基于多成熟度光譜信息融合的阿森泰克蘋果品質預測模型研究

吳莎莎，王振杰，江夢薇，蘭維杰，屠 康，李 晏，袁棟棟，潘磊慶,*

（1.南京農業大學食品科技學院，江蘇南京 210095；2.江蘇福瑞斯農業有限公司，江蘇宿遷 223725）

阿森泰克蘋果（Malus domesticaBorkh.cv.Aztec Fuji）是在新西蘭選育的富士濃紅型芽變品種，一般在10 月中旬成熟。在不套袋栽培條件下品質表現優良，果型端正、果實大，平均著色面積80%以上，甜脆多汁，糖含量達14%以上，耐貯藏[1]。目前阿森泰克蘋果的栽培面積不斷擴大，在陜西千陽、甘肅寧縣、江蘇宿遷等地均有種植，市場逐漸擴大?，F有研究發現阿森泰克蘋果相比于Mollie's Delicious蘋果具有更高的可溶性固形物含量（soluble solid content，SSC），但可滴定酸含量（titratable acid，TA）較低[2]；與富士6629、富士Suprema 相比硬度（firmness，FI）較高[3]。上述研究已證明商業成熟的阿森泰克蘋果品質與傳統富士存在較大品質差異性，但對于不同成熟階段的阿森泰克蘋果品質研究報道較少。

目前，蘋果理化品質特性分析測定主要依靠一系列破壞性檢測技術，如質構儀、糖度計、色譜質譜等，雖然檢測精度高，但前處理較復雜、具有時滯性，無法實現快速在線檢測。近年來，可見-近紅外光譜（visible and near-infrared，Vis-NIR）和近紅外光譜（near-infrared，NIR）技術，依靠快速無損、易于自動化的優勢，已被成功應用于蘋果SSC、TA、FI 等重要理化指標的快速檢測[4-6]。Yao 等[7]利用Vis-NIR光譜技術有效實現了山東煙臺等產地的富士蘋果SSC預測，其預測集決定系數（determination coefficient of prediction，Rp2）為0.87、預測集均方根誤差（root mean square error of prediction，RMSEP）為0.7%。姚亞楠[8]基于富士蘋果在NIR 波段下的14 個篩選特征波長構建了TA 的反向傳播神經網絡模型，Rp2為0.74，RMSEP 為0.02%。Fan 等[9]研究表明基于Vis-NIR光譜和二階導數預處理建立的偏最小二乘（partial least squares，PLS）模型能夠實現紅富士蘋果FI 的有效預測，Rp2為0.81，RMSEP 為0.53 kg/cm2。這些研究展示了Vis-NIR 和NIR 光譜技術對于富士蘋果品質特征的良好評價潛力，但現有報道模型對于阿森泰克蘋果品質的評價潛力還有待研究。

上述研究僅集中于商業成熟度下蘋果近紅外光譜品質模型的構建與優化。同時，蘋果在收獲時的成熟度極大地影響果實的口感風味，是影響采后貯藏品質變化的關鍵因素[10]。成熟度過低時，蘋果果實淀粉含量高、糖含量低、口感較差，成熟度過高則會導致果實變得綿軟，不耐貯藏[10]。不同生理階段的果實，其物理特性、化學成分可能有所不同，這些特性會影響光學特性[11]。因此，應將多個收獲期的果實進行建模，提高模型的適應性。Sharabiani 等[12]基于200～1100 nm 光譜數據預測不同成熟階段嘎啦蘋果的SSC，所建立的混合人工神經網絡模型Rp2為0.92，RMSEP 為0.17%。Pourdarbani 等[13]在400～1000 nm范圍內研究應用近紅外光譜檢測不同成熟度富士蘋果TA 的可行性，建立人工神經網絡預測模型，模型Rp2為0.86。這些研究均考慮了果實成熟階段對模型性能的影響，且說明近紅外光譜對蘋果成熟階段品質檢測具有一定可行性，然而基于Vis-NIR 和NIR光譜對阿森泰克蘋果在不同成熟階段品質的預測暫無報道。

