基于1D-CNN和可解释人工智能的深度化学计量学方法对橄榄油中水-养分关联的回溯审计

《Food Chemistry》：Deep chemometrics for retrospective auditing of the water-nutrient nexus in olive oil via 1D-CNN and explainable AI

　　

•一维卷积神经网络框架在基于傅里叶变换红外光谱分类橄榄油水-营养管理方案时达到97.89%的准确率。•基于物理约束的数据增强方法通过10倍数据集扩展克服了农业"小数据"的限制。•延长至100个epoch的训练将验证损失降低了90%，相较于30个epoch的基线（0.0548 vs. 0.5217）。•梯度显著性映射识别出羰基（1744 cm?1）和CH基团（2922 cm?1）作为可解释的诊断标记。•可解释人工智能为橄榄油农学历史的监管验证提供了化学审计轨迹。

## 引言

全球橄榄油市场在过去十年中经历了重大变革，从一种主要作为区域膳食主粮转变为一个高价值的功能性食品商品。这一转变反映了消费者对橄榄油健康效益意识的提高，特别是其单不饱和脂肪酸和生物活性多酚的浓度（Martín-Peláez等，2023；Rao，2022）。这一转型有着有据可查的历史：橄榄油的欺诈行为（掺入低成本植物油、地理来源错标以及生产类别虚假陈述）在地中海盆地已被报告超过一个世纪，而过去二十年欧洲和国际质量标签法规的收紧（如原产地命名保护制度）逐步将真实性研究的重心从粗加工掺假转向更微妙的生产相关声明，包括有机和水效栽培标签（欧盟委员会，2012；Riggi等，2024）。与此同时，气候波动、水资源短缺和劳动密集型收获实践推高了生产成本，给生产者带来了巨大的经济压力。这些压力加剧了对超越传统植物油脂掺假范畴的复杂欺诈行为的激励，包括对栽培条件的虚假陈述（Meenu等，2019；Riggi等，2024）。监管机构和消费者对橄榄油栽培精确环境条件的透明度要求日益增加，特别关注"水-营养关联"——灌溉和施肥管理方案之间的协同相互作用，从根本上决定最终化学成分和生物活性谱（Ben-Gal等，2011；Dag等，2021）。

农学实践与橄榄油化学之间的关系在机制上已被充分证实。水分胁迫和养分可利用性，特别是氮磷钾（NPK）相互作用，显著调节果实次生代谢，从而改变最终油的脂质谱和氧化稳定性。过量灌溉会稀释关键芳香化合物，同时降低多酚类抗氧化剂浓度，而策略性缺水灌溉则增强富含抗氧化剂的裂环藜芦苷类和黄酮类化合物的合成（Gómez-Rico等，2007；Servili等，2007）。类似地，施肥管理直接影响油酸积累、维生素E含量以及其他决定感官品质和营养价值的生物活性成分（Dag等，2009；Fernández-Hernández等，2010）。然而，一旦提取和处理，这些农学印记便"潜伏"在甘油三酯和次要成分组成的复杂化学基质中，有效地抹去了栽培历史的审计轨迹。这产生了一个关键的科学挑战：传统实验室技术无法在没有直接田间记录的情况下可靠地区分不同农学方案下生产的油，这一情况容易被故意虚假陈述所利用（Aparicio & Aparicio-Ruíz，2000；Medina等，2019）。因此，迫切需要非破坏性、回顾性审计工具来从油的化学成分中解码隐藏的农学特征。

傅里叶变换红外（FTIR）光谱学已成为一种广泛采用的高通量、非破坏性食品分析技术。通过测量宽光谱范围内的红外辐射吸收，FTIR生成全面的"分子指纹"，捕获脂质和次要生物活性成分中官能团的振动特征（Lerma-García等，2010；Rohman & Man，2010）。历史上，这些光谱指纹通过传统化学计量方法如主成分分析（PCA）和偏最小二乘判别分析（PLS-DA）进行解释。虽然这些技术在线性分类任务中表现出实用性，但它们常常无法捕获复杂农学方案中固有的多维非线性相互作用，其中灌溉和施肥效应是协同而非叠加的（Biancolillo & Marini，2018；Brereton & Lloyd，2014）。此外，传统化学计量工作流程需要大量手动预处理，包括基线校正、平滑处理和专家驱动的特征选择，这些步骤会引入主观偏差并可能丢弃对区分至关重要的低振幅光谱信息（Engel等，2013；Rinnan等，2009）。值得注意的是，基于FTIR和NIR的化学计量分类在食用油的掺假和物种真实性鉴定问题中是一个成熟领域：FTIR光谱的正交判别分析据报在区分十种食用油和脂肪方面可达到约98%的准确率（Yang等，2005），而应用于FTIR光谱的PLS-DA或SVM分类器在检测橄榄油与其他植物油掺假方面已达到99–100%的准确率（Jiao等，2025；Malavi等，2023；Rohman & Man，2010）。然而，这些研究解决的是一个根本不同且相对简单的分类问题：区分化学性质不同的油种或大比例掺假浓度。据我们所知，此前没有研究尝试对同一品种内由灌溉与施肥强度组合定义的连续、协同农学空间进行分类，这正是本研究填补的具体空白。

