Aplicación de la Tecnología NIRS para la Evaluación de la Calidad en Grano Entero de Trigo 1. Introducción 2. Objetivos 3. Material y Métodos 4. Resultados y discusión 5. Conclusiones y aplicaciones 1
Aplicación de la Tecnología NIRS para la Evaluación de la Calidad en Grano Entero de Trigo. / [López-Pérez, A.A.; Castilla, A.; Sillero, J.C.]. Córdoba. Consejería de Agricultura, Pesca y Desarrollo Rural, Instituto de Investigación y Formación Agraria y Pesquera, 2016. 1-11 p. Formato digital (e-book) - (Producción Agraria) Trigo - NIRS Proteína Calidad Grano Triticum - Análisis Espectroscopia Infrarrojo Cercano - Infraxact Este documento está bajo Licencia Creative Commons. Reconocimiento-No comercial-sin obra derivada. http://creativecommons.org/licenses/by-nc-nd/3.0/es Aplicación de la Tecnología NIRS para la Evaluación de la Calidad en Grano Entero de Trigo. Edita JUNTA DE ANDALUCÍA. Instituto de Investigación y Formación Agraria y Pesquera. Consejería de Agricultura, Pesca y Desarrollo Rural. Córdoba, Febrero de 2016. Autoría: Antonio Alejandro López Pérez 1 Alejandro Castilla Bonete 2 Josefina Sillero Sánchez de Puerta 1 Colaborador: Joaquín Ballesteros Ruiz 1 --------------------------------------------- 1 IFAPA, Centro Alameda del Obispo 2 IFAPA, Centro Rancho de la Merced Los autores del trabajo quieren agradecer la cofinanciación del proyecto Diseño de herramientas de modelización y ampliación de conocimientos científico-técnicos para el desarrollo sostenible de cultivos herbáceos extensivos de secano en Andalucía" (AVA 201301.2) a IFAPA y los fondos europeos: FSE y FEDER. Antonio Alejandro López Pérez agradece a IFAPA y al FSE (Fondo Social Europeo) la financiación de su contrato de investigación.
1. Introducción La Espectroscopia NIR es reconocida oficialmente por vez primera en España como técnica analítica para la determinación de Peso Específico en trigo en el Real Decreto 1615/2010. Posteriormente, el Real Decreto 190/2013 establece la aceptación de esta tecnología para la determinación del Contenido en Proteína y Contenido en Humedad en grano de trigo. El uso de la Tecnología NIRS para determinar la calidad de los productos agrícolas supone una serie de ventajas respecto a la analítica de laboratorio convencional. Se trata de una técnica analítica no destructiva, rápida, precisa, versátil y que no genera residuos de laboratorio (por lo general contaminantes). Además requiere una escasa o nula preparación de la muestra. La Tecnología NIRS resulta especialmente de utilidad cuando se hace necesario un incremento de la presión de muestreo (programas de mejora de variedades), posibilitando incluso la realización de un control de calidad online en una línea de procesado industrial. En el marco de la Agricultura de Precisión, la incorporación de sensores NIRS en la cosechadora permite un análisis espacial de la calidad de la cosecha (mapeo) a nivel de parcela o finca. Figura 1: Espiga de trigo duro. 3/11
2. Objetivos Evaluación de la Tecnología NIRS para la determinación analítica de diferentes parámetros de calidad en grano entero de trigo. Los parámetros que han sido objeto de estudio son: Contenido en Humedad (%) Contenido en Proteína (1) (%) Peso Hectólitro (kg/hl) Peso de Mil Granos (gr.) Índice de Gluten (%) (2) Índice de Caída (seg.) Índice de Amarillo (Minolta) (2) Fuerza Panadera (10-4 Julios) (3) Extensibilidad (mm) (3) Tenacidad (mm) (3) (1) Expresado sobre materia seca (2) Sólo en Trigo duro (3) Sólo en Trigo Blando Figura 2: Planta de trigo blando o harinero. 4/11
