DETERMINAZIONE RAPIDA E NON DISTRUTTIVA DELL ORIGINE GEOGRAFICA DEL CAFFÈ MEDIANTE SPETTROSCOPIA FT-NIR ASSOCIATA ALL ELABORAZIONE MULTIVARIATA

Transcript

1 DETERMINAZIONE RAPIDA E NON DISTRUTTIVA DELL ORIGINE GEOGRAFICA DEL CAFFÈ MEDIANTE SPETTROSCOPIA FT-NIR ASSOCIATA ALL ELABORAZIONE MULTIVARIATA Alessandro Giraudo*, Elisa Bertone*, Alberto Venturello*, Ernestina Casiraghi**, Francesco Geobaldo* * Dipartimento di Scienza Applicata e Tecnologia, Politecnico di Torino, Corso Duca degli Abruzzi, Torino ** Dipartimento di Scienze per gli Alimenti, la Nutrizione e l Ambiente, Università degli Studi di Milano, Via Celoria, Milano Riassunto Questo lavoro è finalizzato a valutare l applicabilità della spettroscopia nel vicino infrarosso (FT- NIR), associata a un elaborazione multivariata dei dati, come metodo per determinare l'origine geografica del caffè verde. E stato utilizzato un dataset di campioni di caffè verde,di cui vengono forniti il paese e la regione di provenienza. L analisi dei dati spettrali è stata implementata con i software OPUS (V6.5, BrukerOptics, Germania), PARVUS (V-PARVUS 2008, UNIGE, Italy), Unscrambler (V9.7, Camo, Norvegia) e Matlab (V2010, The MathWorks, Inc.). Sono stati adottati due approcci di classificazione: in base al continente (Asia, Centro-Sud America e Africa) e al paese di origine (11 in totale). I campioni correttamente classificati in base al continente, utilizzando il metodo LDA (Linear Discriminant Analysis),sono il 94.29% per l Asia, il 98.82% per il Centro-Sud America e il 100% per l Africa. I modelli in base al paese hanno mostrato una predittività leggermente inferiore, tuttavia sono più robusti poiché validati con un set di dati esterno rispetto a quelli utilizzati per la calibrazione. Introduzione La pianta del caffè è coltivata in una moltitudine di Paesi a ridosso della fascia equatoriale: nelle regioni del Centro e Sud America, in paesi asiatici e africani, in diverse isole dei Caraibi e del Pacifico. La qualità del caffè, intesa come proprietà chimiche e organolettiche,è profondamente influenzata non soltanto dalla varietà e dai processi tecnologici a cui esso è sottoposto dopo la raccolta, ma in primo luogo dalla provenienza geografica della piantagione. Per questo motivo alcuni studi sono già stati condotti sui possibili metodi per correlare l origine del caffè al patrimonio genetico e alle caratteristiche compositive del chicco, ad esempio alla tipologia e concentrazione di elementi minerali [1] così come al rapporto fra gli isotopi di alcuni di essi [2]. In questo lavoro è stata utilizzata la metodica FT-NIR,le cui potenzialità discriminanti, associate all elaborazione chemiometrica, sono state ampiamente documentate per la classificazione rapida, accurata e non distruttiva di una vasta gamma di prodotti alimentari [3]. Il dataset sperimentale è costituito da caffè

2 verde non trattato, appartenente alle specie Arabica e Robusta, e comprende chicchi sia naturali sia sottoposti a lavaggio. I campioni sono stati scelti in modo da essere rappresentativi delle diverse aree geografiche, al fine di ottenere un modello robusto in funzione della variabilità e in modo tale da rendere la metodica applicabile in un contesto il più ampio possibile [4]. L elaborazione dei dati spettrali è stata condotta applicando una serie di algoritmi per il pretrattamento, l analisi delle componenti principali, la selezione delle variabili più significative e alcuni metodi di classificazione. Materiali e Metodi Il set di dati su cui è stato svolto il lavoro è formato da 227 campioni di caffè verde in grani, prodotti nella stessa annata. I campioni impiegati provenivano da Centro-Sud America (Guatemala, Honduras, Nicaragua, Costarica, Colombia, Brasile), Asia (India, Vietnam e Indonesia) ed Africa (Uganda, Tanzania). Per ogni campione sono stati acquisite 3 repliche utilizzando uno spettrofotometro NIR a trasformata di Fourier (MPA FT-NIR, Bruker Optics, Ettlingen, Germania) ed il software OPUS Vers. 6.5 (Bruker Optics, Ettlingen, Germania). Le misure spettroscopiche sono state eseguite in riflessione, mediante sfera integratrice, nell intervallo spettrale cm -1, con una risoluzione di 16 cm -1, utilizzando un tempo di scansione pari a 64 per il campione e 256 per il background. La quantità di campione necessario per acquisire il relativo spettro è di circa 70 g;si è utilizzato un portacampioni in movimento durante tutto il corso dell analisi per ottenere una maggiore rappresentatività del prodotto. Allo scopo di raccogliere informazioni indipendenti ma, al tempo stesso, integrabili fra loro, l analisi dei campioni e il successivo trattamento dei dati sono stati condotti sia dal DISAT (Dipartimento di Scienza Applicata e Tecnologia) di Torino sia dal DEFENS (Dipartimento di Scienze per gli Alimenti, la Nutrizione e l Ambiente.) di Milano. - Disat La caratteristica utilizzata, fra quelle fornite, per determinare l origine dei campioni è il paese di provenienza. Al fine di valutare l errore dei modelli predittivi, i dati sono stati divisi stocasticamente in 2 gruppi: il train-set, costituito dal 90% dei campioni, è stato utilizzato per la creazione del modello e il restante 10% dei campioni (test-set) è stato utilizzato per la validazione.

