zeytĠnyaĞi orĠjĠn belĠrleme yÖntemlerĠ°darİ... · 2014-02-13 · naturel sızma...

ZEYTĠNYAĞI ORĠJĠN BELĠRLEME

YÖNTEMLERĠ

MART 2013 ANKARA

YEġĠM ALTUNOĞLU

Gıda Yüksek Mühendisi

Zeytincilik AraĢtırma Ġstasyonu Müdürlüğü

EĞĠTĠMLE ĠLGĠLĠ BĠLGĠLER

Eğitim Yeri: Genova Üniversitesi,

Eczacılık Fakültesi, Analitik

Kimya Bölümü, Genova, Ġtalya

Eğitim Süresi: 1 ay (31.12.2012-

30.01.2013)

DanıĢman: Dr. Monica Casale

SUNU AKIġI

ĠÇERĠK

• Teorik Bilgi

• Uygulama

• Sonuç ve Öneriler

TEORĠK BĠLGĠ

COĞRAFĠ ĠġARET KAVRAMI

Naturel sızma zeytinyağı Akdeniz ülkelerinde değer verilen bir

gıda maddesidir.

Üretildiği coğrafik bölgeye özgü belirli kalite özellikleri

gösteren yüksek kaliteli zeytinyağlarını:

• TeĢvik etmek

• Güvence altına almak için

Avrupa Birliği koruma altına alınmıĢ orijin iĢaretini (PDO-

Protected Designation of Origin) düzenleyip kanunlaĢtırmıĢtır.


Avrupa Birliği (AB) nezdinde coğrafi iĢaret tescilinin temeli 1992

tarih ve 2081/92 sayılı Tüzüğe dayanmakta iken günümüzde

yerini 20.03.2006 tarihinde EC 510/2006 sayılı Tüzüğe

bırakmıĢtır.

Ülkemizde ise “555 Sayılı Coğrafi İşaretlerin Korunması

Hakkında Kanun Hükmünde Kararname ve Bu Kararnameye

İlişkin Uygulama Yönetmeliği “ile Nisan 2009’da yapılan son

değiĢikler ile uygulama ve baĢvuru konusunda düzenlemeler

gerçekleĢtirilmiĢtir.


Türkiye’nin zeytin yetiĢtiriciliği yapılan ana bölgelerindeki

ekonomik anlamda en önemli yerli çeĢitlerimiz olan ayvalık ve

memecik çeĢitlerinden elde edilen yağların ayırt edilmesi

açısından 3 bölge:

• Edremit Körfez Bölgesi

• Ayvalık Zeytinyağları

• Güney Ege Zeytinyağları

Türk Patent Enstitüsü tarafından menĢei adı korunmuĢ

olarak sertifikalandırılmıĢtır.


Coğrafi iĢaret sertifikası ile ürünlerin ticari değeri artmaktadır.

Bu etiketin yarattığı rekabet avantajı taklit ürünlerin piyasaya

sürülmesine neden olmuĢtur. Bu durum:

Tüketici hakları açısından

Güvenilir üreticileri, bu yağları kazanç sağlamak için ucuz

yağlarla karıĢtıran sahtekar üreticilerden ayırmak için

Gerçek üretimin korunmasını sağlamak amacıyla bu ürünlerin

aslına uygunluğunun kanıtlanmasının önemini

vurgulamaktadır.


Bu sebeple orijini ve kalitesi beyan edilmiĢ yağları

diğerlerinden objektif bir Ģekilde ayırmak için kalite

kontrolde “gıda güvenliği” ve “izlenebilirlik” göz önünde

bulundurulması gereken en önemli görevlerdir. Bu

hedeflere göre kalite faktörleri ve özelliklerin

değerlendirilmesinde güvenilir yöntemlere gereksinim

duyulmaktadır.

ORĠJĠN BELĠRLEMEDE TEMEL ALINAN ÖZELLĠKLER

Literatürde zeytinyağlarının kemometrik tekniklerle

karakterizasyoununda,

Yağ asitleri kompozisyonu,

Trigliseritler ve yağ asitleri,

Steroller

Fenolik bileĢenler

Aroma maddeleri gibi kimyasal özellikleri esas

alınmıĢtır.

