應用近紅外光譜技術快速鑒別鐵皮石斛的產地

顧玉琦++劉瑞婷++壽國忠

摘要：采用近紅外漫反射光譜技術結合簇類獨立軟模式方法（SIMCA）建立了預測模型，并對5個產地的鐵皮石斛進行了快速鑒別研究。光譜數據經過Savitzky-Golay（S-G）平滑、1階Savitzky-Golay（S-G）求導和均值中心化組合光譜預處理和波段選擇優化后，所建的SIMCA模型為最佳模型。所建模型的識別率和拒絕率均為100%，而且5個產地鐵皮石斛的模型也能拒絕其他3種石斛金釵石斛、紫皮石斛和金石斛。研究表明，模型合理，能夠成功實現鐵皮石斛產地快速鑒別，為不同產地的鐵皮石斛的快速鑒別提供了一種新的方法。

關鍵詞：鐵皮石斛；近紅外漫反射；產地鑒別

中圖分類號： O657.33文獻標志碼： A文章編號：1002-1302（2016）05-0365-04

鐵皮石斛（Dendrobium officinale Kimura et Migo）是蘭科石斛屬多年生附生草本植物，是傳統名貴珍稀中藥材，具有益胃生津、滋陰清熱等功效[1]。鐵皮石斛的主要化學成分包含多糖、氨基酸、生物堿、礦物元素、菲類、聯芐類和茐酮化合物等[2]。

不同產地的鐵皮石斛價格和藥用價值差異很大。2013年12月，位于浙江省臨安市的天目山鐵皮石斛和位于云南省的廣南鐵皮石斛已經通過國家質檢總局批準實施地理標志產品保護[3]；2014年5月，浙江省樂清市和廣西省容縣均被授予“中國鐵皮石斛之鄉”的稱號。目前，在市場上有許多不法商家和企業，用非地理標志產品和非“中國鐵皮石斛之鄉”的鐵皮石斛以次充好，以謀取高額利益。面對如此混亂的市場，非常需要研究1種快速鑒定鐵皮石斛產地的技術。

在以前不同產地鐵皮石斛的研究中，多以理化試驗、紫外分光光度法、高效液相色譜等技術進行試驗研究[4-7]，這些方法技術耗時、耗力、成本高、須要專業技術人員操作。與以上技術相比，近紅外光譜分析技術具有分析速度快、成本低、光譜測量方便、樣品前處理簡單，且能夠最大限度地保留不同產地樣本間的微小差異等優點[8]，目前該技術已被用于麥冬、當歸、人參、白芷、黃芪等藥材的產地鑒別，效果較好[9-13]。近年來，國內外相關研究利用近紅外光譜技術結合化學計量學對不同種類的石斛進行快速鑒別，均獲得較好的結果[14-17]，但是該方法用于同一品種石斛不同產地的鑒別研究尚未見報道。主要原因是石斛產地之間的差異主要是受到地理位置、氣候條件、栽培技術等多因素影響，這種差異較石斛品種間差異小，因此產地鑒別比品種鑒別困難。本研究利用近紅外漫反射光譜法結合簇類獨立軟模式（soft independent modeling of class analogy，SIMCA）法對5個產地的鐵皮石斛進行鑒別分析，旨在為石斛產地的快速鑒別提供新的方法。

1材料與方法

1.1 材料

試驗所用的材料為來自安徽霍山、浙江樂清、浙江天目山、廣西容縣、云南龍陵的鐵皮楓斗，分別收集20、30、30、30、30個批次。所有樣品來源于中國石斛博物館。樣品用中藥粉碎機粉碎，分別過40、60、80目篩，取約2 g樣品在上述條件下進行測量。隨機把140份石斛樣本劃分為84份校正集和56份驗證集，其中安徽霍山、浙江樂清、浙江天目山、廣西容縣、云南龍陵分別為12、18、18、18、18份作為校正集樣品，剩余的樣品作為驗證集。

使用儀器：微型近紅外光譜儀SmartEye1700（尼邇光電科技有限公司），DFT-100大德不銹鋼中藥粉碎機（溫嶺市林大機械有限公司），凱豐實驗室電子天平稱重精密電子秤（KF-0040）（中國凱豐基團有限公司），不銹鋼篩盤（頂歷醫療器械有限公司）。

