A new version of this entry is available:
Loading...
Doctoral Thesis
2025
From spectra to traits: advancements in predicting wheat characteristics
From spectra to traits: advancements in predicting wheat characteristics
Abstract (English)
This thesis is driven by two primary objectives: To evaluate the potential for improving quality assessment throughout the wheat value chain and the potential for replacing protein content as the primary determinant of price and quality with spectroscopic methods. An early, fast, and well-founded decision on wheat quality leads to improved processing properties and product quality of wheat products. Given that these attributes are often more closely tied to protein quality or other components than protein quantity, a direct and precise quantification is highly desirable. The noteworthy advantage of protein content lies in its prediction through near-infrared spectroscopy (NIRS).
To augment the information available from near-infrared spectra, which are inherently limited in their insights into molecular compounds within samples, NIRS was supplemented with Raman and fluorescence spectroscopy. The thesis`s foundation comprises four distinct sample sets, encompassing both common wheat and spelt. In total, a staggering 4,237 samples of whole grain, whole grain flour, and extracted flour were analyzed to predict a wide array of 100 diverse quality parameters, spanning from measures of protein quality to dough rheological properties, baking behavior, physical and chemical characteristics and agronomic traits. To enable accurate predictions several spectra pre-processing and regression techniques were applied.
Among the spectrometers and algorithms tested, no clear recommendation can be given. In this work, NIRS was found to perform well over different levels of sample preparation, while Raman and fluorescence spectroscopy performed better on flour.
A glimpse into the findings is best exemplified by considering loaf volume, a measure of end-product quality. Prediction errors (RMSECV) ranged between 29 and 43 mL/100 g of flour, accompanied by R² values spanning 0.66 to 0.78. One major factor influencing the improvable prediction accuracy is the inherent measurement error associated with the baking trial. However, when this measurement error is known, a straightforward solution emerges: By measuring a few samples repeatedly, the prediction error can be corrected from 43 mL/100 g of flour to 28 mL/100 g, aligning with the magnitude of the measurement error itself. Simultaneously, the corrected R² value improves from 0.66 to 0.86. It has been shown that measurement error correction works for other quality characteristics, such as water absorption or baking loss, and may be applied to other parameters. The robustness of the models was evaluated by successfully predicting complex traits of unknown cultivars. However, the models proved less effective in predicting across separate locations and years. Similar robustness results were found for protein content, water absorption and grain yield. Since protein content is a well-established and predictable parameter, robust models for complex traits are also feasible.
Other well predictable parameters are protein content (R² = 0.97-0.98, RMSECV = 0.16-0.20 %), wet gluten content (R² = 0.89-0.98, RMSECV = 0.80-0.84 %), water absorption (R² = 0.68-0.83, RMSECV = 0.9-1.2 mL/100 g) and grain yield (R² = 0.73-0.85, RMSECV = 5.9-6.8 dt/ha). Examples for non-predictable parameters are starch properties measured with a rapid visco analyzer or enzyme activity. And for some parameters no clear conclusion could be drawn, such as SDS sedimentation volume, plant height, thousand kernel weight, extensograph or farinograph parameters.
The successful prediction of intricate traits can be further refined by reducing measurement errors of the reference values and using better suited spectrometers. The robustness can be increased by expanding the sample set by including data from a broader spectrum of locations and years.Implementing this proposed methodology holds the potential to instigate positive changes within the wheat supply chain, with implications for product quality, environment, and economic aspects.
