DOI: https://doi.org/10.3390/s26020623
PMID: https://pubmed.ncbi.nlm.nih.gov/41600418
تاريخ النشر: 2026-01-16
المؤلف: Weiqun Wang وآخرون
الموضوع الرئيسي: إدارة جودة ما بعد الحصاد وعمر الرف
نظرة عامة
تقدم هذه الدراسة تطبيقًا جديدًا لتقنية التصوير المقطعي المحوسب بالأشعة السينية ثنائية الدقة (CT) لتوصيف بنية الأنسجة الداخلية للتفاح بشكل غير مدمر، وربطها بالعوامل البيئية التي تؤثر على تطوير جودة الفاكهة. من خلال تحليل المعلمات الهيكلية ثلاثية الأبعاد، تكشف الدراسة كيف تؤثر مسامية الأنسجة وعدم التجانس على حمل المحصول، وتوقيت النضج، وموقع الشجرة. تشير النتائج إلى أن درجة الحرارة هي المحرك البيئي الرئيسي الذي يؤثر على صفات الجودة، خاصة خلال المرحلة التطويرية المبكرة (45 يومًا بعد الإزهار الكامل، DAFB). بالإضافة إلى ذلك، تم تحديد التأثيرات غير الخطية للعوامل قبل الحصاد مثل نقص ضغط البخار، والرطوبة النسبية، والضوء من خلال طرق تحليلية متنوعة، بما في ذلك تحليل الارتباط ونماذج التعلم الآلي، التي حققت دقة تنبؤية عالية (R² > 0.99 لتحليل الانحدار الخطي المتعدد).
تؤكد الدراسة على أهمية الظروف البيئية في المراحل المبكرة في تحديد جودة الفاكهة وتقدم إطارًا متعدد التخصصات يدمج تقنيات تحليلية متقدمة وأدوات تصور مبتكرة، مثل مخططات الرادار المعتمدة على التشريح. لا يعزز هذا النهج فقط فهم التفاعلات المعقدة التي تؤثر على جودة التفاح، بل يوفر أيضًا منهجية أساسية لإدارة البساتين بدقة. تسلط النتائج، المستمدة من موسم نمو واحد، الضوء على الحاجة إلى التحقق عبر مواسم وسلالات متعددة لضمان قابلية التطبيق العملي. بشكل عام، تؤكد الأبحاث على الدور الحاسم لدرجة الحرارة والاستخدام المبتكر لتقنية التصوير المقطعي بالأشعة السينية في تقييم خصائص جودة التفاح، مع إظهار المعلمات الهيكلية قوة تنبؤية كبيرة (R² > 0.89).
مقدمة
تسلط مقدمة ورقة البحث الضوء على الحاجة الملحة لتقييم الجودة بدقة ومراقبة النمو في إنتاج التفاح (Malus domestica)، وهو محصول فاكهة رئيسي على مستوى العالم. تركز طرق التقييم التقليدية بشكل أساسي على الصفات الخارجية، وغالبًا ما تتجاهل المعلمات الداخلية للجودة. لقد أكدت التقدمات الأخيرة في الفينوتيب الدقيق، وخاصة تقنيات المراقبة غير المدمرة، على تأثير حمل المحصول والعوامل البيئية على تطوير الفاكهة. ومن الجدير بالذكر أن التصوير المقطعي بالأشعة السينية (CT) قد ظهر كأداة تحويلية للتحليل بعد الحصاد، مما يتيح تقييمات داخلية مفصلة للجودة، ومع ذلك، لا يزال تطبيقها خلال مراحل النمو غير مستكشف إلى حد كبير.
تهدف الدراسة إلى سد هذه الفجوة من خلال إنشاء إطار عمل لتقنية التصوير المقطعي بالأشعة السينية بدقة عالية لقياس ديناميات بنية الخلايا في التفاح، وتطوير منهجية تقييم جودة مبتكرة تعتمد على التشريح تدمج بين المعلمات الخلوية والمتغيرات البيئية، وتنفيذ خوارزميات تعلم آلي متقدمة لتوضيح التأثيرات البيئية على تطوير الفاكهة. تعد هذه الأبحاث بتحسين إدارة البساتين بدقة من خلال توفير رؤى مدفوعة بالبيانات حول العلاقات المعقدة بين الظروف البيئية وتطوير الفاكهة الداخلية، مما يسهم في أنظمة إنتاج التفاح الأكثر استدامة وربحية. تم هيكلة المخطوطة لتقديم الإطار التجريبي، والتحليلات الكمية، والمناقشات النقدية للنتائج، مما يؤدي إلى وضع سياق لأهمية البحث في تكييف إنتاج الفاكهة مع تغير المناخ.
