图1 采样点示意图
Fig. 1 Sampling locations of Liuhe rice
A.时家店乡；B.姜家店乡；C.安口镇；D.五道沟镇。
随着食品贸易的全球化发展，食品掺假和错误标签问题成为食品工业领域面临的最严重的问题，影响着食品企业的信誉以及消费者的权利，人们越来越关注农特产品的安全性及其地理产地的真实性[1-2]。按照中国农业行业标准，精米在包装中需注明碾米品质、地理位置等信息，然而，现有的图像识别技术无法判定大米品质和地理产地，在生产和供应链的各个环节中均可能出现假产地、劣质米和勾兑米等欺诈现象。吉林省著名的地理标志产品——柳河火山岩大米，因其生长环境好、品质优越等特点，深受国内外消费者青睐。但近年来，受经济利益驱动，柳河火山岩大米的地理标志被肆意滥用，柳河火山岩大米的假冒米和勾兑米等假冒伪劣产品广泛存在于市场中。因此，柳河火山岩大米的产地确证研究对防止生产企业或消费者遭受经济损失至关重要[3]。
现有研究表明，食品产地真实性的分析技术主要分为同位素指纹技术[4]、近红外光谱技术[5]、矿物元素指纹技术[6]、代谢组学指纹技术[7]。由于水稻中矿物元素含量反映了稻田温度[8]、土壤类型[9]和气候条件[10-13]等产地环境因素，矿物元素比大米中其他化合物更具有产地的代表性，多元素指纹技术被广泛应用于大米地理产地确证和掺假研究。Maione等[14]通过21 种矿物元素对巴西大米进行分类精度研究，结果表明3 种分类模型对巴西中西部、南部地区大米的产地预测精度分别达到93.66%、93.83%和90%。为寻找稳定有效的产地元素指纹信息，Alexander等[15]研究了韩国、中国、菲律宾大米中25 种矿物元素的分布情况和年际间变化规律，结果表明矿物元素含量因产地不同存在差异性分布，其中10 种元素年际间变化幅度较大。为保护具有“保护原产地名称”标志的西班牙瓦伦西亚大米，Gonzálvez等[16]对西班牙的瓦伦西亚、塔拉戈纳等4 个水稻产区以及日本、巴西、印度的大米进行产地分类研究，其结果表明，判别模型在不同国家间可有效区分西班牙瓦伦西亚大米；不同产区间的产地距离越近，线性判别模型预测准确率越低。赵海燕等[17]通过逐步判别分析筛选出11 种可用于小麦产地判别的矿物元素指标，结果表明，判别模型的准确率达到89.2%。由于大米矿物元素指标反映出其生长的稻田土壤组成，矿物元素指纹分析技术为大米产地确证提供了有效的方法依据，是用于大米产地判别的一种有效方法。
近年来，农产品产地确证研究工作主要集中于产地模型的因子筛选和鲁棒性评价[18-19]。对于大米而言，产地模型的因子筛选和鲁棒性评价既取决于地理产地和品种类型，又取决于种植日期和气候条件的变化。现有研究主要关注地理产地和品种类型对产地模型分类效果的影响[20]，鲜见有关大米矿物元素含量和气候环境变量之间的关系，故而矿物元素指纹分析技术虽为表征大米产地信息提供产地确证因子，但产地确证因子的筛选和模型的鲁棒性评价存在疑义。
随着对食品安全性和真实性的关注日益增加，为确保食品的真实性和质量，欧盟国家现已经对农产品进行标识，并制定“保护原产地名称”和“保护地理标志”的官方分类，然而目前鲜见具有中国地理标志认证的“柳河大米”的分类研究。如何提高模型的鲁棒性、筛选有效的产地确证因子，成为“柳河大米”产地确证研究难点之一[21-22]。为研究产地环境因素与柳河大米矿物元素的空间格局分布的影响关系，表征柳河地域特性的地球化学特征元素组合，本实验通过矿物元素指纹分析技术，利用相关分析、典范对应分析（canonical correspondence analysis，CCA）[23-24]，分析柳河大米样本与环境因子在区域尺度上的相关关系，研究大米矿物元素含量变化与环境因子地理梯度上的分类和排序，筛选可靠稳定的确证指标元素，为建立柳河大米确证模型提供有效的理论依据。
柳河大米为田间采集，品种为吉粳88。
硝酸、高氯酸（均为分析纯） 国药集团化学试剂有限公司；氢氟酸（分析纯） 国家标准物质研究中心；重铬酸钾、硫酸亚铁（均为分析纯） 天津市风船化学试剂科技有限公司。
AA-6300C型原子吸收分光光度计 日本岛津公司；JLGJ4.5型检验砻谷机、JNMJ3型检验碾米机 台州市粮仪厂；JXFM110型锤式旋风磨 上海嘉定粮油仪器有限公司；EHD-36型智能电热消解仪 上海民仪电子有限公司；PHS-3C型酸度计 上海仪电科学仪器股份有限公司。
