Construction and optimization of quantitative analysis models for pigments in broccoli (Brassica oleracea L. var. italica) based on near-infrared spectroscopy technology
Notice bibliographique
Résumé
Broccoli's pigments enhance its nutritional value by affecting color and antioxidant properties. Traditional methods like high-performance liquid chromatography (HPLC) and spectrophotometry are accurate but destructive, labor-intensive, and unsuitable for high-throughput screening. This study constructed non-destructive models based on near-infrared spectroscopy (NIRS) technology to predict pigment compounds in broccoli. The optimal models for total chlorophyll (Chl), Chl a, and Chl b were established with the use of SNV / 2nd derivative / PLS, which yielded an R 2 of 0.992, RMSEC of 0.478 mg g −1 DW, and RPD of 6.476. For carotenoids (CAR), the SNV / 1st derivative / PLS model provided the best results, with an R 2 of 0.976, RMSEC of 0.098 mg g −1 DW, and RPD of 4.455. However, the ACN model based on SNV / 1st derivative / PLS exhibited relative lower accuracy, with an R 2 of 0.790, RMSEC of 1.777 units g −1 DW, RPD of 1.267, suggesting the necessity for preliminary analysis. This study fills a critical gap in NIRS applications for plant pigment analysis, presenting a rapid, non-destructive, and high-throughput approach for quality assessment and breeding selection.
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 | 0,002 |
| 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) | 0,000 | 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 ».