基于可见-近红外/短波-近红外光谱与化学计量学的葡萄组分无损定量分析

《Foods》：Non-Destructive Quantitative Analysis of Grape Components Based on Visible–Near-Infrared/Shortwave–Near-Infrared Spectroscopy and Chemometrics

　　

葡萄中糖分和酸类组分的含量是评价其品质与成熟度的重要指标。为实现对葡萄中葡萄糖（glucose）、果糖（fructose）、酒石酸（tartaric acid）和苹果酸（malic acid）的快速、无损、精准检测，本研究选取60个成熟葡萄品种作为研究对象。研究人员采用可见-近红外/短波-近红外（VNIR/SWIR）高光谱系统获取光谱数据，并以高效液相色谱（HPLC）测定的四种组分含量作为建模参考值。在光谱预处理和基于CARS的特征变量筛选基础上，研究人员分别基于全变量和所选特征变量构建了偏最小二乘回归（PLSR）、支持向量机（SVM）和反向传播神经网络（BPNN）预测模型，并以决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD）评价模型性能。结果表明，特征变量模型的性能优于全变量模型，其中NIR/SWIR-CARS-SVM模型表现最佳，对葡萄糖、果糖、酒石酸和苹果酸的预测集决定系数（RP2）分别达到0.8630、0.8441、0.8546和0.8283；预测集相对分析误差（RPDP）分别达到2.7287、2.5782、2.6451和2.4145；预测集均方根误差（RMSEP）分别低至3.5114、3.4751、0.5310和0.1646。本研究为葡萄中糖分和酸类组分的无损定量检测提供了一种有效方法。在本试验单地点、单季节条件下，60个品种在葡萄糖、果糖、酒石酸和苹果酸含量上存在显著差异。这些发现提示品种间存在差异，在提出产业化建议之前，尚需在多个年份和地理区域进行进一步验证。

一、研究背景与意义

葡萄（Vitis vinifera L.）是重要的商业水果，既可鲜食，也可加工为果汁、葡萄干和葡萄酒。葡萄浆果积累大量可溶性糖、有机酸和矿物质，具有显著营养价值。鲜食葡萄的采收品质以高糖、低酸、浓郁香气为核心，而加工葡萄的糖酸含量则显著影响成品风味。因此，果实成熟期糖酸组分的定量分析对判定果实利用价值、品质等级和经济价值至关重要。

总可溶性糖和总酸常被用作评价葡萄品质与成熟度的指标。然而，总糖和总酸含量相同的葡萄可能呈现截然不同的风味特征。已有研究表明，葡萄糖和果糖是葡萄中主要的可溶性糖，合计约占98.9%；酒石酸和苹果酸是主要有机酸，合计占比超过84.4%。这些主要糖类和有机酸的相对比例差异会导致感官特性差异——果糖甜度约为葡萄糖的两倍，酒石酸酸味更尖锐而苹果酸酸味更柔和。对生产者而言，仅凭总糖和总酸含量无法确定应针对哪种具体糖或酸组分进行调控；对消费者而言，糖和有机酸组成的差异直接影响风味感知和接受度。因此，测定葡萄糖、果糖、酒石酸和苹果酸对于把握葡萄风味的组分基础、指导糖酸组分的定向调控至关重要。

传统葡萄糖酸评估依赖湿化学方法。费林滴定和指示剂滴定成本低但仅提供总糖和总酸值；酶法可分离葡萄糖与果糖但需两次独立测定；高效液相色谱（HPLC）可同时精确定量多种糖和酸，但需复杂的样品制备、色谱分析和数据处理，成本高且依赖操作人员。此外，这些技术均具破坏性且耗时。因此，亟需一种无损、经济、便捷的检测方法来实现葡萄糖酸组分的准确定量。

在农业信息化背景下，光谱分析凭借便捷、高效、无损的优势被应用于农产品品质检测。已有研究证实了可见-近红外光谱结合优化算法可实现苹果可溶性固形物的快速准确无损测定，以及葡萄可溶性固形物（SSC）、总酸（TA）和总酚（TPs）等关键品质指标的预测。然而，针对葡萄浆果，现有研究仅聚焦总糖和总酸水平，尚未实现单糖和有机酸的区分与定量。基于此，本研究提出开发一种快速、无损、经济的光谱检测策略，实现葡萄中葡萄糖、果糖、酒石酸和苹果酸的同步准确定量。

