可见-近红外光谱结合机器学习实现红美人柑橘多任务分析：地理溯源与抗氧化成分定量

推荐：本研究针对红美人柑橘地理标志产品造假及抗氧化成分差异问题，采用可见-近红外光谱（Vis-NIR）结合机器学习（FFNN/XGBoost等），实现地理起源识别（准确率88.7%，AUC 0.943）与抗氧化成分（AA/TP/TF，R2达0.806–0.875）同步检测，为水果品质评估与产地鉴别提供高效解决方案。

　　

红美人柑橘作为中国地理标志（GI）产品，因浙江象山和四川丹棱产区的特殊品质备受市场青睐，但高溢价也催生了非GI产品冒充GI的乱象。同时，其富含的抗坏血酸（AA）、总酚（TP）和总黄酮（TF）等抗氧化成分，对人体健康至关重要，却因产地气候土壤差异而含量悬殊。传统检测方法如色谱-质谱虽精准但耗时耗材，难以满足大规模需求。在此背景下，江南大学的研究团队创新性地将便携式可见-近红外光谱（Vis-NIR）与机器学习结合，首次实现柑橘地理溯源与成分定量的同步分析。

研究采用242份来自五省产区的红美人柑橘样本，通过Savitzky-Golay平滑和Boruta算法优化数据，对比了偏最小二乘（PLS）、决策树（DT）、XGBoost和前馈神经网络（FFNN）等模型性能。其中FFNN表现最优：地理分类准确率达88.7%，各类别误判仅1–2例，AUC值0.943；抗氧化成分定量中，AA（R²=0.875）、TP（R²=0.856）和TF（R²=0.806）的预测效果显著。

样本收集与光谱采集
样本直接取自五省核心产区以确保真实性，使用台式Vis-NIR设备获取光谱数据，配套测定AA、TP、TF含量。

抗氧化成分分析
数据显示不同产地成分差异显著（图2A-C），印证地理因素对活性物质积累的影响。

模型构建与优化
Savitzky-Golay预处理提升分类效果，面积归一化（AN）优化回归模型；Boruta算法筛选特征波长后，FFNN综合性能超越传统PLS线性模型。

结论与意义
该研究突破传统单任务检测局限，建立的高精度多任务分析体系可应用于水果品质监控与产地防伪。FFNN模型兼具分类与回归优势，为行业提供快速、无损的解决方案，对保障GI产品信誉和消费者权益具有重要实践价值。论文发表于《Food Chemistry》，得到国家自然科学基金（32372421等）及江西省双创团队项目支持。