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.
jorge.saavedra@ucv.cl
¿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
2.0 39
29 28
36 34
26 27 38
31 25 35 30
Organic Wines
37
1.0 24
t[2]

0.0
14
23 16 15
18 7
20 12 4
-1.0 10
8
22
6
2
Traditional
17
19
139
11
13
5
-2.0
21 Wines

-3.0

Alcoholic Malolactic
Fermentation Fermentation
-4.0

-5 -4 -3 -2 -1 0 1 2 3 4 5
t[1]

Regresión PLS-DA
SIMCA Organic Traditional
Wines 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)

6
• Cada año se parte de diferentes vinos tintos (Variabilidad)
¿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
7

Orthogonal - PLS
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

3
PCA Projection X Y
4
PLS Regression T U
2 5
MLS Regression
W Q
Ridge Regression
A
P X = TP'+E = ∑ t p '+E
a =1
a a

Algoritmo NIPALS (Nonlinear A

Iterative Partial Least Squares) Y = UQ'+ F = ∑ u q '+F
a =1
a a
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
Escenario 1: Centering & Unit Variance
PCA: Factores = 3; R2X = 98.5% | PLS: n.s.
PC-2 (9%)

PC-2 (9%)
 Resultados preliminares
Escenario 2: Centering & Unit Variance + Baseline correction
PCA: Fact. = 4; R2X = 99.61% | PLS: Fact. = 7; R2Y = 39.96%
Factor-2 (7%, 1%)

Factor-2 (7%, 1%)

 Resultados preliminares
Escenario 3: C&S+ Baseline + OSC
PCA: Fact. = 4; R2X = 98.18% | PLS: Fact. = 2; R2Y = 92.92%
10
M3
M8 M5
8 M5 M8
M2 M8 M6 M5
M2 M8 M5 M5
6 M5 M5 M5
M2 M5 M3
M8
M8
M5
M6
M8
M3 M6 M3 M8
M8
M8
M5 M2 M6 M6
M6M7
M2
M7 M6 M5
M5 M5
Factor-2 (50%, 4%)

M5
M4 M8M6 M7
M6
M5M8 M3
M8
M6 M2
4 M8
M7
M7
M5
M6
M8 M7M8
M4 M8M5 M8M5
M5
M3 M5
M3
M2 M5
M5
M8
M8 M6M3M7 MuestreoM8
M3 5
M5
M4
M4
M7
M8
M5
M3
M2 M5 M7M8M2
M5
M8 M3 M8M6M8
M8M8M8
M5M8
M1
M5
M7
M3M8M6 M2
M3 M8
M2M7 M8
M3 M8 M3
2
M6
M8
M3
M1
M5
M4
M7
M7
M5
M4
M1
M8
M4
M2M7M6
M8M5
M2
M3 M4
M6
M8M7
M8 M5 M7 M8
M8
M5
M6 M8M6 M8 M3
M7M6 M7
M5
M6
M4
M8
M8
M3
M5
M7
M7 M5
M6M8
M8
M2M6
M8
M3 M8M5
M8M7M8 M5
M6 M6M7
M8
M5
M4
M2
M8
M1
M6
M4
M7 M5M8
M8 M6
M2
M2 M8M5
M3
M4
M8 M8M5
M6 M5M3 M6 M6
M4
M8
M1
M3
M5
M6
M7
M3
M3
M8
M2M3
M8
M5M3
M5
M8 M5
M4
M6
M6M3
M4
M3M7M5
M6 M8
M8 M6M8 M6
0 M5
M7
M3
M8
M4M3
M4
M3
M8
M6
M1
M5
M5
M7
M2
M2
M7
M8 M7
M8 M5
M7M5
M8 M8
M6
M8
M4
M3 M8
M5M2 M5
M7
M5
M1
M1
M6
M7
M5 M7
M5
M2M5M6
M3
M7
M5
M8M4
M5
M5M7
M1M3
M6 M2
M3
M6M5M7 M3
M7
M7 M3
M5
M7
M3
M5
M4
M2
M1
M6
M3
M7 M7
M5M7
M8 M3
M7
M3
M5 M6
M8
M2
M6M8M4M6M6
M3 M1M8 M6 M1
M7
M5
M4
M3
M7
M7
M4
M5M6M8
M1
M2M6
M7
M7
M6 M6
M8 M6 M8
-2 M4
M7
M3
M7
M5 M7
M7 M6
M3 M6 M8
M5 M7
M3M7M4
M7
M7
M1
M5 M7 M1
M8M6
M5 M1 M1 M1
M2
M7
M1 M7M8M8
M1 M1
M7
M7
M5 M7
M7 M1M4 M7
-4 M3
M1 M7 M1 M7
M7
M7 M7M1 M1
M1
-6

-8
-4 -2 0 2 4 6 8 10 12
Factor-1 (36%, 55%)
Factor-2 (50%, 4%)
 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 STDerr
Summary
Model 251.7024 100.0000 2.5170 7.7370 0.0000
Error 115.4897 355.0000 0.3253
Adjusted Total 367.1921 455.0000 0.8070
Predicted Y (%MS)
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.
jorge.saavedra@ucv.cl