葡萄酒的商业价值主要来源于产地[1]，葡萄酒产区是葡萄酒的根和魂，葡萄酒的核心竞争力是葡萄酒产区竞争力。宁夏贺兰山东麓位于中部干旱区，属于典型的大陆性气候，光热资源丰富，日照时间长，昼夜温差大，拥有酿酒葡萄生长得天独厚的气候条件。因此，宁夏贺兰山东麓葡萄酒香气浓郁、纯正，口感圆润、协调。2011年底，在法国举办的中法葡萄酒盲品比赛中，前4名被贺兰山东麓产区葡萄酒包揽。随着人们生活水平的不断提高，葡萄酒销量逐年增加，有些不法商贩为了牟取利益，通过伪造地理标签的方式误导消费者，以劣质农产品代替特色农产品，从而损害了消费者的利益，给品牌竞争带来信任危机[2]。为了规范葡萄酒市场，加强地理标志产品管理，亟需开展葡萄酒产地追溯技术研究，从源头上对其质量进行控制[3-4]。
农产品产地溯源主要是通过分析表征不同地域来源农产品特征性指标，并以此特征指标来实现农产品产地溯源。目前主要采用质谱、光谱、分子生物学技术等，通过分析农产品的同位素含量与比率、矿质元素含量、有机组成、挥发性成分等特征成分，结合化学计量学，建立能够区分农产品产地来源的特征性指纹图谱，从而对不同产地的农产品进行产地溯源[5]。矿质元素溯源技术是根据不同地区农作物含有的矿物质元素含量的差异来实现农产品产地溯源的一种技术，由于受土壤类型和社会发展等环境因素的影响，不同地域土壤中矿物质元素的含量有其独特性和差异性，加之电感耦合等离子体质谱法具有高灵敏度和分析速度快等优点，矿质元素技术已被广泛应用于农产品产地溯源[6-7]，如：枸杞[8]、贝类[9]、新疆红枣[10]、茶叶[11-12]等，取得了理想的效果。
本研究以我国不同产地赤霞珠单品葡萄酒为研究对象，采用微波消解-电感耦合等离子体质谱技术，分析葡萄酒中Ag、Al、As、Ba、Be、Bi等58种矿质元素，研究矿质元素在葡萄酒产地判别中的可行性。研究成果可为葡萄酒产地溯源提供科学方法和理论依据。
1 材料与方法
1.1 材料与试剂
不同产地赤霞珠单品葡萄酒样本：宁夏贺兰山东麓产区(n=14，7个酒庄)、河北沙城产区(n=18，5个酒庄)、山西清徐产区(n=13，5个酒庄)、甘肃武威产区(n=9，4个酒庄)、渤海湾产区(n=12，7个酒庄)和云南高原产区(n=6，2个酒庄)，共计72个样本。样本采集时间为2020年。宁夏贺兰山东麓不同品种葡萄酒样本：霞多丽(n=9)、美乐(n=9)、蛇龙珠(n=6)、马瑟兰(n=11)、赤霞珠(n=9)和黑比诺(n=10)，共计54个样本。
标准溶液为4组57种元素混合标液，分别为Au、Hf、Ir、Pd、Pt、Ru、Sb、Sn，B、Ge、Mo、Nb、P、Re、Ta、Ti、W、Zr，Ag、Al、As、Ba、Be、Bi、Ca、Cd、Co、Cr、Cs、Cu、Fe、Ga、Li、Mg、Mn、Na、Ni、Rb、Se、Sr、Tl、U、Zn，Ce、Er、Eu、Gd、Ho、Nd、Pr、Sc、Sm、Tb、Th、Tm、Y、Yb；美国Perkin Elmer公司；Hg单元素标液，中国计量科学研究院；质控物为生物成分分析标准物质胡萝卜GBW 10047，中国地质科学院地球物理地球化学勘查研究所；硝酸(优级纯)，德国Merck公司；水为实验室一级用水。
1.2 仪器与设备
ELAN DRC-e型电感耦合等离子体质谱仪(inductively coupled plasma mass spectrometry，ICP-MS)，美国 Perkin Elmer 公司；Mars 6 Xpress微波消解仪，美国CEM公司；赶酸仪(24位)，莱伯泰科公司；AL 104 型电子天平，梅特勒-托利多。
1.3 实验方法
1.3.1 样品前处理
准确吸取5.00 mL葡萄酒样品于微波消解管中，置于赶酸仪上加热至120 ℃挥发乙醇约3 h，冷却后加入硝酸10 mL，常温静置3～4 h或过夜，然后置于微波消解仪中消解，消解程序见表1。消解完成完全冷却后，取掉微波消解管盖子，置于赶酸仪上120 ℃挥发硝酸，约2～3 h取下冷却至室温，用水完全转移至25.0 mL刻度管中，定容。同时做质控品和试剂空白试验。
表1 葡萄酒微波消解条件
Table 1 Microwave digestion conditions of wine
步骤功率升温时间/min控制温度/℃保持时间/min11 200 W100%101201021 200 W100%101502031 200 W100%1017030
1.3.2 ICP-MS工作条件
电感耦合等离子体质谱仪测定元素采用标准模式。优化后的工作条件为：发生器功率：1 300 W；检测器模拟阶电压：-2 350 V；离子透镜电压：6.00 V；雾化器流量：0.98 L/min；等离子炬冷却气流量：17.0 L/min；辅助器流量：1.20 L/min。上机测定葡萄酒样品及质控品中58种元素。
1.3.3 方法学验证
各元素标准曲线相关系数均大于0.99，检出限为 0.000 1 μg/L～3.66 mg/L。GBW 10047的各元素测定结果均在标准参考值范围内。各元素测定的标准曲线、检出限和定量限见表2。
1.4 数据处理