1.2光譜采集

試驗所用微型近紅外光譜儀，光譜掃描范圍為1 000～1 650 nm，分辨率為8 cm-1，掃描次數為50次，由于樣品為不透明的粉末狀顆粒，所以試驗采用積分球的漫反射采樣方式。為了保證儀器能量的穩定，每次掃描光譜前，儀器需預熱 30 min。在試驗過程中，濕度基本保持不變，室內溫度保持在25 ℃左右。將樣品置于采樣窗口區域，以儀器內置背景為參比，100% SpectralonTM標準白板為參考。每個樣本在不同時間、不同位置分別采集3次，取其平均光譜作為該樣品的原始光譜。

1.3光譜數據預處理

在建立SIMCA模型之前，為消除基線漂移、高頻隨機噪聲和光散射等因素對樣品光譜的影響，需要對光譜進行預處理以獲得有用信息。樣本粒徑的大小和均勻度都會對光的漫反射有一定影響；同時樣本的密實度也會影響光的傳播，因此需要對樣本的原始光譜數據進行預處理。為消除光譜數據在采集時首端與末端產生的部分噪音，截取 1 100～1 630 nm波段的光譜數據進行分析。本試驗分別采用無處理、多元散射校正（multiplicative signal correction，MSC）、標準正態變量（standard normal variate，SNV）、S-G平滑+1階S-G求導、S-G 平滑+1階S-G導數加均值中心化等組合預處理方法對樣本的原始光譜進行預處理，最后選出最佳的光譜預處理方法為S-G平滑+1階S-G導數加均值中心化。

1.4數據分析方法

主成分分析（principal component analysis，PCA）是把多個指標轉換為幾個綜合指標的1種統計方法，沿著協方差最大的方向由高維數據空間向低維數據空間投影，所得的主成分向量相互正交，它可以將樣本在高維空間的分布通過低維空間來展現[18]。

近紅外光譜吸收弱、譜帶較寬且重疊嚴重，因此采用化學計量學中的多變量數據分析方法進行分析。本研究使用SIMCA法結合近紅外光譜技術對鐵皮石斛的5個產地進行鑒別。

SIMCA法在光譜色譜的定性分析中得到了廣泛的應用。在本研究中，首先針對某一產地樣本的光譜數據矩陣進行主成分分析，建立這個產地的主成分回歸模型，然后依據該模型對未知樣品進行識別，即分別試探將該未知樣本與各樣本的模型進行擬合，以確定未知樣本的產地[19]。模型質量的評價使用識別率、拒絕率等指標。

識別率=識別自身類樣本個數該類樣本的總個數×100%；（1）

拒絕率=拒絕其它類樣本個數其它樣本的總個數×100%。（2）

原始試驗數據通過Imethod 2000軟件（儀器自帶軟件）獲取，再通過Matlab（R2008a）程序進行數據處理與建模。

2結果與分析

2.1樣品粒度對近紅外光譜的影響

以浙江樂清產地的樣品為例，研究樣品粒度對近紅外光譜的影響。取浙江樂清產地的鐵皮石斛為樣品，采用中藥粉碎機粉碎樣品，將粉碎的樣品通過不同目數的篩網，形成一系列粒徑大小不同的樣品：樣品粒徑40、60、80目。研究發現，近紅外吸收強度與樣品粒徑大小有關（圖1）。隨著樣品粒徑的增加，樣品反射光譜[lg（1/R）]越大，吸收強度增大，近紅外吸收強度與樣品粒徑大小正相關；樣品越細，光譜穩定性越好[20]。

2.2不同樣品粒度的SIMCA模型的建立和評價

以浙江樂清產地的樣品為例，研究不同樣品粒度SIMCA模型的建立和評價。對40、60、80目3種不同樣品粒度的近紅外光譜，使用校正集樣品建立SIMCA模型，用驗證集檢驗模型的可靠性結，結果發現80目的光譜所建模型的效果優于40、60目；大于60目目篩的樣品均勻性和光譜的重現性好 （表1）。因此，80目的光譜建立的模型效果最好，本試驗采用80目篩的鐵皮石斛樣品進行測定。

