红葡萄酒CIELAB 参数与花色素的主成分多元线性回归分析

郭耀东1，王 飞2，董少杰3，王圣仪2，张 昂2,*

（1.商洛学院健康管理学院，陕西 商洛 726000；2.秦皇岛出入境检验检疫局检验检疫技术中心，河北 秦皇岛 066004；3.商洛学院生物医药与食品工程学院，陕西 商洛 726000）

摘 要：采用CIELAB色空间体系对119 种市售红葡萄酒颜色参数进行分析，并利用超高效液相色谱-串联质谱法、pH示差法分析测定红葡萄酒样品中16 种单体花色素含量、总花色素含量，使用主成分分析、相关性分析和多元线性回归分析法对上述变量因子进行分析，研究红葡萄酒CIELAB体系中L*、a*值和b*值与单体花色素、总花色素含量、pH值之间的关系。结果表明，通过主成分分析得到对红葡萄酒颜色贡献程度较大的3 种主成分，累计贡献率达到84.11%。CIELAB色空间体系的颜色参数分别受不同单体花色素含量影响，对L*、a*值影响最大的单体花色素为矢车菊素-3-O-葡萄糖苷，对b*值影响最大的单体花色素为锦葵色素，总花色素含量对L*、a*、b*值均有极显著影响，L*值与a*值呈极显著负相关。

关键词：CIELAB色空间；花色素；相关性分析；主成分分析；多元线性回归分析

颜色是反映葡萄酒品质的重要属性，可以提供葡萄酒类型、陈酿时间等相关信息，会对消费者的选择和认知产生影响[1-2]。研究红葡萄酒中花色素及葡萄酒颜色参数之间的联系，对影响葡萄酒呈色的化学成分及原因进行理论分析，可以为红葡萄酒酿制的工艺优化、品质分析、质量控制及其他相关基础研究提供一定理论依据。

花色素是产生葡萄酒颜色变化的基础物质，其含量和结构稳定性对葡萄酒感官品质具有重要影响[3-4]。近年来，国内外学者从不同角度对葡萄酒中花色素及其与葡萄酒颜色之间的关系进行了研究。张波等[5-6]论述了红葡萄酒中主要花色素以及衍生物的结构特征、形成途径和理化性质，并对葡萄酒中花色素辅色化作用等进行了系统介绍。梁娜娜等[7]分析了6 种葡萄酒中花色素含量与葡萄酒颜色参数间的关系，发现不同花色素对不同葡萄酒颜色参数具有一定影响。兰圆圆等[8]对21 款不同品种和年份的干红葡萄酒进行分析，研究了总花色素、总酚含量和颜色参数之间的联系，发现总花色素含量与葡萄酒颜色深度等颜色参数具有显著相关性。葛谦等[9]分析了葡萄酒酿造过程中6 种花色素单体、花色素含量与葡萄酒颜色参数的变化规律。Sáenz-Navajas等[10]研究分析了西班牙58 份市售橡木红葡萄酒样本中花色素组成与颜色参数之间的联系。

目前国际上进行颜色评价的方法体系主要有RGB色空间[11]、孟塞尔色彩体系[12]、CIELUV色空间[13]和CIELAB色空间[14]。其中只有CIELAB色空间与人眼色刺激值感官相符，被广泛应用于食品及葡萄酒的相关研究[15-16]。国家质检总局认定的方法[17-18]中均使用该体系进行颜色评价。

本研究采集119 种红葡萄酒为供试样品，对其CIELAB颜色参数、16 种常见单体花色素含量[19]及总花色素含量进行大样本检测分析，通过主成分分析、相关分析及多元线性回归分析寻找参数间相关联系，以期为进一步有针对性开展红葡萄酒辅色研究及品质优化提供一定参考。

