Kartof çips, un, nişasta və müxtəlif emal olunmuş qida məhsulları üçün vacib xammaldır. Bu məhsullarda kartofin quru maddə tərkibi, yəni daxilindəki sudan başqa maddələrin payı keyfiyyətə birbaşa təsir edir. Quru maddə nisbəti emal səmərəliliyi, məhsul teksturası, xırtıldılıq, un çıxımı və iqtisadi dəyər baxımından kritik göstəricidir.

Ənənəvi ölçmə üsulları adətən kartofi kəsməyi, qurutmağı və laboratoriya şəraitində çəkməyi tələb edir. Bu üsullar dəqiq ola bilər; lakin yavaşdır, məhsulu zədələyir və real vaxt rejimində təchizat zəncirinə nəzarət üçün uyğun deyil. Bu preprint tədqiqat daşına bilən yaxın infraqırmızı spektroskopiya cihazı ilə kartofin quru maddə tərkibini sürətli və dağıdıcı olmayan şəkildə ölçməyi hədəfləyir.

Araşdırmaçılar yalnız proqnoz modeli qurmaqla kifayətlənmirlər. Əvvəlcə işığın kartof toxumasına nə qədər nüfuz edə bildiyini ölçür, sonra kartofin hansı hissəsindən ölçmə aparılmasının bütün yumrunu daha yaxşı təmsil etdiyini araşdırırlar. Sonda isə sahə şəraitində təmas təzyiqi, səth əyriliyi və işıq sızması kimi praktik problemləri təqlid edən məlumat artırma və model optimallaşdırılması aparırlar.

Nəticələr 835–875 nm dalğa uzunluğu aralığının kartof toxumasında daha uyğun optik nüfuz təmin etdiyini, ekvator bölgəsindən çoxnöqtəli ölçmənin daha təmsiledici olduğunu və Detrending–UVE–PLS modelinin daşına bilən cihaz performansını daha sabit etdiyini göstərir. Lakin tədqiqat preprint olduğu üçün nəticələr qəti sənaye standartı kimi deyil, daha çox doğrulamaya ehtiyac duyan güclü metod təklifi kimi oxunmalıdır.

Problem Nədir?

Kartofin quru maddə tərkibi qida emalı sənayesində vacib keyfiyyət göstəricisidir. Quru maddə nisbəti yüksək olan kartoflər bəzi emal proseslərində daha yaxşı çıxım, daha uyğun tekstura və daha arzuolunan məhsul xüsusiyyətləri təmin edə bilər. Məsələn, çips istehsalında quru maddə nisbəti məhsulun xırtıldılığı və qızartma keyfiyyəti ilə əlaqəlidir.

Lakin bu dəyəri ölçmək asan deyil. Klassik üsullarda kartof nümunəsi götürülür, çəkilir, yüksək temperaturda qurudulur və yenidən çəkilərək sudan başqa maddələrin nisbəti hesablanır. Bu üsul etibarlı sayılır; lakin dağıdıcıdır. Yəni ölçülən məhsul artıq bütöv qalmır. Bundan başqa vaxt aparır və istehsal xəttində ani qərar vermək üçün uyğun deyil.

Yaxın infraqırmızı spektroskopiya bu problemə praktik alternativ təklif edir. NIR kimi qısaldılan bu üsul məhsulun üzərinə müəyyən dalğa uzunluqlarında işıq göndərir və geri qayıdan və ya keçən işığın nümunəsindən kimyəvi tərkib haqqında məlumat çıxarır. Çünki su, nişasta, protein və karbon əsaslı birləşmələr müxtəlif dalğa uzunluqlarında fərqli optik reaksiya verir.

Lakin daşına bilən NIR cihazları sahədə istifadə olunarkən üç böyük problem ortaya çıxır. Birincisi, işığın kartof toxumasına məhdud dərinlikdə nüfuz etməsidir. Əgər işıq yalnız səthə yaxın hissəni oxuyursa, bütün kartofin daxili keyfiyyəti barədə etibarlı məlumat verməyə bilər. İkincisi, kartofin daxili quruluşu homogen deyil. Sap ucu, cücərti ucu və orta hissə eyni quru maddə dəyərinə malik olmaya bilər. Üçüncüsü, real istifadədə cihazın kartofə təmas təzyiqi, ölçmə bucağı, qabıq əyriliyi və ətraf işıq kimi amillər spektri poza bilər.

