La teneur en éléments minéraux des échantillons de tangerine sèche de Xin Hui et de Guangxi (255 lots) a été déterminée par spectrométrie de masse à plasma à couplage inductif. Une analyse discriminante par moindres carrés partiels orthogonaux a été utilisée pour étudier les éléments différenciants dans la tangerine provenant de différentes régions. Quatre méthodes de prétraitement des données ont été appliquées : normalisation Z-score, normalisation min-max, normalisation centrée sur la moyenne et mise à l'échelle par la valeur absolue maximale, combinées avec des modèles d’apprentissage machine incluant la forêt aléatoire, l’arbre de décision, la machine à vecteurs de support et le gradient boosting pour établir un modèle de classification de l’origine de la tangerine. Les résultats ont montré que, parmi 41 éléments minéraux, Na, Sn, Y, Ba, Er, Ho, Yb, Dy, Ni, Li, Gd, Tb, Sm, Nd, Rb sont les principaux éléments différenciants entre les tangerines de Xin Hui et de Guangxi. Parmi les quatre modèles d’apprentissage automatique, le modèle machine à vecteurs de support a donné les meilleurs résultats prédictifs. Pour ce modèle, les ensembles de données d’entraînement et de test avec normalisation Z-score, min-max et centrée sur la moyenne ont obtenu une précision identique de 100 % et 96 %, respectivement, avec une valeur F1 de 0,96, indiquant une haute précision du modèle. Cette étude, basée sur la teneur en éléments minéraux combinée à l’apprentissage automatique, présente une haute précision et fiabilité dans l’identification de l’origine des tangerines, apportant un soutien technique au contrôle qualité et pouvant également servir de référence pour la traçabilité des matières premières médicinales traditionnelles.

éléments minéraux; apprentissage automatique; tangerine; identification de l’origine