因此，本研究以四個不同成熟階段的阿森泰克蘋果果實為研究對象，測定其在400～1000 nm、900～2500 nm 范圍內的反射率和理化指標，分析成熟過程中果實漫反射光譜差異和理化指標變化。最后利用化學計量學方法建立融合不同成熟度阿森泰克蘋果品質的定量預測模型，實現對阿森泰克蘋果成熟過程中品質的快速無損檢測，以期為預測阿森泰克蘋果的質量參數提供理論依據與實際指導。

1 材料與方法

1.1 材料與儀器

供試材料為阿森泰克蘋果 采摘自江蘇省宿遷市江蘇福瑞斯農業有限公司，果實商業成熟期在十月中旬，分四個階段進行收獲，分別為M1（2022 年9 月25 日）、M2（2022 年10 月5 日），M3（2022 年10 月15 日）和M4（2022 年10 月25 日）（圖1）。每個階段40 個蘋果樣本，采集樣本后，篩選大小相對一致，表面沒有疤痕的樣本。樣本置于室溫（20 ℃左右）24 h 后用純水擦拭樣品表面并自然晾干、編號。在每個樣本沿赤道方向每120°進行標記，共三個標記位置，作為光譜掃描及檢測取樣點。

圖1 不同成熟度的阿森泰克蘋果Fig.1 Aztec apples at different levels of maturity

CR-13 便攜式色差計 日本美能達公司；PAL-1 手持式糖度儀 日本愛拓公司；Easy ACID F5 酸度計 日本愛拓公司；TMS-Pro 質構儀 美國FTC 公司；LC-20A 高效液相色譜（配有蒸發光散射檢測器） 日本島津公司；可見-近紅外光譜采集系統：PG2000-Pro 光譜儀、FIB-600-L-UV 直通光纖、FIB-Y-600-L（2）-UV 光纖、FVA-UV 光纖可調衰減器 上海復享光學股份有限公司；LS-HA 鹵素光源臺灣超微光學；近紅外光譜采集系統：NIR2500 近紅外光譜儀、FIB-Y-600-L（2）-NIR 光纖 上海復享光學股份有限公司；ASBN-100-L 鹵鎢光源 美國Spectronics 公司。

1.2 實驗方法

1.2.1 理化指標測定 用CR-13 型色差儀測定蘋果果實標記部位（沿赤道方向每120°），測量亮度（L*）、紅度（a*）、黃度（b*），測定結果取平均值；硬度（firmness，FI）測定采用質構儀[14]，使用直徑為6 mm的圓柱形探頭在標記區域進行穿刺，觸發力為0.3 N，檢測速度為120 mm/min，穿刺距離為8 mm，回程速度為200 mm/min，測定結果用牛頓（N）表示；可溶性固形物測定采用手持式糖度計，將標記區域的果肉用無菌紗布包裹擠汁進行測定，測定結果用白利糖度（°Brix）表示；可滴定酸測定采用酸度計[15]，對標記區域的果肉擠汁，測定結果用百分比（%）表示；水分含量（moisture content，MC）測定參考GB 5009.3-2016，采用直接干燥法測定，取約5 g 果肉在105 ℃下烘干至恒重，測定結果用百分比（%）表示；干物質含量（dry matter content，DMC）采用烘干法測定，取約8 g 果肉在60 ℃下烘干48 h 至恒重，干重與鮮重的比值為干物質含量，測定結果用百分比（%）表示；果糖、葡萄糖、蔗糖含量測定參考You 等[14]報道的方法，采用高效液相色譜法測定，總可溶性糖含量用葡萄糖、果糖和蔗糖的總含量表示[14]，測定結果用mg/g 表示。

1.2.2 可見-近紅外、近紅外光譜檢測 實驗室搭建的近紅外光譜檢測系統如圖2 所示，主要由光源、Y 型光纖、光譜儀和計算機組成。將光源和光纖衰減器通過直通光纖連接，Y 型光纖的六孔端連接光纖衰減器的另一端，單孔端連接光譜儀，光譜儀的另一端通過USB 與計算機連接。光譜數據可直接通過軟件Morpho 3.2 采集獲得。三個標記部位各進行一次光譜采集，獲得的3 次光譜信息取平均值作為該樣本的漫反射光譜，共采集160 個不同成熟度的阿森泰克蘋果的光譜信息。按照2:1 的比例劃分建模集與預測集。

