La qualità delle ciliegie dopo la conservazione è un fattore molto importante per la commerciabilità e la riduzione delle perdite, soprattutto per varietà delicate. Un recente studio condotto sulla cultivar “Staccato” in 30 frutteti della Okanagan Valley, in Canada, ha sviluppato un innovativo metodo di previsione della qualità post-conservazione, combinando analisi dei nutrienti di suolo, foglie e frutti.
L'obiettivo era identificare i fattori pre-raccolta e durante raccolta che influenzavano di più la qualità dopo quattro settimane di conservazione, utilizzando algoritmi di machine learning, in particolare il support vector machine (SVM). I risultati hanno mostrato che è possibile predire parametri chiave come solidi solubili totali, durezza e acidità, con un'accuratezza elevata, permettendo così alla filiera di ottimizzare la gestione per migliorare la qualità finale.
Indicatori nutrizionali chiave
L'analisi ha evidenziato che il contenuto di calcio è un indicatore chiave della durezza del frutto e del contenuto di solidi solubili dopo la conservazione, mentre l'azoto influisce su durezza, acidità e presenza di disordini visivi come l'imbrunimento del peduncolo.
Il contenuto di zinco nelle foglie ha mostrato una correlazione con il peso del frutto ed il rapporto acidità/solidi solubili, mentre il magnesio ne ha influenzato la colorazione. Tra i vari fattori analizzati, le misurazioni nutrizionali sulle foglie a 3-4 settimane dalla raccolta sono risultate le più efficaci nella previsione della qualità post-conservazione, mentre la composizione del suolo si è rivelata meno importante rispetto ai dati raccolti sulle piante.
Immagine 1. Prestazioni dell'SVM nella previsione della qualità post-conservazione dei frutti di ciliegia.
Prevedere i disordini visivi
Un aspetto critico è la difficoltà di prevedere i disordini visivi basandosi esclusivamente sui dati pre-raccolta. Tuttavia, includendo dati misurati al momento della raccolta, la capacità predittiva migliora sensibilmente, suggerendo che una combinazione di informazioni pre-raccolta e raccolta sia l'approccio ottimale.
L'applicazione pratica di questi risultati potrebbe aiutare a ridurre le perdite economiche del settore cerasicolo, stimate in Canada tra i 3 ed i 10 milioni di dollari canadesi (€2-7 milioni) all'anno.
Ruolo dei micronutrienti nella qualità
L'importanza del calcio nella durezza del frutto è confermata da numerosi studi precedenti, che evidenziano il ruolo della stabilità della parete cellulare nel ridurre la suscettibilità a disordini fisiologici.
Il magnesio e il ferro, invece, sono risultati importanti per il mantenimento del colore e del contenuto di zuccheri, fondamentali per la percezione di qualità da parte del consumatore. Lo zinco, essenziale per il metabolismo delle piante, ha dimostrato avere un impatto diretto sul peso del frutto. Pertanto, bilanciare l'apporto di micronutrienti è fondamentale per massimizzare la qualità finale.
I dati pre-raccolta, in particolare i nutrienti presenti nelle foglie a metà stagione (N, Ca, Mg, Fe, Zn e B), sono stati predittori affidabili della qualità post-conservazione, mentre le sole concentrazioni di nutrienti nei frutti non sono risultate sufficienti.
Immagine 2. Diagrammi di Taylor per la previsione degli attributi post-raccolta dei frutti. I punti colorati di rosso sono i valori effettivi degli attributi, mentre gli altri punti appartengono ai valori previsti utilizzando le caratteristiche dei frutticini (arancione), delle foglie (verde), dei frutti raccolti (blu) e del terreno (cremisi). ( a ) sostanza secca, ( b ) peso, ( c ) compattezza, ( d ) pH, ( e ) acidità titolabile, ( f ) solidi solubili totali, ( g ) rapporto TA/TSS, ( h ) bucce scivolose, ( i ) imbrunimento del gambo, ( j ) vaiolatura, ( k ) ghiaia e ( l ) ruggine.
Prospettive future
Studi futuri dovrebbero concentrarsi sul perfezionamento delle strategie di campionamento (tempistiche, posizione e tipo di foglie). Inoltre, sarebbe utile sviluppare tecnologie per la misurazione rapida dei nutrienti in situ (ad esempio con portable X-ray fluorescence), per semplificare e velocizzare ulteriormente le analisi.
In conclusione, questi risultati forniscono nuove prospettive nella gestione della filiera cerasicola. L'impiego di modelli predittivi basati su machine learning offre un'opportunità concreta per migliorare la sostenibilità della produzione di ciliegie, ottimizzando l'utilizzo dei fertilizzanti e riducendo le perdite lungo la filiera.
Immagini: Sharifi et al., 2024; SL Fruit Service
Fonte: Sharifi, M., Wolk, W., Asefpour Vakilian, K., Xu, H., Slamka, S., & Fong, K. (2024). Integrating Soil, Leaf, Fruitlet, and Fruit Nutrients, Along with Fruit Quality, to Predict Post-Storage Quality of Staccato Sweet Cherries. Horticulturae, 10(11), 1230. https://doi.org/10.3390/horticulturae10111230
Andrea Giovannini
Università di Bologna (IT)
Cherry Times - Tutti i diritti riservati