基于近紅外光譜的安吉白茶溯源模型的建立與驗(yàn)證

廖金燕　洪雪珍　付賢樹(shù)

摘要 [目的]研究安吉白茶源產(chǎn)地追溯方法，建立高識(shí)別率追溯方法。[方法]對(duì)266個(gè)來(lái)自7大源產(chǎn)地產(chǎn)區(qū)安吉白茶和118個(gè)來(lái)自六大茶葉主產(chǎn)區(qū)的非安吉白茶進(jìn)行近紅外光譜檢測(cè)，預(yù)處理方法分別采用SNV和MSC，通過(guò)LDA模型識(shí)別率比較二者優(yōu)劣，并通過(guò)PCA、K-means聚類(lèi)和HCA聚類(lèi)等方法進(jìn)行模型驗(yàn)證。采用SPSS分析聚類(lèi)結(jié)果與樣品地理位置的關(guān)系。[結(jié)果] MSC預(yù)處理效果優(yōu)于SNV，LDA分析模型識(shí)別率可達(dá)100%。模型驗(yàn)證顯示，經(jīng)MSC預(yù)處理后，PCA方法可在前3個(gè)PC下清晰聚類(lèi)，K-means和HCA聚類(lèi)方法都可將266個(gè)產(chǎn)地內(nèi)和118個(gè)產(chǎn)地外樣品成功預(yù)測(cè)出。SPSS聚類(lèi)分析顯示，7個(gè)安吉白茶的聚類(lèi)結(jié)果與樣品采集地的地理位置遠(yuǎn)近存在對(duì)應(yīng)關(guān)系。[結(jié)論] 安吉白茶近紅外光譜經(jīng)MSC預(yù)處理，LDA建?？勺鳛榘布撞柙串a(chǎn)地追溯方法。

關(guān)鍵詞 安吉白茶;近紅外光譜;源產(chǎn)地追溯;數(shù)據(jù)劃分;模型驗(yàn)證

中圖分類(lèi)號(hào) S126文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 0517-6611（2020）13-0224-05

Abstract [Objietive] To study traceability model of Anji white tea and to establish a high origin tracing method. [Methods] 266 real and representive Anji white tea from 7 tea plantations in their original producing areas， as well as 118 nonAnji white tea samples of similar appearance from 6 important tea producing areas， were collected and detected by NIR. For data pretreatment， SNV and MSC were respectively applied to improve the raw spectra. The advantage and disadvantage of the two were compared by the recognition rate of LDA model. Model validation was subsequently verified by PCA， Kmeans and HCA clustering. The SPSS clustering analysis was used to analyze the relationship between clustering results and geographical location of samples. [Results] The effect of MSC pretreatment was significantly better than that of SNV. After MSC pretreatment， the recognition rate of LDA analysis model could be up to 100%. Model verification demonstrated that PCA method with MSC spectra could clear cluster under the first three PCS. For the clustering models， Kmeans and HCA clustering methods could successfully predict 266 Anji white tea and 118 nonAnji white tea from 384 samples. According to the SPSS clustering analysis， there was positive correlation between the clustering results of Anji white teas and the geographical locations of the samples. [Conclusions] The proposed method， which combined NIR and LDA with MSC spectra， can be an feasible identificition method for Anji white tea.

Key words Anji white tea;Near infrared （NIR）;Origin tracing;Data splitting;Model validation

安吉白茶產(chǎn)自浙北安吉縣[1]，是典型地理標(biāo)志產(chǎn)品，雖冠以“白茶”之名，但安吉白茶卻是綠茶。茶葉的品質(zhì)和特征主要受到茶葉種植地理位置的影響[2]，由于經(jīng)緯度、光照、氣候、溫度、濕度等影響，不同種植地的茶葉口感、香味等有很大差異。安吉白茶由于其獨(dú)特的口感而廣受消費(fèi)者的喜愛(ài)，2014年后，安吉縣將1.13萬(wàn)hm2安吉白茶茶園進(jìn)行分級(jí)保護(hù)[3]，這對(duì)保障安吉白茶原產(chǎn)地的真實(shí)性具有重要作用，但隨著安吉白茶銷(xiāo)售量的劇增，摻雜、摻假及以次充好等不良現(xiàn)象屢屢出現(xiàn)，使得安吉白茶的聲譽(yù)受到嚴(yán)重影響。