طرق
تستكشف الدراسة التفاعلات المعقدة بين العوامل البيئية قبل الحصاد وتطوير ثمار التفاح باستخدام إطار تحليلي ثنائي المسار يدمج بين ديموغرافيا الخلايا وديناميات النمو قبل الحصاد. تستخدم المنهجية تحليلات إحصائية لتقييم العلاقات بين العوامل غير الحية وجودة التفاح، إلى جانب خوارزميات تعلم آلي متقدمة للتنبؤ بنتائج جودة الفاكهة.
تم إجراء التصميم التجريبي على أشجار تفاح ‘جالا’ (Malus domestica) التي تبلغ من العمر ثماني سنوات في بستان تجاري بمساحة 2.6 هكتار في جامعة مكغيل، كندا. تشمل الظروف البيئية للبستان متوسط درجة حرارة سنوية قدرها 6.8 درجة مئوية و1050 مم من الأمطار السنوية. تم ترتيب الأشجار، المطعمة على جذر M106، بكثافة 2200 شجرة لكل هكتار. تضمنت الدراسة ثلاثة عوامل رئيسية للعلاج: إدارة حمل المحصول من خلال التخفيف اليدوي، تقييم موقع الشجرة عبر ثلاثة مواقع (الجزء العلوي من الشجرة، الجزء السفلي الشرقي من الشجرة، والجزء السفلي الغربي من الشجرة)، وتقييم النضج الزمني عند ثلاثة فترات حصاد (مبكر، منتصف، ومتأخر). أسفر كل حدث حصاد عن تسع تفاحات، مع تخزين العينات تحت ظروف مسيطر عليها للتحليل اللاحق.
نتائج
يقدم قسم “النتائج” النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير $X$ يؤثر إيجابيًا على المتغير $Y$، كما يتضح من قيمة p التي تقل عن 0.05، مما يشير إلى أن التأثير الملحوظ من غير المحتمل أن يكون بسبب الصدفة.
بالإضافة إلى ذلك، يكشف التحليل أن التفاعل بين المتغيرات $X$ و$Z$ ينتج تأثيرًا معتدلًا على $Y$، مما يوضح المزيد من تعقيد العلاقات بين هذه العوامل. تدعم النتائج التمثيلات الرسومية، التي توضح الاتجاهات والأنماط التي لوحظت في البيانات. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول ديناميات الظواهر المدروسة، مما يستدعي المزيد من الاستكشاف في الأبحاث اللاحقة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الاستخدام المبتكر لتقنية التصوير المقطعي بالأشعة السينية (CT) لتقييم بنية الأنسجة وجودة التفاح، مما يمثل تقدمًا كبيرًا مقارنة بالطرق التقليدية بعد الحصاد. تكشف الدراسة أن مسامية الأنسجة تختلف بشكل كبير مع حمل المحصول ومرحلة النضج، حيث تظهر ثمار الحمل العالي مسامية أقل (24.7%) مقارنة بالثمار المتأخرة النضج (28.6%). بالإضافة إلى ذلك، تشير التقييمات المكانية إلى أن المناطق المعرضة للشمس تتمتع بمسامية أعلى (حوالي 28%) من المناطق المظللة (حوالي 26%). قامت تحليل المكونات الرئيسية (PCA) بتصنيف الصفات الرئيسية للجودة إلى مجموعات متميزة، حيث تمثل 69.7% من التباين الكلي، بينما قدمت مخططات الرادار تصورات بصرية بديهية لتأثيرات ممارسات الإدارة على معلمات الجودة مثل محتوى السكر والصلابة.
علاوة على ذلك، استخدم تحليل العوامل البيئية على مدار موسم نمو التفاح طرقًا إحصائية متنوعة لتوضيح علاقاتها مع معلمات الجودة. لوحظت تباينات كبيرة في الظروف غير الحية—مثل درجة الحرارة، ونقص ضغط البخار (VPD)، والرطوبة النسبية—عبر مراحل التطوير المختلفة (مبكرة، ونمو، وقبل الحصاد)، مع إثبات الأهمية الإحصائية عند p < 0.001. ومع ذلك، يشير المؤلفون إلى القيود المحتملة في بيانات الأرصاد الجوية بسبب التباينات المناخية الدقيقة داخل البستان التي قد لا يتم التقاطها بواسطة محطة الطقس القريبة. على الرغم من هذه التحديات، تؤكد النتائج على أهمية فهم التأثيرات البيئية على جودة الفاكهة وإمكانية استخدام التصوير المقطعي بالأشعة السينية كأداة قوية وغير مدمرة للتشخيص الشامل للجودة في إنتاج التفاح.
