Post on 13-Apr-2017
Clasificación de vinos blancos argentinos por espectroscopia UV y análisis quimiométricos.
Argentina en el mundo
Fuente: Organización Internacional del Vino y la Vid, 2012.
Argentina en el mundo
Fuente: Organización Internacional del Vino y la Vid, 2012.
graficos
Argentina en el mundo
Fuente: Organización Internacional del Vino y la Vid, 2012.
REGIÓN NOROESTE
REGIÓN CENTRO-OESTE
REGIÓN SUR
Regiones Vitivinícolas de Argentina
TERRO
IR
Torrontés
Sauvignon blanc
Seña
l
Concentración
b ± sb
a ± sa
y = a + bxR2 = 0,9999
Análisis univariado
A = ε b C (λ única)
Análisis multivariado
OBJETOS VARIABLES
V1 V2 V3… …Vp
1 X1,1 X1,2 X1,3 X1,p
2 X2,1 X2,2 X2,3 X2,p
3... X3,1 X3,2 X3,3 X3,p
…n Xn,1 Xn,2 Xn,3 Xn,p
200 250 300 350 400 450 500
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
λ (nm)
Abso
rban
cia
Análisis multivariado
CUALITATIVO CUANTITATIVO
Reconocimiento de Patrones Calibración Multivariada
Análisis multivariado cualitativo: herramientas multivariadas utilizadas en reconocimiento de
patrones
• Análisis de Componentes Principales (PCA)• Análisis de Agrupamientos o Clusters (CA)• Análisis Discriminante Lineal (LDA)• Análisis Discriminante por Cuadrados Mínimos
Parciales (PLS-DA)
Clasificación de Métodos Multivariados de Clasificación
• Métodos No Supervisados:– Análisis de Componentes Principales (PCA)– Análisis de Clusters (CA)
• Métodos Supervisados– Análisis Discriminante Lineal (LDA)– Análisis Discriminante por Cuadrados Mínimos Parciales
(PLS-DA)
PCA CP1
CP2
Variable 3
Variable 1
Variable 2
Reducción de variables en PCAGráfico de Scores
CP 1
CP 2
Corresponden a las coordenadas de las muestras originales sobre las nuevas componentes principales.
Análisis de clusters
(Dlink / Dmax) x 100
C8 C6
C11 C10 C7
C13 C3
C15 C4 C5
C14 C12 C9 C2
NC12 NC3
NC16 NC17 NC14 NC15 NC10 NC6
NC13 NC2
NC11 NC8 NC7 NC1 NC9 NC5 NC4 C1
0 20 40 60 80 100 120
Análisis Discriminante Lineal (LDA)
• Análisis discriminante lineal es un método de clasificación multivariado de tipo SUPERVISADO.
• En este análisis, un grupo o set de muestras son utilizadas para obtener las llamadas funciones discriminantes.
• La función discriminante es una ecuación que es función de las variables originales utilizadas.
D1 = a + b x + c x2 + d x3
Análisis Discriminante Lineal (LDA)
Clase 1 Correctas70/75
Error6,66%
Clase 2 Correctas68/75
Error 9,33%
El objetivo de este estudio es establecer diferencias ponderables entre vinos blancos varietales de diferentes orígenes de Argentina, utilizando espectroscopía UV y empleando herramientas multivariadas de clasificación.
7 vinos Sauvignon Blanc
6 vinos Torrontés
Mendoza
San Juan
Río Negro
Mendoza
Salta
Río Negro
200 250 300 350 400 4500
0.2
0.4
0.6
0.8
1
1.2
1.4
pH 1
pH 3
pH 5
pH 7
pH 9
pH 10.2
pH 11,4
λ (nm)
Abso
sban
cia
Selección de dilución óptima
Selección de pH óptimo
Sauvignon blanc - PCA
Gráfico de scores de vinos Sauvignon Blanc procedentes de las provincias de Mendoza (M), Río Negro (RN) y San Juan (SJ).
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
FNFNFNFNFN
MMMMM
PPPPP
AAA A
HCHCHCHC
HHHHH
LLLL L
LHHCAPMFN
PC 1
PC 2
M
SJ
RN
Dendograma obtenido mediante el CA de las muestras de vinos
Sauvignon blanc - CA
Sauvignon blanc - LDA
Resultado de clasificación del DA según la marca comercial de los vinos.
Resultado de clasificación del DA según el origen geográfico de los vinos.
Torrontés - PCA
Gráfico de scores de vinos Torrontés procedentes de las provincias de Mendoza (M), Río Negro (RN) y Salta (S).
Torrontés - CA
Dendograma obtenido mediante el CA de las muestras de vinos
Torrontés - LDA
Resultado de clasificación del DA según la marca comercial de los vinos.
Resultado de clasificación del DA según el origen geográfico de los vinos.
Los modelos de clasificación obtenidos por espectroscopia UV combinada con herramientas quimiométricas permitieron una correcta clasificación de las muestras de vino analizados desde los diferentes orígenes geográficos.
La espectroscopia UV a pesar de ser una técnica no selectiva ofrece frente a otras técnicas mas sofisticadas: simplicidad, disponibilidad y mínimo tratamiento de las muestras.
El método presentado aquí es de naturaleza cualitativa, lo cual evita la necesidad de un método cuantitativo que requiere el uso de estándares.
Sin embargo, algunos factores limitan la precisión de los modelos de clasificación, tales como el número de muestras usadas para construir los modelos de calibración.