Previsão do teor de lignina em cana-de-açúcar usando espectroscopia no infravermelho próximo e métodos quimiométricos

• Main Author: Assis, Camila
• Other Authors: Barbosa, Márcio Henrique Pereira
• Language: Portuguese
• Published: Universidade Federal de Viçosa 2016
• Subjects: Cana-de-açúcar; Biomassa; Lignina; Espectroscopia de infravermelho; Química Analítica
• Online Access: http://www.locus.ufv.br/handle/123456789/7645

Submitted by Reginaldo Soares de Freitas ([e-mail]) on 2016-05-09T14:57:17Z No. of bitstreams: 1 texto completo.pdf: 3001305 bytes, checksum: c8654912c4ce446440d6d9a3368108df (MD5) === Made available in DSpace on 2016-05-09T14:57:17Z (GMT). No. of bitstreams: 1 texto completo.pdf: 3001305 bytes, checksum: c8654912c4ce446440d6d9a3368108df (MD5) Previous issue date: 2014-04-05 === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior === A construção de modelos de calibração multivariada usando espectroscopia de refletância na região do infravermelho próximo (NIR) e regressão por quadrados mínimos principais (PLS) para estimar teores de lignina de uma série de genótipos de cana-de-açúcar é o objetivo deste trabalho. Análises laboratoriais foram realizadas para determinar os valores de lignina, utilizando o método Klason. As variáveis independentes foram obtidas a partir de diferentes materiais: bagaço seco, bagaço seco com caldo, folha e colmo. Os espectros NIR foram obtidos na faixa de 10000 a 4000 cm-1. O algoritmo Kennard-Stone foi utilizado para selecionar o conjunto calibração e previsão. Os modelos foram construídos empregando a regressão por quadrados mínimos parciais (PLS) e diferentes algoritmos para seleção de variáveis foram testados: iPLS, biPLS, algoritmo Genético (GA) e o método de seleção dos preditores ordenados (OPS). Para o bagaço seco, o melhor modelo foi obtido após seleção de 445 variáveis com o OPS, que obteve RMSEP de 0,85, Rp de 0,97, RPD de 2,87 e erro relativo médio na previsão de 2,82%; para o bagaço seco com caldo o melhor modelo foi obtido após seleção de 265 variáveis com o OPS, que obteve RMSEP de 0,65, Rp de 0,94, RPD de 2,77 e erro relativo médio na previsão de 1,94%; para a folha o melhor modelo foi obtido após seleção de 305 variáveis com o OPS, que obteve RMSEP de 0,58, Rp de 0,96, RPD de 2,56 e erro relativo médio na previsão de 2,47%; para o terço médio do colmo o melhor modelo foi obtido após seleção de 205 variáveis com o OPS, que obteve RMSEP de 0,61, Rp de 0,95, RPD de 3,24 e erro relativo médio na previsão de 1,97%; para o terço superior do colmo o melhor modelo foi obtido após seleção de 300 variáveis com o OPS, que obteve RMSEP de 0,58, Rp de 0,96, RPD de 2,34 e erro relativo médio na previsão de 1,94%; para as partes superiores, inferiores e médias do colmo, o melhor modelo foi obtido após seleção de 250 variáveis com o OPS, que obteve RMSEP de 0,80, Rp de 0,99, RPD de 2,79 e erro relativo médio na previsão de 2,90%. O algoritmo OPS selecionou um menor número de variáveis com maior capacidade preditiva.Todos os modelos mostraram-se confiáveis, com alta exatidão para previsão da lignina em cana-de-açúcar, reduzindo significativamente o tempo para realização das análises e portanto, otimizando o processo como um todo. === The building of multivariate calibration models using near infrared spectroscopy (NIR) and partial least squares (PLS) to estimate the lignin content of a number of sugar cane genotypes is the goal of this work. Laboratory analyzes were performed to determine the lignin content using the Klason method. The independent variables were obtained from different materials: dry bagasse, bagasse with broth , leaf and stalk, without any pre-treatment. The NIR spectra were obtained in the range of 10000-4000 cm-1. The Kennard Stone algorithm was used to select the calibration and the prediction set. The models were built using the partial least squares regression (PLS) and different algorithms for variable selection were tested: iPLS, biPLS, Genetic Algorithm (GA) and the Ordered Predictors Selection method (OPS). For dry bagasse, the best model was obtained after screening 445 variables with OPS, which obtained RMSEP of 0,85, Rp 0,97, RPD 2,87 and mean relative error of 2,82%; for bagasse with broth the best model was obtained after screening 265 variables with OPS, which obtained RMSEP of 0,65, Rp 0,94, RPD 2,77 and mean relative error of 1,94%; for leaf the best model was obtained after screening 305 variables with OPS, which obtained RMSEP of 0,58, Rp 0,96, RPD 2,56 and mean relative error of 2,47%; for the middle stalk the best model was obtained after screening 205 variables with OPS, which obtained RMSEP of 0,61, Rp 0,95, RPD 3,24 and mean relative error of 1,97%; for the top stalk the best model was obtained after screening 300 variables with OPS which obtained RMSEP of 0,58, Rp 0,96, RPD 2,34 and mean relative error of 1,94%; for foot middle and top stalk , the best model was obtained after screening 250 variables with OPS, which obtained RMSEP of 0,80, Rp 0,99, RPD 2,79 and mean relative error of 2,90%. The OPS algorithm selected fewer variables with greater predictive capacity. All models are reliable, with high accuracy for predicting lignin in sugar cane, reducing significantly the time to perform the analysis, the cost and the chemical reagents consumption, optimizing the whole process.