Robust NIRS models for non-destruct

Robust NIRS models for non-destructive prediction of postharvest fruit
ripeness and quality in mango
The effect of harvest year on near-infrared spectroscopy (NIRS) prediction models to determine
postharvest quality of mango was evaluated. Diffuse reflectance spectra in region of 700–1100 nm were
used to develop calibration models for firmness, total soluble solids (TSS), titratable acidity (TA) and
ripening index (RPI) using partial least squares (PLS) regression analysis. The results showed that model
robustness was influenced by harvest year. High prediction error was found when models from single
harvest year were used to predictthe data of other years, whereas using combined data from two or three
years for calibration greatly enhanced the prediction accuracy. The prediction models established from
three-year data performed the most suitably for prediction of TSS (R2 = 0.9; SEP = 1.2%), firmness
(R2 = 0.82; SEP = 4.22 N), TA (R2 = 0.74; SEP = 0.38 %) and RPI (R2 = 0.8; SEP = 0.8). Classification of mango
ripeness was successfully achieved using second derivative pretreated spectra with an accuracy of more
than 80%. The results indicated that NIRS can be used as a reliable non-destructive technique for mango
quality assessment and a robust model could be developed when effect of harvest year was taken into
account.
ã 2015 E
1. Introduction
Mango (Mangifera indica) is one of the most economically
important tropical fruits worldwide. In commercial production,
physiological mature fruits are harvested and undergo postharvest
ripening under controlled conditions to reach full ripeness (Baloch
and Bibi, 2012). Postharvest quality of mango depends on many
factors, one of which is maturity of the fruit. Fruit harvested at the
appropriate maturity stage will deliver optimum quality after
ripening, whereas under- and over-mature fruits will exhibit
inferior quality and reduced shelf-life (Subedi et al., 2007;
Wanitchang et al., 2011). Besides maturity stage, growth factors,
which fluctuate within and between harvest seasons, also affect
postharvest quality. Other authors reported that production
conditions such as temperature, light, fertilization, irrigation, fruit
position on tree and variation in flowering time between branches
influence postharvest qualities of fruits, especially physicochemical,
antioxidant capacity and ripening behavior (Joas et al., 2012;
Léchaudel and Joas, 2007; Moretti et al., 2010; Nagle et al., 2010;
Pojanagaroon et al., 2014). For example, enhancements in fruit
ripening and sugar synthesis as well as reduced acidity were found
whentemperaturewas increasedduring fruit growth(Moretti et al.,
2010). Nagle et al. (2010) found that irrigation affected qualities
such as dry matter (DM) and total soluble solids (TSS)in mango and
that fruits from non-irrigated crops exhibited higher DM and TSS
than ones in irrigated treatments. For processing, utilization of
mango is based on the postharvest quality: under- and overripe
fruits are typically more suitable for pickling or production of juices
and preserves, respectively, than for fresh consumption (Mahayothee
et al., 2007). Overall, in commercial fruit handling operations,
effective postharvest management is required to control and grade
fruits due to the heterogeneous quality of fruits.
Determination of postharvest quality of mango can be done by
measuring DM, firmness, fruit color (both peel and flesh), TSS,
titratable acidity (TA) and aromatic compounds (Padda et al., 2011;
Sivakumar et al., 2011; Subedi et al., 2007 Ueda et al., 2000).
However, these parameters are conventionally determined using
destructive methods, which cannot be performed on individual
fruits and sampling must be conducted causing considerable
losses. Thus, techniques that are rapid, accurate and nondestructive
are required for assessing individual fruits in commercial grading operations. Near-infrared spectroscopy (NIRS)
has been studied as a non-invasive technique to evaluate the
physicochemical quality of mango. It has been applied to predict
sugar content, pH, acidity, DM, starch content, b-carotene and
simple sugar composition as well as shelf life in various cultivars
with reasonable prediction performance (Delwiche et al., 2008;
Guthrie and Walsh, 1997; Nagle et al., 2010; Rungpichayapichet
et al., 2015; Saranwong et al., 2004; Schmilovitch et al., 2000;
Subedi and Walsh, 2011; Subedi et al., 2007; Valente et al., 2009).
However, the main problem of using NIRS to assess fruit quality is
the robustness of the calibration model. The largest source of error
is biological variability of the fruit crop, which is influenced by the
production conditions (Peirs et al., 2003). Besides that, fruit
cultivar, size, and harvest season also play the important role on
therobustness of NIRS models (Bobelyn et al., 2010; Camps and
Christen, 2009; Louw and Theron, 2010; McGlone and Kawano,
1998).
To improve the robustness of a prediction model, a representative
range of data is preferred for development of the calibration.