1 材料与方法

1.1 材料与试剂

市售119 种红葡萄酒。

乙腈（色谱纯） 美国Fisher公司；浓盐酸、冰醋酸（均为分析纯） 天津市凯通化学试剂有限公司；乙酸钠、氯化钾（均为分析纯） 天津市光复科技发展有限公司；花色素标准品（纯度≥99.5%）：飞燕草色素（delphinidin，Del）、飞燕草素-3-葡萄糖苷（delphinidin-3-glucoside，Del-3-G）、飞燕草素-3,5-二葡萄糖苷（delphinidin-3,5-diglucoside，Del-3,5-D）、飞燕草素鼠李葡萄糖苷（delphinidin-3-O-rutinoside，Del-3-R）、矢车菊素（cyanidin，Cya）、矢车菊素-3-O-葡萄糖苷（cyanidin-3-glucoside，Cya-3-G）、矢车菊素-3,5-二葡萄糖苷（cyanidin-3,5-diglucoside，Cya-3,5-D）、天竺葵色素苷（pelargonin，Pel）、芍药素（peonidin，Peo）、芍药苷-3-葡萄糖苷（peonidin-3-O-glucoside，Peo-3-G）、芍药素3,5-二葡萄糖苷（peonidin-3,5-di-O-glucoside，Peo-3,5-D）、锦葵色素（malvidin，Mal）、锦葵色素-3,5-二葡萄糖苷（malwidin-3,5-diglucoside，Mal-3,5-D）、锦葵色素-3-半乳糖苷（malvidin-3-galactoside，Mal-3-G）、矮牵牛素（petunidin，Pet）、矮牵牛素-3-葡萄糖苷（petunidin-3-O-β-D-glucoside，Pet-3-G） 美国Extrasynthese SA公司。

1.2 仪器与设备

NEXERA LC-30AD液相色谱仪、UV-2550紫外分光光度计 日本岛津公司；QTRAP 4500质谱仪（配有电喷雾离子源、Turbo V离子源和Analyst1.5数据处理系统）美国AB Sciex公司；W100葡萄酒颜色测定仪 济南海能仪器股份有限公司；410C-01A酸度计 美国ORION公司；Milli-Q去离子水机 美国Millipore公司。

1.3 方法

1.3.1 Lab色空间参数的测定

将酒样取上清液过0.45 μm水性滤膜加入10 mm比色皿中，利用葡萄酒颜色测定仪直接测定L*、a*值和b*值[20]。葡萄酒颜色测定仪内置D65光源，10°观察角，CIE1976LAB色空间计算体系。

1.3.2 酒样中总花色素含量、pH值的测定

总花色素含量测定采用pH示差法[21]。用氯化钾和盐酸配制pH 1.0的缓冲液，用三水合乙酸钠和乙酸配制pH 4.5的缓冲液，取0.5 mL酒样分别用pH 1.0的缓冲液和pH 4.5的缓冲液定容至10 mL，室温平衡100 min，再将2 份不同pH值缓冲液稀释的酒样分别置于波长510 nm和700 nm条件下测吸光度，根据pH示差法公式计算总花色素含量，以天竺葵色素-3-葡萄糖苷含量计。

pH值采用酸度计直接测定。

1.3.3 单体花色素含量的测定[22-23]

色谱条件：柱温40 ℃，进样体积30 μL，流速0.25 mL/min，用Phenyl-Hexyl色谱柱分离，根据花色素单体性质确定流动相A：含5%甲醇的1%甲酸溶液，流动相B：1%甲酸-甲醇溶液。洗脱程序：0～3.1 min，0%～65% B；3.1～8.0 min，65% B；8.0～8.5 min，65%～100% B；8.5～12.5 min，100% B；12.5～13 min，100%～0% B；13～20 min，0% B。

质谱条件：电雾喷离子源，正离子模式，多反应监测，质量扫描范围m/z100～1 000；雾化器压力345 kPa；辅助气流速10 L/min；干燥气温度350 ℃；气帘气压力30 psi；离子喷雾电压5 500 V；离子源温度500 ℃。

1.4 数据处理

利用SPSS 19.0软件对酒样中所有变量进行主成分分析，进行各变量与L*、a*、b*值之间相关性分析，并对红葡萄酒CIELAB色空间参数与花色素含量进行相关多元线性回归分析[24]。

外标法计算单体花色素含量[25]。

2 结果与分析

2.1 葡萄酒样品中CIELAB色空间参数和花色素含量描述性统计分析

按照1.3节方法对采集的119 种红葡萄酒样品进行测定。得到上述样本的CIELAB色空间参数、16 种单体花色素含量、总花色素含量和pH值等检测值，对其进行描述性统计分析，结果如表1所示。

表1 红葡萄酒样本中CIELAB色空间参数和花色素含量描述统计结果
Table 1 Descriptive statistics for the CIELAB color parameters and anthocyanins in red wine samples

