基于机器学习的黎巴嫩石榴技术成熟度与酚类物质含量预测模型构建及区域差异性研究

为解决传统石榴采收方法无法精准评估环境与果实成熟度交互影响的问题，黎巴嫩研究团队首次将机器学习算法（MLP/LR）应用于石榴品质指标预测。通过采集548份样本的地理环境与理化数据，构建了总可溶性固形物（TSS）、可滴定酸度（TA）及酚类含量的高精度预测模型（R2达0.84），揭示不同产区酚类物质分布规律（Hasbaya高达429.49 mg GAE/汁液产量），为优化采收策略提供数据支撑。

　　

石榴（Punica granatum L.）作为中东地区传统作物，其营养价值与市场价值高度依赖采收时机。然而，传统采收方法往往忽视环境条件与果实成熟度的复杂相互作用，导致黎巴嫩本土石榴在品质上难以与进口产品竞争。更关键的是，石榴的"技术成熟度"（由糖酸比、硬度和可滴定酸度TA定义）与"酚类成熟度"（酚类物质含量决定抗氧化活性）需要协同优化，但现有技术缺乏对两者的整合评估手段。

针对这一难题，贝鲁特阿拉伯大学与德国波恩大学医院的研究团队在《Scientific Reports》发表了一项开创性研究。该团队首次将机器学习技术应用于黎巴嫩石榴品质预测，通过采集Hasbaya、El Jahliye和Rachiine三个产区的548个石榴样本，整合地理环境数据（温度、湿度、太阳辐射）、物理参数（质量、体积）和化学指标（TA、总酚含量），构建了多维度预测模型。

研究采用线性回归（LR）和多层感知器（MLP）两种算法，关键技术包括：1）标准化摄影箱采集石榴多角度图像；2）水置换法测定体积与数字卡尺测量尺寸；3）Folin-Ciocalteu法量化酚类物质；4）UV-Vis分光光度计测定颜色强度（CI）；5）10折交叉验证评估模型性能。

技术成熟度动力学
通过监测TA、TSS和成熟指数（MI=°Brix/TA）发现：Hasbaya产区TA波动显著（0.35%-0.4%），而El Jahliye的TA从0.49%持续下降至0.33%。Rachiine的MI在9月20日骤降至7.3，反映过早采收风险。MLP模型对TA预测精度最高（R²=0.84），证实环境因素（如降水延缓TA下降）对技术成熟度的调控作用。

酚类物质动态与地理差异
酚类含量呈现明显地域特征：Hasbaya涵盖全部三个含量等级（低<185 mg GAE/汁液产量，高>400 mg GAE），而El Jahliye仅达中低水平。PCA分析显示，高太阳辐射与低温地区（如Rachiine）更利于酚类积累，这与抗氧化物质的光保护机制相符。颜色强度（CI）与酚类浓度呈正相关（R²=0.65），证实外观可作为品质的直观指标。

机器学习模型表现
MLP回归器在酚类含量预测中表现优异（R²=0.70），而逻辑回归对成熟度分类准确率达79%。值得注意的是，模型仅需输入质量、地理位置等简单特征即可预测复杂生化指标，为田间快速检测提供可能。

这项研究首次建立了黎巴嫩石榴双成熟度的量化关联，揭示10月4日-26日为各产区最佳采收窗口，较农民传统采收期平均延迟2-3周。MLP模型的高预测精度（TA的MAE仅0.0725）证实AI在农产品品质管控中的潜力。未来通过整合卷积神经网络（CNN）分析石榴图像特征，有望开发便携式检测设备，直接助力农户优化采收决策，提升黎巴嫩石榴的国际竞争力。