Leave-One-Day-Out Cross-Validation of NIR-PLSR Models for Simultaneous Prediction of Eight Banana Quality Attributes during 12-Day Storage

Bananen sind ein Studium der Widersprüche. Sie kommen hart, grün und stärkehaltig auf den Markt, doch sie besitzen eine interne Uhr, die sie dazu treibt, weicher und süßer zu werden und schließlich zu verderben. Diese Transformation ist nicht bloß eine Veränderung des Aussehens; es handelt sich um ein komplexes biochemisches Ereignis, bei dem gespeicherte Stärke in Zucker abgebaut wird, Zellwände sich auflösen und der Säuregehalt sich verschiebt. Für Landwirte und Einzelhändler ist es entscheidend, genau zu wissen, an welchem Punkt auf dieser Zeitlinie sich eine Banane befindet. Wenn eine Frucht zu früh geerntet wird, reift sie nie richtig aus; wenn sie zu spät geerntet wird, verdirbt sie, bevor sie den Verbraucher erreicht. Traditionell war die einzige Möglichkeit, den internen Zustand einer Banane zu kennen, sie aufzuschneiden, das Fruchtfleisch zu zerdrücken und chemischen Tests zu unterziehen. Diese Methode zerstört die Frucht, was es unmöglich macht, dieselbe Banane Tag für Tag während ihres Reifeprozesses zu verfolgen.

Um dies zu lösen, haben sich Wissenschaftler dem Licht zugewandt. Die Nahinfrarot-Spektroskopie ist eine Technik, die unsichtbares Licht verwendet, um in das Innere von Früchten zu blicken, ohne diese zu berühren. Wenn dieses Licht auf eine Banane trifft, wird es in einem Muster zurückgeworfen, das sich ändert, je nachdem, was sich im Inneren befindet – wie viel Wasser vorhanden ist, wie viel Zucker sich gebildet hat und wie fest das Gewebe bleibt. Durch die Analyse dieser Lichtmuster hoffen Forscher, ein Modell entwickeln zu können, das die Qualität der Frucht sofort und zerstörungsfrei vorhersagt. Der Aufbau eines solchen Modells ist jedoch schwierig, da Bananen sich schnell verändern. Eine Banane von gestern sieht ganz anders aus als eine von morgen, und ein Modell, das mit einer Mischung aus verschiedenen Tagen trainiert wurde, könnte lernen, das Datum zu erkennen, anstatt die Frucht selbst.

Ein Forschungsteam der Xi'an Jiaotong University und des China National Research Center for Food Safety Inspection and Testing ging mit einem rigorosen Ansatz vor, um diese Idee zu testen. Sie sammelten zweiundsiebzig Bananen und lagerten sie in einer kontrollierten Umgebung bei konstanter Temperatur und Luftfeuchtigkeit über zwölf Tage hinweg. Jeden einzelnen Tag massen sie dieselbe Frucht mit einem Nahinfrarot-Spektrometer, das die Lichtreflexion erfasst, und zerstörten unmittelbar danach diese spezifische Frucht, um ihre tatsächlichen chemischen Inhalte zu messen. Sie verfolgten acht verschiedene Qualitätsmerkmale: drei Arten von Zucker (Fruktose, Glukose und Saccharose), Stärke, lösliche Feststoffe (ein Maß für Süße und gelöste Stoffe), Festigkeit, pH-Wert und Säuregehalt.

Die Forscher standen vor einer spezifischen Herausforderung bei der Art und Weise, wie sie ihre Vorhersagen testeten. In vielen Studien mischen Wissenschaftler alle ihre Daten zusammen und teilen sie zufällig in Trainings- und Testgruppen auf. Diese Methode liefert oft übermäßig optimistische Ergebnisse, da das Modell von Proben lernen kann, die denjenigen, die es vorhersagen soll, fast identisch sind. Um dies zu vermeiden, verwendete das Team eine Methode namens „Leave-one-day-out“-Kreuzvalidierung. Stellen Sie sich ein Modell vor, das mit Daten von elf Lagertagen trainiert wurde und dann gebeten wird, die Qualität der Frucht am zwölften Tag vorherzusagen – einem Tag, den es noch nie gesehen hat. Sie wiederholten diesen Prozess, indem sie jeweils einen der zwölf Tage ausließen, um zu sehen, ob das Modell tatsächlich auf neue, ungesehene Zeiträume verallgemeinern kann.

