基于电感耦合等离子体光谱与多元统计分析的韩中两地枳椇无机元素溯源鉴别研究

本研究通过电感耦合等离子体光谱技术（ICP-OES/MS）结合化学计量学分析，建立了韩中两地枳椇（Hovenia dulcis）的地理起源判别模型。该模型通过25种VIP值≥1的无机元素实现100%准确分类，为保护本土产业、规范标签标识及消费者权益维护提供了可靠的技术支撑。

　　

Highlight

本研究通过无机元素分析成功区分韩国与中国产枳椇（Hovenia dulcis）。采用电感耦合等离子体光谱技术（ICP-OES/MS）结合正交偏最小二乘判别分析（OPLS-DA）构建高精度模型（R² = 0.956，Q² = 0.883），筛选出25个关键判别元素（VIP ≥ 1），并实现100%分类准确率。钙（Ca）、铑（¹⁰³Rh）和镥（¹⁷⁵Lu）对中国产样本具负向显著性，而硼（¹¹B）和锶（⁸⁸Sr）对韩国产样本呈正向贡献。线性判别分析（LDA）组间距离达19，证实该方法在食品溯源领域具有高度可靠性。

Analysis of seven main inorganic elements using ICP-OES

通过ICP-OES分析两国样本中7种主要无机元素（铝、磷、硫、镁、钙、钠、钾）。钾元素含量最高（韩国样本67,710.341 μg/kg，中国样本74,189.02 μg/kg），而铝在韩国样本中含量最低（134.29 μg/kg），钠在中国样本中含量最低（69.61 μg/kg）。韩国样本元素浓度排序为：K > Ca > P > S > Mg > Na > Al，中国样本为：K > Ca > P > Mg > S > Na > Al。中韩样本间钙、钠、镁含量存在显著差异（p < 0.05）。

Conclusion

本研究建立了基于无机元素谱的机器学习模型（包含监督与非监督方法），成功实现韩中枳椇地理起源判别。通过ICP-OES/MS定量60种元素，结合多元统计分析（PCA、PLS-DA、OPLS-DA）与机器学习（SHAP、LDA），达成96–100%的分类准确率。在60种元素中，25种被确定为关键判别指标。该研究为食品溯源提供了超越传统形态学方法的科学方案，适用于监管监测、标签合规性验证及消费者权益保护。