Number of the records: 1
Detekcia zložiek kávy využiteľných pri hodnotení jej kvality a pôvodu
Title Detekcia zložiek kávy využiteľných pri hodnotení jej kvality a pôvodu [elektronický zdroj] = [Detection of compounds usable in the evaluation of coffee quality and origin] / Alžbeta Demianová ; vedúci záverečnej práce Alica Bobková Author-s Demianová, Alžbeta, (Author) ; SPUFBP32
Bobková, Alica, (Thesis advisor) ; SPUFBP32Corporation Slovenská poľnohospodárska univerzita (Nitra, Slovensko). Fakulta biotechnológie a potravinárstva. Ústav potravinárstva Published 2023 Description 142 s. : grafy., príl., tab. ; 30 cm Notes V práci uvedený projekt - VEGA 1/0734/20. Súbežný názov prevzatý z databázy uis SPU . Bibliografia s. 111-133 . Resumé anglicky, slovensky . Doktorandská dizertačná práca (PhD.).- Ústav potravinárstva FBP SPU v Nitre Subject-s kávovník arabský káva chemické zloženie analýza potravín kvalita potravín pôvod tovaru dizertácie Annotation Autorský abstrakt: Cieľom dizertačnej práce bola detekcia zložiek kávy využiteľných na hodnotenie kvality a identifikáciu jej pôvodu. Prvá časť práce sumarizuje aktuálne informácie z domácich a zahraničných vedeckých publikácii zaoberajúcich sa kávou Coffea arabica, najmä jej pestovaním, spracovaním a chemickým zložením. Druha časť definuje ciele prace, podrobný popis analyzovaných vzoriek, použitých metodických postupov a dosiahnutých výsledkov. V dvoch rokoch zberu sme analyzovali 46 vzoriek zelenej kávy Coffea arabica, ktoré pochádzali z rôznych pestovateľských oblastí Južnej Ameriky, Centrálnej Ameriky a Afriky. 23 analyzovaných vzoriek bolo z roku zberu 2019 a 23 z roku 2020, pričom sa jednalo pôvodom o identické vzorky. V týchto vzorkách sme sa zamerali na stanovenie vybraných kvalitatívnych parametrov, ako celková antioxidačná kapacita (TAC), celkový obsah polyfenolov (TPC), obsah kofeínu a chlorogenových kyselín (CQAs), stanovenie pH a stanovenie profilu prchavých látok. Údaje z roku zberu 2019 sme použili ako vstupný dataset pre vytvorenie modelu autentifikácie geografického pôvodu. Dáta namerané v zelených kávových zrnách z roku 2020 sme použili nad kontrolu predikčnej funkčnosti. Získane údaje sme štatisticky spracovali pomocou Lineárnej diskriminačnej a Naive Bayes Classificator. Prvý model LDA-1 sme vytvorili s vode rozpustnými látky a druhý LDA-2 model bol separátne vytvorený pre prchavé látky. V prípade LDA-1, Wilks Lambda test preukázal štatisticky významné rozdiely medzi geografickými skupinami (P <0,0001). Vzájomná korelácia parametrov preukázala, že 83,36% variability medzi jednotlivými geografickými skupinami vzoriek kávy môže byť charakterizovaná na základe detekcie obsahu kofeínu a celkovej antioxidačnej kapacity. Ako najmenej vhodný parameter na identifikáciu geografického pôvodu sa nám zatiaľ javí obsah chlorogenových kyselín. Tento model ukázal, že použitie rozpustných zlúčenín ako parametra fungovalo pri tréningových vzorkách s 91% presnosťou. Krížovou validáciu LOOCV (leave-one-out cross-validation) sme dosiahli 82% úspešnosť identifikácie, a 77,27% pri aplikácii princípu tréningovej a testovacej podmnožiny. V prípade vo vode rozpustných látok, LDA preukázala, že 83,36% variability medzi jednotlivými skupinami predstavoval obsah kofeínu a celková antioxidačná kapacita (TAC). Najväčší rozptyl, a teda aj najmenej presnú identifikáciu vykazovali juhoamerické vzorky, naopak vzorky z Centrálnej Ameriky dosahovali najhomogénnejšie hodnoty parametrov, najmenší rozptyl a v konečnom dôsledku 100% presnosť identifikácie trénovacieho datasetu. V rámci profilov prchavých látok sme identifikovali viac ako 340 rôznych zlúčenín, ktoré boli podľa funkčnej skupiny rozdelene na deriváty furánu, aldehydy, ketóny, alkoholy, organické kyseliny a estery, uhľovodíky (alkány, alkény, alkíny a aromatické uhľovodíky), nitrily a terpény. Na takto štrukturovaný dataset sme aplikovali lineárnu diskriminačnú analýzu (LDA-2). Wilksov Lambda test preukázal štatisticky významné rozdiely medzi geografickými skupinami (P<0,0001). Použitie prchavých zlúčenín fungovalo pri tréningových vzorkách so 100% presnosťou identifikácie. Po validácii dosiahla presnosť LDA-2 modelu takmer 87% pri krížovej validácii typu LOOCV (leave-one-out cross-validation) a 80% pri validácii založenej na trénovacej a testovacej podmnožine, pričom opäť vzorky z Centrálnej Ameriky vykazovali 100% presnosť identifikácie. Najmenej presnú identifikáciu 71,43% sme rovnako zaznamenali pri juhoamerických kávach. Avšak pri kontrole funkčností oboch model sme pozorovali, že LDA-1 vykazoval veľkú chybovosť a nebol schopný správne identifikovať „neznáme“ vzorky z roku zberu 2020. Pri LDA-2 sme pozorovali problematickú identifikáciu „neznámych“ káv z Centrálnej Ameriky, ktoré boli chybne identifikované ako juhoamerické a africké. Avšak, vzhľadom na vyššiu predikčnú schopnosť tohto modelu sme aplikovali na profil prchavých zlúčenín Naive Bayes Classificator. Tento model dosiahol vyššie percento správnej identifikácie, 82,7%. No je nutné dodať, že NBC nevykazovalo správnu identifikáciu afrických vzoriek. Rovnako došlo k chybnej identifikácii niektorých vzoriek zelených káv z Južnej Ameriky, U13 a U14. V prípade Centrálnej Ameriky došlo k chybnej identifikácii