圖2 光譜采集系統圖Fig.2 Spectrum acquisition system

光譜采集參數：可見-近紅外波段（400～1000 nm）：積分時間為45 ms，平均次數為10，窗口平滑為5。近紅外波段（900～2500 nm）：積分時間為5 ms，平均次數為10，窗口平滑為5。

光纖探頭直接對準標準白板或樣品進行光譜信號采集。首先對光譜進行校正，通過關閉和打開光源來采集標準白板的反射光譜，然后分別作為用于參考的暗光譜和光源光譜。每個樣品的光譜反射率按照公式（1）進行計算：

其中：R 是相對于標準白板的樣品光譜反射率；R0是樣品光譜反射率；RD是暗光譜反射率；RW是光源光譜反射率。

1.3 光譜處理

1.3.1 光譜預處理 由于環境、儀器、人為操作等影響，光譜可能會受到噪聲的干擾，有必要在建模之前需要對原始光譜進行預處理[16]。標準正態變量變換（standard normalized variate，SNV）是較為常用的預處理方法之一，用于光散射校正，減少光程的變化對光譜信息的干擾[17]。因此本研究對所有原始光譜數據進行SNV 預處理。

1.3.2 特征波長篩選 為了消除原始光譜中無用變量，提高模型性能，加快模型檢測速度，對光譜進行特征波段篩選。連續投影算法（successive projections algorithm，SPA）是一種前向變量選擇算法，消除原始光譜矩陣中的冗余信息，最小化光譜中變量的共線性[18]。競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）算法是一種基于PLS 和達爾文進化論原理“適者生存”的變量選擇算法，通過絕對回歸系數大小篩選波長，剔除權重小的變量帶[19]。無信息變量消除法（uninformative variable elimination，UVE）算法是基于PLS 回歸系數，將隨機噪聲變量加到光譜數據后，通過交叉驗證去除無關變量[20]。因此，本研究采用SPA、CARS 以及UVE 這3 種算法對光譜進行特征波段篩選。1.3.3 模型建立與性能評價 PLS 廣泛用于定量分析，該方法能夠結合矩陣的分解與回歸，同時考慮濃度矩陣Y（品質參數）和光譜矩陣X[21]。支持向量機（support vector machine，SVM）是基于非參數內核的學習算法，將問題從低維空間映射到高維空間，并使用線性算法在高維空間中尋找最優超平面，可以解決原始特征空間中的非線性關系[22]。本研究為預測不同成熟度阿森泰克蘋果的理化指標，采用PLS、SVM算法建立預測模型。

模型的性能用校正集決定系數（determination coefficient of calibration，Rc2）、校正集均方根誤差（root mean square error of calibration，RMSEC）、預測集決定系數、預測集均方根誤差以及相對預測偏差（relative percent deviation，RPD）來評估。RPD 值大于2.50 表示模型穩健性很好，介于2.00 和2.50之間表示模型具有較好的穩健性，小于2.00 表明模型穩健性較差[23]。

1.4 數據處理

使用數據處理軟件OriginPro 2022b 繪制各種理化指標的變化趨勢、相關性分析、主成分分析（principal component analysis，PCA），使用IBM SPSS Statistics 20.0 軟件進行方差分析（P＜0.05）和線性判別分析（linear discriminant analysis，LDA）。使用MATLAB R2016a 中PLS toolbox 7.5 工具箱對光譜數據進行預處理、特征波段挑選并建立定量模型。

