Diese Studie verwendete Fourier-Transformations-Nahinfrarotspektroskopie (FT-NIR), gedämpfte Totalreflexions-Fourier-Transformations-Infrarotspektroskopie (ATR-FTIR) und zweidimensionale Korrelationsspektroskopie (2DCOS) in Kombination mit Chemometrie und Deep Learning zur Erstellung von partiellen kleinsten Quadratmethode-Discriminanzanalysen (PLS-DA) und Residual-Convolutional-Neural-Network (ResNet)-Modellen zur schnellen und genauen Rückverfolgung von 221 Sternanisproben aus 7 Hauptanbaugebieten. Die Ergebnisse zeigen, dass das PLS-DA-Modell, das auf ATR-FTIR-Spektren mit Zweitderivat (2nd) und Standardnormalvarianz (SNV) als Vorverarbeitung basierte, die beste Leistung (95,31 %) erzielte, während die beste Vorverarbeitung für FT-NIR-Spektren das Zweitderivat war. Das auf synchronen 2DCOS-Bildern basierende ResNet-Modell, das FT-NIR und ATR-FTIR verwendet, benötigt keine Auswahl optimaler Vorverarbeitungen oder komplexer Datenumwandlungen und erreicht eine Genauigkeit von 100 %. Das auf FT-NIR-Daten basierende synchrone 2DCOS-ResNet-Modell weist dabei die geringste Anzahl an Iterationen, den kürzesten Zeitaufwand und die geringsten Kosten auf. Diese Studie bietet eine neue schnelle und genaue Methode zur Identifizierung von Sternanis aus unterschiedlichen geografischen Herkunftsgebieten und legt die Grundlage für weitere Forschungen zum Bewertungssystem der Sternanisqualität.

Sternanis; Chemometrie; maschinelles Lernen; zweidimensionale Korrelationsspektroskopie; geografische Herkunft