1 云南农业大学资源与环境学院, 云南 昆明 650201
2 云南省热带作物科学研究所, 云南 景洪 666100
3 云南农业大学农学与生物技术学院, 云南 昆明 650201
4 云南省农业科学院药用植物研究所, 云南 昆明 650200
牛肝菌作为一种著名的野生食用菌, 具有较高的食用价值和经济价值。 牛肝菌种类繁多, 不易区分, 建立一种有效、 快速、 可信的种类鉴别技术, 可为牛肝菌提高品质提供一种方法。 本研究采集云南不同地区7种野生牛肝菌共计683株, 获取样品中红外光谱和紫外光谱, 分析不同种类牛肝菌平均光谱图特征。 基于多种预处理组合(SNV+SG, 2D+MSC+SNV, 1D+MSC+SNV+SG, MSC+2D)的单一光谱数据结合两种特征值提取法(PCA, LVs)构建了偏最小二乘法判别分析与随机森林算法并结合数据融合策略对牛肝菌进行种类鉴别, 有一定的创新性。 结果表明: (1)中红外光谱和紫外光谱的不同种类牛肝菌平均光谱吸收峰差异较小, 吸光度具有细微差异。 (2)合适的预处理可提高光谱数据信息, 偏最小二乘法判别分析和随机森林算法模型的中红外光谱数据和紫外光谱数据最佳预处理组合为2D+MSC+SNV, SNV+SG, 2D+MSC+SNV, 1D+MSC+SNV+SG。 (3)单一光谱模型中, 中红外光谱模型优于紫外光谱模型, 中红外光谱最佳预处理组合2D+MSC+SNV的偏最小二乘法判别分析模型正确率训练集99.78%, 验证集99.12%; 随机森林模型正确率训练集93.20%, 验证集99%。 (4)数据融合策略提高了分类正确率, 低级融合的偏最小二乘法判别分析模型训练集和验证集正确率为100%, 99.12%。 随机森林模型训练集和验证集正确率为92.32%, 99.14%。 (5)随机森林算法中级数据融合Latent variable(LVs)正确率为训练集92.76%, 验证集96.04%; 中级数据融合Principal components analysis(CPA)正确率为训练集97.15%, 验证集100%。 (6)偏最小二乘法判别分析中级数据融合(LVs)正确率为训练集100%, 验证集99.56%; 中级数据融合(CPA)训练集和验证集正确率均能达到100%。 基于偏最小二乘法判别分析和随机森林算法结合数据融合策略对牛肝菌进行种类鉴别, 鉴别效果理想。 偏最小二乘法判别分析中级数据融合(CPA)可作为一种低成本高效率的牛肝菌种类鉴别技术。
牛肝菌 中红外光谱 紫外光谱 偏最小二乘法判别分析 随机森林 数据融合 Boletus Mid-infrared spectroscopy Ultraviolet spectroscopy Discriminant analysis by partial least squares Random forest Data fusion
我国是全球最大的牛肝菌出口国, 云南则是国内牛肝菌最大产区。 美味牛肝菌香郁爽滑、 营养丰富, 备受消费者青睐, 但因不同的地理气候和环境差异, 导致品质参差不齐。 开展云南省不同产区美味牛肝菌产地鉴别, 有利于提高商品质量控制。 本研究采集云南省13个产地美味牛肝菌样品124份, 使用傅里叶变换中红外光谱(FTIR-MIR)、 傅里叶变换近红外光谱(FTIR-NIR)、 紫外可见光谱(UV-Vis)和电感耦合等离子体原子发射光谱法测定光谱信息与不同部位矿质元素含量并进行分析, 对原始光谱进行平滑(Savitzky-Golay, SG)、 二阶导数(SD)、 标准正态变换(SNV)等预处理, 数据使用Kennard-Stone分类法分为训练集与预测集, 通过偏最小二乘辨别分析(PLS-DA)和支持向量机(SVM)建立分类模型后进行对比分析, 寻找最佳的产地鉴别方法。 结果显示: (1)元素测定方法中茶叶标准物质回收率在91.00%~106.00%之间, 方法准确可靠; (2)美味牛肝菌富含元素K, P, Mg, Na和Ca且不同部位相同产地, 不同产地相同部位元素之间存在差异性, 可能与美味牛肝菌不同部位的富集能力和不同产地地理环境差异相关; (3)中级融合通过主成分分析(PCA)提取重要信息, 其中FTIR-MIR和UV-Vis光谱数据的累计贡献率达到83.50%和66.70%, 代表重要信息变量; (4)在PLS-DA与SVM模型中, 数据融合后的产地鉴别效果基本高于单一数据鉴别, 说明数据融合策略在美味牛肝产地鉴别中效果显著; (5)采用Hottelling T2检测法对数据融合进行异常值检验, 结果表明模型未超过置信区间, 具有准确性与可信性; (6)PLS-DA模型的初级融合和中级融合结果都高于SVM, 说明PLS-DA模型中级融合可以作为产地鉴别的最佳方法。 多种光谱结合不同部位矿质元素可准确鉴别不同产地美味牛肝菌, 为云南美味牛肝菌地域品质差异评价提供有效的分析方法。
