Leaf and cluster spectral signatures reveal trait-dependent prediction performance for grapevine cluster architecture and juice quality

Deze studie toont aan dat hyperspectrale reflectie van druivenclusters, in plaats van die van bladeren, samen met een op cluster-type gebaseerde data-indeling, de nauwkeurigheid van voorspellingsmodellen voor clusterarchitectuur en sapkwaliteit bij wijnstokken significant verbetert.

De kern

Titel: De "Spectrale Vingerafdruk" van Druiven: Hoe Licht ons Vertelt wat er in de Druif zit

Stel je voor dat je een druivenplant kunt "lezen" zoals een boek, zonder er ook maar één druif van te hoeven proeven of te breken. Dat is precies wat deze onderzoekers van de Universiteit Geisenheim in Duitsland hebben geprobeerd te doen. Ze hebben gekeken of ze met een speciale camera (die licht in duizenden kleuren kan zien) kunnen voorspellen hoe een druivenbos eruitziet en hoe lekker de wijn er straks van zal zijn.

Hier is het verhaal, vertaald in simpele taal:

1. Het Probleem: Wijnmakers zijn detectives

Wijnboeren willen de perfecte druif. Maar druiven zijn lastig. Als een bos druiven te strak zit (zoals een propvol kussen), kan er schimmel in groeien. Als de druiven te groot of te klein zijn, verandert dat de smaak van de wijn.
Vroeger moesten boeren elke bos druiven met de hand tellen, wegen en proeven. Dat is veel werk, kost tijd en je kunt de druiven niet meer gebruiken voor de wijn nadat je ze hebt gemeten. Ze hebben dus een snellere, niet-breuken manier nodig.

2. De Oplossing: De "Licht-Scanner"

De onderzoekers gebruikten een apparaat dat lijkt op een superkrachtige camera. Deze kijkt niet alleen naar rood, groen en blauw, maar naar duizenden kleuren die ons oog niet kan zien. Dit noemen ze hyperspectrale reflectie.
Elk onderdeel van de plant (bladeren, stengels, druiven) weerkaatst het licht op een unieke manier, net als een vingerafdruk. Als de druiven veel suiker hebben, of als het blad veel water tekort komt, verandert deze "vingerafdruk" een beetje.

3. De Grote Vraag: Kijk je naar het blad of naar de druif?

De onderzoekers stelden zich een slimme vraag: Wat is beter om te scannen?

• Optie A: Je scant de bladeren (die ver weg zijn van de druif).
• Optie B: Je scant de druiven zelf (die direct het product zijn).

Het was alsof ze probeerden te raden hoe een taart smaakt door naar het deeg te kijken (blad) versus door naar de taart zelf te kijken (druif).

Het verrassende antwoord:

• Voor het voorspellen van hoeveel druiven er in een bos zitten en hoe groot ze zijn, werkt het scannen van de druiven zelf het beste. De "vingerafdruk" van de druif vertelt direct hoe ze eruitzien.
• Maar voor het voorspellen van de zuurgraad (hoe zuur de wijn is) en de pH-waarde, werkt het scannen van de gedroogde bladeren soms zelfs beter! Dit komt omdat de bladeren en de druiven in de plant met elkaar "praten" via de voedingsstoffen. Als het blad een bepaalde chemische signatuur heeft, weet je dat de druif ook een bepaalde zuurgraad heeft.

4. De "Recepten" voor de Computer

De onderzoekers gebruikten slimme computers (wiskundige modellen) om deze lichtpatronen te vertalen naar echte cijfers. Ze probeerden twee manieren om de data te verdelen:

1. Groepen maken op basis van het uiterlijk: Alle strakke bessen bij elkaar, alle losse bessen bij elkaar.
2. Groepen maken op basis van het ras: Alle Riesling bij elkaar, alle Pinot bij elkaar.

Het bleek dat het niet zozeer uitmaakte hoe je de data verdeelde, maar vooral welk licht je gebruikte. Als je de verkeerde "vingerafdruk" (bijvoorbeeld blad in plaats van druif) gebruikt voor een bepaalde eigenschap, is de voorspelling minder goed.

