南瓜果肉可溶性固形物含量与叶、花、果肉色泽的相关性分析

以14种不同品种的南瓜为材料,在果实成熟期采用CR-3型色差仪测量其叶片、花朵、果肉的Lab值,同时采用PAL-1型测糖仪测量果肉中可溶性固形物含量,并对叶、花、果肉的Lab值与果肉中可溶性固形物含量进行了相关性分析。结果表明,南瓜叶、花、果肉色泽的Lab值的变异系数有差异,果肉中红色成分变异系数最大,达27.43%;果肉中可溶性固形物含量与叶片的亮度呈极显著正相关(r=0.632),与果肉中红色成分呈显著正相关(r=0.412)。这为南瓜品质育种田间筛选可溶性固形物含量高的试验材料提供了便捷的方法。

基于可见/近红外光谱和函数型线性回归模型的成熟期苹果可溶性固形物含量预测

可溶性固形物含量(SSC)是反映苹果品质和成熟度的重要指标,能够用于苹果品质分析和成熟度预测。以新疆阿克苏冰糖心红富士苹果为研究对象,从果实膨大定形期至完熟期,以3d等间隔周期采摘样本,采集其380~1110nm的可见/近红外光谱,测定其SSC,共552个样品。然后,利用基函数平滑方法将采集的可见/近红外光谱离散数据转化为光谱曲线,即函数型数据,并以可见/近红外光谱曲线、一阶导曲线、二阶导曲线为函数型解释变量,SSC为标量响应变量,分别建立函数型线性回归模型。为了验证和分析模型的性能,根据原始光谱离散数据,经过移动平滑、一阶导和二阶导预处理后,分别建立偏最小二乘回归(PLSR)、核支持向量机(KSVM)、随机森林(RF)、梯度提升树(GBM)和深度神经网络(DeepNN)。结果表明,在建立的18个模型中,针对训练集,PLSR-dNIR模型、KSVM-dNIR模型、RF-dNIR模型、GBM-dNIR模型和Deep NN-d2NIR模型都优于FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型,且Deep NN-dNIR模型最优(r_(c)=0.9996,R_(c)^(2)=0.9986,RMSEC=0.0740,RPDC=27.4366);针对测试集,FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型均优于其他所有模型,且FunLR-NIR模型最优(r_(v)=0.9534,R_(v)^(2)=0.9077,RMSEV=0.5856,RPDV=3.3017)。综合训练集和测试集的结果来看,核支持向量机模型、随机森林模型、梯度提升树模型和深度神经网络模型容易过拟合,而函数型线性回归模型具有更好的普适性。此外,从三个函数型线性回归模型(FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型)的预测效果看,模型均具有良好的鲁棒性和较高的预测精度。试验结果表明,结合可见/近红外光谱技术与函数型数据分析构建的函数型线性回归模型,可成功、有效地实现成熟期苹果的可溶性固形物含量预测。

基于近红外高光谱技术的杧果可溶性固形物含量无损检测

【目的】近红外高光谱成像技术(NIR-HSI)在水果内部品质的无损检测方面具有快速、准确和无损的特点。旨在利用NIR-HSI技术分析不同品种杧果的可溶性固形物含量,并探讨400~1000nm波段范围内的光谱差异和可溶性固形物含量的响应。【方法】选择贵妃杧果和台农1号杧果作为研究对象,使用NIR-HSI技术获取杧果样本的光谱数据。采用CARS-PLS模型分析可溶性固形物含量与各波段光谱反射率的相关系数。为了验证模型的性能,计算了建模R^(2)、斜率Slope、截距和RMSE等指标。【结果】得到CARS-PLS模型的性能指标:建模R^(2)为0.8806,斜率为0.8515,截距为12.208,RMSE为0.6366。这些指标表明该模型具有较高的建模拟合度和预测精度。【结论】应用NIR-HSI技术对杧果可溶性固形物含量进行检测具有可行性。为进一步研究不同水果可溶性固形物含量的高精度模型奠定了基础。通过NIR-HSI技术的应用,可以提供一种非破坏性且高效准确的方法,用于水果品质评估和检测。这对农产品质量控制和市场营销具有重要的意义。