二、研究内容与主要技术方法

研究人员从国家果树种质资源圃太谷葡萄圃（山西农业大学果树研究所，112°48′E，37°38′N）采集60个葡萄品种，涵盖鲜食和酿酒两类，果皮颜色包括红色、粉色、紫红色、黄绿色和蓝黑色。每品种选取30粒完整且大小一致的浆果，其中15粒分三组用于光谱采集，其余15粒用于化学组分测定，共获得180组平均光谱数据和60组化学组分数据。

研究采用的主要关键技术方法包括：第一，VNIR/SWIR高光谱成像系统（Headwall Photonics Starter Kit，美国），镜头1覆盖380–1000 nm（有效范围430–900 nm，646波段），镜头2覆盖900–1700 nm（有效范围950–1650 nm，148波段）；第二，基于Visual Basic 6.0开发的采样点选择软件和Spectral View软件提取感兴趣区域（ROI）光谱数据；第三，HPLC（Waters 2695系统）测定四种组分含量作为建模参考值；第四，光谱预处理采用Savitzky–Golay卷积平滑（S-G）、标准正态变量变换（SNV）和多元散射校正（MSC）依次组合；第五，基于联合x-y距离的样本集划分（SPXY）算法以品种为选择单元按3:1划分校正集和预测集，避免品种信息泄漏；第六，竞争性自适应重加权采样（CARS）算法进行特征变量筛选，蒙特卡洛采样重复100次；第七，构建偏最小二乘回归（PLSR）、支持向量机（SVM，径向基核函数，贝叶斯优化超参数）和反向传播神经网络（BPNN，单隐层，LM算法训练，早停机制）三种预测模型。

三、研究结果

3.1 化学测定值统计与数据集划分

60个品种的葡萄糖含量范围为54.74–127.00 mg/g（均值86.49 mg/g，变异系数18.43%），果糖为52.31–124.18 mg/g（均值96.45 mg/g，变异系数17.31%），酒石酸为1.01–10.57 mg/g（均值3.04 mg/g，变异系数74.10%），苹果酸为0.45–3.52 mg/g（均值1.80 mg/g，变异系数46.20%）。糖酸比超过36.0，符合鲜食葡萄或优质酿酒原料特征；果糖均值高于葡萄糖，表明浆果已达完全成熟；酒石酸与苹果酸比值约为1.65，符合酿酒葡萄以酒石酸为主的典型有机酸特征。SPXY划分后校正集135个样本、预测集45个样本，两集各参数均值和标准差相近，数据分布均衡，满足建模的分布一致性要求。

3.2 葡萄样品光谱特征

原始光谱曲线在VNIR和SWIR波段轮廓基本一致，品种间反射率差异主要源于果皮颜色和内部化学成分差异。可见光区在530 nm附近出现反射峰、670 nm附近出现吸收谷，这一"绿峰红谷"特征与果皮色素（花青素和叶绿素）的光学响应有关；NIR和SWIR区域的峰谷形成与C-H和O-H键的伸缩振动相关。经S-G、SNV、MSC依次预处理后，光谱信噪比和一致性有效提升。以葡萄糖PLSR建模为例，所有预处理方案均优于全谱模型，其中S-G、SNV、MSC组合应用效果最佳，该结论对果糖、酒石酸和苹果酸的PLSR模型同样成立。

3.3 CARS特征变量分析

CARS算法以最小交叉验证均方根误差（RMSE_CV）为准则筛选特征变量。葡萄糖在VNIR范围第56次蒙特卡洛迭代时RMSE_CV降至最小值4.8421，选出26个特征变量（占646个变量的4.02%）；在SWIR范围第62次迭代时RMSE_CV达最低值4.7823，选出18个变量（占148个变量的12.16%）。四种组分的特征变量分别压缩至44、31、35和39个，降幅均超过94%。与全变量PLSR模型相比，CARS-PLSR模型在四项指标上均表现更优，证实CARS算法能显著减少特征变量同时保留关键信息，降低模型复杂度并提高预测精度。

