番茄贮藏期差异对近红外光谱糖度预测模型泛化能力的影响机制及优化策略研究

为解决番茄贮藏期差异导致近红外光谱(NIR)糖度预测模型性能下降的问题，研究人员通过混合建模策略结合标准正态变量变换(SNV)和竞争性自适应重加权采样(CARS)算法，构建了跨贮藏期的稳健预测模型。结果表明：优化后模型预测集相关系数(Rp )提升至0.934，预测均方根误差(RMSEP)降低至0.375，残差预测偏差(RPD)达3.26，显著提升了分选模型的普适性。该研究为果蔬品质无损检测中的时变干扰问题提供了创新解决方案。

　　

在果蔬品质检测领域，近红外光谱(NIR)技术因其快速、无损的特点已成为主流手段。然而，随着消费者对番茄等果蔬内在品质要求的提高，一个长期被忽视的问题浮出水面：采摘后的贮藏时间差异会显著影响光谱特征，导致糖度(Brix)预测模型出现"水土不服"。云南某研究团队在《Journal of Food Composition and Analysis》发表的研究，首次系统揭示了贮藏期对番茄NIR模型泛化能力的干扰机制，并提出了突破性的解决方案。

研究团队采用在线NIR检测装置采集240个番茄样本在四个贮藏期（0/3/6/9天）的光谱数据，通过偏最小二乘法(PLS)建立基础模型。当校准集与预测集贮藏期不一致时，模型性能急剧恶化——这解释了为何现有单条件模型在实际应用中频频失效。为解决这一难题，研究人员创新性地采用"混合数据+SNV预处理"策略：将不同贮藏期样本合并建模，同时利用标准正态变量变换(SNV)消除光谱散射差异。更巧妙的是，引入竞争性自适应重加权采样(CARS)算法进行波长筛选，动态保留与糖度相关的特征波长，同时弱化贮藏期干扰波长。

Experimental Materials
研究选用云南砂瓤番茄为样本，严格控制果实直径(5-7cm)和质量(50-70g)，通过Kennard-Stone(K-S)算法按3:1比例划分建模集与预测集。

Tomato Brix Measurement Results
贮藏期差异导致光谱基线漂移和吸收峰位移。混合建模使预测集R_p
从0.803提升至0.934，RMSEP降低21.2%，RPD达到3.26的优异水平，证明模型具备跨期预测能力。

Conclusion
相比传统连续投影算法(SPA)，CARS筛选的21个特征波长更有效保留糖度信息。最终建立的通用模型突破单时段建模局限，解决分选设备需频繁重新标定的行业痛点。

该研究的创新价值体现在三方面：方法学上首创"时变干扰消除"的混合建模框架；技术上证实CARS算法在跨期建模中的优越性；应用层面为果蔬采后品质动态监测提供标准化方案。正如作者团队强调的，这种策略可扩展至其他易腐农产品品质检测领域，推动无损检测技术从实验室走向产业化应用。