CN105044198A - 一种基于矿质元素指纹鉴别葡萄酒原产地的方法 - Google Patents

Abstract

本发明属于葡萄酒鉴别技术领域，涉及一种基于矿质元素指纹鉴别葡萄酒原产地的方法。本发明步骤：(1)将葡萄酒直接稀释，采用全定量分析法，借助于ICP-MS和ICP-OES检测葡萄酒中30种矿质元素(Li、Be、Al、V、Cr、Mn、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Hg、Tl、Pb、U、Ge、Sn、B、Na、Mg、Ca、Fe、P)含量；(2)结合统计学系统，使用逐步判别分析筛选特征元素；(3)然后基于特征元素，测试验证或预测鉴别酒样原产地或者建立葡萄酒支持向量机(SVM)原产地鉴别模型。本发明是一种实用性较强的葡萄酒原产地鉴别技术，污染小，操作简单，结果直观，准确度高；可进一步用于建立葡萄酒品种鉴别模型及其他农产品的模式分类识别。

Description

一种基于矿质元素指纹鉴别葡萄酒原产地的方法

技术领域

本发明属于葡萄酒鉴别技术领域，具体涉及一种使用ICP-MS和ICP-OES检测葡萄酒中的矿质元素，结合化学计量学方法鉴别葡萄酒原产地的方法。

背景技术

地理标志(geographicalindications，简称GI)，又称原产地标志，《与贸易有关的知识产权协议》(TRIPS协议)对地理标志的解释为：地理标志是指证明某一产品来源于某一成员国或某一地区或该地区内的某一地点的标志，该产品的某些特定品质、声誉或其他特点在本质上可归因于该地理来源。地理标志保护制度，是世界上多数国家为有效保护本国特色产品而采取的重要制度体系。截至2012年底，我国已对3579个原产地地理标志产品实施了专门保护。

根据国际葡萄与葡萄酒组织(OIV)的标准，葡萄酒是以新鲜葡萄浆果或葡萄汁为原料，经过完全或部分酒精发酵后获得的产品。葡萄酒的质量和风格主要取决于酿酒葡萄的质量和与之相适应的加工工艺。酿酒葡萄的好坏直接依赖于产区的气候、土壤、品种等自然因素和与自然条件相适应的栽培技术。而在某一特定的区域内，经过长期的试验，往往会形成一些特定的生产工艺，从而生产出具有特定风格和品质的葡萄酒，因此，葡萄酒是一种地域性很强的农产品。到目前为止，我国已有河北昌黎、河北沙城、山东烟台等葡萄酒产区申请了葡萄酒地理标志产品保护。

随着人民生活水平的提高，葡萄酒的消费量持续增长，地理标志保护葡萄酒更是受到市场的广泛认可。为了牟取利益，假冒伪劣葡萄酒大量涌现。不但不同原产地的干红葡萄酒难以区分，在市场上还有非地理标志保护的葡萄酒冒充地理标志保护的葡萄酒进行销售，更有甚者销售假酒。2010年昌黎假酒事件为葡萄酒的经营者和消费者敲响了警钟，此类事件虽然暂时告一段落，但葡萄酒市场依然十分混乱，急需有力的监管措施，同时，葡萄酒的原产地识别至关重要。

从《国家中长期科学和技术发展规划纲要(2006-2020年)》中可以看出，公共安全中的食品安全是我国长期的发展规划。国务院食品安全委员会也在2011年指出，加强食品安全监管，深化食品安全综合治理，强化监管执法，加大对食品安全突出问题的整治力度，提高食品安全水平。其中，酒类行业是重点治理的领域。此外，国务院2010年11月，专门部署了“双打”专项行动(打击侵犯知识产权和制售假冒伪劣商品专项行动)。

鉴别国内干红葡萄酒的原产地是打击假冒伪劣葡萄酒的有效手段，是对公众负责的表现。对重点地理标志干红葡萄酒的保护不仅响应了国家长期的发展规划，有助于提高我国的食品安全水平，还有利于提高地理标志保护葡萄酒的品牌效应和经济效益，规范市场经营的秩序，保护生产者和经营者生产特色产品的积极性，维护消费者的合法权益。

此外，交叉学科的发展以及核心数学在交叉领域中的应用也是我国科学长期发展的纲要，而葡萄酒原产地鉴别技术多依赖于光谱技术、质谱技术和色谱技术等，需要数学、计算机科学、化学等学科的有效结合，所以无论是从国家重点发展的领域和优先主题上来说，还是从国家的基础研究上来说，都有必要进行葡萄酒原产地检验鉴定技术方法研究。

目前，国内对于葡萄酒原产地的鉴别方法，主要有：

1、色谱技术

色谱技术主要有HPLC和GC两种。HPLC(高效液相色谱法，HighPerformanceLiquidChromatography)用于分析测定葡萄酒中的有机酸、酚类、氨基酸等特定物质，但分析成本高，液相色谱仪价格及日常维护费用高、分析时间较长、酒样多需要进行前处理，操作繁琐；GC用于检测葡萄酒中具有挥发性的芳香类化合物，多和质谱检测器联用，但易受试样的挥发性和热稳定性限制，难以做到进样量固定和操作条件稳定，对无机物和易分解的高沸点有机物分析比较困难。

2、红外光谱技术

广泛用于葡萄酒原产地识别的红外光谱技术主要有近红外光谱法(NIRS)和中红外光谱法(MIRS)，实际应用中，常结合紫外、可见光区进行分析。用红外光照射有机物分子时，分子中的化学键或官能团可发生振动吸收，不同的化学键或官能团吸收波长和含量不同，在红外光谱上的位置和吸收强度将不同，从而获得分子的组成、结构和含量信息。但需要较强的光谱信号分析能力，建模所需人力较大，时间较长，且在应用时都需要实现模型的有效传递，才能保证模型的判别效果，目前在葡萄酒的原产地鉴别方面多集中在基础研究，应用性稍弱。