2 結果與分析

2.1 不同成熟度阿森泰克蘋果的理化指標變化

由圖3 所示，與成熟后期相比（M3 到M4），在成熟前期（M1、M2）阿森泰克蘋果的物理指標（L*、a*、b*值和FI）變化程度更劇烈。色澤是評價果實外觀品質的重要指標，隨著蘋果不斷成熟，蘋果果皮的L*值逐漸降低，表明果皮亮度降低（圖3a）。a*值不斷升高（圖3b），b*值逐漸降低（圖3c），表明阿森泰克蘋果果皮逐漸退綠而呈紅色，主要是由于果實細胞中葉綠素分解，花青素、類胡蘿卜素等含量增加[24]。M3、M4階段的果實L*、a*、b*值均沒有顯著性差異（P＞0.05），表明成熟后期果實的色澤較為穩定，這與Iglesias等[3]對阿森泰克蘋果的研究結論一致。在成熟過程中，隨著蘋果果實成熟，果皮細胞間的果膠分解，細胞壁中的原果膠在果膠酶的作用下逐漸降解為可溶性果膠，FI 開始下降[25]。阿森泰克蘋果的FI 從29.69 N顯著降低至24.44 N（P＜0.05）（圖3d），下降率為17.68%，這明顯低于張猛勝[26]在不同成熟度的富士蘋果研究中FI 的下降率（21.26%）因此，相較于富士，阿森泰克的硬度變化更小。

圖3 不同成熟階段（M1、M2、M3、M4）阿森泰克蘋果的理化指標Fig.3 Physical and chemical indicators of Aztec apples at different maturity levels (M1, M2, M3 and M4)

此外，阿森泰克蘋果在不同成熟階段的化學指標（SSC、TA、MC 和DMC）也存在明顯變化。SSC和TA 是影響蘋果口感的重要因素，隨著阿森泰克蘋果 成 熟，SSC 從13.5°Brix 顯 著 上 升 到16.5°Brix（圖3e），TA 則從0.50%顯著降低到0.30%（P＜0.05）（圖3f）。張猛勝[26]發現富士蘋果在成熟過程中SSC 從12.69%增加到14.62%，TA 從0.28%下降到0.22%，其變化幅度均明顯低于阿森泰克蘋果，這表明阿森泰克蘋果與富士蘋果在成熟過程中的SSC和TA 的差異性。MC、DMC 是判斷水果成熟度的重要指標，如圖3g 所示，隨著成熟度增加，蘋果果實MC 整體呈下降趨勢，M1、M2 和M3 組阿森泰克蘋果的含水量具有顯著差異（P＜0.05）。這是由于蘋果成熟過程中，SSC 積累，且細胞分裂，纖維素、半纖維素等不溶性固體增加，DMC 增加，導致MC 逐漸下降。阿森泰克蘋果的DMC 含量在成熟階段從16.74%顯著升至18.91%（P＜0.05）（圖3h），Vieira 等[27]研究發現富士在成熟階段DMC 也呈上升趨勢，但含量低于阿森泰克，因為DMC 與水果中的淀粉、糖分含量直接相關，阿森泰克的糖含量高于富士。

蘋果的可溶性糖主要包括果糖、葡萄糖、蔗糖，屬于果糖積累型果實[28]。整體上阿森泰克蘋果的可溶性糖呈上升趨勢，與李千里[28]研究結論一致。主要是大多數碳水化合物通過糖酵解和三羧酸循環快速代謝，在發育的早期階段，蘋果中糖分積累量低，成熟過程中，淀粉水平開始下降，可溶性糖含量增加，隨著有機酸水平的下降，甜度值達到最大[29]。由圖4所示，阿森泰克的可溶性糖以果糖為主，約占總可溶性糖的45%左右，其次是葡萄糖，蔗糖最低。而蜜脆、金冠、玉林等品種成熟后蔗糖高于葡萄糖含量，煙富8 號中蔗糖（24.0 mg/g）和葡萄糖含量（22.0 mg/g）相當，但均低于阿森泰克蘋果（蔗糖：32.35 mg/g，葡萄糖：42.40 mg/g）[28]。

圖4 不同成熟度阿森泰克蘋果的可溶性糖含量Fig.4 Soluble sugar contents of Aztec apples at different maturity levels

