Creación de un modelo predictivo de calidad de manzana con NIRS

Vijayalaxmi Kinhal, Escritor científico, CID Bio-Science

Los dos parámetros de calidad de la fruta más utilizados son el contenido de sólidos solubles (SSC) y la materia seca (MS). Desafortunadamente, las mediciones convencionales son destructivas, laboriosas y consumen mucho tiempo. Por lo tanto, las herramientas de espectroscopia de infrarrojo cercano, que pueden tomar medidas de calidad no destructivas a lo largo de la cadena de suministro, están ganando popularidad. Construir y seleccionar los modelos adecuados para analizar los espectros del infrarrojo cercano puede marcar la diferencia en la precisión de estas herramientas.

Desarrollo de modelos de espectroscopia NIR para cultivares de manzana

Los primeros modelos de espectroscopía de infrarrojo cercano (NIR) para manzanas se construyeron utilizando cultivares únicos, pero se usaron para muchas otras variedades.

Por lo tanto, Zhang, Nock, Al Shoffe y Watkins, investigadores de la Universidad de Cornell, desarrollaron modelos multicultivares e individuales para predecir SSC y MS de ocho variedades de manzanas (Malus × domestica Borkh):
‘Gala’
‘Miel crujiente’
‘Mclntosh’
‘Jonagold’
‘NY1’ (Snap Dragon™)
‘NY2 (RubyFrost™)
‘Fuji’ y
‘Rojo delicioso’

Por lo general, solo se usa la validación interna para probar los modelos de predicción, por lo que los investigadores también usaron un conjunto de validación externa para probar las calibraciones.


Cosechando los frutos

Los frutos de los ocho cultivares se cosecharon en 2016 en los huertos de la Universidad de Cornell en tres lugares: Ithaca, Ginebra y Lansing. Los científicos recolectaron 640 frutos uniformes de siete cultivares, pero solo 560 de ‘Red Delicious’ debido a la caída precosecha.

En el segundo año del experimento, los científicos recolectaron manzanas de las ocho variedades de las tres ubicaciones iniciales, así como de huertos comerciales en Hudson Valley y el oeste de Nueva York. El número de frutos recolectados de cada cultivar varió de 160 a 280, dependiendo del número de cosechas.

Los científicos midieron los parámetros de calidad de las manzanas cada año el día de la cosecha y después de varios periodos de almacenamiento. En 2016, las frutas se evaluaron después de 4, 8 y 12 semanas de almacenamiento en aire y después de 8, 16 y 24 semanas en atmósfera controlada (AC).

En 2017, las evaluaciones se limitaron a 8 semanas en aire y 24 semanas en almacenamiento en CA.

Evaluaciones de frutas

Los índices de cosecha estimados fueron el delta de absorbancia (IAD), firmeza e índice de patrón de almidón (SPI), utilizando cuatro repeticiones de diez frutos el día de la cosecha.

Fruit Growth & Ripening Metrics: Color, Firmness, Dry Matter, Sugars & More

Los investigadores querían emplear una herramienta que utilizara la interacción NIR como mecanismo de exploración. Finalmente, eligieron un espectrofotómetro NIR disponible en el mercado, el medidor de calidad de frutas y hortalizas F-750.

El medidor de calidad, producido por Felix Instruments – Applied Food Science, tiene un espectrómetro Carl Zeiss MMS-1. Se determinó que la herramienta era confiable, ya que muchos estudios anteriores la habían utilizado para estimar parámetros de calidad en frutas y hortalizas como manzanas, cerezas, mangos, peras, tomates, cebollas y ajo.

Los datos espectrales se recopilaron en el rango de 310 a 1100 nm, con una resolución de 3 nm. Dado que los espectros pueden verse afectados por las temperaturas, las frutas se mantuvieron a 20°C durante 4 horas antes de la evaluación el día de la cosecha. Los frutos almacenados se estabilizaron a la misma temperatura durante 24 horas.

Los científicos colocaron cada fruta en la lente de la herramienta NIR, en su lado ecuatorial, y se marcó el área escaneada. Luego se tomaron muestras de 2,7 cm de diámetro de las áreas marcadas para recopilar datos de referencia para SSC y DM. Los investigadores estimaron SSC usando refractómetros y MS por secado en horno.

 

Quimiometría

Se construyeron modelos predictivos usando quimiometría para analizar los espectros y estimar SSC y MS.

Los horticultores utilizaron el software Felix Instruments y los datos espectrales de las frutas recolectadas en 2016 para desarrollar modelos de calibración utilizando la regresión de mínimos cuadrados parciales (PLSR).

Los modelos de calibración se probaron mediante validación interna y cruzada/externa para evaluar la precisión del modelo. La validación interna utilizó datos de 2016, que formaban parte del mismo conjunto de datos utilizado para calibrar el modelo.

Algunas frutas de 2016 también se reservaron para la primera ronda de validación cruzada. Durante la validación cruzada «dejar uno fuera», los investigadores retuvieron una muestra del conjunto de datos para calcular la reducción residual; el resto se utilizó en la validación. Las pruebas se repitieron hasta que cada muestra de fruta quedó fuera una vez del conjunto de datos de prueba.

Las frutas de 2017 se utilizaron para una mayor validación cruzada, «dejar uno fuera».


Modelos predictivos multi-cultivar vs. individuales

Se excluyeron algunas longitudes de onda para que las estimaciones de calidad fueran más precisas. Estos incluyeron las longitudes de onda absorbidas por la clorofila (678 nm) y las antocianinas (520 nm y 700 nm) en la cáscara de la fruta. Los científicos tampoco utilizaron longitudes de onda por debajo de 400 nm y el rango visible. En cambio, solo se utilizó el rango entre 729-975nm, absorbido por carbohidratos, azúcar y agua.