葡萄酒含有丰富的矿质元素，既包含K、Ca、Na、Mg等大量元素，也包括Fe、Cu、Zn、Mn等微量元素以及Y、La、Ce等稀土元素。这些矿质元素主要依靠葡萄从种植地土壤吸收，因而不同产区葡萄酒的矿质元素组成也具有明显的地理差异。石墨炉原子吸收分光光度法(GF-AAS)、火焰原子吸收光谱法(F-AAS)、电感耦合等离子体质谱法(ICP-MS)和电感耦合等离子体发射光谱法(ICP-OES)等均可用于矿质元素测定，但ICP-MS和ICP-OES可同时快速检测多种痕量元素，具有分析速度快，样品引入容易的特点，应用较为广泛。目前，国外已有研究利用矿质元素追溯葡萄酒的原产地，但没有研究针对每个原产地单独建立葡萄酒产地判别模型，也没有专门用于鉴别葡萄酒原产地的鉴别分析系统。

发明内容

本发明的目的在于，提供一种基于矿质元素指纹鉴别葡萄酒原产地的方法，可快速、准确、方便地鉴定葡萄酒产地，不仅可以建立和存储新模型，并根据新的样本信息调正优化已有模型，还可以直接选择已建模型对未知样本进行产地预测。

为了实现上述目的，本发明提供了如下技术方案：

一种基于矿质元素指纹鉴别葡萄酒原产地的方法，包括如下步骤：

(1)准备已知产地的葡萄酒酒样或未知产地的待测集葡萄酒酒样，采用ICP-MS和ICP-OES，分别对所述葡萄酒中矿质元素含量进行如下全定量分析检测：

对已知产地的酒样，检测以下30种矿质元素Li、Be、Al、V、Cr、Mn、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Hg、Tl、Pb、U、Ge、Sn、B、Na、Mg、Ca、Fe、P；

对未知产地的待测集酒样，对相应的特征元素含量进行测定，所述特征元素选自上述30种矿质元素；

(2)绘制上述各个矿质元素检测用的标准曲线；

(3)矿质元素含量测定：将备好的已知产地葡萄酒酒样或未知产地待测葡萄酒酒样分别进行全定量分析，结果由标准曲线自动计算所得；

(4)将步骤(3)中所测得的已知产地的葡萄酒矿质元素含量导入统计学软件，采用逐步判别分析法筛选特征矿质元素；

(5)目标产地鉴别模型建立过程：将步骤(4)筛选得到的已知产地训练集样本数据，导入葡萄酒产地鉴别分析系统，进行数据预处理，寻找最佳参数，建立葡萄酒原产地鉴别模型；

(6)测试验证或预测鉴别过程：将步骤(3)中所测得的未知产地的待测集葡萄酒矿质元素含量数据导入葡萄酒产地鉴别分析系统，赋予已知目标原产地的测试集样本分类参考值为1，已知非目标原产地的测试集样本分类参考值为-1，未知产地的待测集样本分类参考值为0，对测试集或待测集样本数据进行数据预处理，采用葡萄酒目标原产地鉴别模型对样本进行预测，如果模型对该样本的预测值为1，说明该样本产地为目标原产地，如果该样本的预测值为-1，则说明该样本产地非目标原产地。

在上述步骤(1)中，进行ICP-MS测定时，酒样用2％HNO₃溶液按照1：1的比例稀释，进行ICP-OES测定时，酒样用1％HNO₃溶液稀释20倍，备用。

在上述步骤(1)中，分别在ICP-MS和ICP-OES的工作条件下，制备空白溶液和标准溶液系列，根据葡萄酒中各矿物质元素的含量范围，选择标准溶液浓度区间，由仪器自动绘制标准曲线。

所述空白溶液为：ICP-MS空白溶液为含有6.5％乙醇的1％HNO₃溶液，ICP-OES空白溶液为含有0.65％乙醇的1％HNO₃溶液，可以有效消除乙醇对样品测定带来的基体干扰。

在步骤(4)中，借助于统计学软件IBMSPSS20.0，对步骤(1)获得的相应矿质元素含量进行逐步判别分析，筛选特征矿质元素。

在步骤(5)和(6)中，采用Boxcox进行数据预处理。

在步骤(5)中，目标原产地鉴别模型建立过程：筛选训练集样本，赋予目标产地样本分类参考值为1，其他产地样本分类参考值为-1，基于特征元素，将训练集样本数据进行Boxcox数据预处理，然后进行SVM参数寻优，建立葡萄酒原产地鉴别模型。

优选地，步骤(1)中所测得的葡萄酒矿质元素含量数据先进行马氏距离分析，剔除异常样本后，再导入IBMSPSS20.0；然后采用逐步判别法建立判别模型，筛选产地判别的特征矿质元素，用“留一法”交叉验证和测试集外部验证检验模型效果，确定特征矿质元素。

优选地，步骤(1)中，未知产地的待测集酒样特征矿质元素为以下20种：Li、Be、B、Mg、Al、P、Mn、Fe、Cu、Zn、As、Se、Rb、Sr、Cd、Sn、Cs、Tl、Pb、U。

优选地，步骤(4)中，重要的特征矿质元素为以下20种：Li、Be、B、Mg、Al、P、Mn、Fe、Cu、Zn、As、Se、Rb、Sr、Cd、Sn、Cs、Tl、Pb、U。

与现有技术相比，本发明的有益效果在于：

本发明的一种基于矿质元素指纹鉴别葡萄酒原产地的方法，具有快速、污染小、准确度高等优点，准确度在95％以上；不仅可以建立和存储新模型，并根据新的样本信息调正优化已有模型，还可以直接选择已建模型对未知样本进行产地预测。同时可用于其他地理标志产品基于SVM的模式分类。