指标 最小值 最大值 平均值 标准差 方差L* 37.34 60.63 49.50 5.55 30.85 a* 35.38 52.07 44.50 5.09 25.89 b* 22.43 49.15 30.01 5.33 28.37 pH 2.62 3.84 3.64 0.13 0.02 Del质量浓度/（μg/L） 0.63 12.80 7.34 2.41 5.79 Del-3-G质量浓度/（μg/L） 0.40 20.90 12.08 4.32 18.68 Del-3,5-D质量浓度/（μg/L） 0.90 3.50 2.30 0.37 0.14 Cya-3,5-D质量浓度/（μg/L） 0.00 0.58 0.37 0.09 0.01 Cya质量浓度/（μg/L） 0.61 3.29 2.05 0.59 0.35 Pel质量浓度/（μg/L） 0.03 0.17 0.11 0.03 0.00 Peo质量浓度/（μg/L） 0.68 5.88 3.26 1.29 1.61 Peo-3-G质量浓度/（μg/L） 0.75 7.82 4.38 1.82 3.33 Mal质量浓度/（μg/L） 4.24 50.10 30.70 11.52 132.68 Mal-3,5-D质量浓度/（μg/L） 0.68 14.30 6.86 2.81 7.88 Mal-3-G质量浓度/（μg/L） 4.39 35.40 24.21 7.88 61.73 Cya-3-G质量浓度/（μg/L） 0.13 0.76 0.43 0.14 0.02 Pet质量浓度/（μg/L） 0.42 1.76 1.15 0.31 0.10 Pet-3-G质量浓度/（μg/L） 0.39 1.51 0.99 0.26 0.07 Del-3-R质量浓度/（μg/L） 0.73 3.59 1.49 0.44 0.195 Peo-3,5-D质量浓度/（μg/L） 0.02 1.95 1.11 0.42 0.17总花色素质量浓度/（mg/L） 2.82 12.87 7.32 2.31 5.32

2.2 葡萄酒样品中颜色指标变量的主成分分析

表2 红葡萄酒样本中颜色指标各主成分的特征值和累计贡献率
Table 2 Characteristic values and cumulative contribution of principal components of color attributes in wine samples

主成分 特征值 贡献率/% 累计贡献率/%1 12.996 61.884 61.884 2 3.250 15.475 77.359 3 1.418 6.752 84.111

主成分分析目的在于利用原变量间相关性较强的特点，降低数据维度，用较少的指标尽可能多地反映原数据信息[26]。为探寻不同单体花色素含量、总花色素含量及pH值对红葡萄酒颜色的贡献差异，本研究利用SPSS 19.0软件对采集的119 种红葡萄酒样品中颜色指标检测数据进行Z得分标准化处理后进行主成分分析，如表2所示。主成分分析中贡献率越大，说明主成分所包含的原始变量信息越强[27]。由表2可知，本研究得到的3 个主成分累计贡献率达到84.11%，表明3 个主成分能够较好反映原始数据绝大部分信息。

表3 成分矩阵
Table 3 Component matrix

指标 成分1 2 3 L* -0.172 0.830 -0.467 a* 0.237 -0.831 0.426 b* -0.407 -0.062 0.297 pH值 -0.103 0.617 -0.131 Del 0.939 -0.033 -0.092 Del-3-R 0.821 -0.171 0.243 Del-3-G 0.967 -0.053 -0.084 Del-3,5-D 0.634 0.072 0.196 Mal 0.985 0.030 -0.185 Mal-3-G 0.981 0.056 -0.021 Mal-3,5-D 0.564 0.614 0.471 Cya 0.955 0.016 -0.064 Cya-3-G 0.938 -0.183 -0.111 Cya-3,5-D 0.925 0.112 0.112 Peo 0.937 -0.186 -0.161 Peo-3-G 0.957 -0.158 -0.133 Peo-3,5-D 0.868 0.337 0.269 Pet 0.989 -0.046 -0.082 Pet-3-G 0.982 -0.105 -0.101 Pel 0.510 0.552 0.551总花色素含量 0.989 0.078 -0.004