目前，常用的茶葉源產(chǎn)地追溯方法主要有感官評(píng)價(jià)、滋味因子分析（電子舌、電子鼻等）、氣相色譜法、毛細(xì)管電泳法等[4]。但是這些方法有操作復(fù)雜、儀器昂貴、檢測(cè)時(shí)間長(zhǎng)、前處理麻煩、靈活度低等缺點(diǎn)。近紅外光譜技術(shù)是近年發(fā)展起來(lái)的一種新型特征指紋檢測(cè)技術(shù)，具有快速、無(wú)損、低成本等優(yōu)點(diǎn)。其原理是C—H、O—H、N—H等氫原子團(tuán)的振動(dòng)包含了樣品分子結(jié)構(gòu)和成分信息，通過(guò)倍頻、頻合、頻差疊加等方法檢測(cè)氫原子團(tuán)的振動(dòng)，從而確定樣品的物理性質(zhì)和化學(xué)成分[5]。

應(yīng)用化學(xué)計(jì)量學(xué)對(duì)近紅外光譜進(jìn)行建模分析，已廣泛應(yīng)用在產(chǎn)品化學(xué)成分含量測(cè)定[6-7]、質(zhì)量級(jí)別判定[8]、品種判定[9]及產(chǎn)地鑒別[10-20]等方面?，F(xiàn)有文獻(xiàn)報(bào)道顯示，近紅外光譜技術(shù)在茶葉源產(chǎn)地追溯上的研究對(duì)象主要是綠茶、黑茶和烏龍茶，2018年綠茶的全國(guó)產(chǎn)量約172萬(wàn)t，占茶葉總產(chǎn)量的649%，而目前綠茶研究主要針對(duì)的是西湖龍井、碧螺春、信陽(yáng)毛尖等家喻戶曉的地標(biāo)產(chǎn)品，對(duì)于安吉白茶研究甚少，安吉作為習(xí)總書(shū)記“綠水青山就是金山銀山”科學(xué)論斷的發(fā)祥地，對(duì)作為排頭兵的安吉白茶進(jìn)行源產(chǎn)地追溯研究尤為顯得重要。

筆者以產(chǎn)地內(nèi)、外安吉白茶為研究對(duì)象，基于不同預(yù)處理方法和模式識(shí)別算法對(duì)安吉白茶進(jìn)行源產(chǎn)地追溯分析，茶樣近紅外光譜采用標(biāo)準(zhǔn)正態(tài)變換（Standard Normal Variation，SNV）和多元散射校正（Multiplicative Scatter Correction，MSC）進(jìn)行預(yù)處理，并采用線性判別分析（Linear Discriminant Analysis，LDA）進(jìn)行建模分析判斷SNV和MSC的優(yōu)劣;然后，采用主成分分析（Principal Component Analysis，PCA）、K-means聚類(lèi)分析和層次聚類(lèi)（Hierarchical Cluster Analysis，HCA）分析等不同分類(lèi)算法進(jìn)行模型驗(yàn)證;最后，采用SPSS分析聚類(lèi)結(jié)果與樣品地理位置的關(guān)系。

1 材料與方法

1.1 材料與試劑

以安吉白茶為對(duì)象，共采摘384個(gè)安吉白茶樣品，其中正宗安吉白茶樣品266個(gè)，采集于安吉縣7個(gè)地區(qū)，分別為高禹鎮(zhèn)、遞鋪鎮(zhèn)、上墅鄉(xiāng)、昆銅鄉(xiāng)、良朋鎮(zhèn)、溪龍鄉(xiāng)、梅溪鎮(zhèn);安吉縣外非安吉白茶樣品118個(gè)，采集于6個(gè)地區(qū)，分別為安徽廣德、浙江長(zhǎng)興、湖南永州、浙江湖州、江西瑞金、浙江文成。樣品具體情況如表1所示。

