基于绿熟番茄果实L*值的番茄红素含量预测模型建立

裴娇艳，杨震峰，许 凤，郑永华*

(1.南京农业大学食品科技学院，江苏 南京 210095；2.浙江万里学院生物与环境学院，浙江 宁波 315100)

基于绿熟番茄果实L*值的番茄红素含量预测模型建立

裴娇艳1,2，杨震峰2，许 凤1,2，郑永华1,*

(1.南京农业大学食品科技学院，江苏 南京 210095；2.浙江万里学院生物与环境学院，浙江 宁波 315100)

为了研究绿熟番茄果实贮藏期间颜色和番茄红素含量变化的关系，通过不同温度下的贮藏实验研究基于果实明度(L*值)的番茄红素含量预测模型。将绿熟番茄果实贮藏在283.15、288.15、298.15K条件下，测定了果实L*值和番茄红素含量的变化。采用指数函数和Gomportz函数分别对不同贮藏温度下番茄果实L*值和番茄红素含量进行曲线拟合，建立了果实L*值和番茄红素含量与贮藏时间和贮藏温度之间的动力学模型。实验表明，指数函数和Gomportz函数分别对番茄果实L*值和番茄红素含量的变化具有较高的拟合精度(R2＞0.95)。在Arrhenius动力学方程基础上得到绿熟番茄果实贮藏期间L*值和番茄红素含量变化的活化能(Ea)分别为48.09kJ/mol和67.06kJ/mol，复相关系数分别为0.9644和0.9815。建立的基于果实L*值变化的番茄红素含量的预测模型所获得的番茄红素预测值与实测值之间的平均相对误差为8.74%，小于10%。这表明，在283.15～298.15K(10～25℃)的贮藏温度范围内，可根据番茄果实采后L*值的变化对番茄红素的含量进行预测。

番茄果实；明度；番茄红素含量；动力学模型

番茄为跃变型果实，其成熟过程可以分为绿熟期、微熟期、半熟期、坚熟期和软熟期5个过程[1]。绿熟期到微熟期的番茄果实已充分长成，物质积累过程已完成，在贮藏中完成后熟过程，可以获得接近在植株上成熟的品质。所以，用于贮藏或长距离运输的番茄应在这一时期采收。

番茄果实的颜色是评定其等级、衡量其质量的重要指标之一[2]。番茄所含的色素有番茄红素、类胡萝卜

素、叶黄素及叶绿素等，各品种番茄的色泽，决定于各种色素的相对浓度和分布。一般番茄红素含量越高，色泽愈红。但颜色研究中色素成分的分析过程不仅烦琐，而且不能给出人眼实际感觉到的颜色，很难令人满意。目前，较多学者把果实蔬菜表面颜色的物理测试作为研究颜色变化的方法，其变化规律可利用动力学理论进行分析和研究[3-8]。汪琳等[9]研究了绿熟番茄采后成熟过程中果皮颜色的变化规律, 确定了色泽角、色泽比(a*/b*) 和明度(L*)等主要颜色指标变化的动力学模型，并设计了一个色泽角-时温预测模型，用于预测和监控果实采后贮藏品质的变化；Lana等[10]采用图像分析技术研究了贮藏温度和采收成熟度对番茄果实RGB颜色参数的影响，建立了不同贮藏温度和采收成熟度条件下番茄果实颜色的预测模型。但目前大部分的研究都集中在建立番茄果实采后颜色变化的动力学模型，而对绿熟番茄果实采后颜色变化与呈色物质的相关性及其预测模型的研究却少有报道。

本实验通过研究贮藏在283.15、288.15、298.15K条件下绿熟番茄果实的L*值和番茄红素含量变化的规律，应用动力学模型建立基于番茄果实L*值变化的番茄红素含量预测模型，旨在为建立番茄果实采后流通过程中品质变化的评价系统提供基础理论依据。