1.3.1 研究区域
选择吉林省通化市柳河县（东经125°17′～126°34′，北纬41°53′～42°35′）作为研究区域。该研究区域东西距离为107 km，南北距离为76 km，地处长白山区向松辽平原过渡地带，属北温带大陆性季风气候，年平均气温在-7.3～2.8 ℃之间变化，年平均降水量约为680～1 340 mm。该地区水稻种植面积占耕地面积的35.9%，西部和东南部水稻产区（时家店乡、姜家店乡、五道沟镇和安口镇）属河谷冲积平原和熔岩台地地貌，土壤主要为火山灰土壤和台地白浆土，稻田施肥模式为氮肥180 kg/hm2，磷肥（P2O5）90 kg/hm2，钾肥（K2O）90 kg/hm2，采用高产栽培管理模式，是研究区域的4 个优质粳稻种植区域。
1.3.2 样本采集
在姜家店火山口处开始布点，沿河流走势，根据种植面积布置采样点，其中姜家店乡17 个采样点，时家店乡7 个采样点，五道沟镇4 个采样点，安口镇7 个采样点，共35 个采样点。根据空间距离，每一个采样点设置5 个采样地块，每个地块按5 点法采集大米样本和对应土壤子样（土层深度20 cm），使用eTrex HD手持式全球定位系统获取经纬度及海拔信息，采样区和采样点如图1所示。
图1 采样点示意图
Fig. 1 Sampling locations of Liuhe rice
A.时家店乡；B.姜家店乡；C.安口镇；D.五道沟镇。
1.3.3 样品的处理与测试
将采集的水稻籽粒进行晾晒、除杂、烘干、砻谷、研磨，过40 目尼龙筛，封存备用。称取约2 g大米样本，置于特氟隆消化管中，加入浓硝酸-高氯酸（5∶1，V/V）的消化液15 mL，放入消化器消化8～12 h，直至管内液体呈透明状。消化后转移到25 mL容量瓶，蒸馏水定容备用。将晾干的土壤样品粉碎、除杂，过20 目尼龙筛，保存备用。Cd、Pb、Ni含量采用石墨法测定，Cu、Fe、Zn、K、Mn、Na、Mg、Ca、Se含量采用火焰法测定，土壤有机质的测定采用重铬酸钾-油浴加热法，土壤pH值采用酸度计法测定，所有样本测试均进行3 次重复。
运用SPSS 22.0及Canoco 4.5[25-26]（Microcomputer Power，Ithaca，NY）等软件对数据进行统计分析，显著性分析采用单因素方差分析进行，相关分析采用Pearson相关系数进行，采用Canoco 4.5进行CCA。
表1 各产区大米中矿物元素含量及环境变量
Table 1 Mineral element contents and environmental variables of Liuhe rice
注：数据均表示为
同行不同小写字母表示差异显著（P＜0.05）。
姜家店乡五道沟镇 安口镇四家子村 五星村 南屯村Cu含量/（mg/kg） 1.427±0.095a 1.578±0.142ab 1.665±0.207bc 1.377±0.099a 1.817±0.090cd 1.886±0.190d K含量/（mg/kg） 352.334±37.837a318.786±25.228a332.743±20.769a438.967±30.978b 426.536±22.380b 436.831±10.139b Mg含量/（mg/kg） 258.217±7.991d246.501±11.840cd234.089±18.876bc298.709±2.610e 225.898±5.588b 204.315±4.690a Ca含量/（mg/kg） 35.017±4.202a 32.094±3.326a 36.542±3.325ab 44.081±9.926b 42.920±5.664b 43.888±6.421b Na含量/（mg/kg） 24.781±1.819c 16.207±2.123a 20.264±2.489b 27.823±2.189c 16.711±1.651a 26.784±2.918c Fe含量/（mg/kg） 21.596±1.391ab 22.621±1.831bc 23.633±0.747c 20.659±1.789a 24.142±1.067c 26.059±1.011d Mn含量/（mg/kg） 22.110±2.151a 22.413±2.344a 24.204±2.869ab 26.447±0.368a 