李长滨，牛畅炜，苏丽，吴圣江，孙宪秋

（1.河南牧业经济学院食品与生物工程学院，河南 郑州 450046；2.河南华测检测技术有限公司，河南 郑州 453100；3.山东民和牧业股份有限公司，山东 烟台 265600）

山药又名薯蓣（Dioscorea oposita Thunb），是一种薯蓣科薯蓣属的植物，它的根质果肉丰富，有良好的鲜味，是一种药食两用植物。山药含有微量元素、矿物元素、维生素、淀粉、多糖等营养成分[1]，有助于精气恢复、利于脾胃养护，对肺肾有极大好处，可治疗糖尿病、腹泻、哮喘等疾病，能减少肥胖且具有防肿瘤、防突变、促进消化、增强免疫力的功效[2]。山药在河南、河北、山东、江西、湖北等均有广泛种植，其中以古怀庆府（今河南省焦作市境内）所产山药最为出名，被称为怀山药。由于地理位置、种植技术的不同，受区域气候特征、地质特点、生长习性等因素的影响，各地区山药之间在化学性状、物理性状和生物性状等方面均有较大差异，这导致山药在疗效、营养、口感等方面各不相同，表现出不同地区的产地特征[3-4]。不同产地山药的另外一个特征区别为元素含量，根据现有报道，山药中的元素主要为钙、钾、铁、铜、镁、锌、锰等，其中钙、钾、镁元素含量较多，对山药品质影响较大，也是产地鉴别的主要评价指标[5]。

传统的山药识别方法主要是感官评定法和理化品质测定，感官评定法容易受评定人主观因素的影响，而理化测定所需试剂材料多且试验步骤操作复杂。亦有学者采用性状鉴别和显微鉴别的方法对山药进行品质评定，但也存在操作复杂、时间长等缺点。近红外光谱分析技术作为一种快速检测技术在食品的质量控制和掺假分析等方面被广泛应用[6]，近红外光谱技术具有分析时间短、操作简单、分析成本低等优势，近年来在中药材、香菇、菊花、三七等药材鉴别、质量分析、纯度鉴定和产地鉴别等方面应用越来越广泛[7-10]。本文旨在建立一种快速、可靠、简便的山药产地鉴别和掺假鉴定新方法，有利于山药的质量控制和应用研究。

1 材料和方法

1.1 材料与试剂

采集于山东、河北、湖北、河南、江西5个原产地不同批次的山药样本58份，其中55份用于模型的制作，其余3份应用于模型的外部；制作掺假山药样本10份（葡萄糖含量1%，氨基酸含量0.5%，淀粉含量分别为10%、20%、30%、40%、50%；葡萄糖含量2%，氨基酸含量1%，淀粉含量分别为10%、20%、30%、40%、50%）；山药样本具体类别、数量及产地见表1。

表1 山药样本数及产地分布Table 1 Sample number and origin distribution of Chinese yam

钾、钙、镁元素（标准品）：国家标准物质中心；盐酸、硝酸（均为优级纯）：国药集团化学试剂有限责任公司。

1.2 仪器与设备

近红外分析仪（EXPEC1330）：北京聚光世达科技有限公司；高速万能粉碎机（FW-100）、马弗炉（SX-4-10）：天津市泰斯特仪器有限公司；鼓风干燥箱（GZX-9240）：上海博迅实业有限公司；原子吸收分光光度计（TAS-990AFG）：北京普析通用仪器有限公司；分析天平（AE224）：上海舜宇恒平科学仪器有限公司；电热炉（MPOT-057）：上海全硕电炉有限公司。

1.3 山药近红外光谱的采集

1.3.1 样本制作

对采自不同地区的山药样本初步挑选，除去异类杂质和变质的部分，挑选出的山药在水中浸泡10 min左右后洗净，切成2 mm左右的薄片，将山药薄片放入鼓风干燥箱中，经60℃烘干12 h，取出后冷却。采用粉碎机将样品粉碎至粉末状，过100目筛，即得山药样本，将干燥后的样本转移至密封袋中密封保存，备用。

1.3.2 近红外光谱采集

在波长扫描范围1000nm～1800nm，积分时间10 s，扫描次数32次，分辨率10 cm-1条件下采集各样本的光谱图，每个样品扫描3次得到平均谱图。

1.4 标准溶液的配制

钾元素、钙元素、镁元素标准溶液的配制方法参考文献[11-13]进行。

2 结果与分析

2.1 山药样本的近红外光谱图

所有地区山药的近红外光谱叠加图见图1。

图1 所有地区山药近红外光谱叠加图Fig.1 Superposition of near infrared spectroscopy of Chinese yam in all regions

