元素含量分析应用于十种中国名茶的产地鉴别*

陈　波，　颜　治，　赵　旭，　吴　浩，　王丙涛，　靳保辉，　赵琼晖，　王宏菊，　谢丽琪

(深圳出入境检验检疫局食品检验检疫技术中心 深圳市食品安全检测技术研发重点实验室，广东 深圳 518067)



元素含量分析应用于十种中国名茶的产地鉴别*

陈波*，颜治，赵旭，吴浩，王丙涛，靳保辉，赵琼晖，王宏菊，谢丽琪

(深圳出入境检验检疫局食品检验检疫技术中心 深圳市食品安全检测技术研发重点实验室，广东 深圳 518067)

利用元素分析建立十种中国名茶的鉴别方法.通过原产地购买191份不同产地的茶叶，包括西湖龙井、洞庭碧螺春、黄山毛峰、祁门红茶、庐山云雾、武夷岩茶、安溪铁观音、凤凰单枞、台湾乌龙茶、普洱茶，利用电感耦合等离子体-原子发射光谱测定茶叶中钾、钙、镁、铝、锰、铁、锌、铷、钛9种元素，利用电感耦合等离子体质谱法测定铅、砷、镉、铬、钴、钒、镍、铯、铜、锶、钡、硒12种元素.通过偏最小二乘变量筛选法分别建立4种绿茶和6种半发酵及全发酵茶的判别软件模型.茶叶鉴别模型交叉验证相关系数在0.97以上，模型自校验判别准确率为100%，拥有极高的判别准确率.

茶；电感耦合等离子体-原子发射光谱法；电感耦合等离子体质谱法；产地鉴别

茶叶是我国重要的农业经济作物.正如我国的中草药及西方的葡萄酒品质与其产地密切相关一样，茶叶的质量和经济价值也与其产地息息相关.由于特定产地的茶叶经济效益更高，我国茶叶市场上产地信息不明，以假充真、以次充好的现象普遍存在，这极大阻碍我国茶叶产业健康发展.因此，研究不同产地茶叶之间的差异，发展茶叶产地鉴别技术对于茶叶的质量控制，保护原产地域产品和消费者权益，规范市场运作，乃至帮助我国茶叶走向国际市场都具有积极意义.[1]

传统的茶叶鉴别方法包括感官评定法和化学方法.以实际标准样为依据、依靠有经验的评茶师来评定茶叶的感官审评方法，自古以来一直起着主导作用.然而，感官评定的结果容易受人为因素和外界环境的干扰，影响到评定结果的客观性.因此，通过现代分析仪器寻求茶叶产地鉴别方法的研究一直是茶叶研究的热点，所使用的技术如高效液相色谱[2,3]，近红外光谱[4,5]，电感耦合等离子体-原子发射光谱(ICP-AES)[6,7]，电感耦合等离子体质谱(ICP-MS)[8,9]，稳定同位素质谱[10]，气相色谱-质谱[11,12]，电子鼻技术[13,14]和离子色谱[15]等.现代分析技术的一个共同特点就是对每一个样品测量所得到的分析结果都是多变量数据，仅用肉眼判断或简单的数据比较来处理是难以奏效的.因此，通常使用模式识别方法来分析数据，以便最大限度提取信息.常见的模式识别方法包括主成分分析[16,17]，聚类分析[1,18]，偏最小二乘法[5]，人工神经网络[19]及多元线性回归[20]等.

偏最小二乘法是食品产地判别中广泛使用的一种方式.本文分别利用ICP-MS与ICP-AES测定茶叶中的21种元素含量，基于变量扩维筛选偏最小二乘法分别建立了4种绿茶和6种半发酵及全发酵茶的判别软件模型，能够应用于杭州西湖龙井、苏州洞庭碧螺春、安徽黄山毛峰、安徽祁门红茶、江西庐山云雾、武夷岩茶、安溪铁观音、广东潮州凤凰单枞、台湾乌龙茶、云南普洱茶的原产地鉴别，取得极好的效果.

1　材料与方法

1.1材料与试剂

191份茶叶均在原产地购买(表1)，茶叶样品经高速粉碎机粉碎后室温保存.

甲醇(色谱纯)、硝酸(质量分数65%，优级纯)，德国Merck公司；过氧化氢(质量分数30%，优级纯)，天津市科密欧化学试剂有限公司；三氟乙酸，美国Sigma公司；超纯水，美国Millipore公司.

标准品：元素标准储备液(1 000 mg/L，使用体积分数5%的硝酸(以浓硝酸为基准)稀释至适当浓度)，国家标准物质中心.