每个葡萄酒样本平行2次测定，平行测定结果的相对相差小于10%的平均值作为最后结果进行数据处理。采用SPSS 25.0软件，单因素方差分析方法分析葡萄酒中58种矿质元素在不同产区间的差异性；主成分分析用降维的方法在58种矿质元素信息中提取了14个综合变量，而这14个综合变量尽可能多地反映58种矿质元素的信息；Fisher判别分析则是建立了基于矿质元素不同产地、品种葡萄酒的判别模型。
2 结果与分析
2.1 不同产地葡萄酒中矿质元素含量差异性分析
由表3可知，葡萄酒中58种矿物质元素均有检出，且含量差异较大。大于100 mg/L的有Mg元素，含量介于10～100 mg/L的有P元素，Al、B、Ca、Mn、Rb、Na、Fe、Sr、Ga元素含量介于1～10 mg/L，其次为Ba、Ti、Cu、Zn元素，含量小于1 mg/L，其余元素含量均处于μg/L级。
通过对河北沙城、宁夏贺兰山东麓、山西清徐、甘肃武威、渤海湾和云南高原6个葡萄酒产区的赤霞珠单品葡萄酒中58种元素含量进行方差分析，结果显示，Al、As、B、Ba、Be、Bi、Cd、Co、Cs、Cu、Eu、Hg、Li、Mg、Mn、Mo、Na、Ni、Rb、Sc、Se、Sr、Th、Tl、Yb、Fe、Zn、P、Ru、Au、Ta、Hf、Pd、Zr和Re 35种元素含量在6个产区存在显著差异(P<0.05)，Ce、Cr、Er、Gd、Ge、Ho、Nb、Nd、Pr、Sb、Sm、Sn、Tb、Ti、Tm、U、Y、Zr、Pt、W、Ga、Ca和Ag 23种元素含量在不同产区差异不显著(P>0.05)(表3)。宁夏贺兰山东麓葡萄酒中 As、B、Ru、Ta和Pt 5种元素含量显著高于其他产地，而Cd、Cs、Mn、Rb、Zn、Pd 和 Zr 7种元素含量显著低于其他产地；云南高原产区葡萄酒中Cs含量显著高于其他产区，但是Al、As、B、Bi、Co、Er、Mg、Na、Ni、Pr、Sc、Tm、Th、Yb、Fe、Hf、Ga和Ca 18种元素含量显著低于其他产区；渤海湾产区葡萄酒中Al、Ba、Be、Cd、Co、Cs、Eu、Mg、Mn、Na、Ni、Rb、Sc、Sm、Tl、Yb、Zn、Ga和Re 19种元素含量显著高于其他产区，相比之下，Hg、Ru和Au含量相对较低；武威产区Li、Sr、Fe、Hf、Pd和Zr 6种元素含量相对高于其他产区。由此可见，不同产区葡萄酒中矿质元素含量具有较大的差异性。
表2 ICP-MS仪器测定矿物元素标准曲线、检出限和定量限
Table 2 Standard curve, detection limit and quantification limit of mineral elements determined by ICP-MS
元素工作方程相关系数检出限/(mg·L-1)定量限/(mg·L-1)元素工作方程相关系数检出限/(mg·L-1)定量限/(mg·L-1)AlY=22.849x0.999 71.3×10-24.3×10-3RbY=56.771x0.999 81.9×10-66.5×10-6AsY=4.209 3x0.999 95.0×10-31.7×10-2SbY=4.434 1x0.999 97.0×10-42.3×10-3BY=3.986 5x0.999 63.1×10-29.6×10-2ScY=24.658x0.999 93.8×10-41.3×10-3BaY=32.081x0.999 91.1×10-43.7×10-4SeY=0.987 73x0.999 90.110.33BeY=3.955 6x0.999 47.8×10-32.6×10-2SmY=7.149 8x0.999 91.7×10-45.7×10-4BiY=30.171x0.999 91.0×10-53.0×10-5SnY=6.344 5x0.999 94.8×10-41.6×10-3CdY=13.524x0.999 97.0×10-52.2×10-4SrY=110.69x0.999 54.2×10-61.4×10-5CeY=23.650x0.999 91.0×10-53.0×10-5TbY=71.123x0.999 96.0×10-71.9×10-6CoY=12.296x0.999 92.2×10-47.3×10-4TiY=11.889x0.999 92.0×10-36.6×10-3CrY=13.804x0.999 96.4×10-42.1×10-3ThY=52.208x0.999 93.5×10-28.5×10-2CsY=33.601x0.999 93.2×10-61.0×10-5TlY=90.182x0.999 81.5×10-64.9×10-6CuY=11.755x0.999 92.8×10-49.3×10-4TmY=136.84x0.999 81.0×10-73.0×10-7ErY=27.982x0.999 91.0×10-53.0×10-5UY=89.631x0.999 91.0×10-63.5×10-6EuY=35.386x0.999 93.2×10-61.0×10-5CaY=17.997x0.999 12.6×10-27.8×10-2GdY=12.423x0.999 93.4×10-51.1×10-4YY=97.177x0.999 75.0×10-71.8×10-6GeY=7.887 3x0.999 97.8×10-42.6×10-3YbY=46.531x0.999 