不同產地山藥的近紅外鑒別和差異分析

李長濱，牛暢煒，蘇麗，吳圣江，孫憲秋

（1.河南牧業經濟學院食品與生物工程學院，河南 鄭州 450046；2.河南華測檢測技術有限公司，河南 鄭州 453100；3.山東民和牧業股份有限公司，山東 煙臺 265600）

山藥又名薯蕷（Dioscorea oposita Thunb），是一種薯蕷科薯蕷屬的植物，它的根質果肉豐富，有良好的鮮味，是一種藥食兩用植物。山藥含有微量元素、礦物元素、維生素、淀粉、多糖等營養成分[1]，有助于精氣恢復、利于脾胃養護，對肺腎有極大好處，可治療糖尿病、腹瀉、哮喘等疾病，能減少肥胖且具有防腫瘤、防突變、促進消化、增強免疫力的功效[2]。山藥在河南、河北、山東、江西、湖北等均有廣泛種植，其中以古懷慶府（今河南省焦作市境內）所產山藥最為出名，被稱為懷山藥。由于地理位置、種植技術的不同，受區域氣候特征、地質特點、生長習性等因素的影響，各地區山藥之間在化學性狀、物理性狀和生物性狀等方面均有較大差異，這導致山藥在療效、營養、口感等方面各不相同，表現出不同地區的產地特征[3-4]。不同產地山藥的另外一個特征區別為元素含量，根據現有報道，山藥中的元素主要為鈣、鉀、鐵、銅、鎂、鋅、錳等，其中鈣、鉀、鎂元素含量較多，對山藥品質影響較大，也是產地鑒別的主要評價指標[5]。

傳統的山藥識別方法主要是感官評定法和理化品質測定，感官評定法容易受評定人主觀因素的影響，而理化測定所需試劑材料多且試驗步驟操作復雜。亦有學者采用性狀鑒別和顯微鑒別的方法對山藥進行品質評定，但也存在操作復雜、時間長等缺點。近紅外光譜分析技術作為一種快速檢測技術在食品的質量控制和摻假分析等方面被廣泛應用[6]，近紅外光譜技術具有分析時間短、操作簡單、分析成本低等優勢，近年來在中藥材、香菇、菊花、三七等藥材鑒別、質量分析、純度鑒定和產地鑒別等方面應用越來越廣泛[7-10]。本文旨在建立一種快速、可靠、簡便的山藥產地鑒別和摻假鑒定新方法，有利于山藥的質量控制和應用研究。

1 材料和方法

1.1 材料與試劑

采集于山東、河北、湖北、河南、江西5個原產地不同批次的山藥樣本58份，其中55份用于模型的制作，其余3份應用于模型的外部；制作摻假山藥樣本10份（葡萄糖含量1%，氨基酸含量0.5%，淀粉含量分別為10%、20%、30%、40%、50%；葡萄糖含量2%，氨基酸含量1%，淀粉含量分別為10%、20%、30%、40%、50%）；山藥樣本具體類別、數量及產地見表1。

表1 山藥樣本數及產地分布Table 1 Sample number and origin distribution of Chinese yam

鉀、鈣、鎂元素（標準品）：國家標準物質中心；鹽酸、硝酸（均為優級純）：國藥集團化學試劑有限責任公司。

1.2 儀器與設備

近紅外分析儀（EXPEC1330）：北京聚光世達科技有限公司；高速萬能粉碎機（FW-100）、馬弗爐（SX-4-10）：天津市泰斯特儀器有限公司；鼓風干燥箱（GZX-9240）：上海博迅實業有限公司；原子吸收分光光度計（TAS-990AFG）：北京普析通用儀器有限公司；分析天平（AE224）：上海舜宇恒平科學儀器有限公司；電熱爐（MPOT-057）：上海全碩電爐有限公司。

1.3 山藥近紅外光譜的采集

1.3.1 樣本制作

對采自不同地區的山藥樣本初步挑選，除去異類雜質和變質的部分，挑選出的山藥在水中浸泡10 min左右后洗凈，切成2 mm左右的薄片，將山藥薄片放入鼓風干燥箱中，經60℃烘干12 h，取出后冷卻。采用粉碎機將樣品粉碎至粉末狀，過100目篩，即得山藥樣本，將干燥后的樣本轉移至密封袋中密封保存，備用。

1.3.2 近紅外光譜采集

在波長掃描范圍1000nm～1800nm，積分時間10 s，掃描次數32次，分辨率10 cm-1條件下采集各樣本的光譜圖，每個樣品掃描3次得到平均譜圖。

1.4 標準溶液的配制

鉀元素、鈣元素、鎂元素標準溶液的配制方法參考文獻[11-13]進行。

2 結果與分析

2.1 山藥樣本的近紅外光譜圖

所有地區山藥的近紅外光譜疊加圖見圖1。

圖1 所有地區山藥近紅外光譜疊加圖Fig.1 Superposition of near infrared spectroscopy of Chinese yam in all regions

