温度对黄酒酒精度和糖度近红外分析模型的影响

沈 飞，应义斌，李博斌

（1.南京财经大学食品科学与工程学院，江苏 南京 210023；2.浙江大学生物系统工程与食品科学学院，浙江 杭州 310058；3.国家黄酒产品质量监督检验中心，浙江 绍兴 312071）

温度对黄酒酒精度和糖度近红外分析模型的影响

沈 飞1,2，应义斌2,*，李博斌3

（1.南京财经大学食品科学与工程学院，江苏 南京 210023；2.浙江大学生物系统工程与食品科学学院，浙江 杭州 310058；3.国家黄酒产品质量监督检验中心，浙江 绍兴 312071）

为研究温度对黄酒品质近红外光谱分析模型的影响，分别在5、10、15、20、25、30、35 ℃ 7 个温度条件下采集黄酒样品的可见-近红外光谱，采用偏最小二乘法建立各温度下黄酒酒精度和总糖含量定量分析模型。结果表明：温度对样品光谱存在影响，主成分分析表明不同温度下的样品有明显聚类趋势。模型精度受温度影响较大，但并无随温度变化的一致趋势。建立的混合温度模型预测相对误差较小，有实际应用潜力。

温度；近红外光谱；偏最小二乘法；黄酒；品质

近红外光谱（near infrared spectroscopy，NIRS）技术由于具有分析速度快、无损、多组分分析等优点，已经成为 发展最快的定量定性分析技术之一，在农产品、作物和饲料等品质分析等方面得到了广泛的应用[1-4]。近红外光谱区内的吸收主要来自于分子振动或转动引起的状态变化，其各基团的振动容易受到温度等外界条件的影响[5-7]。尤其在对液体样品测量时，温度的变化对检测精度影响较大，容易对模型性能产生影响[8]。Maeda等[9]利用不同的化学计量学方法研究了水的近红外光谱与温度的相关关系，发现光谱的差异主要由氢键的变化引起。Cozzolino等[10]研究了不同温度对近红外光谱检测葡萄酒品质模型的影响，发现970～1 400 nm波段范围内样品光谱存在差异，检测温度在30～35 ℃之间模型精度最佳。Sinelli等[11]应用近红外和中红外光谱技术成功区分了贮藏在不同温度下的牛肉馅样品。可见，研究温度变化对近红外分析对光谱及检测模型精度的影响十分必要。黄酒是我国最古老的独有酒种，集营养和保健功能为一体，被誉为“国粹”[12-13]。目前，近红外光谱技术已被用于黄酒酒精度、糖类、氨基酸等指标的快速分析和产地区分[14-17]。然而对于温度对其检测精度的影响研究还较为缺乏。因此，本实验拟以黄酒为对象，研究不同温度水平下样品光谱的变化趋势，以及对检测模型精度的影响，为近红外光谱实际应用于黄酒检测提供理论依据。

1 材料与方法

1.1 材料

黄酒样品由国家黄酒产品质量监督检验中心提供，酒龄从1 年到5 年陈，来自于不同的厂家，以保证具有足够的代表性。

1.2 仪器与设备

蔡司MCS 600型近红外光纤光谱仪 德国Carl Zeiss公司；Qpod-MPKIT控温样品池 美国Quantum Northwest公司。

1.3 方法

1.3.1 光谱采集

样品光谱的采集通过近红外光纤光谱仪实现。设置采集波段为303～1 600 nm，积分时间20 ms。以空气为参比，透射光程为1.0 mm，重复测量3 次。样品的温度通过控温样品池来设置，参考环境温度变化，设置测量时温度水平分别为5、10、15、20、25、30、35 ℃。

1.3.2 黄酒品质指标的测定

依据国家标准GB/T 13662—2008《黄酒》[18]，对黄酒酒精度、总糖含量指标进行检测分析。结果如表1所示，样品中酒精度和总糖含量的分布范围较广，具有一定的代表性。

表1 黄酒样品中酒精度和总糖含量分析结果Table1 Analysis of alcohol and total sugar contents in rice wine samples

1.4 数据处理

光谱数据的预处理和建模分析通过TQ Analyst v6.2.1软件进行。采用主成分分析（principal component analysis，PCA）、判别分析法（discriminant analysis，DA）对不同温度下的黄酒样品光谱进行分类，偏最小二乘法（partial least square，PLS）对酒精度和总糖含量指标进行定量分析。模型精度通过校正模型相关系数（rc）、校正均方差（root mean square error in calibration，RMSEC）、交叉验证均方差（root mean square error in cross-validation，RMSECV）、预测均方差（root mean square error value of prediction，RMSEP）和相对分析误差（ratio performance deviation，RPD）来评价[19]。

2 结果与分析

2.1 黄酒的可见-近红外光谱

图1 不同温度下黄酒样品的可见-近红外平均光谱Fig.1 Average VIS-NIR spectra of rice wine samples at different temperatures

图1中350 nm波长处的吸收峰主要由样品中色素（焦糖色）引起，而1 400 nm波长处的吸收峰则对应于水分子中的O—H基团的倍频吸收。从原始光谱中并未观察到不同温度下的样品平均光谱有显著的差异，为进一步观察其中的细微差异，将1 350～1 450 nm波段光谱进行放大分析，如图2a所示。随着温度升高，光谱吸收峰有逐渐向高频（短波）波段转移趋势。主要原因在于温度上升会促使氢键发生结合，使得水分子的伸缩振动向高频转移[20]。微分处理能放大样品光谱的细微特征，图2b显示的是1 280～1 340 nm波段经平滑处理后的二阶微分平均光谱。在1 322、1 359 nm波长处，随着温度升高峰值逐渐增强，而在1 404 nm波长处，峰值则逐渐降低，同样与氢键结合有关。

