分别为0.308 7、0.980 2。由3 种葡萄混合组成的预测集对模型进行评价，预测标准差0.354、预测判定系数
为0.980 8、验证相对分析误差为6.22、预测残差平方和为7.993。模型对单一品种预测
均达到0.94以上。因此，葡萄果实可溶性固形物含量的近红外预测模型具有可行性，可同时适用于多种葡萄品种。
陈 辰 1，鲁晓翔 1,*，张 鹏 2，陈绍慧 2，李江阔 2
（1.天津商业大学生物技术与食品科学学院，天津市食品生物技术重点实验室，天津 300134；2.国家农产品保鲜工程技术研究中心，天津市农产品采后生理与贮藏保鲜重点实验室，天津 300384）
摘 要：利用可见-近红外漫反射光谱技术，建立不同品种葡萄贮藏期间可溶性固形物含量定量预测的通用模型。以10 ℃贮藏的玫瑰香葡萄、马奶葡萄、红提葡萄的混合光谱为定标材料，探讨不同化学计量学建模方法、不同光谱预处理方法、间隔点、平滑数以及不同特征波长区间选择 对建模效果的影响及模型的品种适用性。结果显示，采用改进偏最小二乘法，16 点平滑，间隔点数16 点，结合二阶导数、去散射的处理方法，在波长范围408～1 092.8 nm内建立的模型效果最优，其交互验证误差和交互验证判定系数
分别为0.308 7、0.980 2。由3 种葡萄混合组成的预测集对模型进行评价，预测标准差0.354、预测判定系数
为0.980 8、验证相对分析误差为6.22、预测残差平方和为7.993。模型对单一品种预测
均达到0.94以上。因此，葡萄果实可溶性固形物含量的近红外预测模型具有可行性，可同时适用于多种葡萄品种。
关键词：可见-近红外漫反射光谱；葡萄；贮藏；可溶性固形物；预测模型
葡萄为葡萄科（Vitaceac）、葡萄属（Vitis）落叶藤本植物，果实风味独特、酸甜适口、营养价值高，深受消费者喜爱 [1]。但由于葡萄果粒皮薄且含水、含糖量高，在采后贮运过程中极易发生品质劣变，使商品价值大大降低。随着市场对葡萄品质要求的提高及葡萄保鲜技术的发展，针对葡萄采后品质的快速、无损检测研究已成为果蔬保鲜领域的重要研究课题。
广义的可溶性固形物含量（soluble solids content，SSC）是指样品中所有可溶于水的物质含量，包括糖、酸、矿物质、维生素等，它是衡量水果食用品质的重要指标。传统方法测定SSC需要破坏样品取汁液测试，耗时长、消耗试剂多、准确性低 [2]。可见-近红外光谱无损检测是利用样品对光的特定吸收、反射、透射而进行定量、定性分析的高新检测技术，具有简便快速、无破坏性、节约试剂等优点 [3-5]。利用此技术对葡萄SSC的检测国内外学者已有研究，但主要集中于酿酒品种或单一品种的SSC测定 [ 6]。Juan等 [7]建立了红、白葡萄在成熟、酿酒过程中还原糖的近红外光谱模型并验证了模型预测性能。徐洪宇等 [8]采用傅里叶变换近红外光谱技术建立了49 种酿酒葡萄SSC的偏最小二乘（partial least squares，PLS）模型，预测相关系数R p为0.961。吴桂芳等 [9]应用可见-近红外光谱技术建立改进偏最小二乘（modifi ed partial least squared，MPLS）与BP（backpro pagation）神经网络相结合的葡萄浆果糖度预测模型，其校验参数R 2为0.908。吕刚等 [10]以南方棚栽葡萄为材料，应用光谱技术实现了葡萄活体生长期的模型检测，结果表明潜变量-支持向量机模型效果最佳。葡萄贮藏期间品质会发生较大变化，若应用生长期、成熟期或鲜食的模型则难以达到预测需要，而针对贮藏期的葡萄建模，样品指标变化范围更宽、适用性更强、应用价值较高。玫瑰香、马奶、红提3 种葡萄是我国常见的鲜食葡萄品种 [11-12]，以期为试材建立不同品种通用的大样本综合模型兼顾了品种特异性和代表性，对拓展品质检测方法的适用性具有实际意义。因此，本实验采集这3 种葡萄果实的可见-近红外漫反射光谱，较为全面地讨论不同特征波长区间选择、MPLS及PLS两种化学计量学方法、不同光谱预处理方法建模效果，确立最优建模方法并进行验证，以期得到精度更高、建模方法更系统的贮藏期SSC通用模型。
1.1 试材及处理
玫瑰香葡萄，2014年9月17日采于天津市茶淀镇；马奶葡萄、红提葡萄，2014年10月14日采收于河北省张家口市涿鹿县杏园村。果实成熟度约八成、无病虫害、无机械伤，采收当天运至国家农产品保鲜工程技术研究中心（天津）实验室，预冷24 h后称量、标记、分装入厚度0.02 mm的葡萄专用膜包装袋，于（10±1） ℃冷库贮藏。每3 d测定1 次，每次选取每个品种40 个果实，共测定5 次。
