《Food Analytical Methods》：Classification of Raw A?ai (Euterpe oleracea Mart.) Fruits from Upland and Lowland Environments Using Portable Near-Infrared Spectroscopy
编辑推荐：
近红外光谱（NIR）结合化学计量学被应用于根据土壤环境对Euterpe oleracea（阿萨伊果）进行分类。研究人员使用手持式近红外光谱仪分析生果样品。参考数据证实了不同土壤环境间的成分差异，最具判别力的近红外区域与水分、酚类物质和脂质相关。判别模型优于单类
近红外光谱（NIR）结合化学计量学被应用于根据土壤环境对Euterpe oleracea（阿萨伊果）进行分类。研究人员使用手持式近红外光谱仪分析生果样品。参考数据证实了不同土壤环境间的成分差异，最具判别力的近红外区域与水分、酚类物质和脂质相关。判别模型优于单类模型。偏最小二乘判别分析（PLS-DA）和支持向量机判别分析（SVM-DA）提供了完美或近乎完美的分类（F1=0.97–1.00），证实了潜变量和基于核的策略的泛化能力。变量选择提高了模型可解释性而不降低准确性。单类模型，如软独立类比建模（SIMCA和DD-SIMCA）以及单类偏最小二乘（OCPLS），对高地果实表现出更广泛的变异性，反映了更大的类内化学多样性。手持式近红外结合多变量分类为通过土壤环境区分阿萨伊果提供了一种快速、可靠且可持续的分析方法，为阿萨伊生产链中的产地验证和质量控制提供了有前景的工具。
**论文解读：基于便携式近红外光谱的高地与低地生阿萨伊果分类研究**
**研究背景与目的**
阿萨伊果（*Euterpe oleracea* Mart.）作为亚马逊地区特有的“超级水果”，因其富含酚类物质、花青素及脂质而具有高抗氧化活性和营养价值。该物种天然生长于低地洪泛区，但也可在高地旱地中栽培。两种土壤环境在水分、养分及胁迫因素上存在显著差异，直接影响果实的化学成分（如脂质、花青素含量）和品质参数。然而，传统化学分析方法耗时且具破坏性，难以满足大规模质量控制和产地溯源的需求。近红外光谱（NIR）作为一种快速、无损、环保的技术，已在水果品质评估中得到广泛应用，但针对土壤环境作为主要分类因子的研究尚属空白。本研究旨在首次评估便携式NIR光谱仪结合化学计量学方法，对来自高地与低地环境的生阿萨伊果进行快速分类，并验证其用于产地验证和质量控制的可行性。
**关键技术方法**
研究人员采用手持式NIR光谱仪（PHAZIR?，1600–2400 nm）采集113个生阿萨伊果样品（59个低地、54个高地，来自巴西Pará州和Maranh?o州）的表面漫反射光谱，每个样品100条光谱取平均。光谱预处理采用标准正态变量（SNV）以消除散射效应。分类策略包括判别分析（线性判别分析LDA、K近邻KNN、偏最小二乘判别分析PLS-DA、支持向量机判别分析SVM-DA）和单类建模（软独立类比建模SIMCA、数据驱动SIMCA DD-SIMCA、单类偏最小二乘OCPLS）。变量选择采用连续投影算法（SPA）、区间偏最小二乘（iPLS）和变量重要性投影（VIP）。分类性能通过敏感度、特异度、错误率、精确度和F1分数评估，并用独立测试集验证。
**研究结果**
**Reference Analyses of A?ai Samples（参考分析）**
对97个样品（排除两个采样点）进行理化分析，结果显示低地果实的果汁产量和总脂质含量显著高于高地（p<0.05），而平均果重和总花青素含量无显著差异。低地采样点（如Meru-ú和Abaetetuba）脂质含量最高（52.58%和50.24%），高地采样点（Governador Nunes Freire）最低（41.04%）。这些成分差异为NIR光谱判别提供了化学基础。
**NIR Spectra and Principal Component Analysis（NIR光谱与主成分分析）**
经SNV预处理后的NIR光谱显示，主要吸收带位于1940 nm（水O-H组合）、1700–1800 nm（C-H一级倍频）、2254–2322 nm（O-H/C-H组合，与花青素和酚类相关）。主成分分析（PCA）前两个主成分解释92.49%方差，PC1方向明显分离了高地与低地样品，表明土壤环境对光谱变异有显著贡献。载荷图显示判别波长集中于1878、2026 nm（酚类C=O/O-H组合）、1927 nm（水与酚类O-H组合）及1674、2315 nm（脂质C-H倍频与组合），证实判别信息源于水分、脂质及酚类成分差异。
