लगा सकती है

Food Chemistry में प्रकाशित एक अध्ययन के अनुसार, व्याख्येय मशीन लर्निंग यह अनुमान लगाने में मदद कर सकती है कि टेबल अंगूर भंडारण में कितने समय तक टिकेंगे और समय के साथ उनके एंथोसाइनिन स्तर कैसे बदलेंगे, जिससे गुणवत्ता में गिरावट को ट्रैक करने का अधिक विस्तृत तरीका मिलता है।

यह काम Red Globe अंगूर के दानों पर केंद्रित था और कटाई के बाद की हैंडलिंग की एक मुख्य समस्या पर नज़र डालता है: फल का खराब होना किसी सरल या एकसमान तरीके से नहीं होता। बनावट, अम्लता, रंग और आंतरिक वायुमंडल में बदलाव साथ-साथ और अलग-अलग गति से विकसित हो सकते हैं, जिससे मानक तरीकों से शेल्फ लाइफ का अनुमान लगाना कठिन हो जाता है। शोधकर्ताओं ने कहा कि एक ऐसा पूर्वानुमान तंत्र, जो यह भी बता सके कि किन चर का सबसे अधिक महत्व है, खेत में कटाई-पूर्व निर्णयों और कटाई के बाद भंडारण प्रबंधन, दोनों में मदद कर सकता है।

इन पूर्वानुमानों को बनाने के लिए, शोधकर्ताओं ने अंगूरों को पाँच वाणिज्यिक लवणों से उपचारित किया और उनकी तुलना पानी वाले नियंत्रण से की। ये लवण कैल्शियम क्लोराइड, सोडियम क्लोराइड, पोटैशियम एसीटेट, सोडियम एसीटेट और सोडियम बाइकार्बोनेट थे। इसके बाद दानों को 0°C और 20°C पर संग्रहीत किया गया, ताकि भंडारण के दौरान गुणवत्ता ह्रास और एंथोसाइनिन संचय के अलग-अलग पैटर्न उत्पन्न किए जा सकें।

एंथोसाइनिन वे रंजक हैं जो लाल और बैंगनी अंगूरों को उनका अधिकांश रंग देते हैं। इनका संबंध दृश्य पकने और बाज़ार-अपील से भी गहराई से जुड़ा होता है। अध्ययन में, एंथोसाइनिन संचय का विश्लेषण शेल्फ लाइफ के साथ किया गया, क्योंकि कटाई के बाद और भंडारण के दौरान अंगूरों में होने वाले बदलावों को समझने में दोनों ही महत्वपूर्ण हैं।

शोध दल ने चार मशीन लर्निंग एल्गोरिद्म में कई तरह की जानकारी डाली। डेटा में रासायनिक संरचना, फल गुणवत्ता माप और आसपास का गैस वातावरण, विशेष रूप से O2 और CO2, शामिल थे। अध्ययन के अनुसार, उद्देश्य सिर्फ सटीक पूर्वानुमान देना नहीं था, बल्कि यह समझना भी था कि मॉडल उन पूर्वानुमानों तक कैसे पहुँचे।

परीक्षण किए गए चार एल्गोरिद्म में से रैंडम फ़ॉरेस्ट रिग्रेशन ने सबसे अच्छा प्रदर्शन किया। अध्ययन में कहा गया कि इन मॉडलों में रासायनिक मानकों या गैस वातावरण की संरचना, दोनों में से किसी एक का उपयोग करके, शेल्फ लाइफ और एंथोसाइनिन संचय, दोनों का अनुमान लगाने की क्षमता दिखाई। यह महत्वपूर्ण है क्योंकि उत्पादक, पैकर और भंडारण संचालक अक्सर ऐसे उपकरणों की जरूरत महसूस करते हैं जो हैंडलिंग और भंडारण के दौरान पहले से एकत्र किए गए मापों के साथ काम कर सकें।

अध्ययन में SHAP values का भी उपयोग किया गया, जो एक ऐसी विधि है जिसे यह दिखाने के लिए बनाया गया है कि किसी मॉडल के पूर्वानुमान में प्रत्येक इनपुट फीचर कितना योगदान देता है। यही इस दृष्टिकोण का “व्याख्येय” हिस्सा है। मशीन लर्निंग को ब्लैक बॉक्स की तरह देखने के बजाय, SHAP विश्लेषण उन चर की पहचान कर सकता है जो फल गुणवत्ता में बदलाव के पूर्वानुमान में सबसे अधिक वजन रखते हैं।

इस मामले में, SHAP परिणामों ने संग्रहीत अंगूरों की शेल्फ लाइफ का अनुमान लगाने में टाइट्रेटेबल अम्लता और एंथोसाइनिन को विशेष रूप से महत्वपूर्ण बताया। यह निष्कर्ष संकेत देता है कि अम्लता और रंजक विकास सिर्फ सामान्य गुणवत्ता संकेतक नहीं हैं, बल्कि इस बात के केंद्रीय संकेत हैं कि मॉडल कैसे यह आकलन करता है कि संग्रहीत अंगूर अपनी उपयोगी वाणिज्यिक आयु के अंत के करीब हैं या नहीं।

शोधकर्ताओं ने कहा कि ये मॉडल यह अलग करने में मदद कर सकते हैं कि कौन से कारक गुणवत्ता ह्रास और एंथोसाइनिन संचय को प्रभावित करते हैं, जिससे अधिक लक्षित कटाई-पूर्व और कटाई के बाद की रणनीतियों को दिशा मिल सकती है। व्यवहार में, इसका मतलब उपचारों, भंडारण स्थितियों या निगरानी दिनचर्या में उन चर के आधार पर बदलाव करना हो सकता है जिन्हें मॉडल सबसे प्रभावशाली बताता है।

हालाँकि अध्ययन टेबल अंगूरों पर किया गया था, यह काम पेय क्षेत्र का भी ध्यान आकर्षित कर सकता है। एंथोसाइनिन से जुड़ा रंग विकास वाइन अंगूरों में एक प्रमुख मुद्दा है, और भंडारण या परिपक्वता संबंधी निर्णय अक्सर उन्हीं गुणवत्ता संकेतकों पर निर्भर करते हैं जिनकी यहाँ जाँच की गई। शोधकर्ताओं ने वाइन उत्पादन का अध्ययन नहीं किया, लेकिन निगरानी और पूर्वानुमान की यह पद्धति संभवतः वाइनमेकिंग के लिए इस्तेमाल होने वाले अंगूर-लॉट्स या अन्य फल-आधारित पेय आपूर्ति शृंखलाओं के लिए अनुकूलित की जा सकती है, जहाँ पकाव, रंग और कटाई के बाद की स्थिरता प्रसंस्करण निर्णयों को प्रभावित करते हैं।

अध्ययन इस काम को उद्यानिकी में डेटा-आधारित प्रबंधन की व्यापक दिशा का हिस्सा बताता है। भंडारण डेटा को ऐसे मशीन लर्निंग मॉडलों के साथ जोड़कर, जिन्हें समझा जा सकता है, शोधकर्ताओं ने कहा कि यह तरीका ऐसे फल-भंडारण सिस्टमों की ओर रास्ता खोलता है जो केवल गिरावट होने के बाद उसे दर्ज करने तक सीमित न रहें, बल्कि फल के आपूर्ति शृंखला में आगे बढ़ते रहने के दौरान ही उसकी आशंका जताने में मदद करें।