ORĠJĠN BELĠRLEMEDE TEMEL ALINAN ÖZELLĠKLER

Gıdaların aslıyla aynı olup olmadığının doğrulanmasında

kabul gören bu kimyasal yöntemlerin yanı sıra

son on yıldır spektroskopi (UV, NIR, MIR, görünür, Raman)

teknikleri ve elektronik burun yöntemlerine de sıkça

rastlanmaktadır.

ORĠJĠN BELĠRLEMEDE YAKIN KIZILÖTESĠ (NIR) SPEKTROSKOPĠSĠ

• 780-2500 nm dalga boyu

aralığındaki elektromanyetik

radyasyonun absorpsiyonu

temeline dayanır.

• Numuneyi tahrip etmeyen hızlı

bir alternatif teknoloji

• Gıdalardaki çeĢitli bileĢenlerin

nicel (kantitatif) analizlerinde

kullanılmaktadır.

• Avantajları; kimyasal madde

kullanımına gerek olmaması,

analiz maliyetinin düĢük olması,

birçok bileĢenin eĢ zamanlı ve

hızlı (15-90 s) analizi, diğer

analizler için numunenin tekrar

kullanılabilirliğidir.

NIR spektroskopisi yapı içerisindeki

O-H, C-H, C-O ve N-H gibi moleküler

bağların titreĢimleri ile ilgili olarak

absorpsiyon bantları oluĢturmaktadır.

Analiz edilecek olan örnek yakın kızılötesi

ıĢınları ile karĢılaĢtığı zaman, bu bağlar

titreĢimsel enerji değiĢikliklerine maruz

kalmakta ve bunun sonucu olarak da

moleküller titreĢtiği zaman NIR

bölgesindeki organik moleküllerin enerji

absorpsiyonu meydana gelmektedir

ORĠJĠN BELĠRLEMEDE YAKIN KIZILÖTESĠ (NIR) SPEKTROSKOPĠSĠ

ORĠJĠN BELĠRLEMEDE DĠĞER ALTERNATĠF TEKNĠKLER

Coğrafik orijinlerine göre

zeytinyağlarının birbirinden ayırt

edilmesinde elektronik burun da

kullanılmaktadır. Elektronik burun

gıda maddesinin üst boĢluğunda

bulunan uçucu bileĢenlerin tespit

edilmesine dayanmakta olup

avantajları ise nispeten az

miktarda örnek hazırlama

gerektirmesi ve analiz hızıdır.

VERĠLERĠN BĠLGĠYE DÖNÜġTÜRÜLMESĠ

Zeytinyağlarının coğrafik orijinine göre kısa sürede ve

sağlıklı bir Ģekilde sınıflandırılabilmesi için kemometri

olarak isimlendirilen çok değiĢkenli istatistiksel tekniklerden

yararlanılmaktadır.

Kemometri, istatistik ve matematik ile birlikte bilgisayar

kullanılarak kimyasal verilerin iĢlenmesini kapsayan bir

kimya disiplinidir. Bu disiplin kimyasal analizlerde kimyasal

verilerden gerçek bilginin ekstraksiyonunu veya saklı

bilgilerin açığa çıkarılmasına olanak tanıyan güçlü bir

araçtır.

VERĠLERĠN BĠLGĠYE DÖNÜġTÜRÜLMESĠ

Zeytinyağlarının coğrafik orijin temel alınarak

sınıflandırılması ve karakterize edilmesinde

-Temel bileĢen analizi (PCA)

- HiyeararĢik kümelenme analizi (HCA)

- Ayırma analizi (DA)

- Sınıflandırma analizleri gibi çok değiĢkenli istatistiksel

yöntemler yaygın bir Ģekilde kullanılmaktadır.

Kemometrik hesaplamalarda genellikle Excel, Matlab

ve diğer paket programlar kullanılmakta ve bu

programlar istatistik verilerin bilgiye dönüĢtürülmesinde

bazı yardımcı araçlar sunmaktadır.

