Determination of foliar nitrogen in palm of oil with spectroscopy in the middle infrared (MIR) and near (NIR) by the regression method of minimal partial squares of main components (PLS).

Revista de Investigación Agraria y Ambiental

View Publication Info
 
 
Field Value
 
Title Determination of foliar nitrogen in palm of oil with spectroscopy in the middle infrared (MIR) and near (NIR) by the regression method of minimal partial squares of main components (PLS).
Determinación de nitrógeno foliar en palma de aceite con espectroscopía en el infrarrojo medio (mir) y cercano (nir) por el método de regresión de mínimos cuadrados parciales de componentes principales (pls).
 
Creator Crespo Gonzalez, Jhoan Jose
Ruiz Villadiego, Orlando Simon
Ospino Villalba, Karen Stefanie
 
Subject near infrared spectrophotometry (NIR)
medium infrared spectrophotometry (MIR)
Foliar nitrogen analysis, oil palm
partial least squares regression (PLS)
Chemometric
regresión de mínimos cuadrados parciales (PLS)
Espectroscopia infrarrojo cercano (NIR)
Espectroscopia infrarrojo medio (MIR)
Análisis de nitrógeno Foliar
palma de aceite
Quimiometría
 
Description Contextualization: The determination of foliar nitrogen is one of the indexes that measures the nutritional need of the plant in oil palm crops. It is also of equal importance in this research to focus on a general trend in laboratories called green chemistry, which focuses on minimizing the use of chemical reagents in different laboratory analyzes.
Knowledge gap: Using medium and near infrared spectroscopy (MIR and NIR), the intention was to greatly minimize the generation of contaminants produced by the Kjeldahl method, in addition to reducing analysis times.
Objectives: Determine the amount of foliar nitrogen by constructing predictive models from the mid and near infrared spectra for the determination of foliar nitrogen using Kjeldahl as a reference method.
Methodology: In the development of the experiment, 198 palm leaf samples were analyzed and their respective MIR and NIR infrared spectra were taken. Each of the spectra was pretreated by different mathematical methods to correct for scattering effects of radiation. In total, 8 pretreatments were performed on each of the spectra, including the raw spectra. These were taken to choose the best prediction model for both NIR and MIR spectra.
Results and conclusions: Using the SNV pre-treatment in the model, an RMSE of 0.265 and an R2 of 0.51 were obtained for the near-infrared and for the mid-infrared, the model formed with the absorbance of the untreated spectra yielded RMSE values ​​of 0.245 and an R2 of 0.46. Although it can be used in a general way as a prediction model, anomalous points can be observed that increase the error and decrease the R2, from these data the need to classify the groups of foliar samples in a better way and if it is it is necessary to make prediction models for each of the groups.
Contextualización: La determinación de nitrógeno foliar es utilizada como uno de los índices que mide la necesidad nutricional de la planta en los cultivos de palma de aceite. También fue de igual importancia en esta investigación es enfocarse a una tendencia en general de los laboratorios llamada química verde, la cual se centra en minimizar la utilización de reactivos químicos en los diferentes análisis de laboratorio.
Vacío de conocimiento: usando espectroscopía de infrarrojo medio y cercano (MIR y NIR) se pretendió minimizar en gran parte la generación de contaminantes producidos por el método de Kjeldahl, además de reducir los tiempos de análisis.
Objetivos: determinar la cantidad de nitrógeno foliar mediante la construcción modelos predictivos a partir de los espectros de infrarrojo medio y cercano para la determinación de nitrógeno foliar usando como método de referencia Kjeldahl.
Metodología: En el desarrollo del experimento se analizaron 198 muestras foliares de palma y se tomaron sus respectivos espectros infrarrojos MIR y NIR. Cada uno de los espectros fue pretratado por diferentes métodos matemáticos para corregir efectos de dispersión de la radiación. En total se realizaron 8 pretratamientos a cada uno de los espectros incluyendo los espectros crudos. Estos fueron tomados para elegir el mejor modelo de predicción tanto para los espectros NIR como para los espectros MIR.
Resultados y conclusiones: Utilizando el pretratamiento de SNV en el modelo se obtuvo un RMSE de 0.265 y un R2 de 0.51 para el infrarrojo cercano y para el infrarrojo medio, el modelo formado con la absorbancia de los espectros sin pretratar arrojó valores de RMSE de 0.245 y un R2 de 0.46. aunque puede utilizarse de una forma general como modelo de predicción, se puede observar puntos anómalos que amplían el error y disminuyen el R2, a partir de estos datos se puede evidenciar la necesidad de clasificar de una mejor forma los grupos de muestras foliares y si es necesario realizar modelos de predicción para cada uno de los grupos.
 
Publisher Universidad Nacional Abierta y a Distancia, UNAD
 
Date 2020-07-07
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Área Agrícola
 
Format application/pdf
text/html
 
Identifier https://hemeroteca.unad.edu.co/index.php/riaa/article/view/3206
10.22490/21456453.3206
 
Source Revista de Investigación Agraria y Ambiental; Vol. 11 No. 2 (2020); 43 - 57
Revista de Investigación Agraria y Ambiental; Vol. 11 Núm. 2 (2020); 43 - 57
2145-6453
2145-6097
 
Language spa
 
Relation https://hemeroteca.unad.edu.co/index.php/riaa/article/view/3206/3987
https://hemeroteca.unad.edu.co/index.php/riaa/article/view/3206/3921
 
Rights Derechos de autor 2020 Revista de Investigación Agraria y Ambiental
https://creativecommons.org/licenses/by-nc-sa/4.0
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library