Combinación de modelos basados en mecanismos y basados en datos para la predicción de la evolución de calidad en pescado fresco

Abstract

[Resumen] El desperdicio alimentario supone un gran problema de sostenibilidad. El pescado, en concreto, es un producto especialmente perecedero, degradándose con mucha rapidez cuando la temperatura de almacenamiento no se controla adecuadamente. Los modelos matemáticos son herramientas útiles para predecir la evolución de la calidad del pescado durante el transporte y almacenamiento. Conocer la dinámica de la degradación con antelación también nos permitirá definir estrategias para reducir el desperdicio alimentario y aumentar el valor añadido del pescado. En este trabajo se presenta una nueva metodología para la descripción de la evolución de calidad de filetes de merluza (Merluccius merluccius) envasada en atmósferas modificadas durante el transporte y almacenamiento. Dicha metodología consta de dos partes: un modelo basado en los mecanismos del proceso que describe la evolución de dos de los indicadores de calidad más utilizados (contenido bacteriano y bases volátiles), y un modelo de aprendizaje automático que permite correlacionar dichos indicadores con un indicador sensorial, el QIM (del inglés, Quality Index Method). Para la evolución de las bases volátiles se propone un nuevo modelo basado en la ley de potencias. Además, en este trabajo, los parámetros desconocidos del modelo se estiman utilizando datos experimentales. En el caso de los modelos de aprendizaje automático, se comparan técnicas de redes neuronales y árboles de decisión utilizando diferentes indicadores del error. El modelo combinado supone un avance en la predicción de calidad, ya que permite predecir el QIM a partir, exclusivamente, de datos de temperatura y obtener resultados satisfactorios.

[Abstract] Food waste is a significant sustainability problem. Fish, in particular, is a very perishable product. In fact, spoilage increases rapidly when the storage temperature is not adequately controlled. Mathematical models are useful tools to predict fish quality evolution during transport and storage. This knowledge will help to develop strategies to reduce food waste and to increase the product value. In this work, we propose a new methodology to predict the evolution of quality, during transport and storage, of hake fillets packed in modified atmospheres. It consists of two parts: a model based on the process mechanisms to describe the evolution of two highly used quality indicators (bacterial content and volatile bases), and a machine learning model to correlate such indicators with one of the most employed sensory indexes: the Quality Index Method (QIM). Moreover, we propose a Power Law model to describe volatile bases evolution. We estimate the unknown parameters using experimental data. In the machine learning part, we compare random forest models and neural networks using several statistical techniques. Overall, this methodology is an improvement in fish quality prediction because it makes QIM prediction using just temperature data with promising results.