Zur Seitenansicht
 

Titelaufnahme

Titel
Nah-Infrarot-Reflexions-Spektroskopie (NIRS) in der Pflanzenzüchtung : Kalibrationsentwicklung bei Leindotter (Camelina sativa (L.) Crantz) und Weizen (Triticum aestivum L.) / vorgelegt von Martin Friedrich Otte
VerfasserOtte, Martin Friedrich
GutachterGrausgruber, Heinrich ; Vollmann, Johann ; Dvořáček, Václav
ErschienenWien, Jänner 2016
Umfangii, 53 Blätter : Illustrationen, Diagramme
HochschulschriftUniversität für Bodenkultur Wien, Univ., Masterarbeit, 2015
HochschulschriftUniversität für Bodenkultur Wien, Univ., Masterarbeit, 2016
Anmerkung
Mit englischer Zusammenfassung
SpracheDeutsch
DokumenttypMasterarbeit
Schlagwörter (DE)NIRS, Spektroskopie, Nahinfrarot-Spektroskopie, Leindotter, Camelina sativa, waxy Weizen, Triticum aestivum, Stärke, Tausendkorngewicht, Kalibration, multivariate Statistik, Chemometrie
Schlagwörter (EN)NIRS, near-infrared reflectance spectroscopy, Camelina sativa, waxy wheat, Triticum aestivum, starch, thousand grain weight, calibration, multivariate statistic, chemometrics
Schlagwörter (GND)NIR-Spektroskopie / Kalibrieren <Messtechnik> / Öldotter / Weizen / Pflanzenzüchtung
URNurn:nbn:at:at-ubbw:1-20573 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Nah-Infrarot-Reflexions-Spektroskopie (NIRS) in der Pflanzenzüchtung [3.57 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Nahinfrarot-Reflexions-Spektroskopie (NIRS) ist in der Qualitätsanalytik und Prozesskontrolle weit verbreitet. Auch in der Qualitätszüchtung stellt die NIR-Spektroskopie eine wertvolle Methode dar, da sie nicht nur schnell und kostengünstig, sondern vor allem oft auch nicht-destruktiv angewandt werden kann. In dieser Arbeit wurden zwei Kalibrationen für unterschiedliche Einsatzzwecke entwickelt. Im ersten Fallbeispiel wurde eine globale, quantitative Kalibration für das Tausendkorngewicht von Leindottersamen entwickelt. Hierbei wurde ein Bestimmtheitsmaß (R) von 81,6% und ein Vorhersagefehler (RMSEP) von 0,096 mit einer PLS1 Regression nach der externen Validierung erreicht. Die Güte der Kalibration ist ausreichend für eine effektive Selektion in dem Selektionsprozess. Im zweiten Fallbeispiel wurde eine qualitative Kalibration (Klassifikation) für die Waxy-Stärke von Saatweizen entwickelt. Waxy-Weizen fehlt das Enzym für die Amylosesynthese. Die Kalibration wurde für die Klassifikation von Nachkommen aus Waxy-Wildtyp Kreuzungen. Dabei wurde eine Klassifikationsgenauigkeit von R=87,5% mit der Support Vector Machine (SVM) nach der Kreuzvalidierung erreicht. Das Modell konnte vor allem die genetisch sehr diversen Wildtyp-Proben nicht korrekt zuordnen. Da im Trainingsset Wildtyp-Proben mit exotischer Herkunft und speziellen Eigenschaften, wie z.B. Gelbpigmentweizen, inkludiert wurden, könnte wahrscheinlich mit weniger diversen Wildtyp-Proben eine höhere Klassifikationsgenauigkeit erreicht werden.

Zusammenfassung (Englisch)

Near-Infrared Reflectance Spectroscopy (NIRS) is a widely used technology in quality analytics and process control. In plant breeding, NIRS is a useful technique allowing the rapid and cheap determination of quality characteristics in the selection process. Moreover, small seeds can be measured in a non-destructive way, which enables the breeder to grow the analyzed plant material in the next generation. In this work, NIRS calibrations were developed for two different crops. In the first program a calibration was developed for thousand grain weight of Camelina sativa. High seed weights result in better germination and better oil extraction. Therefore, a global quantitative calibration to select seed weight has been developed. A maximum coefficient of determination (R) of 81.6% and prediction error (RMSEP) of 0.096 were obtained by a PLS1 regression after external validation. The achieved calibration performance is sufficient for selection within the breeding process. The aim of the second program was to develop a qualitative calibration for waxy starch of common wheat. Waxy wheat lacks the enzyme for amylose synthesis. The calibration was developed to classify the progenies from crosses between waxy and non-waxy wheat. An accuracy of R=87.5% was obtained with a support vector machine (SVM) classification model after cross-validation. However, the model was unable to classify the genetically highly diverse non-waxy samples to the correct class. A good classification accuracy should be obtained by including more environmentally adapted non-waxy samples to the training set as in the present material the major part of non-waxy samples was of exotic origin and/or with special traits, e.g. carotenoid pigmented endosperm.