1.2 仪器与设备
NIRS DS2500近红外漫反射光谱仪 丹麦Foss公司；PAL-1数字手持折光仪 日本Atago公司。
1.3 方法
1.3.1 近红外漫反射光谱的采集
实验用近红外漫反射光谱仪集成全息光栅分光系统，配备硅（400～1 100 nm）和硫化铅（1 100～2 500 nm）检测器，扫描波长范围为400～2 500 nm，扫描方式为单波长、快速扫描，扫描次数32 次。内置Nova分析软件和WinISI4定标软件。测试前，将葡萄果粒于恒定室温（约24 ℃）平衡4 h后，标记并排序，选取果实赤道附近光滑部位避开表面缺陷如伤疤、污点等，于近红外漫反射光谱仪Slurry Cup上进行光谱采集 [13]。
1.3.2 SSC的测定
将采集光谱后的葡萄果粒整果挤汁、过滤后滴于PAL-1数字手持折光仪测定SSC（°Brix），重复3 次取平均值，以蒸馏水校正零点。
1.3.3 模型的建立与验证
使用仪器自带WinISI4软件将采集到的3 种葡萄光谱混合后剔除由外部因素造成的异常光谱
[14]，将样品随机分成定标集450 个和预测集110 个，再从3 种葡萄混合组成的综合预测集中抽取各个品种单一预测集每组35 个；定标集样品用于建立定标模型，预测集样品用于验证和评价定标模型的预测性能。定标模型评价指标为留一法交互验证判定系数
和交互验证标准差（standard error of cross validation，SECV），
越高，SECV越小，表明近红外光谱分析值与实测值的相关性越高，即模型质量较高
[15]。确定了最优的预处理方法后，应用其建立葡萄SSC预测模型，利用综合预测集和单一品种预测集分别验证模型，验证标准差（square error of prediction，SEP）越小、预测值与化学值回归判定系数（R
p
2）越高，残差分布均匀、预测残差平方和（predicted residual error sum of squares，PRESS）越小，预测效果越好；同时，外部相对分析误差RPD（RPD=SD/SEP）在2.0～2.5之间，可进行粗略的定量分析，当RPD值大于2.5或3.0以上时，说明所建模型具有很好的预测效果
[16-18]。
2.1 葡萄果实SSC测定值分布特征
葡萄为非呼吸跃变型水果，贮藏初期有一定程度的后熟，贮藏期间SSC为正常生理代谢提供能量，在生理变化中可转化为其他物质，因而呈开始稍上升后逐渐下降趋势 [19-20]。建模定标集和预测集样品SSC测定值的变幅范围、均值和标准偏差见表1。
表1 定标集和验证集样品SSC测定值的分布特征
Table1 Distribution characteristics of SSC values in alibration and validation
葡萄品种样品集样品数变幅/（°Brix）均值/（°Brix）标准偏差/（°Brix）玫瑰香定标集15015.3～20.816.53.92预测集3515.6～20.516.24.05马奶定标集15010.5～16.914.13.41预测集3511.1～16.714.54.36红提定标集预测集10.2～17.811.93.23 11.9～16.012.83.26综合定标集预测集150 35 450 110 10.3～20.915.62.24 10.5～20.215.72.22
由表1可见，3 种品种葡萄SSC有明显差异，玫瑰香SSC最高，红提次之，而马奶最低。综合定标集样品的SSC值梯度均匀、分布范围较广，且预测集的样品随机选自不同贮藏时间，SSC范围都在定标集范围内。因此，所选样品可以用于建立近红外检测模型。
2.2 葡萄的可见/近红外原始吸收光谱
图1A的3 条光谱分属于3 个品种的葡萄样品，图1B为混合用于建模的定标集样品全波长范围内的原始吸收光谱图。
图1 3 种葡萄原始吸收单个样品（A）和全部样品（B）光谱图
Fig.1 Original absorption spectra of grapes
由图1可见，3 种葡萄吸收光谱在1 450 nm之前差异显著，吸光度由大到小分别为玫瑰香葡萄、红提葡萄、马奶葡萄，与SSC的实验室测定结果相吻合。总光谱图变化趋势基本一致，在波长680、967、1 161.5 nm和1 964 nm处有丰富的吸收信息，波峰波谷起伏较大。根据WinISI4软件分析及文献检索 [7-10,21-24]，处于680 nm之前的吸收主要是可见光区的电子振动，主要表征果皮颜色特征，因此品种间差异较大；680～1 161.5 nm之间为分别为—O—H的四级、三级、二级倍频吸收，一般与水分、糖类物质有关；1 161.5 nm和1 964 nm附近主要是—C—H、—CH 2键的伸缩引起的吸收。孙旭东等 [25]认为642～787、861～1 006、1 080～1 152 nm和 1 226～1 371 nm为南丰蜜橘SSC的近红外光谱特征波段。对不同有效波长区间建模的讨论可进一步明确不同波段的光谱信息与葡萄SSC的相关性及建模效果。
