La spettroscopia iperspettrale per individuare residui di fitofarmaci nelle olivee foglie

Ogni anno, in Spagna come in Italia, i frantoi si trovano ad affrontare la stessa sfida: verificare in tempi rapidi se le olive conferite rispettano i limiti massimi di residui (MRL) imposti dall’Unione Europea. Il metodo di riferimento, la gascromatografia-spettrometria di massa (GC-MS/MS), è preciso ma distruttivo, lento e richiede personale specializzato.

Come evidenziano Bonillo Martinez e colleghi nell’articolo pubblicato su Food Analytical Methods, “questo rende difficile una verifica immediata all’ingresso della cooperativa”. La soluzione potrebbe arrivare dall’imaging iperspettrale nel visibile e vicino infrarosso (VNIR-HSI), una tecnologia che legge la firma chimica della superficie senza contatto.

Ma fino a oggi, due limiti frenavano l’applicazione su larga scala: la concentrazione su un’area fissa del frutto (soggetta a distorsioni da bagliore o ammaccature) e l’uso di classificatori “a decisione secca”, incapaci di segnalare quando un risultato è poco affidabile.

Foglie al posto dei frutti? L’idea che cambia le regole

Lo studio, condotto su olive della varietà Picual provenienti da un frutteto biologico certificato, introduce tre novità sostanziali. La prima, più sorprendente, è l’estensione dell’analisi dalle olive alle foglie, considerate sia nella pagina superiore (adassiale) che inferiore (abassiale).

Perché le foglie? “Sono più facili da campionare – spiegano i ricercatori – e in letteratura si è già dimostrato che possono rivelare residui su lattuga, bok choi o spinaci”. La superficie della foglia, però, è più complessa: maggiore pigmentazione, nervature e rugosità possono mascherare o esaltare il segnale del pesticida.

Il risultato? Le prestazioni dipendono fortemente dalla combinazione matrice-molecola:

• Sul frutto, deltametrin e diflufenican toccano picchi del 99,9% di F1-score (indice bilanciato tra precisione e richiamo).

• Sulle foglie, invece, oxiflufen e tebuconazole si discriminano meglio (AUC fino al 94-95%), mentre diflufenican perde efficacia, scendendo sotto il 73% di AUC sulla pagina inferiore.

In pratica, non esiste una matrice migliore in assoluto: il sistema va calibrato in base al principio attivo che si intende monitorare.

Addio decisioni “secche”: benvenuto punteggio di fiducia

La seconda innovazione cambia l’approccio logico. I precedenti classificatori (come SVM o KNN) emettevano un verdetto binario: sotto o sopra il limite di legge. Ora, i ricercatori hanno adottato due modelli probabilistici: la regressione PLS-DA (lineare) e XGBoost (non lineare).

Ogni pixel dell’immagine riceve un punteggio continuo tra 0 e 1, interpretabile come “confidenza” che il residuo superi l’MRL. Questo apre la strada alla terza innovazione: la banda di indecisione.

Invece di fissare una soglia netta (es. 0,5), si definisce un intervallo di dubbio. Per il modello PLS, i pixel con punteggio compreso tra 0,10 e 0,90 vengono etichettati come “indeterminati” ed esclusi dalla classificazione finale. Per XGBoost, l’intervallo è ancora più stretto: 0,04-0,96.

Cosa si guadagna? Sulla parte di campioni su cui il sistema è certo, l’accuratezza sale al 99,7%, anche a costo di scartare fino al 75% dei pixel nei casi più difficili (come oxiflufen su foglia). Un compromesso operativamente accettabile: i lotti “indeterminati” vanno al secondo controllo di laboratorio, quelli “certi” possono essere lavorati subito.

Numeri da record (ma con onestà intellettuale)

I dati pubblicati parlano chiaro. Rispetto a uno studio precedente degli stessi autori (Martinez Gila et al., 2024), i guadagni sono impressionanti:

• Diflufenican: F1-score dal 95,0% al 99,6% (su oliva, con XGBoost), rifiutando il 26,6% dei pixel.

