实验样本5个品种为赤霞珠、 品丽珠、 梅乐、 霞多丽、 小芒森, 样品均取自山东省烟台市君顶葡萄酒酒庄。

光谱数据由Vis/NIR光谱仪USB2000+(美国Ocean Optics公司)测得。 SSC由手持式糖度仪PAL-1(日本Atago公司)测得。

葡萄样品均来自君顶葡萄酒酒庄, 于2016年和2017年先后在4个不同成熟阶段分别对5种酿酒葡萄进行光谱数据采集, 根据葡萄园大小和葡萄藤生长状况均匀选取12个采样位点, 如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 酿酒葡萄样本采集位点Fig.1 Sampling sites of wine grape

采集光谱数据前先使用漫反射标准白板进行校正, 再采集暗电流。 校正操作完成后, 设定仪器参数为: 波长范围350~1 050 nm, 积分时间10 ms, 扫描次数32。 随后进行样本采集, 首先选取采集位点生长状况良好的葡萄藤及葡萄果实采摘浆果样本。 之后沿葡萄藤向上寻找生长良好的冠层枝叶采摘叶片样本。 运送至实验室后进行光谱数据采集。 采样设备为ISP-REF型反射用积分球, 内置卤钨灯光源, 采样孔直径为10.32 mm。

利用主成分分析法(principle component analysis, PCA)消除异常样本, 以提高酿酒葡萄可见/近红外光谱SSC预测模型的精确性和可靠性。

样品光谱数据往往受到随机噪声、 基线漂移、 样品均匀性等因素影响, 需要预处理光谱来消除这些干扰。 一阶导数(first derivative, FD)可以降低低频噪音、 放大高频噪声; Savitzky-Golay卷积平滑(S-G)可有效消除基线漂移; 多元散射校正(multiple scattering correction, MSC)和标准正态变换(standard normal variate, SNV)可消除样品均匀性对漫反射光的影响。 采用它们组合的4种不同方法对样本进行光谱预处理, 以找到最佳预处理方法。

应用偏最小二乘(partial least squared, PLS)方法建立校正模型。 模型性能评估指标为相关系数R、 校正集均方根误差RMSEC、 验证集均方根误差RMSEV, 其计算公式如式(1)— 式(4)所示

RC=∑i=1nC(y^i-yi)2∑i=1nC(y^i-ymean)2(1)

RV=∑i=1nV(y^i-yi)2∑i=1nV(y^i-ymean)2(2)

RMSEC=∑i=1nC(y^i-yi)2nC(3)

RMSEV=∑i=1nV(y^i-yi)2nV(4)

其中, n_C及n_V分别为校正集和验证集样本个数, y^i为第i个预测值, y_i为第i个测定值, y_mean为样本测定值的平均值。

将酿酒葡萄校正集样本在400~1 000 nm区间的Vis/NIR光谱数据导出, 应用OMNIC 8.0软件(美国Thermo Nicolet公司)进行光谱提取。 光谱在400~450 nm处噪音明显, 若用此波段建模将降低模型的精度。 因此选取450~1 000 nm波段的数据, 使用TQ Analyst 8.0(美国Thermo Nicolet公司)光谱处理软件预处理光谱数据及建立校正模型。

以赤霞珠葡萄果实为例, 酿酒葡萄的Vis/NIR吸收率原始光谱如图2所示, 各样本不同成熟阶段的光谱变化趋势基本一致, 呈现的吸收特征变化反映了葡萄内部不同组分信息含量的差异。 光谱在小于450 nm和大于1 000 nm存在较多噪声。 小于780 nm的吸收主要是样品在可见光区的电子跃迁, 主要表征果皮颜色特征, 超过780 nm属于近红外短波波段。 在波长680和980 nm附近均有明显吸收峰。 由于赤霞珠果实的果皮呈紫黑色, 对所有颜色均有吸收, 因此可见光区无明显波谷。 在680 nm附近的吸收峰可能是由果实中的叶绿素分子吸收引起的。 960~1 000 nm间的吸收峰归属于分子振动的三级倍频吸收带, 主要是由水分振动引起的。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 葡萄浆果样本吸收率光谱图Fig.2 The absorbance spectra of grape berries