**Classification of A?ai Fruits Using NIR Spectroscopy（NIR光谱分类）**
变量选择算法（SPA、iPLS、VIP）一致选出三个主要光谱区域：1600–1800 nm（脂质C-H）、1850–2050 nm（水与酚类O-H/C=O）、2050 nm以上（脂质与酚类C-H组合），强调了脂质、水分和酚类在分类中的化学意义。
- **Training Set Performance（训练集性能）**
交叉验证显示，PLS-DA和SVM-DA表现最优：PLS-DA配合iPLS获得敏感度和特异度均>0.93，F1≈0.94；SVM-DA配合VIP或iPLS也达到类似水平。KNN和LDA表现较差，LDA-SPA的F1=0.94但线性边界可能不足以捕捉高地果实的变异。单类模型中DD-SIMCA和OCPLS在多数配置下达到完美敏感度（1.00），但经典SIMCA表现稍逊。变量选择中iPLS和VIP在不降低准确率的前提下提升了可解释性，而SPA因过于严格有时导致性能下降。
- **Independent Test Set Performance（独立测试集性能）**
独立验证证实PLS-DA和SVM-DA的泛化能力：PLS-DA在全谱、VIP和SPA下均达到完美分类（F1=1.00），iPLS下F1=0.97；SVM-DA也实现完美或近乎完美判别。LDA-SPA同样达到100%正确率。KNN在全谱和VIP下表现良好（F1=0.94），但iPLS和SPA下敏感度降低。单类模型中，DD-SIMCA对低地类表现较好（VIP下F1=0.84），但对高地类敏感度较低，反映了高地果实更高的类内化学多样性。
**Comparative Discussion of Discriminant and One-class Classification Strategies（判别与单类策略的比较讨论）**
多种化学计量学方法的结果收敛表明，高地/低地分离在NIR光谱域中具有明确的化学定义，脂质、酚类和水分差异是主导因素。PLS-DA和SVM-DA因能捕捉潜变量和核空间中的系统性化学变异而最为可靠，PLS-DA更具可解释性，SVM-DA更灵活。单类模型虽在本次研究中预测性能较低，但在真实性验证等场景中仍有价值，因为能识别未知来源的样本。研究同时指出，数据集来自单一产季，未来需扩大样本范围以增强模型鲁棒性。
**总结讨论与结论**
讨论部分强调，本研究首次通过便携式NIR光谱成功区分了高地与低地环境的阿萨伊果，并揭示了脂质、酚类和水分差异是光谱判别的主要化学基础。判别模型（PLS-DA和SVM-DA）在独立验证中达到完美或近乎完美分类，变量选择（iPLS和VIP）突出了1700–1800、1850–2050和2250–2320 nm三个关键区域，与脂质和酚类成分吸收吻合。单类模型（DD-SIMCA和OCPLS）虽表现较低，但对真实性验证仍有应用前景。整体而言，该工作建立了一个稳健且可转移的分析框架，可用于产地验证和质量控制，支持亚马逊地区阿萨伊生产链的可持续实践。
**结论翻译**：作为结论，本研究首次报道了基于NIR对Euterpe oleracea果实根据其土壤环境进行有效分类。便携式NIR与化学计量学建模的结合揭示了高地与低地果实之间清晰的光谱-化学差异，主要与脂质、酚类和水分含量变化相关。在评估的模型中，PLS-DA和SVM-DA达到了最准确和一致的表现，在独立验证中实现了完美判别。它们的成功反映了潜变量和基于核的方法能够捕捉复杂阿萨伊基质中微妙但系统的化学变异。使用iPLS和VIP的变量选择突出了与脂质和酚类化合物主要吸收相关的关键NIR区域（1700–1800、1850–2050和2250–2320 nm），增强了模型的化学可解释性。尽管单类分类器如DD-SIMCA和OCPLS表现出较低的预测性能，但它们对于涉及真实性验证或合规性测试的应用仍然有价值，在这些应用中，目标类必须被识别以对抗未知来源。总体而言，这项工作建立了一个稳健且可转移的分析框架，用于使用便携式NIR光谱基于土壤环境对生阿萨伊果进行快速无损分类。该方法有助于改善阿萨伊生产链中的可追溯性和质量保证，支持亚马逊系统中的工业化和可持续导向实践。