表1　建模茶叶样品信息表Tab.1　Tea sample information of modeling

1.2仪器与设备

电感耦合等离子体质谱仪(PE，NexION 300X)，美国珀金埃尔默股份有限公司；电感耦合等离子体发射光谱仪(Thermo，iCAP 6300)，美国赛默飞世尔有限公司；微波消解仪(CEM，XPress)，美国培安公司.

1.3方法

1.3.1样品前处理称取0.5 g左右试样(精确至0.001 g)于微波消解罐中，加2 mL水润湿样品，加5 mL硝酸，静置反应2 h左右，加1 mL过氧化氢，盖好消解罐放入微波消解仪中，根据仪器条件设定最优程序进行消解.冷却后转移定容至25 mL，待测.若样液中待测物质浓度过大，可适当稀释或适当减少取样量.同时做试剂空白试验.

1.3.2仪器条件ICP-MS测量参数：驻留时间(Dwell time)为50 ms；测量通道(Channels)为3；扫描模式(Scan Mode)为Peak Hopping；扫描次数(Sweeps)为30；分析模式为KED；泵速(Peri-pump speed)为24 r/min.其他仪器条件按仪器最佳状态时设置.

ICP-AES测定参数：根据仪器设定条件，调节仪器到最佳工作状态.仪器主要参考条件：波长：铝，308.215 nm；钙，315.887 nm；铁，234.349 nm；钾，769.896 nm；镁，279.806 nm；锰，257.610 nm；铷，780.023 nm；锌，206.200 nm.功率：1 150 W；辅助气流量：0.5 L/min；雾化气：0.70 L/min；最大积分时间：短波范围15 s，长波范围5 s；分析泵速：50 r/min.

2　结果与分析

2.1检测结果

采用ICP-AES测定所有茶叶样本中K、Ca、Mg、Al、Mn、Fe、Zn、Rb、Ti 9 种元素，采用ICP-MS测定所有茶叶样本Pb、As、Cd、Cr、V、Ni、Co、Cu、Sr、Cs、Ba、Se 12 种元素，共计21种元素.结果显示，不同元素之间含量相差很大，K含量很高，都在11 000 mg/kg以上.Mg、Ca含量在1 000～6 100 mg/kg之间，Mn、Al、Fe、Rb、Zn等金属含量稍低，在12～21 200 mg/kg之间，其他元素含量更低，最低的As只有0.014 mg/kg.要从如此大量的数据中分析出各来源茶叶的特征信息，仅靠肉眼显然无法实现.

表2　茶叶中21 种元素检测结果Tab.2　The test results of 21 elements in tea　mg/kg

2.2数据分析

2.2.1主成分分析以191份茶叶的21种元素含量数据进行主成分分析(PCA)，分别将前3个主成分作图，所得图见图1.从图中可见，利用主成分1与主成分2作图，已经有了一定的区分度，可十分直观的观测.对主成分分析而言，前两个主成分所能表达的区分信息最大，本分析中前两个主成分所表达的区分信息达到96.8%.

2.2.2偏最小二乘法(partial least squares，PLS)分析在处理自变量数很大的实际问题时，偏最小二乘法得到的模型由于回归系数个数很多而不够简单.如果能根据PLS建模过程中的一些信息，找到一种删除冗余变量或影响不显著的变量的判据，在保证不损失模型的预报稳定性情况下简化模型，将对分析和处理实际问题有很大的意义.本实验采用厦门大学朱尔一研制的偏最小二乘变量筛选法[24，25]建立模型，实现很高的判别准确率.变量筛选主要通过误差方程计算出每删除特定变量引起的误差变化的大小来选择变量，重新建立预报模型.方法在删除那些对所研究问题影响不大的变量的同时，保证模型的总误差值的增长最小.

误差方程：ΔEi=bi2/1iTR(TTT)-1RT1i，

式中：ΔEi表示删除第i个变量时，模型总误差的增加值，通过不断删除ΔE(i)值为最小的变量达到变量筛选优化的效果；bi为线性模型第i个变量的回归系数矢量；1i为第i个分量为1，其余分量为0的一种特殊矢量；T为正交矩阵；矩阵(TTT)-1为对角矩阵；R是PLS正交分解得到的矩阵.

2.2.3不同产地茶叶元素判别模型分析由于本项目研究的茶叶类别共有10类，一次性建模计算量大，且模型分类效果不佳，目前国内外相关研究也未见到一次开展10类的判别分析.因此，本项目按照茶叶发酵程度建立了两个判别模型，4种绿茶的产地判别模型以及6种半发酵与全发酵茶的产地判别模型，从建模结果来看，两个模型均展示出极佳的区分效果.

