با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی مکانیک بیوسیستم، دانشکده مهندسی و تکنولوژی کشاورزی، دانشگاه تهران، تهران، ایران

2 گروه مهندسی مکانیک بیوسیستم، دانشکده مهندسی و تکنولوژی کشاورزی، دانشگاه تهران، تهران، ایران

3 بخش تحقیقات هوشمندسازی کشاورزی، موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

چکیده

میزان عناصر مغذی نقش به‌سزایی در رشد، تکثیر و عملکرد محصولات کشاورزی و گیاهان دارند. با پیش‌بینی این عناصر می‌توان به‌صورت دقیق نهاده‌های شیمیایی را مدیریت کرد. هدف از این مطالعه ارزیابی غیرمخرب میزان عناصر NPK با استفاده از طیف‌سنجی مرئی/ فروسرخ نزدیک (Vis/NIR) در بازه طول موجی 500 تا 1000 نانومتر بود. برای این منظور، طیف‌سنجی از نمونه‌های برگ درختان سیب در مد اندازه‌گیری برهم‌کنش انجام گرفت. برای حذف اثرات ناخواسته از روش‌های مختلف پیش‌پردازش استفاده شد تا مدل واسنجی دقیق حاصل شود. در این راستا، مدل واسنجی چندمتغیره حداقل مربعات جزئی (PLS) بر پایه اندازه‌گیری‌های مرجع و اطلاعات طیفی با روش‌های مختلف پیش‌پردازش مورد بررسی قرار گرفت. بهترین مدل ارائه‌شده مبتنی بر روش پیش‌پردازش توزیع نرمال استاندارد در ترکیب با مشتق دوم (SNV+D2) با مقادیر rc= 0.988, RMSEC=0.028%, rp=0.978, RMSEP=0.034% و 7.47=RPD متعلق به پیش‌بینی نیتروژن بود. بهترین مدل برای ارزیابی میزان پتاسیم و فسفر نیز براساس روش پیش‌پردازش تصحیح پراکنش افزاینده در ترکیب با مشتق دوم (MSC+D2) به‌ترتیب RPD=7.10, rp=0.976, RMSEP=0.021% و RPD=5.96, rp=0.958, RMSEP=0.0057% به‌دست آمد. نتایج به‌دست‌آمده حاصل از این پژوهش نشان می‌دهد که طیف‌سنجی Vis/NIR می‌تواند به‌عنوان یک ابزار غیرمخرب، سریع و قابل‌اعتماد برای پیش‌بینی مقدار عناصر مغذی درخت سیب استفاده و از مصرف بیش از حد نهاده‌های شیمیایی و پیامدهای ناشی از آن جلوگیری شود.

کلیدواژه‌ها

موضوعات

©2022 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0).