1.2 儀器與設(shè)備

Tensor37 FT-NIR光譜儀（配備InGaAs檢測(cè)器）購(gòu)自德國(guó)Bruker公司。

1.3 方法

1.3.1 樣品原始光譜采集方法。

白茶樣品無(wú)需處理，直接裝于石英管中進(jìn)行檢測(cè)。光譜波數(shù)為12 000～4 000 cm-1，分辨率為8 cm-1，掃描間隔設(shè)置為1.928 cm-1，掃描64次，每條白茶樣品原始光譜中共有4 148個(gè)數(shù)據(jù)點(diǎn)，因此原始數(shù)據(jù)集的大小為384個(gè)樣品×4 148個(gè)變量。所有測(cè)量均在（25±1） ℃室溫下進(jìn)行。

1.3.2 train-test-split數(shù)據(jù)劃分方式。

采用隨機(jī)劃分方式為train-test-split數(shù)據(jù)劃分方式，隨機(jī)劃分方式即隨機(jī)選取產(chǎn)地內(nèi)和產(chǎn)地外樣品的70%為訓(xùn)練集，剩余30%為預(yù)測(cè)集，用于驗(yàn)證模型的準(zhǔn)確性（表2）。

1.4 原始光譜數(shù)據(jù)預(yù)處理方法

近紅外光譜儀掃描得到的光譜數(shù)據(jù)往往含有噪音，這主要由2個(gè)原因造成：一方面受到儀器自身和測(cè)量環(huán)境的影響;另一方面可能來(lái)自于光源自身和樣品基質(zhì)的差異[21]。為了降低上述2種因素對(duì)分析模型的影響、提高分析模型的準(zhǔn)確性和穩(wěn)定性，必須對(duì)近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理。

1.4.1 SNV標(biāo)準(zhǔn)正態(tài)變換。

SNV是一種轉(zhuǎn)換光譜的預(yù)處理方法，通常用于消除散射、噪聲、粒徑和光程變化的多元綜合干擾[22]。在SNV中，每個(gè)頻譜都被標(biāo)準(zhǔn)化為零均值和單位方差。

1.4.2 MSC多元散射校正。

MSC是一種常用的光譜預(yù)處理技術(shù)，用于在建模前去除光譜數(shù)據(jù)矩陣中不希望出現(xiàn)的散射效應(yīng)[23]，還用于補(bǔ)償光譜數(shù)據(jù)中由于不同粒徑的不均勻分布所引起的不均勻散射的影響。其工作原理是將每個(gè)光譜線性化為與校準(zhǔn)裝置的平均光譜相對(duì)應(yīng)的“理想”光譜，而平均光譜主要通過(guò)最小二乘法確定[24]。

1.5 數(shù)據(jù)分析方法

1.5.1 LDA線性判別分析。

LDA通過(guò)標(biāo)記數(shù)據(jù)的線性組合構(gòu)造判別函數(shù)，是一種監(jiān)督方法，主要包括2個(gè)階段：分離和分配。前一階段是尋找能夠很好地將群體分離的判別函數(shù)，后一階段是利用判別函數(shù)將未知對(duì)象賦給其中一個(gè)群體。

1.5.2 PCA主成分分析。

PCA是對(duì)原始變量進(jìn)行線性組合，并用較少的新變量盡可能多地表征原始數(shù)據(jù)的結(jié)構(gòu)特征，這幾個(gè)相互正交的新變量即為主成分[25]。PCA已用于觀察多個(gè)傳感器數(shù)據(jù)集中可能的分組。性能最好的PC通常顯示最重要的信息。因此，相似的樣品彼此之間的分組更接近，反之亦然。

1.5.3 K-means聚類(lèi)分析。

K-means算法的中心思想是給定一個(gè)數(shù)據(jù)庫(kù)和聚類(lèi)數(shù)K，根據(jù)樣品到聚類(lèi)中心的距離將樣品劃分到離它最近的類(lèi)別中，在空間聚類(lèi)算法中有重要的運(yùn)用。

1.5.4 HCA層次聚類(lèi)分析。

HCA是聚類(lèi)算法的一種，其主要原理是通過(guò)計(jì)算2類(lèi)數(shù)據(jù)點(diǎn)間的相似性，將數(shù)據(jù)中最相似的2類(lèi)點(diǎn)進(jìn)行組合，并反復(fù)迭代，創(chuàng)建1棵有層次結(jié)構(gòu)的嵌套聚類(lèi)樹(shù)。