3 Il lavoro è stato sviluppato in ambiente Matlab. Per l analisi dei dati sono stati scritti dei programmi opportuni per automatizzare alcune funzioni. In particolare, si è utilizzato un programma che ha permesso di valutare l effetto di diversi tipi di algoritmi sull errore in cross-validazione (tabella 2). Ogni trattamento dati svolto per implementare un singolo modello ha previsto la combinazione di tutti e 4 gli step menzionati in tabella 2. 1 no pretrattamento, smoothing, derivata 1, derivata 2 2 no normalizzazione, normalizzazione spettri (SNV), normalizzazione variabili (NV) 3 PCA (20), PCA (99.99%), PCA + rotazione (3 tipi) 4 LDA, QDA, distanze di mahalanobis, filtri bayesiani, separazione ad albero Tabella 1 - Algoritmi impiegati nel programma In sostanza, la prima tipologia di modello è stata implementata sulla base della seguente combinazione: no pretrattamento, no normalizzazione, PCA (20), LDA; la seconda combinazione è invece data da: no pretrattamento, normalizzazione spettri (SNV), PCA (20), LDA e così via, fino ad esaurimento delle possibili combinazioni. Per ogni possibile combinazione(in totale 180) degli algoritmi menzionati in tabella 2, il programma determina l errore in cross-validazione e restituisce un errore medio, una deviazione standard e il numero di parametri utilizzati dal modello. La scelta dei modelli più promettenti avviene tenendo in considerazione l errore medio, la deviazione standard e il numero di parametri, poiché minori sono questi tre differenti indicatori, maggiore è la stabilità del modello[5]. Una volta selezionati due/tre modelli per ogni analisi, si passa alla loro valutazione sul train-set e lo si valida sul test-set. Si applica il modello sia ai dati relativi allo spettro singolo sia allo spettro medio (ossia la media delle 3 singole ripetizioni); infine si confrontano gli errori in output e si valuta l eventuale presenza di overfitting. Il modello migliore è scelto come modello finale. - Defens Il criterio di classificazione dei campioni utilizzato in questo caso è il continente di origine. I dati spettrali sono stati importati nei software PARVUS e Unscrambler, in cui è stata applicata l LDA con l obiettivo di costruire modelli in grado di individuare la classe di appartenenza di ogni campione. Al fine di ridurre il rumore spettrale è stato applicato un pretrattamento di smoothing agli spettri utilizzando la funzione di media mobile (9 punti). I 3 spettri acquisiti per ciascun campione sono quindi stati mediati e ulteriormente pretrattati utilizzando la funzione di standardizzazione SNV e trasformandoli in derivata 1 e 2. Utilizzando l algoritmo SELECT, per ogni combinazione

4 di matrice/pretrattamento/variabile categorica sono state selezionate le 30 variabili in grado di esaltare la massima informazione. Ogni modello di classificazione è stato quindi creato utilizzando soltanto queste 30 variabili. I modelli sono stati validati mediante validazione interna (crossvalidazione, 5 gruppi di cancellazione). Risultati e Discussione - Disat I paesi di origine sono stati raggruppati in funzione del numero di campioni a disposizione. Costarica, Nicaragua, Tanzania e Uganda sono stati esclusi, poiché i campioni erano insufficienti. Sono stati implementati dei modelli considerando i 4 paesi di cui si disponevano più campioni(brasile, Honduras, India, Vietnam) e a 7 paesi (Colombia, Guatemala, Indonesia più i precedenti). Di seguito sono riportati i risultati ottenuti dalla validazione di due modelli scelti (A e B) con4 paesi (tabella 3) e con 7 paesi (tabella 4). MODELLO % ERRORE CV TS CV TS spettri singoli spettri mediati A B Tabella 2 - validazione dei modelli con4 paesi. Per entrambi i modelli A e B sono riportati l errore in cross-validazione ( CV)e in validazione esterna ( TS), tenendo in considerazione dapprima gli spettri singoli e poi il dato spettrale medio delle 3 ripetizioni. MODELLO % ERRORE CV TS CV TS spettri singoli spettri mediati A B Tabella 3 - validazione dei modelli con 7 paesi. Per entrambi i modelli A e B sono riportati l errore in cross-validazione ( CV)e in validazione esterna ( TS), tenendo in considerazione dapprima gli spettri singoli e poi il dato spettrale medio delle 3 ripetizioni. Ambedue le tabelle riportano l errore associato alla validazione interna dei modelli, o crossvalidazione (Є CV ) e a quella esterna, ossia alla predizione del paese di provenienza dei campioni deltest-set (Є TS ). Per errore s intende il rapporto percentuale fra i campioni erroneamente riconosciuti e quelli totali. In primo luogo emerge che l errore in validazione esterna è, nella