ZEYTĠNYAĞINDA ORĠJĠN BELĠRLEME AġAMALARI

Her kategoriye ait popülasyondan temsil edici istatistiksel

örnekler toplanır. ÇalıĢmanın en önemli aĢaması budur. Ġklim

koĢulları, ürün hasat yılı, hasat zamanı, elde etme sistemleri

gibi yağın kompozisyonunu etkileyebilecek tüm çevresel ve

teknolojik Ģartlar göz önünde bulundurulmalıdır.

Örnekler doğru ve referans yöntemlere göre analiz

edilmelidir.

Örnek kategorileri ve analiz verilerinin yer aldığı çizelgeler

oluĢturulur. Bu çizelgelere “matris” denilmektedir. Matrislerde

her sıra bir konudur. Her kolon ise bir değiĢkeni gösterir.


DeğiĢken

Örnek Yakın kızılötesi spektrası


Gerekiyorsa verinin ön iĢleme tabii tutulması. Bu durumda

türev alma, SNV (bilgisayar programı yardımıyla bu ön

iĢlemler yapılır) gibi bazı yöntemlere baĢvurulabilir. Bu ön

iĢlem istenmeyen değiĢimlerin minimize edilmesini amaçlar bu

sayede sinyal kalitesini arttırır ve sonuç olarak da verinin

değerli bilgilere dönüĢümünü sağlar. Bu ön iĢlemler

spektrumdaki sinyalleri daha düzenli hale getirir.


Bilgisayar programı ile temel bileşen analizi (Principal

component analysis) yapılır. Temel bileĢen analizi, üzerinde

durulan konu ya da çalıĢılan problemle ilgili genel bir bakıĢ

açısı sağlar. Ayrıca gözlemlenen sonuçlar üzerinde önemli

sonuçlar ya da kararlar verilmesini sağlayan orijinal verinin

çoklu uzayda maksimum varyans yönünü gösteren yararlı bir

yöntemdir.

Maksimum varyans yönü ilk temel bileĢeni temsil ederken,

ikinci temel bileĢen ise ilk temel bileĢene dik olan ve ilk temel

bileĢen tarafından açıklanmayan maksimum bilgiyi

göstermektedir.


Eğer hesaplanan değiĢkenler birbirinden farklı yapıda ve

büyüklükte ise standardizasyonu ve centering iĢlemleri yapılır.

Örneğin yağ asitleri kompozisyonunda olduğu değerler

arasında büyüklük farkı var ise kolon autoscaling (kolon

centering+kolon standardizasyonu) iĢlemi uygulanır.

v

viviv

s

xxy

Ölçüm değerinden grubun aritmetik

ortalamasının çıkarılarak elde

edilen sayının grubun standart

sapmasına bölünmesi ile bulunur -Kolon autoscaling-


Bilgisayar programı ile sınıflandırma kuralları hesaplanır. Bir

sınıflandırma kuralı bir örneği değiĢken değerlerini temel

alarak kategorilerden birine atar. Yaygın olarak kullanılan

sınıflandırma tekniklerinden biri ayırma analizidir (Linear

Discriminant Analysis-LDA).

Sınıflandırma tekniğinin en önemli özelliği bilinmeyen

örneklerin kategorisini tahmin etme kabiliyetidir. Bu kabiliyet

bazı değerlendirme parametreleriyle elde edilir. OluĢturulan

sınıflandırma kuralının performansı değerlendirilir. Bunun için

bir değerlendirme takımı oluĢturulur. En çok kullanılan

doğrulama yöntemlerinden biri de çapraz validasyondur.


Bir sınıflandırma tekniğinin kestirim (tahmin etme)

kabiliyetini değerlendirmek için örnek takımı 2 alt gruba ayrılır.

Örnek grubu

Eğitim Takımı Değerlendirme Takımı

Sınıflandırma ya da

modelleme kurallarının

oluĢturulmasında

kullanılır.

Sınıflandırma kuralının

performansının

değerlendirilmesinde

kullanılır.


