5. Results and discussion5.1. Selec

5. Results and discussion
5.1. Selection of best NIR equation for determination of amylose
content and total protein content of brown rice
Amylose is an essentially linear polymer of a-(1–
4)-linked-D-glucopyranosyl units with up to 0.1% a-(1–6) linkages.
In rice AC% varied from 0% to 30% depending on genotypes and
agro-climatic variations. It is mainly associated with sensory properties
of cooked rice whereas protein in rice varies between 5% and
20% and is associated with textural properties of cooked rice
(Juliano, 2003). Rice protein is hypoallergenic in nature and mainly
concentrated in RB layers. Therefore, considering the above facts,
we selected both the BR and RB samples for analysis under NIRS.
A total of 173 and 129 samples were used for calibration of amylose
content (AC) and grain protein content (GPC) of brown rice
respectively. But for prediction, 29 samples were used for both
the parameters. To find out the best mathematical treatments with
scatter correction (SNV + D), five regression equations were developed
using five random mathematical treatments (‘‘1,5,5,1’’,
‘‘1,6,6,1’’, ‘‘1,4,4,1’’, ‘‘2,4,4,1’’ and ‘‘1,2,3,1’’ for AC and ‘‘1,3,4,1’’,
‘‘1,4,4,1’’, ‘‘1,4,3,1’’, ‘‘2,3,3,1’’ and ‘‘2,4,4,1’’ for GPC) for brown rice
(Table1). The prediction equations for these parameters were
developed by modified partial least squares (mPLS) regression
and evaluated by the external validation.
The results in Table 1 showed the effects of different mathematical
treatments with SNV + D for calibration equations with brown
rice samples (about 15 g),scanned by using small cup. For AC, the
pretreatment of ‘‘1,6,6,1’’ and ‘‘1,4,4,1’’ with each combined with SNV + D were better than others. The other pretreatments were
found to be less precise in external validation. For the equations
of GPC, the pretreatment method of ‘‘1,4,4,1’’ and SNV + D had a
better effect than others, whereas others were more or less similar
based on external validation. In brief, both ‘‘1,6,6,1’’ and ‘‘1,4,4,1’’
mathematical treatments are best for AC showing high coefficient
of determination (RSQ: 0.529–0.486; 1  VR: 0.494–0.497) and low
standard error (SEC: 1.318–1.346; SECV: 1.520–1.497 and SEP(C):
1.59–1.669). In case of GPC of brown rice,’’1,4,4,1’’ and ‘‘1,4,3,1’’
treatments were best among others showing high coefficient of
determination (RSQ: 0.749; 1  VR: 0.807) and low standard error
(SEC: 0.656; SECV: 0.756–0.755 and SEP(C): 0.872). But considering
lowest SEC and SEP(C), ‘‘1,6,6,1’’ was best for AC and both
‘‘1,4,4,1’’ and ‘‘1,4,3,1’’ were best for GPC prediction of brown rice.

ผลลัพธ์ (ไทย) 1:

5. ผล และการอภิปราย5.1. การเลือกสมการ NIR ที่ดีที่สุดสำหรับการกำหนดปริมาณแอมิโลสเนื้อหาเนื้อหา และรวมโปรตีนจากข้าวกล้องเซชันเป็นพอลิเมอร์เชิงเส้นเป็นหลักการของ- (1 –D -การเชื่อมโยง - 4) -หน่วย glucopyranosyl ถึง 0.1% a-(1–6) เชื่อมโยงในข้าว AC %ที่แตกต่างจาก 0% ถึง 30% ขึ้นอยู่กับการศึกษาจีโนไทป์ และการเปลี่ยนแปลงภูมิอากาศเกษตร ส่วนใหญ่ที่เชื่อมโยงกับคุณสมบัติทางประสาทสัมผัสของข้าวสวยในขณะที่โปรตีนในข้าวแตกต่างกันระหว่าง 5% และ20% และเชื่อมโยงกับคุณสมบัติเนื้อสัมผัสของข้าวสุก(จูเลีย 2003) ข้าวโปรตีนเป็นสารก่อภูมิแพ้ ในธรรมชาติ และส่วนใหญ่ความเข้มข้นในชั้น RB พิจารณาข้อเท็จจริงข้างต้น ดังนั้นเราเลือกทั้ง BR และ RB ตัวอย่างสำหรับการวิเคราะห์ภายใต้ผลิตภัณฑ์ทั้งหมด 173 และ 129 ตัวอย่างใช้สำหรับสอบเทียบของอมิเนื้อหา (AC) และปริมาณโปรตีนของข้าว (GPC) จากข้าวกล้องตามลาดับ แต่สำหรับทำนาย 29 ตัวอย่างใช้สำหรับทั้งสองพารามิเตอร์ เพื่อค้นหาการรักษาทางคณิตศาสตร์ที่ดีที่สุดด้วยกระจายการแก้ไข (เข็ม + D), สมการถดถอยที่ห้าได้รับการพัฒนาใช้รักษาทางคณิตศาสตร์สุ่มห้า ('' 1,5,5,1'''' 1,6,6,1'', '' 1,4,4,1'', '' 2,4,4,1'' และ '' 1,2,3,1'' สำหรับ AC และ '' 1,3,4,1''1,4,4,1'', '' 1,4,3,1'', '' 2,3,3,1'' และ '' 2,4,4,1'' สำหรับ GPC) สำหรับข้าว(Table1) สมการทำนายสำหรับพารามิเตอร์เหล่านี้ได้พัฒนา โดยแก้ไขบางส่วนกำลังสองน้อยสุด (mPLS) ถดถอยและประเมิน โดยการตรวจสอบภายนอกผลลัพธ์ในตารางที่ 1 แสดงให้เห็นว่าผลกระทบของการแตกต่างกันทางคณิตศาสตร์การรักษา ด้วยเข็ม + D สำหรับสมการเทียบกับน้ำตาลข้าวตัวอย่าง (15 กรัม), สแกน โดยใช้ถ้วยเล็ก สำหรับ AC การปรับสภาพของ '' 1,6,6,1'' และ '' 1,4,4,1'' กับแต่ละที่รวมกับเข็ม + D ได้ดีกว่าคนอื่น ๆ Pretreatments อื่น ๆ ได้พบจะไม่แม่นยำในการตรวจสอบภายนอก สำหรับสมการของ GPC วิธีเตรียม '' 1,4,4,1'' และเข็ม + D มีการดีกว่าผลอื่น ๆ ในขณะที่คนอื่นคล้ายกันมากหรือน้อยคะแนนจากการตรวจสอบภายนอก โดยสังเขป '' 1,6,6,1'' และ '' 1,4,4,1''รักษาทางคณิตศาสตร์ที่ดีสุดสำหรับ AC แสดงสัมประสิทธิ์สูงของความมุ่งมั่น (บรรจุ: 0.529 – 0.486; 1 VR: 0.494 – 0.497) และต่ำข้อผิดพลาดมาตรฐาน (SEC: 1.318 – 1.346 SECV: 1.520 – 1.497 และ SEP(C):1.59 – 1.669) ในกรณีของ GPC ของข้าวกล้อง 1,4,4,1'' และ '' 1,4,3,1''การรักษาที่ดีสุดอื่น ๆ สูงแสดงค่าสัมประสิทธิ์ของกำหนด (บรรจุ: 0.749; 1 VR: 0.807) และข้อผิดพลาดมาตรฐานต่ำ(SEC: 0.656 SECV: 0.756 – 0.755 และ SEP(C): 0.872) แต่พิจารณาต่ำสุดวินาทีและ SEP(C), '' 1,6,6,1'' ถูกสุดสำหรับ AC และทั้งสอง'' 1,4,4,1'' และ '' 1,4,3,1'' สุดสำหรับทำนาย GPC ของข้าวกล้อง

ผลลัพธ์ (ไทย) 2:

5. ผลและอภิปราย
5.1 การเลือกของสม NIR ที่ดีที่สุดสำหรับการกำหนดอะไมโลส
เนื้อหาและปริมาณโปรตีนรวมของข้าวกล้อง
อะไมโลสเป็นพอลิเมอเชิงเส้นหลักของ A- (1-
4) -linked-D-glucopyranosyl หน่วยที่มีมากถึง 0.1% A- (1-6) เชื่อมโยง.
ใน AC ข้าว% แตกต่างจาก 0% ถึง 30% ขึ้นอยู่กับสายพันธุ์และ
การเปลี่ยนแปลงภูมิอากาศเกษตร มันมีความเกี่ยวข้องส่วนใหญ่ที่มีคุณสมบัติทางประสาทสัมผัส
ของข้าวสุกขณะที่โปรตีนในข้าวแตกต่างกันระหว่าง 5% และ
20% และมีความเกี่ยวข้องกับลักษณะเนื้อสัมผัสของข้าวสุก
(Juliano, 2003) โปรตีนข้าวเป็น hypoallergenic ในธรรมชาติและส่วนใหญ่
กระจุกตัวอยู่ในชั้น RB ดังนั้นเมื่อพิจารณาจากข้อเท็จจริงข้างต้น
เราเลือกทั้ง BR และ RB ตัวอย่างสำหรับการวิเคราะห์ภายใต้ NIRS.
รวมเป็น 173 และ 129 ตัวอย่างถูกนำมาใช้สำหรับการสอบเทียบของอะไมโลส
เนื้อหา (AC) และปริมาณโปรตีนข้าว (GPC) ข้าวกล้อง
ตามลำดับ แต่สำหรับการคาดการณ์ 29 ตัวอย่างที่ถูกใช้สำหรับทั้ง
พารามิเตอร์ เพื่อหาวิธีการรักษาทางคณิตศาสตร์ที่ดีที่สุดกับ
การแก้ไขกระจาย (SNV + D), สมการถดถอยห้าได้รับการพัฒนา
โดยใช้การรักษาทางคณิตศาสตร์ห้าสุ่ม ( '' 1,5,5,1 '',
'' 1,6,6,1 '' '' 1,4,4,1 '', '' 2,4,4,1 '' และ '' 1,2,3,1 '' สำหรับ AC และ '' 1,3,4,1 '' ,
'' 1,4,4,1 '', '' 1,4,3,1 '', '' 2,3,3,1 '' และ '' 2,4,4,1 '' สำหรับ GPC ) ข้าวกล้อง
(Table1) สมการทำนายสำหรับพารามิเตอร์เหล่านี้ถูก
พัฒนาขึ้นโดยดัดแปลงสี่เหลี่ยมอย่างน้อยบางส่วน (MPLS) การถดถอย
และการประเมินโดยการตรวจสอบภายนอก.
ผลในตารางที่ 1 แสดงให้เห็นผลกระทบของการทางคณิตศาสตร์ที่แตกต่างกัน
การรักษาด้วย SNV + D สำหรับสมการสอบเทียบกับน้ำตาล
ตัวอย่างข้าว (ประมาณ 15 กรัม) สแกนโดยใช้ถ้วยเล็ก สำหรับ AC การ
ปรับสภาพของ '' 1,6,6,1 '' และ '' 1,4,4,1 '' ด้วยกันรวมกับ SNV + D ได้ดีกว่าคนอื่น ๆ การเตรียมการอื่น ๆ ที่ถูก
พบว่ามีความแม่นยำน้อยลงในการตรวจสอบภายนอก สำหรับสมการ
ของ GPC วิธีการปรับสภาพของ '' 1,4,4,1 '' และ SNV + D มี
ผลดีกว่าคนอื่นในขณะที่คนอื่น ๆ ได้มากขึ้นหรือคล้ายกันน้อย
ขึ้นอยู่กับการตรวจสอบภายนอก ในช่วงสั้น ๆ ทั้ง '' 1,6,6,1 '' และ '' 1,4,4,1 ''
การรักษาทางคณิตศาสตร์ที่ดีที่สุดสำหรับ AC แสดงค่าสัมประสิทธิ์สูง
ของการตัดสินใจ (RSQ: 0.529-0.486 1 VR: 0.494? -0.497) และต่ำ
ข้อผิดพลาดมาตรฐาน ( ก.ล.ต. : 1.318-1.346; SECV: 1.520-1.497 และกันยายน (C):
1.59-1.669) ในกรณีของ GPC ของข้าวกล้อง '' 1,4,4,1 '' และ '' 1,4,3,1 ''
การรักษาได้ดีที่สุดในหมู่คนอื่น ๆ แสดงค่าสัมประสิทธิ์สูงของ
ความมุ่งมั่น (RSQ: 0.749 1 VR: 0.807) และความผิดพลาดต่ำมาตรฐาน
( ก.ล.ต. : 0.656; SECV: 0.756-0.755 และกันยายน (C): 0.872) แต่การพิจารณา
ต่ำสุด ก.ล.ต. และกันยายน (C), '' 1,6,6,1 '' ที่ดีที่สุดสำหรับ AC และทั้งสอง
'' 1,4,4,1 '' และ '' 1,4,3,1 '' เป็นดีที่สุดสำหรับการ GPC การคาดการณ์ของข้าวกล้อง

ผลลัพธ์ (ไทย) 3:

5 . ผลและการอภิปราย5.1 การเลือกที่ดีที่สุดคือสมการสำหรับการหาปริมาณอะไมโลสเนื้อหาและปริมาณโปรตีนทั้งหมดของข้าวกล้องโลส เป็นหลักของพอลิเมอร์เชิงเส้น ( 1 )4 ) - linked-d-glucopyranosyl หน่วยถึง 0.1% - ( 1 - 6 ) บริการสาธารณะในข้าว AC % เปลี่ยนแปลงจาก 0 % ถึง 30 % ทั้งนี้ขึ้นอยู่กับพันธุ์ และเกษตรจีนรูปแบบ มันเป็นหลักที่เกี่ยวข้องกับคุณสมบัติทางประสาทสัมผัสของข้าวหุงสุกและโปรตีนในข้าวจะแตกต่างกันระหว่าง 5% และ20% และเกี่ยวข้องกับคุณสมบัติทางเนื้อสัมผัสข้าวสุก( juliano , 2003 ) โปรตีนจากข้าวเป็น hypoallergenic และส่วนใหญ่ในธรรมชาติเข้มข้นใน RB ชั้น ดังนั้น เมื่อพิจารณาข้อเท็จจริงข้างต้นเราเลือกทั้งห้องนอนและตัวอย่าง RB เพื่อการวิเคราะห์ภายใต้ nirs .รวมแล้ว 129 กลุ่มตัวอย่างที่ใช้สำหรับการสอบเทียบของอะไมโลสเนื้อหา ( AC ) และโปรตีนข้าว ( GPC ) ของข้าวกล้องตามลำดับ แต่สำหรับการทำนายที่ 29 จำนวนที่ใช้สำหรับทั้งสองค่าพารามิเตอร์ เพื่อค้นหาการรักษาที่ดีที่สุดกับคณิตศาสตร์การแก้ไขการกระจาย ( snv + D ) , ห้าสมการได้ถูกพัฒนาขึ้นการสุ่มทางคณิตศาสตร์ 5 ทรีทเมนต์ "1,5,5,1 " " "" "1,6,6,1 " " , " " "1,4,4,1 " " , " " "2,4,4,1 " " และ " " "1,2,3,1 " " AC " "1,3,4,1 " "" "1,4,4,1 " " , " " "1,4,3,1 " " , " " "2,3,3,1 " " และ " " " " "2,4,4,1 GPC ) ข้าวกล้อง( table1 ) สมการของตัวแปรเหล่านี้พัฒนาโดยกำลังสองน้อยที่สุดบางส่วนดัดแปลง ( MPLS ) การถดถอยและประเมินผลโดยการตรวจสอบภายนอกตารางที่ 1 แสดงผลในลักษณะต่าง ๆทางคณิตศาสตร์การรักษาด้วย snv + D สำหรับการสอบเทียบสมการกับสีน้ำตาลตัวอย่างข้าว ( ประมาณ 15 กรัม ) , สแกนโดยใช้ถ้วยเล็ก สำหรับ AC ,การ "1,6,6,1 " " " และ " " "1,4,4,1 " " กับแต่ละรวมกับ snv + D ได้ดีกว่าคนอื่น ส่วนการเตอื่น ๆพบว่ามีความแม่นยำน้อยกว่าในการตรวจสอบภายนอก สำหรับสมการของ GPC , โดยวิธีการ " "1,4,4,1 snv + D " " และมีผลที่ดีกว่าคนอื่น ในขณะที่คนอื่น ๆมีมากขึ้นหรือน้อยที่คล้ายกันจากการตรวจสอบภายนอก สรุป ทั้ง " "1,6,6,1 " " และ " " "1,4,4,1 " "การรักษาที่ดีที่สุดสำหรับ AC แสดงสัมประสิทธิ์ทางคณิตศาสตร์สูงกำหนด ( rsq : 0.529 –วัด โดยใช้สูตรสัมประสิทธิ์แอลฟา 1 VR : 0.494 – 0.497 ) และต่ำข้อผิดพลาดมาตรฐาน ( วินาที : 1.061 – 1.346 ; secv : 1.520 และ 1.314 และกันยายน ( C ) :1.59 – 2.434 ) ในกรณีของ GPC ของข้าวกล้อง " "1,4,4,1 " " และ " " "1,4,3,1 " "การทดลองที่ดีที่สุดในหมู่คนอื่น ๆแสดงสูงสัมประสิทธิ์ของกำหนด ( rsq : 2 ; 1 VR : 0.807 ) และค่าความคลาดเคลื่อนมาตรฐานต่ำ( 0.656 วินาที : : ) ; secv 0.756 0.755 และกันยายน ( C ) : 0.872 ) แต่พิจารณาวินาทีและต่ำสุดก.ย. ( C ) , " " " "1,6,6,1 ดีที่สุดสำหรับ AC และทั้ง" "1,4,4,1 " " และ " " "1,4,3,1 " " ที่ดีที่สุดสำหรับ GPC การทำนายของข้าวกล้อง