PLS2 Propriedade

RMSEP rval Fatores RMSEP rval Valor-p

Sólidos Totais (%) 0,63 0,999 8 0,81 0,998 0,53 Sólidos Solúveis (%) 0,68 0,999 9 0,35 0,999 0,30 Acidez Tota % ac cl ( ítrico) 0,22 0,970 10 0,21 0,974 0,62 Açúcares Totais (%) 1,96 0,962 6 2,19 0,943 0,60 Glicose (%) 0,54 0,991 6 0,59 0,990 0,61 Frutose (%) 0,88 0,973 4 0,93 0,967 0,62

Obs.: a – pr roces tos PLS2: mento mé m jan e 50 pontos seguida por MSC.

A regress id m menor

número de fatores que a maioria dos modelos PLS1 devido a uma combinação de

característica espe s d conju e d as prieda em estudo

apresentam rrelaç abe ), esp lmente com o teor de sólidos totais, uma

propriedade e pod dete da co tante isão

Tabela 6.3 – Coeficientes de correlação entre as propriedades do.

T lú

z

l s

é-p samen para alisa pela dia co ela d

ão PLS2 forneceu modelos com capac ade preditiva satisfatória coe

s cífica este nto d ados: pro des

co ão (T la 6.3 ecia

qu e ser rmina m bas prec pelo método de referência.

em estu

Sólidos Sólidos Acide otais So veis Tota

Açúcares Glicose Frutose Totai Sólidos Totais 1,000 0,995 0,796 0,746 0,916 0,897 Sól s Solú 1,000 791 50 02 Acidez Total ,000 50 46 Açú res To 00 50 Glicose 00 Fru ido veis 0, 0,7 0,9 0,897 1 0,5 0,6 0,624 ca tais 1,0 0,7 0,859 1,0 0,935 tose 1,000

previsão para as sete amostras utilizadas na validação externa. Os modelos PLS2 presentaram erros comparávies àqueles obtidos com os métodos de referência para úveis. Entretanto, os erros foram ligeiramente maiores para açúcares e onsideravelmente maiores para acidez total, provavelmente devido ao fato desta ropriedade estar sendo calibrada de forma indireta pela técnica NIR.

A Tabela 6.4 mostra os valores medidos e previstos, bem como os erros-padrão de

a

sólidos totais e sol c

edidos, valores previstos e desvios de previsão para as amostras o externa. Tabela 6.4 - Valores m do conjunto de validaçã Sólidos Totais Faixa de Calibração: 6,94-35,96% Sólidos Solúveis Faixa de Calibração: 6,8 – 31,1% Amostra

Medido Previsto Desvio(%) Medido Previsto Desvio(%)

1 8,23 7,92 3,72 7,8 7,8 0,39 2 19,32 19,72 2,06 18,3 17,9 1,83 3 16,92 16,72 1,19 16,8 16,7 0,21 4 19,97 19,82 0,77 19,1 19,5 2,34 5 25,74 27,13 5,39 25,4 25,5 0,34 6 9,69 9,86 1,69 9,3 9,4 0,84 7 14,76 14,19 3,87 14,0 13,7 2,09 Acidez Total Faixa de Calibração: 0,28 – 2,46% Açúcares Totais Faixa de Calibração: 0,87–17,73% Amostra

Medido Previsto Desvio(%) Medido Previsto Desvio(%)

1 0,36 0,32 11,11 4,45 5,41 21,60 2 0,78 0,80 2,56 4,89 6,00 22,70 3 0,51 0,57 11,64 4,12 3,08 25,24 4 1,20 1,30 9,16 4,75 4,09 13,80 5 1,26 1,10 2,39 13,99 16,40 17,23 6 0,66 0,59 12,66 4,18 3,20 23,40 7 0,88 0,79 9,71 3,24 3,46 6,86 Frutose

Faixa de Calibração: 0,92 – 9,55% Faixa de Calibração: 1,30 – 8,18%Glicose Amostra

Medido Previsto Desvio(%) Medido Previsto Desvio(%)

1 1,71 1,52 10,98 1,34 1,46 9,06 2 3,96 3,06 22,74 3,39 2,77 18,31 3 3,15 3,22 2,26 2,67 2,22 16,87 4 5,22 4,43 15,20 3,07 3,48 13,44 5 6,73 6,09 9,53 7,26 8,51 17,21 6 1,78 1,95 9,78 1,61 1,49 7,44 7 3,33 3,70 11,13 2,63 2,32 11,97

Obs.: Erros típicos dos métodos de referência: sólidos totais: 5%; sólidos solúveis: 3%; cidez total: 10%; açúcares (totais, frutose e sacarose): 15%.

Mo atoma aci NIR.

Ape er e

ligeiram s de referência, os modelos

de cal

númer ção e (b) pela construção de modelos

esp

5 – Conclusões

delos de calibração satisfatórios para determinação do prazo de validade de produtos tados foram obtidos utilizando-se a regressão PLS2 para determinação de sólidos, dez e açúcares (totais, glicose e frutose) em produtos de tomate por espectroscopia

sar dos ros-padrão d previsão para acidez e açúcares apresentarem-se ente mais elevados que aqueles obtidos pelos método

ibração para estas propriedades podem ser melhorados (a) pela inclusão de um o maior de amostras no modelo de calibra

6 –

1. ultaneously Calibrating Solids, Sugars and Acidity of

12,

Referências

Pedro AMK, Ferreira MMC, Sim

Tomato Products Using PLS2 and NIR Spectroscopy, Analytica Chimica Acta, 2007, 595. 221-227.