Bir modelleme tekniğinin değerlendirme parametreleri:

CLASS BOUNDARY

90%

CLASS BOUNDARY

95% Sınıf modelleme tekniği

matematiksel bir sınıf

etrafında önceden seçilmiĢ

güven aralığında bir sınıf

boĢluğu oluĢturur.

Duyarlılık (Sensitivity): Model tarafından doğru olarak kabul

edilen modellenen sınıfa ait nesnelerinin yüzde oranıdır.

Belirginlik (Specificity): Model tarafından doğru olarak

reddedilen sınıf tarafından reddedilen modellenen sınıfa ait

olmayan nesnelerinin yüzde oranıdır.

UYGULAMA

ZEYTĠNYAĞINDA ORĠJĠN BELĠRLEME UYGULAMASI

2 farklı kategorideki 57 adet örnek:

1.Kategori: Coğrafi iĢarete sahip

Chianti Classico örnekleri

2. Kategori: BaĢka bölgeye ait

diğer örneklerdir.

Yapılan Analizler:

-Örneklerin yağ asidi

kompozisyonundan 10 yağ asidi GC

ile belirlenmiĢ.

-NIR spektroskopisi ile 1390 NIR

değiĢkeni (10000-4400 cm-1

aralığındaki spesifik dalga

boylarındaki absorbans değerleri)


Ham NIR spektra


(SNV ve 1.Türevi alınmıĢ) NIR spektra


Temel Bileşen

analizi (PCA)

Ham NIR

spektra


Temel Bileşen

analizi (PCA)

Ön iĢlemden

geçmiĢ (SNV ve

1.türevi alınmıĢ) NIR

spektra


Temel Bileşen

analizi (PCA)

10 kimyasal

parametrede (yağ

asitleri)

v

viviv

s

xxy

DeğiĢkenler farklı

ölçekte

olduklarından

kolon autoscaling

uygulanmıĢtır.


Doğrusal Ayırıcı Analiz (LDA) sınıflandırma yöntemi

olarak kullanılmıĢtır. 10 adet yağ asidi verileri için,

-Eğitim takımına 47 örnek seçilmiĢ

-Değerlendirme takımına 10 örnek seçilmiĢtir.

Sınıflandırma kuralının validasyonunda çapraz

validasyon uygulanmıĢtır.

(5 iptal grubu)


Sınıflandırma kuralının

kestirim kabiliyeti oranı

ortalama %97,87 olarak

bulunmuĢtur. (Eğitim

takımında)

Değerlendirme takımında

sınıflandırma kuralının

kestirim kabiliyeti oranı

ortalama %80 olarak

bulunmuĢtur.

10 adet yağ asidine göre


Ham NIR spektra verisi için sınıflandırma yöntemi

olarak Doğrusal Ayırıcı Analiz (LDA) kullanılmıĢtır.



DeğiĢken sayısı çok (1390) olduğu için 4 temel

bileĢen üzerinde çalıĢılmıĢtır. Sınıflandırma kuralının

validasyonunda çapraz validasyon kullanılmıĢtır.(5

iptal grubu)

(4 temel bileĢen toplam varyansın % 93,4’ünü

açıklamaktadır.)


Ön iĢlemden geçmiĢ (SNV ve 1.türev) NIR spektra

verisi için sınıflandırma yöntemi olarak Doğrusal

Ayırıcı Analiz (LDA) kullanılmıĢtır.



DeğiĢken sayısı çok (1390) olduğu için 4 temel

bileĢen üzerinde çalıĢılmıĢtır. Sınıflandırma kuralının

validasyonunda çapraz validasyon kullanılmıĢtır.(5

iptal grubu)

(4 temel bileĢen toplam varyansın % 95,15’ünü

açıklamaktadır.)


Ön iĢlemden (SNV ve 1.türev)

geçmiĢ NIR spektra verisinde Ham NIR spektra verisinde


SIMCA tekniği sınıf modelleme yöntemi olarak kullanılmıĢtır.