将92个绿茶样本的21种元素含量组成92×21维的自变量矩阵X，以4个产地构成目标变量矩阵Y，其中矩阵Y有4列矢量，y1对应于西湖龙井，如果样本为西湖龙井，则取1，否则取0.以此类推：第二列矢量y2对应碧螺春，y3对应庐山云雾，y4对应黄山毛峰.将99个半发酵及全发酵茶样本的21种元素含量组成99×21维的自变量矩阵X，以6个产地构成目标变量矩阵Y，y1对应于凤凰单枞茶， y2对应武夷岩茶，y3对应台湾乌龙茶，y4对应铁观音，y5对应祁门红茶，y6对应普洱茶.

以绿茶模型为例，对上述21个元素进行变量扩维，将各元素含量相除，引入各元素间的非线性项，这样自变量X矩阵中变量个数从21个增加至274个，Y矩阵不变，对X与Y矩阵进行PLS正交分解，采用一般PLS方法建模，所得CR值分别为0.981、0.985、0.992、0.991.再用PLS变量筛选方法对扩维后的大量数据进行处理，据删除冗余变量或影响不显著的变量，使模型得到简化，并在该过程中不损失模型的预报稳定性.以庐山云雾为例，目标变量y5筛选过程中入选自变量数与模型CR值的关系如图2所示.PLS模型信息见表3，CR值较变量筛选前几乎没有变化.按照同样的扩维变量筛选偏最小二乘法建立半发酵与全发酵茶判别模型(见表4)，模型CR值均为0.97以上，这说明该模型也拥有极高的判别准确率.

表3　绿茶元素模型基本参数表Tab.3　Parameters of green tea element model

表4　半发酵与全发酵茶模型元素模型基本参数表Tab.4　Parameters of semi fermented and fermented tea model element model

对所建立的两个茶叶鉴别模型分别使用数据库样品进行自校验，判别准确率为100%.采用绿茶模型的矢量模型y1、y2和y3、y4的拟合值作图，如图3所示，黄山毛峰，碧螺春，庐山云雾和黄山毛峰均显示出很好的分类效果.通常，对于产地模型yi计算出来的该产地样本点估计值大于0.5，则判断正确，否则判错，同时模型计算出来的其他产地样本的估计值小于0.5，则判断正确，否则判错，通过样本总数和判别正确数来计算全部样品实际判别的准确率[21,22].本论文的PLS模型几乎所有茶叶对应的模型计算结果均在0.7～1.3之间，实际判别准确率为100%.

3　结　论

采集了中国十大名茶(包括杭州西湖龙井、苏州洞庭碧螺春、安徽黄山毛峰、安徽祁门红茶、江西庐山云雾、武夷岩茶、安溪铁观音、广东潮州凤凰单枞、台湾冻顶乌龙、云南普洱茶)共191份作为代表样品进行研究，采用ICP-MS、ICP-AES等现代仪器分析技术，对茶叶中的21种无机元素进行测定.以21种元素采用扩维变量筛选偏最小二乘法建立了两个茶叶产地判别模型，模型CR值均大于0.97，模型自校验准确率为100%，判别准确率极高，可有效应用于茶叶产地的判别.

[1]陈波, 靳保辉, 梁宏, 等. 近红外光谱技术与聚类分析鉴别中国名茶[J]. 光谱实验室, 2012, 29(5):2 901-2 905.

[2]石明明, 唐欣, 李晓, 等. 陕西省不同产地绿茶中6种活性成分含量的比较[J]. 食品科学, 2013, 34(8):232-235.

[3]LI Y W, KANG W, HAO C, et al. Geographical tracing of Xihu Longjing tea using high performance liquid chromatography[J]. Food Chemistry, 2014, 146(1): 98-103.

[4]张龙, 潘家荣, 朱诚, 等. 基于近红外光谱的不同发酵类型茶叶判别[J]. 食品科学, 2012, 33(20): 149-152.

[5]周健, 成浩, 曾建明, 等. 基于近红外的多相偏最小二乘模型组合分析实现茶叶原料品种鉴定与溯源的研究[J]. 光谱学与光谱分析, 2010, 30(10): 2 650-2 653.

[6]PEDRO L F C, MARIA J M, FERNANDO P, et al. Differentiation of tea (Camellia sinensis) varieties and their geographical origin according to their metal content[J]. Journal of Agricultural and Food Chemistry, 2001, 49(10): 4 775-4 779.

[7]ANGELES M H, GUSTAVO A G. Pattern recognition procedures for differentiation of Green, Black and Oolong teas according to their metal content from inductively coupled plasma atomic emission spectrometry[J]. Talanta,2001,53(6):1 249-1 257.