81.5×10-65.1×10-6HgY=134.75 x0.993 47.3×10-72.3×10-6FeY=2.397 9x0.998 42.27.2HoY=140.91x0.999 81.4×10-74.0×10-7ZnY=6.887 3x0.999 68.4×10-32.8×10-2IrY=16.893x0.999 41.0×10-73.0×10-7PY=0.659 05x0.999 93.712LiY=9.353 0x0.999 84.2×10-41.4×10-3AuY=35.317x0.999 72.0×10-56.7×10-5MgY=11.383x0.999 85.8×10-31.7×10-2TaY=134.57x0.999 88.0×10-72.7×10-6MnY=14.900x0.999 93.4×10-41.1×10-3PtY=10.265x0.999 91.1×10-43.8×10-4MoY=21.107x0.999 78.4×10-52.8×10-4WY=22.252x0.999 91.6×10-55.3×10-5NaY=58.550x0.998 42.9×10-38.7×10-3HfY=45.879x0.999 82.8×10-69.3×10-6NbY=70.751x0.999 71.1×10-63.7×10-6PdY=7.593x0.999 94.4×10-41.5×10-3NdY=18.719x0.999 92.6×10-58.7×10-5GaY=18.820x0.999 91.4×10-44.7×10-4NiY=4.879 1x0.999 96.0×10-31.8×10-2ZrY=32.595x0.999 82.4×10-58.0×10-5RuY=179.12x0.994 62.1×10-56.3×10-5AgY=12.925x0.991 41.3×10-64.1×10-6PrY=18.756x0.999 91.0×10-53.1×10-5ReY=33.348x0.999 93.0×10-61.0×10-5
表3 不同产区葡萄酒矿物元素含量差异性
Table 3 Differences of mineral element content in wines from different producing areas
元素沙城产区贺兰山东麓产区清徐产区武威产区渤海湾产区云南高原产区P元素沙城产区贺兰山东麓产区清徐产区武威产区渤海湾产区云南高原产区PAl1.76±0.681.24±0.402.42±1.102.12±0.943.21±1.720.62±0.23<0.001Sc*2.06±0.971.85±0.871.85±1.152.44±1.624.78±2.401.23±0.30<0.001As*1.33±0.442.06±0.980.73±0.511.72±0.760.70±0.570.39±0.15<0.001Se*0.74±0.220.97±0.080.88±0.170.98±0.120.85±0.171.05±0.06<0.001B2.55±1.254.12±1.311.93±0.473.19±1.251.83±0.791.31±0.38<0.001Sm*0.04±0.020.04±0.010.04±0.030.04±0.020.09±0.120.03±0.010.052Ba0.07±0.020.06±0.010.06±0.020.07±0.030.11±0.040.05±0.02<0.001Sn*2.66±1.232.21±1.033.15±1.912.25±1.233.65±3.372.25±0.600.328Be*0.07±0.040.05±0.010.08±0.070.17±0.150.21±0.110.05±0.01<0.001Sr0.39±0.131.67±0.650.72±0.571.87±0.940.69±0.220.43±0.29<0.001Bi*0.04±0.020.02±0.0040.04±0.030.03±0.010.04±0.030.015±0.0030.008Tb*0.01±0.010.004±0.0020.01±0.010.01±0.0030.02±0.030.003±0.0010.29Cd*0.09±0.040.05±0.030.11±0.070.07±0.040.23±0.130.13±0.10<0.001Ti0.11±0.020.12±0.030.13±0.050.11±0.020.11±0.030.13±0.020.553Ce*0.43±0.260.36±0.240.52±0.450.43±0.250.94±1.460.29±0.060.231Th*1.05±1.580.19±0.050.32±0.300.28±0.180.29±0.250.14±0.030.030Co*2.24±0.591.95±0.802.10±0.513.12±1.423.34±0.871.01±0.68<0.001Tl*0.17±0.080.10±0.020.11±0.040.07±0.030.40±0.260.08±0.05<0.001Cr*23.01±6.8222.20±5.7222