基于ICP元素谱与化学计量学解码枳椇子地理溯源：机器学习模型助力农产品真实性鉴别

本文推荐一项基于电感耦合等离子体技术（ICP-OES/ICP-MS）结合化学计量学（OPLS-DA、LDA）的创新研究，通过分析60种无机元素建立枳椇子（Hovenia dulcis）地理溯源模型。该模型实现中韩产地区分准确率达100%，为保护本土产业、规范标签标识提供可靠技术支撑（VIP≥1，R2=0.956）。

　　

Highlight

通过ICP-OES/ICP-MS元素分析结合多元统计方法，成功构建了枳椇子地理溯源的高精度鉴别模型。研究发现25种关键判别元素（VIP≥1），其中钙（Ca）、铑（¹⁰³Rh）、镥（¹⁷⁵Lu）对中国产地贡献显著，而硼（¹¹B）和锶（⁸⁸Sr）则是韩国产地的特征指标。线性判别分析（LDA）显示组间距离高达19，证实模型具有极强的区分能力。

分析七种主要无机元素的ICP-OES结果

使用ICP-OES对中韩样品中的7种元素（Al、P、S、Mg、Ca、Na、K）进行定量，发现钾（K）含量最高（韩国67,710.341 μg/kg，中国74,189.02 μg/kg）。韩国样品元素浓度排序为K > Ca > P > S > Mg > Na > Al，而中国样品中钠（Na）含量最低（69.61 μg/kg）。元素分布模式清晰反映两地生长环境的差异。

结论

本研究通过机器学习（如SHAP、LDA）与多元分析（PCA、PLS-DA、OPLS-DA）结合无机元素谱，建立了枳椇子地理溯源的可靠方法。模型分类准确率达96–100%，其中25种元素对产地判别具有决定性作用。该技术为农产品真实性认证、消费者权益保护及监管监测提供了超越传统形态学方法的创新解决方案。