综述：利用光谱学通过洞察土壤性质来反映农产品的理想属性

《Journal of Agriculture and Food Research》：Utilising Spectroscopy to Reflect Desirable Attributes of Agricultural Products through Insights into Soil Properties

　　

随着对可追溯性和消费者透明度的兴趣日益增长，研究人员探索了通过不同分析方法可靠测量农产品属性的可能性。由此，光谱分析（Spectroscopic Analysis）已证明能够推导出有价值的产地（Provenance）、产品质量（Product Quality）和环境质量（Environmental Quality）的认证指标。本综述比较了光谱技术（Spectroscopic Techniques）在预测这些指标中的表现，以确定哪些技术可能适用于同时预测每个属性。鉴于这些指标与葡萄酒和棉花产品区分的相关性，本综述汇集了以往利用光谱学预测这些特性的研究结果，以强调土壤在推导产地和环境质量属性中的关键作用。本研究主要采用系统方法，通过多种关键词从主要文献库中收集和筛选近期相关文献，并在缺乏足够文献进行比较时偶尔纳入较早的研究。从本综述来看，红外光谱（Infrared Spectroscopy, IR）以及由X射线荧光（X-ray Fluorescence, XRF）和质谱（Mass Spectroscopy, MS）推导的元素浓度已显示出单独推导其中一些指标的独特潜力。元素浓度在评估产地和一系列环境质量参数方面特别有用，而红外光谱在评估产品质量和土壤状况方面更具价值。数据融合（Data Fusion）方法提供了整合每种光谱技术优势的独特潜力，以促进未来研究中所有指标的同时预测。为了实施有效推导农产品环境质量和产地的方法，进一步研究应致力于量化各种土壤性质对作物生产的影响。同时，棉花和葡萄酒文献普遍性的差异表明，需要进一步研究不同光谱技术在棉花纤维分析中的应用。

论文主体部分总结如下：

**1. 引言（Introduction）**
论文指出，可追溯性（Traceability）是消费者关注的核心，其机制已从传统物理检查发展为条形码、射频识别（RFID）及加密技术，并受到ISO标准支持。对于农产品，理想属性可概括为三个关键指标：产品质量（Product Quality）、产地（Provenance）和环境质量（Environmental Quality）。产品质量涵盖风味、成分、营养及安全性；产地涉及产品生长地点（如农田、区域或国家），其评估依赖于土壤和气候的差异；环境质量则关注生长环境状况，通常通过土壤的物理、化学和生物性质反映。本研究旨在确定光谱技术能否量化这些指标，识别土壤与产品间的关系，并推断不同光谱技术组合实现同时预测的潜力。

**2. 综述方法（Review Methodology）**
论文采用系统综述方法，通过学术数据库（如Google Scholar、Web of Science、Scopus和PubMed）检索2010-2025年间文献，关键词包括“MIR”、“NIR”、“XRF”、“Mass Spectrometry”、“Provenance”、“Origin”、“Quality”、“Properties”、“Soil”、“Management”和“Traceability”。初步筛选后，从1776篇文章中剔除与光谱技术、葡萄酒或棉花不相关者，最终纳入20篇棉花文献和35篇葡萄酒文献。文献被分类到各指标和光谱技术下，以支持综述结构。

**3. 理论框架与概念模型（Theoretical Framework and Conceptual Model）**
**3.1 土壤-产品关系（Soil-Product Relationships）**
土壤是作物养分和水分的首要来源，其微生物组成、有机质、pH值、阳离子交换容量（CEC）等性质直接影响植物养分吸收。产品中营养物质的表达取决于土壤养分可用性及植物吸收的交互作用，如Stewart等（2002）发现土壤砂粒含量、永久萎蔫点与小麦蛋白质含量显著相关。在葡萄栽培中，风土（Terroir）概念强调土壤、地形和品种的交互作用，其中土壤pH、活性石灰、水分和钾对葡萄酒感官属性影响最显著。Lu等（2023）的研究表明，高有机质、pH、CEC和养分可能导致葡萄成熟度降低，阻碍风味化合物形成。

**3.2 同土概念与地理独特性（Homosoil Concept and Geographical Distinctiveness）**
同土概念（Homosoil Concept）指出，邻近土壤因相似成土因子（如气候、母质、年龄）而具有相似性，从而形成地理独特性。这种独特性对产地评估至关重要，且可延伸至农产品。尽管土壤样本的产地预测精度通常高于产品样本，但通过识别主要由土壤驱动的产品属性，可最大化区域区分能力。现有研究多限于区域分类，未来应阐明土壤在同土原则中的作用。

**3.3 光谱检测原理（Principles of Spectroscopic Detection）**
光谱学通过测量物质与电磁辐射的相互作用（吸收、发射、散射）来检测元素、同位素和有机化合物。常见技术包括红外光谱（Infrared Spectroscopy, IR）、质谱（MS）、激光诱导击穿光谱（LIBS）和X射线光谱（X-ray Spectroscopy）。技术进步降低了成本和对专业知识的依赖，并推动了与显微镜、高光谱成像、电子传感（如电子鼻、电子舌）及色谱法的融合。光谱学已被广泛用于土壤和农产品分析，结合机器学习算法和大规模光谱库，可同时推导多种属性。

**4. 农产品的光谱技术（Spectroscopic Techniques for Agricultural Products）**
**4.1 红外光谱（Infrared Spectroscopy）**
红外光谱包括中红外（MIR）、近红外（NIR）和短波红外（SWIR），其诊断峰与分子伸缩和弯曲振动相关。MIR和NIR因低成本和高准确性被广泛应用，其中NIR在农业研究中更常见，但MIR因更高灵敏度和更多显著峰而通常预测精度更高。