2 結(jié)果與分析

2.1 近紅外光譜分析

圖1顯示了產(chǎn)地內(nèi)、外安吉白茶9 000～4 000 ?/cm波段的原始光譜圖（a）、平均光譜圖（b）以及在不同預(yù)處理方法下（SNV、MSC）的平均光譜圖（c和d）。在9 000～4 000 /cm波段內(nèi)有一些密集的光譜峰，這些峰主要是由C—H、N—H、O—H和C—O鍵的拉伸或變形振動(dòng)產(chǎn)生的，C—H、N—H、O—H和C—O鍵是有機(jī)分子的主要結(jié)構(gòu)成分，而這些振動(dòng)主要是由茶葉中的兒茶素、氨基酸、多酚、生物堿以及一些芳香化合物等成分引起的[26]。

圖1b是產(chǎn)地內(nèi)、外2個(gè)茶葉群組的原始平均光譜圖。圖中顯示，產(chǎn)地內(nèi)、外茶葉樣品的平均吸光度趨于平行，且產(chǎn)地內(nèi)的略高于產(chǎn)地外。在12 000～9 000 cm-1區(qū)域內(nèi)，產(chǎn)地內(nèi)、外茶葉樣品的平均吸光度基本保持不變，產(chǎn)地內(nèi)保持在0.55左右，產(chǎn)地外保持在0.50左右，可認(rèn)為在該波段不包含待測(cè)對(duì)象的有用信息，其靈敏度和信噪比較低[27]，因此該試驗(yàn)將9 000～12 000 /cm的波段排除在外。

由圖1a可知，原始光譜圖較雜亂，需進(jìn)行預(yù)處理。比較圖1c的SNV、圖1d的MSC預(yù)處理后的平均光譜圖與原始平均光譜圖（圖1b）可知，SNV預(yù)處理后產(chǎn)地內(nèi)、外茶葉樣品的平均吸光度趨近，肉眼難以區(qū)分;而經(jīng)MSC預(yù)處理后的平均光譜圖更加接近于原始平均光譜圖，且肉眼可分。對(duì)SNV和MSC預(yù)處理后的數(shù)據(jù)分別進(jìn)行LDA建模分析，進(jìn)一步比較和探討不同預(yù)處理方法的效果。

2.2 LDA區(qū)分產(chǎn)地內(nèi)、外茶葉的結(jié)果

用于分類(lèi)鑒定的模式識(shí)別算法有很多，該試驗(yàn)采用LDA來(lái)建立分類(lèi)模型，主要是因?yàn)長(zhǎng)DA在初始樣品降維中就表現(xiàn)出較好的效果。圖2為L(zhǎng)DA將初始樣品降至二維的結(jié)果圖。從圖2可知，產(chǎn)地內(nèi)、外的茶葉樣品數(shù)據(jù)可以清楚地區(qū)分開(kāi)來(lái)，且LD1 的方差貢獻(xiàn)率高達(dá)100%。

采用LDA建立分類(lèi)模型，隨機(jī)選取樣品的70%作為訓(xùn)練集，用于模型的建立;30%作為預(yù)測(cè)集，用于模型的驗(yàn)證。同時(shí)采用隨機(jī)數(shù)的方法，做50次分析，并取所得準(zhǔn)確度的平均值作為最終的數(shù)據(jù)結(jié)果和評(píng)判標(biāo)準(zhǔn)，具體結(jié)果如下表3所示。由表3可知，SNV預(yù)處理后對(duì)分類(lèi)準(zhǔn)確率并沒(méi)有提升，即其預(yù)處理效果并不明顯，而MSC預(yù)處理后的分類(lèi)準(zhǔn)確率均達(dá)100%，說(shuō)明產(chǎn)地內(nèi)、外樣品數(shù)據(jù)經(jīng)MSC預(yù)處理后可以通過(guò)LDA模型進(jìn)行準(zhǔn)確地區(qū)分。為進(jìn)一步驗(yàn)證MSC和SNV預(yù)處理效果優(yōu)劣差異，通過(guò)PCA、K-means聚類(lèi)和HCA聚類(lèi)等方法進(jìn)行模型驗(yàn)證。