附图说明

图1贺兰山东麓葡萄酒样本矿质元素的马氏距离排序

图2矿质元素前三个典型判别函数的载荷矩阵

图3(a)葡萄酒样本在DF1、DF2和DF3上的得分散点图

图3(b)葡萄酒样本在DF1和DF2上的得分散点图

图3(c)葡萄酒样本在DF1和DF3上的得分散点图

图3(d)葡萄酒样本在DF2和DF3上的得分散点图

图4葡萄酒原产地Fisher逐步判别分析(FLD)结果

图5贺兰山东麓原产地干红葡萄酒和河西走廊原产地干红葡萄酒SVM判别模型分析结果

注：

DF1、DF2和DF3分别代表前三个典型判别函数

SC―沙城，HLS―贺兰山东麓，HXZL―河西走廊，TH―通化

具体实施方式

下面结合附图及实施例对本发明进行进一步说明。

本发明的一种基于矿质元素指纹鉴别葡萄酒原产地的方法，包括以下步骤：

供测样品制备：

将供测酒样分别用2％HNO₃溶液按照1：1的比例稀释，用于ICP-MS(Inductivelycoupledplasmamassspectrometry，电感耦合等离子体质谱仪)测定；用1％HNO₃溶液稀释20倍，用于ICP-OES(InductivelyCoupledPlasmaOpticalEmissionSpectrometer，电感耦合等离子体发射光谱仪)测定。

采用ICP-MS和ICP-OES检测葡萄酒中的30种矿质元素含量：

用含有6.5％乙醇的1％HNO₃的ICP-MS空白溶液，将环境元素混合标准贮备液和Hg单一标准贮备液逐级稀释为0.1μg/L、0.2μg/L、0.5μg/L、1μg/L、2μg/L、5μg/L、10μg/L、20μg/L、50μg/L、100μg/L、200μg/L、500μg/L、1000μg/L的混合标准溶液，用于检测以下22种元素：Li、Be、Al、V、Cr、Mn、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Hg、Tl、Pb、U；

将Ge和Sn单一标准贮备液逐级稀释为0.1μg/L、0.2μg/L、0.5μg/L、1μg/L、2μg/L、5μg/L的混合标准溶液，用于检测Ge和Sn两种元素；

用含有0.65％乙醇的1％HNO₃溶液的ICP-OES空白溶液将B、Na、Mg、Ca、Fe、P单一标准贮备液逐级稀释为混合标准溶液(B：0.25μg/L、0.5μg/L、1μg/L、1.5μg/L、2μg/mL，Na：0.5μg/L、1μg/L、2μg/L、3μg/L、4μg/mL，Mg、P：2.5μg/L、5μg/L、10μg/L、15μg/L、20μg/mL，Ca：1μg/L、2μg/L、3μg/L、4μg/L、5μg/mL，Fe：0.05μg/L、0.1μg/L、0.2μg/L、0.3μg/L、0.4μg/mL)，用于检测以下6种元素：B、Na、Mg、Ca、Fe、P；

分别在ICP-MS和ICP-OES的最佳工作条件下，采集空白溶液和标准溶液系列，根据葡萄酒中各矿物质元素的含量范围，选择合适的标准溶液浓度区间，由仪器自动绘制标准曲线；

将备好的供测样品酒样分别采用ICP-MS和ICP-OES全定量分析，由标准曲线自动计算得出30种矿质元素(Li、Be、Al、V、Cr、Mn、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Hg、Tl、Pb、U、Ge、Sn、B、Na、Mg、Ca、Fe、P)的含量。

IBMSPSS20.0进行逐步判别分析，筛选20种特征矿质元素：

优选地，对每个原产地样本进行马氏距离分析，剔除异常样本。

将所得30种矿质元素含量数据用IBMSPSS20.0进行逐步判别分析，筛选出20种(Li、Be、B、Mg、Al、P、Mn、Fe、Cu、Zn、As、Se、Rb、Sr、Cd、Sn、Cs、Tl、Pb、U)特征矿质元素。

优选地，使用“留一法”交叉验证和测试集外部验证检验模型效果，确定特征矿质元素。

建立目标原产地SVM鉴别模型：

所述建立目标原产地SVM鉴别模型，包括以下步骤：

I.数据的导入及预处理：

数据导入：

训练集样本数据包括分类参考值Y和特征矿质元素含量X两部分。假设有n个训练集样本数据，m个特征矿质元素，第i(1≤i≤n)个样本的分类参考值为y_i，其对应的第j(1≤j≤m)个特征矿质元素含量为x_j，则训练集样本数据(即输入矩阵)为：

$R_{n\×m}=\left[\begin{array}{cc}Y& X\end{array}\right]=\left[\begin{array}{ccccccc}{y}_1& x_{11}& x_{12}& ...& x_{1j}& ...& x_{1m}\\ y_2& x_{21}& x_{22}& ...& x_{2j}& ...& x_{2m}\\ .& .& .& & .& & .\\ .& .& .& & .& & .\\ .& .& .& & .& & .\\ y_i& x_{i1}& x_{i2}& ...& x_{ij}& ...& x_{im}\\ .& .& .& & .& & .\\ .& .& .& & .& & .\\ .& .& .& & .& & .\\ y_n& x_{n1}& x_{n2}& ...& x_{nj}& ...& x_{nm}\end{array}\right]$ (式1)

其中， $y_i=\left\{\begin{array}{cc}1,& i\&Element;\&lsqb;1,k\&rsqb;\\ -1,& i\&Element;(k,n\&rsqb;\end{array}\right.,$ x_ij>0，1≤k<n，(1≤i≤n)，j(1≤j≤m)。

数据预处理：

本方法利用Boxcox变换，降低样本数据的测量误差，提升所建模型的质量和效果。

本方法采用MatrixBoxCox和BoxCoxbyLamda函数完成对矩阵的Boxcox变换，即：

[transdat,λ]＝MatrixBoxCox(data₁)(式2)

[trans]＝BoxCoxbyLamda(λ,data₂)(式3)

式2表示对矩阵data₁(训练集中目标产地样本特征元素含量数据)进行Boxcox变换，得出变换后矩阵transdat和变换参数向量λ，式3表示使用已有的变换参数向量λ对矩阵data₂(训练集中非目标产地样本特征元素含量数据)进行Boxcox变换，得出变换后的矩阵trans。

本发明对训练集样本数据特征矿质元素含量矩阵X进行Boxcox变换，与常规对整个矩阵X进行Boxcox变换不同，根据样本分类值的不同将原始矩阵分两个部分进行变换，具体变换过程为：