5. Wat hebben ze ontdekt? (De "Gouden" Kleuren)

Ze ontdekten welke kleuren licht het belangrijkst zijn:

• Voor de grootte en het aantal druiven: Het licht in het rood en nabij-infrarood (een kleur die we niet zien, maar die warmte en structuur aangeeft) was het belangrijkst.
• Voor de smaak en zuurgraad: Het zichtbare licht (zoals de kleur van de druif) en bepaalde water-gebieden in het spectrum waren cruciaal.

6. Waarom is dit geweldig voor de toekomst?

Stel je voor dat een landbouwer in de toekomst met een drone over zijn wijngaard vliegt. De drone heeft een camera die deze "vingerafdrukken" scant.

• De computer zegt direct: "Acht, die druivenbosjes zijn te strak, ze gaan schimmelen!"
• Of: "Die druiven hebben de perfecte zuurgraad, ze zijn klaar voor de pers!"

Dit betekent dat wijnboeren in de toekomst sneller en slimmer kunnen kiezen welke druiven ze kweken, zonder duizenden handelingen te hoeven doen. Het helpt om betere wijn te maken, minder chemie te gebruiken en de druiven te beschermen tegen ziektes.

Kortom: Deze studie laat zien dat je niet altijd naar hetzelfde moet kijken om een goed antwoord te krijgen. Soms vertelt het blad je meer over de druif, en soms vertelt de druif je meer over zichzelf. Het geheim zit hem in het juiste licht en de juiste camera.

Technische samenvatting

Titel: Blad- en tros-spectra onthullen kenmerkafhankelijke voorspelling van druivenstrosarchitectuur en sapkwaliteit

1. Het Probleem en de Context
De wijnbouw staat onder druk door klimaatverandering, wat leidt tot extremere weersomstandigheden (hittegolven, droogte, onregelmatige neerslag). Deze factoren beïnvloeden de opbrengst en kwaliteit van druiven, en verhogen het risico op ziektes zoals Botrytis cinerea (bunch rot), wat sterk afhankelijk is van de architectuur van de druiventros.
Traditionele selectie in veredelingsprogramma's is beperkt omdat:

• Metingen van trosarchitectuur (aantal bessen, diameter, volume) en sapkwaliteit destructief, arbeidsintensief en tijdrovend zijn.
• Visuele beoordelingen vaak niet complex genoeg zijn om de relatie tussen morfologie en kwaliteit vast te leggen.
• Er een gebrek is aan inzicht in hoe hyperspectrale data van verschillende plantorganen (bladeren vs. tros) de voorspellende nauwkeurigheid beïnvloedt voor complexe eigenschappen.

2. Methodologie
De studie werd uitgevoerd tijdens het oogstseizoen 2024 op proefvelden van de Hochschule Geisenheim University.

• Populaties: Twee kloonpopulaties van Vitis vinifera L.: 220 Riesling-klonen en 240 Pinot-klonen (waaronder Pinot noir, blanc en gris).
• Datacollectie:
  • 3D-Scanning: Handmatige 3D-scanning (Artec 3D Spider) van trosjes om morfologische eigenschappen te extraheren (aantal bessen, diameter, volume, trosvolume, breedte, lengte, convex hull).
  • Hyperspectrale Reflectie: Metingen gedaan met een ASD Field Spec 4 spectroradiometer (350-2500 nm).
    • Tros: Direct na 3D-scanning gemeten op verse bessen.
    • Blad: Gemeten op gedroogde bladeren (gecollecteerd tijdens bloei, BBCH 65).
  • Sapanalyse: FTIR-spectroscopie op geperst sap voor pH, stikstof (NOPA), suikergehalte, en organische zuren (malaat, tartraat, totale zuurgraad).
• Statistische Analyse:
  • PLSR (Partial Least Squares Regression): Gebruikt om de relatie tussen hyperspectrale data (X) en fenotypische eigenschappen (Y) te modelleren.
  • Data-partitioning: Twee strategieën getest:
    1. Gebaseerd op trosdichtheid (compact, intermediair, los).
    2. Gebaseerd op populatie (Riesling vs. Pinot).
  • Spectrale Profielen: Er werden modellen getraind met: droge bladreflectie, trosreflectie, en vier synthetische combinaties (gemiddeld, gecombineerd, en gewogen combinaties zoals 70% tros/30% blad).
  • Validatie: 80% trainingsset, 20% validatieset. Prestaties gemeten via $R^2$, RMSE en bias.
  • VIP-scores: Gebruikt om de belangrijkste golflengtes voor voorspelling te identificeren.