.25±5.0922.96±5.8418.74±3.9518.20±2.080.193Tm*0.01±0.010.004±0.0020.01±0.0040.01±0.0050.01±0.020.002±0.0010.320Cs*7.48±2.312.27±0.807.16±1.853.83±7.1531.75±23.8071.3±132.020.004U*0.14±0.090.19±0.250.10±0.090.29±0.280.24±0.200.07±0.050.085Cu*54.6±33.98139.00±71.00172.00±143.78122.00±94.78119.00±139.5359.44±38.710.023Y*0.23±0.160.21±0.070.31±0.240.31±0.200.74±1.250.10±0.020.102Er*0.03±0.030.03±0.010.04±0.030.04±0.030.08±0.110.01±0.0020.101Yb*0.05±0.030.05±0.020.06±0.020.08±0.060.11±0.140.01±0.0030.034Eu*0.03±0.010.02±0.010.02±0.010.02±0.010.05±0.030.02± 0.010.001Fe1.28±0.441.50±0.331.95±0.572.53±1.501.45±0.810.89±0.33<0.001Gd*0.04±0.030.04±0.010.05±0.050.04±0.020.12±0.220.02±0.010.227Zn0.27±0.100.14±0.090.21±0.150.21±0.100.33±0.180.26±0.230.021Ge*0.04±0.020.04±0.010.05±0.020.04±0.020.05±0.020.04±0.010.644P81.00±45.0374.33±14.1440.53±15.0360.57±22.2872.18±26.6153.23±18.610.005Hg*0.05±0.030.03±0.010.02±0.010.05±0.030.01±0.010.02±0.01<0.001Ru*0.32±0.110.42±0.020.31±0.150.42±0.030.28±0.140.37±0.010.006Ho*0.01±0.010.01±0.0030.01±0.010.01±0.010.02±0.040.003±0.0010.226Au*0.21±0.220.07±0.010.10±0.080.15±0.190.04±0.030.05±0.030.015Li*5.91±5.5060.87±25.2115.95±14.9169.28±44.016.25±6.207.80±11.91<0.001Ta*0.05±0.020.08±0.020.07±0.010.06±0.010.06±0.020.06±0.010.033Mg134.00±164.3681.80±9.44146.00±159.8493.88±27.24286.00±329.6459.00±10.680.043Ir*1.07±1.400.70±0.120.72±0.330.56±0.210.42±0.090.42±0.050.190Mn2.24±3.450.72±0.181.94±1.971.02±0.555.53±6.370.90±0.320.007Pt*0.14±0.060.28±0.080.23±0.070.23±0.080.18±0.060.17±0.02<0.001Mo*2.51±0.772.10±0.271.68±0.601.97±0.362.28±0.662.04±0.260.007W*0.13±0.110.09±0.030.13±0.060.13±0.070.22±0.290.07±0.020.148Na2.42±4.062.65±1.621.84±2.073.03±1.2926.33±37.470.63±0.210.001Hf*0.07±0.050.08±0.020.09±0.040.12±0.080.07±0.040.05±0.010.034Nb*0.49±0.150.47±0.010.47±0.140.46±0.010.66±0.540.47±0.010.300Pd*0.08±0.050.05±0.020.12±0.080.21±0.150.11±0.110.09±0.030.001Nd*0.20±0.150.16±0.050.25±0.200.22±0.120.66±1.330.14±0.030.223Ga1.46±0.571.42±0.751.21±0.361.47±0.792.17±0.841.05±0.420.005Ni*15.04±4.2217.80±3.7021.17±7.1824.05±9.9736.69±19.1411.31±2.64<0.001Zr*1.41±0.700.90±0.411.36±0.692.35±1.851.28±0.771.14±0.240.012Pr*0.04±0.030.03±0.010.05±0.050.04±0.020.11±0.210.02±0.0050.218Re*0.01±0.010.04±0.010.03±0.010.06±0.030.08±0.080.01±0.002<0.001Rb1.12±0.380.64±0.131.48±0.460.70±0.382.91±1.161.07±0.65<0.001Ca4.25±1.984.28±0.983.76±0.774.24±1.284.19±1.103.65±0.620.813Sb*0.46±0.281.06±1.730.42±0.270.43±0.230.44±0.180.24±0.090.186Ag*0.11±0.030.12±0.0010.10±0.030.12±0.0010.10±0.030.12±0.0020.281