Peirs et al. (2003) reported that a model for prediction of TSS in
apple developed from data collected over three harvest seasons
provided more accurate results than models built using data from a
single season or two seasons combined. The effects of sample
origin and planting area on prediction model robustness were
observed by Bobelyn et al. (2010). The results showed that the
prediction accuracy for sugar content in apple cv. ‘Pink Lady’ from
South Africa was improved when using a model developed from
data collected over three origins (Argentina, New Zealand and
Chile) as compared to models from single or combined two origin
data. Accordingly, the aims of this study were to evaluate the effect
of harvest season on performance of NIRS calibrations for
prediction of postharvest quality in mango and to establish robust
models for commercial grading applications
2. Materials and methods
2.1. Samples
Mango fruits (cv. Nam Dokmai subcv. Si Thong) were obtained at
commercial export maturity, corresponding to 120 days after full
bloom. The study was conducted over three years and included a
totalof592fruits fromtwomajorproduction areas inThailand. Fruits
were obtained during the peak of the main harvest season and
sample lots were preselected for fruit mass ranging 270–370 g and
density >1.0 g cm
3
. Fruits were washed, air-dried and then ripened
in baskets covered with paper for up to eight days at ambient
temperature and relative humidity (Table 1). During ripening
experiments, fruit samples (10–12 fruits) were randomly selected
each day for NIRS measurement and reference analyses.

ผลลัพธ์ (ไทย) 1:

คุณภาพรูปแบบที่แข็งแกร่งสำหรับทำนายแบบไม่ทำลายของผลไม้หลังการเก็บเกี่ยวripeness และคุณภาพในมะม่วงผลของการเก็บเกี่ยวปีรุ่นคาดเดากใกล้อินฟราเรด (คุณภาพ) เพื่อกำหนดมีประเมินคุณภาพหลังการเก็บเกี่ยวของมะม่วง มีแรมสเป็คตราแบบสะท้อนแสงที่กระจายในภูมิภาคของ 700-1100 nmใช้ในการพัฒนารูปแบบการปรับเทียบสำหรับไอซ์ รวมละลายของแข็ง (TSS), ว่า titratable (TA) และripening ดัชนี (RPI) โดยใช้การวิเคราะห์การถดถอยบางส่วนกำลังสองน้อยสุด (กรุณา) ผลลัพธ์ที่แสดงให้เห็นว่าแบบจำลองนั้นเสถียรภาพมีผลมาจากการเก็บเกี่ยวปี พบข้อผิดพลาดในการพยากรณ์สูงเมื่อรุ่นจากเดี่ยวเก็บเกี่ยวปีใช้ในการ predictthe ข้อมูลของปีอื่น ๆ ในขณะที่ใช้รวมข้อมูลจากสองหรือสามปีสำหรับปรับแต่งเพิ่มความแม่นยำการทำนายมาก รูปแบบการทำนายที่ก่อตั้งขึ้นจากข้อมูลสามปีดำเนินการเหมาะสมที่สุดสำหรับการคาดเดาของ TSS (R2 = 0.9 ก.ย. = 1.2%), ไอซ์(R2 =$ 0.82 ก.ย. = 4.22 N), TA (R2 = 0.74 ก.ย. = 0.38%) และ RPI (R2 = 0.8 ก.