陳璐　谷曉紅　王文博　張丙春　范麗霞　趙平娟

摘要：為探索利用近紅外光譜分析技術(shù)識(shí)別陜西和沾化兩地冬棗的可行性，本研究應(yīng)用便攜式近紅外光譜儀并結(jié)合簇類獨(dú)立軟模式分類（SIMCA）和偏最小二乘判別分析（PLS-DA）兩種建模方法識(shí)別冬棗的產(chǎn)地，同時(shí)研究了不同近紅外光譜預(yù)處理方式對(duì)模型預(yù)測(cè)識(shí)別率的影響。結(jié)果表明，采用原始近紅外光譜結(jié)合SIMCA和PLS-DA方法識(shí)別沾化冬棗和陜西冬棗是可行的，其中PLS-DA方法的準(zhǔn)確度更高，對(duì)冬棗驗(yàn)證集樣品識(shí)別率為100%。

關(guān)鍵詞：近紅外光譜；冬棗；產(chǎn)地識(shí)別；偏最小二乘判別分析（PLS-DA）；簇類獨(dú)立軟模式分類（SIMCA）

中圖分類號(hào)：S665.101.9 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001—4942（2016）03—0133—04

冬棗是一種優(yōu)質(zhì)的晚熟、鮮食棗類種質(zhì)資源，也是公認(rèn)的品質(zhì)最好的鮮食棗品種。山東省沾化縣是我國晚熟鮮食棗“沾化冬棗”的主產(chǎn)地，被譽(yù)為“中國冬棗之鄉(xiāng)”。在2001年“中國百姓最喜愛的水果”評(píng)選中，沾化冬棗被評(píng)為“中國果王”。2009年統(tǒng)計(jì)，沾化縣冬棗栽培面積已達(dá)3.3×10⁴hm²，占全國冬棗栽培面積的25%。沾化冬棗果皮赭紅色，光亮，皮薄，肉脆，肉質(zhì)甘甜，富含豐富的維生素和鈣、鉀、鐵、鋅、銅等多種礦質(zhì)元素，具有一定的保健功效?！罢椿瑮棥币虼顺蔀槠焚|(zhì)的象征，具有很大的品牌優(yōu)勢(shì)。在山東市場上，由于沾化冬棗的價(jià)格高于陜西冬棗，存在著用陜西冬棗冒充沾化冬棗銷售的情況，所以識(shí)別冬棗產(chǎn)地對(duì)于保護(hù)沾化冬棗這一地理標(biāo)志產(chǎn)品有重要意義。

近紅外光譜主要是分子因振動(dòng)的非諧振性從基態(tài)向高能級(jí)躍遷過程中產(chǎn)生的，記錄的主要是含氫基團(tuán)振動(dòng)的倍頻和合頻吸收，涵蓋了大多數(shù)類型有機(jī)化合物的組成和分子結(jié)構(gòu)信息，用其對(duì)樣品進(jìn)行分析，不需前處理，可以直接測(cè)定，是一種快速、高效、無損的現(xiàn)代分析技術(shù)。不同產(chǎn)地來源的農(nóng)產(chǎn)品，因生長環(huán)境、氣候、土壤、水質(zhì)等的不同，導(dǎo)致其體內(nèi)蛋白質(zhì)、脂肪、糖分、水分等主要成分的組成和含量存在較大差異，而且這種差異可以在近紅外光譜上反映出來，目前近紅外光譜分析技術(shù)已廣泛應(yīng)用于酒類、谷物、肉類及臍橙、蘋果等產(chǎn)品的產(chǎn)地溯源。但目前通用的近紅外光譜儀一般體積較大，價(jià)格昂貴，不便移動(dòng)，無法進(jìn)行現(xiàn)場檢測(cè)。

近年發(fā)展起來的便攜式近紅外光譜儀使得測(cè)量過程可以現(xiàn)場完成，且數(shù)據(jù)經(jīng)化學(xué)計(jì)量學(xué)方法處理后，可以即時(shí)得到分析結(jié)果，有極大的實(shí)用性。本研究即采用便攜式分光近紅外光譜儀，結(jié)合簇類獨(dú)立軟模式法（SIMCA）和偏最小二乘判別分析（PLS-DA）兩種近紅外光譜定性分析方法，對(duì)采集的冬棗樣本進(jìn)行產(chǎn)地判別，以探究利用該方法現(xiàn)場進(jìn)行冬棗產(chǎn)地溯源的可行性。

