Predicción de trastornos internos y firmeza de las manzanas después del almacenamiento

Los trastornos fisiológicos de almacenamiento afectan a diversas frutas de pepita de importancia comercial y provocan pérdidas de fruta y desperdicio de recursos.

Los trastornos pueden desarrollarse durante o después del almacenamiento, y los síntomas se ven fuertemente influenciados por el entorno de cultivo y el manejo del huerto.

Además, la incidencia y la gravedad de los trastornos pueden variar considerablemente entre frutas con un manejo y almacenamiento similares.

Los sistemas biológicos son complejos, y hasta la fecha, los enfoques simples de causa y efecto no han dado lugar a métodos robustos para predecir el riesgo de trastornos.

Las industrias frutícolas de todo el mundo necesitan predicciones fiables para gestionar mejor los procesos de producción, determinar las fechas óptimas de cosecha y los regímenes de almacenamiento a largo plazo.

El presente trabajo propone un nuevo enfoque metodológico para modelar el riesgo de trastornos en la manzana «Braeburn».

Se obtuvieron modelos de series temporales autorregresivas (ARX) mediante técnicas de identificación de modelos para clorofila, antocianinas, sólidos solubles y contenido de materia seca a partir de las condiciones climáticas y diferentes tratamientos de manejo del huerto, que posteriormente sirvieron como entrada para un clasificador para el pardeamiento interno, las cavidades y la firmeza de la fruta tras un almacenamiento prolongado en atmósfera controlada.

Los resultados de la clasificación para el trastorno de pardeamiento interno muestran una concordancia del 90 % entre dos años, y para la firmeza de la fruta se obtuvo una tasa de éxito del 80 % al entrenar el clasificador con dos años de datos.

Introducción

Las industrias de la fruta de pepita en todo el mundo siguen sufriendo pérdidas poscosecha inesperadas debido al desarrollo de trastornos fisiológicos de almacenamiento (denominados simplemente "trastornos" en el texto a continuación), como

• pardeamiento del corazón,
• pardeamiento de la pulpa,
• cavidades lenticulares en la pulpa,
• bitter pit y
• escaldado superficial (Watkins y Mattheis, 2019).

Los síntomas de los trastornos suelen aparecer durante o después del almacenamiento.

En las manzanas 'Braeburn' almacenadas en atmósfera controlada (AC), los síntomas de pardeamiento interno suelen aparecer durante o después del almacenamiento y pueden intensificarse a medida que aumenta la duración del mismo (Hatoum et al., 2014, Elgar et al., 1999, Ford, 1979, Ferguson et al., 1999).

La finca, la mayor fuente de variación en la incidencia de trastornos

Estudios previos han identificado la finca como la mayor fuente de variación en la incidencia de trastornos (Elgar et al., 1998, Rogers, 2014).

Los factores precosecha que influyen en el desarrollo de trastornos en la manzana incluyen:

• madurez avanzada del fruto en la cosecha,
• carga baja de frutos,
• alta proporción de minerales potasio-calcio en el fruto y
• condiciones climáticas estacionales.

Un manejo poscosecha y regímenes de almacenamiento incorrectos, específicos de cada cultivar, también contribuyen al desarrollo de trastornos (Elgar et al., 1998, Clark y Burmeister, 1999, Hatoum et al., 2016).

Predicción del riesgo de desarrollo de trastornos

Diversos estudios han intentado vincular el riesgo de desarrollo de trastornos con múltiples factores pre y poscosecha mediante análisis de regresión logística (Verlinden et al., 2002, Lammertyn et al., 2000).

Otros estudios, utilizando grados-día de crecimiento, han intentado determinar la influencia de la temperatura o una suma de temperaturas umbral para el riesgo de desarrollo de trastornos (Rogers, 2014, Moggia et al., 2015, Lau, 1998).

Dada la falta general de capacidad discriminatoria de los modelos existentes de predicción de trastornos poscosecha, Konopacki y Tijskens (2005) exploraron un modelo conceptual de desarrollo de trastornos basado en la cinética enzimática fundamental. Este método parece viable, pero requiere el uso de macrodatos no destructivos con mediciones repetidas en la misma fruta.

Efecto de los procesos biológicos primarios

La comprensión de los procesos biológicos primarios vinculados al desarrollo de trastornos está aumentando rápidamente.

En particular, se ha estudiado la relación entre los procesos de maduración y senescencia y las reacciones al estrés cuando la fruta se almacena a bajas temperaturas, con niveles bajos de O₂ y/o altos de CO₂ (Watkins y Mattheis, 2019).

A nivel bioquímico, se han identificado marcadores en peras que predicen el riesgo de desarrollo de trastornos en condiciones de alto CO₂ (Deuchande et al., 2017).

Existe una mejor comprensión de las redes moleculares asociadas con las lesiones por frío (p. ej., escaldadura superficial) en manzanas (Honaas et al., 2019) y un mejor conocimiento básico de cómo la fruta responde a condiciones de bajo O₂ (Cukrov, 2018).

Un consorcio de investigadores ha solicitado una patente en EE. UU. para una herramienta de diagnóstico que predice el riesgo de trastornos de almacenamiento en manzanas y peras, basándose en un amplio grupo de genes de pomelo identificados como biomarcadores en muestras de fruta tomadas durante la cosecha o poco después (Rudell et al., 2017).

Estas herramientas de biomarcadores no están actualmente disponibles para su uso en las industrias frutícolas y su eficacia en condiciones prácticas aún no se ha probado completamente.