2.3 不同化学计量学建模方法的选择
建立定量模型的常用方法有主成分回归（principal components regression，PCR）、PLS、人工神经网络（artificial neural networks，ANN）、支持向量机（support vector machine，SVM）等
[26]。PCR注重自变量的聚类，较适合定性分析，ANN、SVM等多用于非线性相关分析，MPLS是在PLS法的基础上进行窗口平移等处理，相对于PLS法，优化了因子数，增强了模型提取有效光谱的能力
[9,27]。本实验分别应用MPLS、PLS方法在全光谱范围内建立SSC定标模型，结果如表2所示，MPLS的
为 0.908 8、PLS的
为0.881 9。
表2 不同化学计量学的定标结果
Table2 Statistical results of models constructed by different stoichiometries
方法样本数SECVR 2 CVMPLS4300.664 40.908 8 PLS4300.707 50.881 9
2.4 不同光谱预处理方法的选择
表3 不同光谱预处理的定标结果
Table3 Statistical results of models constructed by different pretreatments
2
采用MPLS法分别结合不同导数处理、不同散射和标准化处理建立SSC定标模型。在全光谱范围内使用原始光谱（lg（1/ R））、一阶导数光谱（D1 lg（1/R））、二阶导数光谱（D2 lg（1/R））结合标准正常化与去散射处理（standard normal variate，SNV and Detrend）、标准正常化（SNV only）、去散射处理（Detrend only）、标准多元离散校正（standard multiplicative scatter correction，SMSC）、加权多元离散校正（weighted multiplicative scatter correction，WMSC）、反相多元离散校正（inverse multiplicative scatter correction，IMSC）的定标模型SECV和
如表3所示。
可见，葡萄SSC定标模型采用MPLS、D2 lg（1/R）、Detrend相结合的光谱预处理方法效果最好，其SECV为 0.402 9，
为0.966 1。原因可能是光谱基线漂移的影响较大，二阶导数及去散射处理在解决基线漂移上优势明显
[28]。
2.5 不同光谱处理间隔点、平滑点数的选择
采取导数、去散射等预处理的同时，通过软件对进行光谱平滑处理同样可以有效消减高频随机噪声对光谱的影响，选取平滑点数（Smooth）及处理间隔点数（Gap）的不同，建模效果随之变化，平滑过少误差较大，平滑过多可能使谱图失真，丢失信息，造成过拟合，且平滑点数不得超过间隔点数 [29-30]。根据表4结果，选取间隔点数16、平滑点数16、无二次平滑，结合MPLS、D2 lg（1/R）、Detrend建模效果最好。
表4 不同间隔点、平滑点数的定标结果
Table4 Statistical results of models constructed by different effective wavelength intervals and smoothing points
间隔点数平滑点数建模方法预处理SECVR 2 CV4 0.450 60.954 8 8 8 0.414 40.959 3 4 16160.402 90.966 1 20200.421 10.958 9 MPLS D2 lg（1/R）＋Detrend
2.6 不同有效波长区间的选择
在得到最优化学计量学方法和光谱预处理组合后，根据吸收光谱吸收峰的分布，将全波长范围光谱分为408～1 092.8、1 108～1 772.8、1 808～2 492.8、408～1 772.8、408～2 492.8nm等几个区间，每个区间分别用MPLS＋D2 lg（1/R）＋Detrend法、Gap16、 Smooth 16，建立定标模型，SECV和