2.3近紅外漫反射光譜

為消除光譜數據在采集時首端與末端產生的部分噪音，記錄了1 100～1 630 nm波段的光譜數據進行分析。近紅外光譜反映的是C-H、O-H等含氫基團的倍頻和合頻吸收，鐵皮石斛中含有多糖、生物堿、氨基酸等大量化學成分，這些成分的含氫基團都能在近紅外區域產生倍頻與合頻吸收（圖2）。此外，所有樣品在1 140～1 240 nm和1 360～1 500 nm附近有明顯的吸收峰，這2個區域分別為C-H第3組合頻和C-H第2組合頻區域（圖2）[21]。不同產地鐵皮石斛的光譜曲線趨勢相似，在部分區域有明顯區別，具有一定的特征性和指紋性，這一差異為鐵皮石斛不同產地的鑒別奠定了數據基礎。

在1 142、1 410、1 480 nm處有顯著的吸收峰（圖3），其中1 142 nm光譜特征吸收峰是官能團芳烴（ArCH）的C-H伸縮振動基頻的二級倍頻譜帶；1 410 nm光譜特征吸收峰是官能團亞甲基的C-H亞甲基的C-H組合頻（伸縮振動基頻的一級倍頻譜帶和彎曲振動基頻吸收譜帶）；1 480 nm處光譜特征吸收峰是官能團聚酰胺11非鍵合N-H伸縮振動基頻的一級倍頻譜[21]。

2.4PCA分析

本研究通過比較不同光譜預處理方法、波長范圍和主因子數對建模精度的影響，對5個產地的鐵皮石斛建立不同的模型。5個產地鐵皮石斛的最優預處理方法為S-G平滑、1

階S-G導數和均值中心化，5個產地鐵皮石斛的最優波長范圍為1 100～1 630 nm。用主成分分析法對校正集樣本進行分析，基于樣本的主成分得分圖能夠更直觀地揭示樣本的內部特征和聚類信息。X軸表示樣本的第一主成分得分（PC1），Y軸表示樣本第二主成分得分（PC2），Z軸表示樣本第二主成分得分（PC3），5個產地的鐵皮石斛樣本在該示意圖中有明顯的分類趨勢（圖4），再次說明利用近紅外光譜判別鐵皮石斛的產地是可行的。

2.55個產地鐵皮石斛的SIMCA分類模型

通過交互驗證（cross-validation）來確定上述鐵皮石斛的5個產地模型的最佳主成分數，即在預測殘差平方和（prediction residual error sum of square，PRESS）變化不大的情況下選取比較小的主成分數。在不同的主成分數下，5個產地的模型的預測殘差平方和見圖5。因此，不同模型主因子數的選取結果為：安徽霍山產地取主因子數為4，提取4個主成分的貢獻率已達全光譜貢獻率的97.89%；浙江樂清模型取主因子數為2，提取2個主成分的貢獻率已達全光譜貢獻率的 97.92%；浙江天目山、廣西容縣、云南龍陵的模型取主因子數都為3，提取3個主成分的貢獻率分別已達全光譜貢獻率的97.38%、97.09%、99.29%。

在極顯著性水平條件下來檢驗模型的可靠性，獲得了所建立的預測模型性能最佳校正和驗證的結果（表2）。研究發現，在對校正集樣品進行預測的時候，5個產地的模型對于本產地樣品的識別率均為100%；在拒絕非本產地樣品時，5個產地模型的拒絕率均為100%。對驗證集樣品進行預測時，5個產地的模型對樣品的識別率均為100%，拒絕率均為100%。結果表明，可以用該SIMCA模型鑒別不同產地來源的鐵皮石斛，所建立的產地識別模型能夠達到正確識別5個

2.6對其他樣品的鑒別

為進一步確認近紅外判別分析模型的可靠性，利用建好的5個產地鐵皮石斛的模型對其他3種石斛金釵石斛、紫皮石斛、金石斛的樣品進行判別分析，發現所建模型對其他樣品拒絕率都為100%（表3）。

