中国人口的65%以大米为主食。由于品种、土地、气候的差异，大米的食用品质也不相同。不同品种大米价格差距很大，一些不良商贩以次充好，损害消费者利益，同时也损害了符合地理标志典型特征的优质大米生产和销售，建立大米追溯体系对于大米行业健康有序发展有着重要意义[1]。

大米产地溯源建立的关键是确定能够正确表征大米来源的典型生物标记物。例如，与大米产地气候、土壤、温度等相关的同位素组成、矿物元素含量、化学成分组成及风味特征物质。KorenagaT等[2]日本学者测定了日本、美国、澳大利亚、泰国、越南和中国的163个大米样本中稳定同位素（H、C、N、O）组成，阐述了大米中同位素特征与产地环境的相关性；夏立娅等[3]以响水和非响水大米为研究对象，利用近红外光谱法确定了特征波段7700～6700cm-1与5700～4300cm-1对大米进行产地鉴别；YajimaI等[4]采用气相色谱-质谱联用(GC-MS)法从日本香稻‘Oshihikari’和‘Kaorimai’中测定出114种风味物质，与普通稻米相比差异显著，表明挥发性物质可用于大米产地溯源。

近年来，国内外已经开展了大量关于大米产地溯源方面的研究，本研究对稳定同位素技术、近红外光谱技术、矿物元素分析技术、有机组分指纹图谱技术、拉曼光谱技术、顶空固相微萃取-气质联用技术的应用进行了总结，以期在大米地理鉴别应用上进一步发展提供有力的理论支持。

1、稳定同位素技术

稳定同位素没有放射性，安全可靠，在自然环境中不衰变，可作为大米溯源标志物。稳定同位素分馏受大米产地气候环境、水源等的影响，使不同地理来源的大米同位素自然丰度存在一定差异，这可用以区分不同来源的大米[5]。

由于不同区域87Sr的含量有明显差异，故87Sr/86Sr可作为标志性鉴别因子。LagadRA等[6]首先确定印度—恒河平原5个区域种植Basmati水稻土壤和水样的87Sr/86Sr比值。在北方邦南部种植的水稻与印度—恒河平原的其他地区相比，87Sr/86Sr比值较高，因为与其他河流相比，恒河87Sr/86Sr更高。结果证明，87Sr/86Sr比率可作为示踪剂，用于区分印度香米和其他国家的稻米样品。

C、N同位素对于判别距离较远的产区准确率较高。钟敏等[7]比较中国与其他国家的大米样品发现，δ15N的波动范围大，δ13C的波动范围小。用δ15N、δ13C作为变量，通过样本数据系统聚类分析，利用恰当的欧氏距离，从而能够对不同国家（中国、美国、日本）大米进行分类。但对于中国不同省份大米，由于欧式距离较近，区分效果较差。O同位素也可以与C、N共同使用，增加其区分能力。Korenaga等[8]结合主成分分析法，以δ13C、δ15N和δ18O值为变量，可以区分开日本、澳大利亚、美国的大米。ChenT等[9]分析了水稻品种稻花香的优质(SS)和劣质(IS)籽粒中的光稳定同位素（δ13C，δ15N，δD和δ18O）。比较中国黑龙江省富锦市和五常市的样本数量和相邻地点，发现富锦和五常的δ13C和δ15N值重叠，不能用于产地区分，但是位于穗同一位置的δ18O和δD有差别。通过样本系统聚类法，选择适当的欧氏距离，可以进一步开发，实现不同产地大米的分类。

δ15N、δ13C在相距较远的两地分析效果较好，但是对于产地距离较近的，同位素分布的差异并不明显，判别准确率低；氮同位素的含量还会受到大米生长过程中施加含氮化肥的影响，就会使实验对比分析结果不准确[10]。而δ18O和δD含量与产地气候、降水量等因素关系密切，成为较理想的鉴别因子。

2、矿物元素分析技术

矿物元素分析技术是利用不同地方土壤质地不同而进行产地判别[11]。不同地域的土壤中的矿物元素的含量和比例具有明显的地理特异性，进而影响不同区域生产的生物体内带有典型的矿物元素的指纹特征[12,13]。

