پیش‌بینی فعالیت آنزیم پراکسیداز با استفاده از تصویربرداری فراطیفی فروسرخ نزدیک در سیب رد دلیشز طی دوره نگهداری

از آنجا که فعالیت آنزیمی یکی از پارامترهای کیفی مهم سیب به شمار می رود، در این تحقیق اثر طول دوره انبارداری سرد بر مقدار فعالیت آنزیم پراکسیداز در سیب رقم رد دلیشز به مدت 60 روز مطالعه شد. تصویربرداری فراطیفی بازتابی در محدوده طول‌ موج nm1100-400 انجام و فعالیت آنزیمی در نمونه‌ها نیز براساس روش های استاندارد اندازه گیری شد. پس از حذف نویزها با آنالیز pca، برای بهبود طیف، پیش‌پردازش‌های اولیه مختلف اعمال و اثرات آن‌ها مورد مطالعه قرار گرفت. مدل مناسب با استفاده از روش حداقل مربعات جزئی (pls) تعیین شد. طول‌ موج‌های موثر با استفاده از الگوریتم های پیش بینی متوالی (spa) و ضریب رگرسیون (rc) بهترین مدل انتخاب و با استفاده از روش‌های مختلف مدل‌سازی شد. بر اساس آنالیز pls بهترین نتایج با پیش‌پردازش هموارسازی ساویتزکیگولای با 0.574=rmsec، 0.948=r^2c، 0.518=rmsecv، 0.940=r^2cv حاصل شد. بر اساس آنالیز داده های پیش پردازشی با ضریب رگرسیون (rc) و الگوریتم های پیش بینی متوالی (spa) 9 طول‌موج به عنوان طول‌ موج های موثر در تخمین فعالیت آنزیم پراکسیداز در نمونه ها تعیین شدند. در مدل‌سازی با استفاده از طول‌موج های موثر، مدل تلفیق شبکه عصبی مصنوعی (ann) و الگوریتم های پیش بینی متوالی (spa) بهترین نتیجه را داشت. در نتیجه به نظر می‌رسد روش تصویربرداری فراطیفی می تواند به عنوان ابزاری با ارزش برای پیش بینی فعالیت آنزیم پراکسیداز در سیب طی دوره نگه داری بکار برده شود و طول‌موج انتخابی می تواند منابع بالقوه برای توسعه یک ابزار غیرمخرب باشد.

Prediction of peroxidase activity using near infrared hyperspectral imaging in red delicious apple fruit during storage time

Regarding this fact that peroxidase (POD) activity is considered as one of the important qualitative parameters of apple fruits, in this study, the effect of cold storage on POD activity of Red Delicious apples were investigated during 60 days. Hyperspectral reflecting imaging in range of 4001000 nm has been applied while POD of samples were measured according to standard methods. After discarding noises using principal component analysis (PCA), to improve spectrum, different primary preprocessing had been applied and their effects were investigated. The suitable model was obtained via Partial Least Square method (PLS). Important wavelengths were selected based on regression coefficient of the best model includes large absolute values of weighted regression coefficients (RC) and sequential predictions algorithm (SPA) and using various techniques were modeled. Concerning the PLS analysis, the best results were obtained through smoothing SavitzkyGolay preprocessing with mean square root error (RMSE) of 0.475 and 0.518 and coefficient of determination (R2) of 0.948 and 0.940 for calibration and validation data, respectively. According to RC and SPA, 9 wavelengths were determined as the best. In modeling by efficient wavelength, artificial neural network (ANN) and SPA Combined Model gave the best result. The results indicated that hyperspectral imaging could be considered as a valuable tool for POD activity prediction and the selected wavelengths could be potential resources for instrument development.