2.3 SNV和MSC在PCA中的效果比較

圖3顯示樣品數(shù)據(jù)經(jīng)SNV和MSC預(yù)處理后在PCA降至三維中的效果圖。由圖3a可知，SNV預(yù)處理后降至三維時(shí)，PC1的方差占比達(dá)到87.88%，PC2的方差占比為8.04%，前2個(gè)主成分的方差占比和高達(dá)95.92%。由圖3b可知，MSC預(yù)處理后降至三維時(shí)，PC1的方差占比達(dá)到89.86%，PC2的方差占比為893%，前2個(gè)主成分的方差占比和高達(dá)98.79%，明顯高于SNV。

從圖3可以看出，經(jīng)過(guò)PCA降至三維可視化后，MSC的結(jié)果非常好，產(chǎn)地內(nèi)、外的樣品能清晰地區(qū)分開(kāi)，而SNV的結(jié)果較模糊。這一現(xiàn)象可以解釋為MSC在該試驗(yàn)中效果更好，具有較強(qiáng)的校正散射效應(yīng)的能力。

2.4 SNV和MSC在K-means和HCA聚類(lèi)分析比較

由圖4可知，SNV預(yù)處理后的聚類(lèi)結(jié)果沒(méi)有MSC預(yù)處理后的結(jié)果好。在SNV預(yù)處理后的聚類(lèi)結(jié)果中，K-means算法預(yù)測(cè)出155個(gè)產(chǎn)地內(nèi)樣品，229個(gè)產(chǎn)地外樣品，分?jǐn)?shù)為470.14，識(shí)別率為42.2%;HCA算法預(yù)測(cè)出221個(gè)產(chǎn)地內(nèi)樣品，163個(gè)產(chǎn)地外樣品，分?jǐn)?shù)為393.60，識(shí)別率為78.6%。而在MSC預(yù)處理后的聚類(lèi)結(jié)果中，K-means算法和HCA算法都成功地將266個(gè)產(chǎn)地內(nèi)樣品和118個(gè)產(chǎn)地外樣品預(yù)測(cè)出來(lái)，分?jǐn)?shù)均為3 492.59，識(shí)別率亦為100%，明顯高于SNV。這同樣驗(yàn)證MSC預(yù)處理在該試驗(yàn)中表現(xiàn)效果較優(yōu)。

2.5 產(chǎn)地內(nèi)樣品SPSS聚類(lèi)結(jié)果與地理位置的關(guān)系

已知產(chǎn)地內(nèi)茶葉樣品主要采集于安吉縣內(nèi)7個(gè)不同的鎮(zhèn)（鄉(xiāng)），包括高禹鎮(zhèn)（15個(gè)樣品）、遞鋪鎮(zhèn)（74個(gè)樣品）、上墅鄉(xiāng)（15個(gè)樣品）、昆銅鄉(xiāng)（72個(gè)樣品）、良朋鎮(zhèn)（15個(gè)樣品）、溪龍鄉(xiāng)（60個(gè)樣品）、梅溪鎮(zhèn)（15個(gè)樣品）。其鎮(zhèn)（鄉(xiāng)）的具體地理位置見(jiàn)圖5。

采用SPSS軟件對(duì)經(jīng)MSC預(yù)處理后的產(chǎn)地內(nèi)茶葉樣品數(shù)據(jù)進(jìn)行聚類(lèi)，聚類(lèi)結(jié)果見(jiàn)圖6。由圖6可知，遞鋪鎮(zhèn)和昆銅鄉(xiāng)明顯聚為一類(lèi)，高禹鎮(zhèn)和良朋鎮(zhèn)明顯聚為一類(lèi)，梅溪鎮(zhèn)和溪龍鄉(xiāng)可大致聚為一類(lèi)，上墅鄉(xiāng)單獨(dú)成一類(lèi)，這與地圖上的鎮(zhèn)（鄉(xiāng)）地理位置的遠(yuǎn)近基本吻合。

根據(jù)上述樹(shù)狀圖可知，可將產(chǎn)地內(nèi)茶葉的7個(gè)采集地聚類(lèi)為3類(lèi)，其中遞鋪鎮(zhèn)、昆銅鄉(xiāng)、高禹鎮(zhèn)、良朋鎮(zhèn)為一類(lèi);梅溪鎮(zhèn)和溪龍鄉(xiāng)為一類(lèi);上墅鄉(xiāng)單獨(dú)為一類(lèi)，具體情況見(jiàn)表4。