1 材料与方法

1.1 材料、试剂与仪器

番茄果实品种为“秀丽”，采自宁波飞洪生态农业发展有限公司的生产基地。果实于绿熟期采收，采后2h内运达实验室。选择大小均匀，成熟度相对一致，无病虫害，无机械伤害的果实进行实验。

1,2-二氯乙烷、碳酸钠(均为分析纯) 国药集团化学试剂有限公司。

754型紫外分光光度计 上海菁华科技仪器有限公司；DSHZ-300型多用途恒温水浴振荡器 江苏太仓市实验设备厂；GL-20G-Ⅱ型离心机 上海安亭科学仪器厂；WSC-S型全自动测色色差仪 上海精密科学仪器有限公司。

1.2 方法

1.2.1 材料处理和取样方法

将挑选好的果实置于低温下预冷24h后，用0.03mm厚的聚乙烯保鲜袋分装，每4个番茄装一袋，再用皮筋扎两圈，切勿将口扎严。将分装好的番茄置于283.15、288.15、298.15K的恒温恒湿箱中贮藏，相对湿度控制在85%～95%。另设验证实验1组，贮藏在296.15K条件下。每个贮藏温度均重复3次，每次重复80个果实。定期取样测定果实颜色和番茄红素含量。

1.2.2 果实颜色的测定

果实颜色采用自动色差计测定，用标准陶瓷板标定X = 76.74，Y = 81.07，Z = 80.89作为工作标准。测定CIE-Lab表色系中的L*值(明度，反映色泽的明度，从0～100变化，0是黑色，100是白色)，a*值(红度，正值代表红色，负值代表绿色)，b*值(黄度，正值代表黄色，负值代表蓝色)。每次重复均从80个果实中随机取4个果实，在果实赤道部位每隔120°取3点测定，结果取平均值[11]。

1.2.3 番茄红素含量的测定

果实中番茄红素含量的测定参照沈莲清[12]的方法，并加以修改。每次重复均从80个果实中随机取8个果实，在8个果实中随机取200g果肉切成碎块后匀浆，同时加入1g 碳酸钠以中和细胞破碎时释放出的有机酸。称取15g果实匀浆于小三角瓶中，用3倍体积的1,2-二氯乙烷在55℃水浴振荡，振荡频率为170r/min。提取1h后，12000×g离心10min，将提取后的残渣用上述方法再提取2次，合并提取液定容至100mL，用紫外可见分光光度计测定485nm波长处的吸光度。每次测定重复3次。

1.2.4 数据处理和模型拟合度分析

采用Origin7.5软件进行数据处理分析，用Duncan氏多重比较进行不同温度贮藏组间差异显著性检验。线性拟合和回归分析采用Matlab7.1软件进行分析处理。模型的拟合准确度通过平均相对百分比误差值来确定，其定义为：

式中：Ve、Vp分别为每次试验的测试值和预测值；N为试验次数。P＜10%，认为该模型的拟合度可以接受[13-14]。

2 结果与分析

2.1 不同贮藏温度下番茄果实 L*值和番茄红素含量的变化

绿熟番茄采后果实颜色在贮藏期间发生了显著的变化，由最初的绿色向微红、粉红、全红转变。由图1A可知，随着果实的后熟进程，绿熟期采收的番茄果实颜色逐渐向红色转变，果实颜色的明度(L*值)开始下降。贮藏温度显著影响绿熟番茄果实采后L*值的变化。在283.15～298.15K的范围内，贮藏温度越高，果实L*值下降越快。298.15K贮藏20d后，果实L*值由最初的55.9下降到31.4，下降了43.8%，而在288.15K和283.15K条件下贮藏33d和39d的番茄果实L*值分别下降

