ABSTRACT

The study detected Boron isotope and Strotium isotope of 102 Raohe origin honeys and 31 nonlocal honeys with ICP-MS. We used principal component analysis (pca) to dimensionally reduct 7 isotope abundance ratio variables to four principal components, and selected three of the four principal components to build models. By Agilent MPP data analysis software, we built five models with the three new principal components. The models are: Decision Tree, Naive Bayes, Neural Network, Partial Least Square Discriminate and Support Vector Machine. Finally, we optimized Decision Tree model as Raohe origin honey traceability model, the resolution accuracy rate is 93.75%.

Keywords:Raohe Original Honey, ICP-MS, Principal Component Analysis, Forecasting Model

基于电感耦合等离子体质谱仪在饶河蜂蜜溯源中的研究与应用

张海华^*，马占峰，刘志勇

哈尔滨市产品质量监督检验院，黑龙江 哈尔滨

Email: ^*zhanghaihua523@126.com

收稿日期：2015年6月5日；录用日期：2015年6月23日；发布日期：2015年6月30日

摘 要

本研究对102个饶河蜂蜜和31个外地蜂蜜中的硼同位素和锶同位素通过电感耦合等离子体质谱(ICP-MS)进行检测。采用主成分分析法将7个同位素丰度比值变量降维至4个主成分，并选取了主成分1、主成分2和主成分3进行模型的建立。用三个主成分新变量通过Agilent MPP数据分析软件建立Decision Tree、Naive Bayes、Neural Network、Partial Least Square Discriminate和Support Vector Machine五种模型，最终优选出以Component1、Component2和Component3交互图建立的Decision Tree模型作为饶河蜂蜜的产地溯源模型，判别准确率为93.75%。

关键词 :饶河蜂蜜，ICP-MS，主成分分析，预判模型

1. 引言

饶河椴树蜜是20世纪初从乌苏里江东引入的东北黑锋从东北特有糠椴树和紫椴树花中采集而来。饶河县从1997年设立了东北黑蜂国家级自然保护区，蜂种纯正。糠椴蜜和紫椴蜜具有高波美度。东北黑蜂抗病力强，几乎不需要使用抗生素免疫，从根本上解决了蜂产品常见的兽药残留问题[1] 。

近年来，由于饶河椴树蜜以其优良的品质特性在国内外博览会多次得奖，饶河椴树蜜受到广大消费者的青睐。但与此同时，在利益的驱动下，有些商户及厂家对非饶河椴树蜜进行假冒贴牌包装，冒充饶河椴树蜜。这些冒牌饶河椴树蜜以其包装精美，价格便宜堂而皇之地进入一些大型超市和商场，这不仅欺骗了广大消费者也使饶河当地养蜂业的收入受到影响，更严重的，有些质量不好的假椴树蜜还会使消费者对饶河椴树蜜的品质产生质疑，极大的损害了饶河椴树蜜的声誉。对饶河蜂蜜原产地进行溯源和辨别技术亟待开发 [2] 。

食品原产地追溯和辨别技术是食品安全领域的重要技术手段，其中，同位素分析技术是公认的最有效技术之一 [3] [4] 。目前，食品追溯主要集中在两方面研究：1) 探索区分不同地域来源食品的有效溯源参数，为建立同位素“矿物元素溯源数据库或同位素”矿物元素地图提供理论与方法依据；2) 结合地形“气候”地质等因素探讨同位素矿物元素的变化规律 [5] 。

自然界中锶是第五周期ⅡA族元素，它具有4个同位素，即84Sr，86Sr，87Sr，88Sr。尽管动植物的吸收与代谢过程会象改变S、C、H、O和N同位素一样改变锶的同位素比率，但由放射衰变产生的一定量的87Sr可作为地域溯源的指标 [5] - [7] 。动植物体中的87Sr/86Sr与岩床中能被生物体利用的含锶矿化物有关。锶同位素比值是判断动植物产地来源、鉴别真假的一种有效指标。当生物体中D18O和DD相同时，即在气候差异比较小的地区，锶同位素比率的判别效果比较好。

硼同位素由于不同的地球化学过程会引起其分馏效应，从而导致岩石、海洋沉积物和自然水中11B/10B比率变化较大。硼同位素发生自然分馏的另一个重要机制是硼酸、B(OH)3与硼酸盐离子、B(OH)-4之间随着pH的改变会发生交换作用，这种交换会导致硼酸中富集11B。以上这些自然过程会导致D11B值高达90‰。硼同位素组成除受自然因素影响外，农业生产中施加含硼的化肥也会影响11B/10B比率，这就导致不同土壤中硼同位素组成有较大差异。

