Composición mineral y modelos para determinar identidad de jugos de naranjas producidas en la región nordeste argentina

GAIAD, JOSÉ E.; LEZCANO, CESAR A.; MORESI, ADRIANA L.; PELLERANO, ROBERTO G.

Corrientes (Cap)

Congreso; XI Congreso Argentino de Química Analítica; 2021

Asociación Argentina de Químicos Analíticos

Los cítricos producidos ennuestro país permiten abastecer la demanda interna durante todo el año como asítambién permite realizar exportaciones a diferentes mercados. En este sentido,dadas las exigencias de los mercados de exportación,se ha implementado el sistema registral SITC con el fin de lograr latrazabilidad de los cítricos producidos. El mismo se basa en informacióndocumental y no contempla mecanismos que permitan comprobar la identidad físicade las muestras en cualquier etapa de la cadena productiva, por lo que éstaspueden ser vulnerables a contaminación o adulteración. Resolver este problemaimplica la necesidad de contar con un mecanismo de identificación de lasmuestras físicas, que podría estar basado en la composición química de lasmismas. La influencia de las condiciones locales en la composición de lostejidos vegetales ha permitido que la determinación de los contenidos deelementos haya sido propuesta para determinar el origen geográfico de las muestras.En este marco, el objetivo de este trabajo fue la utilización de informaciónquímica del contenido multielemental en muestras de jugo de naranja de lasvariedades 'Salustiana' y 'Valencia late', para obtener modelos declasificación adecuados a efectos de analizar orígenes de jugo de naranja dediferentes zonas productoras del nordeste argentino (NEA).Paraello se utilizó la información obtenida mediante espectroscopía de absorciónatómica de llama (FAAS) para los elementos Ca, K, Fe, Mg, Mn, Na y Zn y porespectroscopia de emisión óptica con plasma acoplado inductivamente (ICP-OES)para los elementos Al, Ba, Ca, Cd, Co, Cr, Cu, Fe, K, Mg, Mn, Mo, Ni, Pb, Sb,Se, Sr y Zn. Se dividió por zona de producción, en cuatro estratos: Noreste dela provincia de Entre Ríos (NEER); sureste de la provincia de Corrientes(SECR); centro oeste de la provincia de Corrientes (COCR); centro-sur de laprovincia de Misiones (CSMN). Se empleó un método de muestreo al azarsistemático para seleccionar las plantas, de las que se extrajeron 10 frutospor planta, que conformaron la unidad muestral y se procesaron conjuntamente(n=97). Posteriormente, a los efectos de estudiar posibles diferencias osimilitudes en la composición mineral de los jugos de naranja entre lasdiferentes zonas de producción, se realizó un análisis de componentesprincipales (PCA). A continuación, se utilizaron tres técnicas de clasificacióna fin de obtener modelos que nos permitan conocer origen de los jugos: análisislineal discriminante (LDA), K-vecinos más cercanos (K-NN) y máquinas devectores soporte (SVM). Se dividió el conjunto de datos en un subconjunto deentrenamiento, constituido por el 60% de los datos y un subconjunto de prueba,conformado por el 40% restante. El subconjunto de entrenamiento se utilizó parala definición de los modelos y la optimización de los parámetros. En el casodel LDA, esta técnica permitió clasificar los jugos de naranja según su origengeográfico con una precisión del 96% y un índice κ (kappa) =0,95 (FAAS) y una precisión del 98% y un índice κ = 0,98(ICP-OES). En la Figura 1, se observa la distribución de las muestras teniendoen cuenta los contenidos de Ca, K, Fe, Mg, Mn, Na y Zn.Figura1. Proyección de las muestras en el espacio generado por las dos primerasfunciones discriminantes.Parala técnica K-NN, se obtuvieron los mejores resultados con 5 vecinos máscercanos, con una precisión de 67% e índice κ = 0,55(FAAS) y 15 vecinos más cercanos, con una precisión de 74% e índice κ =0,66 (ICP-OES). Por otra parte, para la técnica de SVM se seleccionaron, porser los de mejor comportamiento, los siguientes modelos, kernel polinomialde grado 2 y c = 1, con una precisión general del 90% y un índice κ de0,87 (FAAS), y kernelpolinomial de grado 3 y c = 1, con una precisióngeneral del 99% y un índice κ de 0,99 (ICP-OES).Cuando se trabajó con datos obtenidos pormedio de FAAS, de las 3 técnicas de clasificación probadas, el rendimiento deLDA fue el mejor, con una tasa de éxito del 96 % en el conjunto de prueba,seguido de SVM con 90%, y finalmente KNN con 67%. Con datos obtenidos por mediodel ICP-OES, de las 3 técnicas de clasificación probadas, el rendimiento de lasSVM fue el mejor, con una tasa de éxito del 99 % en el conjunto de prueba,seguido de LDA con 98% y finalmente KNN con 74%