A análise de infravermelho próximo de amostras de café cru e torrado tem se mostrado bastante promissora para a identificação de espécies, para a definição do ponto de torra e para a quantificação de alguns compostos químicos da semente. A espectroscopia de infravermelho próximo tem sido proposta também como um método objetivo de avaliação da qualidade da bebida. Neste trabalho apresenta-se um modelo quimiométrico para a previsão de qualidade global da bebida de café arábica construído a partir da correlação entre espectros de infravermelho próximo por reflectância difusa e análises sensoriais de cafés arábica cru. Para isso, cento e dezenove amostras de cafés arábica cru foram submetidas à avaliação sensorial para o atributo qualidade global e analisadas em infravermelho próximo por reflectância difusa. A regressão pelo método de quadrados mínimos parciais (PLS) foi utilizada para a construção do modelo. Através da seleção de variáveis realizada pelo método OPS foram identificadas 24 regiões espectrais relacionadas com a qualidade global. Para o modelo calculado com 5 variáveis latentes, o erro de validação cruzada (RMSECV) foi de 0,70 ± 0,04 e o coeficiente de correlação (rvc) foi de 0,93 ± 0,01. Usando uma escala de 1 a10, o erro médio dos valores previstos foi igual a 0,4, enquanto o erro médio da prova de xícara foi de 0,5.
The near infrared analysis of samples of raw coffee has been proposed for the species identification, degree of roasting determination and for the quantification of some chemical compounds of the seed. The near infrared spectroscopy has been also tried as an objective method for beverage quality evaluation. In this work a chemometric prediction model for the Arabica coffee beverage overall quality was constructed by the correlation between near infrared diffuse reflectance spectra and sensory score for the attribute. One hundred and nineteen samples of crude arabica coffees were submitted to the sensory evaluation regarding the overall quality attribute and analyzed by diffuse reflectance near infrared. The partial least squares (PLS) regression method was used for the construction of the model. Through, OPS variable selection method, 24 spectral regions related to overall quality were identified. For the model built with 5 latent variables, the root mean square error of cross validation (RMSECV) was 0,70 ± 0,04 and the correlation coefficient (rvc) was 0,93 ± 0,01. When using an scale ranging from 1 to 10, the mean error of the previewed values was 0,4, while the cupping mean error was 0,5.