2.2 不同成熟度阿森泰克蘋果理化指標的關聯性分析

為了明確阿森泰克蘋果成熟過程中各理化指標之間的關聯性，對其進行Pearson 相關性分析以及主成分分析，結果如圖5 所示。阿森泰克蘋果的成熟度等級與所有指標都呈現極顯著相關性（P＜0.01），與a*值相關性最強，相關系數（correlation coefficient，r）為0.88，與SSC、果糖、總糖呈強正相關，r分別為0.85、0.80 和0.85，與L*值、b*值呈強負相關，r分別為-0.87、-0.84。表明阿森泰克成熟過程中色澤、糖含量變化顯著。DMC 與成熟度等級的相關性也較強，r為0.73。通過Pearson 相關性分析發現，在阿森泰克蘋果的成熟過程中，色澤、FI、SSC、TA、可溶性糖、DMC、MC 等品質都發生了較大變化。

圖5 不同成熟度阿森泰克蘋果理化指標相關性分析Fig.5 Correlation analysis of physical and chemical indicators of Aztec apples at the different maturity levels

2.3 不同成熟度阿森泰克蘋果理化指標的主成分聚類分析

由圖6 所示，第一主成分（PC1）和第二主成分（PC2）累計貢獻率達到74.6%，能夠表征原始變量的特征差異。PCA 結果顯示，處于不同成熟階段的蘋果理化指標在PC1 上呈現有規律的分布，根據PC1 可以實現對不同成熟度阿森泰克蘋果的區分（圖6a），其中M1、M2 組蘋果樣品分布在第二、三象限，M3、M4 組的樣品分布在第一、四象限。說明不同成熟度阿森泰克蘋果在品質上有顯著差異。PC1與SSC、a*值呈高度正相關，與L*值、b*值呈高度負相關（圖6b）。表明本研究中對阿森泰克蘋果樣本聚類貢獻率較大的是SSC、a*值、L*值、b*值，有助于區分果實的不同成熟階段。同時PCA 結果中貢獻率大的理化指標與上述相關性分析結果較吻合。

圖6 不同成熟度阿森泰克蘋果理化指標的PCA得分圖（a）和載荷圖（b）Fig.6 PCA scores plot (a) and loadings plot (b) of physical and chemical indicators of Aztec apples at different maturity levels

2.4 不同成熟度阿森泰克蘋果的光譜變化

由圖7a 和7b 所示，各樣本的光譜曲線具有相同趨勢，但因內部物質含量變化而產生光譜反射率差異，低成熟度蘋果的光譜反射率高于高成熟度蘋果。Zhang 等[30]觀察到不同成熟期富士蘋果在Vis-NIR波段也有類似的下降趨勢。在Vis-NIR 波段范圍內，480～675 nm 范圍處，M1、M2 組與M3、M4 組果實光譜差異明顯（圖7c），因為發育前期阿森泰克的顏色差異大，而后期色澤差異不明顯。其中480～605 nm區域的光譜受花青素含量的影響，不同成熟階段積累的花青素水平存在差異，約675 nm 處的波谷與CH 基團的二級倍頻有關，是蘋果中葉綠素的吸收峰，980 nm 處為O-H 鍵拉伸帶在水中的第二個泛音，與果實內部的水分變化相關[30]。在NIR 波段范圍內，光譜反射率差異主要是成熟過程中阿森泰克的糖含量變化引起的。其中1180 nm 處的吸收峰（圖7d），可能是碳水化合物中的C-H 的延伸[31]。在1450 和1950 nm 附近的強吸收峰，主要與C-H 拉伸的第二泛音、O-H 拉伸和彎曲振動有關[32]。2350 nm 附近的吸收峰與糖、有機酸的C-H 有關[33]。

圖7 不同成熟度阿森泰克蘋果的原始光譜圖Vis-NIR（a）和NIR（b）以及平均光譜圖Vis-NIR（c）和NIR（d）Fig.7 Original reflectance spectra Vis-NIR (a), NIR (b) and average spectra Vis-NIR (c), NIR (d) of Aztec apples at different maturity levels