1材料與方法

1.1試驗(yàn)材料

沾化冬棗于沾化縣6個(gè)村現(xiàn)場采集，共690個(gè)樣本，具體取樣信息見表1。陜西冬棗購買自陜西省渭南縣，共598個(gè)樣本。

1.2試驗(yàn)儀器及光譜采集

使用MicroNIRl700近紅外光譜儀（美國JD-SU公司），數(shù)據(jù)分析軟件使用Unscrambler9.7（美國CAMO公司）及MATLAB 2010a（美國Math-Works公司）。

在對(duì)冬棗樣品進(jìn)行光譜采集時(shí)，應(yīng)盡量確保實(shí)驗(yàn)條件一致。光譜采集的波長范圍為950～1650 nm，每次光譜采集重復(fù)掃描次數(shù)為50次，單次積分時(shí)間為8000μs。每次光譜掃描后，轉(zhuǎn)動(dòng)冬棗樣品，重新采集一次，采集應(yīng)包括樣本綠色和紅色的面，每個(gè)樣本共采集5次，求平均得到的光譜作為該樣品的代表光譜。圖1為沾化冬棗和陜西冬棗的原始光譜圖，可見，兩者在原始光譜上差異不明顯。

1.3光譜預(yù)處理及建模方法

近紅外原始光譜不但包含許多與結(jié)構(gòu)相關(guān)的信息，還包含許多干擾因素如基線漂移、光散射等，這些因素將影響模型建立的效果。光譜預(yù)處理就是采用數(shù)學(xué)方法減弱或消除干擾因素對(duì)光譜的影響，提取有用信息，以提高模型分析的準(zhǔn)確性和可靠性。預(yù)處理首先要剔除異常樣本，即在采集大量冬棗樣品的近紅外光譜時(shí)，由于儀器本身誤差、操作失誤或其它環(huán)境因素導(dǎo)致的某個(gè)樣本的圖譜與其它樣本的圖譜趨勢(shì)明顯不一致，就需要將其作為異常樣本剔除。

SIMCA （Soft independent modeling of class a-nalogy）是一種以主成分分析為基礎(chǔ)的定性分析方法，主要分為兩步：①對(duì)校正集樣本的光譜數(shù)據(jù)進(jìn)行PCA分析，為陜西和沾化冬棗兩個(gè)類別分別建立一個(gè)PCA模型；②計(jì)算未知樣本（驗(yàn)證集）到兩個(gè)PCA模型的距離，找出最小距離的類。SIMCA判別結(jié)果有三種，分別是未知樣本只屬于沾化冬棗或只屬于陜西冬棗單一類別，未知樣本同時(shí)屬于兩個(gè)類別，以及未知樣本不屬于陜西和沾化冬棗任何一類。當(dāng)未知樣本同屬于多個(gè)類時(shí)，說明判別分析模型不夠精確，需要改進(jìn)，一般可以通過增加校正集樣本數(shù)或增加變量數(shù)來解決。當(dāng)未知樣本同時(shí)屬于兩個(gè)類別時(shí)，一種原因可能是該樣本到兩類模型的距離相近，無法鑒別，此時(shí)可以通過預(yù)處理方法和特征波長選擇重新建模進(jìn)行預(yù)測(cè)；另一種原因是兩個(gè)模型間距離本身就比較小，也容易出現(xiàn)這種現(xiàn)象，這是SIM-CA方法的不足之處。

PLS-DA（Partial least squares-discriminant analysis）是基于PLS方法建立的樣本分類變量與NIR光譜特征問的回歸模型。PLS—DA判別方法如下：①定義校正集樣本的分類變量Y；②建立分類變量與光譜數(shù)據(jù)問的PLS回歸模型；③根據(jù)建立的PLS模型計(jì)算驗(yàn)證集樣本（未知樣本）的分類變量值Yp，當(dāng)Yp與Y的偏差<0.5時(shí)，判定未知樣本屬于該類。