3.4 预测模型比较与最优模型

六种模型的比较结果表明：同一算法下，CARS特征变量模型的预测精度均高于全变量模型；不同算法间，非线性模型SVM和BPNN均优于线性PLSR模型。CARS-SVM模型对四种组分表现最佳，预测集R²分别为0.9002、0.8939、0.8909和0.8873，RPD均超过2.7，RMSE最低。校正集表现略优于预测集，表明模型无明显过拟合且具备良好泛化能力。线性CARS-PLSR模型的预测集R²均大于0.7、RPD超过1.65，具备中等定量分析能力；非线性CARS-SVM和CARS-BPNN模型的预测集R²接近或超过0.8、RPD超过2.5，展现优异定量分析能力。

四、讨论与结论

讨论部分总结

在样本代表性方面，60个品种涵盖鲜食和酿酒两大类、多种果皮色系，遗传背景和外观性状多样性丰富，可降低单一类型样本导致的模型偏差，有助于提升模型的泛化能力和普适性。化学参考值的准确性直接决定模型性能上限。值得注意的是，HPLC参考值来自15粒浆果而光谱采集自同串另一组15粒浆果，这种间接匹配可能因浆果间生物学变异引入采样噪声，导致RMSE被高估、R²被低估。由于所有模型采用相同的参考值匹配方案，模型间的相对比较仍然有效，但绝对RMSE值应谨慎解读。

在CARS特征变量方面，葡萄糖和果糖的特征变量主要集中在720–840 nm（C-H伸缩振动）、950–1020 nm（O-H伸缩振动二级倍频）和1080–1150 nm（C-H伸缩振动二级倍频）三个区域；酒石酸和苹果酸的特征变量主要分布在780–840、1150–1230 nm和约1430 nm处。少量特征变量分布在430–700 nm可见光区，糖和有机酸在该波段无电子跃迁，这些波长的入选可能归因于品种和颜色差异对糖酸信息的间接传递。为消除虚假关联风险，研究人员严格排除可见光区后重新执行完整建模流程，仅使用NIR/SWIR变量的CARS-SVM模型对葡萄糖的预测集R²为0.8630、RPD为2.7287，性能仅小幅下降但仍保持较高精度，最终采用仅含NIR/SWIR变量的保守变量选择策略。

在模型性能方面，非线性SVM和BPNN优于线性PLSR，原因在于葡萄是高水分、多组分的生物基质，光谱响应不仅取决于四种组分浓度，还受强水吸收、糖酸分子间氢键、组分相互作用、光散射、浆果表面物理特性和基线漂移等多因素影响，光谱与化学值之间偏离严格线性关系。SVM略优于BPNN的原因包括：样本量有限时SVM凭借结构风险最小化原则具备良好小样本泛化能力，而BPNN参数众多需大样本充分训练；SVM通过凸二次规划获得全局最优解而BPNN依赖梯度下降易陷入局部极小值；SVM对离群值和噪声具有更强鲁棒性。

研究结论翻译

本研究证明，将VNIR和SWIR光谱与化学计量学相结合，能够实现对葡萄中糖酸组分的准确无损定量分析。基于光谱预处理和特征变量选择，为糖酸组分构建的PLSR、SVM和BPNN预测模型均优于全变量模型。其中，NIR/SWIR-CARS-SVM模型表现最佳，对葡萄糖、果糖、酒石酸和苹果酸的预测集R²分别达到0.8630、0.8441、0.8546和0.8283，RPD分别达到2.7287、2.5782、2.6451和2.4145，RMSE分别低至3.5114、3.4751、0.5310和0.1646。

总体而言，本研究仅对单地点、单年份的60个葡萄品种进行了初步表征分析，尚未开展不同地理环境、年份或气候条件下的葡萄组分实验。因此，观察到的品种间差异模式应视为生成性假设而非普适性结论。未来研究应纳入来自不同产区、年份和成熟阶段的更多葡萄品种，以提高模型的泛化能力和普适性，从而更好地满足产业化应用需求。