ย. = 0.8) การจัดประเภทของมะม่วงสำเร็จสำเร็จ ripeness ใช้แรมสเป็คตรา pretreated พัฒนาสองอย่างแม่นยำมากขึ้นกว่า 80% ผลลัพธ์บ่งชี้ว่า คุณภาพสามารถใช้เป็นเทคนิคแบบไม่ทำลายความน่าเชื่อถือสำหรับมะม่วงประเมินคุณภาพการศึกษาและแบบแข็งแกร่งสามารถพัฒนาได้เมื่อผลของการเก็บเกี่ยวปีถูกนำเข้าบัญชีใช้ 2015 E1. บทนำมะม่วง (Mangifera indica) เป็นหนึ่งในที่สุดท่ามกลางสำคัญผลไม้ทั่วโลก ในการผลิตเชิงพาณิชย์จะเก็บเกี่ยวผลไม้เติบโตสรีรวิทยา และรับหลังภายใต้เงื่อนไขควบคุมถึง ripeness เต็ม (Baloch ripeningแล้วบี บี 2012) คุณภาพหลังการเก็บเกี่ยวของมะม่วงขึ้นอยู่กับหลาย ๆปัจจัย ที่จะครบกำหนดอายุของผลไม้ ผลไม้เก็บเกี่ยวผลผลิตในการระยะที่เหมาะสมครบกำหนดจะส่งมอบคุณภาพสูงสุดหลังจากripening ในขณะที่ภายใต้ - และ over - mature ผลไม้จะจัดแสดงเลวและลดอายุการเก็บ (Subedi et al., 2007Wanitchang et al., 2011) นอกจากวันครบกำหนดระยะ ปัจจัยการเจริญเติบโตซึ่งผันผวนภายใน และระหว่างเก็บเกี่ยวฤดูกาล นอกจากนี้ยังมีผลต่อหรือไม่คุณภาพหลังการเก็บเกี่ยว คนรายงานที่ผลิตเช่นอุณหภูมิ แสง การปฏิสนธิ ชลประทาน ผลไม้วางบนต้นไม้และเปลี่ยนแปลงเวลาดอกระหว่างสาขามีอิทธิพลต่อคุณภาพหลังการเก็บเกี่ยวของผลไม้ โดยเฉพาะอย่างยิ่ง physicochemicalกำลังการผลิตสารต้านอนุมูลอิสระและ ripening พฤติกรรม (Joas et al., 2012Léchaudel และ Joas, 2007 Moretti et al., 2010 Nagle et al., 2010Pojanagaroon et al., 2014) ตัวอย่าง การปรับปรุงในผลไม้พบ ripening และน้ำตาลสังเคราะห์ตลอดจนมีลดลงผลไม้ whentemperaturewas increasedduring เจริญเติบโต (Moretti et al.,2010. Nagle et al. (2010) พบว่า ชลประทานได้รับผลกระทบคุณภาพแห้งเช่นเรื่อง (DM) และรวมละลายของแข็ง (TSS) ในมะม่วง และที่ผลไม้จากพืชที่ไม่มีชลประทานจัดแสดง DM และ TSS สูงกว่าคนในยามรักษา สำหรับการประมวลผล การใช้ประโยชน์ของมะม่วงขึ้นอยู่กับคุณภาพหลังการเก็บเกี่ยว: ภายใต้- และทึนทึกขูดฝอยนึ่งผลไม้เป็นปกติเหมาะสำหรับ pickling หรือการผลิตน้ำผลไม้และ กวน ตามลำดับ กว่าบริโภคสด (Mahayotheeร้อยเอ็ด al., 2007) โดยรวม ในผลไม้พาณิชย์การจัดการการดำเนินงานจัดการหลังการเก็บเกี่ยวที่มีประสิทธิภาพจะต้องควบคุมและเกรดผลไม้เนื่องจากผลไม้คุณภาพแตกต่างกันโดยกำหนดคุณภาพหลังการเก็บเกี่ยวของมะม่วงวัด DM ไอซ์ ผลไม้สี (ทั้งเปลือกและเนื้อ), TSSมี titratable (TA) และสารหอม (Padda et al., 2011Sivakumar et al., 2011 Subedi et al., 2007 ดะและ al., 2000)อย่างไรก็ตาม พารามิเตอร์เหล่านี้จะดีขึ้นโดยใช้วิธีทำลาย ซึ่งไม่สามารถดำเนินการกับบุคคลผลไม้และสุ่มตัวอย่างต้องดำเนินการให้เกิดมากขาดทุน ดังนั้น เทคนิคที่รวดเร็ว แม่นยำ และทำลายจำเป็นต้องใช้สำหรับการประเมินผลไม้แต่ละการดำเนินการจัดเกรดเชิงพาณิชย์ กใกล้อินฟราเรด (คุณภาพ)มีการศึกษาเป็นเทคนิคไม่รุกรานเพื่อประเมินการคุณภาพ physicochemical ของมะม่วง มีการใช้เพื่อทำนายเนื้อหาน้ำตาล pH ว่า DM แป้งเนื้อหา บีแคโรทีน และองค์ประกอบน้ำตาลง่ายเป็นอายุในพันธุ์ต่าง ๆด้วยประสิทธิภาพการคาดเดาที่สมเหตุสมผล (Delwiche et al., 2008Guthrie และวอลช์ 1997 Nagle et al., 2010 Rungpichayapichetร้อยเอ็ด al., 2015 Saranwong et al., 2004 Schmilovitch และ al., 2000Subedi และวอลช์ 2011 Subedi et al., 2007 วาเลนเต้ et al., 2009)อย่างไรก็ตาม เป็นปัญหาหลักของการใช้คุณภาพเพื่อประเมินคุณภาพผลไม้เสถียรภาพของรุ่นเทียบ แหล่งที่มาของข้อผิดพลาดที่ใหญ่ที่สุดมีความแปรผันทางชีวภาพของพืชผลไม้ ซึ่งมีผลต่อการเงื่อนไขผลิต (Peirs และ al., 2003) นอกจากที่ ผลไม้cultivar ขนาด และฤดูกาลเก็บเกี่ยวยังเล่นบทบาทสำคัญในtherobustness แบบจำลองคุณภาพ (Bobelyn et al., 2010 ค่าย และChristen, 2009 Louw และ Theron, 2010 รับและ Kawano1998)เพื่อปรับปรุงเสถียรภาพของการคาดเดาแบบ ตัวแทนช่วงของข้อมูลที่ต้องการสำหรับพัฒนาปรับเทียบได้Peirs et al. (2003) รายงานว่า แบบจำลองสำหรับทำนายของ TSS ในแอปเปิ้ลที่พัฒนาจากข้อมูลที่รวบรวมกว่าสามฤดูเก็บเกี่ยวให้ผลลัพธ์ที่แม่นยำยิ่งกว่าแบบจำลองที่สร้างขึ้นโดยใช้ข้อมูลจากการฤดูเดียวหรือสองซีซั่นรวม ผลกระทบของตัวอย่างจุดเริ่มต้นและพื้นที่ปลูกในเสถียรภาพแบบคาดเดาได้สังเกตโดย Bobelyn et al. (2010) ผลพบว่าการความถูกต้องของการคาดเดาสำหรับน้ำตาลเนื้อหาจากในแอปเปิ้ลพันธุ์ 'พิ้งค์เลดี้'แอฟริกาใต้ได้ดีขึ้นเมื่อใช้แบบพัฒนาจากรวบรวมข้อมูลกว่า 3 กำเนิด (อาร์เจนติน่า นิวซีแลนด์ และจุดเริ่มต้นของชิลี) เปรียบเทียบกับแบบจำลองจากสองเดี่ยว หรือรวมข้อมูล ตาม จุดมุ่งหมายของการศึกษานี้มีการ ประเมินผลฤดูกาลเก็บเกี่ยวประสิทธิภาพของเสริมคุณภาพสำหรับทำนายคุณภาพหลังการเก็บเกี่ยว ในมะม่วง และสร้างความแข็งแกร่งรูปแบบสำหรับโปรแกรมประยุกต์จัดเกรดเชิงพาณิชย์2. วัสดุและวิธีการ2.1. ตัวอย่างผลไม้มะม่วง (พันธุ์น้ำดอกไม้ subcv ศรีทอง) ได้รับที่ครบกำหนดส่งออกเชิงพาณิชย์ ที่สอดคล้องกับวัน 120 หลังเต็มบลูม การศึกษาดำเนินการ 3 ปี และรวมกับtotalof592fruits fromtwomajorproduction พื้นที่ inThailand ผลไม้ได้รับระหว่างช่วง peak ของฤดูเก็บเกี่ยวหลัก และตัวอย่างจำนวนมากถูกเลือกสำหรับมวลผลไม้ตั้งแต่ 270-370 g และความหนาแน่น > 1.0 g cm 3. มีเครื่องซักผ้า air-dried และผลไม้สุกแล้วในตะกร้าที่ปกคลุม ด้วยกระดาษถึงแปดวันที่แวดล้อมอุณหภูมิและความชื้นสัมพัทธ์ (ตาราง 1) ระหว่าง ripeningสุ่มเลือกทดลอง ตัวอย่างผลไม้ (ผลไม้ 10 – 12)แต่ละวันคุณภาพวิเคราะห์วัดและอ้างอิง

ผลลัพธ์ (ไทย) 2:

รุ่น NIRS
ที่แข็งแกร่งสำหรับการคาดการณ์ที่ไม่ทำลายหลังการเก็บเกี่ยวของผลไม้สุกและมะม่วงที่มีคุณภาพในผลของการเก็บเกี่ยวในปีสเปกโทรสโกใกล้อินฟราเรด
(NIRS)
รุ่นทำนายเพื่อตรวจสอบคุณภาพหลังการเก็บเกี่ยวของมะม่วงถูกประเมิน สเปกตรัมสะท้อนกระจายในพื้นที่ของ 700-1100
นาโนเมตรถูกนำมาใช้เพื่อพัฒนารูปแบบการสอบเทียบความแน่นของแข็งที่ละลายได้ทั้งหมด(TSS) ปริมาณกรด (TA)
และดัชนีสุก(RPI) โดยใช้สี่เหลี่ยมอย่างน้อยบางส่วน (PLS) การวิเคราะห์การถดถอย
ผลการศึกษาพบว่ารูปแบบความทนทานได้รับอิทธิพลจากปีที่เก็บเกี่ยว ข้อผิดพลาดในการทำนายสูงก็พบว่าเมื่อรุ่นจากเดียวปีการเก็บเกี่ยวถูกนำมาใช้เพื่อ predictthe ข้อมูลของปีอื่น ๆ ในขณะที่การใช้ข้อมูลร่วมกันจากสองหรือสามปีที่ผ่านมาสำหรับการสอบเทียบอย่างมากเพิ่มความแม่นยำในการทำนาย โมเดลการทำนายที่จัดตั้งขึ้นจากข้อมูลในปีที่สามดำเนินการที่เหมาะสมที่สุดสำหรับการคาดการณ์ของ TSS (R2 = 0.9; กันยายน = 1.2%) ความแน่น (R2 = 0.82; กันยายน = 4.22 N) TA (R2 = 0.74; กันยายน = 0.38% ) และ RPI (R2 = 0.8; กันยายน = 