AriyamaK等[14]对判别不同国家（中国、美国、日本、泰国）的大米产地来源进行了研究，筛选出8种典型的矿物元素来分析，KNN、SIMCA及LDA法分别结合来建立的模型，判别正确率都能够达到97%以上，区分效果较好。黎永乐等[15]研究了3个地区（五常、东北、南方）的水稻样品中14种矿质元素的含量，并结合PCA、Fisher判别法、人工神经网络(ANN)和其他计量方法来区分水稻来源。结果表明，Fisher判别和ANN可以正确把五常地区和其他地区的水稻样品区分开，而PCA对样品地理来源的区分较差。

除了对不同国家、不同地区的大米产地进行鉴别，一些学者还研究了相距较近的同一区域不同地方的大米地理来源判别的有效性。宋雪健等[16]选取建三江、查哈阳和五常3个地方的90份大米样品，用ICP-MS检测到43种矿物元素，其中部分矿物元素在不同地区存在显著性差异。因此，利用矿物元素判别大米产地来源是可行的。ChunyapukKukusamude等[17]根据其地理来源对泰国茉莉香米(KhaoDawkMali105)的典型标记因子进行了研究，通过仪器中子活化分析(INAA)泰国茉莉香米中的元素组成（As、Mg、Cl、Al、Br、Mn、K、Rb和Zn），以及同位素比质谱法分析了稳定同位素（δ13C、δ15N和δ18O），确定12个关键变量被用作化学指标，以区分ThungKulaRongHai地区泰国茉莉香米的地理来源，将数据进行雷达图和多变量统计分析，通过对原始群体的100%正确分类和75.5%交叉验证认定水稻来源（5个种群）的分类。

通过矿物元素分析技术选取某些地域具有特定元素的标记因子，并与多种计量学算法相结合，在大米来源的可追溯性应用中取得了理想的效果[18]，特别是在彼此距离相近的样品中也能够精准的鉴别出产地，很好地解决了稳定同位素技术不能克服的难题[19]。但同时，该技术容易受到栽培管理措施等一些方面的影响[20]。

3、光谱技术

3.1近红外光谱技术

近红外光谱技术能够对含有N-H、O-H和C-H化学键的某些化合物进行分析，并且不需破坏样品[21]。在近红外波长范围内，含有上述化学键的物质被吸收并产生谐波，其构成近红外光谱中被检测化合物的特征峰。鉴于在不同地理环境中，由特定基团产生的光谱在吸收峰位置和强度上有差异，大米的组分或者结构的改变都能够致使光谱中特征的变化。所以，产品的近红外光谱可以反映原产地的特征信息，可用于产品的地理可追溯性。

近红外光谱技术对于区分品牌大米和其他大米有较好的效果。B.G.Osborne等[22]研究了利用近红外透射光谱法区分Basmati和其他长粒米样品的可行性。用Fisher线性判别函数、主成分得分、交叉验证评估判别方法，使得9个Basmati和另外53个水稻样品测量的NIR光谱被正确分类。钱丽丽等[23]为保护五常大米的品牌效益，对191份来自五常地区和其他不同地区大米样品进行研究，结果表明：利用傅立叶近红外光谱(FTNIS)法选取特征波段（5000～5500cm-1、9400.9～6098cm-1与5450.6～4249.8cm-1组合）再结合多元分析所建立的定性分析模型和定量分析模型对五常地区大米的识别率十分精准，达到100%。

在不同国家、不同地区，近红外光谱技术结合化学计量学方法可对样品进行很好的识别聚类。SangSookKim等[24]对于大米（韩国国内大米与外国大米）的认证已经尝试使用近红外光谱(NIRS)技术。2个样品组(n1=280,n2=200)在研究的光谱区域（500～600nm,700～900nm和980～2498nm）获得校准方程，使用修正的偏最小二乘(MPLS)回归来开发预测模型，独立验证的结果(n3=80)表明所有样品都被正确识别，证实使用NIRS成功进行了水稻鉴定。李跑等[25]利用近红外光谱技术鉴别收集于不同地区的115个样品，利用连续小波变换技术(continuouswavelettransform,CWT)对获得的光谱数据预处理后进行主成分分析，聚类效果较好，可在产地鉴别方面进行推广利用。

近红外光谱在特定光谱区域结合化学计量学方法得到判别模型，可以用于大米产地溯源[26,27]。但该技术存在一定的问题有待解决：建立模型的有效性与样品的数量以及产地代表性有关，需要收集大量具有鉴别性样品的近红外光谱，使建立的模型具有适用性[28,29]。