美味牛肝菌 多种光谱分析 矿质元素 产地鉴别 Boletus eduils Multi-spectral analysis Mineral Identification of producing areas 光谱学与光谱分析
2020, 40(12): 3839
1 云南农业大学农学与生物技术学院, 云南 昆明 650201
2 云南省农业科学院药用植物研究所, 云南 昆明 650200
3 云南省省级中药原料质量监测技术服务中心, 云南 昆明 650200
建立红外光谱快速鉴别牛肝菌种类及预测牛肝菌中重金属镉（Cd）含量的方法。 采集11种牛肝菌共98个子实体的红外光谱信息, 解析牛肝菌的红外光谱, 用一阶导数、 标准正态变量和多元散射校正对原始光谱进行预处理, 通过PLS-DA鉴别牛肝菌种类。 采用ICP-AES法测定牛肝菌中有毒重金属Cd含量, 分析牛肝菌对Cd的富集规律并与GB 2762—2012规定的食用菌中Cd限量标准比较, 评价牛肝菌的食用安全性。 以食用菌对重金属Cd的富集机理为切入点, 将牛肝菌红外光谱数据和Cd含量数据进行拟合, 用PLS模型快速预测牛肝菌的Cd含量。 结果显示: （1）牛肝菌红外光谱经过适当的预处理进行PLS-DA, 前三个主成分累积贡献率达到79.3%, PLS-DA的三维得分图能明显区分不同种类牛肝菌; （2）不同产地、 种类牛肝菌对重金属Cd的富集存在差异, 其含量在0.05～23.41 mg·kg-1 dw之间, 除了采自昆明五华区的灰疣柄牛肝菌外, 多数样品的Cd含量超过GB2762－2012的限量标准, 食用有一定的健康风险; （3）牛肝菌红外光谱数据与Cd含量拟合后进行正交信号校正-小波压缩优化处理, 用PLS模型预测牛肝菌的Cd含量; 训练集和验证集的R2分别为0.851 9和0.882 4, RMSEE和RMSEP分别为2.59和2.67, 大部分牛肝菌的Cd含量预测值与真实值较接近, 表明PLS模型可用于牛肝菌Cd含量快速预测。 傅里叶变换红外光谱结合化学计量学能实现牛肝菌种类快速鉴别及Cd含量准确预测, 为牛肝菌种类鉴别和质量控制提供快速、 有效的方法。
傅里叶变换红外光谱 牛肝菌 镉 定量预测 鉴别 Fourier transform infrared (FTIR) spectroscopy Bolete mushrooms Cadmium Content prediction Discrimination 光谱学与光谱分析
2017, 37(9): 2730
1 云南农业大学农学与生物技术学院, 云南 昆明 650201
2 云南省农业科学院药用植物研究所, 云南 昆明 650200
3 玉溪师范学院资源环境学院, 云南 玉溪 653100
傅里叶变换红外光谱结合化学计量学建立快速鉴别牛肝菌种类及测定牛肝菌中总Hg含量的方法。 采集15种共48份云南常见牛肝菌的红外光谱信息并用冷原子吸收光谱-直接测汞仪测定牛肝菌的总Hg含量, 根据FAO/WHO规定的每周Hg允许摄入量（provisional tolerable weekly intake, PTWI）评价牛肝菌的食用安全性; 采用Norris平滑、 多元散射校正、 二阶导数、 正交信号校正-微波压缩等方法对牛肝菌的红外光谱进行优化处理, 优化处理后的数据进行主成分分析、 偏最小二乘判别分析建立快速鉴别牛肝菌种类及牛肝菌总Hg含量的预测模型。 结果显示: （1）主成分分析的前三个主成分累积贡献率为77.1%, 不同种类牛肝菌在主成分得分图中能够明显区分开, 表明不同种类牛肝菌的化学组分或含量具有差异; （2）不同产地、 种类牛肝菌总Hg含量差异明显, 其总Hg含量在0.17～15.2 mg·kg-1 dw之间; 若成年人（60 kg）每周食用300 g新鲜牛肝菌则少数牛肝菌摄入的Hg超过PTWI的限量标准, 食用有一定风险; （3）牛肝菌红外光谱数据与总Hg含量拟合, 进行偏最小二乘判别分析, 能快速区分总Hg含量低（≤1.95 mg·kg-1 dw）、 中（2.05～3.9 mg·kg-1 dw）、 高（≥4.1 mg·kg-1 dw）的牛肝菌样品, 并且Hg含量差异越大, 越易于区分; 进一步建立牛肝菌总Hg含量预测模型, 训练集的R2为0.911 4, RMSEE为1.09, 验证集的R2和RMSEP分别为0.949 7和0.669 5, 牛肝菌总Hg含量预测值与测定值比较接近, 模型预测效果良好。 红外光谱结合化学计量学方法能快速鉴别牛肝菌种类, 区分不同总Hg含量的牛肝菌样品并对Hg含量进行准确预测, 为野生牛肝菌的质量控制和食用安全评估提供快速、 简便的方法。
红外光谱 牛肝菌 重金属 鉴别 健康风险 Infrared spectroscopy Boletes Hg Hg Heavy metal Discrimination Health risk 光谱学与光谱分析
