在茶叶中同步预测茶叶聚和甲基甲酸盐,使用里埃变换-近红外光谱学和机器学习

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 茶中的多和表甲基酸盐 (EGCG) 是茶中的关键生物活性化合物,对茶的质量和健康益处至关重要.
• 准确和快速预测这些成分对于茶叶品种,质量控制和产品开发至关重要.

研究的目的:

• 使用FT-NIR光谱和机器学习算法,开发茶叶多和EGCG含量的可靠预测模型.
• 评估各种光谱预处理和变量选择技术在提高模型性能方面的有效性.

主要方法:

• 福利埃变换近红外 (FT-NIR) 光谱法被用来收集茶叶的光谱数据.
• 机器学习算法,包括部分最小平方回归 (PLSR) 和最小平方支持向量回归 (LS-SVR),用于模型开发.
• 应用了光谱预处理方法 (SG,SNV,VN,MSC,FD) 和可变选择算法 (CARS,RF) 来优化模型.

主要成果:

• 茶叶多预测的最佳模型是LS-SVR,R_p = 0.975 (全谱) 和R_p = 0.978 (CARS选择的变量).
• 对于EGCG预测的最佳模型是LS-SVR,R_p = 0.936 (全谱) 和R_p = 0.944 (RF选择变量).
• 变量选择显著提高了多和EGCG模型的预测准确性和效率.

结论:

• FT-NIR光谱与机器学习相结合,为快速准确预测茶叶多和EGCG提供了强大的工具.
• 这种方法有助于有效选具有这些有价值化合物的高度的茶叶基因型.
• 开发的模型具有很大的潜力,可以推进茶叶育种计划,并确保产品质量的一致性.