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的比较反向传播神经网络(backpropagation algorithm neural network,BPNN)模型与偏最小二乘回归(partial least squares regression,PLSR)模型在预测芒果可溶性固形物含量(soluble solids content,SSC)方面的性能。方法使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据,建立两种预测模型,采用多元散射校正(multiplicative scatter correction,MSC)进行光谱预处理,利用遗传算法(genetic algorithm,GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms,IVISSA)和变量组合群体分析算法(variable combination population analysis,VCPA)提取特征波长变量,通过比较不同特征波长提取方法进一步优化对比预测模型。结果与PLSR模型相比,BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳,预测集判定系数R_(p)^(2)、均方根误差(root mean square error of prediction,RMSEP)、残差预测偏差(residual prediction deviation,RPD)分别为0.8641、0.3924和2.7127。结论该模型可快速、准确地检测芒果的SSC,并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC,为开发在线芒果SSC无损检测系统奠定基础。

不同可溶性固形物含量玉露香梨冷藏期抗氧化能力的变化

基于不同可溶性固形物含量(soluble solid content,SSC)玉露香梨冷藏过程中果心酚类物质含量及抗氧性的变化,探讨玉露香梨中长期贮藏品质的控制方法。利用近红外水果无损检测仪构建的模型分选出3组不同SSC的玉露香梨,置于0℃下贮藏,分析果实品质、果心酚类物质及抗氧化能力等相关指标的变化。结果表明:Ⅰ组(SSC<11.0%)的玉露香梨采后果心绿原酸、熊果苷含量较其他2组高,冷藏后期抗氧化能力较低,果心褐变指数较Ⅱ组(SSC:11.0%~13.0%)和Ⅲ组(SSC>13.0%)的玉露香梨高。冷藏240 d,Ⅱ组的玉露香梨果实硬度、可滴定酸含量较高,可延缓过氧化物酶活性的下降及过氧化氢酶活性峰值的出现;DPPH自由基清除率及铁离子还原能力较高,可延缓氧化的过程。综上,可溶性固形物含量为11.0%~13.0%的玉露香梨在冷藏中保持较好的果实品质及抗氧化性,果心褐变程度低,可作为中长期冷藏玉露香梨参考的采收品质指标之一。

桃果实单果重及可溶性固形物含量的全基因组选择分析

【背景】桃单果重和可溶性固形物含量(SSC)是育种家关注的两个重要的数量性状,受到多个微效基因的控制,难以通过单个标记进行早期筛选。全基因组选择作为一种新颖的数量性状早期预测工具,在果树上已经有了初步应用,但其在桃上的应用效果以及影响预测准确性的因素仍需要深入探讨。【目的】建立桃单果重和SSC的全基因组选择技术,为桃高效分子育种技术体系的建立奠定基础。【方法】以520株训练自然群体为试材,通过重测序筛选出的48 398个SNP进行分型,在11个全基因组预测模型中分别筛选出两个数量性状适宜的模型,进而在56株自然群体和1 145株杂交群体上进行应用。【结果】3类群体的平均测序数据量在1.95—3.52 Gb,测序深度为5.29—10.79×。训练自然群体经与参考基因组比对,共得到5 065 726个SNP,去除缺失率较高(>20%)、最小等位基因频率过低(<0.05)的位点后,随机挑选基因组上48 398个SNP用于训练群体的全基因组选择模型构建。单果重预测精度最高的模型是BayesA,SSC预测精度最高的模型为randomforest。分别利用两个数量性状最适的模型进行预测,发现在自然群体中,单果重的预测精度为0.4767—0.6141,高于SSC的0.3220—0.4329;而在杂交群体中,单果重的预测精度为0.2319—0.4870,同样高于SSC的0.0200—0.2793;该结果也表明利用训练自然群体构建的预测模型在预测自然群体上应用的精度高于杂交群体。进而以单果重为例,发现当育种目标是大果时,全基因组选择仅需保留17.78%的单株,效率明显高于单标记和双标记筛选。同时探讨了群体离散程度、遗传力和群体结构等对预测精度的影响,发现预测精度可能受到上述因子的综合影响。【结论】本研究筛选出桃果实单果重和SSC适宜全基因组选择模型,表明该方法的选择效率明显高于单标记筛选,研究结果为两个数量性状的高效分子辅助育种奠定了理论和技术支撑。