1.对分类值为1的样本特征矿质元素含量矩阵X_k×m进行Boxcox变换，得出变换后含量矩阵X'_k×m和变换参数矩阵Λ_1×m；

2.使用该Λ对分类值为-1的样本特征矿质元素含量矩阵X_(n-k)×m进行Boxcox变换，得到变换后含量矩阵X'_(n-k)×m，即：

[X'_k×m,Λ_1×m]＝MatrixBoxCox(X_k×m)(式4)

[X'_(n-k)×m]＝BoxCoxbyLamda(Λ_1×m,X_(n-k)×m)(式5)

$X^{\&prime;}=\left[\begin{array}{c}{X}_{k\&times;m}^{\&prime;}\\ X_{(n-k)\&times;m}^{\&prime;}\end{array}\right],R^{\&prime;}=\&lsqb;\begin{array}{cc}Y& X^{\&prime;}\end{array}\&rsqb;$ (式6)

X'即为经过预处理后的特征矿质元素含量矩阵，Λ为变换参数矩阵，R'为经过预处理后的训练集输入矩阵。

II.SVM参数选取

本发明采用网格搜索法进行SVM参数寻优，寻优依据为不同参数下的模型交叉验证率。交叉验证(CrossValidation,CV)是用来验证模型预测能力的统计方法，即将原训练集样本数据分为v组，选择其中的v-1组作为训练集数据用于建立模型，选择剩下的1组数据作为测试集，采用所建模型预测该组结果，同理依次计算每组的预测结果，统计所有组的预测结果，即得出在当前SVM参数下所建模型的交叉验证率。网格搜索法参数寻优的基本思想为：将参数g(核参数)和C(惩罚因子)设定在一定的范围区间，并给定两个参数的步阶值(step)形成一张网格，网格中每个点代表一组(g,C)，计算v分组交叉验证下所有可取的(g,C)下所建模型的交叉验证率，最大值对应的参数组合即为最优参数。

III.葡萄酒目标原产地SVM鉴别模型的建立：

本发明葡萄酒目标原产地SVM鉴别模型的建模方法为：

model＝svmtrain(R',g,C)(式7)

式7表示使用参数g和C对经过预处理后训练集数据R'进行建模，得到模型model。

acc＝svmtrain(R',g,C,v)(式8)

式8表示使用参数g和C对经过数据预处理后训练集数据R'进行建模，得到在v分组下交叉验证率acc。

LibSVM库关于交叉验证仅输出交叉验证率数值，为获取参数寻优过程中每个样本的交叉验证的预测结果，针对LibSVM库交叉验证相关代码部分进行了改进：

cv_rst＝svmtrain(R',g,C,v)(式9)

cv_rst为结果矩阵，[cv_rst]＝[acc,Y'_v,Y]，其中Y'_v为当前(g,C,v)参数组合下，样本交叉验证结果(Y'_v＝1或-1)，Y为样本已知结果，acc为交叉验证率。

测试验证或预测鉴别过程：

所述测试验证或预测鉴别过程，包括以下步骤：

I.数据的导入及预处理：

测试集样本数据同样包括分类参考值和特征矿质元素含量两部分。假设有n个测试集样本数据，m个特征矿质元素，第i(1≤i≤n)个样本的分类参考值为q_i，其对应的第j(1≤j≤m)个特征矿质元素含量为p_j，则测试集样本数据(即输入矩阵)为：

$T_{n\&times;m}=\left[\begin{array}{cc}Q& P\end{array}\right]=\left[\begin{array}{ccccccc}{q}_1& p_{11}& p_{12}& ...& p_{1j}& ...& p_{1m}\\ q_2& p_{21}& p_{22}& ...& p_{2j}& ...& p_{2m}\\ .& .& .& & .& & .\\ .& .& .& & .& & .\\ .& .& .& & .& & .\\ q_i& p_{i1}& p_{i2}& ...& p_{ij}& ...& p_{im}\\ .& .& .& & .& & .\\ .& .& .& & .& & .\\ .& .& .& & .& & .\\ q_n& p_{n1}& p_{n2}& ...& p_{nj}& ...& p_{nm}\end{array}\right]$ (式10)

其中x_ij>0，(1≤i≤n)，j(1≤j≤m)。

对于产地完全未知的测试集样本，设置q_i＝0；对于产地已知的测试集样本(用于模型外部验证)，设置 $q_i=\left\{\begin{array}{cc}1,& i\&Element;\&lsqb;1,k\&rsqb;\\ -1,& i\&Element;(k,n\&rsqb;\end{array}\right.,$ 其中1≤k<n。

II.产地预测：

根据所选葡萄酒目标原产地SVM鉴别模型选择进行数据预处理过程或者预测样本产地。SVM预测方法为：

[Q',acc]＝svmpredict(T,model)(式11)

其中，T为测试集或待测集样本数据，model为所选择的目标原产地鉴别模型，Q'为预测结果向量，acc为预测正确率。

根据葡萄酒目标原产地SVM鉴别模型，将已知目标原产地的测试集样本分类参考值设置为1，将已知非目标原产地的测试集样本分类参考值设置为-1，将未知产地的待测集样本分类参考值设置为0，选用目标原产地鉴别模型，对测试集或待测集样本数据进行Boxcox数据预处理，如果样本预测值为1，说明该样本产地为目标原产地，如果样本预测值为-1，则说明该样本产地非目标样本原产地。

实施例1

贺兰山东麓干红葡萄酒的原产地鉴别

(1)采用ICP-MS(Agilent7500a，美国Agilent公司)和ICP-OES(Optima2000DV，美国PerkinElmer公司)检测葡萄酒中矿质元素含量；

a.供测样品制备：

通过酒厂取样方式采集干红葡萄酒样品共计N＝357份，分别来自沙城(n＝105)、贺兰山东麓(n＝89)、河西走廊(n＝80)和通化(n＝83)四个产区不同的酒庄，采取的样品中，每个产区尽可能包括不同酿酒年份和不同葡萄品种的酒样，以此来减小品种和年份对产地鉴别的影响。除此之外，所选葡萄酒样品的酿酒葡萄品种和酿造方式均按照相应国标中所规定的类型和流程。