2.5 不同成熟度阿森泰克蘋果的光譜聚類分析

分別對不同成熟度阿森泰克蘋果Vis-NIR、NIR范圍內的全光譜數據進行PCA 聚類分析，在Vis-NIR（400～1000 nm）波段下，PC1 和PC2 的累計貢獻率為82.5%（圖8a），不同成熟度阿森泰克蘋果的光譜信息無法實現良好的聚類效果。圖8b 和圖8c 分別顯示了Vis-NIR 波段下PC1 和PC2 的載荷圖，430、515～580、680 和980 nm 波段對PC1 的貢獻率最大，620、830 nm 波段對PC2 具有主要貢獻，主要是與花青素、類胡蘿卜素、葉綠素、水分子的吸收有關[30]。在NIR（900～2500 nm）范圍內，PC1、PC2 的累計貢獻率為89.3%，M1、M2 組蘋果樣品主要聚集在PC1的負半軸，M3、M4 組則主要分布在PC1 的正半軸，重疊更明顯，且不易區分（圖8d）。PC1 中1400、1840、1950～2060、2350 nm 波段的貢獻較大（圖8e），1130～1230、1475 nm 是PC2 的主要貢獻波段（圖8f），這些波段主要與水分、糖有關[33]。綜上所述，基于各成熟度蘋果的光譜信息，PCA 無法區分不同成熟度的阿森泰克蘋果。

圖8 不同成熟度阿森泰克蘋果的光譜PCA 得分圖Vis-NIR（a）和NIR（d）以及載荷圖PC1（b、e）和PC2（c、f）Fig.8 PCA scores plots Vis-NIR (a), NIR (d) and loadings plots of PC1 (b, e) and PC2 (c, f) of the spectra of Aztec apples at different maturity levels

PCA 無法準確劃分各個成熟度的阿森泰克蘋果的界限，因此需要有監督模式識別方法。LDA 可提供更好的分類，有助于更好地理解特征數據的分布[34]。對Vis-NIR 波段下光譜信息進行LDA，第一判別因子（F1）、第二判別因子（F2）累計貢獻率為90.0%。M1、M2 組蘋果樣品分布在F1 正半軸，M3、M4 組分布在F1 負半軸，盡管M3、M4 組仍存在少數重疊，但能夠明顯區分不同成熟度的阿森泰克蘋果（圖9a）。在Vis-NIR 范圍內，F1 與680 nm 處的反射率呈負相關，與510～570 nm 呈現正相關（圖9b）。F2與505 nm 附近的反射率呈正相關，與800～1000 nm呈負相關（圖9c）。表明阿森泰克蘋果在成熟過程中顏色以及水分含量的變化造成Vis-NIR 光譜反射率存在差異。在NIR 范圍內，四個成熟度等級的阿森泰克蘋果可以實現明顯的區分（圖9d）。F1 與935、1170～1270 nm 范圍附近的反射率呈正相關（圖9e），該區域的反射率可能與水分損失和糖含量有關[35]。F2 得分與1430 和1880 nm 附近的反射率呈正相關（圖9f），其中1880 nm 可能與O-H 和NH 的組合有關，與2300 nm 附近的反射率呈負相關，對應糖或有機酸C-H 的組合[33]。

圖9 不同成熟度阿森泰克蘋果的光譜LDA 得分圖Vis-NIR（a）和NIR（d）以及關聯系數圖F1（b、e）和F2（c、f）Fig.9 LDA scores plots Vis-NIR (a), NIR (d) and correlation coefficient plots of F1 (b, e) and F2 (c, f) of the spectra of Aztec apples at different maturity levels

綜上所述，基于多成熟度光譜信息，LDA 可以區分不同成熟度的阿森泰克蘋果，510～680、1170～1270、2300 nm 是主要貢獻波段，為后續定量模型的建立提供依據。

