多品种樱桃番茄可溶性固形物近红外检测：UVE波长选择与SHAP驱动的模型解释

《Journal of Food Composition and Analysis》：Multi?cultivar NIR determination of soluble solids content in cherry tomatoes: UVE wavelength selection and SHAP-driven model interpretation

　　

本研究针对四种不同颜色和尺寸的樱桃番茄栽培种，开发了基于近红外（NIR）光谱的多品种可溶性固形物含量（SSC）预测模型。研究人员将偏最小二乘回归（PLSR）与无信息变量消除（UVE）相结合，在显著减少波长数量的同时实现了残余预测偏差（RPD）达2.76的预测精度。主成分分析（PCA）将四个栽培种划分为两个光谱相似组，用于构建数据驱动的混合品种模型。SHapley Additive exPlanations（SHAP）分析揭示了样本水平上波长贡献的差异，并识别出1140–1145 nm范围内与糖类相关的重复特征波段。外部独立验证进一步证实了模型对先前参与建模栽培种新样本的稳健性（RPD分别为3.19和2.25）。该研究为多品种NIR模型的构建与解释提供了透明且稳健的框架。

多品种樱桃番茄可溶性固形物近红外检测的模型构建与解释

樱桃番茄作为全球性经济水果，其感官品质和营养价值深受消费者重视，其中可溶性固形物含量（SSC）是衡量甜度的核心内部品质指标。传统SSC测定依赖折射仪法，具有破坏性、耗时且难以满足实时分选和大规模 grading 的需求。近红外（NIR）光谱技术凭借其快速、无损和易于自动化的优势，成为水果内部品质检测的重要工具。然而，NIR技术在实际应用中面临的主要障碍是模型在不同栽培种之间的可移植性有限。由于果皮色素、果实大小、组织结构和散射特性存在差异，即使化学成分相近，不同品种果实的NIR光谱仍可能存在显著差异，导致单品种模型难以适用于其他品种，迫使工业界需要维护大量品种专用模型，显著增加成本与人力。因此，构建涵盖多个栽培种的通用校准模型成为研究热点，然而针对不同颜色（红、绿、黄）和大小樱桃番茄的系统性多品种模型研究仍较为缺乏，且对建模前的预处理与样本分组策略关注不足。此外，波长选择在多品种建模中至关重要，但竞争性自适应重加权采样（CARS）和无信息变量消除（UVE）在颜色和尺寸均存在差异的混合样本中的相对优劣尚未明确；同时，传统偏最小二乘回归（PLSR）模型解释方法（如回归系数和变量投影重要性）缺乏样本级别的透明度，难以揭示同一波段对不同类型果实预测的相反影响。SHapley Additive exPlanations（SHAP）作为一种基于博弈论的模型解释框架，能够提供这种样本级别的归因能力，但尚未广泛应用于NIR水果SSC检测。

基于上述背景，本研究旨在开发一种稳健的NIR模型，用于预测四种颜色和大小不同的樱桃番茄栽培种的SSC，具体包括“滇白”（红色小型）、“千禧”（红色大型）、“青口蜜”（绿色）和“麦芒黄”（黄色）。研究首先利用主成分分析（PCA）考察四个栽培种的自然光谱聚类特征，以此作为构建混合品种校准模型的数据驱动依据；随后建立并比较单品种与混合品种PLSR模型的预测性能；进而评估CARS和UVE两种波长选择方法在混合品种模型中的降维能力和信息保留能力；最后采用SHAP分析解析最优PLSR模型，识别最具影响力的波长，并考察不同品种组合中各波长贡献的差异。

研究人员从安徽省阜阳市当地生鲜市场采集了四种商业成熟度的樱桃番茄，每个品种保留200个均一样本，共800个果实。采用配备积分球模块的傅里叶变换近红外光谱仪（Antaris II, Thermo Fisher Scientific）在1000–2500 nm范围内采集赤道区三个位置的反射光谱并取平均。参考SSC值采用数字口袋折射仪（PAL-1, Atago）测定，每个果实读取三次取平均值。光谱预处理采用Savitzky–Golay平滑（15点窗口）结合标准正态变量变换（SNV）。建模过程中，每个数据集按2:1比例随机划分为校准集和预测集，并重复10次随机划分以降低划分影响。所有数据驱动步骤（包括CARS和UVE变量选择及潜在变量数确定）均严格限制在校准集内执行，避免数据泄漏。UVE的可靠性阈值设为人工噪声最大绝对稳定性的99%，CARS运行次数设为50次。PLSR模型性能通过校准决定系数（R_c²）、预测决定系数（R_p²）、均方根误差（RMSEC、RMSEP）和残余预测偏差（RPD）评估。SHAP分析基于最优PLSR模型，计算每个波长在所有预测样本上的平均绝对SHAP值，并提取前20个最具影响力的波长。统计比较采用配对t检验或Wilcoxon符号秩检验，显著性水平为p < 0.05。

