深度学习增强型ICP-AES结合多元金属元素分析实现绿茶产地与等级的双重精准鉴别

为解决绿茶市场存在的产地与等级掺假问题，研究人员创新性地将电感耦合等离子体原子发射光谱(ICP-AES)与反向传播神经网络(BPNN)相结合，开发出同时鉴别绿茶产地(准确率92.59%)和等级(88.89%)的方法，并通过SHAP模型可视化解释关键元素贡献，为食品真实性认证提供新范式。

　　

在全球茶叶贸易蓬勃发展的背景下，绿茶因其独特风味和健康功效成为消费量最大的饮品。然而，不同产地和等级的绿茶在外观、口感上高度相似，却存在显著价格差异——顶级龙井茶每公斤可达数万元，而普通品仅数百元。这种价差催生了以次充好的市场乱象，传统鉴别方法如感官评审受主观影响大，近红外光谱等技术对细微等级差异的识别准确率不足80%，亟需建立客观精准的双重认证体系。

山东高校的研究团队在《Food Research International》发表突破性研究，通过采集131份龙井茶样本（涵盖西湖、钱塘两大产区和TG至AAA五个等级），采用ICP-AES测定Al、Ca等7种特征元素含量，构建包含两个隐藏层的BPNN模型。关键技术包括：1) ICP-AES多元素同步检测（检测限达mg/kg级）；2) 基于SHAP值的特征优化（优于传统PCA）；3) 神经网络参数调优（学习率0.01，迭代500次）。

【Tea origin identify】
通过元素指纹分析发现，西湖产区土壤富Fe（平均423 mg/kg）而钱塘富Ca（2974 mg/kg），BPNN据此实现92.59%的产地判别准确率，显著高于LDA方法的85.2%。

【Grade discrimination】
SHAP分析揭示Mn和Zn是等级区分关键元素，AAA级茶Mn含量（82.3±6.7 mg/kg）较TG级高31%，优化后的模型将等级识别率提升至88.89%，较未优化前提高7.4个百分点。

【Model interpretation】
SHAP力场图直观显示Ca对西湖产地判别的正向贡献度达0.67，而PCA降维后特征可解释性降低，证实深度学习与可解释AI结合的独特优势。

该研究首次实现茶叶"地理标志-品质等级"的一体化智能鉴别，建立的ICP-AES-BPNN-SHAP技术框架可扩展至普洱茶、岩茶等品类。尤其值得注意的是，模型对仅相差1-2个嫩梢采摘位置的等级差异仍保持83%以上识别率，这对规范茶叶市场、保护地理标志产品具有重要实践意义。未来通过纳入Sr同位素等新指标，有望将准确率进一步提升至95%以上。