Elementprofil und NIR-Spektroskopie kombiniert mit maschinellem Lernen zur Herkunftsbestimmung von Spargel

Abstract

Die geographische Herkunft zählt zu den wichtigsten Qualitätsparametern von weißem Spargel und ist maßgeblich für die Kaufentscheidung der Verbraucher. Die Verfälschung von Lebensmitteln, darunter absichtlich fehlerhafte Herkunftsdeklarationen, stellen ein gängiges Problem innerhalb des globalisierten Handels dar. Dies hat eine Täuschung der Verbraucher sowie wirtschaftliche Schäden für Mitbewerber zur Folge, daher werden analytische Methoden zur Überprüfung der deklarierten Herkunft benötigt. Ziel dieser Arbeit war die Entwicklung einer Methode zur Herkunftsbestimmung von weißem Spargel. Als analytische Ansätze wurden FT-NIR-Messungen sowie eine Untersuchung des Elementprofils mittels ICP-MS gewählt. Für die Methodenentwicklung standen insgesamt 319 Spargelproben aus 7 Ländern (Deutschland, Polen, den Niederlanden, Griechenland, Spanien, China und Peru) und vier Erntejahren zur Verfügung. Um die geographische Herkunft vorherzusagen, wurden Support Vector Machine- (SVM) und Random Forest-Klassifikatoren als Methoden des maschinellen Lernens eingesetzt. Ein Klassifikationsmodell zur Unterscheidung des Herkunftslandes basierend auf NIR-Daten liefert eine Genauigkeit von 89.5% bei 5 Klassen. Die Vorhersage des Herkunftslandes anhand des Elementprofils erzielt eine etwas höhere Genauigkeit von 91.2% bei Berücksichtigung zweier zusätzlicher Klassen. Bei beiden analytischen Ansätzen wird durch die Abschätzung des Vertrauensbereiches eine deutliche Verbesserung der Genauigkeit bei der Vorhersage des Herkunftslandes erreicht. Bei diesem Vorgehen werden nur Proben mit hohen SVM-Vorhersagewerten berücksichtigt, was zu Genauigkeiten von bis zu 98% führt. Zudem ermöglichen die Elementdaten eine noch detailliertere Einordnung der geographischen Herkunft: die Unterscheidung von fünf deutschen Regionen mit richtiger Vorhersage für 83.6% der Proben sowie die Zuordnung des Produktionsstandortes mit einer Genauigkeit von 82.6% (13 Klassen), die die hohe Stabilität des Elementprofils über mehrere Erntejahre unterstreicht. Der Vergleich der Elementgehalte von Spargel und Bodenproben desselben Feldes zeigt für die meisten Elemente starke Korrelationen zwischen beiden Matrices. Sowohl NIR- als auch ICP-MS-Daten ermöglichen das Erstellen jahresübergreifender Klassifikationsmodelle. Die NIR-basierte Methode bietet schnelle und kostengünstige Messungen, die sich hervorragend für Screening-Anwendungen eignen. Darüber hinaus erzielt eine elementbasierte Analyse sehr präzise und robuste Vorhersagen ohne erkennbaren Einfluss des Erntejahres, anhand derer deutliche Verbesserungen der Herkunftsüberwachung in der Routineanalytik erreicht werden können. Die Untersuchung des Isotopoloms eignet sich wegen der exakten Zuordnung zum Produktionsstandort besonders für die Überprüfung von produktbegleitenden Herkunftsangaben. Die Ergebnisse unterstreichen das große Potential von Methoden des maschinellen Lernens für eine leistungsstarke und zuverlässige Untersuchung der geographischen Herkunft von Lebensmitteln.

The geographic origin is an important quality parameter of white asparagus and considered as decisive for the customers’ purchase decision. However, adulteration of foodstuff including the intentional falsification of the declared origin is a common problem of globalized supply chains. These practices result in customer deception and economic damage for competitors. Thus, analytical methods are required for reviewing the declared product provenance. The aim of this work was to develop a method to determine the geographic origin of white asparagus. This issue was addressed by FT-NIR measurements and an investigation of the elemental profile using ICP-MS. In total, 319 asparagus samples from 7 countries (Germany, Poland, the Netherlands, Greece, Spain, China and Peru) were involved in this study, including four years of harvest. To predict the geographic origin, support vector machine (SVM) and random forest classifiers were applied. A classification model using NIR spectroscopic data enables the distinction of the country of origin, that is correctly predicted for 89.5% of the considered samples within 5 classes. Based on the elemental profile, the country of origin is classified with a slightly increased accuracy of 91.2% considering two additional classes. For both analytical techniques, a considerable increase in accuracy is achieved for the prediction of the country of origin when applying a confidence estimation. This approach only considers confidential samples with high SVM prediction scores, resulting in accuracies of up to 98%. Furthermore, a more detailed prediction of the geographic origin is obtained by means of elemental data, that enable the distinction of five German regions with an accuracy of 83.6%. A further classification model considering the prediction of the cultivation site achieves an accuracy of 82.6% including 13 classes and reveals high stability of the elemental profile over several harvest years. Besides, the comparison of element quantities of asparagus and soil samples acquired from the same field displays strong correlations of most elements in both matrices. FT-NIR and ICP-MS data allow for the construction of classification models that combine samples from several harvest years. The NIR based method provides fast and cost-effective measurements well suited for screening applications. Moreover, the analysis of the elemental profile enables very precise and robust predictions of the geographic origin without a noticeable influence of harvest year and can therefore significantly improve the monitoring of provenance declarations in routine analytics. The study of the isotopolome is particularly well suited for the verification of given geographical indications as it enables the exact characterization of the production site. The results underline the great potential of machine learning techniques for reliable and high-performance investigations of the geographic origin of foodstuffs.