21.549±1.811b 21.383±4.710a Zn含量/（mg/kg） 24.360±1.150bc 23.283±1.095ab 21.968±1.774ab 25.783±0.606c 22.148±0.528ab 21.206±3.127a Pb含量/（mg/kg） 0.018±0.005a 0.019±0.013a 0.017±0.005a 0.021±0.001a 0.016±0.011a 0.021±0.010a Cd含量/（mg/kg） 0.002±0.002a 0.003±0.001a 0.003±0.002a 0.004±0.002a 0.002±0.001a 0.003±0.002a Se含量/（mg/kg） 0.023±0.005ab 0.028±0.006bc 0.031±0.002cd 0.036±0.002d 0.022±0.001a 0.021±0.004a Ni含量/（mg/kg） 0.169±0.038a 0.173±0.032a 0.177±0.042a 0.188±0.017a 0.178±0.056a 0.162±0.037a土壤pH 5.520±0.264a 5.610±0.126a 5.371±0.162a 5.436±0.085a 5.630±0.337a 5.666±0.404a土壤有机质含量/（g/kg） 5.014±0.032a 4.991±0.019a 7.057±0.128c 5.985±0.042b 5.966±0.115b 9.870±0.087d年平均降水量/mm 584.144±13.287ab583.918±11.765ab567.330±7.556a 606.557±12.965c589.522±12.172bc 605.954±17.838c年均温度/℃ 5.130±0.020a 5.647±0.028b 6.616±0.051c 4.730±0.045d 7.219±0.047e 7.860±0.031f元素及环境 时家店乡
如表1所示，安口镇产区大米Cu含量最高，且与时家店乡和姜家店乡水稻产区相比差异显著。南屯村大米K含量最高，且与时家店乡产区相比，具有显著差异，但与五道沟产区大米之间无显著差异。柳河各产区大米Mg含量差异显著。时家店乡产区大米Ca含量与五道沟镇、安口镇、姜家店乡（南屯村）水稻产区差异显著。姜家店乡南屯村产区大米Zn含量较高，与五道沟镇和安口镇水稻产区具有显著差异。
各产区大米Mn、Mg、Zn、Ni、Se元素含量与经度、纬度存在相关关系。大米中Mn、Mg、Zn、Ni含量随经纬度的增加而递增，姜家店乡南屯村产区大米中Mn、Mg、Zn、Ni含量最为丰富。大米中Se含量随经度的增加略有增加。各产区大米K含量随海拔上升而增加，在海拔较高处的南屯村火山口与安口镇产区大米K含量较高。各产区大米Cu、Fe元素含量呈由西北向东南递减的趋势。说明各产区大米中矿物元素含量与海拔及经纬度存在一定的相关性。
由以上分析可以看出，各产区大米中Cu、Fe、Zn、K、Mn、Na、Mg、Ca、Se含量存在差异性，而大米中Pb、Cd、Ni含量无显著差异。
为明确各产区大米矿物元素含量差异性与环境因子的关系，采用Canoco 4.5进行去趋势对应分析，如图2所示。其中土壤pH值、土壤有机质、年均温度、年平均降水量、纬度、经度、海拔高度为环境变量，4 个产区的采样点为响应变量。环境变量由带箭头的矢量表示，箭头的长度与环境变量的重要程度成正比，采样点的位置代表样本的环境偏好，采样点垂直投影到环境变量延长线的距离与环境变量的影响程度密切相关，距离越短，表明采样点受该环境变量的影响越大。
图2 柳河大米采样点与环境因子的对应关系图
Fig. 2 CCA bi-plot showing the relationship between environmental variables and sampling points