Abstract (German)
Die Untersuchung des Potenzials spektroskopischer Methoden zur Verbesserung der Qualitätsbeurteilung in der gesamten Weizenwertschöpfungskette und zur Ablösung des Proteingehalts als primärem Preis- und Qualitätsindikator sind die Hauptziele dieser Dissertation. Eine frühzeitige, schnelle und fundierte Entscheidung über Weizenqualitäten führt zu besseren Mehlen mit idealen Verarbeitungseigenschaften und Produktqualitäten. Da diese Eigenschaften oft enger mit der Proteinqualitat als mit der Proteinmenge zusammenhängen, ist eine genaue Bestimmung erstrebenswert. Der Hauptvorteil des Proteingehalts ist seine Vorhersagbarkeit basierend auf der Nahinfrarotspektroskopie. Um die Nahinfrarotspektroskopie (NIRS), die einen begrenzten Einblick in die molekularen Verbindungen gibt, zu erweitern, wurde sie durch Raman- und Fluoreszenzspektroskopie ergänzt. Die Studie basiert auf vier verschiedenen Probensätzen. Insgesamt wurden 4.237 Körner-, Vollkorn- und Auszugsmehlproben analysiert, um ein breites Spektrum von 100 verschiedenen Qualitätsparametern vorherzusagen, die von der Messung der Proteinqualität bis hin zu teigrheologischen Charakteristiken, Backverhalten, agronomischen Merkmalen sowie physikalischen und chemischen Eigenschaften reichen. Für genaue Vorhersagen wurden verschiedene Spektrenvorverarbeitungs- und Regressionstechniken angewandt. Unter den getesteten Spektrometern und Algorithmen kann keine klare Empfehlung ausgesprochen werden. In dieser Arbeit wurde festgestellt, dass NIRS bei verschiedenen Probenvorbereitung gut funktioniert, während Raman- und Fluoreszenzspektroskopie bei Mehlen besser abschneiden. Die Ergebnisse lassen sich am besten anhand des Gebäckvolumens veranschaulichen. Die Vorhersagefehler hierfür (RMSECV) lagen zwischen 29 und 43 mI/100 g Mehl, begleitet von R²- Werten zwischen 0,66 und 0,78. Der Messfehler, ein Haupteinfluss der Genauigkeit, wurde wie folgt reduziert: Durch wiederholtes Messen einiger Proben konnte der Vorhersagefehler rechnerisch um den nun bestimmten Messfehler von 43 ml/100 g Mehl auf 28 mI/100 g korrigiert werden. Dies entspricht der Größe des Messfehlers selbst. Gleichzeitig verbessert sich das R² von 0,66 auf 0,86. Es hat sich gezeigt, dass die Messfehlerkorrektur auch bei anderen Qualitätsmerkmalen, wie z. B. der Wasseraufnahme oder dem Backverlust, funktioniert und auf andere Parameter angewendet werden könnte. Zusätzlich wurde die Robustheit der Modelle durch die erfolgreiche Vorhersage von beispielsweise Proteingehalt oder Backvolumen bei unbekannten Weizensorten bewertet. Allerdings erwiesen sich die Modelle bei der Vorhersage über verschiedene Standorte und Jahre hinweg als weniger effektiv. Ähnliche Robustheitsergebnisse wurden für den Proteingehalt, die Wasseraufnahme und den Kornertrag gefunden. Da der Proteingehalt ein gut etablierter und vorhersagbarer Parameter ist, sind auch robuste Modelle für komplexe Merkmale denkbar. Weitere gut vorhersagbare Parameter sind der Proteingehalt (R² = 0,97-0,98, RMSECV = 0,16- 0,20 %), der Feuchtklebergehalt (R² = 0,89-0,98, RMSECV = 0,80-0,84 %), die Wasseraufnahme (R² = 0,68-0,83, RMSECV = 0,9-1,2 ml/100 g) und der Kornertrag (R² = 0,73-0,85, RMSECV = 5,9-6,8 dt/ha). Beispiele für nicht vorhersagbare Parameter sind die mit einem Rapid Visco Analyzer gemessenen Stärkeeigenschaften oder die Enzymaktivität. Und für einige Parameter konnten keine eindeutigen Schlussfolgerungen gezogen werden, wie z. B. SDS- Sedimentationsvolumen, Pflanzenhöhe, Tausendkorngewicht, Extensograph- oder Farinographparameter. Die erfolgreiche Vorhersage komplizierter Merkmale kann durch Verringerung der Messfehler bei den Referenzwerten und Verwendung besser geeigneter Spektrometer weiter verfeinert werden. Weiterhin können die Vorhersagen robuster gemacht werden, indem die Datengrundlage erweitert wird, z.B. mit Daten aus einem breiteren Spektrum von Standorten und Jahren. Die Umsetzung dieser Methode in der nicht verbesserten Form birgt bereits das Potenzial, positive Veränderungen innerhalb der Weizenlieferkette herbeizuführen, die sich verbessernd auf die Produktqualität, die Umwelt und wirtschaftliche Aspekte auswirken.
File is subject to an embargo until
This is a correction to:
A correction to this entry is available:
This is a new version of:
Other version
Notes
Publication license
Publication series
Published in
Other version
Faculty
Faculty of Natural Sciences
Institute
Institute of Food Science and Biotechnology
Examination date
2025-07-11
Supervisor
Cite this publication
Nagel-Held, J. H. (2025). From Spectra to Traits: Advancements in Predicting Wheat Characteristics. https://doi.org/10.60848/12978
Edition / version
Citation
DOI
ISSN
ISBN
Language
English
Publisher
Publisher place
Classification (DDC)
660 Chemical engineerin
Original object
University bibliography
Free keywords
Standardized keywords (GND)
Sustainable Development Goals
BibTeX
@phdthesis{Nagel-Held2025,
url = {https://hohpublica.uni-hohenheim.de/handle/123456789/18047},
author = {Nagel-Held, Johannes Henrich and Hitzmann, Bernd},
title = {From Spectra to Traits: Advancements in Predicting Wheat Characteristics},
year = {2025},
}