不同产地的葡萄酒酒样，进行ICP-MS测定时，用2％HNO₃溶液按照1：1的比例稀释；进行ICP-OES测定时，酒样用1％HNO₃溶液稀释20倍，备用。

b.采用ICP-MS和ICP-OES检测葡萄酒中的30种矿质元素含量：

标准贮备液：10μg/mL环境混合标准贮备液，含Li、Be、Na、Mg、Al、K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Tl、Pb、U(美国，Agilent公司)；10μg/mLHg单一标准贮备液(美国，Agilent公司)；1000μg/mLNa、Mg、P、Fe、Ge单一标准贮备液(国家标准溶液)；100μg/mLB、Ca、Sn单一标准贮备液(国家标准溶液)。

内标溶液(ICP-MS)：1000μg/mLRh混合标准溶液(中国计量科学研究院)，用1％HNO₃稀释为1μg/mL，由内标管在线引入质谱仪；质谱调谐液：Li、Co、Y、Ce、Tl，浓度均为10μg/mL(美国，Agilent公司)；浓HNO₃(65％，优级纯，德国，Merck公司)；乙醇(优级纯，德国，Merck公司)；超纯水(18.2MΩ)。

ICP-MS工作条件：由质谱调谐液调试仪器，经全自动调谐优化给出工作参数，满足ICP-MS使用的灵敏度、氧化物、双电荷等各项指标。调谐后的具体参数如下：射频功率：1340W；冷却气流速：15L/min；载气流速：1.22L/min；辅助气流速：1.1L/min；雾化室温度：2±0.1℃；采样锥和截取锥：Ni；采样深度：9mm；氧化物：<0.5％；双电荷：<3％。

ICP-OES工作条件：十字交叉雾化器；石英炬管；1.8mm陶瓷中心管；测量波长:B294.677nm，Na589.592nm，Mg285.213nm，Ca317.933nm，Fe238.204nm，P213.617nm；功率300W；进样速率1.5mL/min；载气流量0.8L/min；辅助气流量0.2L/min；冷却气流量15L/min。

空白溶液：1％HNO₃溶液，其中乙醇含量分别为6.5％(ICP-MS)和0.65％(ICP-OES)，可以有效消除乙醇对样品测定带来的基体干扰。

标准曲线绘制：用ICP-MS的空白溶液，将环境元素混合标准贮备液和Hg单一标准贮备液逐级稀释为0.1、0.2、0.5、1、2、5、10、20、50、100、200、500、1000μg/L的混合标准溶液，用于检测Li、Be、Al、V、Cr、Mn、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Hg、Tl、Pb、U22种元素；将Ge和Sn单一标准贮备液逐级稀释为0.1、0.2、0.5、1、2、5μg/L的混合标准溶液，用于检测Ge和Sn两种元素。用ICP-OES的空白溶液将B、Na、Mg、Ca、Fe、P单一标准贮备液逐级稀释为适宜浓度的混合标准溶液(B：0.25、0.5、1、1.5、2μg/mL，Na：0.5、1、2、3、4μg/mL，Mg、P：2.5、5、10、15、20μg/mL，Ca：1、2、3、4、5μg/mL，Fe：0.05、0.1、0.2、0.3、0.4μg/mL)。分别在ICP-MS和ICP-OES的工作条件下，采集空白溶液和标准溶液系列，根据葡萄酒中各矿物质元素的含量范围，选择合适的标准溶液浓度区间，由仪器自动绘制标准曲线。

矿质元素含量测定：酒样测定均采用全定量分析，结果由标准曲线自动计算所得。

c.IBMSPSS20.0进行逐步判别分析，筛选20种特征矿质元素：

分别对四个原产地中所有样本进行马氏距离分析，剔除每个原产地酒样中的异常样本，图1所示为四个原产地所有样本按照马氏距离从小到大依次排序图，如贺兰山东麓有2个酒样马氏距离较大，明显偏离其他样本，可判定为异常样本，同理，剔除其他产地异常样本。其余样本中，每个产地随机选择75个样本，采用IBMSPSS20.0系统对矿质元素含量原始数据做标准化处理，并按照3：1的比例随机分为训练集(n＝56)和测试集(n＝19)，采用线性判别分析中的逐步判别法建立葡萄酒四个原产地的判别模型，筛选产地判别的特征元素，用“留一法”交叉验证和测试集外部验证检验模型效果。

结果如图2所示，筛选了20种特征矿质元素(Li、Be、B、Mg、Al、P、Mn、Fe、Cu、Zn、As、Se、Rb、Sr、Cd、Sn、Cs、Tl、Pb、U)，得到了三个典型判别函数(DF1，DF2和DF3)，酒样在DF1、DF2和DF3上的散点分布如图3所示，四个产地样品分布于不同的空间，贺兰山东麓酒样在DF2和DF3上与其他产地区分明显，而河西走廊酒样在DF3上可以基本得到区分，通化酒样在DF1和DF2上可以与其他产地完全区分开。此外，沙城酒样和通化酒样的聚合度较好，与其他产地没有交叉或交叉极少；而贺兰山东麓酒样有少量样品与河西走廊酒样交叉。经过内部交叉验证，判别分析结果如图4所示，样本总体判别正确率为97.8％。河西走廊样本中无错判，沙城和通化样本中各有1个被错判，贺兰山样本中有3个被错判为河西走廊葡萄酒，产地整体判别正确率为97.8％；将Fisher判别模型应用于测试集未知样品的产地识别，整体判别率为96.0％，沙城和通化样本中无错判，贺兰山东麓有2个样品错判为河西走廊，河西走廊样本中有1个被错判为贺兰山东麓。总的来说，模型对四个产地葡萄酒样本的判别率均较高，满足判别分析的要求，说明基于筛选出的20种矿质元素，可以有效对葡萄酒的四个产地进行鉴别。