图2 不同温度下黄酒样品的可见-近红外平均光谱（a）和二阶微分平均光谱（b）Fig.2 Average VIS-NIR spectra (a) and second-order derivative spectra (b) of rice wines at different temperatures

2.2 主成分和判别分析

为消除可见光波段的干扰，仅对800～1 600 nm波段近红外光谱进行主成分和判别分析，以观察温度对样品光谱潜在的影响规律。图3为7 个温度水平下的所有样品的前两个主成分得分图（PC1=44.20%，PC2=34.24%）。随着温度上升，样品的第一主成分得分逐渐增大，从而使不同温度下的样品发生分离。除5 ℃下的样品分布范围较广外，其余温度水平下的样品聚类趋势显著，仅有个别样品同其他温度下的样品相混合。利用前10 个主成分建立线性判别分析模型，在总共595 个样品中，仅有4 个样品被错判至其他温度，正确率达99.33%（结果未显示）。结果表明温度对样品光谱存在显著影响。

图3 不同温度下的黄酒样品的第一、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

选用P L S方法在近红外波段范围内（8 0 0～1 600 nm）建立分析模型，建模集和预测集的选取是将样品各项理化指标按由小到大的顺序依次排列，从每3 个样品中选择1 个样品用于模型验证，其余样品用于建模。

表2 不同温度条件下酒精度PLS建模结果Table2 PLS modeling results for alcohol content in rice wines at different temperatures

由表2可知，不同温度下酒精度的模型精度均较高，RPD值高于3，稳健性强。对比各个温度可知，模型RPD值随着温度升高呈现先上升后下降的趋势。在15 ℃时模型精度达到最高，RPD值为6.24，近红外光谱相对于理化检验值的预测误差为0.290%。5、30、35 ℃时所建模型精度则相对较低。

表3 不同温度条件下总糖含量PLS建模结果Table3 PLS modeling results for total sugar content in rice wines at different temperatures

总糖含量结果如表3所示，模型的RPD值均大于2，精度较高。其中，20 ℃时所建模型预测误差最小，RPD值达3.68，预测均方差为2.19 g/L，精度最高，模型稳健性强。10、25 ℃时所建模型精度较差，RPD值小于2.2，稳健性不足。

从RPD值可以看出酒精度和总糖含量模型精度随温度变化趋势并不显著，表明温度对模型精度的影响可能呈非线性关系。由于所用样品量有限，还需要进一步研究以确定模型精度随温度变化的内在规律。综合7 个温度下的所有样品，建立混合温度模型，去除异常样品后，建模结果如表4所示，酒精度和总糖含量的结果较优，RPD值分别为4.21和2.41。其中，酒精度模型的RMSEP低于15 ℃时所建模型，与20、25 ℃模型基本相当，优于其他温度模型。而总糖含量混合温度模型的RMSEP仅低于20、30 ℃时模型。结果表明，混合温度模型对不同温度下样品表现出了较强的适应性，有一定的温度修正能力，具有实际应用潜力。

表4 4混合温度模型的建模结果Table4 Performance of multi-temperature calibration models

3 结 论

本实验研究了温度对黄酒酒精度和总糖含量近红外分析模型的影响。通过光谱和主成分分析发现不同温度下的样品有明显聚类趋势，表明温度对样品的近红外光谱影响显著。模型定量预测精度受温度影响较大，且无随温度变化的一致趋势。混合温度模型对不同温度下样品有较强的适应性，预测相对误差较低，有一定的温度修正能力，具有实际应用潜力。本实验可对指导近红外光谱法应用于黄酒品质的实际检测提供一定的理论依据与参考。

[1] 杨晋辉, 卜登攀, 王加启, 等. 近红外透反射光谱法测定牛奶成分[J].食品科学, 2013, 34(20): 153-156.

[2] 徐文杰, 刘茹, 洪响声, 等. 基于近红外光谱技术的淡水鱼品种快速鉴别[J]. 农业工程学报, 2014, 30(1): 253-261.

[3] 李毅念, 姜丹, 刘璎瑛, 等. 基于近红外光谱的杂交水稻种子发芽率测试研究[J]. 光谱学与光谱分析, 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, 熊艳梅, 黄蓉, 等. 温度对复配乳油的近红外光谱定量分析模型的影响[J]. 分析化学, 2010, 38(9): 1311-1315.

[6] 王韬, 张录达, 劳彩莲, 等. PLS回归法建立适应温度变化的近红外光谱定量分析模型[J]. 中国农业大学学报, 2004, 9(6): 76-79.

[7] 王冬, 闵顺耕, 曹金莉, 等. 温度对烟草总植物碱近红外定量分析模型的影响[J]. 中国烟草科学, 2013, 34(4): 103-106.

[8] 陈韵, 史振志, 徐可欣, 等. 溶液近红外光谱分析中温度影响的修正[J].光谱学与光谱分析, 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] 汪建国, 徐亮. 我国黄酒的特征及展望[J]. 江苏调味副食品, 2005, 22(6): 5-9.

[13] 王栋, 经斌, 徐岩, 等. 中国黄酒风味感官特征及其风味轮的构建[J].食品科学, 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 黄酒[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

国家自然科学基金国家杰出青年科学基金项目（30825027）

沈飞（1984—）， 男，讲师，博士，主要从事农产品无损检测技术研究。E-mail：shenfei0808@163.com

*通信作者：应义斌（1964—），男，教授，博士，主要从事农产品无损检测技术与装备研究。E-mail：yingyb@zju.edu.cn