由圖1可知，光譜曲線形狀基本一致，且大多具有相同或相似的吸收峰，大部分譜線有重疊現象，很難分辨出差別，這主要是由于山藥中主要含淀粉、蛋白質、多糖等類似成分，造成譜圖差異性不明顯，在1 200、1 460、1 580、1 760 nm附近有較寬的吸收峰。

2.2 光譜數據預處理

分別對原始光譜疊加圖進行多元散射校正、標準正態變換和一階導數處理，預處理后的譜圖能夠消除光譜間的漂移，增加光譜分辨率，提高模型的預測能力[14-16]。多元散射校正和一階導數處理后的譜圖見圖2。

圖2 數據處理后的近紅外光譜疊加圖Fig.2 Superposition of near infrared spectroscopy after data processing

由圖2a可知，在1 020、1 320、1 460 nm和1 660 nm位置處各地區的譜圖差別較大。一階導數處理能消除樣品因物理性質及顏色的不同引起的基線漂移現象，對光譜帶的信息進行強化，將山藥樣本的特征信息更加明顯地表現出來，預處理后的譜圖比原譜圖更能反映出不同地區山藥的譜圖差別[17-19]。由圖2b可知，處理后的光譜圖在1 350、1 420、1 550 nm和1 680 nm位置處各地區譜圖有較大的區別。

2.3 聚類分析

聚類分析法在食用油、菊花、橘紅、芝麻、靈芝等樣品的分類鑒別中應用廣泛，利用所建立的近紅外光譜模型能夠快速鑒別產品質量的優劣和產地，且結果較為準確，可行性高[20-21]。不同產地山藥的近紅外光譜峰重疊嚴重，利用原始譜圖建立模型對產地進行預測準確率低，通過多元散射校正、一階導數、標準正態變換3種預處理方法分別對原始譜圖進行處理，其所建模型對不同地區山藥聚類判別的準確率分別為71%、100%、85%，一階導數預處理方法明顯優于其他兩種方法，結合譜圖的特征峰位置，選擇波長范圍為1 100 nm～1 800 nm，光譜預處理方法為一階導數，對5個地區山藥進行分類[22]，聚類分析結果如圖3。

由圖3可知，不同地區的山藥被成功地聚類，在閾值為0.001時，5個地區的山藥分別聚成一類。首先河北省與山東省的聚為一類，進一步與其他地區聚類。其中江西省的山藥與其他4個地區最后才聚為一類，可能原因是江西省與其他地區地理位置相比距離較遠，其種植的山藥化學成分和含量存在較大的差異，說明產地影響其成分特征。河北省與山東省的山藥最先聚為一類，主要取決于其產地和種植環境接近。所建立的近紅外光譜聚類模型能夠鑒別山藥的產地，聚類分析結果與實際分類結果一致，通過這種方法能夠找出不同地區樣品之間的信息特征，以至于能夠達到鑒別的目的，且結果較為準確，可行性高[23]。

2.4 SIMCA分析

SIMCA模式識別法在光譜的定性分析判別中應用越來越廣泛，發展的也越來越成熟，在科學研究中使用頻率較高，并且在近幾十年的應用過程中，SIMCA方法也由原來的單值分析發展到現在的多模式識別[24-25]。選取55個山藥樣本進行建模使用，將樣本的數據按照校正集80%，驗證集20%的比例進行隨機分配后，得到在55個山藥樣本數據中，校正集為44個，驗證集為11個。校正集和驗證集分布如表2所示。

表2 校正集和驗證集分布Table 2 Distribution of calibration set and validation set

對已知5個地區樣本分別進行主成分分析，來確定上述5個產地山藥模型的最佳主成分數，在預測殘差平方和變化不太大的情況下選取較小的主成分數，具體主成分數選擇見圖4。

圖4 主成分數的選擇Fig.4 Selection of principal component number

由圖4可知，在不同的主成分數下，5個產地山藥模型的預測殘差平方和呈現先減小后增大的趨勢，最終湖北、河北、山東、河南、江西5個產地的最佳主成分數分別選擇為 2、2、3、2、2。