了43.1%和33.6%。贮藏后期各温度下番茄果实L*值下降减慢，这可能与转色程度较高后果实红色增加不明显有关。

绿熟番茄果实后熟过程中番茄红素含量的变化如图1B所示。在283.15～298.15K的贮藏温度范围内，果实中番茄红素含量逐渐增加。贮藏前10d期间，果实中番茄红素的合成较少，各温度下番茄红素含量差别不显著。但10d后，果实开始转色，果实中番茄红素大量合成，番茄红素含量迅速增加，此时贮藏温度显著影响果实中番茄红素的积累。在本实验温度范围内，贮藏温度越高，果实中番茄红素的合成速度越快，番茄红素含量的增加越明显。298.15K贮藏20d后，果实中番茄红素的含量为41.92 μg/g mf，含量增加了30倍，而在288.15K和283.15K条件下贮藏33d和39d的果实番茄红素含量则分别增加了24.8倍和9.7倍。贮藏结束时，绿熟番茄果实全部转红变软，但不同贮藏温度下番茄红素含量差异显著，其中298.15K的含量最高为41.92 μg/g mf，288.15K和283.15K的次之，分别为34.63μg/g mf和14.35 μg/g mf。

2.2 L*值和番茄红素含量变化的动力学模型

图1 贮藏温度对绿熟番茄果实L*值(A)和番茄红素含量(B)的影响Fig.1 Effect of storage temperature on L value (A) and lycopene content (B) of mature green tomato fruits

根据不同贮藏温度下番茄果实L*值和番茄红素含量的变化规律，可以建立L*值和番茄红素含量随着贮藏时间变化的一级动力学模型。L*值变化是典型的指数形式[9]，故将贮藏期间L*值的变化进行指数函数曲线拟合，并利用Gomportz函数对番茄红素含量的变化进行Gomportz曲线拟合[6,15-16]。拟合得到的不同贮藏温度下L*值和番茄红素含量变化的一级动力学模型的回归方程、反应速率常数(k)、决定系数(R2)见表1。

表1 不同贮藏温度下绿熟番茄果实L*值和番茄红素含量的动力学模型及参数Table1 Kinetics models and parameters for L value and lycopene content of mature green tomato fruits stored at different temperatures

由表1可知，不同贮藏温度条件下拟合所得的L*值和番茄红素含量一级动力学模型回归方程的决定系数均大于0.95，这表明所得回归方程具有很高的拟合精度，即实测值和模型的预测值具有较高的一致性。同时发现，生化反应速率常数k随着贮藏温度的升高而增加。

图2 绿熟番茄果实L*值(A)和番茄红素含量(B)的Arrhenius曲线Fig.2 Arrhenius curves for L value (A) and lycopene content (B) of mature green tomato fruits

生化反应速率常数k是温度的函数，因此运用Arrhenius方程可以求得在283.15～298.15K贮藏温度范围内，果实L*值和番茄红素含量变化的反应速率常数及反应活化能。用L*值和番茄红素含量的lnk对1/T分别

所做的Arrhenius曲线如图2所示。复相关系数分别为0.9644和0.9815，这表明本实验选用的指数函数和Gomportz函数在建立果实L*值和番茄红素含量变化动力学模型的过程中适用。

由Arrhenius方程计算得到贮藏期间番茄果实L*值和番茄红素含量变化的活化能(Ea)分别为48.09kJ/mol和67.06kJ/mol。根据表1中不同贮藏温度条件下拟合所得的动力学模型回归方程和由Arrhenius方程计算得到的反应速率常数可建立番茄果实L*值和番茄红素含量变化的最终预测模型方程。

果实L*值变化的最终预测模型方程：

果实番茄红素含量变化的最终预测模型方程：

(1)和(2)式中：L*为果实明度；C为果实番茄红素含量(μg/g mf)；t为贮藏时间/d；T为贮藏温度/K。下同。

2.3 L*值和番茄红素含量变化的关系

方程(4)为在确定的贮藏温度下，基于果实L*值变化的番茄红素含量的预测方程。在番茄果实L*值和贮藏温度已知的情况下，可以根据方程(4)预测出番茄果实中番茄红素的含量。