d.建立贺兰山东麓干红葡萄酒SVM原产地鉴别模型：

剔除异常样本后，基于贺兰山东麓葡萄酒组内马氏距离，最小值和最大值归于训练集，样本按照3：1的比例分为训练集(n＝66)和外部测试集(n＝21)，设定样本分类参考值均为1；其它三个产地样本中均随机选择21个样本作为训练集，其余样本作为外部测试集，设定样本分类参考值均为-1。将包括分类参考值和特征矿质元素含量的训练集样本数据导入到葡萄酒产地鉴别分析用计算机，对20种特征矿质元素含量进行Boxcox数据预处理，基于“留一法”内部交叉验证，寻找最佳参数g和C，此处设置两参数取值范围均为-4到4，步阶值step为0.5，建立SVM原产地鉴别模型。

e.测试验证：

将包括分类参考值和特征矿质元素含量的测试集样本导入到葡萄酒目标产地鉴别模型的预测过程中，预测样本分类结果，若模型对测试集样本预测值为1，则表明该样本预测为贺兰山东麓原产地干红葡萄酒，若样本预测值为-1，则表明该样本预测为非贺兰山东麓原产地干红葡萄酒。

当样本的预测分类值和设定参考值相等时，模型预测正确，当两者不相等时，模型预测错误。结果如图5所示，贺兰山东麓干红葡萄酒SVM原产地鉴别模型对训练集样本的交叉验证判别率为98.45％，对外部测试集样本的判别率为99.55％。

实施例2

河西走廊干红葡萄酒的原产地鉴别

(1)采用ICP-MS(Agilent7500a，美国Agilent公司)和ICP-OES(Optima2000DV，美国PerkinElmer公司)检测葡萄酒中矿质元素含量；

a.供测样品制备：

通过酒厂取样方式采集干红葡萄酒样品共计N＝357份，分别来自沙城(n＝105)、贺兰山东麓(n＝89)、河西走廊(n＝80)和通化(n＝83)四个产区不同的酒庄，采取的样品中，每个产区尽可能包括不同酿酒年份和不同葡萄品种的酒样，以此来减小品种和年份对产地鉴别的影响。除此之外，所选葡萄酒样品的酿酒葡萄品种和酿造方式均按照相应国标中所规定的类型和流程。

不同产地的葡萄酒酒样，进行ICP-MS测定时，用2％HNO₃溶液按照1：1的比例稀释；进行ICP-OES测定时，酒样用1％HNO₃溶液稀释20倍，备用。

b.采用ICP-MS和ICP-OES检测葡萄酒中的30种矿质元素含量：

标准贮备液：10μg/mL环境混合标准贮备液，含Li、Be、Na、Mg、Al、K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Tl、Pb、U(美国，Agilent公司)；10μg/mLHg单一标准贮备液(美国，Agilent公司)；1000μg/mLNa、Mg、P、Fe、Ge单一标准贮备液(国家标准溶液)；100μg/mLB、Ca、Sn单一标准贮备液(国家标准溶液)。

内标溶液(ICP-MS)：1000μg/mLRh混合标准溶液(中国计量科学研究院)，用1％HNO₃稀释为1μg/mL，由内标管在线引入质谱仪；质谱调谐液：Li、Co、Y、Ce、Tl，浓度均为10μg/mL(美国，Agilent公司)；浓HNO₃(65％，优级纯，德国，Merck公司)；乙醇(优级纯，德国，Merck公司)；超纯水(18.2MΩ)。

ICP-MS工作条件：由质谱调谐液调试仪器，经全自动调谐优化给出工作参数，满足ICP-MS使用的灵敏度、氧化物、双电荷等各项指标。调谐后的具体参数如下：射频功率：1340W；冷却气流速：15L/min；载气流速：1.22L/min；辅助气流速：1.1L/min；雾化室温度：2±0.1℃；采样锥和截取锥：Ni；采样深度：9mm；氧化物：<0.5％；双电荷：<3％。

ICP-OES工作条件：十字交叉雾化器；石英炬管；1.8mm陶瓷中心管；测量波长:B294.677nm，Na589.592nm，Mg285.213nm，Ca317.933nm，Fe238.204nm，P213.617nm；功率300W；进样速率1.5mL/min；载气流量0.8L/min；辅助气流量0.2L/min；冷却气流量15L/min。

空白溶液：1％HNO₃溶液，其中乙醇含量分别为6.5％(ICP-MS)和0.65％(ICP-OES)，可以有效消除乙醇对样品测定带来的基体干扰。

标准曲线绘制：用ICP-MS的空白溶液，将环境元素混合标准贮备液和Hg单一标准贮备液逐级稀释为0.1、0.2、0.5、1、2、5、10、20、50、100、200、500、1000μg/L的混合标准溶液，用于检测Li、Be、Al、V、Cr、Mn、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Hg、Tl、Pb、U22种元素；将Ge和Sn单一标准贮备液逐级稀释为0.1、0.2、0.5、1、2、5μg/L的混合标准溶液，用于检测Ge和Sn两种元素。用ICP-OES的空白溶液将B、Na、Mg、Ca、Fe、P单一标准贮备液逐级稀释为适宜浓度的混合标准溶液(B：0.25、0.5、1、1.5、2μg/mL，Na：0.5、1、2、3、4μg/mL，Mg、P：2.5、5、10、15、20μg/mL，Ca：1、2、3、4、5μg/mL，Fe：0.05、0.1、0.2、0.3、0.4μg/mL)。分别在ICP-MS和ICP-OES的工作条件下，采集空白溶液和标准溶液系列，根据葡萄酒中各矿物质元素的含量范围，选择合适的标准溶液浓度区间，由仪器自动绘制标准曲线。

