基于可见光/近红外光谱技术构建赤霞珠葡萄中酚类化合物的预测模型

《Analytical Methods》：Construction of prediction models for phenolic compounds in Cabernet Sauvignon grapes based on visible/near-infrared spectroscopy

本研究基于可见/近红外光谱技术，通过预处理方法优化和特征波长提取，构建了赤霞珠葡萄单宁和花青素含量的预测模型，确定了关键特征波长，为便携式仪器和光源设备开发提供了理论和技术支持。

　　

本研究重点关注单宁和花青素等酚类化合物的含量，旨在为赤霞珠（Cabernet Sauvignon）葡萄中的酚类化合物浓度建立预测模型，并识别与这些含量相关的关键特征波长。使用便携式光纤光谱仪收集了赤霞珠葡萄的漫反射光谱数据。通过主成分分析（PCA）剔除异常值，然后应用SPXY算法将数据集分为校准集（n = 145）和预测集（m = 49）。比较了多种预处理方法及其组合（包括Savitzky–Golay卷积平滑（SG）、乘性散射校正（MSC）、标准正态变量（SNV）和标准化（SS），以确定不同酚类化合物的最佳预处理策略，从而获得最佳预处理后的光谱数据。随后，利用竞争性自适应加权采样（CARS）、连续投影算法（SPA）和无信息变量消除（UVE）方法提取特征波长。通过对比分析，确定了最有效的波长选择方法和最佳特征波长数量，并建立了单宁和花青素含量的偏最小二乘回归（PLSR）模型。结果表明，对于单宁，结合SG–SNV–SS预处理和CARS算法的模型表现最佳（R_c² = 0.9964，R_p² = 0.9939，RPD = 3.7653），识别出7个关键特征波长，分别为422.64 nm、828.86 nm、948.92 nm、993.22 nm、1003.17 nm、1122.10 nm和1122.94 nm。对于花青素，基于原始光谱数据并结合CARS算法的模型获得了最佳结果（R_c² = 0.9899，R_p² = 0.9768，RPD = 6.5591），识别出6个关键特征波长，分别为440.35 nm、580.76 nm、632.38 nm、777.21 nm、898.61 nm和1013.96 nm）。所建立的模型有效筛选出了与单宁和花青素含量相关的关键特征波长，从而能够准确预测葡萄中的酚类化合物含量。本研究为便携式仪器的开发及光源设备的选择提供了坚实的理论基础和技术支持。