Abstract Calibration models required for near-infrared (NIR) spectroscopy-based analysis of fresh fruit frequently fail to extrapolate adequately to conditions not encountered during initial data acquisition. Such different conditions can be due to physical, chemical or environmental effects and might be encountered for instance when measurements are carried out on a new instrument, at different sensor operating temperatures or if the model is applied to samples harvested under different seasonal conditions. To cope with such changes efficiently, this study investigates the application of domain-invariant partial least square (di-PLS) regression to obtain calibration models that maintain the performance when used on a new condition. In particular, di-PLS allows unsupervised adaptation of a calibration model to a new condition, i.e. without the need to have access to reference measurements (e.g. dry matter contents) for the samples analyzed under the new condition. The potential of di-PLS for compensation of instruments/seasons and sensor temperature changes is demonstrated on four different use cases in the realm of NIR-based fruit quality assessment. The results showed that di-PLS regression outperformed standard PLS regression when tested on data affected by the aforementioned factors. The prediction R2 increased by up to 67 % with a 46 % and 80 % decrease in RMSEP and prediction bias, respectively. The main limitation of di-PLS is that, to operate efficiently, it requires that the distribution of the response variables to be similar in the data from the different conditions.

中文翻译：

---

偏最小二乘回归与域不变偏最小二乘回归在新鲜水果近红外光谱中的应用

摘要 基于近红外 (NIR) 光谱的新鲜水果分析所需的校准模型经常无法充分外推到初始数据采集期间未遇到的条件。这种不同的条件可能是由于物理、化学或环境的影响，并且可能会遇到，例如在新仪器上、在不同的传感器工作温度下进行测量时，或者如果模型应用于在不同季节条件下采集的样品。为了有效应对这些变化，本研究调查了域不变偏最小二乘 (di-PLS) 回归的应用，以获得在新条件下使用时保持性能的校准模型。特别是，di-PLS 允许校准模型无监督地适应新条件，即 无需访问在新条件下分析的样品的参考测量值（例如干物质含量）。di-PLS 在补偿仪器/季节和传感器温度变化方面的潜力在基于 NIR 的水果质量评估领域的四个不同用例中得到了证明。结果表明，在对受上述因素影响的数据进行测试时，di-PLS 回归优于标准 PLS 回归。预测 R2 增加了 67%，RMSEP 和预测偏差分别减少了 46% 和 80%。di-PLS 的主要限制是，为了高效运行，它需要响应变量的分布在来自不同条件的数据中相似。干物质含量）在新条件下分析的样品。di-PLS 在补偿仪器/季节和传感器温度变化方面的潜力在基于 NIR 的水果质量评估领域的四个不同用例中得到了证明。结果表明，在对受上述因素影响的数据进行测试时，di-PLS 回归优于标准 PLS 回归。预测 R2 增加了 67%，RMSEP 和预测偏差分别减少了 46% 和 80%。di-PLS 的主要限制是，为了高效运行，它需要响应变量的分布在来自不同条件的数据中相似。干物质含量）在新条件下分析的样品。di-PLS 在补偿仪器/季节和传感器温度变化方面的潜力在基于 NIR 的水果质量评估领域的四个不同用例中得到了证明。结果表明，在对受上述因素影响的数据进行测试时，di-PLS 回归优于标准 PLS 回归。预测 R2 增加了 67%，RMSEP 和预测偏差分别减少了 46% 和 80%。di-PLS 的主要限制是，为了高效运行，它需要响应变量的分布在来自不同条件的数据中相似。di-PLS 在补偿仪器/季节和传感器温度变化方面的潜力在基于 NIR 的水果质量评估领域的四个不同用例中得到了证明。结果表明，在对受上述因素影响的数据进行测试时，di-PLS 回归优于标准 PLS 回归。预测 R2 增加了 67%，RMSEP 和预测偏差分别减少了 46% 和 80%。di-PLS 的主要限制是，为了高效运行，它需要响应变量的分布在来自不同条件的数据中相似。di-PLS 在补偿仪器/季节和传感器温度变化方面的潜力在基于 NIR 的水果质量评估领域的四个不同用例中得到了证明。结果表明，在对受上述因素影响的数据进行测试时，di-PLS 回归优于标准 PLS 回归。预测 R2 增加了 67%，RMSEP 和预测偏差分别减少了 46% 和 80%。di-PLS 的主要限制是，为了高效运行，它需要响应变量的分布在来自不同条件的数据中相似。预测 R2 增加了 67%，RMSEP 和预测偏差分别减少了 46% 和 80%。di-PLS 的主要限制是，为了高效运行，它需要响应变量的分布在来自不同条件的数据中相似。预测 R2 增加了 67%，RMSEP 和预测偏差分别减少了 46% 和 80%。di-PLS 的主要限制是，为了高效运行，它需要响应变量的分布在来自不同条件的数据中相似。