پیش‌بینی سریع و غیرمخرب میزان نشاسته و رطوبت در پیاز زعفران با استفاده از طیف‌سنجی مرئی-مادون قرمز نزدیک به همراه یادگیری ماشین

میزان نشاسته و رطوبت بنه‌های زعفران، شاخص‌های مهمی از پتانسیل گلدهی و عملکرد آنها هستند. این مطالعه، استفاده از اندازه‌گیری سریع و غیرمخرب طیف‌سنجی بازتابی مرئی-فروسرخ نزدیک (vis-NIR) را برای ارزیابی این پارامترها بررسی کرد. اندازه‌گیری‌ها برای توسعه مدل‌های پیش‌بینی از طریق چهار الگوریتم یادگیری ماشین (PLSR، RF، SVR و GPR) استفاده شدند. داده‌های طیفی از ۱۳۰ نمونه بنه تازه به دست آمد. تجزیه و تحلیل طول موج، فواصل حساس به نشاسته کلیدی (حدود ۹۳۰ تا ۱۰۰۰ نانومتر و حدود ۱۱۵۰ تا ۱۲۲۰ نانومتر) و یک ناحیه حساس به رطوبت گسترده (حدود ۹۰۰ تا ۱۳۵۰ نانومتر) را شناسایی کرد. در میان مدل‌های ارزیابی‌شده، مدل رگرسیون حداقل مربعات جزئی (PLSR) عملکرد پیش‌بینی بهینه برای رطوبت (R² = 0.89، RMSE = 0.91%، RPD = 3.67، RPIQ = 4.91) و عملکرد متوسطی برای نشاسته (R² = 0.68، RMSE = 26.29 میلی‌گرم بر گرم، RPD = 1.87، RPIQ = 2.37، وزن خشک) نشان داد. این نتایج، قابلیت طیف‌سنجی VIS-NIR را به عنوان ابزاری مناسب و غیرمخرب برای ارزیابی کیفیت بنه زعفران قبل از کاشت نشان داد. این روش، پایه و اساس عملی برای غربالگری و انتخاب بنه فراهم می‌کند و پتانسیل بهبود بیشتر در پیش‌بینی نشاسته را از طریق کالیبراسیون‌های گسترده و تکنیک‌های مدل‌سازی پیشرفته دارد.

The starch and moisture content of saffron corms are critical indicators of their flowering potential and yield. This study investigated the use of rapid, non-destructive vis-NIR reflectance spectroscopy measurement to assess these parameters. The measurements were used to develop predictive models through four machine learning algorithms (PLSR, RF, SVR, and GPR). Spectral data were obtained from 130 fresh corm samples. Wavelength analysis identified key starch-sensitive intervals (~930–1000 nm and ~1150–1220 nm) and a broad moisture-sensitive region (~900–1350 nm). Among the evaluated models, the partial least squares regression (PLSR) model demonstrated the optimal predictive performance for moisture (R² = 0.89, RMSE = 0.91%, RPD = 3.67, RPIQ = 4.91) and moderate performance for starch (R² = 0.68, RMSE = 26.29 mg g⁻¹, RPD = 1.87, RPIQ = 2.37, dry weight). These results demonstrated the viability of VIS-NIR spectroscopy as a viable, non-destructive tool for the pre-planting assessment of saffron corm quality. The method provides a practical foundation for corm screening and selection, with potential for further improvement in starch prediction through expanded calibrations and advanced modeling techniques.