Caracterización química de guanábana, chirimoya y piña usando microscopia confocal raman y quimiometría.
Descripción del Articulo
En el presente trabajo se utilizó la espectroscopia confocal Raman y el Análisis Discriminante de Mínimos Cuadrados Parciales (PLS-DA) para establecer un modelo de clasificación entre las tres frutas y evaluar el efecto de los métodos de preprocesado en el rendimiento del modelo. Las frutas tropical...
| Autor: | |
|---|---|
| Formato: | tesis de grado |
| Fecha de Publicación: | 2023 |
| Institución: | Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas |
| Repositorio: | UNTRM-Institucional |
| Lenguaje: | español |
| OAI Identifier: | oai:repositorio.untrm.edu.pe:20.500.14077/3811 |
| Enlace del recurso: | https://hdl.handle.net/20.500.14077/3811 |
| Nivel de acceso: | acceso abierto |
| Materia: | PLS-DA Espectroscopia Raman Quimiometría Fruta tropical Azúcares https://purl.org/pe-repo/ocde/ford#1.00.00 https://purl.org/pe-repo/ocde/ford#2.00.00 |
| Sumario: | En el presente trabajo se utilizó la espectroscopia confocal Raman y el Análisis Discriminante de Mínimos Cuadrados Parciales (PLS-DA) para establecer un modelo de clasificación entre las tres frutas y evaluar el efecto de los métodos de preprocesado en el rendimiento del modelo. Las frutas tropicales como la chirimoya, la guanábana y la piña contienen azúcares (glucosa, fructosa y sacarosa) en común, pero pueden diferir en el contenido de otros fitoquímicos. Los espectros Raman mostraron que la glucosa estaba presente en los frutos en la banda 800-900 cm-1 y en la banda 1100-1200 cm-1. Mientras que la sacarosa se encontró presente en la banda de 1131,22 cm-1, 1134,44 cm1y 1133,37 cm-1; en las tres frutas. La fructosa estuvo presente en la banda de 1464,22 cm-1, 1467,44 cm-1 y 1464,22 cm-1 en chirimoya, guanábana y piña. La precisión del modelo PLS-DA varió en función de los métodos de preprocesamiento utilizados. El método de preprocesamiento Savitzky-Golay de primera derivada produjo un modelo con una precisión del 98,69-100% y del 100% en los datos de entrenamiento y predicción, respectivamente. |
|---|
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).