Avances y desafíos en la determinación no destructiva del contenido de SST en manzanas

El objetivo principal de los investigadores era establecer un modelo que determinara la acumulación de SST en las manzanas 'Braeburn'. Se trata de un factor clave de la calidad de la fruta que incide en el sabor y asegura su viabilidad comercial. Esta investigación sobre la dulzura de las manzanas tenía como propósito abordar preguntas fundamentales. ¿Cómo podemos predecir el contenido en SST para optimizar el momento de cosecha y las prácticas de almacenamiento? ¿Por qué es crucial comprender esta métrica en el proceso de maduración de las manzanas?

El estudio buscaba superar las limitaciones de los métodos tradicionales de evaluación del contenido de SST, sustituyéndolos por un enfoque no invasivo de detección óptica. De esta manera, los investigadores tenían como objetivo mejorar la capacidad de la comunidad científica para monitorear y gestionar la calidad de la fruta de manera que se alineara con la tendencia de la industria hacia una agricultura más precisa y sostenible.  

Influencia del contenido en SST en la calidad de las manzanas

La calidad de las manzanas se ve influenciada por las condiciones ambientales, las prácticas culturales y la variedad de la fruta. El contenido en SST es un indicador clave del sabor y la capacidad de almacenamiento de las manzanas. Históricamente, esta medida permitía predecir la satisfacción del consumidor y del éxito en el mercado. Sin embargo, el desafío ha sido medirla sin utilizar métodos destructivos que disminuyan la cantidad de fruta vendible.

La comunidad científica ha centrado sus esfuerzos en transitar de pruebas invasivas a pruebas no destructivas. Esto hace que el estudio realizado por Biegert y sus colegas sea particularmente relevante. Este estudio refleja el cambio generalizado de la industria hacia la horticultura de precisión. Comprender los matices de los SST puede mejorar la gestión del cultivo y la calidad de la fruta después de la cosecha. La investigación se basa en la realidad de este cambio, proporcionando conocimientos que podrían transformar la evaluación de la calidad y las prácticas de almacenamiento de las manzanas.  

Implicaciones prácticas de las percepciones de los SST

Las implicaciones prácticas de esta investigación abarcan numerosos aspectos del cultivo de manzanas, ofreciendo beneficios tangibles a la industria. Al predecir con precisión los SST, los productores de frutas pueden determinar de manera más precisa el momento óptimo de la cosecha. De esta maner, garantizan que las manzanas que llegan a los consumidores estén en su máximo punto de sabor y calidad. Esta comprensión tiene un impacto directo en la comercialización y el rendimiento económico del producto. Además, los descubrimientos de este estudio tienen implicaciones significativas para la gestión poscosecha. En concreto, ofrecen información sobre prácticas de almacenamiento para prolongar la vida útil de las manzanas y reducir el desperdicio.

Los métodos de prueba no destructivos desarrollados a través de esta investigación podrían convertirse en un pilar de la agricultura de precisión moderna, permitiendo una gestión más receptiva y sostenible del huerto. La capacidad de monitorear los SST de manera no invasiva permite conjuntos de datos más amplios, brindando una comprensión más detallada de cómo diferentes factores afectan la dulzura de las manzanas. Este nivel de detalle podría conducir a avances en la cosecha selectiva. La fruta se recolecta según indicadores de calidad en lugar de una fecha de cosecha uniforme, allanando el camino para una nueva era de agricultura personalizada. Las aplicaciones se extienden más allá del campo inmediato de la horticultura; las metodologías y percepciones de este estudio pueden informar una variedad de prácticas y políticas agrícolas, fomentando un entorno donde la calidad, la sostenibilidad y la rentabilidad crezcan de la mano.  

Resultados del estudio: Viabilidad de las semillas en diferentes condiciones

La investigación llevada a cabo durante tres temporadas distintas en el suroeste de Alemania arrojó datos reveladores, destacando la naturaleza dinámica de los entornos agrícolas. Los años 2016, 2017 y 2018 presentaron desafíos únicos, desde primaveras húmedas y eventos de heladas hasta un año notablemente caluroso y seco. Esto influyó significativamente en el desarrollo de las plantas y las características de la fruta. El estudio siguió meticulosamente el contenido en SST y el crecimiento del diámetro de la fruta. Se demostró una tendencia en la acumulación de SST hacia la madurez de la manzana, a pesar de cierta variabilidad debido a factores ambientales. Específicamente, se observaron los valores más altos de SST en 2018, con menos precipitación y condiciones más cálidas.