一维卷积神经网络的手持式可见/近红外柑橘可溶性固形物含量无损检测系统

为实现柑橘可溶性固形物含量(SSC)快速无损检测,基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。以宽谱LED光源结合特征窄带微型光谱仪为核心,设计了手持式柑橘可溶性固形物含量无损检测终端。开发了基于物联网技术的水果光谱仪云端数据系统,该系统主要包括用户库、设备库、检测数据库和模型库,通过通讯模块与手持式无损检测终端相连接,可以实现光谱采集参数修改、云端数据上传与下载、云模型的调用等功能。利用该检测系统获取的光谱数据,建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。该网络包含输入层、卷积层、池化层、全连接层和输出层等7层结构。主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型,并用该模型与多种传统回归方法进行对比。1D-CNN模型的预测相关系数和预测均方根误差分别为0.812,0.488,优于偏最小二乘法(PLS),人工神经网络(ANN)和支持向量机(SVM)。采用基于模型的迁移学习方法,基于主机的1D-CNN模型对从机进行模型传递,研究了从机标准样本数量对模型传递的影响。发现使用少量从机光谱样本即可取得较好的效果,从机预测集均方根误差为0.531。研究结果表明,研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、低成本、操作简便等优点,基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。借助迁移学习算法,可以实现1D-CNN模型在不同装置间的有效传递,满足柑橘可溶性固形物含量无损检测的需求。为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

两种近红外光谱仪的番茄可溶性固形物含量定量模型比较研究

以番茄可溶性固形物含量(SSC)的无损速测为例,分别采用线性渐变分光(LVF)、数字光处理(DLP)近红外光谱仪对大、小番茄采集近红外光谱数据;分别基于两种近红外光谱仪数据计算大、小番茄平均光谱及差谱,并比较两种近红外光谱仪所采集大、小番茄近红外光谱数据的特征;对两种近红外光谱仪的数据分别进行主成分分析(PCA),并比较了大、小番茄前3主成分的得分分布;按SSC梯度对数据进行分级,采用偏最小二乘(PLS)回归结合全交互验证算法分别基于两种近红外光谱仪数据建立番茄SSC定量校正模型。结果表明:(1)大、小番茄LVF近红外光谱的平均光谱及其差谱的光谱特征分别与DLP近红外光谱的平均光谱及其差谱的光谱特征相似。(2)大、小番茄LVF近红外光谱数据PCA前3主成分得分散点分离趋势不明显,而DLP近红外光谱数据PCA前3主成分得分散点基本上不具有分离趋势。(3)基于LVF近红外光谱数据所建各模型的相对预测性能(RPD)皆不低于2.11,其中标准化预处理所建模型具有最佳性能,模型维数(Nf)、校正测定系数(RC2)、校正均方根误差(RMSEC)、交互验证测定系数(R^(2)CV)、交互验证均方根误差(RMSECV)、RPD、预测相关系数(RP)、预测均方根误差(RMSEP)分别为8、0.949 1、0.27、0.899 9、0.38、3.16、0.882 6、0.63;基于DLP近红外光谱数据所建各模型的RPD皆不低于1.60,其中标准化预处理所建模型具有最佳性能,Nf、RC2、RMSEC、R^(2)CV、RMSECV、RPD、RP、RMSEP分别为5、0.823 5、0.49、0.728 6、0.62、1.94、0.788 4、0.80。该研究可为番茄SSC的无损快速测定以及果蔬品质无损快速检测的仪器选择与评价提供一定的参考。

基于可见/近红外光谱技术的玉露香梨可溶性固形物含量检测

为实现玉露香梨的可溶性固形物含量(Soluble solids content,SSC)无损检测,采用可见/近红外光谱技术建立检测模型。采用竞争自适应加权(Competitive Adaptive Reweighted Sampling,CARS)算法和连续投影算法(Successive Projections Algorithm,SPA)提取特征波长,并建立PLSR检测模型。全波段、CARS、CARS-SPA所建PLSR模型均得到好的预测结果,Rp2为0.83~0.86,RMSEP为0.31%~0.34%。CARS-SPA所提取到的变量信息最少,CARS-SPA-PLSR模型得到最优的综合性能,Rp2和RMSEP分别为0.83和0.34%,为实现玉露香梨SSC在线检测提供了基础。