Cuantificar la interacción de todos los posibles factores precosecha y poscosecha en la incidencia y gravedad de los trastornos ha resultado hasta ahora notoriamente difícil para los investigadores y gestores de la industria frutícola desarrollar y aplicar un método robusto de predicción de trastornos.

Sensores no destructivos

Los sensores no destructivos utilizados para obtener mediciones repetidas en el mismo lote de fruta pueden contribuir a una gran base de datos con información potencialmente relevante para su uso en modelos de predicción de la calidad de la fruta.

Las futuras tecnologías de generación de datos deberán instalarse en los tractores y capturar datos durante las operaciones habituales de mantenimiento del huerto para garantizar que los fruticultores adopten cualquier nueva tecnología.

Para establecer un programa de cosecha para un huerto o zona de producción de manzanas, generalmente se requieren pruebas destructivas, que requieren mucho tiempo y mano de obra, para evaluar la calidad y el desarrollo de la madurez de la fruta.

Los sensores adecuados podrían reemplazar estas pruebas destructivas de calidad y evaluar los datos con métodos de big data para facilitar la agricultura de precisión.

Vis/NIR

La espectroscopia Vis (visible)/NIR (infrarrojo cercano) en la región de longitud de onda Vis puede proporcionar información sobre los pigmentos presentes en la piel de la manzana, como la clorofila, las antocianinas y los carotenoides (Walsh et al., 2020).

Los espectros de la región NIR de onda corta pueden correlacionarse con análisis de química húmeda y modelos de regresión de mínimos cuadrados parciales (PLSR) para predecir el contenido de sólidos solubles (SSC) y el contenido de materia seca (DMC) (Walsh et al., 2020).

Los cambios en los pigmentos de las plantas, el SSC y el DMC pueden correlacionarse con la madurez del fruto, pero estos datos por sí solos son insuficientes para determinar una ventana de cosecha.

Los datos de series temporales y los métodos de teoría de sistemas, como los presentados en este estudio, podrían ayudar a superar estas limitaciones.

LIDAR

Otros factores relevantes que influyen en la calidad de la producción de fruta incluyen la luz y la distribución del fruto dentro del dosel, y deben estar en un equilibrio óptimo para lograr tasas de fotosíntesis eficientes y una distribución de asimilados que produzcan frutos con buenas características de calidad interna y apariencia externa, como un color rubor intenso.

Con sensores LiDAR (detección y alcance de luz), una nube de puntos 2D o 3D de un manzano puede proporcionar información sobre el área de las hojas (Sanz et al., 2013, Selbeck et al., 2013), la altura del árbol, la posición del tallo y el volumen del dosel (Tsoulias et al., 2019).

Calibres digitales y dendrómetros

La carga de fruta es también un factor importante para determinar la calidad de la fruta, y el monitoreo del crecimiento de la fruta es una medida indirecta, ya que una carga ligera da como resultado una fruta de mayor tamaño.

Otros enfoques probados en el presente estudio fueron dendrómetros de fabricación propia de bajo costo (Morandi et al., 2007) o mediciones manuales con calibradores digitales (véase la Fig. 1 del artículo original, Fuente).

En la fruta de pepita, los procesos biológicos que provocan trastornos fisiológicos de almacenamiento son complejos y actualmente no se comprenden con el suficiente detalle como para permitir predicciones fiables y evitar las pérdidas considerables de fruta que pueden ocurrir en algunas temporadas de crecimiento.

Datos obtenidos de sensores Vis/NIR, junto con clima y tratamientos en huerto/almacenamiento, se incorporaron a varios modelos paramétricos dinámicos en el estudio «Braeburn»

En este estudio se monitoreó la variedad de manzana «Braeburn», de importancia comercial, durante tres años. Se recopilaron y almacenaron diversos datos de sensores no destructivos, junto con datos meteorológicos, en una instalación central de gestión de datos.

Finalmente, solo los datos de detección Vis/NIR, junto con la información meteorológica y sobre los tratamientos en huerto y durante el almacenamiento, sirvieron como entrada para varios modelos paramétricos dinámicos.

El uso de dispositivos relativamente sencillos y rápidos fue una decisión clave, ya que los modelos paramétricos dinámicos ofrecen mejores predicciones cuando se utilizan solo unos pocos parámetros del desarrollo de la manzana como datos de entrada.

Los parámetros de la manzana en el presente estudio fueron: pigmentos de color (clorofila, antocianinas), contenido de sólidos solubles (SSC) y contenido de materia seca (DMC).

Los tratamientos del huerto alteraron la temperatura del aire durante importantes fases de crecimiento fisiológico e incluyeron la pulverización de calcio, diferentes cargas de cultivo, fechas de cosecha y condiciones de almacenamiento.

La información sobre la calidad de la fruta se obtuvo mediante pruebas destructivas estándar para la firmeza, el contenido de sólidos solubles (SSC) y el índice de almidón para determinar las fechas de cosecha.

La combinación de datos de sensores no destructivos con el modelado y la clasificación ARX es la principal contribución del presente trabajo.

Fuentes

Application of non-destructive sensors and big data analysis to predict physiological storage disorders and fruit firmness in ‘Braeburn’ apples
Pavel Osinenko, Konni Biegert, Roy J. McCormick, Thomas Göhrt, Grigory Devadze, Josef Streif, Stefan Streif 
Computers and Electronics in Agriculture
Volume 183, April 2021, 106015

Imagen, Felix Instruments - In The Field August 2025