《Journal of the Science of Food and Agriculture》：Cross-regional and temporal generalizability of portable visible spectroscopy for olive maturity classification
编辑推荐：
**背景**
橄榄成熟度决定了橄榄油生产中的批次去向以及产量与品质之间的权衡，但目前仍通过Jaén指数的主观视觉评分进行监测。光谱替代方案主要依赖近红外仪器，来自巴西果园的证据稀缺，且几乎没有对空间或时间迁移的评估。本研究探讨了便携式可见分光光度计（40
**背景**
橄榄成熟度决定了橄榄油生产中的批次去向以及产量与品质之间的权衡，但目前仍通过Jaén指数的主观视觉评分进行监测。光谱替代方案主要依赖近红外仪器，来自巴西果园的证据稀缺，且几乎没有对空间或时间迁移的评估。本研究探讨了便携式可见分光光度计（400–700 nm，31个波长）结合CIE L*a*b*色彩度量与机器学习，是否能够在评估的巴西果园中，以令人鼓舞的稳健性恢复单果成熟阶段（六类）。
**结果**
一项包含来自南里奥格兰德州和圣保罗州三个果园、跨越两个收获季（2023–2024）的7058个Arbequina橄榄数据集，采用10种算法、15种预处理假设和5种严格程度递增的验证方案进行分类。数据集内准确率达到99.06%（Extra Trees，κ = 0.986），而留一果园验证达到95.74%（SVM-RBF，κ = 0.935），州际地理迁移达到96.60%，保守的年际方向达到93.98%。序数指标（二次加权kappa ≥ 0.982；±1类内准确率99.7%）表明残余误差几乎完全是单步误差。530–680 nm区域承载了大部分判别信息，与叶绿素到花青素的色素动态一致。
**结论**
在评估条件下，仅可见光的便携式光谱能够高精度地对单果橄榄成熟度进行分类，并量化了数据集内交叉验证与跨区域或年际留出之间的3–5个百分点的部署差距，该差距是随机交叉验证本身所掩盖的。由于误差局限于相邻成熟阶段，该方法为未来在特级初榨橄榄油采后质量控制中实现自动化批次级成熟度指数估算提供了潜力。? 2026 The Author(s). Journal of the Science of Food and Agriculture published by John Wiley & Sons Ltd on behalf of Society of Chemical Industry.
**论文主体内容解读**
**一、研究背景与现存问题**
橄榄成熟度指数（maturity index, MI）是橄榄油生产中至关重要的质量控制变量，它直接决定批次流向、加工优先级和品质策略。橄榄在成熟过程中，油产量上升的同时酚类-感官品质下降：早收果实所产油脂富含多酚，赋予油品苦味、辛辣感和氧化稳定性，但提取率较低；晚收果实则相反。这一规律在不同品种和种植区域间保持一致。然而，当前MI的测定仍采用Jaén指数方法，即由经过训练的评估人员依据果皮和果肉颜色对每批100颗果实进行视觉评分，整个过程耗时15–30分钟，且结果因人而异。橄榄油生产中最重要的质量控制变量仍由人眼判定，这一现状亟需改变。
非破坏性光谱技术为客观评估提供了可能。可见光和近红外反射光谱能够追踪驱动成熟的色素库（叶绿素、花青素和类胡萝卜素），CIE L*a*b*色彩度量则概括了相同的颜色变化。尽管已有较多研究探索光谱分类水果品质，但该领域仍存在三个主要空白：第一，橄榄光谱研究主要依赖近红外或全波段仪器，可见光-only便携设备因其光谱维度低（数十个而非数百个波长），其判别能力尚待验证；第二，几乎所有证据都来自地中海单一气候区，巴西亚热带和热带高海拔系统的研究很少；第三，验证很少超越随机交叉验证，因此尚不清楚报告的高准确率反映的是保守的生化特征还是特定地点的模式，后者在异地部署时可能失效。此外，Jaén指数本身是批次级指标，由单果赋值的加权平均计算而来，本研究以单果阶段为目标，未进行端到端的批次级验证。
