AFINAMIENTO/PURGA DE ESPECTROS EN LOS COLECTIVOS DE

CALIBRACIÓN Y VALIDACIÓN

Una vez finalizada la lectura de espectros de infrarrojo, se analizaron los diferentes espectros obtenidos de la quinua en forma de grano y de harina.

En los colectivos de calibración de granos y de harina de quinua, se observó que las muestras que tenían coloraciones oscuras como las quinuas con pericarpio de color negro y gris no tenían un espectro ordenado, además habían algunos espectros anómalos como POQcVM.34 (ver Anexo 4) POQcVM.39, POQcVM.41, POQcVM.42, POQcVM.43 (ver Anexo 4), POQcVM.45, POQcVM.46, POQcVM.47, POQcVM.48, POQcVM.50,

63

POQcVM.51, H.LM89.102, H.LM89.118, H.PAS.101, H.PAS.102, H.PAS.107, H.POQ.16, H.POQ.30, H.POQ.40.1 (ver Anexo 4) H.POQ.41, H.POQ.46, H.POQ.47, H.POQ.50 (ver Anexo 4) y H.POQ.51, por lo que estas muestras fueron eliminadas de los colectivos. Por esta razón, se decidió trabajar solo con las quinuas de colores claros como las amarillas, cremas y naranjas. El mismo criterio fue aplicado para los colectivos de validación.

En las Figuras 17 y 18, están claramente diferenciados las muestras y espectros anómalos, en la primera están representados como puntos de un color distinto que están alejados de la población. Mientras que en la segunda están representados como curvas anómalas y desordenadas.

Es necesario indicar que las muestras de quinua en harina H.POQ.39, H.POQ.42, H.POQ. 43. y H.POQ.45 no pudieron ser leídas en el espectro de infrarrojo bajo las condiciones del estudio. En cambio, estas mismas muestras en presentación de grano sí pudieron ser leídas. Sin embargo, fueron eliminadas en etapas posteriores. Esto puede deberse al color oscuro de las muestras, por ejemplo, la pasankalla en presentación de grano con pericarpio tiene coloración gris. Pero al estar como harina, el color del pericarpio (gris) está mezclado con el episperma (rojo) y el perisperma (blanco). Los colores oscuros absorben la radiación y altera el resultado del infrarrojo. Estas características de coloración en los granos de quinua, son semejantes con otras accesiones, como lo explica Tapia et al. (2014) para lo que él denomina las “razas”: Puka Pachan, Witulla, Misa quinua, Q’ello, Quchiwila, entre otras.

Mediante la presente investigación, se evidenció que muchas de las muestras eliminadas por tener espectros anómalos, tenían igualmente varianzas anómalas en la absorción a lo largo del segmento de espectro analizado.

Respecto a las muestras de la variedad pasankalla, las cuales tienen pericarpio de color gris, pero episperma de color rojo. Se detectó que tenían un patrón ordenado, pero de características muy diferentes al grueso del colectivo de calibración. Esto puede observarse en la Figura 17, en la cual se observa un grupo de muestras juntas (dentro de un círculo), pero alejadas del grueso de la población. Además, en la Figura 18 se observa claramente como las muestras de la variedad pasankalla presentan curvas características al empezar su espectro, todas juntas con mayores niveles de absorbancia y luego se

comportan como las quinuas de colores claros.

Figura 17: Gráfico 3D (PCA; 0,0,1,1) de la presentación Granos bs (n=120) FUENTE: Imagen obtenida del WinISI.

Figura 18: Espectro de la presentación Granos bs (n=120) con tratamiento matemático 1,4,4,1 y scatternone.

Figura 19: Espectro de la presentación Granos bs (n=99) con tratamiento matemático 1,4,4,1 y scatternone.

FUENTE: Imagen obtenida del WinISI.

Luego de la eliminación manual de las muestras, el tamaño de los colectivos fue modificado según el Cuadro 7. Mientras que en la Figura 19, se aprecia la representación de los espectros de las quinuas de colores claros.

Cuadro 7: Tamaño de colectivos de calibración o validación.

Colectivo Cantidad Inicial Cantidad Final

Colectivo de Calibración de Harinas 100 79

Colectivo de Validación de Harinas 20 16

Colectivo de Calibración de Granos 100 83

Colectivo de Validación de Granos 20 16

Anderson et al. (2006), señalan que la selección del colectivo de calibración es un paso crítico en el procedimiento de optimización. Además, en una calibración multivariable, el tamaño del colectivo tiene un impacto sustancial en lograr una estadística significativa, tanto en poblaciones muestrales grandes o pequeñas. Cao (2013), menciona que para los sets de calibraciones hechos con menor cantidad de muestras, la complejidad de la técnica multivariable puede fácilmente resultar en (1) muy poco poder estadístico de la prueba para identificar realmente resultados significativos o (2) un sobreajuste de la data, de manera que los resultados son artificialmente buenos porque se ajustan a la muestra pero no proporcionan ninguna generalización. Al contrario, para poblaciones muestrales

66

grandes, la prueba estadística se vuelve sensitiva en términos de la significancia de los resultados.

Ha sido demostrado que el diseño del experimento puede ayudar a escoger el modelo de calibración óptimo (Flaten y Walmsley (2003); Flaten y Walmsley (2004)). El diseño del experimento fue usado para escoger todos los parámetros incluyendo los pretratamientos, el número de componentes, el set de calibración y la selección del subconjunto de variables.

Al momento de realizar la lectura de espectros, se observaron diferencias en las réplicas de una misma muestra, lo cual fue la variabilidad inherente de cada análisis. Foca et al.

(2011), mencionan que las diferencias pueden ser descritas como un componente de alta frecuencia usualmente conocido como ruido instrumental y un componente de baja frecuencia debido las diferencias específicas en la naturaleza de las muestras. Muchas investigaciones sugieren diferentes estrategias para eliminar el ruido de los espectros NIR en términos de ruido instrumental, pero hay muy poca información sobre como eliminar los componentes de baja frecuencia asociados con la naturaleza de la muestra.

Es necesario tener solo espectros y datos químicos que sean útiles, pues de lo contrario el modelo quimiométrico obtenido no será exacto, esto lo confirma Peguero (2010), el cual indica que mientras más datos se tengan, no querrá decir que más información se tiene del sistema, solo será útiles cuando sean interpretables.