基于近红外光谱的中宁枸杞子判别分析

许春瑾，张 睿，于修烛*，王 宁

（西北农林科技大学食品科学与工程学院，陕西 杨凌 712100）

基于近红外光谱的中宁枸杞子判别分析

许春瑾，张 睿，于修烛*，王 宁

（西北农林科技大学食品科学与工程学院，陕西 杨凌 712100）

为实现中宁枸杞子产地的自动化快速鉴别，利用近红外光谱仪对不同产地42个枸杞子样品进行扫描，对枸杞子近红外光谱分别进行距离判别分析和聚类分析，建立枸杞子产地判别模型。结果表明：在6 500～5 200 cm－1波数范围内，采用多元散射校正和标准正态变量变换预处理，对样品的识别率均达到100%，模型预测效果好；采用马氏距离结合离差平方和法，枸杞子可分为宁夏中宁枸杞和非宁夏中宁枸杞两大类群，样品判别率达到96.9%。利用近红外光谱对中宁枸杞子产地判别分析是可行的。

枸杞子；近红外光谱；判别分析；聚类分析

枸杞（Lycium barbarum L.）为茄科枸杞属多分枝灌木[1-2]，枸杞子为枸杞的干燥成熟果实[3]，具有味甘、性平，滋补肝肾、增强免疫、抗癌、保肝、降低血脂和胆固醇等功效[4-9]。枸杞子有效成分的形成与土壤、气候、生态环境有密切联系。《中国药典》（2010版） 仅将宁夏产枸杞子定义为入药枸杞，而中宁县枸杞子为其中珍品，有“中宁枸杞甲天下”的美誉[10]。不同产地枸杞子品质差异较大，价格相差悬殊。一些不法商贩为牟取暴利，滥标产地、以次充好，严重扰乱了中宁枸杞市场，伤害了当地农民的经济利益[11]。目前在枸杞子产地的判别分析中，仍以形态学特征的鉴定和化学方法为主，形态学法鉴定枸杞子的产地[12]，易受人为和外界因素的影响；而化学方法[13]，需对样品进行预处理，方法繁琐，成本高。建立自动、准确、环保的枸杞子产地鉴别方法，以保证宁夏中宁枸 杞子的品质，具有十分重要意义。近红外光谱对应分子基频振动的倍频和组合频，其特征随着样品成分含量的变化而变化[14]，具有无损、绿色、实时监控的特点[15]，非常适合农产品和食品的快速判别分析[16]。目前有关枸杞子近红外光谱产地鉴定报道较少，汤丽华等[17]采用近红外光谱技术结合简易分类（simple modeling of class analogy，SMICA）法对枸杞子进行了产地溯源分析，虽然取得一定进展，但溯源分析建立于化学指标上，操作比较繁琐。本实验以宁夏中宁枸杞子为主要材料，利用傅里叶变换近红外光谱（fourier transform near infrared spectrometer，FT-NIR）技术结合判别分析、聚类分析等方法，建立枸杞子产地判别模型。以期快捷、准确的鉴定中宁枸杞子，为中宁枸杞子地理标志产品保护提供参考。

1 材料与方法

1.1 材料

枸杞子样品分别采集于：宁夏中宁县田滩村、铁渠村、舟塔村、五道渠、曹桥村等12个地区（宁杞1号、2号、4号、7号等不同品种）；宁夏平罗县、同心县（苦水枸杞）；甘肃省靖远县（宁杞2号）、武威市民勤县（宁杞4号）；青海省格尔木市河西村、柴达木诺木洪、德令哈市尕海（柴达木枸杞）、柴达木盆地（野生黑枸杞）；河北省（血杞）；新疆博州精河县（精河枸杞）；内蒙古乌拉特前旗（宁杞1号、蒙杞1号、2号）、沙海镇（绿洲沙海红）。其中宁夏中宁枸杞品种28个，其他地区14个。随机分为两类，35个为校正集样品，其中中宁枸杞23个，其他地区12个；7个为验证集样品，其中中宁枸杞5个，其他地区2个（分别为宁夏平罗县和甘肃靖远县）。

1.2 仪器与设备

MPA-TM傅里叶变换近红外光谱仪（检测器为InGaSe） 德国布鲁克光学仪器公司；数据分析软件为OPUS 5.5、OMNIC 7.3、TQ Analyst 7.2和DPS 7.55等。