5 maggior parte dei casi, inferiore rispetto all errore in cross-validazione. Questa considerazione è una soddisfacente garanzia che i modelli non risentono di overfitting dei dati. Un altro aspetto che emerge chiaramente è che i modelli con 4 paesi forniscono errori minori rispetto a quelli con 7 paesi. In particolare, il modello A con 4 paesi implementato sugli spettri mediati è quello che fornisce il minore errore in predizione. - Defens I campioni di caffè verde pervenuti e utilizzati per il lavoro (199 in tutto) sono stati suddivisi in 3 classi sulla base dell origine geografica, considerandone il continente di provenienza (tabella 5): - classe 1: Asia (ASI) - classe 2: Centro-Sud America (SAM) - classe 3: Africa (AFR) In tabella 5 sono riportate le percentuali di corretta classificazione ottenute in cross-validazione per le tre classi di continente considerate, ovvero il Centro-Sud America, l Asia e l Africa, applicando come metodi di pretrattamento la funzione di standardizzazione e la derivata seconda agli spettri mediati. Pretrattamento % corretti ASI % corretti SAM % corretti AFR Media SNV Derivata Tabella 4 - percentuali di corretta classificazione in cross-validazione (cv) in funzione dell origine geografica per il caffè verde Si può osservare che, in tutti e tre i casi, le percentuali di corretta classificazione sono molto elevate. La tabella 5 mostra come entrambi i metodi di pretrattamento, utilizzati prima di effettuare l LDA, conducano a risultati di classificazione sostanzialmente simili. La media ponderata delle 3 osservazioni, necessaria poiché all interno di ogni classe si dispone di una quantità di campioni differente, è in entrambi i casi al di sopra del 95%. L alta percentuale di corretta classificazione in cross-validazione, considerando la numerosità dei campioni utilizzati, suggerisce che è possibile discriminare la provenienza del caffè verde in base al continente. Conclusioni Sono state valutate le potenzialità della spettroscopia nel vicino infrarosso (FT-NIR), associata a un elaborazione multivariata dei dati, come metodo rapido e non distruttivo per determinare l origine geografica del caffè verde. Sul dataset sperimentale sono state applicate differenti combinazioni di algoritmi per eseguire l analisi discriminante degli spettri principalmente mediante

6 PCA, LDA e QDA. Le caratteristiche primarie utilizzate per correlare i dati spettrali sono state il paese di origine (2 tipi di modello, a 4 e a 7 paesi) e il continente di provenienza (1 solo tipo di modello a 3 continenti). I risultati evidenziano, in tutti i casi, una buona capacità discriminante dei modelli predittivi. Nei migliori modelli ottenuti a 4e a 7 paesi, la percentuale di errore associato alla corretta classificazione è rispettivamente del 7%, 18% in cross-validazione e del 3%, 12% in validazione esterna. Per il modello a 3 continenti, la percentuale di campioni correttamente classificati in cross-validazione è superiore al 95%. Concludendo, mediante il presente lavoro è stato confermato che la metodica di analisi NIR, associata ad un elaborazione multivariata dei dati, può dare informazioni molto utili in fase di screening dei prodotti. Ringraziamenti Si ringrazia cordialmente l Azienda Lavazza (Settimo Torinese, TO) per i campioni forniti per questo studio. Bibliografia [1] V. Krivan, P. Barth, A.F. Morales, Multielement analysis of green coffee and its possible use for the determination of origin, Microchimica Acta, 1993 Springer. [2] F. Serra, C.G. Guillou, F. Reniero, L. Ballarin, M.I. Cantagallo, M. Wieser, S.S. Iyer, K. Heberger, F. Vanhaecke, Determination of the geographical origin of green coffee by principal component analysis of carbon,nitrogen and boron stable isotope ratios, Rapid Commun. Mass Spectrom. 2005; 19: p [3] E. Bertone, G. Ghiglieri, M. Calderara, S. Buratti, N. Sinelli, A. Venturello, E. Casiraghi, F. Geobaldo, First International Congress on Cocoa Coffee and Tea (CoCoTea) Proceedings, Settembre - Novara, Italy, [4] G. McLachlan (1992), Discriminant Analysis and Statistical Pattern Recognition. John Wiley and Sons, New York. [5] Werner, H.G.; Linear Algebra (4 th ed.), New York, USA: Springer-Verlag, 1975.