关于Mytilus galloprovincialis (地中海) 的食品真实性模型:探索性研究

科学领域:

• 海洋生物学 海洋生物学
• 食品科学 食品科学 食品科学
• 分析化学 分析化学

背景情况:

• 确定地理原产地对于防止海鲜欺诈,食品安全和可持续资源管理至关重要.
• 贝类原产地验证是复杂的,因为全球的农业实践和贸易.

研究的目的:

• 评估机器学习 (ML) 模型与微量元素指纹 (TEF) 和稳定同位素比率分析 (SIRA) 结合的有效性,以确定的地理来源.
• 使用元素和同位素数据评估不同ML算法 (随机森林,支持矢量机器,人工神经网络) 的预测准确性.

主要方法:

• 分析了14种微量元素和碳/同位素比率的贝和组织.
• 来自全球八个地区和十个地点的数据被用于训练和测试ML模型.
• 模型是使用单个或组合数据集开发的,包括通过随机森林进行变量选择.

主要成果:

• 随机森林和人工神经网络模型在预测贝地区和位置方面实现了100%的准确性.
• 微量元素指纹 (TEF) 数据,特别是与ML相结合时,被证明是非常有效的.
• 稳定同位素比率分析 (SIRA) 模型显示,与TEF相比,预测准确度较低.

结论:

• 机器学习模型,特别是随机森林和人工神经网络,对于确定的地理来源非常有效.
• 与ML相结合的TEF为贝的可追溯性提供了一个强大的解决方案,增强了食品安全和可持续性.
• 这种方法对打击海鲜欺诈和支持全球水产养殖管理具有重大影响.