用選擇的主成分數分別對不同產地山藥進行得分評價和聚類分析，得到建立的校正集與驗證集的樣本分布圖，見圖5。

圖5 不同產地山藥樣本分布圖Fig.5 Distribution of Chinese yam samples from different origins

由圖5可知，各地區的山藥樣本能夠較好的聚類在一起，驗證集樣本也能準確地進行產地聚類，說明建立的模型能夠對山藥樣本進行產地判別。其中山東與河北的得分相距較近，與江西的得分距離相對較遠，這與空間距離一致。主要是因為山藥內部物質含量不同，在近紅外光譜上的吸收峰有一定的差異，差異越大，在空間中的距離就越大?？赡苁瞧涞乩砦恢?、氣候、土壤等條件所致，同時采摘的時間也會有一定的影響[26-27]。

在建立好模型后，用模型去驗證沒有參與建模的13份山藥樣本，結果顯示3份樣本的預測地區與實際地區一致，10份摻假樣本在分布圖上分布雜散，無法和現有5個產地的樣品進行聚類，表明所建立的鑒別模型可以對山藥進行準確的地區判別，可以實現山藥的產地鑒別或摻假分析。

2.5 山藥中元素含量分析

2.5.1 標準曲線的繪制

用原子吸收分光光度計分別測定各標準系列溶液的吸光度并計算出回歸方程和相關系數，結果表明各元素的相關系數為0.9961～0.9993，其中鉀元素標準曲線回歸方程為y=0.032 5x+0.001 3，相關系數為0.998 8；鈣元素標準曲線回歸方程為y=0.011 6x+0.003 1，相關系數為0.9993；鎂元素標準曲線回歸方程為y=0.4349x+0.015 6，相關系數為0.996 1。

2.5.2 山藥中元素測定結果

按照國家標準對食品中K、Ca、Mg 3種元素的測定方法和條件，分別測定不同批次山藥樣品中的各元素含量，得到不同批次山藥元素含量的范圍，測定的元素含量結果見表3。

表3 樣品含量測定結果（n=5）Table 3 Determination results of sample content（n=5） μg/g

由表3可知，所采集的5個產地樣本中，K元素含量為 1 872.59 μg/g～3 703.28 μg/g，其中河南鐵棍山藥的K元素含量最高，平均含量為3 553.50 μg/g，河北小白嘴山藥的K元素含量最低，平均含量為2 036.52 μg/g；Ca 元素含量為 209.89 μg/g～334.88 μg/g，其中河北小白嘴山藥的Ca元素含量最高，平均含量為320.76 μg/g，湖北佛手山藥的Ca元素含量最低，平均含量為214.38 μg/g；Mg 元素含量為 215.80 μg/g～343.22 μg/g，河南鐵棍山藥的Mg元素含量最高，平均含量為321.09 μg/g，河北小白嘴山藥的Mg元素含量最低，平均含量為224.50 μg/g。樣品重復測定5次，計算可知測定 K、Ca、Mg元素含量的相對標準偏差分別為1.98%、1.48%、1.35%，回收率范圍為96.26%～98.89%。

河南地區山藥中Mg元素含量和K元素含量高于其他地區，所以可以通過這兩種元素含量來間接區別河南鐵棍山藥；而河北地區小白嘴山藥中的Ca元素含量最高，可用于開發高鈣系列山藥產品。這5個地區山藥之間的元素含量各不相同，但是沒有明顯規律性，可能是地理位置、氣候、土壤等差異引起的，也可能是受采摘季節或種植過程中施肥等因素的影響[28]，這從側面也間接反映出各山藥之間的產地特征，與近紅外方法的產地鑒別相互印證。

3 結論

本試驗利用近紅外光譜法對不同產地的山藥進行了定性研究，結合化學計量學建立山藥的判別模型并對山藥產地進行判別分析，利用兩種定性方法對山藥產地進行了分析，其中聚類分析法中利用一階導數法處理原始譜圖所建模型優于其它兩種數據處理方法，所建模型對山藥產地鑒別正確率為100%。SIMCA分析法討論了不同主成分數對模型的影響，在最佳主成分數下建立的模型對山藥產地的鑒別正確率能達到100%。通過自行配制樣本對模型的驗證可知，所建模型不僅可以正確判別產地，也能夠正確識別摻假山藥樣本，近紅外光譜方法快速區分山藥產地和摻假山藥的可行性為山藥產地的快速無損判別提供了一種新思路。

通過對各地區山藥中K、Ca、Mg元素的含量比較可知，不同地區K元素的含量差別較大，而Ca元素含量和Mg元素含量差別較小，其中河南地區山藥中的K元素含量和Mg元素含量明顯高于其他地區，這也從側面印證了鐵棍山藥的品質，不同地區山藥中元素含量不同，和近紅外光譜法建立的產地鑒別模型相互印證，同時也為山藥功能產品的開發提供參考。