针对以上两种元素同位素在地源性方面上所存在的特殊针对性，本研究通过对饶河蜂蜜进行产地溯源来鉴别饶河蜂蜜的真假。利用ICP-MS对来自于饶河多个地区的102个蜂蜜样品和其他地域的31个蜂蜜样品中B和Sr及其同位素的含量进行分析。所得数据与化学计量学方法结合并探寻这些元素和蜂蜜样品产地之间的关系。采用主成分分析的方法，对所有的数据采用MPP化学计量软件进行统计学分析，并构建了Decision Tree、Naive Bayes、Neural Network、Partial Least Square Discriminate和Support Vector Machine五种判别模型。随机抽取饶河蜂蜜11个和外地蜂蜜5个，对五个模型进行验证。

2. 实验材料与方法

2.1. 实验材料

2.1.1. 实验仪器

电感耦合等离子体质谱仪7700 (ICP-MS，美国Angilent公司)，配置玻璃同心雾化器，镍采样锥，Ar和He作为碰撞气，MARS Xpress微波消解仪(美国CEM公司)，MilliQ超纯水仪。

2.1.2. 实验试剂与样品

1) 实验试剂

锶同位素标准物质：NIST987；硼同位素标准物质NIST951 (美国National Institute of Science and Technology (NIST)研制)。硝酸；双氧水。

2) 样品

样品分别采集于蜂农和五家加工企业。蜂蜜产地分别来自于大佳河镇、小佳河镇、红旗岭镇、五林洞林场、永幸林场等多个区域，并选取其它地域有代表性的蜂蜜样品31个。

2.2. 实验方法

称取蜂蜜样品0.1 g，并加入HNO₃和H₂O₂将其微波消解至透明，用ICP-MS检测样品中的Sr84，Sr86，Sr87，Sr88，B10，B11，He碰撞气去同量异位素干扰，并用标准物质进行质量校正。对所测结果进行同位素丰度比并运用Angilent MPP软件对各同位素丰度比值进行数据分析和建立模型。

3. 结果与讨论

3.1. 主成分分析

本研究检测所得数据饶河和外地蜂蜜的同位素丰度比为84/86 Sr，84/87 Sr，84/88 Sr，86/87 Sr，86/88 Sr，87/88 Sr，10/11B，一共7组数据，根据需要对7组数据进行降维处理，将原来的7个变量重新组合成一组新的互相无关的4个综合变量，同时根据实际需要从4个综合变量中取出2个尽可能多地反映原来变量的信息的综合变量进行分析。

3.1.1. 数据的降维处理

利用MPP计量软件对以上7组数据进行降维处理，降维后的4个主成分的贡献率分别如下表所示：

由表1可知，4个主成分累计贡献率达到96.32%，数据表明降维后的4个主成分能代表样品的绝大部分信息，可应用建模处理。

3.1.2. 对四个主成分分别进行两交互处理，选择最优的两个主成分建模

1) Component 1和Component 2交互图

如图1所示，Component 1为52.92%，Component 2为23.98%，两个主成分贡献率之和为76.9%，大

表1. 4个主成分累计贡献率

图1. Component 1和Component 2交互图

于65%，符合统计学的建模要求。红色代表饶河蜂蜜，深蓝色代表外地蜂蜜，饶河蜂蜜与外地蜂蜜区分明显。

2) Component 1和Component 3交互图

如图2所示，Component 1为52.92%，Component 3为12.52%，两个主成分贡献率之和为68.44%，大于65%，符合统计学的建模要求。红色代表饶河蜂蜜，深蓝色代表外地蜂蜜，饶河蜂蜜与外地蜂蜜区分明显，但和图1相比，交叉点的个数多于图1，并且点的分布相对松散，交互建模效果不如图1，但仍可以满足统计学的建模需要。

3) Component 1和Component 4交互图

如图3所示，Component 1为52.92%，Component 4为6.9%，两个主成分贡献率之和为59.82%，小于65%，不符合统计学的建模要求。红色代表饶河蜂蜜，深蓝色代表外地蜂蜜，图3可以看出，数据点分布较为松散，不能明显的对饶河蜂蜜和其他地域蜂蜜进行很好的区分，所以不能采用Component 1和Component 4交互建模。

4) Component 2和Component 3交互图

如图4所示，Component 2为23.98%，Component 3为12.52%，两个主成分贡献率之和为36.5%，小于65%，不符合统计学的建模要求。红色代表饶河蜂蜜，深蓝色代表外地蜂蜜，图4可以看出，数据点交叉在一起，差异性不显著，所以不能采用Component 2和Component 3交互建模。

5) Component 2和Component 4交互图

如图5所示，Component 2为23.98%，Component 4为6.9%，两个主成分贡献率之和为30.88%，小于65%，不符合统计学的建模要求。红色代表饶河蜂蜜，深蓝色代表外地蜂蜜，图5可以看出，数据点不集中，差异性不显著，所以不能采用Component 2和Component 4交互建模。

