RESUMO
La espectroscopía de reflectancia en el infrarrojo cercano (NIRS) es una tecnología rápida, multiparamétrica, amigable con el ambiente, de bajo costo y gran exactitud, para el análisis de diversos componentes en alimentos, en suelo y en agricultura. El objetivo del presente estudio fue construir modelos de calibración NIRS, para la predicción de nutrientes en tejido vegetal de caña de azúcar, para producción de panela, cultivada en la región de la Hoya del río Suárez. Un total de 416 muestras de tejido fueron escaneadas en el segmento espectral Vis-NIR. El análisis quimiométrico, se realizó con el software WinISI V4.10, aplicando la regresión de mínimos cuadrados parciales modificados, junto a una validación cruzada. Se evaluaron cuatro modelos con diferentes tratamientos matemáticos y el rendimiento de las calibraciones, se hizo por medio de la validación externa, analizando las medidas de bondad de ajuste, como el coeficiente de determinación de la predicción, el error estándar de la predicción ajustado por el sesgo y la desviación predictiva residual. Los resultados muestran que el modelo de calibración para N presentó el mayor poder predictivo. Para macronutrientes, las calibraciones, con mayor poder predictivo, fueron P y K y para micronutrientes, el modelo para B, mientras que para Cu presentó el más bajo poder predictivo. Se encontraron modelos adecuados para la predicción de los contenidos de N, Ca y P; para los demás nutrientes, se recomienda ampliar el conjunto de calibración.
Near Infrared Reflectance Spectroscopy (NIRS) is a fast, multiparametric, environmentally friendly, low-cost, and highly accurate technology for the analysis of components in food, soil, and agriculture. The purpose of this study was to generate NIRS calibration models for the prediction of nutrients in plant tissue of sugarcane to panela production cultivated in the Hoya del Río Suárez region. A total of 416 tissue samples were scanned in Vis-NIR spectral segment. Chemometric analysis was performed with the WinISI V4.10 software applying modified partial least squares regression with cross-validation. Four models with different mathematical treatments were evaluated, and the performance of calibrations was made through external validation analyzing the goodness-of-fit measures as prediction determination coefficient, standard error of the bias-adjusted prediction, and residual predictive deviation. The results showed that the calibration model for N had the highest predictive power. For macronutrients, the calibrations with the best predictive power were for P and K, and micronutrients for B, while Cu presented the lowest predictive power. Adequate models were found for the prediction of N, Ca, and P. In the case of the other nutrients, it is recommended to expand the calibration set.