Issue |
Ciência Téc. Vitiv.
Volume 32, Number 1, 2017
|
|
---|---|---|
Page(s) | 33 - 41 | |
DOI | https://doi.org/10.1051/ctv/20173201033 | |
Published online | 09 August 2017 |
Using multispectral imaging to improve berry harvest for wine making grapes
Utilização da imagiologia multiespectral para melhorar a vindima de uvas destinadas à produção de vinho
1
Ecodevelopment S.A., 57010, Filyro, Thessaloniki, Greece
2
Agroecosystem L.P., N. Moudania, Chalkidiki, Greece
* corresponding author: Tel: +306972916770, Fax: +302310677550, e-mail: iatrou@ecodev.gr
Received:
23
February
2016
Accepted:
7
April
2017
The determination of time for grape harvest is probably the most important decision for wine making producers, because grapes are not climacteric fruits and if they are harvested before fully ripe their quality is compromised. This is because sugar content, aroma and color compounds increase only before harvest for non-climacteric fruits. The current practice for determining berry ripeness includes measurements of berry samples for total soluble solids (TSS) and pH, but this procedure is time consuming and laborious. On the other hand, with the development of unmanned aerial vehicles (UAV) and modern ultralight cameras the grower can now obtain data rapidly and also spatial information for crop's physiological status at farm scale. Berry samples were collected from grapevines (cv. Malagousia) and their reflectance spectra were used to estimate TSS and pH by Multiple Linear Regression (MLR) and Support Vector Machine (SVM). The highest classification accuracy was achieved using the SVM model. Moreover, berries taken by grapevines with low Carotenoid Reflectance Index 2 (CRI2) had higher TSS, pH and terpenes, and gave wine with higher alcohol by volume. The importance for constructing a model for predicting TSS in berries is obvious, because this can aid in the prediction of wine quality. The current work is a preliminary compilation of methodologies for making a monitoring tool of berry ripeness, using statistical techniques, remote sensing and crop physiological data.
Resumo
A determinação da época de vindima é provavelmente a decisão mais importante para os produtores vinícolas porque as uvas não são frutos climatéricos e se forem vindimadas antes de estarem completamente maduras, a sua qualidade fica comprometida. Isto ocorre porque o teor de açúcar, assim como os compostos responsáveis pelo aroma e pela cor aumentam apenas antes da colheita de frutos não climatéricos. A prática atual para determinar a maturação da uva inclui medições de amostras de uva quanto a sólidos solúveis totais (TSS) e pH, mas este procedimento é demorado e trabalhoso. Por outro lado, com o desenvolvimento de veículos aéreos automatizados (UAV) e câmaras ultraleves modernas, o produtor pode agora obter dados rapidamente e também informação espacial sobre o estado fisiológico da cultura à escala da propriedade. Foram recolhidas amostras de uvas de videiras (cv. Malagousia) e os seus espetros de reflexão foram utilizados para estimar o TSS e o pH através de Regressão Linear Múltipla (MLR) e de uma Máquina de Vetores de Suporte (SVM). A precisão da classificação mais alta foi obtida com a utilização do modelo SVM. Além disso, as uvas de videiras com baixo Índice de Reflexão de Carotenoide 2 (CRI2) alcançaram valores de TSS, pH e terpenos mais elevados, dando origem a vinho com mais álcool por volume. A importância para a construção de um modelo de previsão de TSS em uvas é óbvia, porque pode auxiliar na previsão da qualidade do vinho. O presente trabalho é uma compilação preliminar de metodologias para criar uma ferramenta de monitorização da maturação da uva, utilizando técnicas estatísticas, deteção remota e dados fisiológicos da cultura.
Key words: Berry ripening / remote sensing / Support Vector Machine / Carotenoid Reflectance Index
Palavras-chave: Maturação da uva / deteção remota / Máquina de Vetores de Suporte / Índice de Reflexão de Carotenoide
© Instituto Nacional de Investigação Agrária e Veterinária, I.P. / Ex-Estação Vitivinícola Nacional 2017
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by/4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.
Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.
Initial download of the metrics may take a while.