As diferenças entre variedades afetam o teor de sólidos solúveis (SSC) e as características do espectro de infravermelho próximo (NIRS) das maçãs, resultando na dificuldade do modelo de calibração espectral SSC desenvolvido com uma variedade de maçã em prever adequadamente outras variedades na aplicação prática. Este estudo utilizou maçãs Fuji Vermelhas de Aksu (lote 1) para desenvolver um modelo de calibração por regressão por mínimos quadrados parciais (PLSR) e previu maçãs Vermelhas de Qingdao (lote 2) usando métodos de atualização do modelo. Os resultados mostraram que o modelo PLSR desenvolvido combinando a primeira derivada (1D) e a amostragem reponderada adaptativa competitiva (CARS) pode prever efetivamente o SSC do lote 1, com coeficiente de correlação preditiva (Rp) e raiz do erro quadrático médio preditivo (RMSEP) de 0,9728 e 0,3838 °Brix, respectivamente, mas o modelo PLSR do lote 1 teve dificuldade em prever o SSC do lote 2. Portanto, o modelo foi atualizado com três métodos: atualização de calibração, correção de inclinação/deslocamento (SBC) e projeção ortogonal dinâmica (DOP), e o efeito do número de amostras atualizadas na eficácia da atualização foi estudado. Os resultados mostraram que o RMSEP das previsões do modelo diminuiu significativamente após a atualização com os três métodos. O método SBC obteve os melhores resultados, com o RMSEP para o conjunto de teste do lote 2 diminuindo de 1,0756 °Brix para 0,2334 °Brix após a atualização usando 20 novas amostras. Os resultados experimentais indicam que os métodos de atualização de modelo podem resolver efetivamente o problema do desempenho ruim do modelo ao prever maçãs de diferentes variedades, melhorando a robustez do modelo e fornecendo orientação importante para a manutenção e atualização dos modelos de detecção de SSC na aplicação prática.

maçã; teor de sólidos solúveis; espectroscopia de infravermelho próximo; modelo PLSR; atualização de modelo