3.2拉曼光谱技术

拉曼(Ramanspectroscopy,RS)光谱是一种快速、无损的方法，根据物质的分子振动频率来识别各种物质[30]。不同组分产生分子振动和旋转的能级，可以用不同的拉曼位移来表示。因此，任何一种物质中的每一种成分都有其特定的光谱特征。它可用于定性分析，并应用于食品产地鉴别。

孙娟等[31]利用RS光谱，对123份来自江苏、黑龙江、湖南的大米进行鉴定，并结合化学计量学分析，建立快速鉴别大米产地的模型。研究表明，按照种类、产地、品种建立的模型正确率均为100%,JinyoungHwang等[32]用透射拉曼光谱技术区分大米样品的地理来源，通过大米籽粒进行横向采样的透射测量能够识别2组之间的微小光谱差异，准确地识别2种样品的地理来源。

部分学者也研究了拉曼光谱技术结合多种分析方法对大米产地鉴别的准确率。LingZhu等[33]收集了大量样品的RS光谱，分析了水稻中较少极性基团和键的基本振动。随后，对不同的建模方法进行了比较，并对水稻的类型、品种和起源区域进行了可靠的识别，准确率在80%～100%之间。田芳明[34]选取东北大米14种，其中包括9个产地、7个不同品种。对于地域相距较近，品种差异较小的样品采用拉曼光谱技术再结合化学计量学方法分析判别。对比分析多种方法，对400～1700cm-1波段数据进行Savitzky-Golay卷积平滑-归一化处理-多项式拟合-标准化预处理，结合KennardStone划分样本集的PLS识别模型，对大米产地鉴别准确率为97.14%。

拉曼光谱技术结合多元分类方法和判别模型分析基团和键的基本振动，能简单有效地识别大米种类、品种及产地[35]。然而，拉曼光谱的测定条件尚未得到优化[36]，缺乏用于鉴别大米来源、品种和掺假的系统研究。

4、有机组分指纹图谱技术

有机成分指纹技术是以中草药的质量控制研究为基础建立起来的。在食品产地溯源应用上，诸多学者建立了不同产地食品的特征有机组分指纹图谱，以此来表征出食品的典型地理特征。

在大米产地判别中，不同样品脂肪酸含量可作为鉴别因子。回瑞华等[37]采用索氏提取法从不同来源的水稻中提取脂肪油，甲酯化后，通过气相色谱-质谱法测定组合物和脂肪酸的相对百分比进行测量分析。结果表明，不同大米之间脂肪酸含量存在差异，可用于鉴别产地溯源。

李红等[38]比较了稻米中角鲨烯的不同提取方法，并通过优化索氏提取/气相色谱-串联质谱(GC-MS/MS)法分析了不同产地水稻中的角鲨烯，以对其进行定量和定性。结果表明该方法灵敏度高，重复性好，可作为区分稻米不同种类、来源和品质的有效方法。田福林等[39]通过气质联用分析4种不同产地大米中的脂溶性成分，并检索NIST质谱库确定有机组分。研究发现，棕榈酸、油酸、亚油酸、谷甾醇、角鲨烯是大米中主要的脂溶性成分，不同产地大米中脂溶性化合物的指纹谱图存在显著差异，再结合化学计量学分析建立快速鉴定的方法。

在以往研究中，对于不同产地大米中脂肪酸组成和含量研究较多，但是对于建立大米有机组分指纹图谱报道较少。为了建立稳定有效的有机组分指纹图谱需要解决的关键问题有：选择合适的相似度和其他参数来建立“指纹”识别模型，既保证了鉴别的准确性，也兼顾了指纹图谱的稳定性。

5、挥发性物质在产地溯源中的应用

挥发性物质是具有特定化学结构，且有味道和香气的物质[40]。食品中有些挥发性物质（如隋性气体等）气味阈值相对偏高，很难有嗅感[41]，而不同地理来源的同种食品在其挥发性物质存在差异，故挥发性物质仪器分析方法在产地溯源上具有应用价值[42,43]。