由图2可知，采样点之间的距离不同说明其环境因子存在差异，CCA排序结果表明4 个水稻产区的采样点分布格局受纬度、经度、年均温度等环境变量影响而变化，影响采样点分布的环境变量重要性顺序依次为纬度＞年均温度＞经度＞海拔高度＞年平均降水量＞土壤有机质＞＞土壤pH值。受环境变量影响，35 个采样点分为4 个区域，区域I为时家店乡大米产区（S-1～S-7）、区域II为姜家店乡产区（J-1～J-17）、区域III为五道沟镇大米产区（W-1～W-4）、区域IV为安口镇大米产区（A-1～A-7），其中姜家店乡产区内J-15～J-17三点并未与姜家店其他产区大米归为一类，说明其矿物元素含量与姜家店乡内其他地区不同。由采样点的投影点到各环境变量箭头的距离可知，绝大多数采样点表现出较强的环境变量偏好性。纬度与多数采样点相关，与J-7、J-6、S-4、A-5等采样点呈密切正相关，与W-2、A-2等采样点呈密切负相关，与少数采样点呈弱相关（J-11和J-17），表明多数采样点受纬度的影响较大，其中J-6受纬度影响最大而J-17受纬度影响最小；年均温度与纬度的箭头方向相反，说明两者对采样点的影响作用相反，年均温度与采样点W-2、W-3、W-4呈密切正相关，与采样点A-4和A-5呈密切负相关，表明多数采样点受年均温度的影响较大；采样点S-4、J-3、J-4与经度呈密切正相关，采样点A-2、A-6与经度呈密切负相关；采样点A-2、A-6与海拔呈密切正相关，采样点S-4、J-3、J-4与海拔呈密切负相关；采样点A-7与土壤有机质呈密切正相关，采样点S-4、J-3、J-4则与土壤有机质呈密切负相关。就产区而言，时家店乡产区位于三统河流域上端，属丘陵地带，年平均积温较高，由图2分析可知，时家店乡产区与年平均降水量和海拔关系紧密，表现出明显的规律性和环境偏好，说明年平均降水量和海拔高度对时家店乡产区的影响作用明显；安口镇产区位于龙岗山脉，土壤有机质含量丰富，海拔较高，图2中安口镇产区呈现对土壤有机质和海拔高度的正向偏好，且少数采样点表现出对纬度的正向偏好；五道沟镇产区位于河谷盆地，地势平坦开阔，图2中五道沟镇产区对年均温度和土壤有机质均具有较强的正向偏好，说明年均温度和土壤有机质对五道沟镇产区影响明显；姜家店乡产区呈现对经度、纬度较强的正向偏好，说明经度和纬度对姜家店乡产区影响明显，姜家店乡南屯村产区位于火山口[27]，海拔较高、年平均气温较低、年平均降水量略高，南屯村采样点（J-15、J-16、J-17）呈现对年平均降水量和海拔高度具有较强的正向偏好，说明年平均降水量和海拔高度对南屯村产区影响明显。
综上，由于环境因子的影响，大部分产区呈现一致的环境偏好和空间规律性，但采样点之间的距离长短不一，说明在区域尺度内各采样点对环境因子的响应存在明显差异。
表2 大米中矿物元素与环境因子间的相关性
Table 2 Correlation analysis between environmental factors and mineral elements in Liuhe rice
注：*.显著相关（P＜0.05）；**.极显著相关（P＜0.01）。
指标 年平均降水量 年均温度 土壤pH值 土壤有机质 经度 纬度 海拔高度Cu 0.054 0.780** 0.245 0.599** -0.567** -0.731** 0.289 K 0.549** 0.333 0.056 0.539** -0.627** -0.610** 0.839**Mg 0.024 -0.900** -0.169 -0.700** 0.729** 0.820** -0.231 Ca 0.276 0.317 0.056 0.486** -0.452** -0.472** 0.551**Na 0.103 0.017 0.053 0.167 -0.111 -0.057 0.145 Fe 0.040 0.800** 0.094 0.682** -0.644** -0.741** 0.275 Mn -0.168 -0.263 0.250 -0.119 0.340* 0.318 -0.070 Zn 0.108 -0.630** -0.016 -0.489** 0.423* 0.525** -0.084 Pb 0.030 -0.005 -0.054 0.143 -0.096 -0.030 0.101 Cd -0.198 -0.070 0.020 -0.224 0.259 0.143 -0.274 Se -0.413* -0.335* -0.260 -0.183 0.594** 0.505** -0.326 Ni -0.099 -0.114 -0.029 -0.076 0.160 0.129 -0.054