注：元素右上角*表示元素含量为μg/L，未标*的元素含量为mg/L；表中数据均为平均值±标准差
2.2 不同产地葡萄酒中矿质元素含量主成分分析
主成分分析技术是重要的指纹分析技术之一，它将多项指标重新组合成一组新的互相无关的几个综合指标，能够用较少指标反应较多信息的一种无监督分析方法[13-18]。对不同产地葡萄酒进行主成分分析，降低维度，使变量之间关系更加清晰。经过最大方差法旋转，各因子的载荷值更接近于0或1，能够更好区分主成分下的因子，旋转后的主成分分析结果见附表1(https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=SPFX20220321006)。根据特征值>1的原则，提取了14个主成分，累计方差贡献率达到了85.351%，基本综合了原始数据的信息。
由表4可知，第1主成分的方差贡献率为26.562%，综合了Al、Ce、Er、Eu、Gd、Ho、Nd、Pr、Sm、Tb、Tm、Y、Yb、W、Re的信息；第2主成分的方差贡献率为10.552%，综合了Ba、Cd、Co、Rb、Sc、Zn、Ga的信息；第3主成分的方差贡献率为9.405%，综合了Mg、Mn、Nb、Se、Ru的信息；第4主成分的方差贡献率为7.807%，综合了As、B、Li、Sr、Pt的信息；第5主成分的方差贡献率为7.312%，综合了Hg、Mo、P、Ca的信息；第6主成分的方差贡献率为4.849%，综合了Th、Au、Ir的信息；第7主成分的方差贡献率为3.502%，综合了Hf、Pd、Zr的信息；第8主成分的方差贡献率为2.685%，综合了Cu、Ni、Tl的信息；第9主成分的方差贡献率为2.540%，综合了Cr、Fe的信息；第10主成分的方差贡献率为2.483%，综合了Sn的信息；第11主成分的方差贡献率为2.177%，主要包含了Ti的信息；第12主成分的方差贡献率为2.06%，主要包含了Ag的信息；第13主成分的方差贡献率为1.82%，主要包含了Na的信息；第14主成分的方差贡献率为1.597%，主要包含了Sb的信息。筛选出Al、Ce、Er、Eu、Gd、Ho、Nd、Pr、Sm、Tb、Tm、Y、Yb、W、Re、Ba、Cd、Co、Rb、Sc、Zn、Ga、Mg、Mn、Nb、Se、Ru、As、B、Li、Sr、Pt、Hg、Mo、P、Ca、Th、Au、Ir、Hf、Pd、Zr、Cu、Ni、Tl、Cr、Fe、Sn、Ti、Ag、Na和Sb 52种葡萄酒的特征矿物元素。
表4 前14个主成分的载荷矩阵及方差贡献率
Table 4 Load matrix and variance contribution rate of the first 14 principal components
指标成分1234567891011121314特征值16.7346.6485.9254.9184.6073.0552.2061.6921.61.5651.3721.2981.1461.006方差贡献率/%26.56210.5529.4057.8077.3124.8493.5022.6852.5402.4832.1772.061.821.597累计方差贡献率/%26.56237.11446.51954.32661.63866.48769.98972.67475.21477.69779.87481.93483.75485.351
2.3 基于矿质元素葡萄酒产地区分模型的建立
为了进一步考察各元素含量对葡萄酒原产地判别的影响，建立基于Fisher判别函数的一般判别方法对葡萄酒产地进行多变量判别，以58种元素作为自变量，进行逐步判别分析。结果显示，Al、As、B、Ba、Be、Bi、Cd、Ce、Co、Cr、Cs、Cu、Er、Eu、Gd、Ge、Hg、Ho、Li、Mg、Mn、Mo、Na、Nb、Rb、Zn和Ta共计27种对产地判别显著的元素被引入到判别模型中，建立了不同产地葡萄酒的判别方程，分别为:
Y(河北沙城产区)=2.069Al-1.638As-0.330B+129.498Ba-5.665Be+71.060Bi-65.635Cd-17.643Ce-4.772Co+0.944Cr-0.066Cs-0.001Cu+505.791Er+138.429Eu+1 716.408Gd+449.052Ge+392.595Hg-537.235Ho-0.121Li+0.062Mg+2.430Mn+10.333Mo+0.224 Na+21.641Nb+20.871Rb+6.314Zn+165.893Ta-74.784；
