溫度對黃酒酒精度和糖度近紅外分析模型的影響

沈 飛，應義斌，李博斌

（1.南京財經大學食品科學與工程學院，江蘇 南京 210023；2.浙江大學生物系統工程與食品科學學院，浙江 杭州 310058；3.國家黃酒產品質量監督檢驗中心，浙江 紹興 312071）

溫度對黃酒酒精度和糖度近紅外分析模型的影響

沈 飛1,2，應義斌2,*，李博斌3

（1.南京財經大學食品科學與工程學院，江蘇 南京 210023；2.浙江大學生物系統工程與食品科學學院，浙江 杭州 310058；3.國家黃酒產品質量監督檢驗中心，浙江 紹興 312071）

為研究溫度對黃酒品質近紅外光譜分析模型的影響，分別在5、10、15、20、25、30、35 ℃ 7 個溫度條件下采集黃酒樣品的可見-近紅外光譜，采用偏最小二乘法建立各溫度下黃酒酒精度和總糖含量定量分析模型。結果表明：溫度對樣品光譜存在影響，主成分分析表明不同溫度下的樣品有明顯聚類趨勢。模型精度受溫度影響較大，但并無隨溫度變化的一致趨勢。建立的混合溫度模型預測相對誤差較小，有實際應用潛力。

溫度；近紅外光譜；偏最小二乘法；黃酒；品質

近紅外光譜（near infrared spectroscopy，NIRS）技術由于具有分析速度快、無損、多組分分析等優點，已經成為 發展最快的定量定性分析技術之一，在農產品、作物和飼料等品質分析等方面得到了廣泛的應用[1-4]。近紅外光譜區內的吸收主要來自于分子振動或轉動引起的狀態變化，其各基團的振動容易受到溫度等外界條件的影響[5-7]。尤其在對液體樣品測量時，溫度的變化對檢測精度影響較大，容易對模型性能產生影響[8]。Maeda等[9]利用不同的化學計量學方法研究了水的近紅外光譜與溫度的相關關系，發現光譜的差異主要由氫鍵的變化引起。Cozzolino等[10]研究了不同溫度對近紅外光譜檢測葡萄酒品質模型的影響，發現970～1 400 nm波段范圍內樣品光譜存在差異，檢測溫度在30～35 ℃之間模型精度最佳。Sinelli等[11]應用近紅外和中紅外光譜技術成功區分了貯藏在不同溫度下的牛肉餡樣品。可見，研究溫度變化對近紅外分析對光譜及檢測模型精度的影響十分必要。黃酒是我國最古老的獨有酒種，集營養和保健功能為一體，被譽為“國粹”[12-13]。目前，近紅外光譜技術已被用于黃酒酒精度、糖類、氨基酸等指標的快速分析和產地區分[14-17]。然而對于溫度對其檢測精度的影響研究還較為缺乏。因此，本實驗擬以黃酒為對象，研究不同溫度水平下樣品光譜的變化趨勢，以及對檢測模型精度的影響，為近紅外光譜實際應用于黃酒檢測提供理論依據。

1 材料與方法

1.1 材料

黃酒樣品由國家黃酒產品質量監督檢驗中心提供，酒齡從1 年到5 年陳，來自于不同的廠家，以保證具有足夠的代表性。

1.2 儀器與設備

蔡司MCS 600型近紅外光纖光譜儀 德國Carl Zeiss公司；Qpod-MPKIT控溫樣品池 美國Quantum Northwest公司。

1.3 方法

1.3.1 光譜采集

樣品光譜的采集通過近紅外光纖光譜儀實現。設置采集波段為303～1 600 nm，積分時間20 ms。以空氣為參比，透射光程為1.0 mm，重復測量3 次。樣品的溫度通過控溫樣品池來設置，參考環境溫度變化，設置測量時溫度水平分別為5、10、15、20、25、30、35 ℃。

1.3.2 黃酒品質指標的測定

依據國家標準GB/T 13662—2008《黃酒》[18]，對黃酒酒精度、總糖含量指標進行檢測分析。結果如表1所示，樣品中酒精度和總糖含量的分布范圍較廣，具有一定的代表性。