自20世纪90年代发展以来，固相微萃取(SPME)纤维结合GC/MS被用来分析挥发物[44,45]。羧基苯或二乙烯基苯(DVB)涂层的纤维可以保留小分子挥发性物质，聚二甲基硅氧烷(PDMS)涂层的纤维能够吸附高分子量化合物。用DVB/CAR/PDMS萃取纤维能捕获更多具有不同极性的挥发性化合物，如酮、醇、醛、酯类和萜烯类化合物[46,47]，在分析复杂成分（如大米挥发物）时很重要。

利用挥发性物质对香型和非香型水稻进行鉴别取得很好的效果。R.J.Bryant等[48]采用固相微萃取(SPME)和气相色谱/质谱(GC-MS)联用技术，对7个芳香族和2个非芳香型品种在贮藏前后的挥发性特征进行了研究，共鉴定出93种挥发性化合物，发现香稻品种和非香稻品种的挥发性成分差异很大，可以用于在产地鉴别上。ElisabettaLupotto等[49]利用顶空固相微萃取(HS-SPME)结合GC-MS分析对5种意大利芳香族水稻(Apollo,Asia,Fragrance,GangeandGiano)的香气特征。醛类是最丰富的一类化合物，其中壬醛是最主要的化合物，赋予大米花香果味。1-辛醇和1-壬醇（水果香味香气）是醇类物质中最丰富的组分。2-壬酮是主要的酮类化合物，赋予大米水果-草本香气。在杂环化合物中，2-乙酰基-1-吡咯啉(2-AP)是爆米花类香气的主要化合物，仅在芳香大米品种中存在较高水平。因此，根据挥发性化合物的不同可以识别香型和非香型的大米，为产地鉴别提供依据。

同一地区不同品种的大米挥发性物质不同。黄亚伟等[50]对五常地区6种刚收获样品（香米和非香米）的挥发性物质采用HS-SPME/GC-MS方法进行分析，比较不同品种之间的差异。研究发现：在6个品种中，观察到五常香米稻花香2号中挥发性化合物数量最多，除直链烷烃外、醇类、酯类和醛类都占有一定的比重，而3,5-二甲基己醇、十一醛等一些物质只在香米中检测出，可认为它们是五常香米的特征风味物质。在普通粳米中，烷烃是主要的挥发性物质。由于挥发性物质的不同，就导致了香米、普通粳米存在较大的风味差异。刘敏等[51]用4种不同品种的水稻作为研究对象，使用SPME/GC-MS分离和鉴定水稻的挥发性成分，并通过主成分分析分析了挥发性物质。结果表明，大粒溪香、大粒香、金麻粘、帅优63分别检测到52、39、37、28种挥发性成分。4种水稻的主要挥发性成分为烷烃、醛类和酯类，而且都是烷烃的量最多。根据不同水稻挥发性成分的相对含量和种类的变化以及主成分评分，表明不同品种水稻的风味物质对香气品质有很大影响。

不同国家的大米有在栽培条件和品种的差异，其挥发性物质也不同。DongKyuLim等[52]应用顶空固相微萃取结合气质联用(HS-SPME/GC-MS)鉴别韩国和中国水稻样品，目的是证明挥发物可以用于地理鉴别和风味评价。偏最小二乘判别分析(PLS-DA)模型对中韩白米进行了较好的分类，结合PLS-DA在未配对t检验和微阵列显着性分析的基础上，通过差异表达特征的选择，发现了12种有差别的生物标志物，用于不同地理来源的大米鉴别和风味评价。

通过国内外研究发现大米中挥发性物质主要以烷烃类为主，醛类也占有较大的比重，同时包括少量的醇类、酮类、酯类、酸类以及杂环化合物。不同大米的挥发性物质含量及种类差异明显，通过比较筛选出特征标记物如壬醛、辛醇、2-戊基呋喃、2-AP等，再结合化学计量学方法用于大米产地溯源。

大米中稳定性同位素、矿物元素、化合物的特征光谱峰、有机组分、挥发性物质的地理标志因子，结合分类方法和判别模型对鉴别大米原产地是可行的。表1对大米产地溯源技术进行了简单汇总。

6、产地溯源的化学计量学分析

化学计量学是在化学系统的测量和系统状态之间进行统计或数学联系的学科。它使用数学、统计和其他方法手段（包括计算机）来选择最优的设计和测量方法，并通过对测量数据的处理和分析，最大化的获得物质系统的组成、结构和其他相关信息[53]。在利用挥发性物质鉴别大米产地溯源的研究中，常用的多元分析方法有：方差分析、主成分分析(PCA)、偏最小二乘法分析(PLS-DA)、线性判别分析(LDA)、聚类分析等[54]。

