基于区域引导的波长选择与稀疏贝叶斯学习的技术，实现樱桃番茄中可溶性固体含量的便携式近红外预测

《Agronomy》：Portable NIR Prediction of Soluble Solids Content in Cherry Tomato Using Region-Guided Wavelength Selection and Sparse Bayesian Learning

　　

摘要

溶解性固体含量是衡量樱桃番茄甜度、成熟度以及采后分级的重要指标。虽然传统的物理化学检测方法准确，但操作繁琐，不适合快速批量检测。本研究基于便携式近红外光谱技术，构建了一种RGSW-SBL框架，用于预测浙莹粉樱桃番茄的溶解性固体含量。在该框架中，区域引导型稳定波长选择方法用于筛选有用的波长，而稀疏贝叶斯学习则作为预测溶解性固体含量的定量回归模型。RGSW方法结合了自适应候选波段估算与强大的竞争波长筛选功能，从而在保留连续光谱区域的同时减少冗余和不稳定的变量。研究比较了在全光谱及不同波长选择条件下单变量回归与SBL方法的预测性能，采用R²和RMSE指标评估模型效果，主要测试结果以R²和RMSE数值呈现。在训练-验证-测试的评估体系中，使用157个选定波长时，RGSW-SBL方法在所有测试的SBL组合中取得了最优的内部测试结果，其测试集R²值为0.847，RMSE值为0.369 °Brix。这些高贡献度的选定波长主要集中在与C-H和O-H泛频吸收、糖分变化以及与水分相关的组织信息相关的近红外区域。这些结果表明，RGSW-SBL是一种可用于樱桃番茄在可控条件下预测溶解性固体含量的可解释性框架，不过在实际应用之前仍需进行多季节、多品种以及多种仪器的验证。