如表5所示。结果显示，408～1 092.8 nm范围内模型效果最好，408～1 772.8 nm较好，而1 808～2 492.8 nm相关性最差。与2.2节分析讨论相印证，不同品种光谱的差异及SSC测定值的差异在408～1 092.8 nm最为明显，在可见光、较短波长近红外光区域有较强相关性，可以利用最少的波数提供最为全面的信息，同时减少噪声及不相关变化的干扰，因此选择408～1 092.8nm光谱范围作为有效建模波长区域，这与欧阳爱国
[31]、Omar
[32]等的研究结果类似。
表5 不同有效波长区间的定标结果
Table5 Statistical results of models constructed by different effective wavelength intervals
波长范围/nm建模方法预处理SECVR 2 CV0.308 70.980 2 1 108～1 772.80.501 30.948 5 1 808～2 492.81.174 80.706 6 408～1 772.80.325 00.977 8 408～2 492.80.459 10.947 6 408～1 092.8 MPLS D2 lg（1/R）＋De trend
最终确定的最优建模方法组合为：Gap16、Smooth 16、无二次平滑、在408～1 092.8 nm波长范围内应用D2 lg（1/R）结合Detrend处理。处理后的光谱图如图2所示。可见，峰宽明显减小，提高了肩峰及精细结构的分辨率 [33]。
图2 最优处理的定标光谱图
Fig.2 Optimized spectrum of calibration
2.7 模型预测性能的评价
图3 综合预测集验证结果
Fig.3 Verifi cation of the model by comprehensive prediction set
最优模型对混合预测集样品的验证结果如图3所示，预测SEP为0.354，R p 2为0.980 8，残差均未超过0.6，残差分布均匀，残差平方和PRESS为7.993，RPD为6.22，预测性能优良，精度较现有研究有所提高 [7-10,26]。
为验证模型对单一品种预测的可靠性，分别对单一品种预测集样品SSC进行分析，结果如图4所示。
图4 玫瑰香葡萄（A）、马奶葡萄（B）、红提葡萄（CC）预测集实测值与预测值的相关性
Fig.4 Correlation between actual and predicted values for three variety sets
验证结果表明，玫瑰香葡萄预测集SEP为0.358，
为0.950 7，RPD为4.06；马奶葡萄预测集SEP为0.336，
为0.971 4，RPD为5.21，红提葡萄预测集SEP为0.312，
为0.944 5，RPD为3.28。可见，单一品种预测标准差均较低、预测值和实测值相关性较好，模型较稳定，均可以起到很好的预测效果，其中马奶葡萄SSC模型RPD达到5以上，预测效果最佳。
葡萄果实的SSC是反映其贮藏期品质的重要指标。在波长408～1 092.8 nm范围内，应用MPLS 结合Gap16、Smooth 16、无二次平滑、D2 lg（1/R）、Detrend方法建立10 ℃贮藏的玫瑰香葡萄、马奶葡萄、红提葡萄SSC检测模型，定标交互验证判定系数及预测判定系数较高，定标交互验证误差、预测标准差较小，残差分布均匀、残差平方和小，未知样品为混合品种或单一品种时均具有良好的预测效果。综上所述，可见/近红外漫反射技术可以用于预测不同品种葡萄的贮藏期间SSC，模型精度较高、品种泛化性及通用性较强。
参考文献：
[1] 林天颖, 苏清彩, 温鹏, 等. 葡萄保鲜技术研究进展[J]. 农产品加工:学刊, 2013(7): 52-54.
[2] 聂继云, 李静, 徐国锋, 等. 水果可溶性固形物含量测定适宜取汁方法的筛选[J]. 保鲜与加工, 2014, 14(5): 62-64.
[3] 王敏, 付蓉, 赵秋菊, 等. 近红外光谱技术在果蔬品质无损检测中的应用[J]. 中国农学通报, 2010, 26(5): 174-178.
[4] KAWANO S. Present condition of nondestructive quality evaluation of fruits and vegetables in Japan[J]. Japan Agricultural Research Quarterly, 1992, 28: 212-216.