2.6 基于全波長建立融合不同成熟度的阿森泰克蘋果品質預測模型

分別在Vis-NIR（400～1000 nm）與NIR（900～2500 nm）波段范圍下，經SNV 預處理全波段光譜后，構建了阿森泰克蘋果理化指標（L*、a*、b*、FI、SSC、TA、MC 和DMC）的PLS 和SVM 預測模型。結果如表1 所示，除a*值，其余理化指標的PLS 模型的預測效果均好于SVM 模型。這表明不同成熟度阿森泰克蘋果品質與光譜信息間存在大量的線性關聯，更適合采用PLS 等線性算法進行預測。當預測的蘋果成分與葉綠素變化無強相關性時，NIR 范圍可以提供比Vis-NIR 范圍更多的信息，而Vis-NIR 波段中化學成分鍵的相對強度較弱[36]。Ignat 等[36]采用NIR 技術預測蘋果SSC、TA 和FI 獲得更好的結果。本研究中也有相同結論，在NIR 范圍內FI、SSC、TA、MC、DMC 的模型性能好于Vis-NIR 范圍。

表1 基于Vis-NIR 和NIR 全波段預測阿森泰克蘋果品質的PLS 和SVM 模型Table 1 PLS and SVM models for prediction of quality indexes of Aztec apples based on full wavebands in Vis-NIR and NIR

對于色澤（L*、a*、b*）的預測，基于Vis-NIR 范圍開發的模型性能更佳。因為Vis-NIR 范圍包括葉綠素、花青素等的吸收光譜。其中L*、b*值的PLS 模型性能略優于SVM 模型，其Rp2分別為0.94、0.92。a*值的最優模型為SVM，Rp2為0.96。L*、a*、b*值的模型預測結果很好，RPD 均大于3.00，具有很高的精度與穩健性。李磊[37]在400～1000 nm 范圍內預測不同采收期富士蘋果的L*值，PLS 模型Rp2為0.86。相比之下，本研究的模型精度更高，可能是由于阿森泰克蘋果不套袋種植，顏色變化更大。FI 的PLS 模型Rp2為0.82，而Zhang 等[38]建立包含六個不同成熟階段富士蘋果的FI 預測模型，Rp2為0.86，高于本研究FI 的模型精度，考慮是其研究的成熟期范圍更大，擴大樣品的成熟度范圍可以消除成熟度變化對硬度預測的影響。

SSC 的PLS 預測模型Rp2為0.91，RPD 為3.25。Guo 等[39]分別在Vis-NIR、NIR 波段下預測商業成熟的富士蘋果SSC，發現NIR 范圍能更好的預測SSC，Rp2為0.81，RPD 為2.27。對比之下本研究模型精度更高，這可以通過所有成熟度中SSC 具有更高變異性來解釋，多成熟度模型具有較高預測精度。TA 的預測模型Rp2為0.85，RPD 為2.49。Mcglone等[40]構建含有成熟早期至晚期的皇家嘎拉蘋果的TA 預測模型，Rp2為0.38，RPD 為1.54，精度顯著低于本研究的模型，可能是數據集的TA 分布非常窄（標準差為0.08%），本研究TA 標準差為0.10%。MC 的最優模型為PLS，Rp2為0.82，相較于Abasi等[41]基于350～2500 nm 范圍內光譜構建的PLS 模型（Rp2為0.60），本研究精度更高，這可能與所選擇的光譜變量范圍（900～2500 nm）有關，減少部分無關信息。DMC 的最優模型為PLS，Rp2分別為0.81，精度高于Zhang 等[42]通過NIR 波段建立的四個成熟度的蜜脆蘋果的DMC 模型（Rp2為0.76），因為蜜脆蘋果在成熟過程中DMC 的變化小，導致其預測模型精度較低。

2.7 基于特征波長建立融合不同成熟度的阿森泰克蘋果品質預測模型

為建立快速、準確的預測模型，使用SPA、CARS 和UVE 對Vis-NIR、NIR 波段范圍進行特征波長提取，確定與阿森泰克蘋果品質相關的特征波長，以提高模型性能，結果如表2 所示。與基于全波段光譜建立的L*、a*、b*、DMC、MC 的最優模型相比，SPA 挑選的特征波段所建立的預測模型效果得到提升。因為SPA 采用簡單的投影運算來選擇共線性最小的變量，能降低光譜信息維度，剔除冗余信息[18]。

表2 基于SPA、CARS、UVE 算法篩選的特征波段的阿森泰克蘋果品質PLS 和SVM 模型Table 2 PLS and SVM models for quality indexes of Aztec apples based on feature bands from SPA, CARS and UVE algorithms

