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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».