1.3 光谱采集条件

光谱采集方法：积分球漫反射。积分球载样器件：直径为50 mm，高为50 mm旋转样品杯，光谱采集时枸杞子颗粒需基本装满旋转式样品杯，并保证样品杯中枸杞子分布均匀，偏心距为10 mm。光谱采集范围：12 000～4 000 cm－1；扫描次数：32次；分辨率：4 cm－1。1.4 判别分析

判别分析是根据样品不同的特征值来判别其类型归属，是一种多变量统计分类方法。对光谱进行预处理后，在选定的特征波段截取枸杞子样品的近红外光谱，先根据各类间的马氏距离建立判别模型，然后将未知样本与各类样本判别模型进行拟合，计算未知样本与校正集之间的马氏距离，进行判别归类[18]。马氏距离的计算公式[19]如下：

式中：Mij为第i个和第j个样本之间的距离；（xi－xj）T为（xi－xj）的转置矩阵。V－1为协方差矩阵的逆矩阵，其元素用vij表示为：xi、xj分别为第i个和第j个样本的行向量，xik为第i个样本的第k个特征变量，xjk为第j个样本的第k个特征变量，分别为第i个和第j个样本所有特征变量的均值。

1.5 聚类分析

聚类分析具有无管理模式识别方法的特点，利用相似样本在多维空间中彼此的距离小，而不相似样本在多维空间中彼此的距离大，使相似的样本聚在一起，从而达到分类的目的。光谱的距离表明了谱图的相似度，两张光谱的距离值随谱图差别的增加而增大，将相似光谱按组分类，组的形式用树状图表示[20]。

2 结果与分析

2.1 判别分析

2.1.1 光谱分析

利用近红外光谱仪在分辨率4 cm－1、扫描次数32次的条件下采集枸杞子样品光谱，其光谱见图1。

图1 不同产地枸杞子样品的原始光谱Fig.1 Original NIR spectra of Chinese wolfberry samples from different regions

由图1a可以看出，宁夏中宁枸杞子与非宁夏中宁枸杞子的光谱比较接近，且都在8 264、6 793、6 323、5 780、5 166、4 720 cm－1处有特征吸收，为几个较宽的谱带，谱图分辨率较差，化学成分的吸收峰出现多次重叠，很难对近红外谱带进行精确归属[21]。图1b为波数区域为7 000～5 000 cm－1光谱，在6 800～5 200 cm－1范围内宁夏中宁枸杞子和非宁夏中宁枸杞子有着较明显差异，可进一步为选择校正集建模的波长范围提供依据。枸杞子近红外谱图的差异主要由样品化学成分的差异决定的。汤丽华[17]和白雪梅[22]等的研究表明，中宁枸杞子的多糖含量最高，达6.19%，比其他地区的平均值高出1.96%，人体必需氨基酸丝氨酸、苏氨酸、缬氨酸及苯丙氨酸的含量分别为0.740、0.664、0.064、0.057 mg/g，比其他地区的平均值高出0.585、0.378、0.0197、0.019 mg/g。不同地区枸杞子化学成分的差异，可能是由于其生长的生态环境不同而引起的。

2.1.2 光谱预处理对判别分析结果的影响

建立枸杞子判别分析模型之前，为消除偏移或基线的变化，以保证枸杞子近红外光谱数据和样品性质之间的相关性，需对光谱进行预处理[23]。对原始光谱分别进行一阶求导、二阶求导、多元散射校正（multiplicative scatter correction，MSC）、标准正态变量变换（standard normal v ariate，SNV）等预处理。光谱预处理结果见表1。

表1 不同光谱预处理对校正模型样品识别结果的影响（主成分数为1100）Table1 Effect of different spectral pretreatments on recognition rate of calibration samples (the number of principal components = 10)

由表1可知，不同波长范围和光谱预处理方法，对识别率的影响很大。6 500～5 200 cm－1为识别率较好的波数范围，建模前对波段进行筛选，可消除部分波段噪音的影响且可提高软件计算速度；MSC方法可去除样品的镜面反射及不均匀性造成的噪声，SNV方法是将光谱数据矩阵按行进行归一化而消除散射效应的影响，导数法可消除基线漂移、强化谱带特征，但同时会引入噪声，降低信噪比[19]。因此，在6 500～5 200 cm－1波数范围，原始光谱结合MSC与原始光谱结合SNV预处理方法均较好，优于原始光谱、一阶求导、二阶求导、一阶求导结合MSC或二阶求导等预处理方法，校正集识别率可达100%，模型效果好。采用原始光谱结合MSC与原始光谱结合SNV的预处理方法均适合于枸杞子的产地判别分析。

