当前位置:
X-MOL 学术
›
Postharvest Biol. Technol.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Achieving robustness to temperature change of a NIRS-PLSR model for intact mango fruit dry matter content
Postharvest Biology and Technology ( IF 7 ) Pub Date : 2020-04-01 , DOI: 10.1016/j.postharvbio.2019.111117 Xudong Sun , Phul Subedi , Kerry B. Walsh
Postharvest Biology and Technology ( IF 7 ) Pub Date : 2020-04-01 , DOI: 10.1016/j.postharvbio.2019.111117 Xudong Sun , Phul Subedi , Kerry B. Walsh
Abstract Temperature impacts the extent of H bonding in water and thus impacts near infrared (NIR) spectra of fruit and influences the robustness of models between spectra and attributes such as dry matter content (DMC). Temperature correction methods including external parameter orthogonalisation (EPO), generalised least square weighting (GLSW), bias correction, repeatability file, calibration wavelength optimization and global modelling were applied to reduce the impact of sample temperature change on DMC prediction of intact mango fruit using a calibration data set of 1392 samples and a validation set of 660 samples of variable sample temperatures, drawn from 15 populations sourced from separate harvests. All methods except bias correction reduced bias corrected root mean square error of prediction (RMSEP) and increased coefficient of determination (R2). For a global model, it is recommended that at least 2.4 % of samples in the model be scanned at different temperatures. However, the EPO method is recommended overall, as it returned the lowest RMSEP and highest R2 (1.05 % w/w, and 0.82 compared with the control result of 1.43 % and 0.68, respectively), in prediction of the population with spectra acquired at three temperatures. A residual of ± 0.10×ŷ, where ŷ is the reference value, was associated with a confidence interval of 92.4 and 77.4 % for the EPO corrected and original models, respectively. The results have significance for the practical implementation of NIRS-DMC estimation of fruit in field conditions.
中文翻译:
实现完整芒果果实干物质含量的 NIRS-PLSR 模型对温度变化的鲁棒性
摘要 温度会影响水中 H 键的程度,从而影响水果的近红外 (NIR) 光谱,并影响光谱与干物质含量 (DMC) 等属性之间模型的稳健性。应用温度校正方法,包括外部参数正交化 (EPO)、广义最小二乘加权 (GLSW)、偏差校正、可重复性文件、校准波长优化和全局建模,以减少样品温度变化对完整芒果果实 DMC 预测的影响。 1392 个样本的校准数据集和 660 个可变样本温度样本的验证集,来自不同收获的 15 个种群。除偏差校正之外的所有方法都降低了偏差校正预测的均方根误差 (RMSEP) 并增加了确定系数 (R2)。对于全局模型,建议在不同温度下扫描模型中至少 2.4% 的样本。然而,总体上推荐 EPO 方法,因为它返回最低的 RMSEP 和最高的 R2(1.05 % w/w 和 0.82,而对照结果分别为 1.43 % 和 0.68),用于预测在三个温度。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。建议在不同温度下扫描模型中至少 2.4% 的样本。然而,总体上推荐 EPO 方法,因为它返回最低的 RMSEP 和最高的 R2(1.05 % w/w 和 0.82,而对照结果分别为 1.43 % 和 0.68),用于预测在三个温度。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。建议在不同温度下扫描模型中至少 2.4% 的样本。然而,总体上推荐 EPO 方法,因为它返回最低的 RMSEP 和最高的 R2(1.05 % w/w 和 0.82,而对照结果分别为 1.43 % 和 0.68),用于预测在三个温度。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。82 与分别为 1.43 % 和 0.68 的控制结果相比),用在三个温度下获得的光谱预测种群。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。82 与分别为 1.43 % 和 0.68 的控制结果相比),用在三个温度下获得的光谱预测种群。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。
更新日期:2020-04-01
中文翻译:
实现完整芒果果实干物质含量的 NIRS-PLSR 模型对温度变化的鲁棒性
摘要 温度会影响水中 H 键的程度,从而影响水果的近红外 (NIR) 光谱,并影响光谱与干物质含量 (DMC) 等属性之间模型的稳健性。应用温度校正方法,包括外部参数正交化 (EPO)、广义最小二乘加权 (GLSW)、偏差校正、可重复性文件、校准波长优化和全局建模,以减少样品温度变化对完整芒果果实 DMC 预测的影响。 1392 个样本的校准数据集和 660 个可变样本温度样本的验证集,来自不同收获的 15 个种群。除偏差校正之外的所有方法都降低了偏差校正预测的均方根误差 (RMSEP) 并增加了确定系数 (R2)。对于全局模型,建议在不同温度下扫描模型中至少 2.4% 的样本。然而,总体上推荐 EPO 方法,因为它返回最低的 RMSEP 和最高的 R2(1.05 % w/w 和 0.82,而对照结果分别为 1.43 % 和 0.68),用于预测在三个温度。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。建议在不同温度下扫描模型中至少 2.4% 的样本。然而,总体上推荐 EPO 方法,因为它返回最低的 RMSEP 和最高的 R2(1.05 % w/w 和 0.82,而对照结果分别为 1.43 % 和 0.68),用于预测在三个温度。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。建议在不同温度下扫描模型中至少 2.4% 的样本。然而,总体上推荐 EPO 方法,因为它返回最低的 RMSEP 和最高的 R2(1.05 % w/w 和 0.82,而对照结果分别为 1.43 % 和 0.68),用于预测在三个温度。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。82 与分别为 1.43 % 和 0.68 的控制结果相比),用在三个温度下获得的光谱预测种群。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。82 与分别为 1.43 % 和 0.68 的控制结果相比),用在三个温度下获得的光谱预测种群。± 0.10×ŷ 的残差(其中 ŷ 是参考值)与 EPO 校正模型和原始模型的置信区间分别为 92.4% 和 77.4%。研究结果对野外条件下果实的近红外光谱-DMC估计的实际实施具有重要意义。