矿质元素含量测定：酒样测定均采用全定量分析，结果由标准曲线自动计算所得。

c.IBMSPSS20.0进行逐步判别分析，筛选20种特征矿质元素：

分别对四个原产地中所有样本进行马氏距离分析，剔除每个原产地酒样中的异常样本，图1所示为四个原产地所有样本按照马氏距离从小到大依次排序图，如河西走廊有3个酒样马氏距离较大，明显偏离其他样本，可判定为异常样本，同理，剔除其他产地异常样本。其余样本中，每个产地随机选择75个样本，采用IBMSPSS20.0系统对矿质元素含量原始数据做标准化处理，并按照3：1的比例随机分为训练集(n＝56)和测试集(n＝19)，采用逐步判别法建立葡萄酒四个产地的判别模型，筛选产地判别的特征元素，用“留一法”交叉验证和测试集外部验证检验模型效果。

结果如图2所示，筛选了20种特征矿质元素(Li、Be、B、Mg、Al、P、Mn、Fe、Cu、Zn、As、Se、Rb、Sr、Cd、Sn、Cs、Tl、Pb、U)，得到了三个典型判别函数(DF1，DF2和DF3)，酒样在DF1、DF2和DF3上的散点分布如图3所示，四个产地样品分布于不同的空间，贺兰山东麓酒样在DF2和DF3上与其他产地区分明显，而河西走廊酒样在DF3上可以基本得到区分，通化酒样在DF1和DF2上可以与其他产地完全区分开。此外，沙城酒样和通化酒样的聚合度较好，与其他产地没有交叉或交叉极少；而贺兰山东麓酒样有少量样品与河西走廊酒样交叉。经过内部交叉验证，判别分析结果如图4所示，样本总体判别正确率为97.8％。河西走廊样本中无错判，沙城和通化样本中各有1个被错判，贺兰山样本中有3个被错判为河西走廊葡萄酒，产地整体判别正确率为97.8％；将Fisher判别模型应用于测试集未知样品的产地识别，整体判别率为96.0％，沙城和通化样本中无错判，贺兰山东麓有2个样品错判为河西走廊，河西走廊样本中有1个被错判为贺兰山东麓。总的来说，模型对四个产地葡萄酒样本的判别率均较高，满足判别分析的要求，说明基于筛选出的20种矿质元素，可以有效对葡萄酒的四个产地进行鉴别。

d.建立河西走廊干红葡萄酒的SVM原产地鉴别模型：

剔除异常样本后，基于河西走廊葡萄酒组内马氏距离，最小值和最大值归于训练集，其余河西走廊样本按照3：1的比例分为训练集(n＝58)和外部测试集(n＝19)，设定样本分类参考值为1；其它三个产地样本中均随机选择19个样本作为训练集，其余样本作为外部测试集，设定样本分类参考值为-1。然后将训练集样本数据导入到葡萄酒产地鉴别分析系统的建模过程中，对20种特征矿质元素含量进行Boxcox数据预处理，基于“留一法”内部交叉验证，寻找最佳参数g和C，此处设置两参数取值范围均为-4到4，步阶值step为0.5，建立SVM原产地鉴别模型；

e.测试验证：

将外部测试集样本导入到葡萄酒目标原产地鉴别模型的预测过程中，预测测试集样本分类结果，若样本预测值为1，则表明该样本预测为河西走廊原产地干红葡萄酒，若样本预测值为-1，则表明该样本预测为非河西走廊原产地干红葡萄酒。

当样本的预测分类值和设定参考值相等时，模型预测正确，当两者不相等时，模型预测错误。结果如图5所示，河西走廊干红葡萄酒SVM原产地鉴别模型对训练集样本的交叉验证判别率为96.77％，对外部待测集样本的判别率为95.63％。

实施例3

未知产地的待测干红葡萄酒原产地鉴别

(1)采用ICP-MS(Agilent7500a，美国Agilent公司)和ICP-OES(Optima2000DV，美国PerkinElmer公司)检测葡萄酒中特征矿质元素含量；

a.供测样品制备：

采集待测干红葡萄酒样本。进行ICP-MS测定时，用2％HNO₃溶液按照1：1的比例稀释；进行ICP-OES测定时，酒样用1％HNO₃溶液稀释20倍，备用。

b.采用ICP-MS和ICP-OES检测葡萄酒中的20种特征元素含量：

标准贮备液：10μg/mL环境混合标准贮备液，含Li、Be、Na、Mg、Al、K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Tl、Pb、U(美国，Agilent公司)；1000μg/mLMg、P、Fe单一标准贮备液(国家标准溶液)；100μg/mLB、Sn单一标准贮备液(国家标准溶液)。

内标溶液(ICP-MS)：1000μg/mLRh混合标准溶液(中国计量科学研究院)，用1％HNO₃稀释为1μg/mL，由内标管在线引入质谱仪；质谱调谐液：Li、Co、Y、Ce、Tl，浓度均为10μg/mL(美国，Agilent公司)；浓HNO₃(65％，优级纯，德国，Merck公司)；乙醇(优级纯，德国，Merck公司)；超纯水(18.2MΩ)。

ICP-MS工作条件：由质谱调谐液调试仪器，经全自动调谐优化给出工作参数，满足ICP-MS使用的灵敏度、氧化物、双电荷等各项指标。调谐后的具体参数如下：射频功率：1340W；冷却气流速：15L/min；载气流速：1.22L/min；辅助气流速：1.1L/min；雾化室温度：2±0.1℃；采样锥和截取锥：Ni；采样深度：9mm；氧化物：<0.5％；双电荷：<3％。

ICP-OES工作条件：十字交叉雾化器；石英炬管；1.8mm陶瓷中心管；测量波长：B294.677nm，Mg285.213nm，Fe238.204nm，P213.617nm；功率300W；进样速率1.5mL/min；载气流量0.8L/min；辅助气流量0.2L/min；冷却气流量15L/min。