3結論

本研究研究了不同樣品粒徑對近紅外光譜的影響，建立了不同樣品粒度的SIMCA模型，并對該模型進行了評價，發現隨著樣品粒徑的增加，樣品反射光譜和吸收強度逐漸增大，因此近紅外吸收強度與樣品粒徑大小正相關。此外，80目的光譜建立的模型效果優于40、60目光譜所建模型。

本研究利用近紅外光譜技術結合SIMCA模式識別方法對5個產地的鐵皮石斛建立了鑒別模型。經過對比不同光譜預處理和光譜波段對模型的影響，最后選擇S-G平滑+1階S-G導數+均值中心化組合為最佳預處理方法和1 100～1 630 nm 為建模光譜波段，所建模型為最優的模型。模型能正確識別5個產地鐵皮石斛，對其他產地識別時，拒絕率達到100%，而且5個產地鐵皮石斛的模型也能拒絕其他3種石斛金釵石斛、紫皮石斛和金石斛。結果表明，近紅外光譜結合SIMCA模式識別方法在鐵皮石斛產地溯源中具有可行性，為解決鐵皮石斛的質量安全問題[22-24]提供了一種新的思路。與理化試驗、紫外分光光度法和高效液相色譜等技術方法相比，本研究所提出的鐵皮石斛產地識別方法具有識別率高、識別方法可擴充性好、適用范圍廣等優點。

參考文獻：

[1]戴燕萍. 鐵皮石斛生產質量管理規范研究[D]. 杭州：浙江農林大學，2012.

[2]華允芬. 鐵皮石斛多糖成分研究[D]. 杭州：浙江大學，2005.

[3]劉文杰. 鐵皮石斛的紅外光譜定性定量研究[D]. 北京：北京中醫藥大學，2014.

[4]徐程，詹忠根，廖蘇梅. 8種不同地域鐵皮石斛農藝性狀及多糖和纖維素分析[J]. 浙江大學學報：理學版，2008，35（5）：576-579.

[5]龔慶芳，周浩，王新桂，等. 不同產地鐵皮石斛的品質比較研究[J]. 北方園藝，2013（8）：162-165.

[6]戚輝，陳健，易燕群，等. 不同產地鐵皮石斛形態及有效部位成分含量比較[J]. 廣州中醫藥大學學報，2013，30（4）：558-561.

[7]劉文杰，孫志蓉，杜遠，等. 不同產地鐵皮石斛主要化學成分及指紋圖譜研究[J]. 北京中醫藥大學學報，2013，36（2）：117-120.

[8]趙海燕，郭波莉，魏益民，等. 近紅外光譜對小麥產地來源的判別分析[J]. 中國農業科學，2011，44（7）：1451-1456.

[9]余國梅，王革，張延瑩，等. 近紅外光譜技術鑒別麥冬藥材產地[J]. 解放軍藥學學報，2012，28（5）：451-453.

[10]李波霞，魏玉輝，席莉莉，等. 近紅外光譜和化學計量學對不同產地不同產期當歸的定性研究[J]. 光譜實驗室，2011，28（4）：2128-2134.

[11]Woo Y，Cho C，Kim H，et al. Classification of cultivation area of ginseng by near infrared spectroscopy and ICP-AES[J]. Microchemical Journal，2002，73（3）：299-306.

[12]Liu S，Zhang X，Sun S. Discrimination and feature selection of geographic origins of traditional Chinese medicine herbs with NIR spectroscopy[J]. Chinese Science Bulletin，2005，50（2）：179-184.

[13]史春香，楊悅武，郭治昕，等. 近紅外技術鑒別黃芪產地[J]. 天津藥學，2006，18（1）：19-21.

[14]Wang C，Xiang B，Zhang W. Application of two-dimensional near-infrared （2D-NIR） correlation spectroscopy to the discrimination of three species of Dendrobium[J]. Journal of Chemometrics，2009，23（9）：463-470.

[15]湯青. 近紅外光譜分析技術快速鑒別霍山石斛的建模研究[D]. 山東大學，2013.

[16]丁長春，方向京，趙艷麗，等. 近紅外漫反射光譜法快速鑒別石斛屬植物[J]. 光譜學與光譜分析，2014，34（1）：82-86.

