فهرست نشریات علمی دسترسی آزاد ایران

این پژوهش با هدف توسعه و ارزیابی یک روش غیرمخرب برای پیش‌بینی فعالیت آنزیم پراکسیداز (POD) در دو رقم آلو خرمایی و خونی با استفاده از طیف‌سنجی Vis/NIR و روش‌های یادگیری ماشین انجام شد. پس از جمع‌آوری طیف‌های جذبی، داده‌ها با استفاده از الگوریتم‌های رگرسیون حداقل مربعات جزئی (PLSR) و ماشین‌بردار پشتیبان (SVM) در محدوده کامل طیفی و ابعاد کاهش‌یافته مدل‌سازی شدند و عملکرد آن‌ها با معیارهای ضریب تعیین (R2)، ریشه میانگین مربعات خطا (RMSE) و نسبت عملکرد به انحراف (RPD) مورد ارزیابی قرار گرفت. به‌منظور کاهش ابعاد داده‌ها و افزایش کارایی مدل‌ها، از تلفیق مدل SVM با الگوریتم‌های فراابتکاری برای انتخاب طول موج‌های مؤثر استفاده شد. از میان این الگوریتم‌ها الگوریتم بهینه‌سازی ازدحام ذرات (PSO) به عنوان بهترین الگوریتم انتخاب شد نتایج نشان داد که استراتژی کاهش ابعاد با حذف نویز و اطلاعات اضافی، توانایی مدل‌ها را در پیش‌بینی دقیق بهبود می‌بخشد. یافته‌ها حاکی از آن است که بهترین مدل برای هر رقم متفاوت بود. بعد از کاهش ابعاد و انتخاب طول موج‌های موثر برای رقم خرمایی، مدل SVM-R با هسته rbf و پیش‌پردازش فیلتر میانه بهترین عملکرد را ارائه داد و با 687/2=RPD در رده مدل‌های عالی قرار گرفت که بر اهمیت مدل‌های غیرخطی برای این رقم تأکید دارد. در مقابل، برای رقم خونی، بهترین نتیجه با مدل خطی PLSR و پیش‌پردازش نرمال‌سازی حاصل شد که با 29/2=RPD در رده مدل‌های بسیار خوب جای گرفت. این تفاوت نشان می‌دهد که انتخاب بهینه مدل به ویژگی‌های ذاتی هر محصول بستگی دارد. در نهایت، این پژوهش تأیید می‌کند که طیف‌سنجی Vis/NIR ابزاری قدرتمند برای پایش سریع و غیرمخرب کیفیت پس از برداشت محصولات کشاورزی است.