Bu məqalənin əsas problemi budur: Daşına bilən NIR sistemi ilə kartofin quru maddə tərkibini məhsulu kəsmədən və sahə şəraitindəki ölçmə pozuntularına baxmayaraq etibarlı şəkildə proqnozlaşdırmaq mümkündürmü?

Metod Nə Təklif Edir?

Tədqiqat daşına bilən NIR ölçməsi üçün üçqatlı yanaşma təklif edir.

Birinci qat fiziki ölçmə sərhədlərini anlamaqdır. Araşdırmaçılar işığın kartof toxumasında nə qədər irəliləyə bildiyini eksperimental olaraq ölçürlər. Bunun üçün kartof toxuması qat-qat nazildilir və altına yerləşdirilən xarakterik optik siqnalın toxuma qalınlığı artdıqca necə zəiflədiyi izlənir. Beləliklə cihazın yalnız nəzəri deyil, real kartof toxumasında nə qədər dərinliyi oxuya bildiyi qiymətləndirilir.

İkinci qat düzgün nümunə götürmə bölgəsini müəyyən etməkdir. Kartofin sap ucu, cücərti ucu və ekvator bölgəsi ayrı-ayrılıqda araşdırılır. Ekvator bölgəsi kartofin orta çevrə zolağı kimi düşünülə bilər. Tədqiqat bu bölgənin bütün kartofin quru maddə tərkibini təmsil etməkdə daha yaxşı olduğunu göstərir. Buna görə araşdırmaçılar tək nöqtədən ölçmə əvəzinə ekvator bölgəsindən çoxnöqtəli ölçmə və spektral ortalama yanaşmasını qəbul edirlər.

Üçüncü qat isə modelin dayanıqlığını artırmaqdır. Daşına bilən cihazlar laboratoriya şəraitində deyil, real sahədə istifadə olunduqda ölçmə dəyişkənliyi artır. Cihaz kartofə bir qədər güclü və ya zəif basıla, səth əyriliyi fərqli ola, təmas bucağı dəyişə və ya sızan işıq yarana bilər. Araşdırmaçılar bu cür pozuntuları təqlid edən məlumat artırma strategiyası hazırlayırlar. Hər orijinal spektrdən realistik variasiyalar yaradılır və model bu daha geniş şəraitə qarşı öyrədilir.

Modelləşdirmə tərəfində 36 fərqli analiz yolu sınaqdan keçirilir. Bunlar müxtəlif spektral ilkin emal üsulları ilə dəyişən seçmə üsullarının kombinasiyalarından ibarətdir. Əsas proqnoz modeli kimi PLS, yəni qismən ən kiçik kvadratlar reqressiyası istifadə olunur. Məqsəd yalnız ən aşağı xəta dəyərinə çatmaq deyil, eyni zamanda ölçmənin təkrarlana bilməsini qorumaqdır. Buna görə tədqiqat iki indeksli seçim meyarından istifadə edir: proqnoz xətası və təkrar ölçmələrdəki dəyişkənlik birlikdə qiymətləndirilir.

Formullar Nəyi İzah Edir?

Bu tədqiqat formullardan daşına bilən sensorun ölçdüyü işıq siqnalını mənalı keyfiyyət proqnozuna çevirmək üçün istifadə edir.

Birinci formul absorbans hesabını izah edir. Absorbans nümunəyə göndərilən işıqla nümunədən sonra ölçülən işıq arasındakı fərqdən əldə edilir. Sadə dillə desək, kartof toxuması müəyyən dalğa uzunluqlarında işığın bir hissəsini udur və ya səpələyir. Bu dəyişiklik kartofin tərkibi haqqında məlumat daşıyır. Tədqiqatda referens və nümunə ölçmələri fərqli inteqrasiya müddətləri ilə götürüldüyü üçün bu müddət fərqi də formulda düzəldilir.

İkinci və üçüncü formullar oblique projection adlanan siqnal ayrışdırma yanaşmasına əsaslanır. Bu üsul kartof toxumasından gələn fon təsirini azaldıb altdakı Pr-Nd şüşə standartının xarakterik siqnalını daha aydın ayırmaq üçün istifadə olunur. Beləliklə toxuma qalınlığı artdıqca siqnalın necə zəiflədiyi daha təmiz şəkildə izlənir.

Dördüncü formul işıq siqnalının toxuma qalınlığı artdıqca eksponensial şəkildə azaldığını göstərir. Bu, bioloji toxumalar üçün gözlənilən davranışdır. Toxuma qalınlığı artdıqca işıq daha çox səpələnir və udulur. Formuldakı effektiv zəifləmə əmsalı işığın kartof toxumasında nə qədər sürətlə itdiyini ifadə edir. Bu əmsaldan xarakterik nüfuz dərinliyi hesablanır.