表1鉴别大米产地溯源的研究

方差分析通常用于初步比较不同产地大米中组分变化情况，分析所测组分之间的差异显著性，以期挑选出具有显著性差异的标志性变量。在此前提下，进一步建立判别模型和结合分类方法进行产地溯源。分类和判别模型方法分为受监督法和无监督法。受监督法是使用一种技术来建立已知类别食物的性质的函数公式，然后判断未知类别中的新事物并将它们分归为已知类别，如线性判别分析(LDA)。无监督法是一种探索性分析，它可以通过处理得到的信息自动从样本数据中分类，而无需事先给出分类标准，如主成分分析法(PCA)、聚类分析[55,56,57]。偏最小二乘法分析(PLS-DA)作为一种基于回归的超级模式识别技术，可有效地计算出可作为生物标志物的特征成分，对不同大米样品进行了最佳判别模型的研究。

对同一组样品用不同分类和判别模型进行地理来源鉴定时，得到的结果有显著差异。比如黎永乐等测定大米中14种矿质元素的含量，并结合PCA、Fisher判别法和人工神经网络(ANN)来判别大米来源。结果表明，Fisher判别和ANN可以正确把大米样品区分开，而PCA对区分样品地理来源效果较差。所以，在相同情况下才能比较不同的化学计量学方法优劣，在不同情况下不同判别模型没有绝对好坏之分，要通过具体的样品来评价区分效果[58]。

7、展望

稳定同位素技术、近红外光谱技术、矿物元素分析、有机组分质谱技术、拉曼光谱技术及顶空固相微萃取/气相色谱-质谱法再结合化学计量学方法，可以得到更有力的溯源鉴别结果。但是，在进行地理产地鉴别时，还有一些问题需要解决。主要表现在：（1）大米收获后储存的条件是不稳定的，如当前所获得的样品都是从市面购得，每个样品购买前储存的温度、湿度等环境条件是无法保持一致的；（2）适合于地理鉴别的多元分析方法具体应用经验还比较缺乏，有待于进一步的完善；（3）产地溯源研究的还比较浅显，目前所采集的样品仅选取几个比较有名的地方，几个有特点的品种来进行研究分析，样品数目不够大，不能建立起具有普遍性可用的大米产地溯源的“指纹图谱”。

为了使技术能够有前景性的发展，需要加强一下研究内容：（1）实时监测所采集样品的情况，深入探究温度、湿度、包装等因素对大米变化的影响，尽量排除不良因素，保证结果的准确性；（2）扩大地理范围和样品量，扩展和筛选代表一定区域特征的典型标记指标，并结合化学计量学分析，建立并完善大米地理来源可追溯性识别模型；（3）在有充足样品的基础上，多种方法结合使得产地信息暴露更加充分，提高了判别的精确度。这些技术在具体实际应用中，虽然一些国内外的研究尝试已经有了进展，而且也反映了对地理鉴别的可行性。但要规范应用起来还需要加强改进，这就要有关研究人员和政府相应部门共同协作，积极收集来自各地区的样品信息，利用技术以及分析方法找出典型特征，建立完整鉴别产地来源的数据库，并制定相关的可追溯性技术标准。

参考文献：

[1]李英,张越杰,聂英.日本大米可追溯系统建立对中国的启示[J].世界农业,2017(11):40-46.

[3]夏立娅.大米产地特征因子及溯源方法研究[D].河北保定:河北大学,2013.

[5]刘雯雯,陈岩,杨慧,耿安静,王富华.稳定同位素及矿物元素分析在谷物产地溯源中应用的研究进展[J].食品科学,2019,40(13):340-348.

[7]钟敏.用碳氮稳定同位素对大米产地溯源的研究[D].大连海事大学,2013.

[13]马楠,鹿保鑫,刘雪娇,等.矿物元素指纹图谱技术及其在农产品产地溯源中的应用[J].现代农业科技,2016(9):296-298.

[23]钱丽丽,宋雪健,张东杰,等.基于傅里叶变换近红外光谱法鉴别五常大米[J].食品科学,2018,39(8):231-236.

