为什么偏最小二乘（PLS）仍是近红外光谱定量分析的主流方法？

​

近红外光谱（NIR）技术因其快速、无损、绿色环保的特点，已成为食品、农业、制药、化工、饲料、土壤等众多领域定量分析的“主力军”。在建模方法上，虽然近年来深度学习（如CNN、Transformer等）不断涌现，但偏*小二乘回归（PLS）依然占据**主流地位。根据2024–2026年的文献统计和工业实践，PLS在近红外定量论文和商用仪器软件中的使用比例仍占据绝大部分，许多系统综述和实际应用中仍将其视为“基准方法”（gold standard）。那么，为什么PLS能在高维、噪声大、共线性严重的近红外数据中长期占据主流？

1.完美适配近红外数据的“天生缺陷”

近红外光谱的**挑战有三：变量极多、强共线性：成百上千甚至几千个波长，相邻波长高度相关。有用信号弱：化学组分吸收峰往往被散射、基线、颗粒大小、温度等物理干扰淹没。

样本量有限：实际工业项目中，高质量标注样本往往只有几十到几百个。

PLS 正是为这类“高维低样本 + 噪声主导”的场景量身打造的：它通过监督式降维（同时*大化 X 光谱矩阵和 Y 浓度矩阵的协方差），优先提取对预测目标*相关的变异。

结果：模型更简约、过拟合风险更低、对新样本/新批次更鲁棒。

2.精度、鲁棒性与简约性的*佳平衡

在真实复杂基质（如粮食、饲料、药品、土壤、**、石油等）中，PLS 的表现往往*稳：抗噪声、抗漂移能力强，能较好过滤非目标物理干扰。交叉验证选 LV 数可靠，模型泛化好。

而新兴深度学习模型虽然在大样本、极复杂非线性场景下能挤出更高精度，但在中小样本、数据噪声大、批次间漂移明显的工业现实中，经常出现：过拟合更严重，需要更多预处理和调参，对仪器漂移/新批次样品敏感，部署成本高（计算、存储、解释性差）。因此，PLS 仍是“*****”：用*小的代价获得工业级可靠精度。

3.30+年历史积累 + 生态锁定

从1980年代开始，就被大量验证为 NIR 定量的“*可靠线性方法”。几乎所有商用 NIR 仪器软件都默认首推 PLS，内置*完善的工具链。国际标准和大量数据库都基于PLS。在监管严格的制药、食品领域，线性、可解释的 PLS 模型更容易通过验证和转移。即使深度学习在某些论文中显示出优势，PLS仍作为baseline被用来对比

4.易解释

PLS 的载荷、变量投影重要性、回归系数图能直观对应化学吸收峰，便于解释“模型为什么有效”“哪个波段在起作用”。

总之，PLS 之所以仍是近红外定量分析的主流，是因为它在“精度-鲁棒-简约-可解释-易部署-生态支持”这六个维度上达到了目前*均衡、*实用的状态。