• Deltametrin: dal 73,7% al 99,9% (sempre oliva-XGBoost), con rifiuto del 35,9%.

• Tebuconazole: dall’87,1% al 99,6% (oliva-PLS), rifiuto del 43,4%.

Anche il λ-cialotrina sale dal 90,0% al 98,2%, ma con un rifiuto del 65,4%, segno che questa molecola resta più difficile da discriminare.

Per valutare il compromesso tra accuratezza e copertura, gli autori propongono un nuovo indice, l’F1 effettivo (F1eff), che penalizza il punteggio grezzo in base alla percentuale media di pixel scartati. Un modo trasparente per confrontare sistemi che possono scegliere di “non rispondere”.

Perché i pixel vengono rifiutati? Non solo vicino al limite

Una domanda cruciale per chi dovesse implementare la tecnica in frantoio: l’indecisione si concentra attorno alla soglia di legge? Sarebbe fisiologico, ma non è l’unico motivo.

Analizzando due configurazioni con alto tasso di rifiuto (PLS su foglia per oxiflufen, XGB su oliva per λ-cialotrina), gli autori scoprono che pixel indeterminati compaiono anche a concentrazioni molto alte (prodotto #2) e molto basse (controlli puliti). Le mappe spaziali rivelano poi che le zone di incertezza tendono a formarsi in corrispondenza di venature, margini della foglia o aree con riflessi speculari.

“L’indecisione – scrivono i ricercatori – riflette una più ampia ambiguità dovuta alla sovrapposizione spettrale con la matrice, all’illuminazione locale o alla texture, non solo alla prossimità del valore di legge”. Una scoperta importante, perché suggerisce che migliorare l’illuminazione o la procedura di mascheramento dei difetti potrebbe ridurre i rifiuti senza perdere affidabilità.

Dal laboratorio al piazzale: cosa serve per il salto

Nonostante i risultati entusiasmanti, gli stessi autori invitano alla prudenza. I dati sono stati raccolti in condizioni controllate: cultivar singola, illuminazione stabile, concentrazioni preparate in laboratorio. In un contesto reale, entrano in gioco variabilità di stadio di maturazione, polvere, umidità, epoche diverse di raccolta.

Il prossimo passo saranno test pilota in condizioni di campo, con alberi trattati in modo standard, esposizione alle intemperie e lotti misti. La metodologia, per sua natura, è pronta: la banda di indecisione può essere regolata a piacere per adattarsi alla capacità del laboratorio di secondo livello e al rischio regolatorio che il frantoio è disposto a correre.

Un cambio di paradigma per i controlli di qualità

In sintesi, il lavoro spagnolo dimostra che l’imaging iperspettrale VNIR può uscire dai centri di ricerca ed entrare nella routine industriale, a patto di abbandonare la logica binaria per un approccio probabilistico con opzione di astensione. Le foglie, finora trascurate, diventano una matrice aggiuntiva preziosa, soprattutto per quei principi attivi che sul frutto si “mimetizzano”.

Come scrivono gli autori in chiusura: “La combinazione di mascheramento dei difetti, campionamento casuale dei pixel, modelli probabilistici e astensione produce alta fedeltà sui pixel accettati e un meccanismo trasparente per rinviare i casi ambigui”. Per le cooperative olearie, significa meno falsi positivi (e quindi meno analisi costose superflue) e meno falsi negativi (e quindi meno partite non conformi che sfuggono al controllo).

Non resta che attendere le validazioni su larga scala. Ma il principio, per la prima volta, è solido e quantificabile.

Bibliografia

Bonillo Martinez, D., Cano Marchal, P., Martinez Gila, D.M. et al. Probabilistic VNIR Hyperspectral Screening of Pesticide Residues in Olives and Leaves. Food Analytical Methods 19, 113 (2026).