空白溶液：1％HNO₃溶液，其中乙醇含量分别为6.5％(ICP-MS)和0.65％(ICP-OES)，可以有效消除乙醇对样品测定带来的基体干扰。

标准曲线绘制：用ICP-MS的空白溶液，将环境元素混合标准贮备液逐级稀释为0.1、0.2、0.5、1、2、5、10、20、50、100、200、500、1000μg/L的标准溶液，用于检测Li、Be、Al、Mn、Cu、Zn、As、Se、Rb、Sr、Cd、Cs、Tl、Pb、U共15种元素；将Sn单一标准贮备液逐级稀释为0.1、0.2、0.5、1、2、5μg/L的混合标准溶液，用于检测Sn元素。用ICP-OES的空白溶液将B、Mg、Fe、P单一标准贮备液逐级稀释为适宜浓度的混合标准溶液(B：0.25、0.5、1、1.5、2μg/mL，Mg、P：2.5、5、10、15、20μg/mL，Fe：0.05、0.1、0.2、0.3、0.4μg/mL)。分别在ICP-MS和ICP-OES的工作条件下，采集空白溶液和标准溶液系列，根据葡萄酒中各矿物质元素的含量范围，选择合适的标准溶液浓度区间，由仪器自动绘制标准曲线。

矿质元素含量测定：酒样测定均采用全定量分析，结果由标准曲线自动计算所得。

c.判断待测样本是否来自贺兰山东麓原产地：

设定待测干红葡萄酒的分类参考值为0，基于20种特征矿质元素，将待测样本导入到葡萄酒产地鉴别分析系统的预测过程中，选择目标原产地贺兰山东麓葡萄酒SVM鉴别模型，对待测样本数据进行相应的Boxcox数据预处理，预测待测样本分类结果，若目标模型对待测样本的预测值为1，则表明该样本预测为贺兰山东麓原产地干红葡萄酒，若样本预测值为-1，则表明该样本预测为非贺兰山东麓原产地干红葡萄酒。

Claims (10)

1.一种基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：该方法包括如下步骤：

(1)准备已知产地的葡萄酒酒样或未知产地的待测集葡萄酒酒样，采用ICP-MS和ICP-OES，分别对所述葡萄酒中矿质元素含量进行如下全定量分析检测：

对已知产地的酒样，检测以下30种矿质元素Li、Be、Al、V、Cr、Mn、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Ag、Cd、Cs、Ba、Hg、Tl、Pb、U、Ge、Sn、B、Na、Mg、Ca、Fe、P；

对未知产地的待测集酒样，对相应的特征矿质元素含量进行测定，所述特征元素选自上述30种矿质元素；

(2)绘制上述各矿质元素检测用的标准曲线；

(3)矿质元素含量测定：将备好的已知产地葡萄酒酒样或未知产地待测葡萄酒酒样分别进行全定量分析，结果由标准曲线自动计算所得；

(4)将步骤(3)中所测得的已知产地的葡萄酒矿质元素含量导入统计软件，采用逐步判别分析法筛选对原产地鉴别贡献率较大的特征矿质元素；

(5)目标产地鉴别模型建立过程：根据步骤(4)筛选得到的特征矿质元素，将已知产地的训练集酒样的分类参考值和相应特征矿质元素含量数据，输入葡萄酒产地鉴别分析用计算机，进行数据预处理，寻找最佳SVM参数，建立葡萄酒原产地鉴别模型；

(6)测试验证或预测鉴别过程：将步骤(3)中所测得的已知产地的测试集葡萄酒或未知产地的待测集葡萄酒特征矿质元素含量数据输入葡萄酒产地鉴别分析用计算机，赋予已知目标原产地的测试集样本分类参考值为1，已知非目标原产地的测试集样本分类参考值为-1，未知产地的待测集样本分类参考值为0，对测试集或待测集样本数据进行数据预处理，采用葡萄酒目标原产地鉴别模型对样本进行预测，如果模型对该样本的预测值为1，说明该样本产地为目标原产地，如果该样本的预测值为-1，则说明该样本产地非目标原产地。

2.根据权利要求1所述的基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：在上述步骤(1)中，进行ICP-MS测定时，酒样用2％HNO₃溶液按照1：1的比例稀释，进行ICP-OES测定时，酒样用1％HNO₃溶液稀释20倍，备用。

3.根据权利要求1所述的基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：在上述步骤(1)中，分别在ICP-MS和ICP-OES的工作条件下，制备空白溶液和标准溶液系列，根据葡萄酒中各矿物质元素的含量范围，选择合适的标准溶液浓度区间，由仪器自动绘制标准曲线。

4.根据权利要求3所述的基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：所述空白溶液为：ICP-MS空白溶液为含有6.5％乙醇的1％HNO₃溶液，ICP-OES空白溶液为含有0.65％乙醇的1％HNO₃溶液，可以有效消除乙醇对样品测定带来的基体干扰。

5.根据权利要求1所述的基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：在步骤(4)中，采用统计软件IBMSPSS20.0，对步骤(1)获得的相应矿质元素含量进行逐步判别分析，筛选特征矿质元素。

6.根据权利要求1所述的基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：在步骤(5)和(6)中，采用Boxcox进行数据预处理。

7.根据权利要求1所述的基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：所述步骤(5)中，目标原产地鉴别模型建立过程：筛选训练集样本，赋予目标产地样本分类参考值为1，其他产地样本分类参考值为-1，基于特征元素，将训练集样本数据进行Boxcox数据预处理，然后进行SVM参数寻优，建立葡萄酒原产地鉴别模型。

8.根据权利要求1所述的基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：所述步骤(1)中所测得的葡萄酒矿质元素含量数据先进行马氏距离分析，剔除异常样本后，再导入IBMSPSS20.0；然后采用逐步判别法建立判别模型，筛选产地判别的特征矿质元素，用“留一法”交叉验证和测试集外部验证检验模型效果，确定特征矿质元素。

9.根据权利要求1所述的基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：在所述步骤(1)中，未知产地的待测集酒样特征矿质元素为以下20种：Li、Be、B、Mg、Al、P、Mn、Fe、Cu、Zn、As、Se、Rb、Sr、Cd、Sn、Cs、Tl、Pb、U。

10.根据权利要求1所述的基于矿质元素指纹鉴别葡萄酒原产地的方法，其特征在于：在所述步骤(4)中，重要的特征矿质元素为以下20种：Li、Be、B、Mg、Al、P、Mn、Fe、Cu、Zn、As、Se、Rb、Sr、Cd、Sn、Cs、Tl、Pb、U。