表1 黃酒樣品中酒精度和總糖含量分析結果Table1 Analysis of alcohol and total sugar contents in rice wine samples

1.4 數據處理

光譜數據的預處理和建模分析通過TQ Analyst v6.2.1軟件進行。采用主成分分析（principal component analysis，PCA）、判別分析法（discriminant analysis，DA）對不同溫度下的黃酒樣品光譜進行分類，偏最小二乘法（partial least square，PLS）對酒精度和總糖含量指標進行定量分析。模型精度通過校正模型相關系數（rc）、校正均方差（root mean square error in calibration，RMSEC）、交叉驗證均方差（root mean square error in cross-validation，RMSECV）、預測均方差（root mean square error value of prediction，RMSEP）和相對分析誤差（ratio performance deviation，RPD）來評價[19]。

2 結果與分析

2.1 黃酒的可見-近紅外光譜

圖1 不同溫度下黃酒樣品的可見-近紅外平均光譜Fig.1 Average VIS-NIR spectra of rice wine samples at different temperatures

圖1中350 nm波長處的吸收峰主要由樣品中色素（焦糖色）引起，而1 400 nm波長處的吸收峰則對應于水分子中的O—H基團的倍頻吸收。從原始光譜中并未觀察到不同溫度下的樣品平均光譜有顯著的差異，為進一步觀察其中的細微差異，將1 350～1 450 nm波段光譜進行放大分析，如圖2a所示。隨著溫度升高，光譜吸收峰有逐漸向高頻（短波）波段轉移趨勢。主要原因在于溫度上升會促使氫鍵發生結合，使得水分子的伸縮振動向高頻轉移[20]。微分處理能放大樣品光譜的細微特征，圖2b顯示的是1 280～1 340 nm波段經平滑處理后的二階微分平均光譜。在1 322、1 359 nm波長處，隨著溫度升高峰值逐漸增強，而在1 404 nm波長處，峰值則逐漸降低，同樣與氫鍵結合有關。

圖2 不同溫度下黃酒樣品的可見-近紅外平均光譜（a）和二階微分平均光譜（b）Fig.2 Average VIS-NIR spectra (a) and second-order derivative spectra (b) of rice wines at different temperatures

2.2 主成分和判別分析

為消除可見光波段的干擾，僅對800～1 600 nm波段近紅外光譜進行主成分和判別分析，以觀察溫度對樣品光譜潛在的影響規律。圖3為7 個溫度水平下的所有樣品的前兩個主成分得分圖（PC1=44.20%，PC2=34.24%）。隨著溫度上升，樣品的第一主成分得分逐漸增大，從而使不同溫度下的樣品發生分離。除5 ℃下的樣品分布范圍較廣外，其余溫度水平下的樣品聚類趨勢顯著，僅有個別樣品同其他溫度下的樣品相混合。利用前10 個主成分建立線性判別分析模型，在總共595 個樣品中，僅有4 個樣品被錯判至其他溫度，正確率達99.33%（結果未顯示）。結果表明溫度對樣品光譜存在顯著影響。

圖3 不同溫度下的黃酒樣品的第一、第二主成分得分Fig.3 Scores of the first two PCs of rice wine samples at different temperatures

2.3 建模分析

選用P L S方法在近紅外波段范圍內（8 0 0～1 600 nm）建立分析模型，建模集和預測集的選取是將樣品各項理化指標按由小到大的順序依次排列，從每3 個樣品中選擇1 個樣品用于模型驗證，其余樣品用于建模。

表2 不同溫度條件下酒精度PLS建模結果Table2 PLS modeling results for alcohol content in rice wines at different temperatures

由表2可知，不同溫度下酒精度的模型精度均較高，RPD值高于3，穩健性強。對比各個溫度可知，模型RPD值隨著溫度升高呈現先上升后下降的趨勢。在15 ℃時模型精度達到最高，RPD值為6.24，近紅外光譜相對于理化檢驗值的預測誤差為0.290%。5、30、35 ℃時所建模型精度則相對較低。