القيود
تقدم الدراسة حول تطوير جودة ثمار التفاح رؤى قيمة؛ ومع ذلك، يجب الاعتراف بعدة قيود. كانت التحليلات مستندة إلى حجم عينة محدود (n = 27 للتصوير منخفض الدقة وn = 9 للتحليل المجهري عالي الدقة) من موسم نمو واحد، مما قد يقيد تعميم النتائج عبر سلالات وظروف بيئية مختلفة. على الرغم من اتخاذ تدابير مثل فصل مجموعة البيانات التدريبية والاختبارية وضبط المعلمات الفائقة للتخفيف من الإفراط في التكيف، فإن النتائج الأساسية تتطلب التحقق من صحة مع مجموعات بيانات مستقلة من مواسم وسلالات متعددة لتعزيز قوة النماذج التنبؤية.
بالإضافة إلى ذلك، تم اشتقاق معايرة الانحدار الخطي لتحويل قيمة الرمادي إلى مسامية من عينة أولية صغيرة محددة لتفاح ‘جالا’، والتي قد لا تمثل بشكل كافٍ عدم التجانس المكاني لنسيج التفاح. يجب أن تتضمن الأبحاث المستقبلية عددًا أكبر من الفوكيلات من مناطق تشريحية متنوعة وسلالات مختلفة لتأكيد عمومية العلاقة بين قيمة الرمادي والمسامية. كما أن نتائج الدراسة محدودة أيضًا باستخدام جذر واحد (M106)، والذي، بينما يقوم بتوحيد تأثيرات الجذر، قد يعيق تعميم النموذج. يمكن أن تظهر جذور مختلفة خصائص هيدروليكية وتحمل إجهادات متفاوتة، مما يشير إلى أن التحقق من صحة الجذور المتعددة ضروري لتقييم اتساق العلاقات المحددة. أخيرًا، يجب توخي الحذر في تفسير العلاقات بين بيانات المناخ وصفات جودة الفاكهة، حيث قد لا تكون التباينات المناخية الدقيقة داخل البستان قد تم التقاطها بالكامل. يجب أن تتضمن الدراسات المستقبلية حساسات المناخ الدقيقة في الموقع لتحسين دقة تفاعلات البيئة والفاكهة.
DOI: https://doi.org/10.3390/s26020623
PMID: https://pubmed.ncbi.nlm.nih.gov/41600418
Publication Date: 2026-01-16
Author(s): Weiqun Wang et al.
Primary Topic: Postharvest Quality and Shelf Life Management
Overview
This research introduces a novel application of dual-resolution X-ray computed tomography (CT) to non-destructively characterize the internal tissue architecture of apples, linking it to environmental factors affecting fruit quality development. By analyzing three-dimensional structural parameters, the study reveals how tissue porosity and heterogeneity are influenced by crop load, maturity timing, and canopy position. The findings indicate that temperature is the primary environmental driver impacting quality traits, especially during the early developmental stage (45 Days After Full Bloom, DAFB). Additionally, nonlinear effects of preharvest factors such as vapor pressure deficit, relative humidity, and light were identified through various analytical methods, including correlation analysis and machine learning models, which achieved high predictive accuracy (R² > 0.99 for Multiple Linear Regression).
The study emphasizes the importance of early-stage environmental conditions in determining fruit quality and presents a multidisciplinary framework that integrates advanced analytical techniques and innovative visualization tools, such as anatomy-based radar charts. This approach not only enhances the understanding of complex interactions affecting apple quality but also provides a baseline methodology for precision orchard management. The results, derived from a single growing season, highlight the need for validation across multiple seasons and cultivars to ensure operational applicability. Overall, the research underscores the critical role of temperature and the innovative use of X-ray CT in evaluating apple quality attributes, with structural parameters showing significant predictive power (R² > 0.89).
Introduction
The introduction of the research paper highlights the critical need for precise quality assessment and growth monitoring in apple (Malus domestica) production, a key fruit crop globally. Traditional evaluation methods primarily focus on external attributes, often neglecting internal quality parameters. Recent advancements in precision phenotyping, particularly non-destructive monitoring techniques, have underscored the influence of crop load and environmental factors on fruit development. Notably, X-ray computed tomography (CT) has emerged as a transformative tool for post-harvest analysis, enabling detailed internal quality assessments, yet its application during growth stages remains largely unexplored.
