Различия в сортах влияют на содержание растворимых твердых веществ (SSC) и характеристики ближнего инфракрасного спектра (NIRS) яблок, что приводит к тому, что модель калибровки спектра SSC, построенная на одном сорте яблок, плохо предсказывает яблоки других сортов при практическом применении. В этом исследовании использовали яблоки сорта Аксу Ред Фуджи (партия 1) для разработки модели частичной наименьших квадратов регрессии (PLSR) и применили методы обновления модели для предсказания яблок сорта Циндао Фэйхун (партия 2). Результаты показали, что PLSR-модель, разработанная с использованием первой производной (1D) в сочетании с конкурентной адаптивной повторной выборкой с перекалибровкой (CARS), эффективно предсказывает SSC партии 1, коэффициенты корреляции прогноза (Rp) и корень из средней квадратичной ошибки предсказания (RMSEP) составили 0.9728 и 0.3838 °Brix соответственно, но модель PLSR партии 1 плохо предсказывает SSC партии 2. Поэтому модель была обновлена тремя методами: обновлением калибровки, коррекцией наклона/смещения (SBC) и динамическим ортогональным проектированием (DOP), а также исследовано влияние количества обновляющих образцов на эффективность обновления. Результаты показали значительное снижение RMSEP для предсказаний модели после обновления всеми тремя методами. Метод SBC показал наилучшие результаты: после обновления с использованием 20 новых образцов RMSEP для тестового набора партии 2 снизился с 1.0756 °Brix до 0.2334 °Brix. Экспериментальные результаты показывают, что методы обновления модели эффективно решают проблему низкого качества предсказания модели для разных сортов яблок, улучшая устойчивость модели и предоставляя важные рекомендации для обновления и поддержки моделей обнаружения SSC на практике.

яблоко; содержание растворимых твердых веществ; ближний инфракрасный спектр; модель PLSR; обновление модели