page contents google-site-verification=IMPxc80Ko8aMAqomw3axo11WILpmIE0RjwZ5gz4rwdA
ORCID iD iconhttps://orcid.org/0000-0002-3006-8220

نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 استادیار، گروه مهندسی مکانیک بیوسیستم، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه اراک، اراک، ایران

2 استادیار، عضو هیأت علمی مؤسسۀ تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات،‌ آموزش و ترویج کشاورزی، کرج، ایران

3 کارشناس ارشد، گروه مهندسی مکانیک بیوسیستم، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه اراک، اراک، ایران

چکیده

انگور یکی از مهم‌ترین میوه‌ها در جهان است. ترکیبات فنلی، آنتی‌اکسیدان‌هایی هستند که از اجزاء مهم انگور بشمار می‌روند. اصطلاح ترکیبات فنلی شامل تمام مولکول‌های آروماتیکی ازجمله اسیدهای آمینه تا مولکول‌های پیچیده شامل تانن‌ها و لگنین‌هاست. روش طیف‌سنجی فروسرخ نزدیک از رایج‌ترین روش‌های غیرمخرب سنجش ترکیبات و تعیین کیفیت میوه‌ها و سبزی‌هاست. در پژوهش حاضر امکان اندازه‌گیری فنل کل انگور توسط طیف‌سنجی فروسرخ نزدیک و شبکۀ عصبی مصنوعی (پرسپترون) مورد بررسی قرار گرفته است. تعداد 444 نمونه (107 نمونه رقم عسگری، 106 نمونه رقم بیدانۀ قرمز، 111 نمونه رقم شاهرودی و 120 نمونه رقم خوشناو) برای تدوین شبکه و اعتبارسنجی آن انتخاب شدند. شبکه‌های تدوین‌شده به‌وسیلۀ شاخص انحراف پیش‌بینی باقی‌مانده در تخمین مقادیر فنل در نمونه‌های اعتبارسنجی (101 نمونه) ارزیابی شدند. بیشترین مقدار برابر 66/1 در شبکه با توپولوژی 1- 5- 8 با ضریب همبستگی (r) 0/79 و ریشۀ میانگین مربعات خطای پیش‌بینی 48/66 به‌دست آمد. نتایج نشان داد که امکان جداسازی مقدارهای کم از زیاد فنل کل با تکنیک طیف‌سنجی فروسرخ نزدیک و شبکۀ عصبی (پرسپترون) پس‌انتشار خطا به‌عنوان یک روش غیرمخرب وجود دارد.

کلیدواژه‌ها

احمدی، ع.، احسان‌زاده، پ. و جباری، ف. 1388. مقدمه‌ای بر فیزیولوژی گیاهی. انتشارات دانشگاه تهران. 653 ص.

محمدی‌گل، ر.، خوش تقاضا، م.ه.، ملک فر، ر.، میرابوالفتحی، م. و نیکبخت، ع.م. 1394. تشخیص آفلاتوکسین پسته با استفاده از تکنیک طیف‌سنجی رامان و شبکه عصبی. نشریه ماشین‌های کشاورزی، 1:5-9.

Cen, H., & He, Y. 2007. Theory and application of near infrared reflectance spectroscopy in determination of food quality. Trends in Food science and Technology, 18(2): 72-83.

Cozzolino, D., Kwiatkowski, M.J., Parker, M., Cynkar, W.U., Dambergs, R.G., Gishen, M., & Herderich, M.J. 2004. Prediction of phenolic compounds in red wine fermentations by visible and near infrared spectroscopy. Analytica Chimica Acta, 513(1): 73-80.

Feng, S., Chen, R., Lin, J. Pan, J., Chen, G., Li, Y., Cheng,  M., Huang, Z., Chen, J., & Zeng. H. 2010. Nasopharyngeal cancer detection based on blood plasma surface-enhanced Raman spectroscopy and multivariate analysis. Biosensors and Bioelectronics 25(11): 2414-2419.

Ferrari, E., Focab, G., Vignalic, M., Tassia, L., & Ulrici, A. 2011. Adulteration of the anthocyanin content of red wines: Perspectives for authentication by Fourier Transform-Near InfraRed and 1H NMR spectroscopies. Analytica Chimica Acta, 701(2):139- 151.

Han, J., Kamber, M., & Pei, J. 2012. Data mining: concepts and techniques. Third edition., Morgan kaufmann Publishers (An imprint of Elsevier.), USA.

Hemingway, R.W., & Laks, P.E. (eds). 1992. Plant polyphenols synthesis, Properties, Significance. A division of plenum press, New York. N. Y. 1013-1053pp.

Hertog, M., Lammertyn, J., De Ketelaere, B., Scheerlinck, N., & Nicola, B.M. 2007. Managing quality variance in the postharvest food chain. Trends in Food Science & Technology,18(6): 320-32.

Ishikawa, S., & Gulick, V. 2013. An automated mineral classifier using Raman spectra. Computers & Geosciences, 54: 259-268.

Jiang, Q., Chen, Y., Guo, L., Fei. T., & Qi, K. 2016. Estimating soil oganic carbon of cropland soil at different levels of soil moisture using VIS-NIR spectroscopy. Remote Sensing, 8(9): 755-771.

Mireei, A., Mohtasebi, S.S., & Sadeghi, M. 2013. Comparison of linear and non-linear calibration models for non-destructive firmness determining of ‘Mazafati’ date fruit by NIR spectroscopy. International Journal of Food Properties. International Journal of Food Properties, 17(6): 1199-1210.

Mouazen, A.M., Kuang, B., De Baerdemaeker, J., & Ramon, H. 2010. Comparison among principal component, partial least squares and back propagation neural network analyses for accuracy of measurement of selected soil properties with visible and near infrared spectroscopy. Geoderma, 158(1): 23-31.

Nicolai, B.M., Beullens, K., Bobelyn, E., Peirs, A., Saeys, W., Theron, K.I., Karen, I.T., & Lammertyn, J. 2007. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review. Postharvest Biology and Technology, 46(2): 99-118.

Raja, H.N., Dara, N.E., Hobaika, Z., Boussetta, N., Vorobiev, E., Maroun, R.G., & Louka, N. 2014. Extraction of total phenolic compounds, flavonoids, anthocyanins and tannins from grape byproducts by response surface methodology. Influence of solid-liquid ratio, particle size, time, temperature and solvent mixtures on the optimization process. Journal of Food and Nutrition Sciences, 5(04): 397-409.

Rolle, L., Torchio, F., Lorrain, B., Giacosa, S., Rio, S., Cagnasso, E., Gerbi, V., & Teissedre, P.L. 2012. Rapid methods for the evaluation of total phenol content and extract ability in intact grape seeds of cabernet-sauvignon: Instrumental mechanical properties and FT-NIR spectrum. Journal International des Sciences de la Vigne et du Vin, 46(1):29-40.

Viscarra Rossel, R.V., McGlyn, R.N., & McBratney, A.B. 2006. Determining the composition of mineral–organic mixes using UV–vis–NIR diffuse reflectance spectroscopy. Geoderma, 137(10):70-82.