2結(jié)果與分析

2.1沾化冬棗和陜西冬棗近紅外光譜數(shù)據(jù)的主成分分析

對(duì)冬棗樣品近紅外光譜數(shù)據(jù)進(jìn)行主成分分析，利用第1、2主成分得分作散點(diǎn)圖（圖2），可以直觀地看出，沾化冬棗和陜西冬棗樣品的第1、2主成分得分明顯分為2個(gè)部分，有明顯的聚類趨勢(shì)。初步說明利用近紅外光譜技術(shù)識(shí)別沾化冬棗和陜西冬棗是可行的。

2.2 SIMCA判別模型的建立與驗(yàn)證

建立模型前，需對(duì)原始光譜進(jìn)行預(yù)處理。光譜預(yù)處理方法很多，多元散射校正（MSC）、標(biāo)準(zhǔn)歸一化（SNV）、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)是常見的4種預(yù)處理方法。本研究分別采用幾種不同預(yù)處理方法處理后的光譜建立SIMCA模型，對(duì)驗(yàn)證集樣本的識(shí)別率和拒絕率見表2。通過對(duì)比發(fā)現(xiàn)，多元散射校正（MSC）+二階導(dǎo)數(shù)預(yù)處理方法對(duì)驗(yàn)證集樣品的識(shí)別率最高，對(duì)陜西冬棗和沾化冬棗的識(shí)別率分別達(dá)到了97.0%和96.6%；而對(duì)于兩地冬棗的拒絕率均為100%?？梢?，采用MSC+二階導(dǎo)數(shù)預(yù)處理方法建立的SIMCA模型預(yù)測(cè)效果最好。

2.3 PLS-DA判別模型的建立與驗(yàn)證

按照PLS-DA判別方法的流程，首先對(duì)沾化和陜西冬棗校正集樣本的分類變量進(jìn)行賦值，陜西冬棗賦值1，沾化冬棗賦值2；比較多種光譜預(yù)處理方法，根據(jù)最優(yōu)校正模型的主要性能參數(shù)篩選出最佳處理組合。表3為不同光譜預(yù)處理方法對(duì)陜西冬棗和沾化冬棗驗(yàn)證集的驗(yàn)證結(jié)果，可見，SNV+一階導(dǎo)數(shù)的擬合效果最好，MSC+一階導(dǎo)數(shù)的擬合效果與之相近，得到的陜西冬棗和沾化冬棗模型的預(yù)測(cè)值和實(shí)測(cè)值的相關(guān)系數(shù)都在0.98以上，均方根誤差也較小。圖3為驗(yàn)證集樣本中，使用SNV+一階導(dǎo)數(shù)預(yù)處理方法建立的PLS-DA模型對(duì)陜西冬棗和沾化冬棗的預(yù)測(cè)結(jié)果，可見，驗(yàn)證集中所有陜西冬棗的分類變量的預(yù)測(cè)值都接近于1.0，偏差較小，在0.1左右；沾化冬棗分類變量的預(yù)測(cè)值基本在2.0左右，偏差均小于0.5；且對(duì)驗(yàn)證集冬棗樣本的識(shí)別率均為100%。因此，近紅外光譜分析技術(shù)結(jié)合PLS-DA能夠準(zhǔn)確識(shí)別沾化冬棗和陜西冬棗。

3結(jié)論

本研究應(yīng)用便攜式近紅外光譜儀結(jié)合SIM-CA和PLS-DA兩種建模方法分別對(duì)陜西冬棗和沾化冬棗建立判別模型，并討論了幾種不同光譜預(yù)處理方法對(duì)兩種建模方法識(shí)別率的影響，結(jié)果表明，兩種方法都可以有效地判別兩種冬棗的產(chǎn)地，其中PLS-DA方法優(yōu)于SIMCA方法，對(duì)驗(yàn)證集中冬棗樣本的識(shí)別率達(dá)到了100%。

本研究所用的便攜式近紅外光譜儀采集的光譜只有125個(gè)變量，但通過與兩種建模方法的結(jié)合，能夠準(zhǔn)確識(shí)別出兩種冬棗的產(chǎn)地，而且易于現(xiàn)場檢測(cè)，因此具有很大的推廣應(yīng)用價(jià)值。