説明可能な機械学習が貯蔵中のブドウの保存可能期間を予測

Food Chemistryに掲載された研究によると、説明可能な機械学習は、テーブルグレープが貯蔵中にどれだけ持つか、またアントシアニン量が時間とともにどう変化するかを予測するのに役立ち、品質が低下していく果実をより詳細に追跡できる方法を提供する。

この研究はRed Globeブドウ果粒を対象とし、収穫後の取り扱いにおける主要な課題の一つを検討した。果実の劣化は単純でも一様でも進まない。食感、酸度、色、果実内部のガス環境の変化は同時に、かつ異なる速度で進むことがあり、そのため標準的な手法では保存可能期間を見積もるのが難しい。研究者らは、どの変数が最も重要かも説明できる予測システムがあれば、圃場での収穫前判断と収穫後の貯蔵管理の両方を支援できると述べた。

こうした予測を構築するため、研究者らはブドウに5種類の市販塩を処理し、水を対照区として比較した。塩類は塩化カルシウム、塩化ナトリウム、酢酸カリウム、酢酸ナトリウム、炭酸水素ナトリウムだった。その後、果粒は0°Cと20°Cで貯蔵され、貯蔵中の品質低下とアントシアニン蓄積の異なるパターンを生成した。

アントシアニンは、赤や紫のブドウに多くの色を与える色素である。また、外観上の熟度や市場での訴求力とも密接に結びついている。今回の研究では、アントシアニンの蓄積を保存可能期間と並べて分析した。なぜなら、どちらも収穫後から貯蔵中にかけてブドウがどのように変化するかを理解するうえで重要だからである。

研究チームは、4つの機械学習アルゴリズムに複数種類の情報を入力した。データには化学組成、果実品質の測定値、そして周囲のガス雰囲気、具体的にはO2とCO2が含まれていた。研究によると、目的は高精度な予測を行うだけでなく、モデルがなぜその予測に至ったのかを理解することにもあった。

試験した4つのアルゴリズムのうち、ランダムフォレスト回帰が最も良好な性能を示した。研究では、これらのモデルは化学的指標またはガス雰囲気組成のいずれかを用いて、保存可能期間とアントシアニン蓄積の両方を予測できる可能性を示したとされた。これは、栽培者、選果・包装業者、貯蔵施設の運営者が、取り扱いや貯蔵の過程ですでに収集しているような測定値で使えるツールを必要としていることが多いため重要である。

研究ではまた、SHAP値も用いた。これは、各入力特徴量がモデルの予測にどの程度寄与しているかを示すよう設計された手法である。これが、このアプローチの「説明可能」な部分にあたる。機械学習をブラックボックスとして扱うのではなく、SHAP解析によって果実品質の変化を予測する際に最も重みを持つ変数を示すことができる。

このケースでは、SHAPの結果は、滴定酸度とアントシアニンが貯蔵中のブドウの保存可能期間を予測するうえで特に重要であることを示した。この結果は、酸度と色素の形成が単なる一般的な品質指標ではなく、貯蔵ブドウが実用上の有効期間の終わりに近づいているかどうかをモデルが見積もる際の中心的なシグナルであることを示唆している。

研究者らは、これらのモデルによって、どの要因が品質低下とアントシアニン蓄積に影響するのかを見分けられるため、より的を絞った収穫前および収穫後の戦略に役立つ可能性があると述べた。実際には、モデルが最も影響が大きいと特定した変数に基づいて、処理、貯蔵条件、監視手順を調整することを意味するかもしれない。

この研究はテーブルグレープを対象としていたが、飲料業界の関心も引く可能性がある。アントシアニンに関連する色の形成はワイン用ブドウの重要な論点であり、貯蔵や成熟の判断はしばしば、ここで検討されたのと同じ種類の品質指標に左右される。研究者らはワイン生産を調べたわけではないが、このモニタリングと予測の手法は、ワイン醸造用のブドウロットや、成熟度、色、収穫後の安定性が加工判断に影響するその他の果実系飲料のサプライチェーンにも応用できる可能性がある。

この研究は、園芸分野におけるデータ駆動型管理へのより広い移行の一環として位置づけられている。貯蔵データと、解釈可能な機械学習モデルを組み合わせることで、この手法は、劣化が起きた後にそれを記録するだけではない果実貯蔵システム、すなわち果実がまだサプライチェーンを流通している段階でその劣化を予測する助けになるシステムへの道を開くと研究者らは述べた。