**二、研究内容与结论**
针对上述问题，研究人员开展了一项系统性研究，旨在探究便携式可见分光光度计（400–700 nm，31个波长）结合CIE L*a*b*色彩度量与机器学习，能否在对比鲜明的巴西橄榄种植条件下恢复单果成熟阶段。研究设置了三个具体目标：比较15种光谱预处理假设和10种分类算法（包括CNN-1D和ViT-1D）；评估留一果园验证（LOGO）、地理迁移和年际验证下的稳健性，量化数据集内交叉验证与实际留出验证之间的差距；刻画残余误差的序数结构。
研究得出核心结论：在评估条件下，仅可见光的便携式光谱能够高精度地对单果橄榄成熟度进行分类；数据集内准确率达到99.06%（Extra Trees，κ=0.986），LOGO验证为95.74%（SVM-RBF，κ=0.935），州际地理迁移为96.60%，保守的年际方向为93.98%。更重要的是，研究量化了数据集内交叉验证与跨区域或年际留出之间存在3–5个百分点的部署差距，且该差距是随机交叉验证本身无法揭示的。由于误差几乎完全局限于相邻成熟阶段，该方法为未来在特级初榨橄榄油采后质量控制中实现自动化批次级成熟度指数估算提供了潜力。
**三、关键技术方法**
本研究的数据集包含7058个（数据清理后）Arbequina橄榄果实样本，采集自2023年和2024年收获季、巴西两个州的三个橄榄果园：南里奥格兰德州（RS）的Olivas do Sul（2602个样本）和Prosperato（2337个样本），以及圣保罗州（SP）的Fazenda Oliq（2119个样本）。三个果园分别位于亚热带（K?ppen Cfa）和热带高地（K?ppen Cwb）气候区。研究采用Coralis HPS Pro Max便携式分光光度计，在漫反射几何条件下（CIE标准光源D65，2°标准观察者，排除镜面反射）测量400–700 nm范围（10 nm步长，31个光谱特征）的反射率，并自动计算L*（亮度）、a*（绿-红）、b*（蓝-黄）三个色彩特征，总计34个特征。每个果实仅进行单点赤道区测量以保证通量。研究评估了15种特征集假设（H1–H15，涉及SNV、MSC、Savitzky–Golay平滑及导数等预处理与L*a*b*的组合），10种分类算法（涵盖树集成、核方法、线性和深度学习），以及5种严格程度递增的验证策略（分层10折交叉验证、留一果园验证、重复分层K折5×10、地理迁移RS→SP、时间验证2023→2024及反向）。所有预处理变换仅应用于31个光谱反射特征，L*a*b*坐标以原始形式拼接。
**四、研究结果**
**成熟度类别的光谱特征**：六个成熟类别的平均光谱反射曲线呈现与果实色素沉着相关的特征模式。类别0（深绿）和1（黄绿）在520–580 nm区域表现出最高反射率，并在550 nm附近有局部最大值，与富含叶绿素的组织一致。随着成熟推进，绿色区域反射率显著降低，符合叶绿素逐渐损失和花青素积累的模式。类别5（紫黑）在全部可见光范围呈现出均匀的低反射率，表明高浓度花青素的宽带吸收。
**色彩度量分析（L\*a\*b\*）**：L*参数从类别0（均值约58）单调下降至类别5（均值约28）。a*参数区分度最强，从类别0–1的负值（绿色）过渡到类别3–5的正值（红色）。b*参数从早期正值（黄色）降至类别5的近零值。a*与b*散点图显示极端类别（0、1、5）聚类清晰，但中间类别存在明显重叠，说明仅凭颜色坐标难以分辨过渡阶段。
**PCA分析**：前三个主成分解释了97.2%的总方差（PC1：79.5%，PC2：10.8%，PC3：6.9%）。得分图显示成熟类别沿PC1渐进分离。