[8]康海宁, 杨妙峰, 陈波, 等. 利用矿质元素的测定数据判别茶叶的产地和品种[J]. 岩矿测试, 2006, 25(1): 22-26.

[9]TAMARA S P, JOHN R W, KLITI G. Application of trace element and stable isotope signatures to determine the provenance of tea (Camellia sinensis) samples[J]. Food Chemistry, 2010, 118(4): 921-926.

[10]RUPALI A L, DEVANATHAN A, AMZAD H L, et al. Isotope signature study of the tea samples produced at four different regions in India[J]. Analytical Methods, 2013, 5(6): 1 604-1 611.

[11]LIN J, ZHANG P, PAN Z Q, et al. Discrimination of oolong tea (Camellia sinensis) varieties based on feature extraction and selection from aromatic profiles analysed by HS-SPME/GC-MS[J]. Food Chemistry, 2013, 144(1): 259-265.

[12]张雪波, 肖世青, 杜先锋, 等. 基于主成分分析法的安溪铁观音香气质量评价模型的构建[J]. 食品科学, 2012, 33(22): 225-230.

[13]史波林, 赵镭, 支瑞聪, 等. 应用电子鼻判别西湖龙井茶香气品质[J]. 农业工程学报, 2011, 27(2): 302-306.

[14]张红梅，田辉，何玉静, 等. 茶叶中茶多酚含量电子鼻技术检测模型研究[J]. 河南农业大学学报, 2012, 46(3): 302-306.

[15]余卫娟, 张杰, 殷月芬, 等. 离子色谱法测定茶叶中无机阴离子及其用于茶叶的分类[J]. 理化检验: 化学分册, 2012, 48(3): 272-279.

[16]陈波, 张巍, 康海宁, 等. 茶叶的1H NMR指纹图谱研究[J]. 波谱学杂志, 2006, 23(2): 169-180.

[17]袁玉伟, 张永志, 付海燕. 茶叶中同位素与多元素特征及其原产地PCA-LDA判别研究[J]. 核农学报, 2013, 27(1): 47-55.

[18]LIANG M, PATRIC L, MIKKEL B, et al. Tea classification and quality assessmentusing laser-induced fluorescence and chemometric evaluation[J]. Applied Optics, 2012, 51(7): 803-811.

[19]宁井铭, 宛晓春, 张正竹, 等. 近红外光谱技术结合人工神经网络判别普洱茶发酵程度[J]. 农业工程学报, 2013, 29(11): 255-260.

[20]马燕红, 张生万, 李美萍, 等. 清香型白酒酒龄鉴别的方法研究[J]. 食品科学, 2012, 33(10): 184-189.

[21]朱尔一, 林燕, 庄赞勇. 偏最小二乘变量筛选法在毒品来源分析中的应用[J]. 分析化学, 2007, 35(7):973-977.

[22]王丙涛, 陈波, 涂小珂, 等. 葡萄酒中元素分布与其原产地关系的分类模型[J]. 食品科学, 2013, 35(2):61-64.

责任编辑：朱美香

Regional Discrimination of 10 Kinds of Chinese Famous Tea by Multi-element Analysis

CHENBo*,YANZhi,ZHAOXu,WUHao,WANGBing-tao,JINBao-hui,ZHAOQiong-hui,WANGHong-ju,XIELi-qi

(Shenzhen Key Laboratory of Detection Technology for Food Safety,Shenzhen Entry-Exit Inspection and Quarantine Bureau, Shenzhen 518067 China)

The research set up a regional discrimination method for 10 kinds of Chinese famous tea by combination multi-element analysis. 191 different tea from origin place were collected, including West Lake Longjing, Biluochun, Huangshan Maofeng, Keemun Black Tea, Lushan Fragrant, Wuyi Rock Tea, Ti Kuan Yin, Fenghuangdancong, Pu'er tea, Taiwang Oolong tea. The concentrations of 9 elements (K, Ca, Mg, Al, Mn, Fe, Zn, Rb, Ti ) were determined by ICP-AES, and 12 elements ( Pb, As, Cd, Cr, V, Ni, Co, Cu, Sr, Cs, Ba, Se) were determined by ICP-MS. Partial least squares variable selection method was applied in building of 4 green tea model and 6 semi fermented and whole fermenting tea model. The cross-validation correlation coefficient of two tea models were above 0.97, and the self verification accuracy rate was as high as 100%.

tea; inductively coupled plasma-atomic emission spectrometry (ICP-AES); inductively coupled plasma-mass spectrometry (ICP-MS); regional discrimination

2015-12-22

国家质检总局科技计划项目(2013IK180)

陈波(1981-)，男，福建 霞浦人，工程师. E-mail:15207783@qq.com

O657.33

A

1000-5900(2016)01-0061-07