ارزیابی سریع و غیرمخرب مقادیر NPK درخت سیب مبتنی بر تجزیه و تحلیل طیفی برگ

نوع مقاله : مقاله پژوهشی

نویسندگان

• رحیم آزادنیا ¹
• علی رجبی پور ²
• بهاره جمشیدی ³
• محمود امید ²

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

https://doi.org/10.22067/jam.2022.78770.1125

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 r_c= 0.988, RMSEC=0.028%, r_p=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, r_p=0.976, RMSEP=0.021% و RPD=5.96, r_p=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

• پیش‌پردازش
• حداقل مربعات جزئی
• طیف‌سنجی
• عناصرمغذی
• مرئی/ فروسرخ نزدیک

موضوعات

• کشاورزی دقیق

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

مراجع

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 Horticulturae, 252, 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 Sciences, 16(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 Science, 70(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 Engineering, 11(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 Systems, 85(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 Industry, 3(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 Science, 133(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 Engineering, 16(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 Engineering, 89(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 Safety, 1(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 Analysis, 110, 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 A, 32(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 Science, 61(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. Talanta, 123, 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 Products, 80, 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. Talanta, 165, 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 Engineering, 105(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. Talanta, 116, 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 Systems, 85(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 Technology, 15(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 Technology, 103, 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 & Technology, 108, 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. Sensors, 15(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 ASABE, 62(6), 1427-1433.