通过测量果实基本特性，四个品种在重量和赤道直径上存在明显差异，其中滇白最小（13.5 ± 2.3 g，27.3 ± 1.8 mm），千禧最大（22.0 ± 3.1 g，33.5 ± 2.0 mm）。SSC分布方面，千禧的平均SSC（6.25 ± 0.82 °Brix）显著低于其他三个品种，而滇白、青口蜜和麦芒黄之间无显著差异；青口蜜的变异系数最大（14.4%）。平均原始反射光谱显示四个品种具有相似的吸收峰（约1200、1450和1940 nm），但反射水平存在差异；经SG平滑+SNV预处理后，四个品种的平均光谱在整个范围内高度重叠，表明预处理有效消除了由果实大小、表面曲率和果皮色素引起的基线偏移和乘性散射差异。PCA得分图显示前两个主成分解释了99.1%的总方差，并形成两个明显聚类：千禧与青口蜜聚为一类，滇白与麦芒黄聚为另一类，该分组与果实颜色不一致，表明果皮色素并非控制整体NIR光谱相似性的主导因素，果实大小和组织结构可能更重要。载荷图进一步显示PC1主要捕获水分状态和组织密度差异（1450和1940 nm附近O–H波段），PC2主要反映碳水化合物相关光谱变异（1000–1300 nm C–H二级倍频区域）。

基于PCA引导的聚类结果，研究人员构建了三个混合品种模型：滇白+麦芒黄、千禧+青口蜜以及全四品种混合模型，并与四个单品种模型比较。单品种模型中，滇白和麦芒黄表现较好（RPD分别为2.20和2.42），青口蜜中等（RPD = 1.79），而千禧模型出现过拟合（R_c² = 0.80，R_p² = 0.58，RPD = 1.50）。相比之下，所有混合品种模型的预测性能均显著提升，RPD超过2.50；全四品种混合模型表现最佳，RPD = 2.77 ± 0.31，达到“优秀”级别。为排除样本量增大带来的影响，研究人员从混合数据集中随机抽取与单品种相同样本量（n = 140）的校准子集重新建模，结果显示等样本量混合模型仍保持竞争性或更优性能，尤其是等样本量全四品种模型RPD高达3.23，证明品种多样性而非样本量是提升模型稳健性的主要因素。此外，品种级预测指标和置换检验证实模型学习的是真实的“光谱–SSC”关系，而非依赖品种身份。

在波长选择方面，UVE-PLSR模型在所有三个混合数据集上均一致优于CARS-PLSR。UVE保留的波长数（385–713个）远少于全谱的1557个变量，而全四品种UVE-PLSR模型在使用仅45.8%波长的情况下取得RPD = 2.76 ± 0.28，与全谱模型性能相当。CARS因迭代剔除小回归系数变量，可能误删对部分品种重要但整体系数较小的波长；UVE则基于变量稳定性准则，更能保留跨品种一致的SSC信息。独立外部验证中，全四品种UVE-PLSR模型对滇白和千禧新样本分别取得RPD = 3.19和2.25，支持模型对已建模品种新样本的稳健性。但留一品种交叉验证（LOCO）结果显示RPD仅0.96–1.90，表明该模型应视为研究品种域内的稳健多品种模型，而非适用于全新品种的通用模型。引入新品种时需采用少量代表性样本进行模型更新。

SHAP分析揭示了三个混合模型各自依赖的波长区域。千禧+青口蜜模型几乎完全依赖1001–1328 nm范围内的短波碳水化合物区域，集中于1139–1146 nm和1198–1328 nm，未见显著的水相关峰（>1400 nm），表明该组合通过避开强水吸收区域来降低品种间水分和组织差异的干扰。全四品种模型则利用了最宽的光谱范围（1014–2157 nm），除重复出现的1140–1144 nm糖相关波段外，还包含多个水相关区域（约1497 nm和1690–1862 nm）以及更长波段的组合频带（2142–2157 nm），说明为容纳红、绿、黄色果实的大小和色素多样性，模型整合了从碳水化合物C–H倍频到水O–H组合频带的整个近红外信息。各模型间仅有1140–1146 nm波段出现在多个模型的顶部特征中，无单一波段为所有模型共有，反映了不同品种组合依赖不同的理化变异来源。

综上所述，本研究通过PCA指导的混合品种建模策略与UVE波长选择方法，成功实现了四种颜色和大小各异的樱桃番茄SSC的准确预测。全四品种UVE-PLSR模型在减少超过一半波长的情况下取得RPD = 2.76的优秀预测精度，外部验证进一步证实了其实用性。SHAP分析为模型提供了透明且化学可解释的样本级归因，识别出1140–1145 nm附近的糖类相关特征波段，并展示了不同品种组合采用的不同光谱策略。该研究为开发研究品种域内的多品种NIR模型提供了稳健且可解释的框架，但模型在跨季节、跨产区和全新品种上的适用性仍需进一步验证。