融合分数阶微分与PIMP-RF算法的集成学习模型预测成熟期苹果可溶性固形物含量

可溶性固形物含量(SSC)是反映苹果品质和成熟度的重要生理指标,能够用于苹果品质分析和成熟度预测。以新疆阿克苏冰糖心红富士苹果为研究对象,从果实膨大定形期至完熟期,以等间隔周期3 d采摘样本,测其380~1100 nm的可见/近红外光谱和SSC,共552个样本。然后融合分数阶微分(FD)及置换重要性-随机森林(PIMP-RF)算法,构建成熟期苹果SSC预测的集成学习模型。结果表明,基于PLS模型优选的分数阶微分阶次为0阶、0.4阶、1.1阶和1.6阶,且通过PIMP-RF算法进行特征重要性和可解释性分析结果显示,利用可见/近红外光谱预测成熟期苹果SSC的关键波长主要为可见光波段,这为今后研发新疆冰糖心红富士苹果的快速无损检测设备提供参考;基于分数阶微分技术和PIMP-RF算法构建的成熟期苹果SSC集成学习模型具有很好的预测能力,其训练集的相关系数r等于0.9892,平均绝对误差MAE等于0.2412,均方根误差RMSE等于0.3091,平均绝对百分误差等于0.0183;测试集的相关系数r等于0.9038,平均绝对误差MAE等于0.5499,均方根误差RMSE等于0.7408,平均绝对百分误差等于0.0434,相比于FD0-PIMP-RF、FD0.4-PIMP-RF、FD1.1-PIMP-RF和FD1.6-PIMP-RF模型,集成学习模型为最优。故而,集成分数阶微分技术与PIMP-RF算法,结合可见近红外光谱技术可有效地实现成熟期苹果的可溶性固形物含量预测。

基于高光谱成像技术对番石榴可溶性固形物的快速测定

目的 研究基于高光谱成像技术对番石榴可溶性固形物(soluble solids content, SSC)的快速测定。方法 通过高光谱成像系统和全自动折光仪获得番石榴的表面反射光谱与SSC信息,选择Savitzky-Golay平滑和标准正态变量变换作为预处理手段,使用主成分分析评估预处理前后光谱的聚类变化。采用区间变量迭代空间收缩法、区间随机蛙跳法、自举软收缩法(bootstrapping soft shrinkage, BOSS)、变量组合集群分析提取特征波长,用于建立比较支持向量回归(supportvectorregression,SVR)和偏最小二乘回归(partialleastsquares regression, PLSR)预测模型。结果 预处理后光谱数据主成分聚类进一步分散, PLSR整体在预测集的回归效果比SVR更好, BOSS-PLSR为最优预测模型,预测集决定系数R_(2)^(p)为0.9216,均方根误差(root mean square error of prediction, RMSEP)为0.2366,剩余预测偏差(residual prediction deviation, RPD)为3.5710。结论 利用高光谱成像技术快速实现番石榴可溶性固形物测量是可行的。

可溶性固形物含量对玉露香梨冷藏品质及果心褐变的影响

探讨了不同可溶性固形物含量玉露香梨果实冷藏过程中品质变化及果心褐变发生规律,为生产中玉露香梨采收品质的调控提供技术参考。利用无损检测仪分选出3组不同可溶性固形物含量梯度的玉露香梨,分别为处理Ⅰ(SSC 10%~11%)、处理Ⅱ(SSC 11%~13%)、处理Ⅲ(SSC 13%~14%),各处理置于0℃下冷藏,测定果实品质及果心褐变相关生理指标。结果表明:处理Ⅰ果心总酚含量较高,冷藏后期随多酚氧化酶活性的升高,其降幅显著高于其他2个处理,同时其果心组织丙二醛含量累积,脂氧合酶活性较高,膜脂过氧化程度加剧;冷藏240 d,处理Ⅰ果心褐变指数较处理Ⅱ和处理Ⅲ分别高出42.85%和39.54%,处理Ⅱ与处理Ⅲ果心褐变差异不显著;处理Ⅲ果实匀质指数较低,果肉更细腻,果肉脆性高,但果皮强度及韧性均较低,冷藏中后期,代谢较快,果面亮度值L*增加,色度角h°值下降,转黄程度显著高于其他2个处理。综合果实品质变化,中长期冷藏中可溶性固形物含量11%~13%的玉露香梨在果实质构特性及色泽的保持上更具有优势,且果心褐变较轻。

