基于多源数据融合与机器学习相结合的地理标志大米的多尺度地理来源歧视:潘金大米的案例
Qin Wang1, Yangyang Lu2, Changyan Zhou2
1Institute for Agro-Food Standards and Testing Technology, Laboratory of Quality and Safety Risk Assessment for Agro-products (Shanghai), Ministry of Agriculture and Rural Affairs, Shanghai Academy of Agricultural Sciences, 1000 Jingqi Road, Shanghai 201403, PR China; Institute of Quality Standard and Testing Technology for Agro-Products, Key Laboratory of Agro-food Safety and Quality of Ministry of Agriculture and Rural Affairs, Chinese Academy of Agricultural Sciences, Beijing 100081, PR China.
Food research international (Ottawa, Ont.)
|March 12, 2026
概括
这项研究开发了地理标志 (GI) 米来源认证的多尺度可追溯性模型. 整合多种技术和数据融合实现了跨不同空间尺度的高精度认证.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 数据科学数据科学数据科学
背景情况:
- 越来越多的欺诈行为需要对地理标志 (GI) 产品进行强有力的认证.
- 由于欺诈行为,越来越难以验证大米的来源.
研究的目的:
- 开发一个多尺度可追溯性模型,用于验证标志性地标大米的来源.
- 评估各种分析技术和数据融合用于地理身份验证的有效性.
主要方法:
- 开发了一种综合稳定同位素分析,近红外光谱 (NIRS),矿物元素分析和代谢学的多尺度可追溯性模型.
- 采用机器学习算法,包括线性差异分析 (LDA),用于分类.
- 利用中级数据融合来结合矿物元素和代谢概况.
主要成果:
- 基于NIRS的模型显示,在省际规模上存在优越的歧视 (LDA准确率为88.5%).
- 稳定同位素和NIRS模型在省内规模 (宁省) 实现了100.0%的准确性.
- 矿物元素和代谢学数据的融合使得市级可追溯性强,准确度为100.0%.
结论:
- 灵活的多技术方法对于高精度的地理身份验证至关重要.
- 数据融合显著提高了在更细微的空间尺度上的可追溯性.
- 开发的模型提供了一个强大的解决方案,用于在不同的尺度上验证GI大米的来源.