3 結(jié)論

該研究對(duì)產(chǎn)地內(nèi)、外共384個(gè)茶葉樣品建立定性模型，進(jìn)行源產(chǎn)地追溯研究，其中產(chǎn)地內(nèi)為正宗安吉白茶，產(chǎn)地外為非安吉白茶茶樣。結(jié)果表明，MSC的預(yù)處理效果明顯優(yōu)于SNV。利用MSC預(yù)處理方法，建立的LDA分類(lèi)模型的準(zhǔn)確率高達(dá)100%，同時(shí)通過(guò)PCA、K-means聚類(lèi)和HCA聚類(lèi)等方法進(jìn)行模型驗(yàn)證，結(jié)果顯示MSC優(yōu)于SNV。經(jīng)MSC預(yù)處理后，PCA方法可在前3個(gè)PC下清晰聚類(lèi)，K-means和HCA聚類(lèi)方法都可將266個(gè)產(chǎn)地內(nèi)和118個(gè)產(chǎn)地外樣品成功預(yù)測(cè)出。對(duì)正宗安吉白茶的7個(gè)茶樣采集地進(jìn)行SPSS聚類(lèi)分析，其聚類(lèi)結(jié)果與采集地的地理位置遠(yuǎn)近有對(duì)應(yīng)關(guān)系。該研究表明，近紅外光譜技術(shù)結(jié)合MSC預(yù)處理和LDA建模能夠很好地運(yùn)用于安吉白茶的源產(chǎn)地追溯，對(duì)保護(hù)安吉白茶的產(chǎn)地真實(shí)性具有重要的作用，同樣可借鑒用于其他地標(biāo)產(chǎn)品的地理位置溯源與保護(hù)。

參考文獻(xiàn)

[1] 韓樹(shù)根.實(shí)施標(biāo)準(zhǔn)化戰(zhàn)略 推進(jìn)茶產(chǎn)業(yè)發(fā)展——安吉縣建設(shè)“全國(guó)茶葉標(biāo)準(zhǔn)化示范縣”歷程[J].中國(guó)標(biāo)準(zhǔn)化，2019（9）：32-35.

[2] ?胡茶根，趙紅霞，邊文亮.近紅外技術(shù)在茶葉快速無(wú)損檢測(cè)方面的研究與應(yīng)用[J].食品科學(xué)，2007，28（10）：638-641.

[3] ?白艷，賴建紅，湯丹.淺談安吉白茶一二三產(chǎn)融合發(fā)展之路[J].中國(guó)茶葉，2018，40（12）：40-42.

[4] ?袁玉偉，胡桂仙，邵圣枝，等.茶葉產(chǎn)地溯源與鑒別檢測(cè)技術(shù)研究進(jìn)展[J].核農(nóng)學(xué)報(bào)，2013，27（4）：452-457.

[5] ?范方媛，楊夢(mèng)璇，龔淑英，等.基于近紅外光譜技術(shù)的白茶3種典型感官滋味特征屬性定量評(píng)價(jià)模型研究[J].茶葉科學(xué)，2018，38（3）：296-304.

[6] ?陳美麗，張俊，龔淑英，等.茉莉花茶主要品質(zhì)成分定量近紅外光譜分析模型的建立[J].茶葉科學(xué)，2013，33（1）：21-26.

[7] ?LI L Q，WEI L D，NING J M，et al.Detection and quantification of sugar and glucose syrup in roasted green tea using near infrared spectroscopy[J].Journal of near infrared spectroscopy，2015，23（5）：317-325.

[8] ?王曼，張正竹，寧井銘，等.基于近紅外光譜的黃山毛峰茶鮮葉品質(zhì)分析及等級(jí)快速評(píng)價(jià)[J].食品工業(yè)科技，2014，35（22）：57-60，64.

[9] ?周健，成浩，葉陽(yáng)，等.基于近紅外的 Fisher 分類(lèi)法識(shí)別茶葉原料品種的研究[J].光學(xué)學(xué)報(bào)，2009，29（4）：1117-1121.

[10] ?CHEN Q S，ZHAO J W，LIN H.Study on discrimination of Roast green tea（Camellia sinensis L.） according to geographical origin by FTNIR spectroscopy an supervised pattern recognition[J]. Spectrochimica acta part A：Molecular & biomolecular spectroscopy，2009，72（4）：845-850.