2.1.3 模型的建立

对35个校正集样品在6 500～5 200 cm－1波数内采用原始光谱结合MSC、原始光谱结合SNV光谱预处理方式，图2a为原始光谱结合MSC光谱预处理方法时，宁夏中宁枸杞子与非宁夏中宁枸杞子判别分析图，图2b为原始光谱结合SNV光谱预处理方法时，宁夏中宁枸杞子与非宁夏中宁枸杞子判别分析图。

图2 枸杞子的判别分析结果Fig.2 Distance discrimination plots for Chinese wolfberry samples

由图2可知，在宁夏中宁枸杞子区域和非宁夏中宁枸杞子区域，无被错判样品，对所有样品的识别率达到100%。说明采用MSC、SNV光谱预处理结合判别分析法均可较好地实现宁夏中宁枸杞子与非宁夏中宁枸杞子的分类。

2.1.4 模型验证分析

采用判别分析法对预测集的7个样品进行预测分析，判别分析结果见表2。

表2 7个验证样品判别预测分析结果Table2 Results of discrimination analysis for 7 samples in the validationn sseett

由表2可以看出，7个预测样品中无错误判别，预测正确率为100%，表明在波数范围为6 500～5 200 cm－1，采用MSC、SNV光谱预处理结合判别分析法能较好预测枸杞子的产地，可建立枸杞子近红外指纹图谱。

2.2 聚类分析

将枸杞子样品原始近红外光谱的波长及其对应的吸光度组成新的光谱数据，组成聚类分析的样本矩阵，采用DPS 7.55软件提供的聚类分析模块中的马氏距离结合离差平方和法对其进行处理，并得到聚类分析的树状图，如图3所示。

由图3可以看出，以距离570划分，将宁夏中宁枸杞子分为一类，非宁夏中宁枸杞子分为一类，其中有一个样品出现误判。误判样品为21号枸杞子，其产地为内蒙古乌拉特前旗镇，品种为宁杞1号，可能因其是引种的宁杞品种，与中宁枸杞性质上比较接近，将其误判为中宁枸杞。枸杞子近红外光谱聚类分析结果正确率为96.9%，聚类结果比较理想，表明利用聚类分析对宁夏中宁枸杞子产地鉴别是可行的。

图3 枸杞子的聚类分析结果Fig.3 Cluster analysis results of Chinese wolfberry

3 结 论

采用近红外光谱分析技术结合判别分析法对宁夏中宁和非宁夏中宁的枸杞子进行了产地判别分析，通过建模及模型验证分析，在6 500～5 200 cm－1波数范围内，原始光谱结合MSC、原始光谱结合SNV变换预处理，对样品的识别率均达100%，模型预测效果较好。聚类分析中，利用马氏距离结合离差平方和法，枸杞子可分为宁夏中宁枸杞与非宁夏中宁枸杞两大类，样品的判别率达到96.9%。利用近红外光谱技术进行中宁枸杞子产地的快速判别分析是可行的。

[1] 杨薇, 谭自力. 枸杞的价值及栽培技术[J]. 河北农业科技, 2008(6): 35-36.

[2] 郑国琦, 胡正海. 宁夏枸杞的生物学和化学成分的研究进展[J]. 中草药, 2008(5): 796-780.

[3] 周群, 孙素琴, 梁曦云. 枸杞产地的红外指纹图谱与聚类分析法研究[J]. 光谱学与光谱分析, 2003, 23(3): 509-511.

[4] 王亚军, 安巍, 石志刚, 等. 枸杞药用价值的研究进展[J]. 安徽农业科学, 2008, 36(30): 13213-13214.

[5] 吕海棠, 刘同慧, 冯瑞琴. FTIR法测定枸杞中的有效成分[J]. 食品工业科技, 2012, 33(6): 102-104.

[6] ROBERT J R, DELPHINE C, WANG Juankuan, et al. Cell wall polysaccharides of Chinese wolfberry (Lyceum barbarum)[J]. Carbohydrate Polymers, 2011, 84(3): 1344-1349.

[7] H E Nianwu, YANG Xingbin, JIAO Yadong, et al. Characterisation of antioxidant and antiproliferative acidic polysaccharides from Chinese wolfberry fruits[J]. Food Chemistry, 2012, 133(3): 978-989.

[8] 郭建宏, 符虎刚. 枸杞多糖提取条件初探[J]. 陕西农业科学, 2007(6): 34-38.