Y(宁夏贺兰山东麓产区)=2.068Al-1.799As+5.750B+474.154Ba-53.651Be-117.304Bi-136.610Cd-22.460Ce-4.527Co+1.670Cr-0.082Cs-0.013Cu+454.295Er+477.257Eu+1366.916Gd-6.763Ge-182.974Hg-960.057Ho+0.235Li-0.052Mg+3.246Mn+3.913Mo+0.193Na+34.970 Nb-0.129Rb-0.442Zn+432.901Ta-71.945；
Y(山西清徐产区)=781Al-7.837As+0.070B+181.257Ba-5.479Be+204.068Bi-27.684Cd-39.570Ce-1.591Co+1.079Cr-0.063Cs+0.024Cu+663.664Er-223.755Eu+2 107.862Gd+329.224Ge+131.305Hg-2 127.883Ho-0.028Li+0.107Mg-0.437Mn+8.031Mo+0.247 Na+27.501 Nb+20.519Rb-9.047Zn+137.123Ta-71.718；
Y(甘肃武威产区)=3.646Al-4.955As+0.205B+421.421Ba-13.312Be-0.913Bi-110.024Cd-33.518Ce-0.731Co+1.322Cr-0.057Cs+0.008Cu+880.708Er+3.019Eu+1744.523Gd+39.949Ge-13.380Hg-1 313.931Ho+0.248Li+0.022Mg+0.878Mn+5.892Mo+0.232 Na+30.708 Nb+6.600Rb+3.925Zn+219.156Ta-58.894；
Y(山东渤海湾产区)= 5.495Al-11.588As-4.512B+232.126Ba+7.102Be+223.109Bi-33.465Cd-61.045Ce-2.317Co+0.648Cr-0.125Cs+0.028Cu+1 290.999Er-346.698Eu+2 916.345Gd+458.431Ge+348.028Hg-3 055.169Ho-0.018Li+0.180Mg-1.070Mn+16.199Mo+0.546 Na+32.038 Nb+39.949Rb+9.867Zn+39.747Ta-145.413；
Y(云南高原产区)= 2.915Al-5.233As-1.191B+226.983Ba-13.816Be-32.491Bi-32.896Cd-24.464Ce-4.944Co+0.959Cr+0.014Cs+0.009Cu+639.290Er-100.879Eu+1 688.460Gd+281.635Ge+180.329Hg-921.914Ho-0.021Li+0.041Mg+1.612Mn+9.047Mo+0.149 Na+24.926Nb+10.161Rb+17.239Zn+177.853Ta-50.358。
2.4 基于矿质元素的不同产地葡萄酒的判别分析
单因素方差分析揭示了不同产地葡萄酒矿质元素含量的差异性，但不能对不同产地葡萄酒进行准确判别，本研究采用Fisher判别分析法对不同产区葡萄酒进行判别。以58种特征元素作为自变量，不同产地作为分类变量，利用Fisher线性判别分析对6个产区葡萄酒样品进行产地鉴别(图1、表5)。研究表明，通过27个元素指标，可以将6个不同产地的葡萄酒判别出来，回代检验正确判别率为98.6%，交叉验证的正确判别率为84.7%，回代检验是针对所有训练样本进行的检验，样品的错判率是相应总体率的偏低估计，而交叉检验比较真实地体现了模型的判别能力[19]。其中沙城产区77.8%的样品被正确识别，贺兰山东麓产区100%的样品被正确识别，清徐产区84.6%的样品被正确识别，武威产区88.9%的样品被正确识别，渤海湾产区83.3%的样品被正确识别，云南高原产区66.7%的样品被正确识别。由此可以看出，基于矿质元素技术，宁夏贺兰山东麓赤霞珠葡萄酒可以很好地被判别，云南高原产区判别率低，可能是因为云南样本量少，不能全面代表该产区葡萄酒信息的原因。
图1 不同产地葡萄酒在分类平面上的散点图
Fig.1 The scatter plot of wines from different regions on a classification plane
表5 不同产区葡萄酒的一般判别分析结果
Table 5 Results of general discriminant analysis of wines from different appellation areas
方法产区预测组成信息沙城贺兰山东麓清徐武威渤海湾云南高原整体判别正确率/%沙城(n=18)100.000000贺兰山东麓(n=14)0100.00000回代检验/%清徐(n=13)00100.000098.6武威(n=9)00088.9011.1渤海湾(n=12)0000100.00云南高原(n=6)00000100.0沙城(n=18)77.85.611.1005.6贺兰山东麓(n=14)0100.00000交叉验证/%清徐(n=13)7.7084.607.7084.7武威(n=9)00088.9011.1渤海湾(n=12)8.308.3083.30云南高原(n=6)16.70016.7066.7