  1. Abasi, S., Minaei, S., Jamshidi, B., Fathi, D., & Khoshtaghaza, M. H. (2019). Rapid measurement of apple quality parameters using wavelet de-noising transform with Vis/NIR analysis. Scientia Horticulturae252, 7-13. https://doi.org/10.1016/j.scienta.2019.02.085
  2. Amiratul, D. A., Farrah, M. M., Paing, T., Daljit, S., Karam, S., & Martini, M. Y. (2017). Nitrogen effects on growth and spectral characteristics of immature and mature oil palms. Asian Journal of Plant Sciences16(4), 200-210. https://doi.org/10.3923/ajps.2017.200.210
  3. Butz, P., Hofmann, C., & Tauscher, B. (2005). Recent developments in noninvasive techniques for fresh fruit and vegetable internal quality analysis. Journal of Food Science70(9), R131-R141. https://doi.org/10.1111/j.1365-2621.2005.tb08328.x
  4. Chen, J. Y., Zhang, H., Miao, Y., & Asakura, M. (2010). Nondestructive determination of sugar content in potato tubers using visible and near infrared spectroscopy. Japan Journal of Food Engineering11(1), 59-64. https://doi.org/10.11301/jsfe.11.59
  5. Daszykowski, M., Kaczmarek, K., Vander Heyden, Y., & Walczak, B. (2007). Robust statistics in data analysis—A review: Basic concepts. Chemometrics and Intelligent Laboratory Systems85(2), 203-219. https://doi.org/10.1016/j.chemolab.2006.06.016
  6. Embleton, T. W., Jones, W. W., Labanauskas, C. K., & Reuther, W. A. L. T. E. R. (1973). Leaf analysis as a diagnostic tool and guide to fertilization. The Citrus Industry3(6), 183-210.
  7. Erel, R., Dag, A., Ben-Gal, A., Schwartz, A., & Yermiyahu, U. (2008). Flowering and fruit set of olive trees in response to nitrogen, phosphorus, and potassium. Journal of the American Society for Horticultural Science133(5), 639-647. https://doi.org/10.21273/JASHS.133.5.639
  8. Farhadi, R., Afkari-Sayyah, A. H., Jamshidi, B., & Gorji, A. M. (2020). Prediction of internal compositions change in potato during storage using visible/near-infrared (Vis/NIR) spectroscopy. International Journal of Food Engineering16(4). https://doi.org/10.1515/ijfe-2019-0110
  9. Fernández-Novales, J., López, M. I., Sánchez, M. T., García, J. A., & Morales, J. (2008). A feasibility study on the use of a miniature fiber optic NIR spectrometer for the prediction of volumic mass and reducing sugars in white wine fermentations. Journal of Food Engineering89(3), 325-329. https://doi.org/10.1016/j.jfoodeng.2008.05.011
  10. Fu, X., Ying, Y., Lu, H., Xu, H., & Yu, H. (2007). FT-NIR diffuse reflectance spectroscopy for kiwifruit firmness detection. Sensing and Instrumentation for Food Quality and Safety1(1), 29-35.
  11. Jamshidi, B., & Yazdanfar, N. (2022). Development of a spectroscopic approach for non-destructive and rapid screening of cucumbers based on maximum limit of nitrate accumulation. Journal of Food Composition and Analysis110, 104513. https://doi.org/10.1016/j.jfca.2022.104513
  12. Jamshidi, B., Mohajerani, E., Jamshidi, J., Minaei, S., & Sharifi, A. (2015). Non-destructive detection of pesticide residues in cucumber using visible/near-infrared spectroscopy. Food Additives & Contaminants: Part A32(6), 857-863. https://doi.org/10.1080/19440049.2015.1031192
  13. Kawano, S., Watanabe, H., & Iwamoto, M. (1992). Determination of sugar content in intact peaches by near infrared spectroscopy with fiber optics in interactance mode. Journal of the Japanese Society for Horticultural Science61(2), 445-451. https://doi.org/10.2503/jjshs.61.445
  14. Kumar, N., Bansal, A., Sarma, G. S., & Rawal, R. K. (2014). Chemometrics tools used in analytical chemistry: An overview. Talanta123, 186-199. https://doi.org/10.1016/j.talanta.2014.02.003
  15. Lafhal, S., Vanloot, P., Bombarda, I., Kister, J., & Dupuy, N. (2016). Chemometric analysis of French lavender and lavandin essential oils by near infrared spectroscopy. Industrial Crops and Products80, 156-164. https://doi.org/10.1016/j.indcrop.2015.11.017
  16. Malegori, C., Marques, E. J. N., de Freitas, S. T., Pimentel, M. F., Pasquini, C., & Casiraghi, E. (2017). Comparing the analytical performances of Micro-NIR and FT-NIR spectrometers in the evaluation of acerola fruit quality, using PLS and SVM regression algorithms. Talanta165, 112-116. https://doi.org/10.1016/j.talanta.2016.12.035
  17. Menesatti, P., Antonucci, F., Pallottino, F., Roccuzzo, G., Allegra, M., Stagno, F., & Intrigliolo, F. (2010). Estimation of plant nutritional status by Vis–NIR spectrophotometric analysis on orange leaves [Citrus sinensis (L.) Osbeck cv Tarocco]. Biosystems Engineering105(4), 448-454. https://doi.org/10.1016/j.biosystemseng.2010.01.003
  18. Miles, N. (2010). Challenges and opportunities in leaf nutrient data interpretation. In Proceedings of The South African Sugar Technologists' Association, 83, 205-215.
  19. Mobasheri, M. R., & Rahimzadegan, M. (2012). Introduction to protein absorption lines index for relative assessment of green leaves protein content using EO-1 Hyperion datasets.
  20. Moncada, G. W., Martín, M. I. G., Escuredo, O., Fischer, S., & Míguez, M. (2013). Multivariate calibration by near infrared spectroscopy for the determination of the vitamin E and the antioxidant properties of quinoa. Talanta116, 65-70. https://doi.org/10.1016/j.talanta.2013.04.079
  21. Nicolai, B. M., Theron, K. I., & Lammertyn, J. (2007). Kernel PLS regression on wavelet transformed NIR spectra for prediction of sugar content of apple. Chemometrics and Intelligent Laboratory Systems85(2), 243-252. https://doi.org/10.1016/j.chemolab.2006.07.001
  22. Osborne, B. G., Fearn, T., & Hindle, P. H. (1993). Practical NIR spectroscopy with applications in food and beverage analysis. Longman scientific and technical.
  23. Özyiğit, Y. A. Ş. A. R., & Bilgen, M. E. H. M. E. T. (2013). Use of spectral reflectance values for determining nitrogen, phosphorus, and potassium contents of rangeland plants. Journal of Agricultural Science and Technology15(7), 1537-1545.
  24. Rady, A. M., & Guyer, D. E. (2015). Evaluation of sugar content in potatoes using NIR reflectance and wavelength selection techniques. Postharvest Biology and Technology103, 17-26. https://doi.org/10.1016/j.postharvbio.2015.02.012
  25. Rahi, S., Mobli, H., Jamshidi, B., Azizi, A., & Sharifi, M. (2020). Different supervised and unsupervised classification approaches based on visible/near infrared spectral analysis for discrimination of microbial contaminated lettuce samples: Case study on E. coli ATCC. Infrared Physics & Technology108, 103355. https://doi.org/10.1016/j.infrared.2020.103355
  26. Taiz, L., Zeiger, E., Møller, I. M., & Murphy, A. (2015). Plant physiology and development(No. Ed. 6). Sinauer Associates Incorporated.
  27. Tamburini, E., Ferrari, G., Marchetti, M. G., Pedrini, P., & Ferro, S. (2015). Development of FT-NIR models for the simultaneous estimation of chlorophyll and nitrogen content in fresh apple (Malus domestica) leaves. Sensors15(2), 2662-2679. https://doi.org/10.3390/s150202662
  28. Wang, C., Li, X., Wang, L., Yang, C., Chen, X., Li, M., & Ma, S. (2019). Prediction of N, P, and K Contents in Sugarcane Leaves by VIS-NIR Spectroscopy and Modeling of NPK Interaction Effects. Transactions of the ASABE62(6), 1427-1433.
CAPTCHA Image