图3为霞多丽叶片原始光谱吸收率图, 可以看出, 不同生长时期的叶片样本的光谱吸收率变化趋势基本相同。 在叶片光谱可见光波段, 在450 nm附近出现蓝光波段吸收峰。 在520~570 nm形成明显的吸收谷, 由于叶绿素在绿光波段的强反射所致。 在650 nm处为红光波段吸收峰。 吸收率在670~720 nm波段快速下降, 表现出绿色植物的红边特征。 在980 nm附近出现水的弱吸收峰。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 霞多丽冠层叶片样本吸收率光谱图Fig.3 The absorbance spectra of canopy leaves of grape

采用PCA方法检测异常样本, 对光谱的全部波段提取主成分, 原始光谱信息被主成分替代, 若某光谱样本得分因子与其他光谱差异大时, 则认定该光谱样本为异常样本, 予以剔除。 如图4所示为霞多丽样本的第一、 第二主成分的得分因子分布图, 图中有4个样本差异较大位于置信区间以外, 判定为异常样本, 据此准则依次剔除5种酿酒葡萄浆果及其叶片的异常光谱数据。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 霞多丽浆果样本主成分得分图Fig.4 PCA score plot of Chardonnay grape

剔除光谱数据异常值后, SSC数据集按校正集:验证集=3:1的比例随机划分, 然后进行建模分析。 用于浆果光谱特征建模和冠层叶片光谱特征建模的酿酒葡萄SSC含量统计结果见表1。

表1

Table 1

表1(Table 1)

表1 样品集SSC统计 Table 1 Statistics results of SSC of sample sets 样品 名称 类别 样品 子集 样本 数量 范围/% 均值 /% 标准误 差/% 霞多丽 浆果 校正集 64 17.0~22.9 19.76 0.78 验证集 21 18.4~20.8 19.72 0.66 小芒森 浆果 校正集 64 19.9~23.4 21.67 0.72 验证集 20 20.5~22.6 21.55 0.63 梅洛 浆果 校正集 66 17.0~22.9 20.22 1.03 验证集 22 18.3~22.2 20.50 1.00 赤霞珠 浆果 校正集 60 19.1~20.9 20.17 0.46 验证集 20 18.8~21.3 20.05 0.64 品丽珠 浆果 校正集 66 17.2~21.3 19.67 0.80 验证集 22 18.0~21.2 19.53 0.78 霞多丽 叶片 校正集 50 18.0~21.4 19.54 0.72 验证集 16 18.5~21.3 19.71 0.56 小芒森 叶片 校正集 50 19.9~23.6 21.87 1.03 验证集 17 20.8~23.0 21.81 0.56 梅洛 叶片 校正集 53 17.2~23.7 20.47 1.54 验证集 16 19.5~22.8 20.56 0.91 赤霞珠 叶片 校正集 49 18.1~23.2 20.12 1.03 验证集 15 18.6~21.4 19.83 0.79 品丽珠 叶片 校正集 53 18.1~21.2 19.61 0.73 验证集 17 18.8~20.7 19.85 0.55

表1 样品集SSC统计 Table 1 Statistics results of SSC of sample sets

分别采用S-G平滑、 S-G平滑+FD、 S-G平滑+FD+SNV、 S-G平滑+FD+MSC等4种组合预处理光谱数据, 并利用PLS进行建模分析。 表2是5种酿酒葡萄浆果的光谱信息通过不同预处理后的PLS建模结果对比, 可以看出, FD的处理方法可以显著提高模型R值, 降低均方根误差, 求导后再使用SNV或MSC的方法可以进一步提高模型R值, 其中赤霞珠样本光谱使用SNV处理时模型性能最佳, 其余4种使用MSC时最佳, 5种酿酒葡萄验证集R_V均达到0.86以上, 模型预测能力较强。

表2

Table 2

表2(Table 2)