0.8) การจำแนกประเภทของมะม่วงสุกก็ประสบความสำเร็จประสบความสำเร็จในการใช้อนุพันธ์อันดับสองสเปกตรัมปรับสภาพกับความถูกต้องของมากขึ้นกว่า80% ผลการวิจัยพบว่า NIRS สามารถนำมาใช้เป็นเทคนิคที่ไม่ทำลายมะม่วงที่เชื่อถือได้สำหรับการประเมินคุณภาพและรูปแบบที่มีประสิทธิภาพสามารถพัฒนาเมื่อผลของการเก็บเกี่ยวปีถูกนำตัวเข้าบัญชี. ใ 2015 E 1 บทนำมะม่วง (Mangifera indica) เป็นหนึ่งในที่สุดทางเศรษฐกิจผลไม้เมืองร้อนที่สำคัญทั่วโลก ในการผลิตเชิงพาณิชย์, ผลไม้ผู้ใหญ่ทางสรีรวิทยาจะเก็บเกี่ยวและหลังการเก็บเกี่ยวได้รับการสุกภายใต้สภาวะควบคุมที่จะไปถึงความสุกเต็มรูปแบบ (Baloch และ Bibi 2012) คุณภาพหลังการเก็บเกี่ยวของมะม่วงขึ้นอยู่กับหลายปัจจัยหนึ่งซึ่งเป็นอายุของผลไม้ ผลไม้ที่เก็บเกี่ยวเวทีครบกําหนดที่เหมาะสมจะส่งมอบคุณภาพที่ดีที่สุดหลังจากที่สุกในขณะที่ผลไม้และเข้าใจมากกว่าที่ผู้ใหญ่จะแสดงคุณภาพต่ำและการลดอายุการเก็บรักษา(Subedi et al, 2007;.. Wanitchang et al, 2011) นอกจากนี้ขั้นตอนการกำหนดปัจจัยการเจริญเติบโต, ซึ่งมีความผันผวนภายในและระหว่างฤดูกาลเก็บเกี่ยวยังส่งผลกระทบต่อคุณภาพหลังการเก็บเกี่ยว เขียนคนอื่น ๆ รายงานว่าการผลิตเงื่อนไขเช่นอุณหภูมิแสงปฏิสนธิชลประทานผลไม้ตำแหน่งบนต้นไม้และการเปลี่ยนแปลงในระยะเวลาออกดอกระหว่างสาขามีผลต่อคุณภาพหลังการเก็บเกี่ยวของผลไม้, เคมีกายภาพโดยเฉพาะอย่างยิ่งความสามารถในการต้านอนุมูลอิสระและพฤติกรรมสุก (โยอาช et al, 2012;. Léchaudel และโยอาช, 2007. เร็ต et al, 2010; Nagle et al, 2010;.. Pojanagaroon et al, 2014) ยกตัวอย่างเช่นการปรับปรุงในผลไม้สุกและการสังเคราะห์น้ำตาลเช่นเดียวกับความเป็นกรดลดลงพบว่ามีwhentemperaturewas increasedduring การเจริญเติบโตของผลไม้ (เร็ต et al., 2010) Nagle et al, (2010) พบว่าคุณภาพที่ได้รับผลกระทบชลประทานเช่นวัตถุแห้ง(DM) และของแข็งที่ละลายได้ทั้งหมด (TSS) ในมะม่วงและว่าผลไม้จากพืชที่ไม่ใช่ชลประทานแสดงDM ที่สูงขึ้นและ TSS กว่าคนในการรักษาชลประทาน สำหรับการประมวลผลการใช้ประโยชน์จากมะม่วงจะขึ้นอยู่กับคุณภาพหลังการเก็บเกี่ยวที่เข้าใจและสุกผลไม้โดยทั่วไปจะมีมากขึ้นเหมาะสำหรับการดองหรือการผลิตน้ำผลไม้และรักษาตามลำดับมากกว่าการบริโภคสด(Mahayothee. et al, 2007) โดยรวมในการดำเนินงานการจัดการผลไม้ในเชิงพาณิชย์, การจัดการหลังการเก็บเกี่ยวที่มีประสิทธิภาพจำเป็นต้องมีการควบคุมและเกรดผลไม้เนื่องจากมีคุณภาพที่แตกต่างกันของผลไม้. การกำหนดคุณภาพหลังการเก็บเกี่ยวของมะม่วงสามารถทำได้โดยการวัด DM ความแน่นเนื้อสีผลไม้ (ทั้งเปลือกและเนื้อ) TSS, ปริมาณกรด (TA) และสารประกอบอะโรมาติก (Padda et al, 2011;. Sivakumar et al, 2011;... Subedi et al, 2007 อุเอดะ, et al, 2000). อย่างไรก็ตามพารามิเตอร์เหล่านี้จะถูกกำหนดตามอัตภาพโดยใช้วิธีการทำลายซึ่งไม่สามารถที่จะดำเนินการในแต่ละผลไม้และการสุ่มตัวอย่างจะต้องดำเนินการที่ก่อให้เกิดมากการสูญเสีย ดังนั้นเทคนิคที่รวดเร็วถูกต้องและไม่ทำลายที่จำเป็นสำหรับการประเมินผลไม้ของแต่ละบุคคลในการดำเนินงานการจัดลำดับในเชิงพาณิชย์ สเปกโทรสโกใกล้อินฟราเรด (NIRS) ได้รับการศึกษาเป็นเทคนิคที่ไม่รุกรานเพื่อประเมินคุณภาพทางเคมีกายภาพของมะม่วง มันได้ถูกนำมาใช้ในการคาดการณ์ปริมาณน้ำตาลค่า