Model qiymətləndirmə formulları isə proqnozun uğurunu ölçür. R² modelin referens dəyərlərdəki dəyişməni nə qədər izah edə bildiyini göstərir. RMSE proqnoz xətasının böyüklüyünü ifadə edir. Mean RSD isə eyni nümunə üzərində təkrar ölçmələrdə proqnozların nə qədər dəyişdiyini göstərir. Bu son ölçü daşına bilən cihazlar üçün xüsusilə vacibdir; çünki sahədə yalnız doğru proqnoz deyil, eyni nümunə təkrar ölçüldükdə oxşar nəticə almaq da lazımdır.

Qrafik / Cədvəl / Sxemin Əsas Mesajı

Cihaz arxitekturasını göstərən vizual daşına bilən NIR sisteminin yalnız spektrometrdən ibarət olmadığını göstərir. Sistem LED işıqlandırma modulu, mini spektrometr, Raspberry Pi əsaslı idarəetmə bloku və işıq sızmasını azaltmağa çalışan xüsusi optik interfeysdən ibarətdir. Vizualın əsas mesajı odur ki, tədqiqat həm aparat, həm də proqram/model tərəfini birlikdə nəzərdən keçirir.

Siqnal zəifləmə qrafikləri kartof toxuması qalınlaşdıqca xarakterik optik siqnalın sürətlə azaldığını göstərir. Toxuma 1–2 mm olduqda siqnal güclüdür; qalınlıq artdıqca siqnal eksponensial şəkildə azalır. Bu qrafiklərin əsas mesajı odur ki, daşına bilən cihaz kartofin tamamını başdan-başa “görmür”, yalnız müəyyən effektiv dərinlikdən məlumat ala bilir.

Dalğa uzunluğuna görə nüfuz qrafiki hər işığın kartof toxumasında eyni performansı göstərmədiyini üzə çıxarır. 700–820 nm aralığında nüfuz daha məhdud olduğu halda, 835–875 nm aralığında daha yaxşı nəticə əldə edilir. Bu bölgə kartof quru maddəsinin vacib komponentləri ilə əlaqəli karbon-hidrogen rabitələrinə həssas olduğu üçün keyfiyyət proqnozu baxımından dəyərli hesab olunur.

Anatomik bölgə müqayisə qrafiki kartofin fərqli nöqtələrinin bütün yumrunu eyni dərəcədə təmsil etmədiyini göstərir. Sap ucu ən yüksək sapmaya malik olduğu halda, ekvator bölgəsi bütün kartofin quru maddə tərkibinə daha yaxın dəyər verir. Qrafikin əsas mesajı odur ki, düzgün cihaz qədər düzgün ölçmə nöqtəsinin seçilməsi də kritikdir.

Xam və artırılmış spektrləri göstərən qrafik məlumat artırmanın nə etdiyini izah edir. Xam təkrar ölçmələr müəyyən aralıqda dəyişkənlik göstərdiyi halda, artırılmış məlumat dəsti daha geniş, lakin realistik ölçmə variasiyası sahəsi yaradır. Bu, modelin yalnız ideal laboratoriya siqnalına deyil, sahədə qarşılaşa biləcəyi təmas və səth pozuntularına da hazırlanmasını təmin edir.

PCA qrafiki artırılmış spektrlərin real məlumat paylanmasının xaricinə çıxmadığını göstərir. Yəni məlumat artırma təsadüfi və qeyri-real siqnallar yaratmayıb; ölçülən spektrlərin təbii variasiya sahəsi daxilində qalıb. Bu, model təlimində süni məlumat istifadəsinin daha etibarlı şərh edilməsinə imkan verir.

Pareto qrafiki model seçimində yalnız aşağı xəta dəyərinə baxmağın kifayət etmədiyini göstərir. Bəzi modellər aşağı xəta versə belə, təkrar ölçmə dəyişkənliyi yüksək ola bilər. Ən yaxşı seçim həm proqnoz xətasını, həm də ölçmə oynaqılığını birlikdə aşağı saxlayan bölgədədir. Bu tədqiqatda Detrending–UVE kombinasiyası bu tarazlıq baxımından önə çıxır.