L*、b*值的最優模型為SPA-PLS 模型，Rp2分別為0.95、0.92；a*值的最優模型為SPA-SVM 模型，Rp2為0.97，L*、a*、b*的模型RPD 均大于3.00，表明模型可應用于不同成熟度阿森泰克蘋果的色澤預測。由表3 所示，建立的L*、a*、b*值最優模型，篩選出的特征光譜變量主要位于400～680 nm 波段區域，這與2.5 中對Vis-NIR 光譜的LDA 結果一致，500～570 nm 和680 nm 等波段范圍的貢獻較大，在這些波段下不同成熟度阿森泰克蘋果的光譜反射率差異較大。預測FI 時，使用全波長建立的模型效果最好，但模型的變量數過多，FI 的SPA-PLS 預測模型的Rp2為0.80，模型精度與全光譜相比略有降低，主要是由于經過SPA 算法挑選24 個變量，與全波段相比，變量減少90.36%，其中損失部分與硬度相關的有效信息，這可能是導致模型效果略差的原因。

表3 用于構建不同成熟度的阿森泰克蘋果品質預測最優模型的特征波段Table 3 Characteristic bands for building optimal prediction models for the quality of Aztec apples at different maturity levels

SSC 的CARS-PLS 預測模型精度與全光譜模型接近，Rp2為0.91，RPD 為3.19，提取的波長數量更少，減少93.57%，模型運行速度更快。所挑選的特征波段主要分布在1450～1840 nm 和1950～2400 nm區域，這些波段與碳水化合物中的C-H 有關[33]。TA、MC 和DMC 的預測最優模型為SPA-PLS 模型，Rp2分別為0.81、0.82、0.83，RPD 均大于2.00，表明模型預測能力較好。SPA 算法挑選的MC 特征波段中970、1480、1930 nm 等與O-H 基團伸縮振動相關，是水的吸收峰[32]。DMC 特征波段與SSC 特征波段有部分處于重疊，如1004、2239、2429、2495 nm，說明干物質與蘋果中的淀粉、糖分含量直接相關。

基于算法挑選的特征波段與2.5 中分析的阿森泰克蘋果的光譜特征吻合較好，且SPA-PLS、SPASVM 模型能很好地預測不同成熟度阿森泰克的L*、b*、a*值，RPD 高于3.00，CARS-PLS 模型可以很好地預測SSC，RPD 為3.19，FI、TA、MC 和DMC 的最優預測模型SPA-PLS 的RPD 均大于2.00，表明模型具有一定的實際應用價值。

3 結論

本研究首先通過PCA、LDA 探究了阿森泰克蘋果在成熟過程中色澤（L*、a*、b*值）、FI、SSC、TA、MC、DMC 和可溶性糖的變化規律，基于Vis-NIR與NIR 光譜技術結合SPA、CARS、UVE 三種算法進行特征波段挑選，再基于PLS 和SVM 算法建立融合不同成熟度阿森泰克蘋果的品質預測模型。結果表明，隨著蘋果不斷成熟，阿森泰克的a*、SSC、DMC、可溶性糖增加，L*、b*、FI、TA、和MC 降低。其中SSC、a*、L*、b*對不同成熟度阿森泰克蘋果的聚類貢獻率較高，510～680、1170～1270、2300 nm 是相關度較高的特征波段。SPA-PLS、SPA-SVM 模型能很好地預測不同成熟度阿森泰克的L*、b*、a*值，RPD 分別為4.32、3.51、5.34，CARS-PLS 模型可以很好地預測SSC，RPD 為3.19，但FI、TA、MC、DMC的SPA-PLS 模型預測精度相對較低，RPD 分別為2.27、2.21、2.32、2.42。研究結果證明可見-近紅外和近紅外光譜方法能夠預測不同成熟度的阿森泰克蘋果品質，避免模型只適用于某種成熟度的阿森泰克蘋果，為阿森泰克蘋果采收管理與質量安全控制提供技術參考。

? The Author(s) 2024.This is an Open Access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by-nc-nd/4.0/).