由图1可知，光谱曲线形状基本一致，且大多具有相同或相似的吸收峰，大部分谱线有重叠现象，很难分辨出差别，这主要是由于山药中主要含淀粉、蛋白质、多糖等类似成分，造成谱图差异性不明显，在1 200、1 460、1 580、1 760 nm附近有较宽的吸收峰。

2.2 光谱数据预处理

分别对原始光谱叠加图进行多元散射校正、标准正态变换和一阶导数处理，预处理后的谱图能够消除光谱间的漂移，增加光谱分辨率，提高模型的预测能力[14-16]。多元散射校正和一阶导数处理后的谱图见图2。

图2 数据处理后的近红外光谱叠加图Fig.2 Superposition of near infrared spectroscopy after data processing

由图2a可知，在1 020、1 320、1 460 nm和1 660 nm位置处各地区的谱图差别较大。一阶导数处理能消除样品因物理性质及颜色的不同引起的基线漂移现象，对光谱带的信息进行强化，将山药样本的特征信息更加明显地表现出来，预处理后的谱图比原谱图更能反映出不同地区山药的谱图差别[17-19]。由图2b可知，处理后的光谱图在1 350、1 420、1 550 nm和1 680 nm位置处各地区谱图有较大的区别。

2.3 聚类分析

聚类分析法在食用油、菊花、橘红、芝麻、灵芝等样品的分类鉴别中应用广泛，利用所建立的近红外光谱模型能够快速鉴别产品质量的优劣和产地，且结果较为准确，可行性高[20-21]。不同产地山药的近红外光谱峰重叠严重，利用原始谱图建立模型对产地进行预测准确率低，通过多元散射校正、一阶导数、标准正态变换3种预处理方法分别对原始谱图进行处理，其所建模型对不同地区山药聚类判别的准确率分别为71%、100%、85%，一阶导数预处理方法明显优于其他两种方法，结合谱图的特征峰位置，选择波长范围为1 100 nm～1 800 nm，光谱预处理方法为一阶导数，对5个地区山药进行分类[22]，聚类分析结果如图3。

由图3可知，不同地区的山药被成功地聚类，在阈值为0.001时，5个地区的山药分别聚成一类。首先河北省与山东省的聚为一类，进一步与其他地区聚类。其中江西省的山药与其他4个地区最后才聚为一类，可能原因是江西省与其他地区地理位置相比距离较远，其种植的山药化学成分和含量存在较大的差异，说明产地影响其成分特征。河北省与山东省的山药最先聚为一类，主要取决于其产地和种植环境接近。所建立的近红外光谱聚类模型能够鉴别山药的产地，聚类分析结果与实际分类结果一致，通过这种方法能够找出不同地区样品之间的信息特征，以至于能够达到鉴别的目的，且结果较为准确，可行性高[23]。

2.4 SIMCA分析

SIMCA模式识别法在光谱的定性分析判别中应用越来越广泛，发展的也越来越成熟，在科学研究中使用频率较高，并且在近几十年的应用过程中，SIMCA方法也由原来的单值分析发展到现在的多模式识别[24-25]。选取55个山药样本进行建模使用，将样本的数据按照校正集80%，验证集20%的比例进行随机分配后，得到在55个山药样本数据中，校正集为44个，验证集为11个。校正集和验证集分布如表2所示。

表2 校正集和验证集分布Table 2 Distribution of calibration set and validation set

对已知5个地区样本分别进行主成分分析，来确定上述5个产地山药模型的最佳主成分数，在预测残差平方和变化不太大的情况下选取较小的主成分数，具体主成分数选择见图4。

图4 主成分数的选择Fig.4 Selection of principal component number

由图4可知，在不同的主成分数下，5个产地山药模型的预测残差平方和呈现先减小后增大的趋势，最终湖北、河北、山东、河南、江西5个产地的最佳主成分数分别选择为 2、2、3、2、2。

