Estimación de Materia Seca en Palta Hass: Uso de Espectro Infrarrojo Cercano (NIR) Saavedra, J.1,2,3 ; Navarro, R.1,2 1

Escuela de Ing. de Alimentos, Pontificia Universidad Católica de Valparaíso, Valparaíso, Chile. 2

DATAChem AgroFood. Análisis de Datos y Quimiometría Aplicada. Valparaíso, Chile. 3

Centro Regional de Estudios en Alimentos Saludables (CREAS), Valparaíso, Chile.

[email protected]

¿Quiénes somos? DATAChem AgroFood Análisis de Datos y Quimiometría Aplicada Rosa Navarro, Ing. Ali. Andrés Córdoba, Ing. Ali. Jorge Saavedra, Dr. Ing. Escuela de Ing. de Alimentos, Pontificia Universidad Católica de Valparaíso

¿Qué hacemos? Quimiometría Escarbamos y utilizamos los datos que otros desechan o no alcanzan a procesar. o Correlacionamos o Agrupamos o Predecimos

Realidad!!

¿Qué hacemos? Discriminación de Vinos Cabernet Sauvignon según tipo de proceso, zona geográfica y nivel de aminas biogénicas Vinos de 4 regiones geográficas: 20 Viñedos. Tipos de elaboración: Orgánica y Tradicional Etapa de elaboración: Fermentación Alcohólica y Fermentación Maloláctica. ¿Existe relación en la aparición de aminas biogénicas? ¿Influye la zona geográfica?, ¿el proceso?, ¿sus etapas? • Yáñez, L.; Ganga, M.A.; Saavedra, J. and Carot, J.M. “Relationship between the presence of biogenic amines and the type of grape culture for wines (traditional and organic)”. Submitted

¿Qué hacemos? 4.0

3.0 32 33 39

2.0 29

26

27

31 25 37

28 34 36 38 30

35

24

t[2]

1.0

Organic Wines

0.0 14 20

-1.0

18 8 22

23 12 10

7

16

15 4

6

2

Traditional Wines

17 19 13 9 11 13

5

-2.0

21

-3.0

Malolactic Fermentation

Alcoholic Fermentation

-4.0 -5

-4

-3

-2

-1

0

1

2

3

4

5

t[1]

Regresión PLS-DA SIMCA

Organic Wines

Traditional Wines

¿Qué hacemos? Mezclas de Vinos Varietales Optimizar mezclas de modo de reproducir un vino patrón ¿Atributos? - Color - Sensoriales

Viña: • Tipificación de una marca o clase de Vino Varietal (Segmento cautivo) • Cada año se parte de diferentes vinos tintos (Variabilidad)

6

¿Qué hacemos? Espectrofotometría +

+

◦ Índices de Color: ICS ◦ Coord. Cromáticas: L*, a*, b* 400

700

◦ Valoración Sensorial

Técnicas: Modelos Simplex Lattice Superficies de Respuesta Desirability Function Orthogonal - PLS

7

Problema Variabilidad de la fruta en destino Arpaia (2003) indica que la fruta chilena que llega a EEUU presenta gran variabilidad de maduración, lo que dificulta predecir la vida útil del producto, lo que redunda en su comercialización.

Problema Dentro de esta variabilidad, surge otro factor interesante de 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 el respectivo espectro NIR.

Background La Espectroscopia Infra Rojo Cercana (NIR) es una técnica rápida y no-destructiva para agro-productos, que ha recibido mucha atención en los últimos años, desarrollándose algunas aplicaciones comerciales (Clark et al., 2003). NIR utiliza el espectro infrarrojo cercano entregando compleja información estructural relacionada con el comportamiento vibracional de combinaciones de enlaces. La Espectroscopia NIR ha sido exitosamente utilizada en pruebas de clasificación y correlación en una amplia gama de agro-productos (Reid et al., 2006).

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

Métodos Se utilizó un conjunto de Técnicas Multivariantes. Basadas en Algoritmo NIPALS (Wold, 1978; Martens & Martens, 1989). 1 PCA Projection

3

X

Y 4

PLS Regression 2

MLS Regression Ridge Regression

U

W

P Algoritmo NIPALS (Nonlinear Iterative Partial Least Squares)

T

5

Q A

X = TP'+E =

∑ t p '+E a a

a =1 A

Y = UQ'+ F =

∑ u q '+F a a

a =1

Métodos

Datos

Matriz: 470 muestras x 102 variables !!

Resultados preliminares En todo procesamiento de espectros el paso mas importante es el pre-procesamiento de la señal de forma de filtrar autocorrelación, ruido, colinealidad, etc.

Resultados preliminares

Resultados preliminares

PC-2 (9%)

PC-2 (9%)

Escenario 1: Centering & Unit Variance PCA: Factores = 3; R2X = 98.5% | PLS: n.s.