2.5 宁夏贺兰山东麓不同品种葡萄酒的判别分析
为了验证葡萄酒的品种是否对产地判别产生影响，试验采用Fisher判别分析法对宁夏贺兰山东麓产区6个单品葡萄酒进行品种判别。以58种矿物元素作为判别分析的自变量，进行逐步判别分析。结果显示，Al、As、B、Ba 等40种对品种判别显著的元素被引入到判别模型中[2]。分类结果表明，回代检验的整体正确判别率分别为100%，交叉检验整体正确判别率仅为38.9%(表6)，每个品种均有大部分样本被误判，以上分析说明基于矿物元素指纹的差异不能有效鉴别不同品种的葡萄酒。
3 结论
通过分析宁夏贺兰山东麓、河北沙城、山西清徐、甘肃武威、渤海湾和云南高原6个我国葡萄酒主产区
表6 不同品种酿酒葡萄葡萄酒的一般判别分析结果
Table 6 Results of general discriminant analysis of different varieties of wine grape wine
方法产区预测组成信息霞多丽美乐蛇龙珠马瑟兰赤霞珠黑比诺整体判别正确率/%霞多丽(n=9)100.000000美乐(n=9)0100.00000回代检验/%蛇龙珠(n=6)00100.0000100.0马瑟兰(n=11)000100.000赤霞珠(n=9)0000100.00黑比诺(n=10)00000100.0霞多丽(n=9)33.333.311.111.1011.1美乐(n=9)033.311.111.122.222.2交叉验证/%蛇龙珠(n=6)016.733.316.7033.338.9马瑟兰(n=11)9.099.0918.245.518.20赤霞珠(n=9)11.1022.233.333.30黑比诺(n=10)020.010.0020.050.0
72个赤霞珠单品葡萄酒中的58种矿质元素含量及组成特征，明确了Al、As、B、Ba、Be、Bi、Cd、Co、Cs、Cu、Eu、Hg、Li、Mg、Mn、Mo、Na、Ni、Rb、Sc、Se、Sr、Th、Tl、Yb、Fe、Zn、P、Ru、Au、Ta、Hf、Pd、Zr 和 Re 35种元素含量在6个产区间存在显著差异(P<0.05)。通过主成分分析提取出14个主成分，综合了58种矿质元素85.351%的总信息。Fisher判别分析确定了Al、As、B、Ba、Be、Bi、Cd、Ce、Co、Cr、Cs、Cu、Er、Eu、Gd、Ge、Hg、Ho、Li、Mg、Mn、Mo、Na、Nb、Rb、Zn、Ta 27种葡萄酒产地识别的有效溯源元素指标，构建了不同产地葡萄酒判别模型，该模型基本能鉴别不同产地的葡萄酒。而基于矿物元素的差异不能有效鉴别不同品种的葡萄酒。本研究显示，矿质元素技术是葡萄酒产地溯源行之有效的方法。目前，稳定同位素也是农产品产地溯源的有效手段，后续工作中，继续挖掘矿质元素技术结合稳定同位素技术，采用多元统计方法进行葡萄酒产地溯源，形成更准确更高效的鉴别技术，为鉴别地理标志产区葡萄酒的真实性提供理论依据和技术手段。
[1] 申雪, 袁玉伟, 聂晶, 等.稳定同位素在葡萄酒产地溯源中的研究进展[J].中外葡萄与葡萄酒, 2020(6):60-65.
SHEN X, YUAN Y W, NIE J, et al.Research progress of stable isotopes in wine origin tracing[J].Sino-Overseas Grapevine & Wine, 2020(6):60-65.
[2] 李彩虹, 开建荣, 王彩艳, 等.基于矿物元素技术的品种、产区葡萄酒的判别分析[J].食品与发酵工业, 2022,48(12):281-289.
LI C H, KAI J R, WANG C Y, et al.Discriminant analysis of wine variety and origin based on mineral element technology[J].Food and Fermentation Industries, 2022,48(12):281-289.
[3] 杜晓宁, 张鹏帅, 雷雯, 等.稳定同位素技术在我国食品安全检测领域的应用进展[J].同位素, 2019, 32(3):231-243.
DU X N, ZHANG P S, LEI W, et al.Application of stable isotope technique in food safety field[J].Journal of Isotopes, 2019, 32(3):231-243.
[4] 张龙. 植源性农产品溯源以及鉴别技术研究[D].杭州:浙江大学, 2012.
ZHANG L.The trace and authentication technologies on plant derived agricultural products[D].Hangzhou:Zhejiang University, 2012.
