Evaluation of Carbohydrate Concentrations in Phalaenopsis Using Near-infrared Spectroscopy
Notice bibliographique
Résumé
Carbohydrate concentrations are important indicators of the internal quality of Phalaenopsis . In this study, near-infrared (NIR) spectroscopy was used for quantitative analyses of fructose, glucose, sucrose, and starch in Phalaenopsis plants. Both modified partial least-squares regression (MPLSR) and stepwise multiple linear regression (SMLR) methods were used for spectral analysis of 302 Phalaenopsis samples in the full visible NIR wavelength range (400–2498 nm). Calibration models built by MPLSR were better than those built by SMLR. For fructose, the smoothed first derivative MPLSR model provided the best results, with a correlation coefficient of calibration (R c ) of 0.96, standard error of calibration (SEC) of 0.22% dry weight (DW), standard error of validation (SEV) of 0.28% DW, and bias of -0.01% DW. For glucose, the MPLSR model based on the smoothed first derivative spectra was the best (R c = 0.96; SEC = 0.26% DW; SEV = 0.32% DW; and bias = 0.01% DW). The best MPLSR model of sucrose was developed using the smoothed first derivative spectra (R c = 0.96; SEC = 0.24% DW; SEV = 0.31% DW; bias = -0.03% DW). Regarding starch, the smoothed first derivative MPLSR model showed the best effects (R c = 0.91; SEC = 0.47% DW; SEV = 0.56% DW; bias = -0.02% DW). Both the MPLSR and SMLR models showed satisfactory predictability, indicating that NIR has the potential to be adopted as an effective method of rapid and accurate inspection of the carbohydrate concentrations of Phalaenopsis plants. This technique could contribute substantially to quality management of Phalaenopsis .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».