Resumen de Predicción de la composición química en muestras de naturaleza vegetal mediante la técnica de espectroscopia en el infrarrojo cercano (NIRS)
- español
El objetivo de este estudio fue estimar la composición química en muestras de naturaleza vegetal mediante la técnica NIRS. Para ello se desarrollaron modelos de calibración para determinar el contenido de materia seca, proteína bruta, grasa bruta, fibra bruta, materia orgánica y cenizas en muestras de pulpa y hojas de cítricos y hortalizas. Los espectros obtenidos en el rango comprendido entre 12000-3800 cm-1 (830-2600 nm) con una resolución espectral de 2 nm fueron procesados mediante el algoritmo Modified Partial Least Squares Regression (MPLSR). Los mejores modelos de calibración encontrados en este estudio fueron para el contenido de proteína bruta y materia seca (R2cv=0,925, RPDcv=3,66 y R2cv=0,913, RPDcv=3,4, respectivamente). Para la materia orgánica y las cenizas se obtuvieron valores ligeramente inferiores pero con una adecuada precisión (R2cv=0,864, RPDcv=2,71 y R2cv=0,864, RPDcv=2,72, respectivamente). Estos resultados confirman la viabilidad de la técnica NIRS, como una técnica rápida, segura y efectiva para predecir el contenido de materia seca, proteína bruta, materia orgánica y cenizas. Sin embargo, los peores estadísticos se obtuvieron para la grasa bruta y fibra bruta con valores de R2cv inferiores a 0,70, en este caso las ecuaciones de calibración solo son efectivas para realizar una buena separación entre grupos de muestras con bajos, medios y altos contenidos.
- English
The aim of this study was to estimate the chemical composition in samples of vegetable origin using the NIRS technique. For this, calibration models were developed to determine the content of dry matter, crude protein, crude fat, crude fiber, organic matter and ash in samples of citrus pulp and leaves and vegetables. The spectra obtained in the range of 12000-3800 cm-1 (830-2600 nm) with a spectral resolution of 2 nm were processed using the Modified Partial Least Squares Regression (MPLSR) algorithm. The best calibration models found in this study were for protein and dry matter contents (R2cv = 0.925, RPDcv = 3.66 and R2cv = 0.913, RPDcv = 3.4, respectively). For organic matter and ash, slightly lower values were obtained, but with an adequate precision (R2cv = 0.864, RPDcv = 2.71 and R2cv = 0.864, RPDcv = 2.72, respectively). These results show the viability of the NIRS technique as a fast, reliable and effective technique to predict the content of dry matter, crude protein, organic matter and ash. However, the worst statistics were obtained for fat and crude fiber with R2cv values lower than 0.70, in this case the calibration equations are only effective to perform a good separation between groups of samples with low, medium and high contents.