由表3可知，主成分1主要由Del、Del-3-R、Del-3-G、Mal、Mal-3-G、Cya、Cya-3-G、Cya-3,5-D、Peo、Peo-3-G、Peo-3,5-D、Pet、Pet-3-G含量和总花色素含量14 种相关程度较高的变量构成，其因子相关程度在0.821～0.989之间，相关程度最高的变量为Pet含量和总花色素含量。主成分2主要由L*值与a*值2 个相关程度较高的变量构成，因子相关程度分别为0.830与-0.831。主成分3中无相关程度较高的变量。由图1可知，119 种红葡萄酒样品在空间排布上具有较大差异性，可以通过主成分得分图，直观将其分类。第1分类包括41 种样品，第2分类包括57 种样品，第3分类包括21 种样品。

图1 花色素、pH值及CIELAB参数值主成分得分图
Fig. 1 Score plot of the fi rst three principal components for anthocyanins, pH value and CIELAB parameters

2.3 葡萄酒样品中颜色指标变量的相关性分析

表4 相关性分析
Table 4 Correlation analysis

注：**.极显著相关（P＜0.01）；*.显著相关（P＜0.05）。

指标 L* a* b*相关系数 P值 相关系数 P值 相关系数 P值L* -0.979** 0.000 -0.075 0.416 a* -0.979** 0.000 -0.041 0.659 b* -0.075 0.416 -0.041 0.659 Del -0.153 0.093 0.207* 0.023 -0.407** 0.000 Del-3-G -0.165 0.071 0.228* 0.012 -0.393** 0.000 Del-3-R -0.161 0.080 0.207* 0.023 -0.241** 0.008 Del-3,5-D -0.102 0.267 0.136 0.139 -0.223* 0.014 Cya -0.128 0.165 0.189* 0.039 -0.325** 0.000 Cya-3-G -0.260** 0.004 -0.324** 0.000 -0.349** 0.000 Cya-3,5-D -0.125 0.173 0.172 0.061 -0.324** 0.000 Mal -0.112 0.223 0.179 0.051 -0.413** 0.000 Mal-3-G -0.110 0.233 0.175 0.056 -0.409** 0.000 Mal-3,5-D 0.196* 0.032 -0.165 0.072 -0.215* 0.018 Pet -0.168 0.067 0.230* 0.012 -0.384** 0.000 Pet-3-G -0.211* 0.021 0.273** 0.003 -0.389** 0.000 Peo -0.247** 0.007 0.312** 0.001 -0.375** 0.000 Peo-3-G -0.237** 0.009 0.303** 0.001 -0.390** 0.000 Peo-3,5-D 0.005 0.954 0.055 0.552 -0.338** 0.000 Pel 0.126 0.170 -0.118 0.198 -0.107 0.246 pH值 0.423** 0.000 -0.448** 0.000 0.036 0.698单体花色素总计 -0.103 0.265 0.168 0.066 -0.405** 0.000总花色素含量 -0.463** 0.000 0.569** 0.000 -0.732** 0.000

由表4可知，明亮度L*值与a*值、Cya-3-G、Peo-3-G、Peo含量和pH值极显著相关，与Pet-3-G和Mal-3,5-D含量显著相关，除pH值、Peo-3,5-D、Pel和Mal-3,5-D含量以外均呈负相关。a*值与Cya-3-G、Pet-3-G、Peo、Peo-3-G含量和pH值极显著相关，与Pet、Cya、Del-3-G、Del、Del-3-R含量显著相关。其中，a*值与b*值、Mal-3,5-D、Pel、Cya-3-G含量和pH值呈负相关，与其余变量均呈正相关。b*值与Peo-3,5-D、Del-3-R、Pet、Pet-3-G、Cya-3-G、Mal、Peo-3-G、Mal-3-G、Peo、Cya、Cya-3,5-D、Del-3-G、Del含量和单体花色素总计极显著相关，与Del-3,5-D、Mal-3,5-D含量显著相关，且均呈负相关。总花色素含量与L*、a*、b*值均极显著相关。其中与a*值呈正相关，与L*、b*值呈负相关。

