Mehr Informationen durch Nah-Infrarot

Schwankende Qualität rein, konsistente Qualität raus. Die wesentlichste Herausforderung beim Handel mit Getreide ist, Lieferungen innerhalb der Grenzwerte zu sichern und gleichzeitig das Getreideangebot, das durch extreme Wetterbedingungen und geopolitische Ereignisse gefährdet ist, bestmöglich zu nutzen. 

Dabei hat sich die in den achtziger Jahren eingeführte Nah-Infrarot-Analyse für das Getreidehandling zunehmend als wertvoll erwiesen. Bei der Entscheidung über die Bezahlung der Lieferungen, die Mischung nach Kundenvorgaben, bei der Verladung, der Annahme in der Mühle oder Mälzerei und beim Handel auf den globalen Rohstoffmärkten sorgen die einfache Bedienbarkeit und die Zuverlässigkeit der Nah-Infrarot-Analyse dafür, dass Getreidehändler höherwertige Produkte aus der gleichen, begrenzten Menge an geerntetem Getreide liefern können. 

Was hat die Nah-Infrarot-Analyse zu einem so leistungsfähigen Instrument gemacht und worauf sollten Sie achten, wenn Sie über die Zukunft der Analyse in Ihrem Betrieb entscheiden? 

Ins Innere des Getreidekorns blicken – die Entwicklung der Nah-Infrarot-Transmission

Der Wandel in der Getreideanalyse durch NIR im Vergleich zum bekannten Infratec™ Getreideanalysator

Gesammelte Daten schaffen die Grundlage für eine wachsende Zahl von Anwendungen
Getreideanalysatoren auf Basis der NIR Transmission wurden zunächst bei Weizen, Mais, Gerste, Soja und Reis für Parameter wie Feuchte, Protein und Ölgehalt eingesetzt. 

Schnell folgten Zulassungen, beispielsweise von Organisationen wie dem Federal Grain Inspection Service (USA). Gleichzeitig wurde die Entwicklung weiterer Anwendungsmodelle vorangetrieben. Die Anwendungsmodelle werden häufig als Kalibrationen bezeichnet und sind im Zusammenhang mit FOSS Lösungen jetzt auch als 'Analysepakete' bekannt.

Einfach ausgedrückt, wandelt ein Anwendungsmodell ein vom Gerät gemessenes Spektrum in einen für den Nutzer verwendbaren Wert um.  Dabei ist entscheidend, dass die Daten in ausreichender Menge vorliegen und ein breites Spektrum abbilden, um ein valides Anwendungsmodell zu erstellen, das natürliche Schwankungen in den Eigenschaften von Getreideproben aus den verschiedenen Regionen und Ernteperioden berücksichtigt. Die Welt ist ziemlich groß, wenn es um den Getreideanbau geht und die Vegetationsperioden mit immer extremeren Wetterereignissen überraschen. Kurz gesagt: je mehr Daten wir für ein Modell zur Verfügung haben, desto besser ist es, weil wir dann die vielen Variationen, die in einer Getreideprobe vorhanden sein können, genau abbilden können. 

1996 wurde eine leistungsfähige Form der Anwendungsmodellierung unter dem Namen Artificial Neural Network Models (ANN) eingeführt, um die Vielfalt und Komplexität der Daten zu bewältigen. Die ANN-Modelle haben zu einer großen Stabilität der Leistung geführt, unabhängig von Wetter und Region. Diese Leistung wurde durch jahrelange Ringtests mit Ergebnissen aus Referenzlaboren nachgewiesen. Heute enthalten die gut gesicherten Datenmodelle der neuesten Generation von Infratec-Geräten 50.000 oder noch mehr Proben, die saisonale Schwankungen von über 35 Jahren wiederspiegeln. Die Anwendungsmöglichkeiten wachsen weiter, wie diese aufklappbare Tabelle zeigt: 

Eine Flotte leistungsfähiger Geräte
Mit der Weiterentwicklung von Stabilität und Reichweite einzelner Instrumente haben viele Getreidehändler festgestellt, dass sie durch die Vernetzung von Analysegeräten zu einem Getreide-Netzwerk wichtige Daten von verschiedenen Analysatoren an einem zentralen Ort sammeln konnten. Einige Zeit später wurde eine Netzwerk-Software entwickelt, mit denen die Getreidehändler nicht nur Daten sammeln, sondern die Geräte auch aus der Ferne konfigurieren konnten, beispielsweise, wenn Updates zur Anpassung an die letzte Vegetationsperiode verfügbar waren und diese dann in einem Zug dezentral auf mehrere Geräte übertragen werden konnten. 