3. Belangrijkste Resultaten

• Fenotypische Variatie: Riesling had significant grotere trossen, meer bessen en een hogere zuurgraad (lagere pH) dan Pinot. Compacte trossen hadden over het algemeen meer bessen en een groter volume.
• Invloed van het Organ (Blad vs. Tros):
  • Trosreflectie presteerde over het algemeen beter voor het voorspellen van trosarchitectuur en bessen-eigenschappen.
    • Bessendiameter: Hoge nauwkeurigheid ($R^2 = 0.79$).
    • Aantal bessen: Redelijke nauwkeurigheid ($R^2 = 0.53$).
    • Trosgewicht/volume: Slechte voorspelling ($R^2 < 0.10$), waarschijnlijk door occlusie (verduistering) binnen de tros.
  • Bladreflectie presteerde beter voor specifieke sapkwaliteitseigenschappen, met name pH ($R^2 = 0.63$). Dit suggereert een fysiologische koppeling tussen ionenregulatie in het blad en de zuurgraad in de bes.
  • Synthetische combinaties (mixen van blad- en trosdata) leverden vaak minder nauwkeurige modellen op dan het gebruik van het specifieke organ, wat wijst op een "verwatering" van de signaal-ruisverhouding.
• Invloed van Data-partitioning:
  • Het partitioneren op basis van trosarchitectuur (in plaats van populatie) resulteerde vaak in een iets betere voorspellende nauwkeurigheid en meer variatie in de data, hoewel het effect kleiner was dan de keuze van het spectrale profiel.
• Belangrijke Spectrale Regio's:
  • De meest informatieve golflengtes bevonden zich in het zichtbare (VIS), red-edge en NIR-gebied.
  • Voor bessen en troskenmerken waren golflengtes rond 650-980 nm cruciaal (gerelateerd aan anthocyanen, carotenoïden en waterabsorptie).
  • Voor sapkwaliteit (suikers, zuren) waren ook VIS en red-edge belangrijk, terwijl pH en NOPA sterkere signalen uit de NIR-waterabsorptiebanden haalden.

4. Bijdragen en Significatie

• Organ-specifieke Strategie: De studie benadrukt dat er geen "one-size-fits-all" aanpak is. Voor morfologische traits (bessengrootte, aantal) is direct meten van de tros essentieel, terwijl voor bepaalde chemische traits (pH) bladmetingen voldoende of zelfs beter kunnen zijn.
• Verbetering van Phenomics: Het onderzoek biedt een raamwerk voor het ontwikkelen van snelle, niet-destructieve proxies voor veredeling. Het toont aan dat hyperspectrale data gebruikt kan worden om complexe, moeilijk te meten eigenschappen te voorspellen zonder destructieve bemonstering.
• Toekomstige Toepassingen: De geïdentificeerde kritieke golflengtes (VIS, red-edge, NIR) vormen de basis voor de ontwikkeling van goedkopere, multispectrale sensoren die op drones (UAV) of veldplatforms kunnen worden ingezet. Dit maakt het mogelijk om op grote schaal te selecteren op trosdichtheid (om ziekteresistentie te verbeteren) en sapkwaliteit.
• Beperkingen en Richting: Hoewel veelbelovend, zijn de modellen gevoelig voor variatie in fenologische stadia en omgevingscondities. Toekomstig onderzoek moet gericht zijn op het integreren van data van meerdere organen en fenologische stadia om de generaliseerbaarheid van de modellen te vergroten.

Conclusie
De studie concludeert dat de keuze van het plantorgan voor spectrale metingen de voorspellende nauwkeurigheid van fenomische modellen in wijnbouw significant beïnvloedt. Door organ-specifieke spectra te gebruiken en de juiste kalibratiestrategieën toe te passen, kunnen veredelaars efficiëntere selectieprocessen ontwikkelen voor zowel trosarchitectuur als wijnkwaliteit.