Latent variable müqayisə qrafikləri daha mürəkkəb modelin həmişə daha yaxşı olmadığını göstərir. Daha çox gizli komponent istifadə edən model çarpaz doğrulamada yaxşı görünə bilər; lakin xarici testdə və təkrar ölçmədə daha qeyri-sabit ola bilər. Buna görə araşdırmaçılar daha balanslı və sabit olan 8 gizli dəyişənli modeli seçirlər.

Sahə doğrulama qrafiki daşına bilən cihazdan gələn real vaxt proqnozlarının laboratoriya referens dəyərləri ilə ümumilikdə uyğun olduğunu göstərir. Nöqtələrin 1:1 xəttinə yaxın paylanması modelin sahədə istifadə potensialına malik olduğunu düşündürür. Lakin bu nəticə daha geniş və fərqli şəraitli testlərlə dəstəklənməlidir.

Təcrübələr Necə Aparılıb?

Tədqiqatda ümumilikdə 143 sağlam kartof yumrusundan istifadə olunub. Nümunələr Çinin üç vacib istehsal bölgəsindən toplanıb: Daxili Monqolustan, Shanxi və Shandong. Nümunələr müxtəlif təcrübə məqsədləri üçün qruplara bölünüb. Bəziləri optik nüfuz dərinliyini ölçmək, bəziləri kartof daxilində quru maddə paylanmasını anlamaq, böyük hissəsi isə model hazırlamaq və doğrulamaq üçün istifadə olunub.

Referens quru maddə ölçməsi klassik sobada qurutma üsulu ilə aparılıb. Kartoflər əvvəlcə təzə halda həssas tərəzidə çəkilib, sonra 105 °C-də sabit çəkiyə çatana qədər qurudulub və quru kütlənin təzə kütləyə nisbəti hesablanıb. Bu dəyər NIR modelinin öyrənməyə çalışdığı həqiqi referens dəyər kimi istifadə olunub.

Daşına bilən NIR sistemi araşdırmaçılar tərəfindən hazırlanıb. Cihaz 680–1030 nm aralığında işləyən səkkiz LED, 645–1085 nm aralığını ölçə bilən mini spektrometr, Raspberry Pi əsaslı idarəetmə bloku və işıq sızmasını azaltmağa çalışan optik interfeysdən ibarətdir. Hər kartofdən ekvator bölgəsində üç fərqli mövqedən spektr götürülüb və hər ölçmə 100 ardıcıl skanın ortalaması kimi qeyd edilib.

Optik nüfuz təcrübəsi üçün kartof toxuması qat-qat nazildilib. Təxminən 1 mm-dən 20 mm-ə qədər dəyişən toxuma qalınlıqlarında alt tərəfdəki optik standartın siqnalının nə qədər zəiflədiyi ölçülüb. Beləliklə hansı dalğa uzunluğu aralığında işığın kartof toxumasına daha dərindən çata bildiyi müəyyən edilib.

Məkan heterogenliyi təhlili üçün sap ucu, cücərti ucu və ekvator bölgəsindən toxuma hissələri götürülüb. Bu bölgələrin quru maddə dəyərləri bütün kartofin referens dəyəri ilə müqayisə olunub. Ekvator bölgəsinin bütün kartofi ən yaxşı təmsil etdiyi görülüb.

Model hazırlama mərhələsində məlumat kartof əsasında bölünüb. Yəni eyni kartofdən alınan spektrlər həm təlim, həm də test dəstinə qarışdırılmayıb. Bu vacib detaldır; çünki əks halda model eyni kartofin oxşar siqnallarını görərək olduğundan daha uğurlu görünə bilərdi.

Araşdırmaçılar həmçinin sahə pozuntularını təqlid edən məlumat artırma tətbiq ediblər. Hər orijinal spektrdən 20 variasiya yaradılıb. Bu variasiyalar təmas təzyiqi, səth əyriliyi, optik yol dəyişməsi, baza xətti sürüşməsi və detektor küyü kimi real problemləri simulyasiya edəcək şəkildə hazırlanıb.

Sonda 36 fərqli modelləşdirmə yolu sınaqdan keçirilib. Müxtəlif spektral ilkin emal üsulları, dəyişən seçmə strategiyaları və PLS reqressiyası birlikdə sınaqdan keçirilib. Ən yaxşı model yalnız ən aşağı xəta dəyərinə görə deyil, təkrar ölçmə sabitliyinə görə də seçilib.

Nəticələr Nəyi Göstərir?