pH ความเป็นกรด DM เนื้อหาแป้งขแคโรทีนและองค์ประกอบของน้ำตาลเช่นเดียวกับอายุการเก็บรักษาพันธุ์ต่างๆที่มีผลการดำเนินงานการทำนายที่เหมาะสม(Delwiche et al, 2008;. Guthrie และวอลช์, 1997 ; Nagle et al, 2010;. Rungpichayapichet et al, 2015;. Saranwong et al, 2004;. Schmilovitch et al, 2000;. Subedi และวอลช์, 2011; Subedi et al, 2007;.. Valente et al, 2009) อย่างไรก็ตามปัญหาหลักของการใช้ NIRS การประเมินคุณภาพผลไม้คือความทนทานของรูปแบบการสอบเทียบ แหล่งที่มาของข้อผิดพลาดที่ใหญ่ที่สุดคือความแปรปรวนทางชีวภาพของพืชผลไม้ซึ่งเป็นผลมาจากสภาพการผลิต(Peirs et al., 2003) นอกจากนั้นผลไม้พันธุ์ขนาดและฤดูเก็บเกี่ยวยังมีบทบาทสำคัญในtherobustness รูปแบบ NIRS (Bobelyn et al, 2010;. แคมป์และขนาน2009; Louw และลิซเธอรอน, 2010; แมคโกลนและ Kawano, 1998). เพื่อปรับปรุง ความทนทานของรูปแบบการทำนายที่เป็นตัวแทนช่วงของข้อมูลเป็นที่ต้องการสำหรับการพัฒนาของการสอบเทียบ. Peirs et al, (2003) รายงานว่าแบบจำลองสำหรับการคาดการณ์ของ TSS ในแอปเปิ้ลที่พัฒนามาจากการเก็บรวบรวมข้อมูลในช่วงสามฤดูกาลเก็บเกี่ยวให้ผลลัพธ์ที่ถูกต้องมากขึ้นกว่ารุ่นสร้างขึ้นโดยใช้ข้อมูลจากฤดูกาลเดียวหรือสองฤดูกาลรวม ผลของกลุ่มตัวอย่างกำเนิดและพื้นที่ปลูกบนความทนทานรูปแบบการทำนายถูกตรวจสอบโดยBobelyn et al, (2010) ผลการศึกษาพบว่าถูกต้องทำนายสำหรับปริมาณน้ำตาลในแอปเปิ้ลพันธุ์ 'พิ้งค์เลดี้จากแอฟริกาใต้ได้รับการปรับปรุงเมื่อใช้รูปแบบการพัฒนาจากข้อมูลที่รวบรวมได้กว่าสามต้นกำเนิด(อาร์เจนตินา, นิวซีแลนด์และชิลี) เมื่อเทียบกับรุ่นจากเดียวหรือรวมกันสองแหล่งที่มาของข้อมูล ดังนั้นจุดมุ่งหมายของการศึกษาครั้งนี้มีวัตถุประสงค์เพื่อประเมินผลกระทบของฤดูกาลเก็บเกี่ยวกับประสิทธิภาพของการสอบเทียบ NIRS สำหรับการคาดการณ์ที่มีคุณภาพหลังการเก็บเกี่ยวในมะม่วงและเพื่อสร้างประสิทธิภาพรุ่นสำหรับการใช้งานในเชิงพาณิชย์จัดลำดับ2 วัสดุและวิธีการ2.1 ตัวอย่างมะม่วงผลไม้ (พันธุ์. น้ำดอกไม้ subcv. สีทอง) ที่ได้รับที่ครบกําหนดการส่งออกในเชิงพาณิชย์ที่สอดคล้องกับ120 วันหลังจากที่เต็มบาน ศึกษาได้ดำเนินการมานานกว่าสามปีและรวมถึงพื้นที่ fromtwomajorproduction totalof592fruits ประเทศไทย ผลไม้ที่ได้รับในช่วงจุดสูงสุดของฤดูเก็บเกี่ยวหลักและจำนวนตัวอย่างที่ได้รับการไว้ล่วงหน้าสำหรับมวลผลไม้ตั้งแต่270-370 กรัมและความหนาแน่น> 1.0 กรัมซม. 3 ผลไม้ที่ถูกล้างอากาศแห้งและสุกแล้วในตะกร้าปกคลุมด้วยกระดาษได้ถึงแปดวันที่แวดล้อมอุณหภูมิและความชื้นสัมพัทธ์(ตารางที่ 1) ระหว่างการสุกทดลองตัวอย่างผลไม้ (ผลไม้ 10-12) ได้รับการสุ่มเลือกในแต่ละวันสำหรับการวัดและการวิเคราะห์NIRS อ้างอิง

ผลลัพธ์ (ไทย) 3:

รุ่น nirs ประสิทธิภาพสำหรับการพยากรณ์แบบไม่ทำลายของผลไม้หลังการเก็บเกี่ยวมะม่วงสุกและคุณภาพ

ผลเก็บเกี่ยวในใกล้อินฟราเรดสเปกโทรสโกปี ( ปี nirs ) แบบจำลองการคาดการณ์ว่า
คุณภาพหลังการเก็บเกี่ยวของมะม่วงถูกประเมิน การสะท้อนแสงกระจายในเขต 700 – 1100 นาโนเมตรถูก
ใช้พัฒนารูปแบบการสอบเทียบความแน่น ปริมาณของแข็งที่ละลายได้ทั้งหมด ( TSS )ปริมาณกรด ( TA ) และการใช้ดัชนี