基于全透射近红外光谱的西瓜不同部位可溶性固形物含量在线检测研究

可溶性固形物含量(SSC)是评价西瓜果肉品质优劣的关键指标。西瓜SSC在线检测模型的建立,可以实现西瓜品质按其SSC进行在线分级,满足不同人群需求,提高市场竞争力。以160个京美2K西瓜为研究对象,通过实验室自主研发的在线检测设备,采集了西瓜两种姿态的可见近红外全透射光谱数据,分别与西瓜不同部位SSC建立偏最小二乘回归(PLSR)预测模型,探究西瓜SSC在线检测的最佳姿态和检测部位。首先,分别定义西瓜不同部位SSC测量值为瓜蒂糖、中心糖、瓜脐糖和整果糖,在线检测的两种姿态分别定义为T1姿态和T2姿态。其次对比西瓜不同部位SSC,探讨西瓜SSC评价标准。然后去除光谱透射强度值较低且频率较高,包含大量噪声和无用信息的光谱数据,最终选取波长范围(671~1116 nm)的光谱进行分析。采用卷积平滑(SGS)算法分别与多元散射校正(MSC)、单位矢量归一化(UVN)和标准正态变量变换(SNV)这3种算法相结合对两种姿态下的光谱数据进行预处理,随后对应西瓜不同部位SSC分别建立预测模型。通过对比不同模型的预测结果发现:使用SGS和MSC组合对T1姿态采集的光谱数据预处理效果最好,而对于T2姿态的光谱数据使用SGS与UVN结合预处理效果最好;T1姿态明显比T2姿态的光谱数据所建模型的预测效果好;对西瓜瓜蒂糖和整果糖的预测结果较好,瓜脐糖次之,中心糖最差。最后采用竞争性自适应重加权算法(CARS)分别对预测瓜蒂糖和整果糖的模型进行优化。其中,共挑选出81个波长点用于建立预测瓜蒂糖模型,106个波长点用于建立预测整果糖模型,两模型的预测集相关系数分别为0.8810和0.8758,均方根误差分别为0.8667%和0.7589%,不仅模型得到了简化,还提高了模型的预测精度。研究结果表明,西瓜不同姿态和对不同部位SSC预测的差异,会影响西瓜SSC在线检测和品质评价分级结果,应根据用户的实际需求进行模型选取和优化;为此,提出了糖度评价指数,为进一步开发西瓜SSC在线检测设备提供了技术支撑。

南瓜果肉色泽与可溶性固形物含量的相关性分析

以5个南瓜品种的果实为试验材料,利用CR-3色差仪和PAL-1数显测糖计分别定量测定瓜颈处和瓜腔处生鲜果肉与蒸熟果肉的色泽和果肉中的可溶性固形物含量,研究果肉色泽与其可溶性固形物含量的相关性.结果表明:南瓜果肉中的红色成分与可溶性固形物含量呈极显著相关,生鲜瓜颈果肉中的黄色成分与可溶性固形物含量呈显著相关,生鲜瓜颈果肉中的可溶性固形物含量最高.研究结果可为消费者选购生鲜南瓜或烹饪南瓜提供指导.

西瓜可溶性固形物含量近红外透射检测技术

设计的近红外透射式西瓜可溶性固形物含量(SSC)检测系统主要包括光纤光谱仪、光纤透射附件、数据采集卡以及自制光源。对50个麒麟瓜SSC进行了预测试验,采用主成分回归和偏最小二乘回归法分别建立了样品的原始光谱、一阶微分光谱、二阶微分光谱和SSC的预测模型,结果表明偏最小二乘回归法建立的模型具有较高的相关性,相关系数为0.951,均方根校正误差0.347,均方根预测误差0.302,样本真实值与预测值的相关系数为0.910。

果品蔬菜冰点同可溶性固形物含量关系的研究

果实可溶性固形物含量测定方法简单 ,冰点测定方法复杂 ,将果实可溶性固形物含量同冰点的关系建立起回归模型 ,可以根据可溶性固形物含量快速估算出冰点 ,对于果品蔬菜的冷藏和冷冻加工具有重要意义。利用T型热电偶、HP34970A数据采集仪和计算机联用 ,测定了 2 4个品种果品蔬菜活组织的冰点温度以及鸭梨汁、葡萄汁和番茄汁的冰点温度 ,利用PR - 10 1型折光仪测定了果实可溶性固形物的含量。结果表明 ,果实可溶性固形物含量和冰点温度呈高度相关 ,其回归方程为Y =- 0 .16 7X - 0 .5 6 6。 2 4个品种果品蔬菜活组织均有典型的冰点曲线。马奶葡萄比马奶葡萄汁的冰点温度低 1.2℃。

