呂晨菲，楊靜慧，通信作者，劉艷軍，楊仁杰，張超，吳楠

（1.天津農(nóng)學(xué)院 a.園藝園林學(xué)院，b.工程技術(shù)學(xué)院，天津 300384； 2.天津天獅學(xué)院，天津 301700）

紅提即紅地球葡萄，屬歐亞種，原產(chǎn)美國，因其果粒大、不脫粒、果肉硬脆、品質(zhì)優(yōu)、耐貯運、可周年供應(yīng)等優(yōu)點，成為鮮食葡萄品種中最珍貴且最具有商業(yè)價值的品種之一，發(fā)展前景廣闊[1]。研究發(fā)現(xiàn)，紅提果實品質(zhì)和風(fēng)味會因產(chǎn)地的生態(tài)環(huán)境不同而呈現(xiàn)顯著差異[2]。而較大的市場價格差異造成了鮮果商品的產(chǎn)地仿冒現(xiàn)象，不利于優(yōu)質(zhì)果品產(chǎn)地的生產(chǎn)發(fā)展。研究建立高效的紅提果實產(chǎn)地識別技術(shù)，對促進栽培區(qū)域布局優(yōu)化、優(yōu)質(zhì)生產(chǎn)、名特優(yōu)產(chǎn)地品牌保護等都具有重要的實踐意義。

近紅外光譜技術(shù)檢測速度快、無損傷、無污染、操作簡單[3-9]，已成為農(nóng)產(chǎn)品品種定性鑒別的一個重要手段，已經(jīng)成功應(yīng)用于蘋果[10]、臍橙[11]、山楂[12]、石榴[13]、沙棘[14]、枸杞[15]等農(nóng)產(chǎn)品的產(chǎn)地識別。但基于NIRS與PLS-DA的紅提產(chǎn)地鑒別研究還未見報道。

1 材料與方法

1.1 材料

試驗樣品是從超市購置的美國紅提、秘魯紅提、國產(chǎn)紅提（新疆紅提），所有樣品經(jīng)過篩選，每個品種選留45個，共135個，并對樣品進行編號。每個樣品大小均勻，無明顯損傷，清洗干凈并擦干，放置在待測的實驗室環(huán)境中平衡24 h。

1.2 光譜采集

試驗采用美國PerkinElmer公司的傅里葉變換近紅外光譜儀，漫反射采集附件為積分球。光譜儀開機預(yù)熱15 min，扣除背景后，在近紅外波段4 000～12 000 cm-1逐個采集樣品光譜（從紅提的赤道部位等距依次采集3次漫反射光譜，取平均值），采集間隔為2 cm-1，掃描次數(shù)為64次，光譜分辨率8 cm-1。共采集135張紅提近紅外原始光譜圖，如圖1所示。

圖1 3種紅提的原始光譜圖

1.3 樣品集劃分

采用 K-S（Kennard-Stone）方法對樣品集進行劃分，從美國紅提、秘魯紅提、國產(chǎn)紅提樣品中選擇了具有代表性的90個樣品光譜進行建模，其余45個樣品作為驗證集，用于分類模型驗證。

1.4 PLS-DA的建立與驗證

采用課題組編寫的偏最小二乘算法 Matlab代碼，來建立紅提產(chǎn)地判別模型。PLS-DA模型建立方法：基于PLS回歸方法，利用校正集樣品的自變量矩陣X和分類變量Y建立回歸模型，根據(jù)待分類樣本的 PLS預(yù)測值判斷樣本所屬類別。PLS-DA模型判別過程：（1）建立校正集樣品的分類變量；（2）分類變量與光譜數(shù)據(jù)的PLS分析，建立分類變量與光譜數(shù)據(jù)間的PLS模型；（3）根據(jù)校正集建立的分類變量和光譜特征的 PLS模型，計算驗證集的分類變量值（ypretict）。

具體判別標準為：將3種紅提，即美國紅提、秘魯紅提、國產(chǎn)紅提的分類變量分別賦值為1，2，3；①當(dāng) 0.5＜ypretict＜1.5，判定樣品屬于第一類，美國紅提；②1.5＜ypretict＜2.5，判定樣品屬于第二類，秘魯紅提；③2.5＜ypretict＜3.5，判定樣品屬于第三類，國產(chǎn)紅提。

1.5 數(shù)據(jù)處理

運用Matlab和 Unscrambler軟件進行數(shù)據(jù)處理。利用Origin進行圖像處理。

2 結(jié)果與分析

2.1 不同產(chǎn)地紅提的近紅外漫反射光譜

圖 2是美國紅提、秘魯紅提和國產(chǎn)紅提在4 000～12 000 cm-1近紅外范圍扣除背景后的漫反射光譜圖。由圖2可知，整個光譜范圍內(nèi)3個產(chǎn)地的紅提樣品光譜形狀，譜峰位置幾乎相同，不能直觀的根據(jù)圖譜看出3類樣品的區(qū)別。

圖2 不同產(chǎn)地紅提的近紅外漫反射光譜圖

2.2 不同產(chǎn)地紅提的主成分分析

對上述 3類紅提采用主成分分析（PCA）法進行聚類。圖3為原始光譜數(shù)據(jù)進行主成分分解，保留前3個主成分的樣品散點分布圖。由圖3可知，不同產(chǎn)地樣品的界限不明顯，有多處重疊現(xiàn)象，無法直觀地進行品種判別。為了準確地判別3類紅提的產(chǎn)地，需要利用監(jiān)督性判別方法來進一步區(qū)分。

圖3 保留前3個主成分的樣品散點分布圖

2.3 不同產(chǎn)地紅提的偏最小二乘法判別分析

在4 000～12 000 cm-1光譜范圍內(nèi)對校正集樣品進行PLS回歸并進行內(nèi)部交叉驗證，采用交互驗證的均方根誤差（RMSECV）來選擇模型的最佳主成分數(shù)。圖4為交互驗證的均方根誤差隨主成分數(shù)變化的散點折線圖，由圖 4可知，當(dāng)主成分為 6時，模型的 RMSECV不再顯著降低，因此確定PLS-DA 模型的主成分數(shù)為6，建立判別模型。

圖4 主成分的均方根誤差（RMSECV）曲線

采用課題組編寫的偏最小二乘算法 Matlab代碼，對4 000～12 000 cm-1波段內(nèi)采用K-S法挑選出的90個校正集樣品數(shù)據(jù)進行建模和內(nèi)部檢測。由圖5可知，模型校正集內(nèi)部預(yù)測結(jié)果準確無誤，3類樣品均得到正確識別，判別正確率100%，所建模型具有良好的自我預(yù)測能力，模型的實際預(yù)測能力還需要通過外部驗證集檢驗做進一步的驗證。

利用K-S法挑選出的45個樣品作為驗證集，對所建立的分類模型進行驗證集預(yù)測。由圖6可知，模型驗證集外部預(yù)測結(jié)果準確無誤，3類樣品均得到正確識別，判別正確率100%。利用PLS-DA建立的3種產(chǎn)地紅提的分類模型具有較高的預(yù)測準確度和預(yù)測穩(wěn)定性。

圖5 校正集樣本的PLS-DA預(yù)測結(jié)果

圖6 驗證集樣本的PLS-DA預(yù)測結(jié)果

3 結(jié)論

利用傅里葉變換近紅外光譜儀測出美國紅提、秘魯紅提和國產(chǎn)紅提的近紅外光譜，通過PLS-DA算法在Matlab中建立判別模型。此方法可有效判別出3種產(chǎn)地紅提品種，該研究為果品產(chǎn)地的無損定性鑒別提供了一定的理論基礎(chǔ)。