[5] MOGHIMI A, AGHKHANI M H, SAZGAMIA A, et al. Vis/NIR prediction of soluble solids content and acidity (pH) of kiwifruit[J]. Biosystems Engineering, 2010, 106(3): 295-302.
[6] ORTUNO J C, JAREN C, ARAZUR S, et al. Sugar determination in grapes using NIR technology[J]. International Journal of Infrared and Millimeter Waves, 2001, 22(10): 1521-1530.
[7] JUAN F N, LOPEZ M I, SANCHEZ M T, et al. Shortwave-near infrared spectroscopy for determination of reducing sugar content during grape ripening, winemaking, and aging of white and red wines[J]. Food Research International, 2008, 42(2): 285-291.
[8] 徐洪宇, 张京芳, 侯力璇, 等. 基于FT-NIR光谱技术检测酿酒葡萄中可溶性固形物含量[J]. 中国食品学报, 2013, 13(11): 153-159.
[9] 吴桂芳, 黄凌霞, 何勇. 葡萄浆果糖度可见/近红外光谱检测的研究[J]. 光谱学与光谱分析, 2008, 28(9): 2090-2093.
[10] 吕刚, 杨海清. 基于光谱技术的葡萄活体可溶性固体含量在线检测研究[J]. 红外, 2012, 33(10): 43-48.
[11] 张福庆, 李巍, 田卫东, 等. 玫瑰香葡萄品种特性与汉沽产地分析[J].中外葡萄与葡萄酒, 2007(5): 39-42.
[12] 段新立. 红提葡萄贮藏保鲜方法[J]. 农村科技, 2013(2): 60-61.
[13] 张鹏, 李江阔, 孟宪军, 等. 磨盘柿可溶性固形物的可见/近红外漫反射光谱无损检测[J]. 食品科学, 2011, 32(6): 191-194.
[14] 祝诗平, 王一鸣, 张小超, 等. 近红外光谱建模异常样品剔除准则与方法[J]. 农业机械学报, 2004, 35(4): 115-119.
[15] 章海亮, 孙旭东, 郝勇, 等. 近红外漫反射无损检测赣南脐橙中可溶性固形物和总酸[J]. 食品科学, 2011, 32(6): 151-154.
[16] 王丹, 鲁晓翔, 张鹏, 等. 近红外光谱检测不同贮藏期磨盘柿的内部品质[J]. 光谱实验室, 2013, 30(6): 2769-2774.
[17] TEWARI J C, DIXIT V, CHO B K, et al. Determination of origin and sugars of citrus fruits using genetic algorithm, correspondence analysis and partial least square combined with fi ber optic NIR spectroscopy[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2008, 71(3): 1119-1127.
[18] ALAMAR M C, BOBELYN E, LAMMERTYN J, et al. Calibration transfer between NIR diode array and FT-NIR spectrophotometers for measuring soluble solids contents of apple[J]. Postharvest Biology and Technology, 2007, 45(1): 38-45.
[19] 李宁, 关文强, 段双科. 葡萄采后致腐病原菌鉴定及侵染规律[J]. 保鲜与加工, 2005, 5(3): 37-39.
[20] 李明娟, 游向荣, 文仁德, 等. 葡萄果实采后生理及贮藏保鲜方法研究进展[J]. 北方园艺, 2013(20): 173-178.
[21] WULFERT F, KOK W T, SMILDE A K. Infl uence of temperature on vibrational spectra and consequences for the predictive ability of multivariate models[J]. Analytical Chemistry, 1998, 70(9): 1761-1767.
[22] 庞滂. 近红外定性定量模型的建立与应用[D]. 西安: 西北大学, 2008: 15-17.
[22] BLANCO M, VILLAR A. Development and validation of a method for the polymorphic analysis of pharm aceutical preparations using near infrared spectroscopy[J]. Journal of Pharmaceutical Sciences, 2003, 92(4): 823-830.
[23] DOLORES P M, SANCHEZB M T, PAZ P, et al. Postharvest shelflife discrimination of nectarines produced under different irrigation strategies using NIR-spectroscopy[J]. LWT-Food Science and Technology, 2011, 44(6): 1405-1414.
[24] 蔡宋宋, 王宝刚, 冯晓元, 等. 测试部位、温度对苹果品质近红外分析准确度的影响[J]. 食品科学, 2009, 30(4): 217-220.