2016, 36(11): 3510
1 云南农业大学农学与生物技术学院, 云南 昆明 650201
2 云南省农业科学院药用植物研究所, 云南 昆明 650200
3 玉溪师范学院资源环境学院, 云南 玉溪 653100
4 云南技师学院, 云南 安宁 650300
采用傅里叶变换红外光谱技术结合多元统计分析建立快速鉴别不同年份、 不同产地美味牛肝菌的方法。 采集2011年—2014年云南26个不同地区152个美味牛肝菌样品的红外光谱, 使用正交信号校正(orthogonal signal correction, OSC)、 微波压缩(wavelet compression)方法对原始光谱进行优化处理, OSCW校正前后的光谱数据进行偏最小二乘判别分析(partial least squares discriminant analysis, PLS-DA), 比较光谱预处理前后PLS-DA的分类效果。 将152个美味牛肝菌随机分为训练集(120个)和验证集(32个), 建立OSCW校正前后的PLS分类预测模型。 结果显示, 经OSCW处理后的PLS-DA分类效果明显优于处理前的结果, 主成分得分图能准确区分不同年份、 不同产地美味牛肝菌样品, 表明OSCW处理能有效滤除光谱中的噪音及与因变量无关的干扰信息, 提高光谱分析的准确性和计算速率。 OSCW处理前PLS模型训练集的R2和RMSEE分别为0.790 1和21.246 5, 验证集的R2和RMSEP分别为0.922 5和14.429 2; OSCW预处理后训练集的R2和RMSEE分别为0.852 3和17.238 1, 验证集的R2和RMSEP分别为0.845 4和20.87, 表明OSCW预处理提高了训练集的预测效果, 但OSCW-PLS出现了过拟合现象降低验证集的预测能力, 因此, OSCW不适宜与PLS结合建立模型。 OSCW结合PLS-DA能滤除光谱中大量的干扰信息, 准确区分不同年份、 不同产地美味牛肝菌样品, 为野生食用菌的鉴别分类提供可靠依据。
红外光谱 正交信号校正-微波压缩 偏最小二乘判别分析 美味牛肝菌 鉴别 Infrared spectroscopy OSCW PLS-DA Boletus edulis Discrimination 光谱学与光谱分析
2016, 36(7): 2117
1 云南农业大学农学与生物技术学院, 云南 昆明 650201
2 云南省农业科学院药用植物研究所, 云南 昆明 650200
3 玉溪师范学院资源环境学院, 云南 玉溪 653100
采用傅里叶变换红外光谱结合主成分分析和聚类分析建立快速鉴别不同产地绒柄牛肝菌的方法。 采集15个产地绒柄牛肝菌样品的红外光谱信息, 用多元散射校正(multiplicative signal correction, MSC)、 二阶求导(Second derivative, SD)、 Norris平滑的组合方法对原始光谱进行优化处理, MSC+SD+ND(15, 5)预处理后的光谱数据进行主成分分析和聚类分析, 并通过主成分载荷图分析不同产地绒柄牛肝菌样品差异的原因。 结果显示, 该方法的重现性, 精密度及稳定性的RSD值分别为0.17%, 0.08%, 0.27%, 表明方法稳定、 可靠。 主成分分析的前3个主成分累积贡献率达到87.24%, 能表达红外光谱的主要信息, 主成分得分散点图中同一产地样品成簇聚集, 不同产地样品分布于相对独立的空间, 能有效区分不同产地样品。 主成分载荷图显示, 随主成分贡献率降低, 主成分所捕获的样品信息减少, 其中PC1在3 571, 2 958, 1 625, 1 456, 1 405, 1 340, 1 191, 1 143, 1 084, 935, 840, 727 cm-1波数捕获大量样品信息, 归属为糖类、 蛋白质、 氨基酸、 脂肪、 纤维素等化学物质的吸收峰, 表明这些化学物质含量的差异是区分不同产地绒柄牛肝菌样品的主要依据。 基于离差平方和法(Ward method)及欧氏距离(Euclidean distance)进行聚类分析, 能直观显示不同产地样品的分类情况及样品之间的相关性, 15个产地样品基本能够按照产地来源正确聚类, 正确率为93.33%。 傅里叶变换红外光谱结合主成分分析和聚类分析, 可以有效鉴别绒柄牛肝菌产地来源, 并且能够分析不同产地样品具有差异的原因, 为野生食用菌的鉴别分类和应用研究提供可靠依据。
红外光谱 主成分载荷分析 绒柄牛肝菌 鉴别 Infrared spectroscopy Principal component loadings analysis Boletus tomentipes Discrimination 光谱学与光谱分析
2016, 36(6): 1726