用选择的主成分数分别对不同产地山药进行得分评价和聚类分析，得到建立的校正集与验证集的样本分布图，见图5。

图5 不同产地山药样本分布图Fig.5 Distribution of Chinese yam samples from different origins

由图5可知，各地区的山药样本能够较好的聚类在一起，验证集样本也能准确地进行产地聚类，说明建立的模型能够对山药样本进行产地判别。其中山东与河北的得分相距较近，与江西的得分距离相对较远，这与空间距离一致。主要是因为山药内部物质含量不同，在近红外光谱上的吸收峰有一定的差异，差异越大，在空间中的距离就越大。可能是其地理位置、气候、土壤等条件所致，同时采摘的时间也会有一定的影响[26-27]。

在建立好模型后，用模型去验证没有参与建模的13份山药样本，结果显示3份样本的预测地区与实际地区一致，10份掺假样本在分布图上分布杂散，无法和现有5个产地的样品进行聚类，表明所建立的鉴别模型可以对山药进行准确的地区判别，可以实现山药的产地鉴别或掺假分析。

2.5 山药中元素含量分析

2.5.1 标准曲线的绘制

用原子吸收分光光度计分别测定各标准系列溶液的吸光度并计算出回归方程和相关系数，结果表明各元素的相关系数为0.9961～0.9993，其中钾元素标准曲线回归方程为y=0.032 5x+0.001 3，相关系数为0.998 8；钙元素标准曲线回归方程为y=0.011 6x+0.003 1，相关系数为0.9993；镁元素标准曲线回归方程为y=0.4349x+0.015 6，相关系数为0.996 1。

2.5.2 山药中元素测定结果

按照国家标准对食品中K、Ca、Mg 3种元素的测定方法和条件，分别测定不同批次山药样品中的各元素含量，得到不同批次山药元素含量的范围，测定的元素含量结果见表3。

表3 样品含量测定结果（n=5）Table 3 Determination results of sample content（n=5） μg/g

由表3可知，所采集的5个产地样本中，K元素含量为 1 872.59 μg/g～3 703.28 μg/g，其中河南铁棍山药的K元素含量最高，平均含量为3 553.50 μg/g，河北小白嘴山药的K元素含量最低，平均含量为2 036.52 μg/g；Ca 元素含量为 209.89 μg/g～334.88 μg/g，其中河北小白嘴山药的Ca元素含量最高，平均含量为320.76 μg/g，湖北佛手山药的Ca元素含量最低，平均含量为214.38 μg/g；Mg 元素含量为 215.80 μg/g～343.22 μg/g，河南铁棍山药的Mg元素含量最高，平均含量为321.09 μg/g，河北小白嘴山药的Mg元素含量最低，平均含量为224.50 μg/g。样品重复测定5次，计算可知测定 K、Ca、Mg元素含量的相对标准偏差分别为1.98%、1.48%、1.35%，回收率范围为96.26%～98.89%。

河南地区山药中Mg元素含量和K元素含量高于其他地区，所以可以通过这两种元素含量来间接区别河南铁棍山药；而河北地区小白嘴山药中的Ca元素含量最高，可用于开发高钙系列山药产品。这5个地区山药之间的元素含量各不相同，但是没有明显规律性，可能是地理位置、气候、土壤等差异引起的，也可能是受采摘季节或种植过程中施肥等因素的影响[28]，这从侧面也间接反映出各山药之间的产地特征，与近红外方法的产地鉴别相互印证。

3 结论

本试验利用近红外光谱法对不同产地的山药进行了定性研究，结合化学计量学建立山药的判别模型并对山药产地进行判别分析，利用两种定性方法对山药产地进行了分析，其中聚类分析法中利用一阶导数法处理原始谱图所建模型优于其它两种数据处理方法，所建模型对山药产地鉴别正确率为100%。SIMCA分析法讨论了不同主成分数对模型的影响，在最佳主成分数下建立的模型对山药产地的鉴别正确率能达到100%。通过自行配制样本对模型的验证可知，所建模型不仅可以正确判别产地，也能够正确识别掺假山药样本，近红外光谱方法快速区分山药产地和掺假山药的可行性为山药产地的快速无损判别提供了一种新思路。

通过对各地区山药中K、Ca、Mg元素的含量比较可知，不同地区K元素的含量差别较大，而Ca元素含量和Mg元素含量差别较小，其中河南地区山药中的K元素含量和Mg元素含量明显高于其他地区，这也从侧面印证了铁棍山药的品质，不同地区山药中元素含量不同，和近红外光谱法建立的产地鉴别模型相互印证，同时也为山药功能产品的开发提供参考。