在CIELAB体系中，L*值代表亮度（L*=0黑色，L*=100无色），a*值代表红/绿颜色分量（a*＞0与红色相关，a*＜0与绿色相关），b*值代表蓝/黄颜色分量（b*＞0与黄色相关，b*＜0与蓝色相关），a*、b*值与颜色的强度高低及颜色饱和度相关。通过上述相关性分析可知，红葡萄酒颜色越向红色方向偏移明亮度越低，增加Pet-3-G、Cya-3-G、Peo-3-G、Peo含量和总花色素含量将导致红葡萄酒颜色变暗。增加Cya-3-G含量，提升pH值将使红葡萄酒颜色向绿色方向偏移，增加Pet-3-G、Peo、Peo-3-G含量和总花色素含量则使红葡萄酒颜色向红色方向偏移。增加Peo-3,5-D、Del-3-R、Pet、Pet-3-G、Cya-3-G、Mal、Peo-3-G、Mal-3-G、Peo、Cya、Cya-3,5-D、Del-3-G、Del、Del-3,5-D、Mal-3,5-D含量和总花色素含量，将使红葡萄酒颜色向蓝色方向偏移。其中，总花色素含量对红葡萄酒明亮度、红绿色调、黄蓝色调均具有显著影响。单体花色素中，Cya-3-G含量对红葡萄酒明亮度和红绿色调影响最为显著，Mal含量对黄蓝色调影响最为显著。

2.4 葡萄酒样品中颜色指标变量多元线性回归模型的建立

表5 模型汇总与方差分析
Table 5 Model parametersand analysis of variance

注：模型A、B、C因变量分别代表L*、a*、b*值，表6同，预测变量为Del、Del-3-G、Del-3,5-D、Cya-3,5-D、Cya、Pel、Peo、Peo-3-G、Mal、Mal-3,5-D、Mal-3-G、Cya-3-G、Pet、Pet-3-G、Del-3-R、Peo-3,5-D含量；F0.01（16, 119）=1.35。

模型 R R2 调整R2估计误差 DW值 指标 平方和 自由度 均方 F值 P值A 0.532 0.283 0.172 6.003 52 1.167回归 1 467.298 16 91.706 2.544 0.002残差 3 712.350 103 36.042总计 5 179.648 119 B 0.557 0.311 0.203 5.307 82 1.178回归 1 306.815 16 81.676 2.899 0.001残差 2 901.813 103 28.173总计 4 208.628 119 C 0.531 0.281 0.170 5.017 50 1.656回归 1 015.693 16 63.481 2.522 0.003残差 2 593.057 103 25.175总计 3 608.749 119

分别以L*、a*、b*值为因变量，以16 种单体花色素含量为自变量，使用SPSS 19.0软件建立多元线性回归模型[28]，模型拟合情况如表5所示。模型A复相关系数R为0.532，调整后的判定系数R2为0.172；模型B复相关系数R为0.557，调整后的判定系数R2为0.203；模型C复相关系数R为0.531，调整后的判定系数R2为0.170；当DW≈2时判断残差独立。根据模型F值统计量的观察值和概率P值可以判断，在0.01水平下认为L*、a*、b*值和自变量之间有线性关系（F＞Fa），从R2拟合优度判断，模型B的拟合度优于模型A和模型C，各解释变量对因变量有显著影响[29]。

从表5可知，模型A、模型B和模型C的回归平方和分别为1 467.298、1 306.815和1 015.693，残差平方和分别为3 712.350、2 901.813和2 593.057，因此线性回归模型只解释部分总平方和，由于3 个模型的显著性检验值均小于0.01，可判断花色素含量与葡萄酒颜色之间存在着线性关系，线性关系强弱需进一步进行分析。

表6 多元线性回归系数
Table 6 Multiple linear regression coefficients

模型 未标准化系数 标准系数 t值 显著性 共线性统计量B 标准误差 容差 VIF A 常量 58.208 5.808 10.023 0.000 Pet-3-G -43.619 23.438 -1.742 -1.816 0.066 0.008 125.859 B 常量 36.619 5.135 7.132 0.000 Pet-3-G 38.733 20.722 1.716 1.869 0.064 0.008 125.859 C 常量 27.891 4.854 5.746 0.000 Cya 6.047 3.192 0.653 1.894 0.061 0.059 17.046

在显著性0.10水平下剔除不符合显著性要求的变量，得到多元线性回归系数列表，如表6所示。根据模型A、B、C的对应系数得到模型预测方程：L*=58.208-1.742×Pet-3-G，a*=36.619+1.716×Pet-3-G，b*=27.819+0.653×Cya。根据容差和方差膨胀因子（variance inflation factor，VIF）判断建立的模型C共线性不明显（VIF＜20），模型A和模型B共线性明显（VIF＞20），可能是样本容量小导致。

图2L*（A）、a*（B）、b*值（C）回归标准化残差直方图和标准化正态P-P图
Fig. 2 Standardized residual histogram and normal P-P plot forL*value (A),a* value (B) andb* value (C)