载荷分析表明PC1由500–700 nm范围内的光谱特征主控，其中550–680 nm区间载荷绝对值最高；L*a*b*特征在PC2和PC3上载荷更强，表明色彩度量携带与光谱测量互补而非冗余的信息。
**数据集内分类性能（SKF-10）**：集成方法结合适当的谱预处理取得了高分类准确率，前十名结果均超过98.7%，且kappa值接近完美（κ>0.98）。领先配置采用了SG平滑光谱但不含L*a*b*特征，表明31个波长本身经轻度平滑后已充分携带色彩度量所编码的成熟度信息。混淆矩阵显示所有类别F1≥0.98，但错误集中在过渡类别2–4，其中类别3（>50%红斑）F1最低。误差几乎全部在相邻类别间，序数指标QWK=0.997、MAE=0.011个类别单位、±1类内准确率99.96%，该误差模式可解释：在转色期，“少于50%红色”与“多于50%红色”的边界本身对受过训练的评估人员也具主观性，算法与标签的分歧之处恰恰是人工评估者相互分歧之处。
**光谱预处理与特征集效应**：准确率热图揭示了一个与常规化学计量学预期相反的排序：对领先的集成方法，原始和SG平滑光谱优于散射校正变换，MSC整体表现最弱。这归因于仪器集成测量几何和内部白瓦校准已消除了大部分散射变异，后续施加散射校正反而丢弃了绝对反射水平这一关键信号。SG平滑仅衰减高频检测噪声而保留色素驱动的包络振幅和形状。导数预处理仅使LDA和逻辑回归获利。光谱-only输入在数据集内准确率最高，而LOGO下原始光谱+L*a*b*（95.74%）略微胜过SG平滑光谱-only（95.58%）。
**特征重要性**：随机森林Gini重要性识别出530–680 nm区域信息量最大，单点贡献最大处在550、560和640–680 nm；色彩特征中L*和a*重要性中等，b*贡献最低。这与橄榄色素的已知光学性质一致：叶绿素在680 nm附近强吸收并在430 nm附近有次级带，花青素在500–600 nm间宽带吸收，550 nm绿反射峰随叶绿素降解和花青素积累逐渐衰减。但Gini重要性对相关预测器存在偏倚，相邻10 nm反射通道相关性很强，因此带内排序不应过度解读。
**跨果园和收获季泛化能力**：LOGO验证产生了显著的模型排名重排。SVM-RBF仅在SKF-10中处于中游，却在LOGO下占据前六名中的四个席位，ViT-1D排名第五。森林集成用轴平行阈值对单个波长进行特征空间划分，果园特有的绝对反射偏移可能使样本跨过在其它果园上拟合的阈值；SVM则在高维核诱导空间中放置最大间隔边界，RBF核依赖于光谱间距离而非沿任何单一轴的绝对位置，对未见过地点的系统性位移较不敏感。五种验证方案的整合结果显示了性能梯度：完全扣留一个果园相较于随机交叉验证损失约3.3个百分点，保守年际方向损失约5个百分点。地理迁移（仅训练RS两果园，预测SP果园）准确率为96.60%，略超LOGO平均值，支持橄榄成熟光谱特征反映保守色素转变而非地点特异模式的解释。双向时间验证结果显著不对称：2023→2024方向93.98%（保守基准），2024→2023方向98.21%。一个合理的农学解释是2024季节产生了更广泛的果色表型范围，已涵盖2023年的特征，而2023训练模型遇到了训练中代表性不足的模式。
**统计比较**：Friedman检验显著（χ2=333.4，p<0.0001），平均排名排序为Extra Trees（1.50）> XGBoost（2.15）> Gradient Boosting（2.64）> Random Forest（3.72）> Decision Tree（5.15）> SVM-RBF（5.84）> Logistic回归（7.00）> LDA（8.00）。Holm–Bonferroni校正后的Wilcoxon检验将Extra Trees置于首位，XGBoost和Gradient Boosting构成统计上不可区分的第二梯队。