表3 不同溫度條件下總糖含量PLS建模結果Table3 PLS modeling results for total sugar content in rice wines at different temperatures

總糖含量結果如表3所示，模型的RPD值均大于2，精度較高。其中，20 ℃時所建模型預測誤差最小，RPD值達3.68，預測均方差為2.19 g/L，精度最高，模型穩健性強。10、25 ℃時所建模型精度較差，RPD值小于2.2，穩健性不足。

從RPD值可以看出酒精度和總糖含量模型精度隨溫度變化趨勢并不顯著，表明溫度對模型精度的影響可能呈非線性關系。由于所用樣品量有限，還需要進一步研究以確定模型精度隨溫度變化的內在規律。綜合7 個溫度下的所有樣品，建立混合溫度模型，去除異常樣品后，建模結果如表4所示，酒精度和總糖含量的結果較優，RPD值分別為4.21和2.41。其中，酒精度模型的RMSEP低于15 ℃時所建模型，與20、25 ℃模型基本相當，優于其他溫度模型。而總糖含量混合溫度模型的RMSEP僅低于20、30 ℃時模型。結果表明，混合溫度模型對不同溫度下樣品表現出了較強的適應性，有一定的溫度修正能力，具有實際應用潛力。

表4 4混合溫度模型的建模結果Table4 Performance of multi-temperature calibration models

3 結 論

本實驗研究了溫度對黃酒酒精度和總糖含量近紅外分析模型的影響。通過光譜和主成分分析發現不同溫度下的樣品有明顯聚類趨勢，表明溫度對樣品的近紅外光譜影響顯著。模型定量預測精度受溫度影響較大，且無隨溫度變化的一致趨勢。混合溫度模型對不同溫度下樣品有較強的適應性，預測相對誤差較低，有一定的溫度修正能力，具有實際應用潛力。本實驗可對指導近紅外光譜法應用于黃酒品質的實際檢測提供一定的理論依據與參考。

[1] 楊晉輝, 卜登攀, 王加啟, 等. 近紅外透反射光譜法測定牛奶成分[J].食品科學, 2013, 34(20): 153-156.

[2] 徐文杰, 劉茹, 洪響聲, 等. 基于近紅外光譜技術的淡水魚品種快速鑒別[J]. 農業工程學報, 2014, 30(1): 253-261.

[3] 李毅念, 姜丹, 劉瓔瑛, 等. 基于近紅外光譜的雜交水稻種子發芽率測試研究[J]. 光譜學與光譜分析, 2014, 34(6): 1528-1532.

[4] BELANCHE A, WEISBJERG M R, ALLISON G G, et al. Estimation of feed crude protein concentration and rumen degradability by Fourier-transform infrared spectroscopy[J]. Journal of Dairy Science, 2013, 96(2): 7867-7880.

[5] 王冬, 熊艷梅, 黃蓉, 等. 溫度對復配乳油的近紅外光譜定量分析模型的影響[J]. 分析化學, 2010, 38(9): 1311-1315.

[6] 王韜, 張錄達, 勞彩蓮, 等. PLS回歸法建立適應溫度變化的近紅外光譜定量分析模型[J]. 中國農業大學學報, 2004, 9(6): 76-79.

[7] 王冬, 閔順耕, 曹金莉, 等. 溫度對煙草總植物堿近紅外定量分析模型的影響[J]. 中國煙草科學, 2013, 34(4): 103-106.

[8] 陳韻, 史振志, 徐可欣, 等. 溶液近紅外光譜分析中溫度影響的修正[J].光譜學與光譜分析, 2009, 29(11): 2966-2969.

[9] MAEDA H, OZAKI Y, TANAKA M, et al. Near infrared spectroscopy and chemometrics studies of temperature-dependent spectral variations of water: relationship between spectral changes and hydrogen bonds[J]. Journal of Near Infrared Spectroscopy, 1995, 3(4): 191-201.