为进一步分析柳河大米产地确证元素指标的空间规律，在区域尺度内筛选稳定可靠的产地确证指标元素，本研究对环境系统与柳河大米样本中矿物元素含量进行Pearson相关分析和第2次CCA。由表2可知，年平均降水量与大米中K含量呈极显著正相关，与大米中Se含量呈显著负相关；年均温度与Cu、Fe含量呈极显著正相关，与Mg、Zn含量呈极显著负相关，与Se含量呈显著负相关；土壤pH值与Cu、Mn含量呈较弱的正相关，与Se含量呈较弱的负相关；土壤有机质与Cu、K、Ca、Fe含量呈极显著正相关，与Mg、Zn含量呈极显著负相关；经度与Cu、K、Ca、Fe含量呈极显著负相关，与Mg、Se含量呈极显著正相关，与Zn、Mn含量呈显著正相关；纬度与Mg、Zn、Se含量呈极显著正相关，与Cu、K、Ca、Fe含量呈极显著负相关；海拔高度与K、Ca含量呈极显著正相关，与Cu、Fe含量呈较弱的正相关，与Mg、Cd、Se含量呈较弱的负相关。
表3 CCA与蒙特卡罗置换检验的主要结果
Table 3 Analysis of mineral elements-environment variables relationship using CCAand Monte Carlo permutation test
项目 轴1 轴2 轴3 轴4元素-环境的相关系数 0.754 0.693 0.417 0.463元素变化的累计比例/% 17.3 23.4 26.0 28.0元素与环境关系的累计贡献率/% 58.8 79.4 88.1 95.1蒙特卡罗置换检验 第1典范轴 所有典范轴F值 5.585 1.623 P值 0.016 0.030
如表3所示，23.4%的矿物元素含量累计方差可由环境因子的前2 个CCA轴解释，环境因子与矿物元素含量变异之间存在79.4%的相关性。应用蒙特卡罗的正向检验，前4 个梯度轴具有统计学显著性意义（F=1.623，P＜0.05），第1梯度轴显著性P值为0.016（F=5.585）。
图3 柳河大米中矿物元素与环境因子的对应关系图
Fig. 3 CCA bi-plot showing the relationship between environmental parameters and mineral elements in Liuhe rice
如图3所示，前2 个CCA轴分别解释了大米矿物元素含量总方差的17.3%和23.4%。柳河大米中Cu含量呈随年均温度、土壤pH值和土壤有机质的增加而增加，随经度、纬度的增加而减少的趋势，由Pearson相关分析可知年均温度对其含量的促进作用明显大于经度或纬度的抑制作用，方差分析也表明大米中Cu元素含量在纬度空间上呈现规律性递减。但由第1次CCA结果可知，年均温度是影响采样点的重要环境变量，且Cu元素含量受年均温度影响较大，因此，Cu元素缺乏产地确证指标的稳定性，不可作为产地确证指标。
大米中K含量呈现海拔、年平均降水量和土壤有机质的增加而增加，随经度、纬度的增加而减少的趋势，由相关分析可知海拔高度、年平均降水量对其含量的促进作用明显大于经度或纬度的抑制作用，方差分析也表明大米中K元素含量在纬度空间上呈现规律性递减。由第1次CCA结果可知，海拔高度、年平均降水量对采样点的影响作用明显小于纬度、年均温度和经度，但K元素含量和年平均降水量呈极显著正相关，因此，作为产地确证指标，K元素仍缺乏足够的稳定性。
大米中Mg含量呈随经度、纬度的增加而增加，随年均温度、土壤pH值和土壤有机质的增加而减少的趋势，由相关分析可知年均温度、土壤有机质对其含量的抑制作用大于经度和纬度的促进作用，方差分析也表明大米中Mg元素含量在4 个产区呈现明显的组间异质性。由第1次CCA结果可知，纬度和年均温度对采样点的作用明显大于经度和年平均降水量，由Mg元素到4 个环境变量箭头的距离可知，上述4 个环境变量对Mg元素的影响效用均较小，因此，Mg元素具有一定的稳定性，可作为产地确证指标元素。
大米中Ca含量呈现随年均温度、海拔高度和土壤有机质的增加而增加，随经度、纬度的增加而减少的趋势，由相关分析可知经度、纬度对其含量的抑制作用大于海拔高度、土壤有机质和年均温度的促进作用，方差分析表明大米中Ca元素含量在4 个产区并未呈现明显的组间异质性。由第1次CCA结果可知，经度、纬度和海拔高度对采样点的影响明显大于土壤有机质和年均温度，Ca含量与土壤有机质、海拔高度呈极显著正相关，与经度和纬度呈极显著负相关，因此，Ca元素具有一定的稳定性，可作为产地确证指标元素。