Resultados preliminares

Factor-2 (7%, 1%)

Factor-2 (7%, 1%)

Escenario 2: Centering & Unit Variance + Baseline correction PCA: Fact. = 4; R2X = 99.61% | PLS: Fact. = 7; R2Y = 39.96%

Resultados preliminares Escenario 3: C&S+ Baseline + OSC PCA: Fact. = 4; R2X = 98.18% | PLS: Fact. = 2; R2Y = 92.92% 10

M3

M5 M8 M5 M5 M8 M6 M2 M5 M8 M2 M5 M5 M5 M5 M5 M2 M8 M8 M6 M6 M6 M3 M8 M8 M5 M6 M5 M2 M8 M8 M6M7 M3 M5 M5 M6 M2 M5 M7 M8 M5 M3 M8 M7 M6 M4 M2 M5 M6 M8M6 M5 M5 M3 M8 M5 M7 M5 M8 M5 MuestreoM8 5 M3 M2 M3M7 M5 M6 M3 M7 M5 M8 M7M8 M8 M6 M8 M4 M8 M5 M4 M5 M4 M8 M8 M7 M2 M8 M5 M8 M3 M5 M6 M8 M7 M3 M8M8M8 M2 M8 M5 M8 M3 M1 M8 M2M7 M6 M2 M8 M3 M5 M8 M7 M3 M3 M6 M8 M8 M5 M6 M8 M3 M5 M7 M8 M6 M4 M3 M4 M1 M7 M6 M8 M5 M6 M5 M4 M8 M7 M7 M2M7 M5 M8M6 M8 M7 M2 M4 M8 M7 M3 M1 M5 M7 M5 M5 M5 M8 M6 M6 M6 M8 M8 M4 M3 M8 M8 M8 M8 M2 M6 M3 M5 M6 M8M7M8 M7 M7 M5 M5M3 M6 M5 M4 M2 M5 M5 M8 M8 M8 M8 M1 M8 M6 M6 M4 M3 M6 M4 M7 M6 M2 M2 M8 M4 M3 M8 M1 M3 M8 M5 M5 M6 M4 M7 M3 M6M8 M6 M8 M5 M8 M8 M3 M3 M3 M4 M5 M6 M7M5 M3 M6 M6 M8 M2 M5 M5 M7 M7 M3 M8 M3 M5 M8 M4 M4 M8 M8 M3 M2 M8 M6 M1 M5 M5 M6 M8 M8 M7 M7 M2 M2 M5 M4 M7 M3 M5 M8 M6 M7 M4 M7 M3 M2 M3 M5 M5 M5 M5 M7 M7 M3 M1 M1 M6 M5 M3 M7 M8 M7 M1 M6 M7 M2 M3 M5 M5 M6M5M7 M3 M5 M6 M8 M6 M7 M5 M5 M7 M7 M3 M5 M8 M1 M8 M4 M2 M2 M1 M1 M6 M6 M7 M3 M4M6M6 M8 M7 M3 M3 M6 M7 M6 M5 M4 M7 M3 M6 M8 M8 M8 M7 M7 M7 M6 M6 M4 M1 M5 M2 M4 M7 M3 M8 M6 M7 M3 M5 M7 M6 M7 M7 M5 M6 M5 M4 M1 M3 M7 M7 M1 M7 M1 M8 M5 M7 M1 M1 M2 M8 M1 M8 M7 M1 M7 M1 M4 M7 M1 M7 M7 M7 M5 M7 M7 M1 M3 M7 M1 M7 M1 M7M1 M7 M1

8

M8

4 2 0 -2 -4 -6

M3

-8 -4

-2

0

2 4 6 Factor-1 (36%, 55%)

8

10

Factor-2 (50%, 4%)

Factor-2 (50%, 4%)

6

12

Resultados preliminares Escenario 4: C&S+ Baseline + OSC Multiple Linear Regression: R2Y = 68.54 % ANOVA Table Multiple Correlation: 0.8279353 (cal) 0.7054637 (val) R-Square: 0.6854788 (cal) 0.4795966 (val) SS

df

MS

F ratio

p value

B-coefficients

Summary 251.7024

100.0000

2.5170

Error

115.4897

355.0000

0.3253

Adjusted Total

367.1921

455.0000

0.8070

Predicted Y (%MS)

Model

7.7370

0.0000

STDerr

Estimación de Materia Seca en Palta Hass: Uso de Espectro Infrarrojo Cercano (NIR) Saavedra, J.1,2,3 ; Navarro, R.1,2 1

Escuela de Ing. de Alimentos, Pontificia Universidad Católica de Valparaíso, Valparaíso, Chile. 2

DATAChem AgroFood. Análisis de Datos y Quimiometría Aplicada. Valparaíso, Chile. 3

Centro Regional de Estudios en Alimentos Saludables (CREAS), Valparaíso, Chile.

[email protected]