基于可解释机器学习辅助的中红外光谱技术实现扁形绿茶品质的定性与定量评估

本文推荐：本研究创新性地将中红外光谱(MIR)与可解释机器学习(SHAP)相结合，成功建立了地理标志(GI)龙井茶的溯源模型（SVM准确率97.06%）及关键成分（茶多酚/氨基酸）定量模型（SVR-RMSE 0.78%，CARS-PLSR 0.09%），揭示了2196 cm-1等特征波数的贡献机制，为农产品质量评估提供了绿色高效的解决方案。

　　

Highlight亮点

本研究突破性地开发了结合中红外光谱指纹与机器学习算法的双模式分析平台，不仅实现龙井茶地理标志认证的"光谱身份证"构建，更首次解析了关键波数对品质特征的贡献权重，为茶叶质量智能监控树立了新范式。

Tea samples茶样采集

地理标志(GI)龙井茶样本采自浙江杭州/绍兴的指定产区，涵盖'龙井43'等3个品种、2022-2023两个产季及不同品质等级共50份；非GI对照样本采集自广西/贵州/四川等产区，确保品种和工艺相近性，构建具有地理代表性的样本库。

Detected quality compounds of green tea samples茶叶品质成分检测

通过化学分析发现GI与非GI龙井茶存在显著差异(p < 0.05)：GI样本茶多酚含量较低而氨基酸较高，这种"低酚高氨"的黄金比例造就了其标志性鲜爽口感。主成分分析(PCA)显示两类样本在MIR光谱上呈现明显聚类趋势，暗示光谱指纹可作为地理溯源的分子标记。

Conclusion结论

研究证实MIR光谱结合可解释机器学习能有效追溯扁形绿茶地理起源，其中非线性SVM模型对34份验证样本的鉴别准确率达97.06%；特征波数2196 cm^-1（负向贡献）、1988 cm^-1（茶多酚正向标记）和2181 cm^-1（氨基酸正向标记）被SHAP分析鉴定为关键判别因子，这种"光谱生物标志物"的发现为农产品真伪鉴别提供了新思路。