( RPI ) กำลังสองน้อยที่สุดบางส่วน ( PLS ) การวิเคราะห์การถดถอย ผลการศึกษาพบว่า แบบจำลอง
ทนทานได้รับอิทธิพลจากปีเก็บเกี่ยว ข้อผิดพลาดการทำนายสูง พบว่าเมื่อรุ่นปีเก็บเกี่ยวเดียว
ถูกใช้เพื่อทำนายข้อมูลอื่น ๆของปี ในขณะที่การใช้ข้อมูลรวมกันจากสองหรือสาม
ปีสำหรับการสอบเทียบเพิ่มมากค่าความถูกต้อง ทำนายจากข้อมูล 3 ปี ( รุ่นก่อตั้ง
มากที่สุดอย่างเหมาะสม เพื่อทำนาย TSS ( R2 = 0.9 ; ก.ย. = 1.2 % ) 8
( R2 = 0.82 ; ก.ย. = 4.22 ) TA ( R2 = 0.74 ; ก.ย. = 0.38 % ) และ RPI ( R2 = 0.8 ; ก.ย. = 0.8 ) การจำแนกประเภทของมะม่วง
ระดับความสุกได้ ประสบความสําเร็จโดยใช้อนุพันธ์อันดับสองที่ได้รับแสงที่มีความถูกต้องมากขึ้น
กว่า 80% ผลการวิจัยพบว่า nirs สามารถใช้เป็นเทคนิคแบบไม่ทำลายความน่าเชื่อถือสำหรับการประเมินคุณภาพมะม่วง
และรูปแบบที่แข็งแกร่งอาจจะพัฒนาเมื่อผลของปีเก็บเกี่ยวถูก

E
ฮัล บัญชี ปี 1 บทนำ
มะม่วง ( มะม่วง ) เป็นหนึ่งในทางเศรษฐกิจมากที่สุด
ที่สำคัญผลไม้เขตร้อนทั่วโลก ในการผลิตเชิงพาณิชย์
สรีรวิทยาผลแก่เก็บเกี่ยวและหลังการเก็บเกี่ยวจะได้รับ
สุกภายใต้เงื่อนไขที่ควบคุมการเข้าถึงแบบเต็มความสุก ( Baloch
และบีบี้ , 2012 ) คุณภาพหลังการเก็บเกี่ยวของมะม่วงนั้นขึ้นอยู่กับหลายปัจจัย
, หนึ่งซึ่งเป็นวุฒิภาวะของผลไม้ ผลเก็บเกี่ยวที่เหมาะสม
ขั้นเจริญเติบโตจะส่งมอบคุณภาพสูงสุดหลังจาก
สุก ส่วนใต้ - ขึ้นไป ผลแก่จะจัดแสดง
คุณภาพด้อยกว่าและลดการเก็บรักษา ( subedi et al . , 2007 ;
wanitchang et al . , 2011 ) นอกจากเวทีสำหรับการเจริญเติบโตปัจจัย
ซึ่งผันผวนภายในและระหว่างฤดูกาลเก็บเกี่ยว ยังมีผลต่อ
คุณภาพหลังการเก็บเกี่ยว . ผู้เขียนอื่น ๆ รายงานว่า การผลิต
เงื่อนไขเช่นอุณหภูมิ , แสง , การใส่ปุ๋ย , ชลประทาน , ผลไม้
ตำแหน่งบนต้นไม้ และการเปลี่ยนแปลงในเวลาออกดอกระหว่างอิทธิพลสาขา
คุณภาพหลังการเก็บเกี่ยวผลไม้ โดยเฉพาะอย่างยิ่ง เคมีฟิสิกส์
สารต้านอนุมูลอิสระและสุกพฤติกรรม ( joas et al . , 2012 ;
L é chaudel และ joas , 2007 ; มอเร็ตติ et al . , 2010 ; เนเกิล et al . , 2010 ;
pojanagaroon et al . , 2014 ) ตัวอย่างเช่นการปรับปรุงในผลไม้สุกและสังเคราะห์
น้ำตาล รวมทั้งลดปริมาณกรดที่พบ
whentemperaturewas increasedduring ผล ( มอเร็ตติ et al . ,
2010 ) เนเกิล et al . ( 2010 ) พบว่ามีผลต่อคุณภาพน้ำ
เช่นวัตถุแห้ง ( DM ) และปริมาณของแข็งทั้งหมดที่ละลายน้ำได้ ( TSS ) ในมะม่วงและผลไม้จากพืช
ที่ไม่ใช่ชลประทานมี DM สูงขึ้นและ TSS
มากกว่าในชลประทานวิทยา สำหรับการประมวลผลการใช้
มะม่วงจะขึ้นอยู่กับคุณภาพหลังการเก็บเกี่ยว : ใต้ - ไร้สติ
ผลไม้มักจะเหมาะสำหรับการดองหรือการผลิตน้ำผลไม้
และรักษาตามลำดับ นอกจากรับประทานสด ( mahayothee
et al . , 2007 ) โดยรวม , ผลไม้เชิงพาณิชย์การจัดการการดําเนินงาน การจัดการหลังการเก็บเกี่ยว
ที่มีประสิทธิภาพจะต้องควบคุมและผลไม้เกรด
เนื่องจากคุณภาพที่แตกต่างกันของผลไม้
การหาคุณภาพหลังการเก็บเกี่ยวของมะม่วงสามารถทำได้โดย
วัดเบาหวาน ,ความแน่นเนื้อสีผลไม้ทั้งเปลือกและเนื้อ ) , TSS ปริมาณกรด ( TA )
, และสารประกอบอะโรมาติก ( padda et al . , 2011 ;
( มารยาทของ et al . , 2011 ; subedi et al . , 2007 อุเอดะ et al . , 2000 ) .