大米中Na含量呈现随海拔高度、土壤有机质和年平均降水量的增加而增加，随经度、纬度的增加而减少的趋势，由相关分析可知经度、纬度对其含量的抑制作用小于海拔高度、土壤有机质和年平均降水量的促进作用，方差分析表明大米中Na元素含量无明显的组间异质性。由第1次CCA结果可知，经度对采样点的影响效用明显大于海拔高度和年平均降水量，由Na元素到3 个环境变量箭头的距离可知，经度变量对Na元素的影响也明显大于年平均降水量，因此，Na元素具有一定的稳定性，可作为产地确证指标元素。
大米中Fe含量随年均温度、土壤有机质的增加而增加，随纬度、经度的增加而减少，由相关分析可知年均温度对其含量的促进作用明显大于纬度的抑制作用，方差分析表明大米中Fe元素含量在4 个产区之间呈相对明显的组间异质性。但由第1次CCA结果可知，年均温度对采样点的影响明显大于土壤有机质、海拔高度和年平均降水量，由Fe元素到4 个环境变量箭头的距离可知，年均温度变量对Fe元素的影响效用明显大于其他3 个环境变量，因此，作为产地确证指标，Fe元素仍缺乏足够的稳定性。
方差分析表明大米中Mn含量在4 个产区之间并未呈现出相对明显的组间差异性，由相关分析可知，除经度与Mn含量呈显著正相关以外，其他环境变量与Mn含量多为弱相关，且经度、纬度对其含量的促进作用大于年均温度和年平均降水量的抑制作用。由第1次CCA结果可知，纬度、经度对采样点的影响效用明显大于年均温度和年平均降水量，由第2次CCA结果可知，Mn元素到经度变量箭头的距离明显大于其他变量，且其他环境变量对Mn元素的影响效用均较小，Mn元素具有较强的稳定性，可作为产地确证指标元素。
大米中Zn含量随纬度、经度的增加而增加，随海拔高度、土壤有机质的增加而减少，由相关分析可知经度、纬度与其含量的相关性明显大于海拔高度、土壤有机质和年平均降水量，方差分析表明大米中Zn含量无明显的组间差异性。由第1次CCA结果可知，纬度、经度对采样点的影响效用明显大于海拔高度、土壤有机质，由第2次CCA结果可知，Zn元素到纬度和经度变量箭头的距离明显大于其他变量，其他环境变量对Zn元素的影响效用均较小，Zn元素具有较强的稳定性，可作为产地确证指标元素。
大米中Se含量随经度和纬度的增加而增加，随年均温度、年平均降水量、土壤有机质、海拔高度的增加而减少，由相关分析可知经度、纬度对其含量的促进作用明显大于年均温度、年平均降水量的抑制作用，且方差分析表明大米中Se元素含量在区域尺度内由西南向东北递增，Se含量在纬度空间上呈规律性递增，但由第2次CCA可知，Se元素到纬度和经度变量箭头的距离明显略大于年均温度和年平均降水量变量，环境变量对Se元素的影响效用较为复杂，Se元素缺少足够的稳定性，暂不作为产地确证指标元素。同理，Pb、Cd、Ni均不适宜作为产地确证的指标元素。
本研究通过2 次CCA研究影响吉林省柳河大米采样点分布的环境因子，分析大米产地确证元素在区域尺度内的影响关系及其稳定性。第1次CCA结果表明，大部分产区呈现一致的环境偏好和空间规律性，区域尺度内各采样点对环境因子的响应存在明显差异性，对采样点分布影响最大的前4 个环境变量为纬度、年均温度、经度和海拔高度。第2次CCA结果和相关分析表明，柳河大米矿物元素含量和环境变量之间存在较强的空间相关性，受产地环境变量影响最大的为大米中Se元素，大米中Ca、Zn、Mg含量受其影响最小，大米中Mg、Ca、Na、Mn、Zn具有较好的稳定性和空间代表性，可初步作为柳河大米产地确证的指标元素。由于大米中矿物元素含量稳定性的影响因素较多，大气环境和稻土母质也是其重要影响因素，本研究中部分稻田距离公路较近，大气环境中的金属元素通过降雨、降尘等方式进入土壤-稻田系统，水稻对矿物元素的吸收和土壤环境的关系复杂，环境因素对大米矿物元素含量的影响也不尽相同，是多方面因素共同作用的结果，为更好地掌握环境系统对产地确证元素的影响关系和筛选稳定的产地确证指标，该指标的稳定性有待于进一步探讨。
[1] LIU A, NIYONGIRA R. Chinese consumers food purchasing behaviors and awareness of food safety[J]. Food Control, 2017, 79(9):185-191. DOI:10.1016/j.foodcont.2017.03.038.
