Estudo mostra que aprendizagem automática explicável prevê a vida útil das uvas em armazenamento

Um estudo publicado na Food Chemistry refere que a aprendizagem automática explicável pode ajudar a prever quanto tempo as uvas de mesa se mantêm em armazenamento e como os seus níveis de antocianinas irão mudar ao longo do tempo, oferecendo uma forma mais detalhada de acompanhar a qualidade do fruto à medida que esta se degrada.

O trabalho centrou-se em bagos de uva Red Globe e examinou um dos principais problemas no manuseamento pós-colheita: a deterioração do fruto não acontece de forma simples nem uniforme. Alterações na textura, acidez, cor e atmosfera interna podem desenvolver-se em simultâneo e a ritmos diferentes, o que dificulta a estimativa da vida útil por métodos padrão. Os investigadores afirmaram que um sistema preditivo que também consiga explicar quais as variáveis mais relevantes poderá apoiar tanto decisões pré-colheita no campo como a gestão do armazenamento pós-colheita.

Para construir essas previsões, os investigadores trataram as uvas com cinco sais comerciais e compararam-nas com uma testemunha com água. Os sais foram cloreto de cálcio, cloreto de sódio, acetato de potássio, acetato de sódio e bicarbonato de sódio. Depois, os bagos foram armazenados a 0°C e 20°C para gerar diferentes padrões de perda de qualidade e de acumulação de antocianinas durante o armazenamento.

As antocianinas são os pigmentos que conferem às uvas vermelhas e roxas grande parte da sua cor. Também estão intimamente ligadas ao amadurecimento visível e ao apelo comercial. No estudo, a acumulação de antocianinas foi analisada em paralelo com a vida útil, porque ambas são importantes para a forma como as uvas mudam após a colheita e durante o armazenamento.

A equipa de investigação introduziu vários tipos de informação em quatro algoritmos de aprendizagem automática. Os dados incluíam composição química, medições da qualidade do fruto e a atmosfera gasosa envolvente, nomeadamente O2 e CO2. Segundo o estudo, o objetivo não era apenas produzir previsões precisas, mas também compreender porque é que os modelos chegavam a essas previsões.

Entre os quatro algoritmos testados, a regressão por random forest teve o melhor desempenho. O estudo referiu que esses modelos mostraram potencial para prever tanto a vida útil como a acumulação de antocianinas usando quer parâmetros químicos quer a composição da atmosfera gasosa. Isso é importante porque produtores, embaladores e operadores de armazenamento muitas vezes precisam de ferramentas que funcionem com o tipo de medições já recolhidas durante o manuseamento e o armazenamento.

O estudo utilizou também valores SHAP, um método concebido para mostrar quanto cada variável de entrada contribui para a previsão de um modelo. Esta é a vertente “explicável” da abordagem. Em vez de tratar a aprendizagem automática como uma caixa negra, a análise SHAP pode apontar para as variáveis com maior peso na previsão das alterações da qualidade do fruto.

Neste caso, os resultados SHAP destacaram a acidez titulável e as antocianinas como especialmente importantes na previsão da vida útil das uvas armazenadas. Essa conclusão sugere que a acidez e o desenvolvimento do pigmento não são apenas indicadores gerais de qualidade, mas sinais centrais na forma como o modelo estima se as uvas armazenadas estão a aproximar-se do fim da sua vida comercial útil.

Os investigadores afirmaram que os modelos podem ajudar a distinguir quais os fatores que influenciam a deterioração da qualidade e a acumulação de antocianinas, o que poderá orientar estratégias pré-colheita e pós-colheita mais direcionadas. Na prática, isso poderá significar ajustar tratamentos, condições de armazenamento ou rotinas de monitorização com base nas variáveis que o modelo identifica como mais influentes.

Embora o estudo tenha sido realizado em uvas de mesa, o trabalho também pode chamar a atenção do setor das bebidas. O desenvolvimento da cor ligado às antocianinas é uma questão-chave nas uvas para vinho, e as decisões de armazenamento ou maturação dependem muitas vezes do mesmo tipo de indicadores de qualidade examinados aqui. Os investigadores não estudaram a produção de vinho, mas a abordagem de monitorização e previsão poderia, potencialmente, ser adaptada a lotes de uvas destinados à vinificação ou a outras cadeias de fornecimento de bebidas à base de fruta, onde a maturação, a cor e a estabilidade pós-colheita afetam as decisões de processamento.

O estudo apresenta o trabalho como parte de uma mudança mais ampla para uma gestão orientada por dados na horticultura. Ao combinar dados de armazenamento com modelos de aprendizagem automática que podem ser interpretados, os investigadores afirmaram que o método abre caminho a sistemas de armazenamento de fruta que fazem mais do que registar a degradação depois de esta ocorrer, ajudando antes a antecipá-la enquanto a fruta ainda circula na cadeia de abastecimento.