3. Material y métodos 1. Muestras de Trigo Se tomaron muestras de grano de trigo blando y trigo duro procedentes de la red de ensayos TRANSFORMA de la campaña 2014/15. Estas muestras corresponden a diferentes variedades, en diferentes condiciones de cultivo y localidades. En total se tomaron 658 muestras de grano de trigo, de las cuales 462 correspondían a trigo blando y 196 a trigo duro. Las muestras fueron acondicionadas con objeto de eliminar ciertos restos de cosecha (cascarilla, etc.) 2. Obtención de datos de referencia. Los datos de referencia fueron proporcionados por el Laboratorio Agrario de Córdoba, los cuales fueron obtenidos para cada parámetro según los correspondientes Métodos Oficiales vigentes (Orden Ministerial de 31 de enero de 1997). En la Tabla 1 se muestra la nomenclatura utilizada para cada parámetro: Figura 3: Muestra de grano y cápsula. Tabla 1: Parámetros estudiados y nomenclatura utilizada. TB +TD TD TB Proteína PROT_SEC I. Amarillo COLOR_B Tenacidad P Humedad HUM I. de Gluten G_INDEX Extensibilidad L Peso específico PHL Fuerza W Peso 1000 granos PMG Índice de Caída I_CAIDA Figura 4: Capsula preparada para toma de espectros. 5/11
3. Material y métodos 3. Obtención de los datos espectrales NIR Se empleó un instrumento NIRS de laboratorio (Infraxact- FOSS, DK). Este espectrofotómetro trabaja en reflectancia (Log 1/R) en la región espectral situada entre 570 y 1850 nm (cada 2 nm). De cada muestra se tomaron 2 lecturas o espectros, los cuales fueron promediados para el desarrollo de los modelos de predicción. El tiempo de recogida de cada uno de los espectros es de 60 segundos. 4.- Colectivo de calibración. Para cada uno de los parámetros estudiados, y sobre el colectivo inicial de 658 muestras, se aplicó el algoritmo CENTER para estructurar la población y detectar posibles muestras anómalas espectrales. En esta fase se eliminaron 15 muestras que no se incluyeron en el colectivo de calibración, las cuales en su mayoría estaban afectadas por la presencia de Polilla o palomilla de los cereales (Sitotroga cerealella), y en otros casos por la presencia de granos inmaduros o berrendos. Por tanto, el colectivo para el desarrollo de las calibraciones quedo constituido por 452 muestras de trigo blando y 191 muestras de trigo duro. Figura 5: Recogida de espectros con Infraxact. 6/11
3. Material y métodos Figura 6: Espectros de trigo analizados en el instrumento Infraxact. 5. Pre-tratamiento espectral y desarrollo de calibraciones. Esta fase del trabajo se realizó utilizando un programa de análisis quimiométrico (1). Se aplicaron pre-tratamientos matemáticos para optimizar la señal espectral. Los modelos de predicción se obtuvieron mediante un análisis multivariante utilizando regresión MPLS (2). Para cada uno de los parámetros estudiados, se probaron dos rangos espectrales: (570 1850 nm) y (1100-1850 nm). De los 16 modelos de predicción elaborados para cada parámetros se seleccionó aquel que presentaba un mejor ajuste, lo cual se corresponde con valores más bajos del estadístico ETVC (3). (1) WinISI versión 1.5 (Infrasoft Internacional, USA). (2) MPLS: Mínimos cuadrados Parciales Modificado. (3) ETVC (Error típico de validación cruzada): Equivalente al error típico de predicción (ETP) de 10 colectivos de validación seleccionados al azar a partir de muestras incluidas en la calibración. 7/11
4. Resultados y discusión En la Tabla 2 se presentan las características y estadísticos de los mejores modelos de predicción seleccionados para cada parámetro. Para comparar la capacidad predictiva de las ecuaciones obtenidas para cada parámetro se utilizó el Coeficiente de Variación (CV). Valores bajos de éste se corresponden con una excelente capacidad predictiva (parámetros de calidad sobre fondo amarillo). Sobre fondo gris se muestran aquellos parámetros que presentan un ajuste adecuado, y suficiente cuando el objetivo que se persigue es una cuantificación ó clasificación en niveles (Bajo/Medio/Alto) de dichos parámetros. Sobre fondo blanco se muestra la escasa capacidad predictiva de la ecuación obtenida para el parámetro Índice de Gluten. Tabla 2: Características de los Modelos de Predicción seleccionados. Parámetro