2.4 预测模型验证

为了验证预测模型的准确性，利用建立的基于果实L*值变化的番茄红素含量的预测方程对验证实验中贮藏在296.15K条件下的绿熟番茄果实中番茄红素含量进行预测，并将预测值和实测值进行比较(图3)。

图3 296.15K条件下绿熟番果实茄番茄红素实测值和预测值Fig.3 Plot of predicted versus measured values of lycopene content of green mature tomato fruits stored at 296.15 K

图3 中验证结果显示，应用本研究建立的基于果实L*值变化的番茄红素含量的预测模型所获得的番茄红素含量预测值与实测值之间平均相对误差P=8.74%，小于10%，预测值和实测值具有很高的一致性，说明模型的拟合精确度在可接受范围之内。因此，根据此模型可以快速可靠的预测283.15～298.15K(10～25℃)贮藏条件下绿熟番茄果实采后番茄红素含量的变化。

3 结 论

在不同贮藏温度下对绿熟番茄果实L*值和番茄红素含量的变化及其规律进行研究。实验结果表明：不同贮藏温度下绿熟番茄L*值随着贮藏时间的延长不断下降，而果实中番茄红素的含量则随着贮藏时间的延长逐渐增加，且随着贮藏温度的升高，L*值的下降和番茄红素的积累加快，符合一级化学反应动力学模型；采用指数函数和Gomportz函数分别对不同贮藏温度下番茄果实L*值和番茄红素含量进行曲线拟合，拟合所得的L*值和番茄红素含量一级动力学模型回归方程的决定系数均大于0.95。并由Arrhenius方程计算得到贮藏期间绿熟番茄果实L*值和番茄红素含量变化的活化能(Ea)分别为48.09kJ/mol和67.06kJ/mol，复相关系数分别为0.9644和0.9815，这表明本实验选用的指数函数和Gomportz函数在建立果实L*值和番茄红素含量变化动力学模型的过程中适用；本实验建立的基于果实L*值变化的番茄红素含量的预测模型所获得的番茄红素预测值与实测值之间的平均相对误差为8.74%，小于10%。由此，在283.15～298.15K(10～25℃)的贮藏温度范围内，根据番茄果实采后L*值的变化对番茄红素的含量进行预测，可以判断和实时监控绿熟番茄采后的新鲜程度和品质变化，更好地控制产品的商品性。

[1]CARAA B, GIOVANNONI J J. Molecular biology of ethylene during tomato fruit development and maturation[J]. Plant Science, 2008, 175: 106-113.

[2]HERTOG M, LAMMERTYN J, DESMET M, et al. The impact of biological variation on postharvest behaviour of tomato fruit[J]. Postharvest Biology and Technology, 2004, 34: 271-284.

[3]任珂, 屠康, 潘磊庆, 等. 青花菜贮藏期间颜色变化动力学模型的建立[J]. 农业工程学报, 2005, 21(8): 146-149.

[4]TIJSKENS L M M, EVELO R G. Modelling colour of tomatoes during postharvest storage[J]. Postharvest Biology and Technology, 1994(4): 85-98.

[5]IBARZ A, PAGN J, GARZA S. Kinetic models for colour changes in pear puree during heating at relatively high temperaturas[J]. Journal of Food Engineering, 1999, 39(4): 415-422.

[6]GODOY C, MONTERUBBIANESI G, TOGNETTI J. Analysis of highbush blueberry (Vaccinium corymbosum L.) fruit growth with exponential mixed models[J]. Scientia Horticulturae, 2008, 115(4): 368-376.

[7]SCHOUTEN R E, TIJSKENS L M M, van KOOTEN O. Predicting keeping quality of batches of cucumber fruit based on a physiological mechanism[J]. Postharvest Biology and Technology, 2002, 26(2): 209-220.