[10] COZZOLINO D, LIU L, CYNKAR W U, et al. Effect of temperature variation on the visible and near infrared spectra of wine and the consequences on the partial least square calibrations developed to measure chemical composition[J]. Analytica Chimica Acta, 2007, 588(2): 224-230.

[11] SINELLI N, LIMBO S, TORRI L, et al. Evaluation of freshness decay of minced beef stored in high-oxygen modified atmosphere packaged at different temperatures using N IR and MIR spectroscopy[J]. Meat Science, 2010, 86(3): 748-752.

[12] 汪建國, 徐亮. 我國黃酒的特征及展望[J]. 江蘇調味副食品, 2005, 22(6): 5-9.

[13] 王棟, 經斌, 徐巖, 等. 中國黃酒風味感官特征及其風味輪的構建[J].食品科學, 2013, 34(5): 90-95.

[14] YU Haiyan, YING Yibin, FU Xiaping, et al. Quality determination of Chinese rice wine based on Fourier transform near infrared spectroscopy[J]. Journal of Near Infrared Spectroscopy, 2006, 14(1): 37-44.

[15] NIU Xiaoying, SHEN Fei, YU Haiyan, et al. Analysis of sugars in Chinese rice wine by Fourier transform near-infrared spectroscopy with partial least-squares regression[J]. Journal of Agricultural and Food Chemistry, 2008, 56(16): 7271-7278.

[16] SHEN Fei, NIU Xiaoying, YANG Danting, et al. Determination of amino acids in Chinese rice wine by Fourier transform near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2010, 58(17): 9809-9816.

[17] SHEN Fei, YANG Danting, YING Yibin, et al. Discrimination between Shaoxing wines and other Chinese rice wines by near-infrared spectroscopy and chemometrics[J]. Food and Bioprocess Technology, 2012, 5(2): 786-795.

[18] GB/T 13662—2008 黃酒[S].

[19] AHMED M R, DANIEL E G, WILLIAM K, et al. The potential use of visible/near infrared spectroscopy and hyperspectral imaging to predict processing-related constituents of potatoes[J]. Journal of Food Engineering, 2014, 135: 11-25.

[20] CZARNIK-MATUSEWICZ B, PILORZ S. Study of the temperaturedependent near-infrared spectra of water by two-dimensional correlation spectroscopy and principal components analysis[J]. Vibrational Spectroscopy, 2006, 40(2): 235-245.

Influence of Temperature on Near-Infrared Spectroscopic Analysis Models of Alcohol and Sugar Content in Chinese Rice Wine

SHEN Fei1,2, YING Yi-bin2,*, LI Bo-bin3
(1. College of Food Science and Engineering, Nanjing University of Finance and Economics, Nanjing 210023, China; 2. College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China; 3. National Center for Quality Supervision and Testing of Rice Wine, Shaoxing 312071, China)

In order to evaluate the influence of temperature on near-infrared spectroscopy (NIRS) analysis models of Chinese rice wine quality, NIR spectra of rice wine samples were collected at 5, 10, 15, 20, 25, 30 and 35 ℃, respectively. Calibration models for the quantification of alcohol and total sugar contents in rice wine were developed by partial least square (PLS) algorithm. The results indicated that the spectra of samples were affected by temperature. An obvious clustering tendency was detected by principal component analysis (PCA) between samples at different temperatures. The prediction ability of the calibration models was also influenced by temperature, but showing no consistent trend with temperature. The performance of the multi-temperature calibration models was suitable for practical application with low relative error values. These results provided a theoretical basis for rapid detection of rice wine quality as well as temperature correction by NIR spectroscopy.

temperature; near infrared spectroscopy (NIRS); partial least square; Chinese rice wine; quality

TS272.7；O657.3

A

1002-6630（2014）23-0025-04

10.7506/spkx1002-6630-201423005

2014-09-11

國家自然科學基金國家杰出青年科學基金項目（30825027）

沈飛（1984—）， 男，講師，博士，主要從事農產品無損檢測技術研究。E-mail：shenfei0808@163.com

*通信作者：應義斌（1964—），男，教授，博士，主要從事農產品無損檢測技術與裝備研究。E-mail：yingyb@zju.edu.cn