表2 四种预处理方式的PLS预测模型比较 Table 2 Comparison of PLS prediction models with four different pretreatment methods 样品 种类 预处理方法 PCS 校正集 验证集 RC RMSEC RV RMSEV 霞多丽 S-G 2 0.72 0.76 0.73 0.64 S-G+FD 2 0.78 0.49 0.83 0.40 S-G+SNV+FD 2 0.83 0.44 0.85 0.36 S-G+MSC+FD 3 0.93 0.30 0.86 0.36 小芒森 S-G 4 0.61 0.58 0.41 0.63 S-G+FD 3 0.95 0.22 0.86 0.33 S-G+SNV+FD 3 0.95 0.22 0.86 0.33 S-G+MSC+FD 3 0.95 0.22 0.86 0.30 梅洛 S-G 7 0.73 0.70 0.76 0.70 S-G+FD 7 1.00 0.09 0.83 0.54 S-G+SNV+FD 4 0.96 0.30 0.88 0.48 S-G+MSC+FD 5 0.96 0.29 0.88 0.48 赤霞珠 S-G 4 0.91 0.19 0.87 0.35 S-G+FD 1 0.93 0.18 0.85 0.37 S-G+SNV+FD 2 0.97 0.12 0.88 0.31 S-G+MSC+FD 7 0.98 0.02 0.82 0.40 品丽珠 S-G 6 0.71 0.56 0.67 0.33 S-G+FD 3 0.81 0.37 0.71 0.66 S-G+SNV+FD 4 0.93 0.27 0.81 0.37 S-G+MSC+FD 4 0.96 0.22 0.86 0.44

表2 四种预处理方式的PLS预测模型比较 Table 2 Comparison of PLS prediction models with four different pretreatment methods

分别选取光谱数据最优预处理方法, 并建立基于酿酒葡萄浆果光谱的SSC预测模型, 图5至图9分别为霞多丽、 小芒森、 梅洛、 赤霞珠、 品丽珠的预测模型散点图, SSC预测模型相关系数R分别达到了0.93, 0.95, 0.96, 0.97和0.96, 相关性很高, RMSEC均不超过0.30, 散点图离散程度低。 利用验证集样本评价SSC预测模型, 5种酿酒葡萄验证集R依次达到0.86, 0.86, 0.88, 0.88和0.86, 相关性较好, 且RMSEV最高为0.48, 预测值与真实值离散程度较低, 模型效果优良。 对比文献, 陈辰等^[2]研究中的模型性能同样优良, 但结果表现出差异性可能是由于品种以及建模方法的不同。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 霞多丽葡萄浆果SSC模型校正与验证结果Fig.5 Results of calibration and validation of SSC prediction model for Chardonnay grape

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 小芒森葡萄浆果SSC模型校正与验证结果Fig.6 Results of calibration and validation of SSC prediction model for Petit Manseng grape

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 梅洛葡萄浆果SSC模型校正与验证结果Fig.7 Results of calibration and validation of SSC prediction model for Merlot grape

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 赤霞珠葡萄浆果SSC模型校正与验证结果Fig.8 Results of calibration and validation of SSC prediction model for Cabernet Sauvignon grape

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 品丽珠葡萄浆果SSC模型校正与验证结果Fig.9 Results of calibration and validation of SSC prediction model for Cabernet Franc grape

表3是5种酿酒葡萄冠层叶片的样本光谱经过不同预处理后的PLS建模结果对比, 从表3中可以看出, FD的处理方法可以降低均方根误差, 但对R的改善效果小于基于葡萄浆果光谱数据所建立的预测模型, 原因可能是冠层叶片携带与SSC有关的信息有限, 近红外波段漫反射信息采集较少, 更多的采集到了可见光部分光谱信息, 而可见光波段数据较为稳定, 噪声较少。 求导后再使用SNV或MSC的方法可以进一步提高模型相关性, 5种葡萄叶片的预测模型均使用MSC处理效果最佳, 验证集R_V均不低于0.65, 模型具有一定预测能力。

表3

Table 3

表3(Table 3)