[8]JHA S N, CHOPRA S, KINGSLY A R P. Modeling of color values for nondestructive evaluation of maturity of mango[J]. Journal of Food Engineering, 2007, 78(1): 22-26.

[9]汪琳, 应铁进. 番茄果实采后贮藏过程中的的颜色动力学模型及其应用[J]. 农业工程学报, 2001, 17(3): 118-121.

[10]LANA M M, TIJSKENS L M M, van KOOTEN O. Effects of storage temperature and stage of ripening on RGB colour aspects of fresh-cut tomato pericarp using video image analysis[J]. Journal of Food Engineering, 2006, 77(4): 871-879.

[11]HERTOG M L A T M, LAMMERTYN J, DESMET M, et al. The impact of biological variation on postharvest behaviour of tomato fruit [J]. Postharvest Biology and Technology, 2004, 34(3): 271-284.

[12]沈莲清, 许明峰, 王向阳. 番茄红素的提取工艺研究[J]. 食品研究与开发, 2007, 28(8): 191-192.

[13]BOQUET R, CHIRIFE J, IGLESIAS H A. Equations for fitting water sorption isotherms of foods.Ⅱ. evaluation of various two-parameter models[J]. Journal of Food Technology, 1978, 13(3): 319-327.

[14]KAYMAK-ERTEKIN F, GEDIK A. Sorption isotherms and isosteric heat of sorption for grapes, apricots, apples and potatoes[J]. Lebensmittel Wissenschaft und-Technologie, 2004, 37(4): 429-438.

[15]QUINTASA M, BRANDOA T R S, SILVA C L M. Modelling autocatalytic behaviour of a food model system—Sucrose thermal degradation at high concentrations[J]. Journal of Food Engineering, 2007, 78(2): 537-545.

[16]SINIGAGLIA M, CORBO M R, D AMATO D, et al. Shelf-life modelling of ready-to-eat coconut[J]. International Journal of Food Science & Technology, 2003, 38(5): 547-552.

Prediction Model, Based on L* Value, of Lycopene Content of Mature Green Tomato

PEI Jiao-yan1,2，YANG Zhen-feng2，XU Feng1,2，ZHENG Yong-hua1,*
(1. College of Food Science and Technology, Nanjing Agricultural University, Nanjing 210095, China；2. College of Biological and Environmental Sciences, Zhejiang Wanli University, Ningbo 315100, China)

A kinetic model was developed to predict the lycopene content as a function of the luminosity (L) of mature green tomatoes stored at different temperatures. The L value and lycopene content of mature green tomatoes stored at 283.15, 288.15, 296.15 K or 298.15 K were determined. The kinetic models of L value and lycopene content with respect to length of storage and storage temperature were developed based on exponential function and Gomportz function, respectively. The high regression coefficients (R2＞ 0.95) indicated the acceptability of the exponential function and Gomportz function for predicting the changes of L value and lycopene content in tomato fruits. Activation energies (Ea) and multiple correlation coefficients for L value and lycopene content were obtained based on the Arrhenius equation: 48.09 kJ/mol and 67.06 kJ/mol, 0.9644 and 0.9815, respectively. The average relative error between the predicted and measured values of lycopene content was 8.74% (within ± 10%). These results suggest that lycopene content in mature green tomato fruits stored at a storage temperature from 283.15 to 298.15 K may be accurately predicted based on L value.

tomato fruit；L value；lycopene content；kinetic models

TS255.3

A

1002-6630(2010)10-0296-05

2009-08-08

“十一五”国家科技支撑计划重点项目(2006BAD30B03)；浙江省科技厅项目(2009C32086)

裴娇艳(1984—)，女，硕士研究生，研究方向为农产品贮藏加工。E-mail：peijiaoyan84@163.com

*通信作者：郑永华(1963—)，男，教授，博士，研究方向为果蔬贮运技术。E-mail：zhengyh@njau.edu.cn