Application of chemometrics to prediction of some wheat quality factors by near‐infrared spectroscopy
Notice bibliographique
Résumé
Abstract Background and objectives Physical quality parameters of wheat include kernel texture and test weight, which affect classification, grading, and price. Physicochemical factors are associated with flour functionality. The objective of the work was to determine the effectiveness with which these factors could be predicted in early generations using near‐infrared spectroscopy (NIRS). Wheat breeders need to know how their new genetic lines carry these factors, which carry no identifiable absorbers in the NIR region, can be predicted in early generations, by experts in the use of NIRS and its associated chemometrics. Findings With the exception of protein content, for which absorbers are plentiful, and was included to verify the spectral quality of the sample sets, none of the strictly physical factors could be reliably predicted with the most widely used chemometric options in the hands of experts in their use. Random forest algorithms were capable of prediction of all physicochemical factors, except Farinograph development time, with a reasonable degree of reliability. Conclusions Reliable predictions of quality factors in wheat that can be predicted by NIRS with satisfactory reliability are limited to chemical and physicochemical factors for which absorbers exist in the NIR region. Significance and novelty Chemical, physicochemical, and physical factors can be predicted with acceptable reliability by NIRS using a computerized spectrophotometer in association with Random Forest software. Farinograph development time remains a challenge for NIRS application.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».