Uso de NIR (Infrarrojo Cercano) portátil en la estimación de ... - Platina

¿Qué hacemos?QuimiometríaEscarbamos yutilizamos los datosque otros desechan ono alcanzan aprocesar.o Correlacionamoso Agrupamoso PredecimosRealidad!!

¿Qué hacemos?Espectrofotometría+ +◦ Índices de Color: IC S◦ Coord. Cromáticas: L*, a*, b*400 700◦ Valoración SensorialTécnicas:Modelos Simplex LatticeSuperficies de RespuestaDesirability FunctionOrthogonal - PLS7

ProblemaVariabilidad de la fruta en destinoArpaia (2003) indica que la fruta chilena que llega a EEUUpresenta gran variabilidad de maduración, lo que dificultapredecir la vida útil del producto, lo que redunda en sucomercialización.

ProblemaDentro de esta variabilidad, surge otro factor interesantede conocer y predecir: el nivel de Materia Seca en la fruta(contenido de aceite) según el grado de madurez.Para esto se exploró la correlación entre Materia Seca y elrespectivo espectro NIR.

BackgroundLa Espectroscopia Infra Rojo Cercana (NIR) es una técnicarápida y no-destructiva para agro-productos, que harecibido mucha atención en los últimos años,desarrollándose algunas aplicaciones comerciales (Clark etal., 2003).NIR utiliza el espectro infrarrojo cercano entregandocompleja información estructural relacionada con elcomportamiento vibracional de combinaciones de enlaces.La Espectroscopia NIR ha sido exitosamente utilizada enpruebas de clasificación y correlación en una amplia gamade agro-productos (Reid et al., 2006).

MaterialesSe utilizó un equipo NIR PHAZIR Rx (Polychromix, TM)portátil con lámpara de tungsteno (Reflectancia difusa) yuna resolución de 12 nm. Incluye un rango espectral de 600a 2400 nm.El dispositivo cuenta con una librería de productos y puedegenerar modelos nuevos a través de mediciones yprocesamiento con software externo.

MétodosSe utilizó un conjunto de Técnicas Multivariantes.Basadas en Algoritmo NIPALS (Wold, 1978; Martens &Martens, 1989).1PCA ProjectionPLS RegressionMLS RegressionRidge Regression3XW2TUQ5Y4Algoritmo NIPALS (NonlinearIterative Partial Least Squares )PXYA= TP' + E = ∑tap= UQ' + F =a=1A∑a=1uaaq' + Ea' + F

Métodos

DatosMatriz: 470 muestras x 102 variables !!

Resultados preliminaresEn todo procesamiento de espectros el paso mas importante esel pre-procesamiento de la señal de forma de filtrarautocorrelación, ruido, colinealidad, etc.

Resultados preliminares

Resultados preliminaresEscenario 1: Centering & Unit VariancePCA: Factores = 3; R 2 X = 98.5% | PLS: n.s.PC-2 (9%)PC-2 (9%)

Resultados preliminaresEscenario 2: Centering & Unit Variance + Baseline correctionPCA: Fact. = 4; R 2 X = 99.61% | PLS: Fact. = 7; R 2 Y = 39.96%Factor-2 (7%, 1%)Factor-2 (7%, 1%)

Resultados preliminaresEscenario 3: C&S+ Baseline + OSCPCA: Fact. = 4; R 2 X = 98.18% | PLS: Fact. = 2; R 2 Y = 92.92%Factor-1 (36%, 55%)-4 -2 0 2 4 6 8 10 12Factor-2 (50%, 4%)-8-6-4-20246810M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M1M2M2M2M2M2M2M2M2M2M2M2 M2M2M2M2M2M2M2M2M2M2M2M2M2M2M2M2M2M2M2M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M3M4M4M4M4M4M4 M4M4M4M4M4M4M4M4M4M4M4M4M4M4M4M4M4 M4M4M4M4M4 M4M4M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5 M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5M5Muestreo 5M6M6M6 M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M6M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M7M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8 M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8 M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8M8Factor-2 (50%, 4%)

Resultados preliminaresEscenario 4: C&S+ Baseline + OSCMultiple Linear Regression: R 2 Y = 68.54 %ANOVA TableMultiple Correlation: 0.8279353 (cal) 0.7054637 (val)R-Square: 0.6854788 (cal) 0.4795966 (val)SS df MS F ratio p value B-coefficients STDerrSummaryModel 251.7024 100.0000 2.5170 7.7370 0.0000Error 115.4897 355.0000 0.3253Adjusted Total 367.1921 455.0000 0.8070Predicted Y (%MS)

Estimación de Materia Seca en Palta Hass:Uso de Espectro Infrarrojo Cercano (NIR)Saavedra, J. 1,2,3 ; Navarro, R. 1,21 Escuela de Ing. de Alimentos, Pontificia Universidad Católica de Valparaíso, Valparaíso, Chile.2DATAChem AgroFood. Análisis de Datos y Quimiometría Aplicada. Valparaíso, Chile.3Centro Regional de Estudios en Alimentos Saludables (CREAS), Valparaíso, Chile.jorge.saavedra@ucv.cl