[11] ?曾智朋，尹春玲，胡樂(lè)乾，等.近紅外光譜結(jié)合SVM識(shí)別4種茶葉[J].河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，34（5）：53-57.

[12] ?顧玉琦，劉瑞婷，壽國(guó)忠，等.應(yīng)用近紅外光譜技術(shù)快速鑒別鐵皮石斛的產(chǎn)地[J].江蘇農(nóng)業(yè)科學(xué)，2016，44（5）：365-368.

[13] ?劉明地，宋萍，王博.基于大葉三七紅外光譜系統(tǒng)聚類(lèi)分析的產(chǎn)地鑒別[J].華中師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，53（2）：222-228.

[14] ?FU X S，YU X P，YE Z H，et al.Analysis of antioxidant activity of Chinese brown rice by fouriertransformed nearinfrared（NIR）spectroscopy and chemometrics[J].Journal of chemistry，2015，2015（4）：1-5.

[15] ?XU L，F(xiàn)U X S，CAI C B，et al.The feasibility of using near infrared spectroscopy for rapid discrimination of aged shiitake mushroom（Lentinula edodes）after longterm storage[J].Journal of chemistry，2015，2015：1-7.

[16] ?FU X S，XU L，YU X P，et al.Robust and automated internal quality grading of a Chinese green tea（Longjing）by nearinfrared spectroscopy and chemometrics[J].Journal of spectroscopy，2013（1）：367-383.

[17] ?HONG X Z，F(xiàn)U X S，WANG Z L，et al.Tracing geographical origins of teas based on FTNIR spectroscopy：Introduction of model updating and imbalanced data handling approaches[J].Journal of analytical methods in chemistry，2019，2019：1-8.

[18] 宋雪健，錢(qián)麗麗，張東杰，等.基于漫反射傅里葉變換近紅外光譜技術(shù)對(duì)不同年份的大米產(chǎn)地溯源檢測(cè)[J].食品科學(xué)，2017，38（18）：286-291.

[19] ?TEYE E，AMUAH C L Y，MCGRATH T F，et al.Innovative and rapid analysis for rice authenticity using handheld NIR spectrometry and chemometrics[J].Spectrochimica acta part A：Molecular and biomolecular spectroscopy，2019，217：147-154.

[20] ?EISENSTECKEN D，STRZ B，ROBATSCHER P，et al.The potential of near infrared spectroscopy（NIRS）to trace apple origin：Study on different cultivars and orchard elevations[J].Postharvest biology and technology，2019，147：123-131.

[21] ?劉廣昊，祝詩(shī)平，袁嘉佑，等.基于近紅外光譜的胡椒產(chǎn)地鑒別方法研究[J].中國(guó)調(diào)味品，2019，44（5）：58-62，66.

[22] ?BARNES R，DHANOA M S，LISTER S J.Standard normal variate transformation and detrending of nearinfrared diffuse reflectance spectra[J].Applied spectroscopy，1989，43（5）：772-777.

[23] ?CORONELREYES J，RAMIREZMORALESA I，F(xiàn)ERNANDEZBLANCO E，et al.Determination of egg storage time at room temperatureusing a lowcost NIR spectrometer and machine learning techniques[J].Computers and electronics in agriculture，2018，145：1-10.

[24] ?WANG H L，PENG J Y，XIE C Q，et al.Fruit quality evaluation using spectroscopy technology：A review[J].Sensors，2015，15（5）：11889-11927.

[25] ?吳習(xí)宇，祝詩(shī)平，黃華，等.近紅外光譜技術(shù)鑒別花椒產(chǎn)地[J].光譜學(xué)與光譜分析，2018，38（1）：68-72.

[26] ?劉麗霞.茶葉中6種主要兒茶素的高效液相色譜方法建立及應(yīng)用[D].南京：南京理工大學(xué)，2013.

[27] ?MENG W J，XU X N，CHENG K K，et al.Geographical origin discrimination of oolong tea（TieGuanYin，Camellia sinensis（L.）O.Kuntze）using proton nuclear magnetic resonance spectroscopy and nearinfrared spectroscopy[J].Food analytical methods，2017，10（11）：3508-3522.