[25] 孙旭东, 章海亮, 欧阳爱国, 等. 南丰蜜桔可溶性固形物近红外特征波段选择[J]. 农业机械学报, 2009, 40(7): 129-132.
[26] XU Huirong, QI Bing, SUN Tong, et al. Variable selection in visible and near-infrared spectra: application to on-line determination of sugar content in pears[J]. Journal of Food Engineering, 2012, 109(1): 142-147.
[27] 李振庆, 黄梅珍, 倪一, 等. 改进偏最小二乘法在近红外牛奶成分测量中的应用[J]. 光学技术, 2009, 35(1): 70-73.
[28] 张荣芳. 双孢蘑菇品质的近红外漫反射光谱无损检测研究[D]. 淄博: 山东理工大学, 2012: 22-23.
[29] 郭婷婷, 邬文锦, 苏谦, 等. 近红外玉米品种鉴别系统预处理和波长选择方法[J]. 农业机械学报, 2009, 40(增刊1): 87-92.
[30] 秦善知, 陈斌, 陆道礼, 等. 基于便携式近红外光谱仪检测梨可溶性固形物[J]. 江苏农业科学, 2014, 42(8): 284-286.
[31] 欧阳爱国, 谢小强, 刘燕德. 苹果可溶性固形物近红外在线光谱变量优选[J]. 农业机械学报, 2014(4): 220-225.
[32] OMAR A F. Spectroscopic profiling of soluble solids content and acidity of intact grape, lime, and star fruit[J]. Sensor Review, 2013, 33(3): 238-245.
[33] BUREAU S, RUIZ D, REICH M, et al. Rapid and non-destructive analysis of apricot fruit quality using FT-near-infrared spectroscopy[J]. Food Chemistry, 2009, 113(4): 1323-1328.
Quantitative Prediction of Soluble Solids in Grapes during Storage Based on Visible and Near Infrared Diffuse Refl ection Spectroscopy
CHEN Chen
1, LU Xiaoxiang
1,*, ZHANG Peng
2, CHEN Shaohui
2, LI Jiangkuo
2
(1. Tianjin Key Laboratory of Food Biotechnology, College of Biotechnology and Food Science, Tianjin University of Commerce, Tianjin 300134, China; 2. Tianjin Key Laboratory of Postharvest Physiology and Storage of Agricultural Products, National Engineering and Technology Research C enter for Preservation of Agricultural Products, Tianjin 300384, China)
Abstract：This study aimed to establish a universal quantitative prediction model for soluble solids content (SSC) in different varieties of grapes during storage based on visible and near-infrared diffuse refl ection spectra. The mixed spectra of Muscat, Manai and RedGloble grapes stored at 10 ℃ were taken as calibration materials, the influences of different stoichiometrical calibration methods, spectral pretreatment methods, gaps, smooth points, different effective wavelength intervals on the a pplicability of the established model for different grape varieties were examined. The results showed that the modifi ed partial least squares combined with 16 smoothing points, second derivative within 16 gaps and the scattering method could produce the optimal model within the wavelength range of 408-1 092.8 nm with standard error of crossvalidation (SECV) and coefficient of determination of cross-validation
f 0.308 7 and 0.980 2, respectively. The model was evaluated via the prediction set of the above three varieties of grapes. The standard error of prediction (SEP) was 0.354, the correlation coeffi cient R
was 0.980 8, the relative prediction deviation (RPD) was 6.22, and the predicted residual sum of squares (PRESS) was 7.993. When being applied for predicting the single varieties, the
reached more than 0.94. Therefore, the near infrared detection model is useful to predict soluble solids content in grape and is suitable for different grape varieties at the same time.
Key words：visible-near infrared diffuse refl ectance spectroscopy; grape; storage; soluble solids content; prediction model
中图分类号：S665.2
文献标志码：A
文章编号：1002-6630（2015）20-0109-06
doi：10.7506/spkx1002-6630-201520020
收稿日期：2014-12-20
基金项目：“十二五”国家科技支撑计划项目（2012BAD38B01）；天津市高等学校创新团队培养计划项目（TD12-5049）
作者简介：陈辰（1989—），女，硕士研究生，研究方向为农产品加工与贮藏。E-mail：sxdtcc.cool@163.com
*通信作者：鲁晓翔（1962—），女，教授，硕士，研究方向为农产品加工与贮藏。E-mail：lxxiang@tjcu.edu.cn