近年来食品安全问题频发, 消费者愈加重视食品原产地的环境安全, 导致地理标志产品的需求增加。 美味牛肝菌(Boletus edulis)作为一种健康食品, 其产品品质受原产地环境影响较大, 为保护消费者的身体健康, 防止假冒伪劣产品进入市场, 急需一种高效、 廉价的美味牛肝菌产地鉴别技术。 采用数据融合策略结合偏最小二乘判别(PLS-DA)模型对美味牛肝菌的产地进行鉴别。 扫描来自8个产地(昆明、 楚雄、 玉溪、 迪庆、 大理、 保山、 文山和曲靖)141个样品的傅里叶变换近红外光谱和傅里叶变换中红外光谱。 使用Kennard-Stone算法将所有样品划分为2/3的训练集和1/3的预测集, 利用三种融合策略(低级、 中级和高级)对4个单一光谱矩阵: 近红外的菌柄(N-b)、 近红外的菌盖(N-g)、 中红外的菌柄(M-b)、 中红外的菌盖(M-g), 建立偏最小二乘判别(PLS-DA)模型。 用交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)评价模型稳定性, 非错误率(NER)、 训练集正确率和预测集正确率评价模型分类性能, 综合多种评价指标, 找出美味牛肝菌产地鉴别的最佳方法。 结果表明: (1)近红外和中红外光谱均能鉴别美味牛肝菌产地; (2)中红外光谱所建立的模型优于近红外光谱所建立的模型; (3)三种融合策略均可提高美味牛肝菌的产地鉴别效果, 产地鉴别效果优劣依次为中级融合、 高级融合、 低级融合、 单一光谱模型。 通过融合近红外和中红外光谱使用PLS-DA进行基于特征值LV的中级融合策略, 建立不同产地美味牛肝菌鉴别模型, 有最少的变量数(49), 最高的产地训练集正确率(100%), 最高的产地预测集正确率(100%), 最低的RMSEP(0.133), 实现了美味牛肝菌产地的快速、 准确鉴别, 可以作为美味牛肝菌产地溯源的一种可靠方法。

野生食用菌产地溯源研究中, 采用单一有机成分或矿质元素指纹存在一定局限性。 利用不同指纹分析技术的互补性与协同性, 将不同部位与类型的化学信息进行融合, 探讨此方法对野生食用菌产地溯源的可行性, 以期为野生食用菌溯源提供新的思路与科学依据。 通过测定云南7个产地、 124个美味牛肝菌(菌柄、 菌盖)中15种矿质元素的含量, 以及子实体傅里叶变换红外光谱(FTIR)。 标准正态变换(SNV)、 二阶导数(2D)等算法对原始光谱进行预处理。 基于低级与中级数据融合策略, 将预处理后的FTIR光谱与菌柄、 菌盖矿质元素数据进行融合, 结合支持向量机(SVM)分别建立菌柄、 菌盖、 FTIR、 低级数据融合(菌柄+菌盖, 菌柄+菌盖+FTIR)与中级数据融合(菌柄+菌盖+FTIR)判别模型; 分析比较模型参数, 确定快速甄别美味牛肝菌产地的可靠方法。 结果显示: (1)菌盖中Cd, Cr, Cu, Li, Mg, Na, P和Zn元素平均含量高于菌柄, Ba, Ca, Co, Ni, Rb, Sr和V元素在菌柄中平均含量高于菌盖。 美味牛肝菌中人体必需矿质元素Ca, Cu, Mg, P和Zn平均含量远高于小麦、 水稻干品和新鲜蔬菜, 与动物干制品含量相似; (2)FTIR光谱数据最佳预处理方法为3D+SNV, 其Q2和R2Y分别为76.64%, 88.91%; (3)菌柄、 菌盖、 FTIR、 低级数据融合与中级数据融合SVM模型, c值分别为8 192, 4 096, 1.414 2, 11.313 7, 1和0.7071 1, 菌柄和菌盖模型c值较大, 表明采用单一菌柄或菌盖矿质元素含量数据, SVM训练存在过拟合风险, 判别效果较差; (4)FTIR、 低级数据融合和中级数据融合SVM模型, 样品分类错误总数分别为7, 9, 7和0, 中级数据融合(菌柄+菌盖+FTIR)模型样品分类正确率最高。 表明基于中级融合策略将不同部位矿物元素和子实体FTIR光谱数据融合, 可作为野生食用菌产地溯源的一种有效方法。

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。