基于介电频谱的采后苹果可溶性固形物含量无损检测

根据10-4 500 MHz间采后21周贮藏期间无损富士苹果介电参数的频谱特性,建立了苹果可溶性固形物含量的支持向量回归(SVR)预测模型和BP网络预测模型;并综合比较了采用原始频谱(FF)、主成分分析(PCA)和连续投影算法(SPA)优选频率对模型预测效果的影响。研究结果表明,PCA-SVR建模效果最好,其预测相关系数为0.883,均方根误差为0.552,PCA-BP的建模效果较PCA-SVR稍差。并且发现经SPA处理后的数据建立的模型,均方根误差普遍较小;经PCA处理后的数据建立的模型,预测相关系数普遍较高。

基于回归分析法预测湖景蜜露桃果实可溶性固形物含量

目的:建立一种科学预测桃果实可溶性固形物含量的方法。方法:以湖景蜜露水蜜桃为实验材料,利用多元回归、线性回归和二次多项式回归分析研究果皮色差、单果质量、带皮硬度、去皮硬度与可溶性固形物含量的关系。结果:1)以原始基础数据为依据,较难建立稳定的预测可溶性固形物含量的多元回归方程。2)通过将数据进行分组,以红色饱和度(a*)、色调角(h)、红色饱和度/黄色饱和度(a*/b*)不能建立稳定的回归方程;单果质量与可溶性固形物含量具有极显著的线性回归关系,但二者所建立的二次多项式预测可溶性固形物含量效果差;带皮硬度、去皮硬度与可溶性固形物含量的线性回归方程预测性差,而建立的二次多项式R2都较高,回归关系均达极显著水平,方程:可溶性固形物含量=-0.128 2×带皮硬度2+1.403 5×带皮硬度+11.418 0和可溶性固形物含量=-0.481 8×去皮硬度2+1.975 0×去皮硬度+13.290 0预测湖景蜜露果实可溶性固形物含量效果较好。结论:采用二次多项式回归法研究带皮硬度、去皮硬度与可溶性固形物含量的关系进而进行桃果实成熟度预测是可行的。

可见/近红外光谱的南丰蜜桔可溶性固形物含量定量分析

基于可见／近红外漫反射光谱定量分析技术对南丰蜜桔的可溶性固形物含量进行实验研究，采用偏最小二乘法对南丰蜜桔完整果和果肉的可见／近红外光谱进行了分析，并且比较和讨论了不同光谱预处理的建模结果，实验结果表明：在波长范围350—1800nm，一阶微分光谱所建模型效果最佳．其中完整果所建校正模型的预测相关系数为0．825和预测均方根偏差为0．899；果肉所建校正模型的预测相关系数为0．893，预测均方根偏差为0．749。

番茄果实可溶性固形物含量与果实指标的相关性研究

为探究影响可溶性固形物含量(SSC)的密切关系因子,及为高固形物品种的选育和番茄采后加工出高质量的番茄酱产品提供依据,对6个番茄品种果实发育、成熟后贮藏过程中SSC的动态变化及其与其果实指标的相关性进行了分析。结果表明:在影响番茄SSC的各种指标中,品种间差异较大,品种TD41×TD13(X2)SSC最低,品种HT16-①-①-①(X6)SSC最高;在番茄的不同成熟期,SSC先是增加,增加到一定含量时就略有下降,但品种HT16-①-①-①(X6)却是先下降后直线上升,这可能与品种的早熟有关,与田间观察一致。TD13(X3)和HT16-①-①-①(X6)两个番茄品种,在采摘后放置过程中,SSC先降后升,第4d时达到了最高,后基本保持不变,到第9d时SSC又开始下降。番茄SSC与可溶性糖含量呈显著相关,相关系数为0.840;与有机酸含量呈极显著相关,相关系数为0.946;与Vc含量呈极显著相关,相关系数为0.952;与番茄红素含量呈中度正相关,相关系数为0.545;与单果重呈轻度负线性相关,相关性系数为-0.140;与果型指数也呈轻度负线性相关,相关性系数仅为-0.077。