[9] ZHAO Lili, LI Aihua, XING Guosheng, et al. Determination of mineral elements in Lycium barbarum L. from Ningxia by sealed microwave digestion ICP-AES[J]. Medicinal Plant, 2012, 3(5): 49-51.

[10] 郝近大. 中华人民共和国药典辅助说明[M]. 北京: 中国中医药出版社, 2010: 392.

[11] 雷建刚, 刘敦华, 郭进. 不同产地枸杞干果品质的差异性研究[J]. 现代食品科技, 2013, 29(3): 494-497.

[12] 孙素琴, 王米渠, 梁曦云, 等. 枸杞子四种原性状的FTIR光谱法鉴别[J]. 光谱学与光谱分析, 2001, 21(6): 7 87-789.

[13] 李红英, 彭励, 王林. 不同产地枸杞中微量元素和黄酮含量的比较[J]. 微量元素与健康研究, 2007, 24(5): 14-16.

[14] SIERLER H W, OZAKI Y, KAWANO S, et al. Near infrared spectroscopy[M]. Weinheim: Wiley-VCH, 2004.

[15] 蒙杰丹. 近红外光谱法快速无损分析测定中药活性成分的研究[D].重庆: 西南大学, 2012.

[16] 吴海云, 刘洋, 左月明. 近红外光谱数据分析方法的研究进展[J]. 农产品加工, 2010(3): 76-79.

[17] 汤丽华, 刘敦华. 基于近红外光谱技术的枸杞产地溯源研究[J]. 食品科学, 2011, 32(22): 175-178.

[18] 成浩, 王丽鸳, 周健, 等. 基于化学指纹图谱的绿茶原料品种判别分析[J]. 中国农业科学, 2008, 41(8): 2413-2418.

[19] 陆婉珍, 袁洪福, 徐广通. 现代近红外光谱分析技术[M]. 北京: 中国石化出版社, 2000: 13-31.

[20] MA Cunhua, DAI Bin, XU Caixia, et al. Cluster analysis and fingerprint study of inorganic elements in Xinjing Glycyrrhiza uralensis Fisch[J]. Medicinal Plant, 2010, 1(5): 21-23.

[21] 杰尔·沃克曼, 洛伊斯·文依. 近红外光谱解析实用指南[M]. 北京:化学工业出版社, 2009: 13.

[22] 白雪梅, 田嘉铭, 王德宝. 高效液相色谱法测定枸杞子中氨基酸的含量[J]. 时珍国医国药, 2005, 16(8): 742-743.

[23] 张晓炎. 基于近红外光谱的柑桔产地溯源及橙汁掺假识别研究[D].重庆: 西南大学, 2010.

Discrimination of Chinese Wolfberry from Zhongning Based on Near Infrared Spectroscopy

XU Chun-jin, ZHANG Rui, YU Xiu-zhu*, WANG Ning
(College of Food Science and Engineering, North west A & F University, Yangling 712100, China)

To develop an automatic and quick method to discriminate the g eographical origin of Chinese wol fberry from Zhongning, 42 Chinese wolfberry samples from different regions in China were scanned with a near infrared spectrometer (NIR). The NIR spectral data of wolfberry samples were analyzed with distance discriminant analysis (DDA) and cluster analysis to discriminate their geographical origins. The DDA analysis indicated that good prediction results were achieved with 100% recogn ition rate for the origin of wolfberry based on the multipl icative scatter correction and standard normal variate transformation of spectral data ranging from 6 500 to 5 200 cm-1. The wolfberry samples could be clustered into two groups using the Mahalanobis distances i n combination with the Ward’s method: one group consist ing of those from Zhongning, Ningxia and the other from other regions. The recognition rate was 96.9%. In conclusion, it is feasible to apply NIR to discriminate the geographical origin of Chinese wolfberry from Zhongning.

Chinese wolfberry; near infrared spectrometer (NIS); discrimination analysis; cluster analysis

TS255.2

A

1002-6630（2014）02-0164-04

10.7506/spkx1002-6630-201402030

2013-04-22

“十二五”国家科技支撑计划项目（2012BAD36B04）

许春瑾（1989—），女，硕士研究生，研究方向为功能性食品安全检测。E-mail：springxuchunjin@163.com

*通信作者：于修烛（1974—），男，副教授，博士，研究方向为功能性食品安全检测。E-mail：xiuzhuyu1004@hotmail.com