Как выбрать идеальный виноград с помощью гиперспектральной съемки
В виноделии огромное значение имеют знания, опыт и интуиция. В частности, необходимо правильно выбрать время сбора урожая – тот момент, когда снятый с лозы виноград позволит получить вино с идеальным вкусом.
На протяжении тысячелетий виноделы обсуждали разные способы определить оптимальный момент сбора. Они следили за цветом, размером и вкусом ягод, наблюдали за местной фауной и отмечали увеличение числа птиц и других животных, которых привлекал созревающий виноград. Один из традиционных подходов предписывал собирать урожай ровно через 100 дней после появления первых цветков.
Хотя методы, передававшиеся из поколения в поколение, могут быть небезосновательны, меняющиеся условия делают выбор срока сбора более сложным и ответственным решением, требующим научного подхода.
В современной конкурентной винодельческой отрасли неудачный урожай может повлечь значительные финансовые последствия. Кроме того, изменение климата влияет на погодные условия, поэтому старые способы становятся все менее надежными. Фермерам приходится приспосабливаться к фактической погоде, а не полагаться исключительно на традицию.
К счастью, аналитические методы способны предоставить данные, необходимые для более обоснованного выбора времени сбора урожая.
Оценка зрелости винограда перед сбором урожая
Качество вина в значительной степени зависит от зрелости винограда в момент сбора. Даже небольшие отклонения могут привести к заметному ухудшению качества; исследования показывают, что показатель зрелости винограда способен измениться на 10 % всего за неделю. Поэтому виноградарям нужен быстрый и надежный способ регулярно количественно оценивать зрелость ягод и определять оптимальное время сбора.
Существует несколько измеряемых параметров, связанных со зрелостью винограда:
- Содержание сахара, обычно измеряемое как общее содержание растворимых сухих веществ (TSS) или в градусах Брикса (°Bx);
- Кислотность, часто выражаемая через pH и титруемую кислотность (TA);
- Концентрации основных органических кислот в ягоде, например винной и яблочной кислот;
- Концентрации других органических соединений, характерных для красных сортов винограда, например антоцианов и фенольных соединений.
Основной способ оценки этих параметров – отбор образцов ягод для анализа методами химии, то есть непосредственное измерение характеристик виноградного сока. Такой подход разрушает образец и требует много времени: необходимо собрать и подготовить ягоды, а во время анализа из них выжимают сок.
Поскольку получение результатов химического анализа занимает время, между измеренными показателями и реальным состоянием винограда неизбежно возникает задержка. При узком оптимальном окне сбора и резких изменениях качества любая такая задержка приводит к существенным расхождениям.
А что, если вместо сбора и раздавливания ягод можно было бы оценивать зрелость сразу – просто рассматривая виноград подробнее и получая более информативное изображение?
Гиперспектральная съемка – быстрый неразрушающий метод количественной оценки сахара
Гиперспектральная съемка регистрирует свет во множестве спектральных диапазонов и позволяет увидеть то, что недоступно человеческому глазу или обычной RGB-камере. Благодаря этому спектральный анализ может количественно определять целый ряд параметров, включая содержание сахара в винограде.
Заменив химические методы, гиперспектральная съемка могла бы предоставлять данные о содержании сахара без специализированного персонала и реактивов. Метод открывает возможность высокопроизводительного, недорогого и неразрушающего контроля: достаточно получить изображение гроздей, не выжимая из ягод сок для химического анализа.
Чтобы проверить эту возможность, команда Living Optics сначала подтвердила в лаборатории, что гиперспектральная камера Living Optics способна неразрушающим способом количественно оценивать содержание сахара, а затем продемонстрировала, что столь же просто и надежно это можно делать в полевых условиях, сопоставляя спектры камеры с одним значением по шкале Брикса. Из исследуемых ягод извлекали 3–4 капли сока и измеряли содержание сахара ручным цифровым рефрактометром с точностью ±0,2 °Bx.
В выборке были представлены значения в широком диапазоне – от 10,2 до 21,3 °Bx.
Результаты, полученные камерой Living Optics
Ниже показаны усредненные спектры каждой исследованной ягоды; цвет линии соответствует измеренному содержанию сахара.
Рисунок 1 – Усредненные спектры отдельных образцов винограда; цвет соответствует измеренному содержанию сахара в °Bx
Для построения линейной регрессионной модели, преобразующей спектральные данные в значения по шкале Брикса на основании показаний рефрактометра, были испытаны несколько методов. Из-за большого числа коллинеарных наблюдаемых переменных в спектральных данных выбрали регрессию методом частичных наименьших квадратов (PLSR), на основе которой была построена линейная прогностическая модель.
Полученные данные разделили на обучающую и тестовую выборки в соотношении 80/20. Модель обучали с использованием пакета Scikit для Python. Число компонент PLSR определили методом 5-кратной перекрестной проверки; итоговое значение составило 8.
Для обучающей выборки модель PLSR достигла коэффициента детерминации R² = 0,72, а для тестовой – R² = 0,71. Среднеквадратичная ошибка составила ±1,24 °Bx. Линейная аппроксимация модели показана на графике ниже.
Рисунок 2 – Сопоставление измеренного и прогнозируемого содержания сахара: линейная PLSR-модель для обучающей и тестовой выборок
Гиперспектральная съемка в винограднике вместо доставки ягод в лабораторию
Лабораторные результаты подтверждают возможность оценивать содержание сахара в винограде по шкале Брикса с использованием гиперспектральных данных. Разработанная PLSR-модель показала хорошее соответствие между значениями, спрогнозированными по спектрам, и результатами измерений сока коммерческим рефрактометром.
Чтобы приблизиться к мгновенному измерению содержания сахара непосредственно в винограднике, эксперимент необходимо было перенести из лаборатории в поле. Совместно с виноградником JoJo’s Vineyard в Расселс-Уотер, гиперспектральные данные регистрировали в течение семи съемочных периодов с мая по октябрь 2024 года – вплоть до самого сбора урожая.
В недели перед сбором у винных сортов отбирали образцы и химически определяли содержание сахара и кислотность. До срезания грозди снимали камерой Living Optics. Для каждого сорта случайным образом отбирали 10–15 гроздей и обрабатывали совместно, объединяя весь сок, чтобы получить единое значение содержания сахара и кислотности.
Из-за ограничений протокола испытаний построить отдельную модель для этих наборов данных не удалось. Тем не менее применение лабораторной модели продемонстрировало пригодность полевой гиперспектральной съемки для дистанционного контроля содержания сахара. На изображении ниже показана работа модели прогнозирования на образцах винограда сортов Шардоне и Пино Блан.
Рисунок 3 – Применение модели прогнозирования содержания сахара к полевым изображениям гроздей сортов Шардоне и Пино Блан
Хотя количественно определять содержание сахара методом гиперспектральной съемки диффузного отражения возможно, для переноса методики в полевые условия требуется дальнейшая работа. В частности, необходимо создать универсальную модель, способную оценивать содержание сахара независимо от условий окружающей среды во время съемки.
Цель – обеспечить неразрушающий мониторинг содержания сахара в реальном времени с помощью переносных гиперспектральных камер. В конечной системе данные можно будет получать ручным устройством, камерой на транспортном средстве, например квадроцикле, либо на роботизированной платформе. Это позволит выполнять выборочный сбор и направлять на производство вина грозди с наилучшими вкусовыми характеристиками.
Living Optics, “Picking the Perfect Grape with Hyperspectral Imaging”. Перевод подготовлен на русском языке с сохранением структуры и числовых данных оригинала.
