基于FTMIR光谱预处理与机器学习的摩洛哥皮肖林橄榄油品质多参数精准预测研究

本研究针对传统橄榄油品质检测方法耗时耗力、主观性强等问题，开发了基于中红外光谱（FTMIR）结合随机森林（RF）和XGBoost算法的快速预测模型。通过系统评估基线校正、归一化、平滑和一阶导数变换四种预处理策略对324个皮肖林橄榄油样本关键指标（TPC、TFC、DPPH、类胡萝卜素）的预测效果，发现平滑处理显著提升总酚含量预测精度（XGBoost R2=0.96），一阶导数优化黄酮预测（R2=0.93）。研究为工业化无损检测提供了可靠技术方案，对食品质量控制与认证体系具有重要实践价值。

　　

橄榄油作为地中海饮食的核心成分，其品质直接关系健康效益和市场价值。然而，传统检测方法如福林-肖卡试剂法测定总酚含量（TPC）、铝盐比色法测定总黄酮（TFC）等，不仅需要破坏样本，还涉及繁琐的化学步骤和专业人员操作。更棘手的是，当前主流研究多聚焦欧洲品种如阿尔贝吉纳（Arbequina），而对占摩洛哥全国橄榄园65%以上的皮肖林（Picholine Marocaine）这一重要经济品种的关注严重不足。

为破解这些难题，Lahcen Hssaini团队创新性地将中红外光谱（Fourier Transform Mid-Infrared, FTMIR）技术与机器学习相结合。研究采集324个冷榨皮肖林橄榄油样本，在350-4000 cm^-1光谱范围获取分子振动指纹，系统比较了原始数据与四种预处理策略（基线校正、L2归一化、Savitzky-Golay平滑、一阶导数变换）对模型性能的影响。通过5折交叉验证和20%独立测试集的双重验证框架，揭示了光谱预处理与算法特性的深度耦合规律。

关键技术方法包括：使用Bruker Alpha II光谱仪采集ATR衰减全反射光谱（分辨率4 cm^-1）；采用Fol