近日，中國科學院合肥物質院智能所光譜智能感知團隊提出了一種基于外部校準輔助篩選（External Calibration-assisted screening, ECA）的新型模型優化算法，顯著提升了近紅外光譜定量模型的預測穩健性。相關研究成果發表于分析化學領域TOP期刊Analytica Chimica Acta上發表。

近紅外光譜技術（NIRS）作為一種前景廣闊的無損檢測方法，其預測性能高度依賴于定標模型的質量。然而，測量條件的變化常導致模型預測結果出現顯著偏差，因此成熟的近紅外模型需具備強穩健性以抵抗環境干擾。

針對上述問題，該研究團隊提出以穩健預測而非準確預測為導向的近紅外模型優化的觀點，并介紹了一種具體實現路徑，即ECA方法。研究團隊通過引入新測量條件下采集的外部樣本對初始模型進行校準，使其快速適應不同檢測環境。該方法創新性地結合交叉驗證與外部校準結果，提出穩健性評價指標Pr_RMSE，通過多參數建模組合篩選出最優穩健模型。研究人員將ECA方法與競爭性自適應重加權抽樣算法（CARS）融合，形成ECCARS優化框架，并以一組實驗室測量的米粉數據集和兩組玉米公開數據集為對象驗證其效能。結果表明，與傳統CARS方法相比，ECCARS選擇的模型在不同測量條件下的校正均方根誤差降低12.15%至725%，驗證均方根誤差降低27.63%至482%，穩健性明顯提高。

徐琢頻博士為第一作者，王琦研究員和張鵬飛副研究員為通訊作者。本工作得到國家重點研發計劃、安徽省科技創新攻堅計劃、安徽省重點研發計劃等項目的支持。

文章鏈接:

https://www.sciencedirect.com/science/article/pii/S0003267025006956

圖1 使用外部校準輔助篩選（ECA）方法進行模型優化的示意圖