Aplicação da espectroscopia na região do infravermelho próximo para análise de materiais vegetais

Abstract

Neste trabalho foram construídos modelo de regressão e classificação a partir de espectros na região do infravermelho próximo (NIR) obtidos de materiais vegetais. O primeiro estudo teve como objetivo realizar a quantificação antecipada do teor de óleo usando espectros de NIR obtidos de frutos verdes de macaúba. A espectroscopia NIR e a regressão por quadrados mínimos parciais (PLS) provou ser útil na quantificação precoce do teor de óleo prevendo seu teor com vinte e cinco dias antes do máximo acúmulo de óleo no fruto. A previsão antecipada foi semelhante às previsões para frutos maduros. No segundo estudo, foi realizada a comparação entre dois instrumentos NIR, um de bancada (NIRB) e um portátil (NIRP). A comparação se deu para determinação da amilose aparente (AM) em amostras de fécula de mandioca, usando modelos de regressão e classificação multivariados. Ao contrário do NIRB, os modelos de regressão construídos a partir do instrumento NIRP não apresentaram bons ajustes. Apesar disso, um modelo PLS por análise discriminante (PLS-DA) pode ser aplicado na classificação entre concentrações maiores e menores ou iguais a 20%, obtendo resultados tão confiáveis quanto o NIRB na classificação. No último estudo, foram construídos modelos para a determinações da concentração dos ácidos graxos (AG) palmítico, esteárico, oleico e linoleico do óleo de pinhão-manso. Foram usados espectros do NIRB, NIRP e infravermelho médio (MIR). Os melhores resultados foram para o NIRB, com valores da raiz quadrada do erro quadrático médio de previsão (RMSEP) e do coeficiente de correlação (R p ), respectivamente iguais a 3,85 mg mL -1 e 0,87 para AG palmítico; 2,20 mg mL -1 e 0,87 para AG esteárico; 8,61 mg mL -1 e 0,86 para AG oleico; 15,75 mg mL -1 e 0,85 para AG linoleico. A aplicação do NIR a materiais vegetais teve um papel importante neste trabalho, obtendo métodos mais rápidos, baratos e não-destrutivos, possibilitando seleção de melhores materiais vegetais, auxiliando no melhoramento genético. Palavra-chave: Materiais vegetais. Espectroscopia no infravermelho próximo. Regressão multivariadas. Quadrados mínimos parciais.

In this work, regression and classification models were built using spectra obtained from plant materials in the near-infrared (NIR) region. The first study aimed to perform the early quantification of ripe macaw fruits' oil content using NIR spectra obtained from unripe macaw fruits. NIR spectroscopy and partial least squares (PLS) regression proved useful in the early quantification of oil content by predicting its content twenty-five days before the fruit's maximum oil accumulation. The early quantification model was similar to ripe fruits. In the second study, two NIR instruments were compared, a benchtop (NIRB) and a portable (NIRP) one. The comparison was made to determine the apparent amylose content (AM) in cassava starch samples using both regression models or multivariate classification. Unlike the NIRB, the regression models built from the NIRP instrument did not show a suitable fit. However, the PLS discriminant analysis model (PLS-DA) was successfully applied to discriminate higher and lower or equal to 20% of amylose contents, obtaining reliable results as the NIRB in the classification. In the last study, PLS models were built to determine the concentration of palmitic, stearic, oleic, and linoleic fatty acids (AG) in jatropha oil. Spectra from NIRB, NIRP, and medium- infrared (MIR) instruments were used. The best results were for the NIRB, with root mean square error (RMSEP) and correlation coefficient of prediction (Rp) values equal to 3.85 mg mL -1 and 0.87 for palmitic AG; 2.20 mg mL -1 and 0.87 for stearic AG; 8.61 mg mL -1 and 0.86 for oleic AG; 15.75 mg mL -1 and 0.85 for linoleic AG. NIR's application to predict plant materials properties played an essential role in this work, obtaining faster, cheaper, and non-destructive methods, enabling the selection of better plant materials, and assisting in genetic breeding programs. Keywords: Vegetable Materials. Near-infrared spectroscopy. Multivariate regression. Partial least squares.