[2] KING T, COLE M, FARBER J M, et al. Food safety for food security:relationship between global megatrends and developments in food safety[J]. Trends in Food Science & Technology, 2017, 68(10): 160-175. DOI:10.1016/j.tifs.2017.08.014.
[3] AUNG M M, CHANG Y S. Traceability in a food supply chain: safety and quality perspectives[J]. Food Control, 2014, 39(5): 172-184.DOI:10.1016/j.foodcont.2013.11.007.
[4] GARNIER J, GARNIER J M, VIEIRA C L, et al. Iron isotope fi ngerprints of redox and biogeochemical cycling in the soil-water-rice plant system of a paddy field[J]. Science of the Total Environment,2017, 574: 1622-1632. DOI:10.1016/j.scitotenv.2016.08.202.
[5] 宋雪健, 钱丽丽, 张东杰, 等. 基于漫反射傅里叶变换近红外光谱技术对不同年份的大米产地溯源检测[J]. 食品科学, 2017, 38(18):286-291. DOI:10.7506/spkx1002-6630-201718044.
[6] 钱丽丽, 李平惠, 杨义杰, 等. 不同产地芸豆中矿物元素的因子分析与聚类分析[J]. 食品科学, 2015, 36(14): 102-106. DOI:10.7506/spkx1002-6630-201514020.
[7] HUO Y, KAMAL G M, WANG J, et al.1H NMR-based metabolomics for discrimination of rice from different geographical origins of China[J]. Journal of Cereal Science, 2017, 76(7): 243-252.DOI:10.1016/j.jcs.2017.07.002.
[8] 李欢, 李建贵. 果园微气候及土壤养分对灰枣果实矿物元素含量的影响[J]. 经济林研究, 2016, 34(3): 8-15. DOI:10.14067/j.cnki.1003-8981.2016.03.002.
[9] ZHANG J, WANG H, LIU J, et al. Inf l uence of water potential and soil type on conventional japonica super rice yield and soil enzyme activities[J]. Journal of Integrative Agriculture, 2017, 16(5): 1044-1052. DOI:10.1016/S2095-3119(16)61575-7.
[10] SHRESTHA S, CHAPAGAIN R, BABEL M S. Quantifying the impact of climate change on crop yield and water footprint of rice in the Nam Oon Irrigation Project, Thailand[J]. Science of the Total Environment, 2017, 599(12): 689-699. DOI:10.1016/j.scitotenv.2017.05.028.
[11] KHANAL U, WILSON C, HOANG V N, et al. Farmers' adaptation to climate change, its determinants and impacts on rice yield in Nepal[J]. Ecological Economics, 2018, 144(2): 139-147. DOI:10.1016/j.ecolecon.2017.08.006.
[12] 陈秋生, 张强, 刘烨潼, 等. 矿质元素指纹技术在植源性特色农产品产地溯源中的应用研究进展[J]. 天津农业科学, 2014, 20(6): 4-8.DOI:10.3969/j.issn.1006-6500.2014.06.002.
[13] WOODRUFF L, CANNON W F, SMITH D B, et al. The distribution of selected elements and minerals in soil of the conterminous United States[J]. Journal of Geochemical Exploration, 2015, 154(7): 49-60.DOI:10.1016/j.gexplo.2015.01.006.
[14] MAIONE C, BATISTA B L, CAMPIGLIA A D, et al.Classification of geographic origin of rice by data mining and inductively coupled plasma mass spectrometry[J]. Computers and Electronics in Agriculture, 2016, 121(2): 101-107. DOI:10.1016/j.compag.2015.11.009.