但该排名为数据集内排名，不随验证协议变更而存续。
**深度学习架构**：两种深度架构均未在数据集内超越顶级集成，符合轴平行划分对中等规模表格数据高度有效的既有结论。但在LOGO下，ViT-1D总体排名第五，高于最佳XGBoost结果。卷积滤波器在仅31个波长上局限于狭窄的邻域感受野；自注意力则将每个波长与所有波长相关联，ViT可表示类似680 nm叶绿素吸收与550 nm绿反射峰之间的对比的关系量。此类比值和对比对果园间乘法偏移具有不变性，为ViT优势在空间迁移而非数据集内出现提供了解释。但注意力图未分析，且网络未进行广泛超参数优化，此结论尚属假设。
**部署差距及其背景**：五种验证协议下准确率呈现梯度，从近乎完美的数据集内性能到空间与年际留出下的约94–96%。该3–5个百分点的部署差距此前尚未在橄榄光谱研究中被量化。误差严重性与频率同等重要：所有协议下QWK均超过线性κ，±1类内准确率保持在99.7%以上，意味着模型基本从不跳级。由于批次级Jaén指数是对果实赋值的加权平均，无系统性方向的单步误差在聚合时部分抵消，因此估算的批次级MI误差预期可保持在成熟度单位的一小部分以内，该推论源自误差结构但本研究未测试。
**采后质量控制的实际意义**：客观单果分类器可能通过三个运营用途提升特级初榨橄榄油（EVOO）品质一致性：压榨前的早/晚收批次分离；品质敏感批次的碾磨优先级排序；基于实测而非估计成熟度的调配。三者在现阶段均为前瞻性方向，本研究仅验证了单果步骤，未测量任何下游油品质结果。其优势在于客观性而非速度：一次读数约10秒，评估50–100颗果实所需时间与人工小组的15–30分钟相当，但消除了评估者间变异性，输出为可复现、可审计的单果类别概率集。
**五、讨论与结论总结**
研究讨论部分指出，在评估条件下，仅可见光的便携式光谱被证明足以进行单果橄榄成熟度分类：400–700 nm间的31个波长，以530–680 nm区域为主导（叶绿素降解和花青素积累在此区域发挥作用），承载了无需借助近红外波段即可进行稳健六类判别的充分信息。本研究的主要贡献在于方法论层面：通过在单一数据集上以随机、空间、地理和年际协议评估相同模型，量化了随机交叉验证所掩盖的3–5个百分点的部署差距，并揭示该差距不仅是准确率损失，更涉及模型选择的变化——主导数据集内比较的集成方法在空间留出下被其决策几何较少依赖单个波长绝对位置的边界型和注意力型方法超越。
研究结论部分翻译：仅在可见光范围内的便携式光谱被证明足以在评估的实验条件下完成橄榄单果成熟度分类：介于400–700 nm之间的31个波长，以反映叶绿素降解和花青素积累的530–680 nm区域为主，无需依赖以往多数橄榄研究所借助的近红外波段即可承载稳健的六类判别所需信息。然而，本研究的核心贡献是方法论层面的：通过在单一数据集上同时采用随机、空间、地理和年际验证协议评估相同模型，量化了随机交叉验证单独无法揭示的3–5个百分点的部署差距，并表明该差距不仅是准确率损失，还会改变模型选择——在数据集内比较中占优的集成方法，在空间留出验证下会被决策几何较少依赖于单个波长绝对位置的边界法和注意力法超越。就精准农业光谱学的更广泛意义而言，这表明在随机交叉验证下报告的模型选择并非可迁移的证据，空间或时间留出验证应被视为报告要求而非可选的稳健性检查。实际意义虽有限但具体：客观的单果分类器可通过消除评估者间变异性并产生可审计、可复现的输出，有助于实现更一致的基于成熟度的工厂决策；误差仅局限于相邻成熟阶段这一特征表明，该方法可支撑未来自动化的批次级成熟度指数估算。这些益处仍属前瞻性：本研究仅验证了单果步骤，涉及一个品种、三个果园和两个收获季。将单果预测聚合为批次级估算、与训练有素的评估小组进行基准比较，并检验光谱引导的批次管理是否显著改变成品油的酚类特征，是必要的后续步骤，也是正在进行的课题。
