پيش‌بيني فعاليت آنزيم پراكسيداز با استفاده از تصويربرداري فراطيفي فروسرخ نزديك در سيب رددليشز طي دوره نگهداري

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

از آنجا كه فعاليت آنزيمي يكي از پارامترهاي كيفي مهم سيب به شمار مي رود، در اين تحقيق اثر طول دوره انبارداري سرد بر مقدار فعاليت آنزيم پراكسيداز در سيب رقم رددليشز به مدت 60 روز مطالعه شد. تصويربرداري فراطيفي بازتابي در محدوده طول‌موج nm 1100-400 انجام و فعاليت آنزيمي در نمونه‌ها نيز براساس روش هاي استاندارد اندازه گيري شد. پس از حذف نويزها با آناليز PCA، براي بهبود طيف، پيش‌پردازش‌هاي اوليه مختلف اعمال و اثرات آن‌ها مورد مطالعه قرار گرفت. مدل مناسب با استفاده از روش حداقل مربعات جزئي (PLS) تعيين شد. طول‌موج‌هاي مؤثر با استفاده از الگوريتم هاي پيش بيني متوالي (SPA) و ضريب رگرسيون (RC) بهترين مدل انتخاب و با استفاده از روش‌هاي مختلف مدل‌سازي شد. بر اساس آناليز PLS بهترين نتايج با پيش‌پردازش هموارسازي ساويتزكي-گولاي با 574، =RMSECV = 0/518 ،R2c= ./948 ،RMSEC، 0/940= R2CV حاصل شد. بر اساس آناليز داده هاي پيش پردازشي با ضريب رگرسيون (RC) و الگوريتم هاي پيش بيني متوالي (SPA) 9 طول‌موج به عنوان طول‌موج هاي مؤثر در تخمين فعاليت آنزيم پراكسيداز در نمونه ها تعيين شدند. در مدل‌سازي با استفاده از طول‌موج هاي مؤثر، مدل تلفيق شبكه عصبي مصنوعي (ANN) و الگوريتم هاي پيش بيني متوالي (SPA) بهترين نتيجه را داشت. در نتيجه به نظر مي‌رسد روش تصويربرداري فراطيفي مي تواند به عنوان ابزاري با ارزش براي پيش بيني فعاليت آنزيم پراكسيداز در سيب طي دوره نگه داري بكار برده شود و طول‌موج انتخابي مي تواند منابع بالقوه براي توسعه يك ابزار غيرمخرب باشد.

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 400-1000 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 pre-processing 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 Savitzky-Golay pre-processing 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.