深度学习方法的兴起，尤其是一维卷积神经网络（1D-CNN），代表了光谱数据解释的范式转变。与传统算法不同，1D-CNN使用可学习的卷积滤波器直接从原始光谱向量中提取层次化特征。这种"端到端"学习消除了手动波数选择，使模型能够在无需人工特征工程的情况下识别整个红外光谱中复杂的非线性模式（LeCun等，2015；Schmidhuber，2015）。深度学习在图像识别、自然语言处理和分析化学中的成功应用推动了其在光谱分析中的采用（Goodfellow等，2016；Vermeulen等，2020）。然而，将深度学习应用于农业科学面临一个重大制约：「小数据」问题。深度神经网络通常需要数千个训练样本才能有效泛化，而农业试验由于实验设计限制、成本限制和季节性约束，往往只能产生数百个重复样本（Khaki & Wang，2019；Sharma等，2022）。

本研究通过一个专为审计级油溯源设计的新型三组分框架，弥合了深度学习分析能力与实际农业数据约束之间的技术差距。首先，我们引入基于物理约束的数据增强方法，采用受控高斯噪声注入和光谱基线偏移来人工扩展训练数据集，从而提高模型对仪器漂移和现实世界测量噪声的鲁棒性（支柱1）。其次，我们提出一种通过GPU加速计算优化的定制化1D-CNN架构，设计用于以取证级分类精度区分九种不同的协同水-营养管理方案（支柱2）。第三，我们通过基于梯度的显著性映射整合可解释人工智能（XAI），提供将单个模型预测与特定分子振动联系起来的化学"审计轨迹"，从而确保适用于监管应用的解释性和科学有效性（支柱3）。因此，本研究的创新性在于两方面：(i)据我们所知，首次将目标锁定在对灌溉×施肥农学管理方案进行分类，而非物种或掺假区分——在这项任务中，预期相邻处理之间的鉴别化学差异将比不同油种之间的差异更为微妙；以及(ii)将这种分类与基于显著性的机制性解释相结合，而非仅报告准确率，解决了限制黑箱分类器监管采用的解释性差距（第3.4节进一步发展了这一比较，包括与先前FTIR/NIR-化学计量研究的定量基准对比，见图1，表4）。通过综合神经网络架构设计、领域特定数据增强和可解释性方法的进展，本研究为橄榄油生产历史的回顾性验证建立了一个稳健的框架，在方法学和实践层面为优质食品商品中新兴的农业透明度和供应链真实性标准做出了贡献。

### 实验片段：实验设计与水-营养关联

研究在摩洛哥梅克内斯地区一个具有10年树龄的商业橄榄果园（Olea europaea L. cv. Picholine Marocaine）中连续两个收获季（2023年和2024年）进行，该地区为半干旱环境。果园种植密度为285棵树/公顷（7 × 5 m株行距），土壤有机质含量低（0.8%），中等可用磷（19.9 ppm）和钾（132.1 ppm）。2023年年降雨量为198 mm，2024年为248 mm，因此——

### 模型训练动力学与性能演化

对1D-CNN框架的系统评估包括一个双阶段训练方案，旨在表征收敛动力学、建立性能基线并确定对水-营养管理方案进行取证级分类所需的计算资源。这种从保守的30个epoch基线到优化的100个epoch方案的渐进式方法，使我们能够全面理解训练时长如何影响模型解析微妙差异的能力

### 结论

本研究提出了一个可解释的深度学习化学计量框架，用于利用FTIR光谱和定制化一维卷积神经网络（1D-CNN）对橄榄油的灌溉×施肥（水-营养）管理方案进行回顾性分类。通过结合基于物理约束的光谱增强、优化的CNN训练和基于梯度的显著性分析，该框架成功识别了嵌入在复杂红外光谱中的潜在农学特征，同时——

#### CRediT作者贡献声明
Lahcen Hssaini：撰写——审阅与编辑，撰写——初稿，验证，软件，方法学，形式分析，数据整理，概念设计。

#### 未引用参考文献
Barker and Rayens, 2003; Bázár et al., 2016; Caruana, 1997; Dag, Harlev, Lavee, Zipori and Kerem, 2014; Dag et al., 2011; Dietterich, 2000; Downey, 1996; European Commission, 2020; Fong and Vedaldi, 2017; Geirhos et al., 2020; Geirhos et al., 2018; Guillén and Cabo, 1999; Hastie, Tibshirani and Friedman, 2009; Hendrycks et al., 2019; Hochreiter and Schmidhuber, 1997; Horwitz, 1995; Karoui, Downey and Blecker, 2010; Karunathilaka, Kia, Srigley, Chung and Mossoba, 2018; Luna, da Silva, Pinho, Ferré and Boqué, 2013; Pan and Yang, 2010

#### 利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

Lahcen Hssaini