Especies Nº muestras Rango de valores Media ETVC r 2 CV de la calibración del parámetro (1) (2) (3) HUM TB + TD 608 6,2-10,7 8,3 0,42 0,73 5,1 PROT_SEC TB + TD 609 10,8-19,9 14,6 0,34 0,95 2,3 PHL TB + TD 615 62,2-86,9 79,6 1,48 0,85 1,9 PMG TB + TD 567 19,0-52,8 35,5 2,71 0,80 7,6 I_CAIDA TB + TD 553 266-522 386,1 27,47 0,47 7,1 GLUTEN_I TD 164 13,0-95,8 47,7 15,36 0,52 32,2 COLOR_B TD 161 10,1-17,6 15,4 0,70 0,74 4,5 P TB 434 27-173 98,5 17,64 0,62 18,0 L TB 434 38-162 93,8 19,08 0,40 20,3 W TB 435 81-522 308,7 50,54 0,67 16,4 (1) ETVC (Error típico de validación cruzada): Equivalente al error típico de predicción (ETP) de 10 colectivos de validación seleccionados al azar a partir de muestras incluidas en la calibración. (2) r 2 (Coeficiente de determinación): Porcentaje de la variación existente en el grupo de validación cruzada que puede ser explicado por la ecuación. Valores comprendidos entre 0 y 1. Valores superiores a 0,7 corresponden a un buen ajuste del modelo. 8/11 (3) Coeficiente de Variación (CV). Relación entre el ETVC y la media del colectivo de calibración para cada parámetro. Expresado en %.
4. Resultados y discusión Una vez desarrollados los modelos, cuando se reciben muestras desconocidas, la aplicación disponible permitiría la predicción instantánea y simultánea de todos los parámetros de calidad de la muestra de trigo, según se muestra en la Figura 7. 7.1.Muestra desconocida Figura 7. Diagrama del proceso Boletín de Análisis Producto: Trigo Blando Metodología NIRS Fecha 09/02/2016 Nº Muestra 6782 HUM (%) 8,89 PROT_SEC (%) 13,83 PHL (kg/hl) 74,34 PMG (g) 33,34 I_CAIDA (seg) 391,35 P (mm) 117,22 L (mm) 78,03 W (10-4 Julios) 331,12 7.2. Recogida de espectro (1 min) 7.3. Predicción de parámetros instantánea 7.4. Boletín de análisis 9/11
5. Conclusiones y aplicaciones Los modelos de predicción NIRS desarrollados, para la determinación de los parámetros contenido en proteína, contenido en humedad, peso hectólitro, peso de mil granos, índice de caída e índice de amarillo en grano entero de trigo, presentan una adecuada capacidad predictiva que posibilita una correcta cuantificación de los mismos. En relación a los parámetros alveográficos: tenacidad (P), extensibilidad (L) y fuerza panadera (W); las ecuaciones NIRS desarrolladas permiten una adecuada aproximación al valor obtenido mediante vía húmeda. El uso de las ecuaciones desarrolladas para estos parámetros permite distinguir entre muestras con alto, medio y bajo valor en dichos parámetros, lo cual es de gran utilidad en aplicaciones donde no es determinante el valor absoluto de los parámetros predichos (programas de mejora, clasificación de partidas, etc.). Las ecuaciones desarrolladas para el parámetro Índice de Gluten tienen una escasa capacidad predictiva. El uso de la tecnología desarrollada en este trabajo supone, respecto al análisis de laboratorio convencional, una reducción considerable de coste y tiempo de análisis, así como del uso de reactivos contaminantes. Con objeto de mejorar la capacidad predictiva de la ecuaciones obtenidas, resulta conveniente incorporar en próximas campañas nuevas muestras de trigo, incrementando así la variabilidad del colectivo de calibración y con ello la robustez de los modelos. Figura 8: Campo de trigo. Las ecuaciones de calibración obtenidas en este estudio, así como futuras versiones, están disponibles para todo aquel que lo solicite al Instituto de Investigación y Formación Agraria y Pesquera (IFAPA). 10/11
Aplicación de la Tecnología NIRS para la Evaluación de la Calidad en Grano Entero de Trigo Instituto de Investigación y Formación Agraria y Pesquera Avenida de Grecia s/n 41012 Sevilla (Sevilla) España Teléfonos: 954 994 595 Fax: 955 519 107 e-mail: webmaster.ifapa@juntadeandalucia.es www.juntadeandalucia.es/agriculturaypesca/ifapa www.juntadeandalucia.es/agriculturaypesca/ifapa/servifapa 11