基于近红外光谱与矿物元素指纹信息融合对绿豆产地判别模型比较分析

为提高模型对绿豆产地的鉴别率,通过近红外光谱指纹信息和矿物元素指纹信息融合技术分析来自黑龙江省杜尔伯特蒙古自治县、吉林省白城市、黑龙江省泰来县、山东省泗水县绿豆样品中近红外光谱吸收强度和矿物元素含量,结合偏最小二乘判别分析(PLS-DA)法建立融合这两种指纹信息的鉴别方法。结果表明,信息融合模型的绿豆产地鉴别准确率为100%,与单一光谱指纹信息模型(90.0%)和矿物元素指纹信息模型(96.7%)相比,分别提高了10.0%和3.3%。因此,采用PLS-DA法信息融合模型对绿豆产地进行鉴别是可行的,近红外光谱指纹信息和矿物元素指纹信息融合技术可以提高绿豆产地的鉴别效果。     

基于产地、品种和年份影响矿物元素含量的大米判别

通过分析品种、年份与产地及其交互作用对大米矿物元素含量造成的差异,筛选有效特征指标,结合统计分析进行产地判别。以连续3?a（2016—2018年）在查哈阳、五常和建三江地区种植9?个品种的90?份田间试验样本为研究目标,采用电感耦合等离子体质谱仪测定样品的52?种元素。结果表明：Mg、Ca、Cr、Mn、Zn、As、Rb、Sr、Ag、Cd、Ba、La、Sm、Dy、Ho、Er、Pb、U受产地影响较大;Na、Mg、Al、Ca、Pb、U、V受年份影响较大;Na、Cr、Co、Ni、Tl、U、Mg、Al、La、Ho受品种影响较大。实验对筛选到与产地直接相关的18?种元素进行主成分分析和判别分析。6?个主成分累计贡献率80.333%。建立的判别模型对3?个产地的判别正确率均为100%,交叉验证率为100%。说明由这些元素组成的模型可以对样本实现正确判别。