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

نشاسته و رطوبت بنه‌های زعفران از شاخص‌های مهم پتانسیل گلدهی و عملکرد آنها هستند. این مطالعه استفاده از اندازه‌گیری سریع و کم‌تهاجمی طیف‌سنجی بازتاب VNIR 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 منطقه حساس به رطوبت گسترده (حدود ۹۰۰ تا ۱۳۵۰ نانومتر) را شناسایی کرد. در میان مدل‌های ارزیابی‌شده، ترکیب روش پیش‌پردازش تصحیح پراکندگی ضربی و رگرسیون فرآیند گاوسی (MSC-GPR) عملکرد پیش‌بینی بهینه را برای محتوای آب نشان داد (R2 = 0.92، RMSE = 0.71%، RPD = 4.56، RPIQ = 5.37) و ترکیب روش MSC و رگرسیون حداقل مربعات جزئی (PLSR-MSC) عملکرد متوسطی را برای محتوای نشاسته نشان داد (R2 = 0.73، RMSE = 28.7 میلی‌گرم بر گرم، RPD = 2.14، RPIQ = 2.81، وزن خشک). این نتایج، قابلیت استفاده از طیف‌سنجی VNIR را به عنوان ابزاری با حداقل تهاجم برای ارزیابی کیفیت بنه زعفران قبل از کاشت در شرایط آزمایشگاهی نشان می‌دهد. این روش، چارچوبی مبتنی بر آزمایشگاه برای غربالگری و انتخاب بنه فراهم می‌کند و پتانسیل سازگاری آینده با شرایط مزرعه را با استفاده از طیف‌سنج‌های قابل حمل پس از 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, minimally invasive VNIR 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 combination of the multiplicative scatter correction pre-processing method and Gaussian process regression (MSC-GPR) demonstrated the optimal predictive performance for water content (R2 = 0.92, RMSE = 0.71%, RPD = 4.56, RPIQ = 5.37), and the combination of the MSC method and partial least squares regression (PLSR-MSC) demonstrated moderate performance for starch content (R2 = 0.73, RMSE = 28.7 mg g−1, RPD = 2.14, RPIQ = 2.81, dry weight). These results demonstrate the viability of VNIR spectroscopy as a minimally invasive tool for the pre-planting assessment of saffron corm quality under laboratory conditions. The method provides a laboratory-based framework for corm screening and selection, with potential for future adaptation to field settings using portable spectrometers following expanded calibrations and advanced modeling techniques.