Die Ergebnisse zeigten eine klare Trennung zwischen dem, was das Licht sehen konnte, und dem, was es nicht konnte. Das Modell war bemerkenswert erfolgreich bei der Vorhersage der Merkmale, die sich während der Reifung am dramatischsten verändern. Es konnte die Gehalte an Glukose und löslichen Feststoffen sehr genau vorhersagen, mit einer Leistung, die so stark war, dass es zwischen hohen und niedrigen Werten mit großer Präzision unterscheiden konnte. Es schnitt auch gut bei Fruktose, Stärke und der Festigkeit der Frucht ab. Dies sind die Qualitäten, die den Übergang von einer harten, stärkehaltigen grünen Banane zu einer weichen, süßen gelben Banane definieren. Die Lichtmuster erfassten den massiven Wechsel des Zuckergehalts und den Abbau der Fruchtstruktur mit hoher Zuverlässigkeit.

Das Modell hatte jedoch Schwierigkeiten mit den subtileren Veränderungen. Es konnte nur grobe Schätzungen für Saccharose liefern, dem spezifischen Zucker, der oft in der Mitte des Reifeprozesses seinen Höhepunkt erreicht, und es versagte bei der Vorhersage des Säuregehalts und des pH-Werts der Frucht mit keiner nützlichen Genauigkeit. Die Forscher fanden heraus, dass die Veränderungen der Säure einfach zu gering und zu verrauscht waren, als dass die Lichtsensoren sie gegenüber den anderen Eigenschaften der Frucht hätten detektieren können. Dies deutet darauf hin, dass das Licht zwar exzellent darin ist, die großen strukturellen Änderungen und den Zuckergehalt zu verfolgen, aber noch nicht empfindlich genug ist, um die feinen chemischen Verschiebungen der Säure zu messen.

Eine zentrale Erkenntnis der Studie war, dass die Art und Weise, wie die Daten getestet werden, wichtiger ist als die Technologie selbst. Als die Forscher ihre strikte „Leave-one-day-out“-Methode mit der standardmäßigen Zufallsaufteilung verglichen, stellten sie fest, dass die Zufallsmethode die Leistungsfähigkeit der Modelle in der realen Welt signifikant überschätzte. Die Zufallsmethode ließ die Modelle besser erscheinen, als sie tatsächlich waren, da sie dem Modell den Zugriff auf ähnliche Daten von anderen Tagen ermöglichte. Die strikte zeitbasierte Testung zeigte, dass die Modelle zwar vielversprechend sind, aber nicht perfekt, und dass ihre Fähigkeit zur Vorhersage stark davon abhängt, wie sie validiert werden.

Um die Technologie praktischer zu machen, untersuchte das Team auch, ob sie die Sensoren vereinfachen könnten. Anstatt den gesamten Bereich der Lichtwellenlängen zu nutzen, identifizierten sie spezifische Lichtbänder, die die wichtigsten Informationen trugen. Sie fanden heraus, dass sie durch die Konzentration auf nur diese Schlüsselwellenlängen die Komplexität des Systems um mehr als die Hälfte reduzieren konnten, ohne viel an Vorhersagekraft zu verlieren. Dies bedeutet, dass in Zukunft ein einfaches, kostengünstiges Gerät, das nur wenige spezifische Farben des Lichts nutzt, potenziell auf einem Förderband zur Sortierung von Bananen eingesetzt werden könnte, um den Arbeitern genau zu sagen, welche Früchte essreif sind und welche mehr Zeit benötigen – und das, ohne eine einzige aufzuschneiden.

Die Studie kommt zu dem Schluss, dass Nahinfrarotlicht zwar ein mächtiges Werkzeug zur Überwachung der Bananenreifung ist, aber kein Zauberstab, der jedes Problem löst. Es eignets sich hervorragend für die Verfolgung der großen Veränderungen in Zucker und Textur, hat aber Grenzen beim Thema Säure. Die Forschung dient auch als Warnung an die wissenschaftliche Gemeinschaft: Wenn man Dinge untersucht, die sich über die Zeit verändern, wie etwa die Reifung von Früchten, kann man sich nicht auf zufällige Testmethoden verlassen. Man muss seine Modelle gegen die Zukunft testen, die sie vorhersagen sollen. Auf diese Weise haben die Forscher einen realistischen Fahrplan für die Entwicklung zerstörungsfreier Werkzeuge geliefert, die helfen können, Lebensmittelabfälle zu reduzieren und sicherzustellen, dass die Bananen, die wir essen, auf ihrem Höhepunkt sind.