[25]李跑,吴红艳,李尚科,等.近红外光谱技术结合化学计量方法用于大米的快速分析[J].食品研究与开发,2018,39(19):117-124.

[26]夏立娅,等.基于近红外光谱和模式识别技术鉴别大米产地的研究.光谱学与光谱分析,2013,33(1):102-105.

[27]杜梦佳,毛波,沈飞,等.基于红外光谱指纹和挥发性组分信息融合模型鉴别大米产地来源[J].食品科学,2018,39(8):243-248.

[31]孙娟,张晖,王立,等.基于拉曼光谱的大米快速分类判别方法[J].食品与机械,2016(1):41-45.

[34]田芳明.基于拉曼光谱与有机成分分析的大米身份识别[D].吉林长春:吉林大学,2018.

[35]黄嘉荣,伍博迪,詹求强.基于拉曼光谱和化学计量学方法判别大米分类的研究[J].激光生物学报,2015,24(3):237-241.

[37]回瑞华,侯冬岩,李铁纯,等.不同产地稻米油脂中脂肪酸的气相色谱-质谱分析[J].质谱学报,2008,29(6):349-352.

[38]李红,田福林,刘成雁,等.气相色谱-串联质谱法测定不同产地大米中的角鲨烯[J].分析测试学报,2011,30(10):1179-1182.

[39]田福林,李红,刘成雁,王志嘉,任雪冬,程光荣.GC-MS法对不同产地大米的快速鉴定[J].分析测试学报,2011,30(09):1059-1062.

[40]李俊星,钟玉娟,罗剑宁,等.基于电子鼻与HS-SPME/GC-MS技术的香芋南瓜果实香气物质解析[J].现代食品科技,2018,34(9):244-251.

[41]钱丽丽,吕海峰,鹿保鑫,等.地理标志大米的仿生电子鼻分类识别[J].中国粮油学报,2016,31(8):131-137.

[42]胡志全,王海洋,刘友明.电子鼻识别大米挥发性物质的应用性研究[J].中国粮油学报,2013,28(7):93.

[43]崔琳琳,周一鸣,王惠,等.基于GC-MS和电子鼻技术的大米挥发性风味成分分析[J].中国粮油学报,2018(8):81-87.

[44]丁云连.食品中痕量挥发性物质的分析检测技术[C].全国食品检测技术论坛,2009.

[46]刘晔,葛丽琴,王远兴.庐山云雾茶挥发性成分主成分分析及产地判别[J].食品科学,2017,38(24).

[47]江勇,袁美兰,赵利,等.啤酒中挥发性成分的测定及产地鉴别[J].南昌大学学报:理科版,2014(5):472-476.

[50]黄亚伟,徐晋,王若兰,等.HS-SPME/GC-MS对五常大米中挥发性成分分析[J].食品工业,2016(4):266-269.

[51]刘敏,王健健,刘芳宏,等.基于SPME-GC-MS对不同品种大米挥发性物质分析[J].中国酿造,2017,36(6):170-174.

[53]倪力军,张立国.基础化学计量学及其应用[Z].上海:华东理工大学出版社,2011.

[54]齐安安,周小平,雷春妮,等.化学计量学结合气质联用法对4种食用动物油判别模型的构建[J].分析测试学报,2018,37(8):955-961.

[55]张玥,王朝辉,张亚婷,等.基于主成分分析和判别分析的大米产地溯源[J].中国粮油学报,2016,31(4):1-5.

[56]张薇薇,张秀玲.基于主成分分析和聚类分析的苹果香气成分比较及品种分类研究[J].食品工业科技,2018,39(17):217-224.

[57]吴婷,魏珊,米丽华,等.不同产地连翘的DNA指纹图谱构建与聚类分析[J].中草药,2016,47(5):816-820.

胡圣英,任红波,张军,孟利.大米产地溯源方法研究进展[J].中国农学通报,2020,36(14):148-155.

基金:国家重点研发计划,课题名称:食品安全监测预警及风险管控国家大数据应用服务示范平台示范跟踪(2017YFC1601905);黑龙江省高校基本科研业务费黑龙江大学专项资金项目“基于免疫纳米金标记-表面增强拉曼光谱技术测定食品中呋喃丹”(KJCX201817).