[15] ALEXANDER D, ELLERBY R, HERNANDEZ A, et al. Investigation of simultaneous adsorption properties of Cd, Cu, Pb and Zn by pristine rice husks using ICP-AES and LA-ICP-MS analysis[J]. Microchemical Journal, 2017, 135: 129-139. DOI:10.1016/j.jcs.2015.08.001.
[16] GONZÁLVEZ A, ARMENTA S, DE LA GUARDIA M. Geographical traceability of “Arròs de Valencia” rice grain based on mineral element composition[J]. Food Chemistry, 2011, 126(3): 1254-1260.DOI:10.1016/j.foodchem.2010.11.032.
[17] 赵海燕, 郭波莉, 张波, 等. 小麦产地矿物元素指纹溯源技术研究[J]. 中国农业科学, 2010, 43(18): 3817-3823. DOI:10.3864/j.issn.0578-1752.2010.18.016.
[18] BINETTI G, DEL COCO L, RAGONE R, et al. Cultivar classification of Apulian olive oils: use of artificial neural networks for comparing NMR, NIR and merceological data[J]. Food Chemistry, 2017, 219:131-138. DOI:10.1016/j.foodchem.2016.09.041.
[19] TURRA C, DE LIMA M D, FERNANDES E A D N, et al. Multielement determination in orange juice by ICP-MS associated with data mining for the classification of organic samples[J]. Information Processing in Agriculture, 2017, 4(3): 199-205. DOI:10.1016/j.inpa.2017.05.004.
[20] 白红武, 孙传恒, 丁维荣, 等. 农产品溯源系统研究进展[J]. 江苏农业科学, 2013, 41(4): 1-4. DOI:10.3969/j.issn.1002-1302.2013.04.001.
[21] 吴玉秋. 吉林省柳河县湿地利用与保护[J]. 湿地科学, 2010, 8(2):209-212. DOI:10.3969/j.issn.1003-7853.2011.01.032.
[22] LI J, RODRIGUEZ D, TANG X. Effects of land lease policy on changes in land use, mechanization and agricultural pollution[J].Land Use Policy, 2017, 64(5): 405-413. DOI:10.1016/j.landusepol.2017.03.008.
[23] SIEBERT S J, VAN WYK A E, BREDENKAMP G J, et al.Vegetation ecology of Sekhukhuneland, South Africa:Combretum hereroense-Grewia vernicosa Open Mountain Bushveld[J]. South African Journal of Botany, 2002, 68(4): 475-496. DOI:10.1016/S0254-6299(15)30377-X.
[24] DI LEONARDO R, ADELFIO G, BELLANCA A, et al. Analysis and assessment of trace element contamination in offshore sediments of the Augusta Bay (SE Sicily): a multivariate statistical approach based on canonical correlation analysis and mixture density estimation approach[J]. Journal of Sea Research, 2014, 85(1): 428-442.DOI:10.1016/j.seares.2013.07.015.
[25] ZHAOZ, JIANG Y, XIA L, et al. Application of canonical correspondence analysis to determine the ecological contribution of phytoplankton to PCBs bioaccumulation in Qinhuai River, Nanjing,China[J]. Environmental Science and Pollution Research, 2014, 21(4):3091-3103. DOI:10.1007/s11356-013-2265-x.
[26] BU C, ZHANG P, WANG C, et al. Spatial distribution of biological soil crusts on the slope of the Chinese Loess Plateau based on canonical correspondence analysis[J]. Catena, 2016, 137(2): 373-381.DOI:10.1016/j.catena.2015.10.016.
[27] ANDA M. Characteristics of pristine volcanic materials: beneficial and harmful effects and their management for restoration of agroecosystem[J]. Science of the Total Environment, 2016, 543(2):480-492. DOI:10.1016/j.scitotenv.2015.10.157.
Canonical Correspondence Analysis of Growing Environment and Mineral Distribution Characteristics of Liuhe Rice
WANG Zhaohui, ZHENG Hui, ZHAO Qian, et al. Canonical correspondence analysis of growing environment and mineral distribution characteristics of Liuhe rice[J]. Food Science, 2019, 40(6): 318-324. (in Chinese with English abstract)DOI:10.7506/spkx1002-6630-20171218-227. http://www.spkx.net.cn