Los modelos de calibración de Regresión de Cuadrados Mínimos Parciales (PLSR), utilizados para predecir los SST a partir de datos hiperespectrales, mostraron errores cuadráticos medios de predicción (RMSEP) entre el 0,54% y el 0,67% a lo largo de los tres años, lo que indica un rendimiento fiable de los modelos. El modelo plurianual demostró predicciones razonables con errores sistemáticos menores, lo que sugiere un método confiable para estimar los SST en condiciones variables. Sin embargo, la investigación también reveló que los modelos calibrados en datos anuales tendían a sobreajustarse y tenían un rendimiento pobre al aplicarse a datos de otros años, lo que indica la necesidad de modelos plurianuales robustos.  

Herramientas innovadoras para una agricultura más inteligente

El Medidor de Calidad de Productos F-750 de Felix Instruments respaldó esta investigación compleja. Contribuyó al conjunto de datos más amplio con sus capacidades de imagen hiperespectral. La tecnología incorporada en el F-750 permitió la adquisición de datos en tiempo real y de manera no destructiva. Esto fue crucial para la generación de conjuntos de datos completos necesarios para desarrollar los modelos PLSR.

Los hallazgos del estudio resaltan la importancia de estas herramientas avanzadas en la investigación, donde la precisión de los datos y la fiabilidad metodológica son fundamentales. El estudio sobre los efectos de diferentes tamaños de muestra de calibración y la robustez de los modelos frente a errores de laboratorio ilustró la practicidad y la resistencia del método PLSR. A pesar de posibles errores de laboratorio, los modelos PLSR mantuvieron su robustez, demostrando la estabilidad de la tecnología utilizada. Además, la comparación entre métodos espectrales y de laboratorio convencionales para determinar el SSC en la cosecha demostró que, aunque el enfoque no destructivo y tecnológico mostró una mayor variabilidad, no sesgó los resultados, ofreciendo una alternativa viable a los métodos tradicionales de pruebas destructivas.

Estas conclusiones no solo validan el uso de instrumentos como el F-750, sino que también allanan el camino para su aplicación más amplia en la agricultura de precisión. Estas tecnologías, capaces de proporcionar datos en tiempo real y de manera no destructiva, son invaluables en la investigación agrícola y más allá.  

Desafíos del estudio

El estudio admite francamente ciertas limitaciones que abren el camino para investigaciones adicionales. A pesar de que los modelos PLSR demostraron ser robustos, se identificaron pequeños errores sistemáticos que podrían subestimar o sobreestimar valores extremos de SSC, especialmente en los años 2017 y 2018. Además, los modelos calibrados anualmente, aunque precisos dentro de sus años respectivos, mostraron una menor capacidad de adaptación a otros años. Esto sugiere que las condiciones únicas de cada temporada de crecimiento pueden afectar considerablemente la aplicabilidad del modelo.

La estructura heterocedástica de los residuos señala una precisión de predicción variable a lo largo del rango de SST, con una fiabilidad menor en los extremos del espectro. Además, el desempeño de los modelos estuvo intrínsecamente relacionado con el rango de valores de SST en los datos de calibración, los cuales, a su vez, fueron influenciados por las variaciones ambientales de cada año.

Se sugiere que futuras investigaciones se centren en mejorar la transferibilidad de los modelos PLSR entre diferentes años y condiciones ambientales. Estas investigaciones podrían explorar la integración de datos espectrales y ecológicos adicionales para fortalecer la capacidad de los modelos frente a la variabilidad anual. Asimismo, ampliar el conjunto de datos de calibración para incluir un rango más amplio de condiciones y valores de SST podría mitigar el sobreajuste observado en modelos específicos de cada año.

Además, estudios futuros podrían explorar las implicaciones de tamaños de muestra reducidos y el potencial de simplificar la recolección de datos sin comprometer la precisión de los modelos predictivos. La perspectiva de integrar estas tecnologías no destructivas en prácticas agrícolas habituales requiere investigaciones adicionales sobre aplicaciones rentables y escalables.  

Fuente

Biegert, K.; Stöckeler, D.; McCormick, R.J.; Braun, P. Modelling Soluble Solids Content Accumulation in ‘Braeburn’ Apples. Plants 2021, 10, 302. https://doi.org/10.3390/plants10020302