图2. Component 1和Component 3交互图

图3. Component 1和Component 4交互图

图4. Component 2和Component 3交互图

图5. Component 2和Component 4交互图

6) Component 3和Component 4交互图

如图6所示，Component 3为12.52%，Component 4为6.9%，两个主成分贡献率之和为19.42%，小于65%，不符合统计学的建模要求。红色代表饶河蜂蜜，深蓝色代表外地蜂蜜，图6可以看出，数据点不集中，差异性不显著，所以不能采用Component 3和Component 4交互建模。

3.2. 模型建立

通过以上分析，可以看出主成分1、主成分2和主成分3的贡献率较大，相互交互图差异性较明显，应用三个主成分建立三维立体模型，采用三个主成分两两交互建立二维模型，运用Agilent MPP软件建立Decision Tree、Naive Bayes、Neural Network、Partial Least Square Discriminate和Support Vector Machine五种模型。并随机筛选饶河蜂蜜11个和外地蜂蜜5个，对五个模型进行验证。

如图7所示，红色点代表饶河蜂蜜的数据点，蓝色代表其他地域蜂蜜样品的数据点，从图中可以看出两种样品差异性显著。

3.2.1. Decision Tree模型及预判结果

如表2和图8所示，Confident Meatur数值都接近1，证明该模型可信度很高，对应的结果显示只有一个为误判，即Sample为 waidifengmi1 (表中带菱形标注的样品)误判为饶河。总体预判准确率为93.75%，判定准确率 > 90%，符合模式识别判别模型的统计学要求。

3.2.2. Naive Bayes模型及预判结果

如表3所示，Naive Bayes模型中Confident Measurer值有几个较低，不如Decision Tree高，该模型结果显示有5个样品(表中带菱形标注的样品)为误判，总体预判准确率为68.75%，不符合统计学模式识别模型判定的要求(判别正确率 ≥ 90%)。

3.2.3. Neural Network模型及预判结果

如表4所示，Neural Network模型有3个样品(表中带菱形标注的样品)进行了错误预判，总体预判准确率为81.25%。不符合统计学模式识别模型判定的要求(判别正确率 ≥ 90%)。

3.2.4. Partial Least Squares Discrimination模型及预判结果

如表5所示，Neural Network模型有4个样品(表中带菱形标注的样品)进行了错误预判，总体预判准确率为75%。不符合统计学模式识别模型判定的要求(判别正确率 ≥ 90%)。

3.2.5. Support Vector Machine模型及预判结果

如表6和图9所示，Support Vector Machin Confident Measurer值较低，认为模型可信度不够高。模型中存在1个样品(表中带菱形标注的样品)被误判，总体预判准确率为93.75%。判定准确率 > 90%，符合模式识别判别模型的统计学要求。

以上分析中省略了部分不合格样品二维主成分相互交互图。

图6. Component 3和Component 4交互图

图7. 3D分布图

图8. Decision Tree模型中waidifengmi 1的Component 1和Component 2交互图

图9. Support Vector Machine模型中的Sample为5的样品判别图

表2. Decision Tree模型预判结果

表3. Naive Bayes模型预判结果

表4. Neural Network模型预判结果

表5. Partial Least Squares Discrimination模型预判结果

表6. Support Vector Machine模型预判结果

3.3. 讨论

分析图1到图6的6个交互判别图可以发现，Component 1和Component 2交互图和Component 1和Component 3交互图差异性显著，能够满足统计学建模的要求(累计贡献率 ≥ 65%)，而其他四个图不满足该条件，可作为参考。对五个模型所给出的预判结果进行观察，发现Decision Tree、Neural Network、Partial Least Square Discriminate和Support Vector Machine都仅有1个样品被误判，判定准确率大于90%，符合统计学建模的要求，其余3个模型则不符合该条件，故舍弃。而Decision Tree模型的Confident Measurer的值明显高于Support Vector Machine模型，说明Decision Tree模型溯源更为可信，故本研究最终采用了以Component 1、Component 2和Component 3交互图建立的Decision Tree模型作为饶河蜂蜜的产地溯源模型。

4. 结论

运用电感耦合等离子体质谱(ICP-MS)结合主成分分析和建立预判模型对饶河蜂蜜进行溯源是可行的。Decision Tree和Support Vector Machine模型能够准确的辨别饶河和外地蜂蜜。对于Naive Bayes和Neural Network模型，在以后可以通过调整主成分个数，参数范围来进行完善，以提高其预判准确率。

基金项目

国家质检总局科技计划项目，项目编号：2013QK221。

文章引用

张海华,马占峰,刘志勇, (2015) 基于电感耦合等离子体质谱仪在饶河蜂蜜溯源中的研究与应用
The Research and Application of Raohe Honey Tracing Based on Inductively Coupled Plasma Mass Spectrometer. 农业科学,03,145-155. doi: 10.12677/HJAS.2015.53022

参考文献 (References)