แต่พารามิเตอร์เหล่านี้โดยทั่วไปกำหนดใช้วิธีการทำลาย
ซึ่งไม่สามารถแสดงบนผลไม้แต่ละ
และการสุ่มตัวอย่างจะต้องดําเนินการก่อให้เกิดความสูญเสียมาก

ดังนั้นเทคนิคที่รวดเร็ว ถูกต้อง และความจำเป็นสำหรับการประเมินบุคคล
ผลไม้เชิงพาณิชย์เกรดงาน สเปกโทรสโกปีอินฟราเรดใกล้ ( nirs )
ได้รับการศึกษาเป็นเทคนิคที่ไม่รุกรานเพื่อประเมิน
คุณภาพทางกายภาพและทางเคมีของผลมะม่วง มันถูกใช้เพื่อทำนาย
น้ำตาล , pH , กรด , DM , เนื้อหาและ
แป้ง เบต้า - แคโรทีนองค์ประกอบของน้ำตาลง่าย รวมทั้งอายุการเก็บรักษาในหลากหลายพันธุ์
ที่มีประสิทธิภาพการทำนายที่เหมาะสม ( delwiche et al . , 2008 ;
Guthrie และ วอลช์ , 1997 ; เนเกิล et al . , 2010 ; rungpichayapichet
et al . , 2015 ; saranwong et al . , 2004 ; schmilovitch et al . , 2000 ;
subedi และ วอลช์ 2011 ; subedi et al . , 2007 ; ตัวแทน et al . , 2009 ) .
แต่ปัญหาหลักของการใช้ nirs เพื่อประเมินคุณภาพผลไม้
ความแข็งแกร่งของการสอบเทียบแบบจำลอง แหล่งใหญ่ที่สุดของข้อผิดพลาด
คือความผันแปรทางชีวภาพของไม้ผล ซึ่งได้รับอิทธิพลจาก
เงื่อนไขการผลิต ( peirs et al . , 2003 ) นอกจากนี้ ผลไม้
พันธุ์ขนาดและฤดูกาลเก็บเกี่ยวก็มีบทบาทสำคัญต่อ
therobustness ของ nirs รุ่น ( bobelyn et al . , 2010 ; ค่ายและ
คริสเตียน , 2009 ; ลู และ เธร , 2010 ; เมิ่กโลน และคาวา
, 1998 )
เพื่อปรับปรุงความทนทานของแบบจำลองการทำนาย ผู้แทน
ช่วงข้อมูลที่ต้องการสำหรับการพัฒนาของการสอบเทียบ .
peirs et al . ( 2003 ) รายงานว่า แบบจำลองสำหรับทำนาย TSS ใน
แอปเปิ้ลพัฒนาจากข้อมูลที่เก็บรวบรวมผ่านสามฤดูกาลเก็บเกี่ยว
ให้ผลลัพธ์ที่ถูกต้องมากขึ้นกว่ารุ่นที่สร้างขึ้นโดยใช้ข้อมูลจาก
ฤดูกาลเดียวหรือ 2 ฤดูกาลรวม ผลของตัวอย่าง
แหล่งกำเนิดและพื้นที่ปลูกบนแบบจำลองการทำนายความแข็งแกร่งถูก
สังเกตโดย bobelyn et al . ( 2010 ) ผลการศึกษาพบว่า
ความถูกต้องพยากรณ์ปริมาณน้ำตาลในแอปเปิ้ลพันธุ์ ' ' จากผู้หญิงสีชมพู
แอฟริกาใต้ดีขึ้นเมื่อใช้แบบจำลองที่พัฒนาขึ้นจากข้อมูลที่รวบรวมผ่านจุดกำเนิด (
3
ชิลีและอาร์เจนตินา นิวซีแลนด์ ) เมื่อเทียบกับรุ่นเดียวหรือรวมข้อมูลจากสองแหล่ง

ตามการวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาผลของการปฏิบัติของฤดูการเก็บเกี่ยว

nirs สอบเทียบสำหรับการทำนายคุณภาพหลังการเก็บเกี่ยวมะม่วงและสร้างแบบจำลองเชิงพาณิชย์เกรดโปรแกรมประยุกต์แข็งแกร่ง

2 วัสดุและวิธีการ
2.1 . ตัวอย่าง
มะม่วงพันธุ์ น้ำดอกไม้ subcv . สีทอง ) ที่ได้รับใน
วุฒิภาวะส่งออกพาณิชย์ สอดคล้องกับ 120 วัน หลังเต็ม
บานศึกษามากกว่า 3 ปี และรวม
totalof592fruits fromtwomajorproduction พื้นที่ในประเทศไทย ผลไม้
ได้รับในช่วงจุดสูงสุดของฤดูการเก็บเกี่ยวและตัวอย่างจำนวนมากเป็นหลัก
ไว้ล่วงหน้าสำหรับผลไม้มวลตั้งแต่ 270 – 370 กรัมความหนาแน่น > 1.0 กรัม
cm
3
ผล ล้าง อากาศแห้งและสุก
ในตะกร้าปกคลุมด้วยกระดาษได้ถึง 9
8 วันอุณหภูมิและความชื้นสัมพัทธ์ ( ตารางที่ 1 ) ระหว่างการสุก
ทดลอง ตัวอย่างผลไม้ ( ผลไม้ 10 – 12 ) สุ่ม
แต่ละวัน nirs การวัดและวิเคราะห์การอ้างอิง