法国科学家利用机器学习鉴定香槟和勃艮第葡萄酒产地，准确率达 100%

法国研究人员利用机器学习和地球化学指纹识别技术开发出了一种鉴定起泡葡萄酒原产地的新方法。这项研究由索邦大学（Sorbonne Université）的科学家们进行，发表在《npj 食品科学》（npj Science of Food）杂志上，重点研究了来自香槟和勃艮第地区的 75 个起泡葡萄酒样本。研究小组将同位素和元素分析与先进的机器学习算法相结合，对这两个法国著名产区的葡萄酒进行了区分。

这项研究解决了全球葡萄酒市场日益严重的问题：造假。高价值葡萄酒，尤其是那些标注为香槟或勃艮第的葡萄酒，经常成为欺诈的目标。验证葡萄酒原产地的传统方法依赖于供应链文件和地理标志，但这些都可能被篡改或伪造。过去曾使用过核磁共振光谱法和质谱法等分析技术，但其高昂的成本和复杂性限制了其广泛应用。

在这项研究中，研究人员测量了每个葡萄酒样本中的锶同位素比率（87Sr/86Sr）。这一比率受葡萄园土壤地质的影响，很难在酿酒过程中伪造或改变。利用逻辑回归（一种透明的机器学习模型），他们根据这一同位素标记对葡萄酒产地进行分类的准确率达到了 100%。

为了解决同位素分析成本高昂的问题（每个样品约 300 欧元），研究小组还测试了元素浓度是否可以作为可靠的替代品。他们发现，仅铷（Rb）浓度就能提供超过 90% 的分类准确率，同时还能降低 75% 的分析成本。这使得生产商和监管机构进行常规鉴定变得更加可行。

研究人员使用了由 66 个香槟酒样品和 9 个勃艮第酒样品组成的数据集。为了确保在这种不平衡的情况下仍能获得可靠的结果，他们采用了合成少数超采样（SMOTE）和重复交叉验证。他们比较了三种机器学习模型：逻辑回归、随机森林和支持向量机。逻辑回归表现最佳，平均 F1 分数约为 0.93。

单一特征分析表明，锶同位素比值是区分区域的最有力指标，铷浓度紧随其后。将这两个特征结合起来可进一步提高分类性能。研究还探讨了不同元素和同位素之间的相关性，发现某些组合能捕捉到与地区地质有关的葡萄酒成分的独特方面。

这对葡萄酒行业具有重要的实际意义。通过使用铷来替代更昂贵的同位素测量，葡萄酒厂和监管机构可以更低的成本实施大规模的认证计划。该方法还具有透明性和可解释性，这对监管机构的认可非常重要。

作者指出，他们的方法可以推广到橄榄油、蜂蜜或咖啡等其他容易出现欺诈的高价值食品。他们承认存在一些局限性：目前的数据集仅涵盖法国的两个地区，不同年份的气候差异等因素可能会影响地球化学特征。要想更广泛地采用，还需要标准化的协议和参考材料。

样品采集在法国严格的洁净室条件下进行。元素分析采用四极杆电感耦合等离子体质谱法（Q-ICP-MS）进行，同位素比值则采用多收集器 ICP-MS 法（MC-ICP-MS）进行测量。工作流程包括样品消化、使用离子交换树脂进行基质净化以去除干扰，以及使用认证标准进行校准。

这项研究得到了欧盟地平线欧洲计划的支持，并与酩悦轩尼诗公司合作获得了真实的葡萄酒样品。在消费者的信任与原产地声明密切相关的行业中，研究结果为保护产区完整性提供了一个可扩展的解决方案。

随着全球范围内在线销售的扩大和假冒风险的增加，这项研究为更安全的葡萄酒认证提供了科学依据。通过将分析化学与机器学习相结合，法国科学家向确保标注为香槟或勃艮第的葡萄酒真正来自这些传奇产区迈出了一步。