以同位素辅助的数据挖掘技术用于在中国市场验证大米的真实性
Syed Abdul Wadood1,2,3, Weixing Zhang4, Yongzhi Zhang1
1State Key Laboratory for Quality and Safety of Agro-Products, Institute of Agro-Products Safety and Nutrition, Zhejiang Academy of Agricultural Sciences, Hangzhou 310021, China.
Food chemistry: X
|October 6, 2025
概括
稳定同位素分析显示,在中国市场上对大米的来源和品种进行了广泛的错误标签. 先进的机器学习模型准确地识别了真实的大米,但在市场样本方面遇到了困难,这表明了大量的标签欺诈行为.
科学领域:
- 食品的真实性和可追溯性
- 农业科学 农业科学
- 分析化学是一种分析化学.
背景情况:
- 准确标记大米的来源和品种对于消费者信任和公平贸易至关重要.
- 稳定同位素分析为地理和品种认证提供了强大的工具.
- 当前的市场实践可能涉及对大米产品的误导.
研究的目的:
- 为了验证在中国市场销售的米的地理来源和品种 (Japonica vs Indica) 的真实性.
- 评估稳定同位素分析的有效性,结合化学测量和机器学习来验证大米.
- 确定大米供应链中潜在的错误标签问题.
主要方法:
- 使用同位素比质谱法 (IRMS) 对碳 (δ13C), (δ15N),氧 (δ18O) 和 (δ2H) 的稳定同位素分析.
- 多变量统计分析,包括主要组件分析 (PCA) 和t分布式静态邻居嵌入 (t-SNE) 用于数据可视化.
- 开发和应用机器学习模型 (kNN,SVM,RF) 用于分类和原产地验证.
主要成果:
- 在真实的田间样本和市场采购的米饭之间观察到显著的同位素差异,这表明了潜在的错误标签.
- 与PCA相比,t-SNE提供了较好的区域和品种分离可视化.
- 机器学习模型在真实样本上取得了高精度,但在市场样本上表现较差,突出了广泛的来源错误标签.
结论:
- 稳定同位素分析是验证大米原产地和品种的可靠方法.
- 机器学习模型,特别是射频模型,对米身份验证具有前景,但需要强大的训练数据.
- 该研究强烈表明,在中国市场上,大米原产地和品种的标签错误普遍存在,需要加强监管监督.