Jeder, der mal versucht hat, eine Reihe von Geräten ohne so eine Vernetzungsmöglichkeit zu verwalten, weiß, dass es eine zeitaufwändige Aufgabe sein kann, alle Instrumente zu überwachen und immer auf dem neuesten Stand zu halten, insbesondere über verschiedene Standorte hinweg. Die Möglichkeit, dies von einem einzelnen Arbeitsplatz aus zu machen, hat sicher Tausende von Arbeitsstunden eingespart.

Zuverlässigkeit ist die Summe vieler Dinge  
Gleichzeitig mit den Entwicklungen zur Vernetzung von Geräten wurde in den späten neunziger Jahren auch die Zuverlässlichkeit der Ergebnisse auf der Gerät-zu-Gerät-Basis erheblich verbessert. Damit kommen wir zu dem wichtigen Aspekt der Übertragbarkeit. 

Übertragbarkeit bedeutet, dass Messungen mit verschiedenen Geräten an der gleichen Probe immer zu dem identischen Ergebnis führen. Das Konzept der Übertragbarkeit ist wichtig, wenn man NIR Equipment nutzt, um zu verstehen, dass die Ergebnisse der Messungen von allen Geräten innerhalb des Unternehmens zuverlässig sind. 

Die Übertragbarkeit wird von Faktoren beeinflusst, die sowohl mit der Geräteausstattung, wie mit dem Anwendungsmodell zusammenhängen.

Auf Geräteseite sind Wiederholbarkeit und Genauigkeit der Messungen sowie die Vergleichbarkeit von einem Gerät zum anderen wichtig. Auf der Seite der Anwendungsmodelle können Faktoren wie Anzahl und Quelle der NIR Messungen, die zur Erstellung des Modells verwendet wurden, eine Rolle spielen. Ganz zu schweigen von der Anzahl der Referenztests und den potentiellen Fehlern zwischen diesen Referenztests. 

Das Anwendungsmodell erstellt auf Basis der im Modell verwendeten Daten eine 'Vorhersage' des Ergebnisses. Man spricht daher von einem "Standardfehler der Vorhersage" (SEP), um den potentiellen Fehler gegenüber den Referenzergebnissen zu berücksichtigen, der durch die tatsächlichen chemischen Eigenschaften der Probe bestimmt wird. Der SEP wird in der Regel in technischen Dokumentationen als Anwenderhinweis angegeben. Eine andere nützliche Information in Anwenderhinweisen ist ein Diagramm mit den Ergebnissen einiger Proben des NIR-Gerätes im Vergleich zu den entsprechenden Referenzergebnissen. Dies bietet eine Quelle für leistungsbezogene Statistiken, beispielsweise SEP, siehe Abbildung 2.                   

Das Thema SEP kann leicht sehr ins Detail gehen, aber für Sie ist entscheidend, dass Sie eine korrekte und zuverlässige Aussage darüber haben, wie groß der zu erwartende Fehler ist. Stellen Sie sich beispielsweise vor, Sie haben mehrere Geräte an verschiedenen Standorten und wollen Getreide für die Bezahlung mit einem Protein-Zielwert von 10,5 bewerten. Dabei ist es erstens wichtig, zu wissen, dass das Gerät fehlerfrei arbeitet, die °Messung korrekt und der potentielle Fehler gering ist. Zweitens muss die Leistung konsistent sein, wo und wann auch immer Messungen durchgeführt werden. Nur so können Sie sicherstellen, dass Tests für die Bezahlung an allen Standorten zuverlässig und vertrauenswürdig sind.