对建立的3 个模型残差统计量进行分析，如图2所示。3 个模型的标准化残差基本呈正态分布，散点分布靠近直线，具有良好的方差齐性和正态性。

3 结论与讨论

本研究通过采集并分析119 种市售红葡萄酒样本中的颜色相关指标，通过主成分分析得到对红葡萄酒颜色贡献程度较大的3 个主成分，累计贡献率为84.11%。并得到16 种相关程度较高的变量因子。单体花色素中，Pet含量的相关程度最高，相关系数达到0.989。通过相关性分析得知总花色素含量对红葡萄酒明亮度、红绿色调、黄蓝色调均有显著影响。单体花色素中，Cya-3-G含量对红葡萄酒明亮度和红绿色调影响最为显著，Mal含量对黄蓝色调影响最为显著。进一步通过多元线性回归分析可知，以L*、a*、b*值为因变量，以对应显著相关的变量为自变量，建立多元线性回归模型，可在一定程度上解释自变量反映因变量的变化，其中Pet-3-G含量对L*、a*最终值影响显著，Cya含量对b*值最终值影响显著。

Rivas[30]和Czibulya[31]等研究发现红葡萄酒最终呈色受多种因素影响，边缘色调主要由黄蓝色调决定，Sáenz-Navajas等[10]研究结果证明吡喃类花色素（Pet-3-G等）对葡萄酒中红绿色和明亮度影响显著，与本研究分析结果相符。同时，本研究通过统计分析发现除Pel外其他15 种花色素对红葡萄酒黄蓝色调均有显著影响。

本研究结果说明综合利用主成分分析、相关性分析和多元线性回归分析3 种方法，可对红葡萄酒样本中不同种类单体花色素含量、总花色素含量、pH值与CIELAB色空间体系参数的关系进行分析，并通过建立数学模型对花色素等多酚类化合物对葡萄酒颜色的影响进行客观解释。由于研究时间、手段特别是样本种类数量的限制，本实验对上述成分对葡萄酒颜色的具体影响分析尚不够深入，需在后续研究中进一步加大采样种类数量、丰富研究方法，对红葡萄酒中不同成分对葡萄酒颜色的具体影响进行进一步研究确认。

参考文献：

[1] FERNÁNDEZ-MARÍN M I, PUERTAS B, GUERRERO R F, et al.Preharvest methyl jasmonate and postharvest UVC treatments:increasing stilbenes in wine[J]. Journal of Food Science, 2014, 79(3):C310-C317. DOI:10.1111/1750-3841.12368.

[2] MORROT G, BROCHET F, DUBOURDIEU D. The color of odors[J]. Brain and Language, 2001, 79(2): 309-320. DOI:10.1006/brln.2001.2493.

[3] 苗丽平, 赵新节, 韩爱芹, 等. 红葡萄酒中花色苷的影响因素[J].酿酒科技, 2016(2): 40-46. DOI:10.13746/j.njkj.2015295.

[4] TANG K, LIU T, HAN Y, et al. The importance of monomeric anthocyanins in the definition of wine colour properties[J]. South African Journal of Enology and Viticulture, 2017, 38(1): 1-10.DOI:10.21548/38-1-661.

[5] 张波, 韩舜愈, 马腾臻, 等. 红葡萄酒中花色苷衍生物结构研究进展[J]. 食品科学, 2018, 39(5): 284-295. DOI:10.7506/spkx1002-6630-201805043.

[6] 张波, 祝霞, 盛文军, 等. 红葡萄酒中花色苷辅色化反应研究进展[J]. 中国农业科技导报, 2017, 19(8): 92-104. DOI:10.13304/j.nykjdb.2016.640.

[7] 梁娜娜, 韩深, 何非, 等. 几种红葡萄酿酒过程中花色苷组成与CIELab参数的相关分析[J]. 中国酿造, 2014, 33(1): 48-55.DOI:10.3969/j.issn.0254-5071.2014.01.013.

[8] 兰圆圆, 陶永胜, 张世杰, 等. 我国多产区干红葡萄酒颜色相关指标的关联分析[J]. 食品科学, 2013, 34(11): 1-4. DOI:10.7506/spkx1002-6630-201311001.

