综述：基于机器学习和先进溯源技术识别大米掺假、减少不公及提升消费健康的策略

这篇综述系统评述了光谱（NIR/FTIR/HSI）、质谱（GC-MS/ICP-MS）等分析技术结合机器学习（PLS-DA/深度学习）在大米溯源中的应用，揭示了地理标志识别准确率超80%的技术优势，为打击食品欺诈（food fraud）和保障营养安全提供了创新解决方案。

　　

常见机器学习方法

机器学习通过从海量数据中提取目标特征，实现食品属性的定性与定量分析。监督学习（如PLS-DA）和非监督学习（如PCA）构成两大核心方法，其中随机森林（RF）和卷积神经网络（CNN）在复杂数据建模中表现突出。

色谱技术

色谱法通过固定相与流动相的相互作用分离化合物，气相色谱-质谱联用（GC-MS）和液相色谱（HPLC）可精准检测大米中挥发性有机物与脂肪酸，为品种鉴别提供分子指纹。

质谱技术

同位素比值质谱（IRMS）和电感耦合等离子体质谱（ICP-MS）能捕捉环境因子（如温度、水分）在大米中的同位素特征差异，成功区分五常大米等地理标志产品，准确率达85-92%。

挑战与未来展望

当前技术面临高维数据整合与跨平台标准化的挑战。未来需构建多模态数据库，结合迁移学习提升模型泛化能力，同时开发便携式光谱设备实现田间快速检测。

结论

质谱技术在地理溯源中优势显著，而近红外光谱（NIR）更适合品质监控。深度学习模型在非线性关系解析上超越传统方法，为全产业链质量监管提供新范式。

作者贡献声明

第一作者Shijie Shi负责核心框架设计与初稿撰写，通讯作者Yunbo Zhang统筹资源与终稿修订，团队多位成员参与数据验证与技术评估。

缩略语表

EA-IRMS（元素分析-同位素比值质谱）、HPLC（高效液相色谱）、HSI（高光谱成像）等技术缩写贯穿全文。

利益冲突声明

所有作者声明无利益冲突。

致谢

研究受国家重点研发计划（2022YFD2301004）和湖北省现代农业产业技术体系（2023HBSTX4-01）资助。