2. Gould WA, Tomato Production, Processing & Technology, 3rd _{ed., CTI Pub,} Baltimore, 1992, pp 15-120, 236-349.

3. World Processing Tomato Council (WPTC), release #

http://www.wptc.to/releases/releases12.pdf, oct.05.06.

4. USDA Foreign Agricultural Service (FAS), Wold Tomato and Tomato Products

Situation and Outlook, http://www.fas.usda.gov/htp/Hort_Circular/2005/08-05/08-01-

05%20Tomato%20article.pdf, oct.05.2006.

5. Salunkhe DK, Kadam SS, Handbook of Vegetable Science and Technology, Marcel Dekker, New York, 1998, pp. 171-2002.

Nielsen SS, Food Analysis, 3rd ed., Gaithersburg Pub, Aspen, 2003, pp. 112-32. 6.

ormance liquid chromatography

8. Foods, Food & Nutrition

7. Cháves-Servín JL, Castellote AI, López-Sabater MC, Analysis of mono- and disaccharides in milk-based formulae by high perf

with refractive index detector, J. Chromatogr. A, 1043 (2004) 211-215. Moskowitz HR, Product Testing and Sensory Evaluation of

Press, Westport, 1983.

9. Chen JY, Iyo C, Kawano S, Development of calibration with sample cell compensation for determining the fat content of unhomogenised raw milk by a simple near infrared transmittance method, J. Near Infrared Spectrosc., 1999, 7, 265-273.

10. Lammertyn J, Non-destructive measurement of acidity, soluble solids, and firmness of Jonagold apples using NIR-spectroscopy, Trans. ASAE, 1998, 41, 1089-1094. 11. Armenta S, Garrigues S, de la Guardia M, Determination of edible oil parameters by

near infrared spectrometry, Analytica Chimica Acta, 2003, 596, 330-337.

12. Kawano S, Fujiwara T, Iwamoto M, Nondestructive determination of sugar content in satsuma mandarine using near-infrared (NIR) transmittance, J. Jap. Soc. Horticult.

Sci, 1993, 62, 465-470.

13. Osborne SD, Kunnemyer R, Jordan RB, A low-cost system for the grading of kiwifruit, J. Near Infrared Spectrosc., 1999, 7, 9-15.

14. Kawano S, Watanabe H, Iwamoto M, Determination of sugar content in intact peaches by near-infrared spectroscopy with fiber optics in interactance mode, J.

Jap. Soc. Horticult. Sci., 1992, 61, 445-451.

15. Hong TL, Tsou SCS, Determination of tomato quality by near infrared spectroscopy

J. Near Infrared Spectrosc., 1998, 6, A321-A324.

,

16. Goula AM, Adamopoulos KG, Estimating the composition of tomato juice products by near infrared spectroscopy J. Near Infrared Spectrosc., 2003, 11, 123-136.

18. Pedro AMK, Ferreira MMC, Nondestructive determination of solids and carotenoids in tomato products by near-infrared spectroscopy and multivariate calibration, Anal

Chem., 2005, 77, 2505-2511.

.

19. Bramley P, Is lycopene beneficial to human health?, Phytochem., 2000, 54, 233- 236.

20. Tapiero H, Townsend DM, Tew KD, The role of carotenoids in the prevention of human pathologies, Biomed. Pharmacother., 2004, 58, 100-110.

21. Willcox J, Catignani GL, Lazarus S., Crit. Rev. Food Sci. Nutr, 2003, 43, 1-18.

22. Martens H, Naes T, Multivariate Calibration, John Wiley & Sons, Chichester, 1993, pp. 116-165, 237-290, 314-354.

23. Brereton RG, Chemometics: Data Analysis for the Laboratory and Analytical Plant Wiley & Sons, Chichester, 2003, pp. 271-315.

24. Vandeginste DGM, Massart DL, Buydens LMC, de Jung S, Lewi PJ, Smeyers- Verbeke J, Handbook of Chemometrics Part B, Elsevier, Amsterdam, 1998, pp. 349- 370.

25. Saviszky A, Golay MJE, Smoothing plus differentiation of data by simplified least squares procedures, Anal. Chem., 1964, 36, 1627.

26. Ferreira MMC, Antunes AM, Melgo MA, Volpe PLO, Quimiometria I: calibração multivariada, um tutorial, Quím. Nova, 1999, 22, 724-731.

27. Olinger JM, Griffiths PR, Effects of sample dilution and particle size morphology on diffuse reflecton spectra of carbohydrate systems in the near-infrared and midinfrared 2. durun-wheat, Appl. Spectrosc., 1993, 47, 695-701.

28. Williams P, Norris K (eds.), NIR Technology in the Agricultural and Food Industries, Am. Ass. Cereal Chemists, St. Paul, 1990, pp.1-31.