[9] 葛谦, 刘正庭, 陈翔, 等. 赤霞珠葡萄酒酿造过程中花色苷及颜色参数变化规律[J]. 中国酿造, 2018, 37(2): 137-141. DOI:10.11882/j.issn.0254-5071.2018.02.028.

[10] SÁENZ-NAVAJAS M P, ECHAVARRI F, FERREIRA V, et al. Pigment composition and color parameters of commercial Spanish red wine samples: linkage to quality perception[J]. European Food Research and Technology, 2011, 232(5): 877-887. DOI:10.1007/s00217-011-1456-2.

[11] LEON K, MERY D, PEDRESCHI F, et al. Color measurement in L*a* b* units from RGB digital images[J]. Food Research International,2006, 39(10): 1084-1091. DOI:10.1016/j.foodres.2006.03.006.

[12] 李梦雅, 黄秀玲, 袁峰, 等. 基于孟塞尔色彩调和理论的包装色彩设计[J]. 包装工程, 2017, 38(15): 219-223.

[13] HUERTAS R, MELGOSA M, HITA E. Error in CIELAB and CIELUV color coordinates for Munsell samples under different light sources[C]//4th Iberoamerican Meeting on Optics and 7th Latin American Meeting on Optics, Lasers, and Their Applications. Tandil,Argentina, 2001: 585-589. DOI:10.1117/12.437214.

[14] 李运奎, 韩富亮, 张予林, 等. 基于CIELAB色空间的红葡萄酒颜色直观表征[J]. 农业机械学报, 2017, 48(6): 296-301. DOI:10.6041/j.issn.1000-1298.2017.06.039.

[15] 雷用东, 邓小蓉, 罗瑞峰, 等. 3 种颜色体系在食品应用中的研究进展[J]. 食品科学, 2016, 37(1): 241-246. DOI:10.7506/spkx1002-6630-201601042.

[16] 陶永胜, 张莉. 不同种类红葡萄酒CIELab参数与花色素苷化合物的相关分析[J]. 中国农业科学, 2010, 43(20): 4271-4277. DOI:10.3864/j.issn.0578-1752.2010.20.019.

[17] 国家质量监督检验检疫总局, 国家标准化管理委员会. 感官分析食品颜色评价的总则和检验方法: GB/T 21172—2007[S]. 北京:中国标准出版社, 2007.

[18] 国家质量监督检验检疫总局, 国家标准化管理委员会. 均匀色空间和色差公式: GB/T 7921—2008[S]. 北京: 中国标准出版社, 2008.

[19] 成果, 黄羽, 杨莹, 等. ‘桂葡6号' 葡萄酒花色苷组分HPLC-MS分析[J]. 食品科学, 2018, 39(10): 269-275. DOI:10.7506/spkx1002-6630-201810041.

[20] 王飞, 张昂, 刘烨, 等. CIE1976(L* a* b*)色空间方法在贺兰山东麓产区红葡萄酒颜色评价中的研究与应用[J]. 中外葡萄与葡萄酒,2017(6): 12-17. DOI:10.13414/j.cnki.zwpp.2017.06.002.

[21] 冯慧妍. pH示差法确定山桃稠李果实花青素的提取条件[J]. 江西化工, 2018(1): 67-69. DOI:10.3969/j.issn.1008-3103.2018.01.023.

[22] 李杏华. 超声催陈对红葡萄酒色泽及花色苷影响的研究[D]. 广州:广东工业大学, 2017: 37.

[23] 王维茜, 邓洁红, 刘永红. 半制备型高效液相色谱法分离刺葡萄花色苷单体[J]. 食品科学, 2016, 37(18): 71-76. DOI:10.7506/spkx1002-6630-201618012.

[24] 李运奎, 汪兴杰, 靳国杰, 等. 爱格丽干白葡萄酒发酵过程中典型乙酸酯的生成动力学[J]. 农业机械学报, 2018, 49(8): 360-367.DOI:10.6041/j.issn.1000-1298.2018.08.043.

[25] DONG Y, GUO Q, LIU J, et al. Simultaneous determination of seven phenylethanoid glycosides in Cistanches Herba by a single marker using a new calculation of relative correction factor[J]. Journal of Separation Science, 2018, 41(9): 1913-1922. DOI:10.1002/jssc.201701219.

[26] 葛谦, 杨春霞, 牛艳, 等. 贺兰山东麓酿酒葡萄成熟过程中花色苷组分含量及其主成分分析[J]. 北方园艺, 2017(8): 14-19.DOI:10.11937/bfyy.201708004.

