以番茄可溶性固形物含量（SSC）的无损速测为例， 分别采用线性渐变分光（LVF）、 数字光处理（DLP）近红外光谱仪对大、 小番茄采集近红外光谱数据; 分别基于两种近红外光谱仪数据计算大、 小番茄平均光谱及差谱， 并比较两种近红外光谱仪所采集大、 小番茄近红外光谱数据的特征; 对两种近红外光谱仪的数据分别进行主成分分析（PCA）， 并比较了大、 小番茄前3主成分的得分分布; 按SSC梯度对数据进行分级， 采用偏最小二乘（PLS）回归结合全交互验证算法分别基于两种近红外光谱仪数据建立番茄SSC定量校正模型。 结果表明: （1）大、 小番茄LVF近红外光谱的平均光谱及其差谱的光谱特征分别与DLP近红外光谱的平均光谱及其差谱的光谱特征相似。 （2）大、 小番茄LVF近红外光谱数据PCA前3主成分得分散点分离趋势不明显， 而DLP近红外光谱数据PCA前3主成分得分散点基本上不具有分离趋势。 （3）基于LVF近红外光谱数据所建各模型的相对预测性能（RPD）皆不低于2.11， 其中标准化预处理所建模型具有最佳性能， 模型维数（Nf）、 校正测定系数（R2C）、 校正均方根误差（RMSEC）、 交互验证测定系数（R2CV）、 交互验证均方根误差（RMSECV）、 RPD、 预测相关系数（RP）、 预测均方根误差（RMSEP）分别为8、 0.949 1、 0.27、 0.899 9、 0.38、 3.16、 0.882 6、 0.63; 基于DLP近红外光谱数据所建各模型的RPD皆不低于1.60， 其中标准化预处理所建模型具有最佳性能， Nf、 R2C、 RMSEC、 R2CV、 RMSECV、 RPD、 RP、 RMSEP分别为5、 0.823 5、 0.49、 0.728 6、 0.62、 1.94、 0.788 4、 0.80。 该研究可为番茄SSC的无损快速测定以及果蔬品质无损快速检测的仪器选择与评价提供一定的参考。

借助变量筛选方法可以从复杂的光谱背景下选择部分变量构建定量预测模型, 在一定程度上提高建模变量的解释性。 然而模型解释性的提高并不意味着建模变量有确切的理化意义。 本研究以甘草中红外定量预测模型为载体, 解析移动窗口偏最小二乘(mwPLS)、 组合间隔偏最小二乘(siPLS)和竞争自适应抽样方法(CARS)三种变量筛选方法所得变量与目标成分化学特征的相关性, 比较不同变量筛选方法下所筛变量解释性的差异。 结果表明, mwPLS优先筛出黄酮和皂苷两类成分红外光谱上区别明显的苯环骨架振动和皂苷母核上甲基取代基弯曲振动所对应的波段, siPLS筛出了黄酮类成分的(φ)C—O, (φ)CC, (φ)C—H伸缩振动的特征区间组合和皂苷类成分的C—O, C—H, O—H伸缩振动的特征区间组合。 相对于以上两种变量筛选方法, CARS筛选得到的变量能够更好地归属于甘草苷和甘草酸在中红外1 000～4 000 cm-1特征区的特征峰, 而且基于CARS筛选的变量建模, 模型的预测性能得到了提高。 因此, CARS筛选的变量能实现目标成分红外特征区大部分化学特征的解析, 有利于增强模型的解释性。

从分析苹果树盛果期冠层高光谱入手, 结合同一时间的数码照片, 在Erdas, ViewSpec Pro, DPS和LIBSVM等软件的支持下, 采用相关分析、 线性回归、 逐步回归、 基于BP人工神经网络分析、 支持向量机回归方法, 探析高光谱反射率及其转换数据与冠层组分指数间的关系。 结果表明, 冠层反射率受地表反光膜的影响显著； 原始反射率与果叶比的相关性最好, 611～680 nm为反映两者关系的特征波段； 在特征波段内, 依据原始反射率和果叶比所建立的4种模型都可满足预测需要, 但基于BP人工神经网络模型和支持向量机回归模型整体上优于一元线性回归模型和多元线性回归模型, 尤以支持向量机回归模型精度最高。 研究结果可为后续的苹果遥感估产工作提供理论支持。