رضا محمدی گل

طیف های مرئی و فروسرخ نزدیک اخذ شده از مواد مختلف علاوه بر اطلاعات ناشی از ساختار مولکولی نمونه، حامل داده های ناخواسته از قبیل نوفه و نور پس زمینه است. لذا برای رسیدن به مدل واسنجی دقیق و قابل اعتماد معمولاً پیش پردازش داده های طیفی قبل از مدل سازی ضرورت دارد. در این پژوهش تأثیر روش های هموارسازی، نرمال سازی، Detrending ، توزیع نرمال استاندارد (SNV) و تصحیح پراکنش افزاینده (MSC) به صورت انفرادی یا ترکیبی در دقت پیش بینی مدل حداقل مربعات جزئی (PLS) مورد بررسی قرار گرفتند. تعداد 167 میوه انجیر برای تدوین و اعتبارسنجی مدل ها انتخاب شدند. از روش آنالیز مولفه های اصلی ( PCA ) برای استخراج مولفه های اصلی طیف ها استفاده شد. عملکرد مدل مربعات حداقل جزئی (PLS) و روش های رایج پیش پردازش داده های طیفی با شاخص های: انحراف پیش بینی باقیمانده (RPD)، ضریب همبستگی تخمین (rp) و جذر میانگین مربعات خطای پیش بینی (RMSEP) مورد ارزیابی قرار گرفت. بیشترین شاخص RPD در پیش بینی سفتی بافت برابر 79/1 (845/0=rp و 64/1= RMSEP) در پیش پردازش +De-trending هموارسازی بدست آمد.