[27] 林松毅, 刘静波, 叶海青. 主成分分析方法在保健食品功能学评价中的应用研究[J]. 食品科学, 2007, 28(9): 546-548. DOI:10.3321/j.issn:1002-6630.2007.09.135.

[28] 常志勇, 申四化, 赵征. 基于多元线性回归对Tilsit型干酪成熟期的研究[J]. 中国乳品工业, 2007, 35(5): 26-28. DOI:10.3969/j.issn.1001-2230.2007.05.007.

[29] 吴威, 吴明清, 陈桂云, 等. 鸡胴体表面稀释污染物的连续投影-多元线性回归-受试者特性分析检测[J]. 食品科学, 2017, 38(24): 247-252. DOI:10.7506/spkx1002-6630-201724040.

[30] RIVAS E G P, ALCALDE-EON C, SANTOS-BUELGA C, et al.Behaviour and characterisation of the colour during red wine making and maturation[J]. Analytical Chimica Acta. 2006, 563(1/2): 215-222.DOI:10.1016/j.aca.2005.11.044.

[31] CZIBULYA Z, KOLLÁR L, POUR N M, et al. The effect of temperature on the color of red wines[J]. Journal of Food Science,2012, 77(8): C880-C885. DOI:10.1111/j.1750-3841.2012.02826.x.

Principal Component Analysis and Multiple Linear Regression Analysis of CIELAB Parameters and Anthocyanins in Red Wine

GUO Yaodong1, WANG Fei2, DONG Shaojie3, WANG Shengyi2, ZHANG Ang2,*
(1. College of Health Management, Shangluo University, Shangluo 726000, China；2. Inspection and Quarantine Technique Centre, Qinhuangdao Entry-Exit Inspection and Quarantine Bureau, Qinhuangdao 066004, China；3. College of Biology Pharmacy and Food Engineering, Shangluo University, Shangluo 726000, China)

Abstract: A total of 119 red wine samples were analyzed for color parameters by using CIELAB color space, the contents of 16 different anthocyanin monomers by ultra-high performance liquid chromatography tandem mass spectrometry, and total anthocyanins content by the pH differential method. Principal component analysis, correlation analysis and multiple linear regression analysis were conducted to study the relationship between CIELAB color parameters (L*, a* and b* values)and the contents of total anthocyanins and anthocyanin monomers and pH in red wine. Three principal component factors ref l ecting the color in red wine samples were selected, which cumulatively accounted for 84.11% of the total variability.The color parameters were affected by different anthocyanin monomers. Among the 16 anthocyanin monomers, cyanidin-3-glucoside content had the greatest impact on L* and a* values, while malvidin content had the greatest impact on b* value.The content of total anthocyanins had a very significant effect on all color parameters. A significant negative correlation occurred between L* and a* values.

Keywords: CIELAB color space； anthocyanin； correlation analysis； principal component analysis； multiple linear regression analysis DOI:10.7506/spkx1002-6630-20190408-080

收稿日期：2019-04-08

基金项目：“十三五”国家重点研发计划重点专项（2017YFC1601703）；河北省科技计划项目（16275519）；国家质检总局科研项目（2014QK134）

第一作者简介：郭耀东（1983—）（ORCID: 0000-0002-2149-2863），男，讲师，博士，主要从事健康食品加工及质量安全控制技术研究。E-mail: yaodongguo@163.com

*通信作者简介：张昂（1982—）（ORCID: 0000-0002-1955-1430），男，高级工程师，博士，主要从事食品分析检测研究。E-mail: zhangangggrape@hotmail.com

中图分类号：TS207.3

文献标志码：A

文章编号：1002-6630（2019）18-0210-06

引文格式：郭耀东, 王飞, 董少杰, 等. 红葡萄酒CIELAB参数与花色素的主成分多元线性回归分析[J]. 食品科学, 2019, 40(18):210-215. DOI:10.7506/spkx1002-6630-20190408-080. http://www.spkx.net.cn

GUO Yaodong, WANG Fei, DONG Shaojie, et al. Principal component analysis and multiple linear regression analysis of CIELAB parameters and anthocyanins in red wine[J]. Food Science, 2019, 40(18): 210-215. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20190408-080. http://www.spkx.net.cn