Los horticultores encontraron variaciones entre los espectros de cada cultivar y temporada, como se puede ver en la Figura 1. Los datos espectrales de la segunda derivada se utilizaron para el modelado, ya que mostraron la mejor correlación con los valores de referencia.

Los modelos individuales construidos para cada cultivar fueron exitosos.

El mejor modelo fue para ‘Jonagold’. Tuvo el mayor RC2 de 0.86, con RMSE de 0.42 % para SSC y RC2=0.91 y 3.88 g kg−1 para MS.

El modelo con la predictividad más baja fue ‘NY2’. Tuvo un RC2 bajo =0.77, con RMSE de 0.34 % para SSC, y RC2 =0.60 y RMSE de 4.12 g kg−1 para DM.

Los productores  encontraron que los modelos para cultivares con menos desviación en los valores de los parámetros y alta consistencia tenían un poder predictivo bajo. Sin embargo, decidieron que el modelo ‘NY2’ era aceptable para su uso, ya que sus valores RMSE eran bajos y similares a los modelos de otras manzanas.

Se encontró que los modelos multicultivares tenían los poderes predictivos más altos, ya que se basaron en un rango mucho más amplio de valores de SSC y MS recopilados de las ocho variedades.

La validación interna mostró un valor R2 ligeramente más alto para los modelos individuales que para el modelo multicultivar, lo que sugiere que los modelos individuales son mejores. Sin embargo, esto fue el resultado de un ajuste excesivo, ya que se utilizó el mismo conjunto de datos para la validación y la calibración. Entonces, mientras que los modelos individuales parecen tener éxito en la validación interna, tienen una baja precisión predictiva cuando analizan nuevos datos con más variabilidad e influencias externas. El rendimiento del modelo durante la validación externa con datos de 2017 reveló claramente esta deficiencia en modelos individuales.

Las manzanas de 2017 experimentaron diferentes efectos estacionales y se recolectaron de una variedad más amplia de huertos. Como resultado, los valores de SSC y MS en 2017 fueron diferentes a los de 2016, incluso para cada cultivar.

Los modelos multicultivares también mostraron fluctuaciones en R2 y una menor precisión predictiva en la validación externa, pero los científicos esperan que, en comparación con los modelos individuales, estos modelos sean más sólidos y prácticos de usar.

Los investigadores sugieren que los modelos de manzana ideales serían modelos predictivos individuales para cada cultivar y que estos modelos deberían construirse utilizando datos de árboles en diferentes ubicaciones, estaciones, períodos de madurez y períodos de almacenamiento.

Los científicos no encontraron influencia del tiempo de almacenamiento ni del método en este experimento.

Espectroscopia de infrarrojo cercano

La preferencia del consumidor por las manzanas está relacionada con el contenido de sólidos solubles (SSC), ya que puede predecir la dulzura y la calidad interna. Mientras que la materia seca (MS) en la cosecha puede ser un buen predictor de SSC posterior al almacenamiento.

La espectroscopia NIR se está utilizando para la estimación de la calidad en muchas frutas como una alternativa a los métodos de prueba convencionales, tediosos y destructivos. Esto es especialmente valioso ya que las frutas deben monitorearse varias veces desde antes de la cosecha hasta después del almacenamiento.

La espectroscopia NIR, que utiliza radiación entre 780 y 2500 nm, se puede utilizar para la detección y cuantificación de productos bioquímicos, ya que es sensible a los enlaces de hidrógeno con el carbono, el oxígeno y el nitrógeno. Además, el agua absorbe este rango de luz, lo que la hace útil para productos frescos con alto contenido de agua, como las manzanas.

Herramientas NIR portátiles

En el experimento actual, los horticultores abordaron las lagunas en la construcción de modelos para las variedades de manzanas, proporcionando información valiosa. Sugieren que más datos que cubran variaciones en temporadas, regiones y variedades fortalecen el rendimiento de predicción de una herramienta basada en NIR. Las herramientas disponibles comercialmente existentes, como el medidor de calidad de producción F-750, se pueden usar para predecir SSC y MS en el huerto para determinar la madurez de la cosecha y también la calidad de la fruta después del almacenamiento. El rendimiento de estas herramientas se puede mejorar aún más mediante el uso de modelos quimiométricos individuales mejorados.

 

Figuras 1 y 2, en la publicación original, AQUÍ.

Figura 1: «Espectros de absorbancia de la segunda derivada entre 700 y 1000 nm para A) ocho cultivares (160 frutos por cada cultivar) y B) ‘Jonagold’ y cuatro fechas de cosecha (40 frutos por cada cosecha) en 2016», Zhang et al. (2019). (Créditos de la imagen: https://doi.org/10.1016/j.postharvbio.2019.01.009)

Figura 2: «Diagramas de dispersión para la validación externa de (A) contenido de sólidos solubles (SSC) y (B) contenido de materia seca (DMC) de modelos multicultivares. N = número de mediciones; R2 = coeficiente de determinación de validación externa; RMSE = error cuadrático medio de la validación externa; Las líneas discontinuas representan las líneas con pendiente = 1 «, Zhang et al. (2019). (Créditos de la imagen: https://doi.org/10.1016/j.postharvbio.2019.01 .009)

 

Fuente
Creating a Predictive Apple Quality Model with NIRS

En base a:
Zhang, Y., Nock, J. F., Al Shoffe, Y., & Watkins, C. B. (2019). Non-destructive prediction of soluble solids and dry matter contents in eight apple cultivars using near-infrared spectroscopy. Postharvest Biology and Technology, 151, 111–118. https://doi.org/10.1016/j.postharvbio.2019.01.009

Productos

Informaciones relacionadas