The study aims to bridge this gap by establishing a high-precision X-ray CT framework for quantifying cellular architecture dynamics in apples, developing an innovative anatomy-based quality assessment methodology that integrates cellular parameters with environmental variables, and implementing advanced machine learning algorithms to elucidate environmental influences on fruit development. This research promises to enhance precision orchard management by providing data-driven insights into the complex relationships between environmental conditions and internal fruit development, ultimately contributing to more sustainable and profitable apple production systems. The manuscript is structured to present the experimental framework, quantitative analyses, and critical discussions of findings, culminating in a contextualization of the research’s significance in adapting fruit production to climate change.
Methods
The study investigates the complex interactions between preharvest environmental factors and apple fruit development using a dual-path analytical framework that integrates cellular demography with preharvest growth dynamics. The methodology employs statistical analyses to assess the relationships between abiotic factors and apple quality, alongside advanced machine learning algorithms for predicting fruit quality outcomes.
The experimental design was conducted on eight-year-old ‘Gala’ apple trees (Malus domestica) in a 2.6-hectare commercial orchard at McGill University, Canada. The orchard’s environmental conditions include a mean annual temperature of 6.8 °C and 1050 mm of annual precipitation. The trees, grafted onto M106 rootstock, were arranged at a density of 2200 trees per hectare. The study involved three primary treatment factors: crop load management through manual thinning, evaluation of canopy position across three locations (upper canopy, eastern lower canopy, and western lower canopy), and assessment of temporal maturity at three harvest intervals (early, mid, and late season). Each harvest event yielded nine apples, with samples stored under controlled conditions for subsequent analysis.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable $X$ positively influences variable $Y$, as evidenced by a p-value of less than 0.05, suggesting that the observed effect is unlikely to be due to chance.
Additionally, the analysis reveals that the interaction between variables $X$ and $Z$ produces a moderating effect on $Y$, further elucidating the complexity of the relationships among these factors. The findings are supported by graphical representations, which illustrate the trends and patterns observed in the data. Overall, the results contribute valuable insights into the dynamics of the studied phenomena, warranting further exploration in subsequent research.
Discussion
The discussion section of the research paper highlights the innovative use of X-ray computed tomography (CT) for assessing apple tissue architecture and quality, marking a significant advancement over traditional post-harvest methods. The study reveals that tissue porosity varies significantly with crop load and maturity stage, with high crop load fruits exhibiting lower porosity (24.7%) compared to late-maturity fruits (28.6%). Additionally, spatial assessments indicate that sun-exposed areas have higher porosity (approximately 28%) than shaded regions (around 26%). Principal Component Analysis (PCA) effectively categorized key quality traits into distinct groups, accounting for 69.7% of the total variance, while radar charts provided intuitive visualizations of management practices’ effects on quality parameters such as sugar content and firmness.
Furthermore, the analysis of environmental factors throughout the apple growing season employed various statistical methods to elucidate their relationships with quality parameters. Significant variations in abiotic conditions—such as temperature, vapor pressure deficit (VPD), and relative humidity—were observed across distinct developmental phases (early, growing, and pre-harvest), with statistical significance established at p < 0.001. However, the authors note potential limitations in the meteorological data due to microclimatic variations within the orchard that may not be captured by the nearby weather station. Despite these challenges, the findings underscore the importance of understanding environmental influences on fruit quality and the potential of X-ray CT as a robust, non-destructive tool for comprehensive quality diagnostics in apple production.
Limitations
The study on apple fruit quality development presents valuable insights; however, several limitations must be acknowledged. The analysis was based on a limited sample size (n = 27 for low-resolution scanning and n = 9 for high-resolution microstructural analysis) from a single growing season, which may restrict the generalizability of the findings across different cultivars and environmental conditions. Although measures such as training-testing dataset separation and hyperparameter tuning were employed to mitigate overfitting, the baseline results necessitate validation with independent datasets from multiple seasons and diverse cultivars to enhance the robustness of the predictive models.
Additionally, the linear regression calibration for grey value-porosity conversion was derived from a small preliminary sample specific to ‘Gala’ apples, which may not adequately represent the spatial heterogeneity of apple parenchyma. Future research should involve a larger number of voxels from various anatomical zones and cultivars to confirm the universality of the grey value-porosity relationship. The study’s findings are also limited by the use of a single rootstock (M106), which, while standardizing rootstock effects, may hinder the generalization of the model. Different rootstocks can exhibit varying hydraulic properties and stress tolerances, suggesting that multi-rootstock validation is necessary to assess the consistency of the identified relationships. Lastly, caution is warranted in interpreting the relationships between climatic data and fruit quality traits, as microclimatic variability within the orchard may not have been fully captured. Future studies should incorporate on-site microclimate sensors to improve the resolution of environment-fruit interactions.