Optik nüfuz nəticələri 835–875 nm aralığının kartof toxumasında daha effektiv məlumat daşıdığını göstərir. Bu aralıqda praktik aşkarlama dərinliyi 15 mm-ni keçir və maksimum 20.33 mm-ə qədər çatır. Bu, daşına bilən cihaz üçün vacib tapıntıdır; çünki cihazın hansı dalğa uzunluqlarında daha etibarlı daxili məlumat ala bildiyini göstərir.

Anatomik bölgə təhlili ekvator bölgəsinin bütün kartofi təmsil etmək üçün ən uyğun bölgə olduğunu göstərir. Sap ucunda orta nisbi xəta xeyli yüksək olduğu halda, ekvator bölgəsindəki xəta çox aşağı tapılıb. Buna görə çoxnöqtəli ekvator ölçməsi kartofin ümumi quru maddə dəyərini proqnozlaşdırmaq üçün daha uyğun strategiya kimi təklif olunur.

Məlumat artırma nəticələri süni şəkildə yaradılmış spektrlərin real məlumat paylanması daxilində qaldığını göstərir. Bu, modelin qeyri-real siqnallarla deyil, sahədə qarşılaşa biləcəyi məqbul pozuntularla öyrədildiyini düşündürür.

Model müqayisəsində törəmə əsaslı ilkin emal üsulları daha çox ölçmə dəyişkənliyi yaradıb. Bunun səbəbi törəmə alma əməliyyatının bəzi hallarda küyü də böyütməsidir. Bunun əksinə, detrending üsulu səth əyriliyi və təmas fərqi kimi səbəblərdən yaranan baza xətti sürüşmələrini azaldarkən küyü həddindən artıq artırmayıb.

Dəyişən seçmə üsulları arasında UVE sabit dəyişənləri seçdiyinə görə önə çıxıb. Detrending ilə UVE birləşdirildikdə həm proqnoz xətası, həm də təkrar ölçmə dəyişkənliyi baxımından ən balanslı həlli verib.

Model doğrulamasında 8 gizli dəyişənli Detrending–UVE–PLS modeli xarici doğrulamada R²=0.7628 və RMSEP=1.76% dəyərlərinə çatıb. Sahəyə inteqrasiya edilmiş cihaz doğrulamasında isə R²=0.8229, RMSEP=1.15% və Mean RSD=1.47% bildirilib. Bu dəyərlər daşına bilən sistemin kartof quru maddəsinin izlənməsində istifadə potensialına malik olduğunu göstərir.

Bu Niyə Vacibdir?

Qida təchizat zəncirində sürətli keyfiyyət ölçməsi getdikcə daha vacib olur. Kartof kimi həcmli məhsullarda hər nümunəni kəsmək, qurutmaq və laboratoriyada analiz etmək həm yavaş, həm də bahalıdır. Daşına bilən cihazla sürətli və dağıdıcı olmayan ölçmə aparmaq mümkün olarsa, istehsalçı, anbar, emal müəssisəsi və keyfiyyətə nəzarət bölmələri daha tez qərar verə bilər.

Bu tədqiqat daşına bilən NIR ölçməsində yalnız “model quraq və proqnoz verək” yanaşmasının kifayət etmədiyini göstərir. Cihazın fiziki sərhədlərini, işığın toxumaya nüfuz dərinliyini, kartofin daxili heterogenliyini və real sahə istifadəsindəki pozuntuları birlikdə düşünmək lazımdır.

Xüsusilə ekvator bölgəsindən çoxnöqtəli ölçmə təklifi praktik baxımdan vacibdir. Çünki daşına bilən cihazlarda ölçmə nöqtəsi səhv seçilərsə, model nə qədər yaxşı olsa da proqnoz sapa bilər. Eyni şəkildə iki indeksli model seçimi yalnız aşağı xəta deyil, təkrar ölçmə sabitliyi də axtardığı üçün real istifadə şəraitinə daha yaxın keyfiyyət meyarı təqdim edir.

Bu yanaşma yalnız kartof üçün deyil, daxili quruluşu homogen olmayan başqa meyvə və tərəvəzlər üçün də nümunə ola bilər. Lakin hər məhsulun qabıq quruluşu, su tərkibi, toxuma sıxlığı və kimyəvi tərkibi fərqli olduğuna görə birbaşa tətbiq əvəzinə məhsul əsaslı doğrulama tələb olunur.