[5] 卢诗扬, 张雷蕾, 潘家荣, 等.特色农产品产地溯源技术研究进展[J].食品安全质量检测学报, 2020, 11(14):4 849-4 855.
LU S Y, ZHANG L L, PAN J R, et al.Research progress on origin traceability technology of characteristic agricultural products[J].Journal of Food Safety and Quality, 2020, 11(14):4 849-4 855.
[6] 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.
MA N, LU B X, LIU X J, et al.Technology of mineral elements fingerprint and its application in origin traceability of agricultural production[J].Modern Agricultural Science and Technology, 2016(9):296-298.
[7] BERTOLDI D, COSSIGNANI L, BLASI F, et al.Characterisation and geographical traceability of Italian goji berries[J].Food Chemistry, 2019, 275:585-593.
[8] BENNION M, MORRISON L, BROPHY D, et al.Trace element fingerprinting of blue mussel (Mytilus edulis) shells and soft tissues successfully reveals harvesting locations[J].Science of the Total Environment, 2019, 685:50-58.
[9] 何伟忠, 赵多勇, 范盈盈, 等.新疆红枣营养品质与稳定同位素及矿物元素特征产地溯源比较[J].核农学报, 2021, 35(5):1 099-1 112.
HE W Z, ZHAO D Y, FAN Y Y, et al.Comparison of the nutrient quality, stable isotope and multi-element characteristics of Xinjiang jujube for origin traceability[J].Journal of Nuclear Agricultural Sciences, 2021, 35(5):1 099-1 112.
[10] 宋向飞. 基于矿质元素指纹图谱技术的碧螺春茶产地溯源研究[D].南京:南京农业大学, 2018.
SONG X F.Study on the geographical origin Biluochun tea based on mineral element fingerprinting technology[D].Nanjing:Nanjing Agricultural University, 2018.
[11] 王洁, 伊晓云, 倪康, 等.基于稀土元素指纹的扁形茶产地判别分析[J].浙江农业科学, 2016, 57(7):1 118-1 124.
WANG J, YI X Y, NI K, et al.Discriminant analysis of the origin of flat tea based on fingerprint of rare earth elements[J].Journal of Zhejiang Agricultural Sciences, 2016, 57(7):1 118-1 124.
[12] MA G C, ZHANG Y B, ZHANG J Y, et al.Determining the geographical origin of Chinese green tea by linear discriminant analysis of trace metals and rare earth elements:Taking Dongting Biluochun as an example[J].Food Control, 2016, 59:714-720.
[13] 李艳敏, 张立严, 狄红梅.主成分和判别分析在清香型白酒产地溯源中的应用[J].中国酿造, 2018, 37(1):145-148.
LI Y M, ZHANG L Y, DI H M.Application of principal component analysis and discriminant analysis in origin traceability of light-flavor Baijiu[J].China Brewing, 2018, 37(1):145-148.
[14] 高云, 郁志芳.基于主成分分析的芹菜品质评价[J].食品工业科技, 2020, 41(3):308-314;320.
GAO Y, YU Z F.Quality evaluation of celery based on principal component analysis[J].Science and Technology of Food Industry, 2020, 41(3):308-314;320.
[15] LIU Z, ZHANG W X, ZHANG Y Z, et al.Assuring food safety and traceability of polished rice from different production regions in China and Southeast Asia using chemometric models[J].Food Control, 2019, (99):1-10.
[16] 张腊腊, 韩明虎, 胡浩斌, 等.基于主成分分析的苹果品质综合评价[J].江苏农业科学, 2020, 48(3):209-213.
ZHANG L L, HAN M H, HU H B, et al.Comprehensive evaluation of apple quality based on principal component analysis[J].Jiangsu Agricultural Sciences, 2020, 48(3):209-213.
[17] CHENG H, QIN Z H, GUO X F, et al.Geographical origin identification of propolis using GC-MS and electronic nose combined with principal component analysis[J].Food Research International, 2013, 51(2):813-822.
[18] 张梦潇, 周文化, 莫华, 等.不同品种紫薯粉鲜湿面条的品质特性及主成分分析[J].食品工业科技, 2020, 41(1):79-85;124.
ZHANG M X, ZHOU W H, MO H, et al.Quality characteristics and principal component analysis of fresh noodles with purple sweet potato flour of different varieties[J].Science and Technology of Food Industry, 2020, 41(1):79-85;124.
[19] 李安, 陈秋生, 赵杰, 等.基于稳定同位素与稀土元素指纹特征的大桃产地判别分析[J].食品科学, 2020, 41(6):322-328.
LI A, CHEN Q S, ZHAO J, et al.Discriminations of the geographical origin of peach based on stable isotope and rare earth element fingerprint characteristics[J].Food Science, 2020, 41(6):322-328.