[17]Hu T，Tang Q，Zhang H，et al. Absolutely nondestructive discrimination of Huoshan Dendrobium nobile species with miniature near-infrared （NIR） spectrometer engine[J]. Spectroscopy and Spectral Analysis，2014，34（10）：2808-2814.

[18]趙杰文，蔣培，陳全勝. 雪蓮花產地鑒別的近紅外光譜分析方法[J]. 農業機械學報，2010，41（8）：111-114.

[19]陸婉珍. 現代近紅外光譜分析技術[M]. 2版. 北京：中國石化出版社，2010.

[20]楊丹，劉新，王川丕，等. 綠茶樣品粒度對近紅外光譜圖和模型的影響[J]. 食品科技，2012（11）：278-281.

[21]杰爾·沃克曼，洛伊斯·文依，褚小立. 近紅外光譜解析實用指南[M]. 北京：化學工業出版社，2009.

[22]胡玉偉，戢太云，管楚雄，等. 人工種植的鐵皮石斛主要有害生物及防治對策[J]. 江蘇農業科學，2014，42（4）：98-100.

[23]余樂，蘭芹英，姜宗慶. 鐵皮石斛離體快繁技術[J]. 江蘇農業科學，2014.42（11）：268-270.

[24]陳淑欽，陳清西. 鐵皮石斛栽培及光合特性研究進展[J]. 江蘇農業科學，2015，43（7）：262-264.

（上接第289頁）

[15]楊杰，田永超，姚霞，等. 水稻上部葉片葉綠素含量的高光譜估算模型[J]. 生態學報，2009，29（12）：6561-6571.

[16]許大全. 葉綠素含量的測定及其應用中的幾個問題[J]. 植物生理學通訊，2009，45（9）：896-898.

[17]鄭堅，陳秋夏，金川，等. 不同TTC法測定楓香等闊葉樹容器苗根系活力探討[J]. 浙江農業科學，2008，1（1）：39-42.

[18]周瑞金，杜曉華，劉遵春，等. 金光杏梅葉綠素含量變化規律研究[J]. 中國農學通報，2010，26（6）：201-203.

[19]唐延林，黃敬峰，王人潮. 水稻不同發育時期高光譜與葉綠素和類胡蘿卜素的變化規律[J]. 中國水稻科學，2004，18（1）：59-66.

[20]陸鑾眉，林金水，陳金河. 7種觀葉小盆栽植物的光合特性與耐陰性研究[J]. 熱帶作物學報，2013，34（4）：732-737.

[21]梁秀英，魏長禮，李沿寧，等. 君子蘭葉片光合特性的研究——葉綠素和酸含量變化[J]. 東北師大學報：自然科學版，1993（4）：72-76.

[22]Poorter L. Growth responses of 15 rain-forest tree species to a light gradient：the relative importance of morphological and physiological traits[J]. Functional Ecology，1999，13（3）：396-410.

[23]Lusk C H，Contreras O. Foliage area and crown nitrogen turnover in temperate rain forest juvenile trees of differing shade tolerance[J]. Journal of Ecology，1999，87（6）：973-983.

[24]Malavasi U C，Malavasi M M. Leaf characteristics and chlorophyll concentration of Schyzolobium parahybum and Hymenaea stilbocarpa seedlings grown in different light regimes[J]. Tree Physiology，2001，21（10）：701-703.

[25]Azzaz N A，Hassan E A，El-Emarey F A. Physiological，anatomical，and biochemical studies on pot marigold （Calendula officinalis L.） plants[C]. African Crop Science Conference Proceedings. 2007，8：1727-1738.

[26]陳燕玲，吳柳泳，柯沛強. 不同光照處理對綠蘿生長發育的影響[J]. 四川林業科技，2015，36（1）：102-103，42.

[27]董守坤，趙坤，劉麗君，等. 干旱脅迫對春大豆葉綠素含量和根系活力的影響[J]. 大豆科學，2011，30（6）：949-953.宋居易，陳惠，郝德榮，等. “冷蒸”熱處理工藝的研究[J]. 江蘇農業科學，2016，44（5）：369-372.