Riassunto analitico
Il presente lavoro di tesi magistrale riguarda l’analisi di campioni di mele di diversa varietà, Fuji e Minnesota, e diversa origine, Laimburg e Latsch. Il progetto di laurea nasce dalla collaborazione con il Centro di Sperimentazione Laimburg, una realtà votata alla ricerca e alla risoluzione di problemi inerenti l’agricoltura del Sud Tirolo. Lo scopo è la messa a punto di un metodo analitico che permetta di distinguere la varietà e il luogo d’origine, utilizzando metodi strumentali non distruttivi quali la spettroscopia Raman, UV-Vis e NIR. L’analisi con tali tecniche permette di ottenere un “fingerprint” della natura chimica del campione, che può essere analizzato con procedure semplici e direttamente sul campione tal quale, senza quindi un pretrattamento della matrice. Il profilo spettrale ottenuto da tecniche strumentali untargeted necessita di un’elaborazione multivariata. In primo luogo è necessario l’impiego di procedure volte a pre-processare i dati spettrali, in modo da trattenere ed evidenziare l’informazione utile, e rimuovere le fonti di variabilità dovute a fattori spuri, quali il rumore strumentale, la presenza di background di fluorescenza, scattering e deriva della linea di base. Inoltre, grazie all’utilizzo di metodiche di analisi esplorativa, è possibile visualizzare in modo rapido i trend e le correlazioni nei dati. L’ultimo step è rappresentato dalla costruzione di modelli di classificazione, che permettono di assegnare i campioni alle diverse classi sulla base delle informazioni spettrali ottenute dalle analisi. I campioni sono stati analizzati con uno strumento micro-Raman confocale, uno strumento da banco UV-Vis-NIR e uno strumento NIR portatile. Le informazioni spettrali acquisite sono state utilizzate per costruire modelli esplorativi, sfruttando i metodi PCA e ASCA. Il metodo PCA permette di effettuare la decomposizione dei dati originali, trattenendo la variabilità utile e rimuovendo le fonti di variabilità casuale e dovute al rumore. Tale metodo ha consentito di valutare le differenze fra campioni appartenenti a diversa varietà e luogo di origine, ed evidenziare eventuali differenze sulla base della colorazione del campione (dovuta alla diversa esposizione solare) e dovute al diverso grado di conservazione. Visto che le fonti di variabilità possono essere di diversa natura, soprattutto nel caso di analisi non distruttive del tipo untargeted, il metodo ASCA è stato impiegato per valutare la significatività dei fattori di interesse, quali varietà e provenienza dei frutti, nel determinare gli andamenti osservati nei dati. Il metodo di classificazione discriminante PLS-DA, è stato utilizzato per predirre la varietà e la provenienza di alcuni campioni (test set) sulla base di modelli costruiti su campioni di riferimento (calibration set). Le informazioni spettrali ottenute dalle diverse tecniche sono state anche valutate nel loro insieme, mettendo in concatenazione le risposte strumentali ottenute tramite un approccio datafusion Low-level, sfruttando anche in questo caso l’analisi esplorativa PCA e il metodo di classificazione PLS-DA per valutare la separazione fra la varietà e la provenienza ed effettuare predizioni. Si auspica che i metodi sviluppati in questo lavoro di tesi potranno, in futuro, essere riadattati su strumenti portatili, in modo da esplorare le potenzialità dell’analisi spettroscopica non distruttiva, accoppiata all’analisi multivariata, nel monitoraggio di processo, nell’ambito della tracciabilità geografica e nel controllo qualità relativamente all’ambito food.
|