表3 四种预处理方式的PLS预测模型比较 Table 3 Comparison of PLS prediction models with four different pretreatment methods 样品 种类 预处理方法 PCS 校正集 验证集 RC RMSEC RV RMSEV 霞多丽 S-G 1 0.69 0.65 0.36 0.79 S-G+FD 1 0.70 0.52 0.55 0.68 S-G+SNV+FD 1 0.71 0.66 0.61 0.55 S-G+MSC+FD 1 0.76 0.46 0.67 0.44 小芒森 S-G 2 0.61 0.96 0.41 0.75 S-G+FD 3 0.66 0.83 0.59 0.70 S-G+SNV+FD 2 0.75 0.79 0.60 0.58 S-G+MSC+FD 2 0.80 0.61 0.66 0.48 梅洛 S-G 1 0.62 0.70 0.52 0.97 S-G+FD 2 0.72 0.69 0.61 0.86 S-G+SNV+FD 2 0.72 0.90 0.61 0.80 S-G+MSC+FD 2 0.78 0.96 0.66 0.75 赤霞珠 S-G 1 0.47 1.26 0.51 1.27 S-G+FD 2 0.61 0.99 0.61 0.99 S-G+SNV+FD 1 0.70 0.86 0.62 0.77 S-G+MSC+FD 1 0.73 0.71 0.69 0.70 品丽珠 S-G 3 0.60 0.90 0.41 1.65 S-G+FD 2 0.69 0.77 0.59 0.99 S-G+SNV+FD 2 0.71 0.59 0.60 0.75 S-G+MSC+FD 2 0.78 0.46 0.65 0.44

表3 四种预处理方式的PLS预测模型比较 Table 3 Comparison of PLS prediction models with four different pretreatment methods

基于冠层叶片光谱数据采用最优预处理方法, 分别建立了SSC的PLS预测模型, 图10至14分别为霞多丽、 小芒森、 梅洛、 赤霞珠、 品丽珠叶片的预测模型散点图, SSC预测模型R分别达到了0.76, 0.80, 0.78, 0.73和0.78, 相关性较高, RMSEC均低于0.95, 预测值与真实值之间离散程度小。 利用验证集样本对基于冠层叶片的SSC预测模型进行模型评价, 5种冠层叶片验证集R_V依次达到0.67, 0.66, 0.66, 0.69和0.65, 具有一定相关性, RMSEV均在0.75以下, 散点图效果相对离散, 模型效果较好。

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 霞多丽葡萄叶片SSC模型校正与验证结果Fig.10 Results of calibration and validation of SSC prediction model for Chardonnay leaves

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 小芒森葡萄叶片SSC模型校正与验证结果Fig.11 Results of calibration and validation of SSC prediction model for Petit Manseng leaves

图12

Fig.12

	Figure Option ViewDownloadNew Window
	图12 梅洛葡萄叶片SSC模型校正与验证结果Fig.12 Results of calibration and validation of SSC prediction model for Merlot leaves

图13

Fig.13

	Figure Option ViewDownloadNew Window
	图13 赤霞珠葡萄叶片SSC模型校正与验证结果Fig.13 Results of calibration and validation of SSC prediction model for Cabernet Sauvignon leaves

图14

Fig.14

	Figure Option ViewDownloadNew Window
	图14 品丽珠葡萄叶片SSC模型校正与验证结果Fig.14 Results of calibration and validation of SSC prediction model for Cabernet Franc leaves

随机采集5种酿酒葡萄的浆果样本各20个, 采集方法与预测建模实验数据采集方法相同, 利用所建立的基于酿酒葡萄浆果光谱特征的SSC预测模型对外部未知样本进行SSC含量预测, 验证结果见表4。 从结果中可以看出, 葡萄浆果外部试验样本的SSC预测值与真实值之间RE较小, 验证样本RE均表现良好, 品丽珠品种的平均RE最高, 达到0.43%, 小芒森和赤霞珠样本的预测结果表现优秀, RE接近于0。

表4

Table 4

表4(Table 4)

表4 酿酒葡萄浆果叶片样本的外部验证结果 Table 4 External validation results of samples of berry and canopy leaves 样品 名称 样品 类别 数量 范围/% 绝对误 差/% 相对误 差/% 霞多丽 浆果 20 18.4~20.8 0.08 -0.44 小芒森 浆果 20 20.5~22.6 -0.02 -0.06 梅洛 浆果 20 19.1~22.2 -0.09 -0.35 赤霞珠 浆果 20 18.8~20.9 -0.01 -0.05 品丽珠 浆果 20 18.0~21.2 0.07 0.43

表4 酿酒葡萄浆果叶片样本的外部验证结果 Table 4 External validation results of samples of berry and canopy leaves