Proximal sensing and data analysis for agricultural products
A.A. 2024/2025
Obiettivi formativi
Knowledge of the theory of the main agricultural products optical properties and of non-destructive analysis techniques. Knowledge of the main categories of optical instruments available on the market. Knowledge of the main multivariate data processing techniques. Provide skills for a practical use of the instrumentation and for data interpretation to better manage the pre- and post-harvest phases.
Risultati apprendimento attesi
Acquire skills to use benchtop and portable optical instrumentation. Correctly acquire optical data on agricultural samples. Acquire skills to extract useful information from multivariate data and to calculate classification and quantitative predictive models. Perform multivariate statistical analysis using specific software. Manage modeling output to undertake decisions and for the correct management of production.
Periodo: Primo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo semestre
Programma
1. Interazione della radiazione elettromagnetica con la materia. Proprietà ottiche dei prodotti agricoli. Spettroscopia vibrazionale. Bande di assorbimento dello spettro nel campo del visibile e del vicino infrarosso (vis/NIR).
2. Analisi strumentale (spettroscopia vis/NIR, analisi delle immagini e imaging iperspettrale, termografia). Gamma spettrale completa e strumenti semplificati con bande spettrali specifiche. Strumenti da banco e portatili.
3. Configurazione sperimentale per misurazioni ottiche in scala di laboratorio o in campo aperto. Fondamenti di progettazione sperimentale. Gestione delle interferenze ambientali sui dati ottici.
4. Interpretazione degli spettri. Pretrattamenti dei dati. Analisi esplorativa di dati multivariati: analisi delle componenti principali (PCA). Modellazione dei dati: modelli di classificazione qualitativa e modelli predittivi quantitativi. Calibrazione e validazione del modello. Esercitazioni pratiche di analisi dei dati tramite software specifico.
5. Esempi di Applicazioni di rilevamento prossimale in pre-raccolta per le principali catene orticole (es. Misurazione della resa, parametri di qualità, grado di maturazione, stima ottimale del tempo di raccolta, rilevamento precoce delle malattie, monitoraggio dello stress delle piante). Esempi di applicazioni di rilevamento prossimale in post-raccolta (es. Misurazione di parametri di qualità, grado di senescenza, vita post-raccolta). Analisi di casi studio reali e misurazioni sperimentali.
2. Analisi strumentale (spettroscopia vis/NIR, analisi delle immagini e imaging iperspettrale, termografia). Gamma spettrale completa e strumenti semplificati con bande spettrali specifiche. Strumenti da banco e portatili.
3. Configurazione sperimentale per misurazioni ottiche in scala di laboratorio o in campo aperto. Fondamenti di progettazione sperimentale. Gestione delle interferenze ambientali sui dati ottici.
4. Interpretazione degli spettri. Pretrattamenti dei dati. Analisi esplorativa di dati multivariati: analisi delle componenti principali (PCA). Modellazione dei dati: modelli di classificazione qualitativa e modelli predittivi quantitativi. Calibrazione e validazione del modello. Esercitazioni pratiche di analisi dei dati tramite software specifico.
5. Esempi di Applicazioni di rilevamento prossimale in pre-raccolta per le principali catene orticole (es. Misurazione della resa, parametri di qualità, grado di maturazione, stima ottimale del tempo di raccolta, rilevamento precoce delle malattie, monitoraggio dello stress delle piante). Esempi di applicazioni di rilevamento prossimale in post-raccolta (es. Misurazione di parametri di qualità, grado di senescenza, vita post-raccolta). Analisi di casi studio reali e misurazioni sperimentali.
Prerequisiti
Il corso richiede conoscenze fisiche e matematiche di base per affrontare gli aspetti cruciali della teoria e della strumentazione. La conoscenza statistica di base è importante per affrontare gli aspetti dell'elaborazione dei dati multivariati.
Metodi didattici
Il corso prevede 5 CFU di didattica frontale e 1 CFU con utilizzo pratico della strumentazione e simulazioni numeriche utilizzando specifici software statistici. Durante le lezioni vengono presentate lezioni teoriche, utilizzo pratico della strumentazione e simulazioni numeriche per facilitare l'acquisizione delle competenze previste attraverso casi pratici di studio.
Materiale di riferimento
1. Slides e videoregistrazioni delle lezioni.
2. Donald A. Burns (Editor), Emil W. Ciurczak (Editor). Handbook of Near-Infrared Analysis (Practical Spectroscopy). CRC Press.
3. Esbensen K.H. (2006). Multivariate data analysis - in practice. Aalborg University, Esbjerg.
4. Guidetti, R., Beghi, R., & Giovenzana, V. (2012). Chemometrics in food technology. Chemometrics in practical applications, 217-252.
2. Donald A. Burns (Editor), Emil W. Ciurczak (Editor). Handbook of Near-Infrared Analysis (Practical Spectroscopy). CRC Press.
3. Esbensen K.H. (2006). Multivariate data analysis - in practice. Aalborg University, Esbjerg.
4. Guidetti, R., Beghi, R., & Giovenzana, V. (2012). Chemometrics in food technology. Chemometrics in practical applications, 217-252.
Modalità di verifica dell’apprendimento e criteri di valutazione
La prova finale sarà un unico esame orale: verranno proposte domande teoriche "aperte" (3 domande) in base all'argomento presentato durante il corso. Non saranno previste prove intermedie.
Studentesse e studenti con DSA o disabilità sono pregate/i di contattare via mail il docente almeno15 giorni prima della data di esame prevista per concordare le eventuali misure individualizzate. Nella mail indirizzata al docente è necessario mettere in CC i rispettivi Servizi di Ateneo: [email protected] (per studenti con DSA) o [email protected] (per studenti con disabilità).
Studentesse e studenti con DSA o disabilità sono pregate/i di contattare via mail il docente almeno15 giorni prima della data di esame prevista per concordare le eventuali misure individualizzate. Nella mail indirizzata al docente è necessario mettere in CC i rispettivi Servizi di Ateneo: [email protected] (per studenti con DSA) o [email protected] (per studenti con disabilità).
AGR/09 - MECCANICA AGRARIA - CFU: 6
Laboratori: 16 ore
Lezioni: 40 ore
Lezioni: 40 ore
Docente:
Beghi Roberto
Turni:
Turno
Docente:
Beghi RobertoDocente/i
Ricevimento:
su appuntamento
Dipartimento di Scienze Agrarie e Ambientali - via Celoria 2, Milano