Ham NIR spektra verilerine göre sonuçların Coomans Plot

grafiğinde gösterimi

%100 güven

aralığında test

takımı sonuçları

DıĢ takım için

kestirim kabiliyeti ort.

% 70

DıĢ takım için ort.

Duyarlılık %80


Belirginlik %80



Ön işlemden geçmiş NIR spektra verilerine göre sonuçların

Coomans Plot grafiğinde gösterimi

%100 güven

aralığında test

takımı sonuçları

DıĢ takım için

kestirim kabiliyeti ort.

% 80


Duyarlılık %90


Belirginlik %70



10 yağ asidi verilerine göre sonuçların Coomans Plot

grafiğinde gösterimi

%95 güven aralığında

test takımı sonuçları

-DıĢ takım için kestirim

kabiliyeti ort. % 90

-DıĢ takım için ort.

Duyarlılık %70

-DıĢ takım için ort.

Belirginlik %90


SIMCA tekniğine göre elde edilen sonuçlar:

Veri Dış takım için ort.

Kestirim kabiliyeti %

Dış takım için ort.

Duyarlılık %

Dış takım için ort.

Belirginlik %

Ham NIR Spektra 70 80 80

Ön İşlemden

Geçmiş NIR spektra

80 90 70

10 yağ asidi 90 70 90


Uygulama sonucunda;

-Spektra gürültüye sahipse veri ön iĢleme yararlı

olabilir.

- Sınıflandırma tekniği olarak doğrusal ayırıcı analiz

tatmin edici sonuçlar vermiĢ ancak sınıf modelleme

tekniği olarak SIMCA daha az tatmin edici sonuçlar

vermiĢtir.

- NIR spektra sonuçları ile ilgili problem yağ asitleri

sonuçlarına göre belirginliğin düĢük çıkmasıdır. Yani

bir sınıfa ait örnekler o sınıf tarafından kabul

edilmiyor. Bunun nedeni örneklerin toplandığı yerlerin

birbirine çok yakın olması olabilir.

- Yağ asitleri kompozisyonu NIR spektroskopisine

göre daha iyi sonuçlar vermiĢtir.

SONUÇ ve ÖNERĠLER

SONUÇ VE ÖNERĠLER

Ülkemizde zeytinyağlarının coğrafik orijin bakımından aynı

zamanda çeĢit bakımından karakterizasyonu ile ilgili sınırlı

sayıda çalıĢma bulunmaktadır. Literatürdeki çalıĢmalarda

ise çoğunlukla yağ asitleri kompozisyonuna göre

zeytinyağları kemometrik teknikler yardımıyla

sınıflandırılmaya çalıĢılmıĢtır.

Belli bir bölge ve yöreye özgü ve tipik kaliteye sahip

ürünlerin benzerleri ve taklitlerine karĢı korunabilmesi için

zeytinyağı sektörünün kullanabileceği referans veri

tabanlarına ihtiyaç duyulmaktadır.

SONUÇ VE ÖNERĠLER

Spektroskopik tekniklerde (UV, NIR, MIR, görünür, Raman)

analiz sonuçları referans analizlere bağımlı olduğu için

güvenilir kalibrasyon modellerinin oluĢturulması çok

önemlidir. Bu teknikler uygulamada çok hızlı sonuç

vermekte, birçok bileĢen ve kalite özelliklerinin analizi

eĢzamanlı olarak birkaç dakikada yapılabilmektedir. Ayrıca

zeytinyağlarının coğrafik orijine göre sınıflandırılmasında

çevreyle dost, zaman ve maliyet yönünden avantajlı bu

teknikler geleneksel yöntemlere alternatif oluĢturmaktadır.

Bu yöntemlerden faydanılması ve uygun kemometrik

yöntemlerle kombine edilerek güvenilir sonuç veren

yöntemlerin araĢtırılması önem arz eden bir konudur.

TEġEKKÜRLER

www.gsb.gov.tr

zeytĠnyaĞi orĠjĠn belĠrleme yÖntemlerĠ°darİ... · 2014-02-13 · naturel sızma...

Documents