Diqqət Edilməli Məqamlar

Bu məqalə preprintdir. Yəni rəyçi qiymətləndirməsindən keçməyib. Nəticələr ümidverici olsa da, qəti sənaye standartı və ya birbaşa tətbiq təlimatı kimi təqdim edilməməlidir.

Tədqiqat müəyyən bölgələrdən toplanan kartof nümunələrinə əsaslanır. Fərqli sortlar, fərqli saxlama şəraiti, fərqli qabıq qalınlığı, fərqli məhsul yığımı dövrləri və fərqli istehsal bölgələri model performansına təsir edə bilər.

Ümumi nümunə sayı daşına bilən sistemin hazırlanması baxımından dəyərli olsa da, sənaye miqyasında ümumiləşdirmə üçün daha geniş, çoxillik və daha müxtəlif məlumat dəstləri lazımdır.

Optik nüfuz dərinliyi məhduddur. Cihaz kartofin tamamını birbaşa oxumur; müəyyən dərinlikdən gələn siqnaldan istifadə edərək bütün yumru barədə proqnoz yaradır. Buna görə çoxnöqtəli ölçmə və düzgün nümunə götürmə bölgəsi kritik əhəmiyyət daşıyır.

Sahə doğrulaması 28 müstəqil nümunə ilə aparılıb. Bu yaxşı başlanğıcdır; lakin real emal xəttində sürət, temperatur, rütubət, məhsul hərəkəti, operator fərqi və cihazlararası dəyişkənlik kimi əlavə amillər də sınaqdan keçirilməlidir.

Məlumat artırma üsulu realistik pozuntuları təqlid edəcək şəkildə hazırlanıb; lakin simulyasiya həmişə real sahə mürəkkəbliyini tam təmsil etməyə bilər. Buna görə real istehsal xətti məlumatları ilə əlavə doğrulama vacibdir.

Nəticə

Bu tədqiqat kartofin quru maddə tərkibini dağıdıcı olmayan və daşına bilən NIR sistemi ilə ölçmək məqsədində vacib mühəndislik yanaşması təqdim edir. Araşdırmaçılar əvvəlcə cihazın fiziki sərhədini anlamağa çalışırlar: İşıq kartof toxumasına nə qədər nüfuz edir və hansı dalğa uzunluğu daha yaxşı məlumat daşıyır? Sonra kartofin daxili heterogenliyini nəzərə alırlar: Hansı bölgədən ölçmə aparılarsa bütün yumru daha yaxşı təmsil olunar? Sonda isə model tərəfində yalnız proqnoz xətasını deyil, ölçmə sabitliyini də optimallaşdırırlar.

Nəticələr 835–875 nm dalğa uzunluğu aralığının daha uyğun optik pəncərə təqdim etdiyini, ekvator bölgəsinin ölçmə üçün daha təmsiledici olduğunu və Detrending–UVE–PLS yanaşmasının sahə pozuntularına qarşı daha dayanıqlı nəticə verdiyini göstərir.

Ən təhlükəsiz şərh budur: Bu üsul kartof keyfiyyətinə nəzarətdə daşına bilən və dağıdıcı olmayan ölçmə üçün güclü namizəddir. Lakin fərqli sortlarda, fərqli məhsul yığımı/saxlama şəraitində, fərqli cihazlarda və real sənaye xətlərində daha geniş doğrulama aparılmadan qəti tətbiq standartı kimi qəbul edilməməlidir.

Mənbə və Metod Qeydi

Bu yazı “Optimizing Portable Near-Infrared Potato Sensing via Optical Penetration Constraints and Spatial Heterogeneity Mapping” adlı preprint məqalə əsasında hazırlanıb. Tədqiqat daşına bilən yaxın infraqırmızı spektroskopiya ilə kartof quru maddə tərkibinin ölçülməsini inkişaf etdirmək üçün optik nüfuz dərinliyini, anatomik bölgənin təmsilediciliyini, məlumat artırmanı və kemometrik model optimallaşdırılmasını birlikdə nəzərdən keçirir.

Mətn sözbəsöz tərcümə deyil. Məqalədəki əsas fikir, metod, formullar, qrafiklər, təcrübələr, nəticələr və məhdudiyyətlər Verianla oxucusu üçün sadələşdirilərək orijinal türkcə redaksiya məzmunu şəklində yenidən izah edilib. Tədqiqat preprint olduğu üçün tapıntılar qəti keyfiyyətə nəzarət standartı deyil, daha çox sahə və sənaye doğrulaması tələb edən tədqiqat nəticələri kimi qiymətləndirilməlidir.