Tres técnicas espectrales para seguir la calidad de la guayaba

Un equipo internacional de investigadores logra integrar espectroscopía NIR, imágenes hiperespectrales y dispersión Raman para predecir con precisión milimétrica la maduración, los azúcares y los cambios cromáticos en frutas tropicales sin necesidad de destruirlas.

El reto poscosecha en frutas de alta perecedero

La guayaba (Psidium guajava L.) es uno de los frutos tropicales más apreciados globalmente por su perfil organoléptico y su elevado contenido de vitamina C y antioxidantes. Sin embargo, su carácter climatérico, sumado a una epidermis fina y una baja resistencia mecánica, provoca una tasa de respiración acelerada tras la recolección. En regiones productoras, las pérdidas poscosecha pueden alcanzar entre el 10% y el 24% debido a la rápida degradación de la pared celular, el ablandamiento de la pulpa y las fluctuaciones de temperatura durante el transporte.

Hasta la fecha, el control de calidad en centrales hortofrutícolas dependía de inspecciones visuales subjetivas o de análisis destructivos de laboratorio mediante refractometría y cromatografía. Las tecnologías de espectroscopía individual (como el infrarrojo cercano) habían supuesto un avance, pero de forma aislada presentaban limitaciones: las imágenes hiperespectrales destacan en la resolución espacial pero carecen de sensibilidad a ciertos enlaces moleculares; el NIR se ve interferido por el agua; y la espectroscopía Raman es susceptible a efectos de fluorescencia.

Una triple mirada espectral: HSI + NIR + Raman

Para superar estos cuellos de botella, el nuevo estudio ha diseñado una arquitectura de fusión de datos en tres niveles (bajo, intermedio y alto) alimentada por tres sensores analíticos complementarios:

1. Imágenes Hiperespectrales (HSI, 392–1011 nm): Capturan la distribución espacial de la clorofila y los carotenoides en la corteza, identificando gradientes de color imperceptibles al ojo humano.

2. Espectroscopía de Infrarrojo Cercano (NIR, 908–1676 nm): Evalúa la respuesta de los enlaces C-H y O-H, permitiendo estimar el contenido de agua y la concentración interna de carbohidratos.

3. Espectroscopía Raman (46–2002 cm⁻¹): Proporciona una "huella dactilar" vibracional de la estructura molecular, registrando la acumulación de ácidos grasos, flavonoides y la degradación de antocianinas.
   
   

Resultados clave y rendimiento del modelo

Tras evaluar algoritmos como Random Forest (RFR), Partial Least Squares (PLSR) y Support Vector Regression (SVR) sobre un seguimiento de 26 días de almacenamiento, la combinación basada en SVR con selección de variables mediante el Algoritmo de Proyecciones Sucesivas (SPA) en fusión de nivel intermedio (mid-level) demostró una precisión sin precedentes:

• Sólidos Solubles Totales (TSS / °Brix): Precisión del modelo con un R^2 de 0,8808 y un error cuadrático medio de predicción (RMSE) de solo 0,53 °Brix.

• Coordenada de Color a* (Verde-Rojo): R^2 de 0,8413 (RMSE = 2,17), reflejando con exactitud la pérdida de pigmentación verde en la epidermis.

• Coordenada de Color b* (Azul-Amarillo): R^2 de 0,7537 (RMSE = 2,90), correlacionado con la síntesis de carotenoides.

Además, los mapas de pseudo-color generados mediante la predicción píxel a píxel revelaron que la acumulación de azúcares y carotenoides no ocurre de forma uniforme, sino que se inicia con un fuerte gradiente en la zona central de la pulpa antes de extenderse hacia los bordes.

Impacto para la industria hortofrutícola

La integración de estas tres huellas ópticas abre la puerta al desarrollo de sistemas de inspección en línea para líneas de calibrado y selección automática. Esta herramienta no solo permite clasificar las frutas según su vida útil restante (shelf-life) antes de enviarlas al mercado de exportación, sino que sienta las bases para la digitalización y la trazabilidad no destructiva de las frutas tropicales en las cadenas de frío inteligentes.

Fuente:

Yu, J., Liu, Z., Pu, H., & Sun, D.-W. (2026). Novel multimodal data fusion strategies for nondestructive real-time monitoring of guava quality during storage. Postharvest Biology and Technology, 240, 114417.

 https://doi.org/10.1016/j.postharvbio.2026.114417