vzoriek z Kostariky U19, U20 a vzorky U22 z El Salvádoru, ktoré správne, s výnimkou U19, nevedel identifikovať ani model LDA-2. Author’s abstract: The dissertation focused on detecting coffee components usable for quality assessment and identifying their origin. The first part of the thesis summarizes current information from domestic and foreign scientific research dealing with Coffea arabica, especially its cultivation, processing, and chemical composition. The second part of the thesis defines the objectives of the work, a detailed description of the analyzed samples, the methodological procedures used, and the results achieved. In two years of collection, we analyzed 46 samples of green coffee Coffea arabica from different growing regions of South America, Central America, and Africa. Twenty-three analyzed samples were from the harvest year 2019 and 23 from 2020; these were identical samples from the geographical point of view. In these samples, we focused on determining selected quality parameters, such as total antioxidant capacity (TAC), total polyphenol content (TPC), caffeine and chlorogenic acid content (CQAs), pH, and determination of the profile of volatiles. We used the data from the collection year 2019 as an input dataset to create a geographic origin authentication model and data measured in green coffee beans from 2020 to check the predictive functionality of the models. We statistically processed the obtained data using the Linear Discriminant and Naive Bayes Classifier. We created the LDA-1 model with water-soluble substances, and the second LDA-2 model was created separately for volatile substances. For LDA-1, the Wilks Lambda test showed statistically significant differences between geographic groups (P <0.0001). The intercorrelation of the parameters showed that 83.36% of the variability between individual geographical groups of coffee samples could be characterized based on the detection of caffeine content and total antioxidant capacity. The chlorogenic acid content, expressed as their sum, appears to be the least suitable parameter for identifying the geographical origin. This model showed that using water-soluble compounds as a parameter reached 91% accuracy in identifying training samples. Using Cross-validation LOOCV (leave-one-out cross-validation), we achieved 82% overall model accuracy and 77.27% when applying the training and testing subset principle of cross-validation. Regarding water-soluble substances, LDA-1 showed that 83.36% of the variability between individual groups was represented by caffeine content and total antioxidant capacity (TAC). The South American samples showed the most considerable variance and, therefore, the least accurate identification. On the contrary, the samples from Central America achieved the most homogeneous values of measured parameters, the slightest variance, and, ultimately, 100% identification accuracy of the training dataset. Within the profiles of volatile substances, we identified more than 340 different compounds, which were divided by the functional group into furan derivatives, aldehydes, ketones, alcohols, organic acids and esters, hydrocarbons (alkanes, alkenes, alkynes, and aromatic hydrocarbons), nitriles and terpenes. We applied linear discriminant analysis (LDA-2) to this structured dataset. Wilks's Lambda test showed statistically significant differences between geographic groups (P <0.0001). Using volatile compounds, worked on the training samples with 100% identification accuracy. After validation, the accuracy of the LDA-2 model reached almost 87% overall accuracy by using the LOOCV (leave-one-out cross-validation) and 80% in validation based on the training and testing subset. Again, the Central American samples showed 100% identification accuracy. We also recorded the least accurate identification of 71.43% for South American coffees. However, when checking the functionality of both models, we observed that LDA-1 showed a high error rate and was not able to correctly identify unknown samples from the 2020 harvest. With LDA-2, we observed problematic identification of unknown coffees from Central America, which were incorrectly identified, such as South American and African. However, due to the higher predictive ability of this model, we applied the Naive Bayes Classifier to the profile of volatile compounds. This model achieved a higher percentage of correct identification, 82.7%. However, it is necessary to add that NBC did not show the correct identification of African samples. There was also observed a misidentification of samples from South America U13 and U14. Regarding the Central American green coffee samples, we observed that both samples from Costa Rica U19, U20, the U22 sample from El Salvador were not identified correctly. Nevertheless, it is essential to add, that samples U19, U20, and U22 could not be correctly identified even by LDA-2. Country Slovakia Language Slovak URL http://opac.crzp.sk/openURL?crzpSigla=spunitra&crzpID=43891 Copies 1, available for regular loan 0, in-library use only 1 Database Graduate theses 
book
Call number Dislocation Collection in study room Available VP-97907 Štúrova - záverečné práce in-library use only
Number of the records: 1