综述：棕榈油厂废弃物：生态改进目标进展与前景综述

本综述系统探讨了近红外光谱（NIRS）技术在橄榄油感官属性预测与商业分类中的应用，提出了一种结合定性（PLS-DA、随机森林）与定量（PLSR）模型的逐步分析策略，验证了便携式设备与台式仪器性能相当（RPDp 1.12–1.57），为中小生产者提供了低成本、透明化的质量控制工具，有效补充了官方感官评审方法（Panel Test）。

　　

引言

橄榄油作为全球重要的农产品，其商业分类依赖于官方感官评审方法（Panel Test），该方法虽标准化但存在样本通量低、成本高及专业人员依赖性强等局限。近年来，近红外光谱（NIRS）技术因快速、无损、环保的特点，被逐步应用于橄榄油的化学与感官参数分析。本研究通过整合定性与定量建模策略，探索NIRS预测橄榄油感官属性（如果味、苦味、辛辣味及缺陷）并支持其商业分类的潜力，旨在为行业提供可扩展的辅助工具。

材料与方法

样品集

研究包含488个橄榄油样本，采集自西班牙科尔多瓦地区2021–2023产季，涵盖Picual、Hojiblanca等主要品种，确保感官谱的广泛变异性。样本包括特级初榨（EVOO）、初榨（VOO）和灯油（LOO）三个商业类别。

感官分析

感官评审由西班牙Citoliva基金会的专业评审组执行，遵循欧盟委员会授权条例（EU）2022/2104标准。12名训练有素的评审员独立评估样本，记录果味、苦味、辛辣味及缺陷强度，最终以中值确定感官剖面并分类样本。

光谱采集

使用三种NIRS仪器：

1. 1.

   便携式MicroNIR? Pro 1700（908–1676 nm），分辨率为6.2 nm；

2. 2.

   低成本便携式AlbaNIR-M-T1（950–1650 nm），分辨率为2 nm；

3. 3.

   台式NIRS? DS2500（400–2500 nm），分辨率为0.5 nm。

   样本均以透射或反射模式测量，重复扫描取平均光谱以优化信噪比。

数据处理

基于Python环境开发化学计量学模型。首先通过主成分分析（PCA）结合标准正态变量（SNV）、去趋势（DT）和Savitzky–Golay导数（SG1/SG2）预处理光谱数据，识别并排除光谱异常值（GH > 3）。样本按光谱距离结构化分为校准集（N=388）与验证集（N=100）。

建模采用逐步策略：

1. 1.

   定性分类：使用偏最小二乘判别分析（PLS-DA）和随机森林（RF）分类器，首先依据果味存在与否区分LOO与非LOO样本，再基于缺陷强度（≤3.5为VOO）区分EVOO与VOO；

2. 2.

   定量预测：针对非LOO样本，采用偏最小二乘回归（PLSR）预测果味、苦味和辛辣味强度。模型性能通过正确分类率（CCR）、交叉验证标准误差（SECV）和预测残差偏差（RPD）评估。

结果与讨论

光谱特征

三种仪器在重叠波段（950–1650 nm）均显示典型橄榄油吸收谱，特征峰对应于C–H和O–H官能团的倍频与合频振动。台式DS2500因覆盖可见光区（400–2500 nm），可检测色素（如类胡萝卜素）及脂肪酸结构相关波段，提供更丰富信息。

模型性能

• •

  定性模型：

  • •

    果味存在分类中，DS2500的CCR达98%，便携式MicroNIR和AlbaNIR分别为94%和95%，无显著差异（P>0.05）；

  • •

    缺陷分类时，DS2500与MicroNIR的CCR均为88.89%，AlbaNIR为82.54%，但EVOO与VOO因化学相似性导致分类难度增加，边界样本需设置±0.05容差区间标识不确定性。

• •

  定量模型：

  • •

    PLSR预测中，DS2500的RPD_cv为1.43–1.66（r2_cv=0.51–0.64），AlbaNIR表现相近（苦味RPD_p=1.57），而MicroNIR预测能力较弱（RPD_p≈1.0）；

  • •

    预测误差较小（相对误差0.10–0.23），但因感官主观性及类别间变异性窄，模型仅具中等预测能力，适用于区分高、中、低强度样本。

仪器比较

低成本便携设备AlbaNIR在多数任务中与台式DS2500无显著差异，凸显其现场应用的潜力，尤其适合中小生产者的质量控制场景。

结论

本研究验证了NIRS技术作为橄榄油感官分类辅助工具的可行性，通过多模型集成策略提升了分类效率与可及性。便携设备的性能对标高端仪器，为行业提供了经济、透明的解决方案，虽不能替代官方感官评审，但可作为其有效补充，推动质量控制的数字化与标准化进程。