**4.2 X射线荧光（X-ray Fluorescence, XRF）**
XRF通过X射线激发原子内层电子，产生特征荧光，适用于检测从¹²Mg到⁹²U的无机元素。其元素浓度在产地评估中特别有用，但在农产品分析中应用较少，因无机化合物重要性较低。

**4.3 质谱（Mass Spectrometry, MS）**
MS包括高效液相色谱（HPLC）、同位素比质谱（IR-MS）、电感耦合等离子体质谱（ICP-MS）、飞行时间质谱（TOF-MS）和气相色谱质谱（GC-MS）等。其可精确量化元素浓度、同位素比和有机化合物，在产地评估和产品质量预测中具有独特优势，但操作成本较高。

**4.4 新兴技术（Emerging Techniques）**
新兴技术包括高光谱成像（Hyperspectral Imaging）、显微镜-光谱联用、电子传感（电子鼻、电子舌）、二维液相色谱（2D Liquid Chromatography）、核磁共振（NMR）和表面增强红外光谱（SEIR）等，旨在解决现有技术对复杂属性的预测局限。

**5. 葡萄酒应用（Applications to Wine）**
**5.1 产品质量（Product Quality）**
葡萄酒质量涉及酒精含量、pH、糖分、有机酸、多酚等化学性质，但消费者更关注感官属性（如风味、口感）。红外光谱（IR）对酒精含量、pH、甘油、总酸和总糖的预测R²在0.66-0.99之间，但对游离SO₂和个别酸预测较差（R²<0.6）。XRF和MS在微量元素检测和掺假识别中有用，但很少用于预测其他属性。

**5.2 产地（Provenance）**
葡萄酒产地是风土概念的核心，通过光谱技术广泛研究。XRF和MS的元素浓度分析（如Sr、Ba、Ni、Rb）可区分不同产区，线性判别分析（LDA）分类准确率可达96.43%。MIR的分类准确率为84.7%-97%，优于NIR（76%-91.6%），区域间分类精度通常高于国家间。

**5.3 环境质量（Environmental Quality）**
环境质量主要通过土壤条件反映，包括化学性质（如有机碳、pH、养分）和生物性质（如微生物生物量碳）。光谱技术可可靠预测土壤参数，但葡萄酒环境质量更多通过管理实践（如有机、生物动力法）区分。HPLC和ICP-MS常用于检测多酚和金属浓度差异，MIR对有机葡萄酒的分类准确率为85%。

**6. 棉花应用（Applications to Cotton）**
**6.1 产品质量（Product Quality）**
棉花质量参数包括马克隆值、成熟度、纤维素含量、纤维强度、长度和细度等，通常通过专用设备（如HVI、AFIS）测量。MIR对纤维素含量、结晶度和马克隆值的预测R² > 0.7，但对强度、短纤维含量等预测不稳定。MIR在掺假检测中也有应用，如区分白粉虱蜜露污染。XRF和MS应用较少，但Ca含量可指示未成熟棉花。

**6.2 产地（Provenance）**
棉花产地对于可追溯性和品牌完整性至关重要，但现有研究较少。同位素比质谱（IRMS）可区分不同国家棉花，但样本量小。NIR结合主成分分析（PCA）可区分美国棉花，而XRF和MS的元素浓度（如Pb、Ni、Na、Al、As）结合机器学习（如支持向量机SVM）分类准确率可达87%-100%。红外光谱的潜力有待进一步探索。

**6.3 环境质量（Environmental Quality）**
棉花环境质量研究有限，主要关注有机与常规棉花的区分。MIR和XRF显示有机纤维在3600-3000 cm^-1区域透射峰较低，且金属浓度（如P、K、Fe、Al、Mg）更高。高光谱成像结合NIR可区分有机棉花，但灌溉与非灌溉棉花的比较尚未充分开展。

**7. 比较分析与数据融合（Comparative Analysis and Data Fusion）**
**7.1 比较分析（Comparative Analysis）**
不同光谱技术各有优势：XRF和MS在产地和环境质量评估中有效，红外光谱在产品质量和土壤条件预测中更优。MIR通常优于NIR，但差异较小。NIR在含水样品（如未处理土壤、葡萄酒产地评估）中更稳定。XRF与MS的元素浓度检测精度相当，但XRF成本更低。数据融合可整合多技术优势。

**7.2 数据融合（Data Fusion）**
数据融合方法分为光谱拼接（Spectral Concatenation）和模型平均（Model Averaging）。在土壤分析中，MIR与XRF融合可提高产地和属性预测精度。在葡萄酒中，MIR与MS融合可提升分类准确率（如从83.6%至89.5%）。红外光谱间的融合（如MIR与NIR）改善有限，但结合不同技术（如IR与XRF或MS）效果更显著。

**8. 研究空白与未来方向（Research Gaps and Future Directions）**
棉花光谱分析相对不足，未来应重点关注MIR、NIR、XRF及成像技术的应用，并建立土壤-产品关系。同时需研究土壤性质对作物生产的量化影响，以同时推导产地和环境质量。掺假、管理实践（如有机、灌溉）的区分以及融合产品的检测值得深入探索。其他农产品（如谷物、油料、水果）的光谱分析也应拓展。

**9. 结论（Conclusions）**
红外光谱对产品质量和土壤条件预测有效（MIR优于NIR），XRF和MS对产地和环境质量评估有用。数据融合（如MIR与XRF/MS）有望实现所有指标的同时预测。未来研究应量化土壤-产品关系，并改进消费者对葡萄酒属性的解释。