Foi utilizada cromatografia gasosa-espectrometria de mobilidade iônica (GC-IMS) para analisar os componentes voláteis em fatias de Cyperus rotundus de diferentes origens, selecionando componentes característicos com diferenças significativas por meio da análise discriminante por mínimos quadrados parciais (PLS-DA); com base nestes componentes, foram construídos modelos de distinção utilizando nove algoritmos de machine learning, incluindo máquina de vetores de suporte com núcleo linear (SVM-L). Foram identificados um total de 59 componentes voláteis em amostras de cinco províncias, principalmente álcoois, ésteres, aldeídos, cetonas e hidrocarbonetos insaturados; pelo PLS-DA, foram selecionados 10 componentes característicos, como 1,4-dimetilbenzeno, 3-metil-1-pentanol, acetato de etil acetoacetato; todos os nove modelos de machine learning apresentaram bom desempenho preditivo para a origem (Acurácia=1). Este estudo oferece um método simples e rápido para a identificação rápida de Cyperus rotundus de diferentes origens, além de fornecer referência para a construção de um sistema de avaliação de qualidade das fatias.

cromatografia gasosa-espectrometria de mobilidade iônica;Cyperus rotundus;componentes voláteis;origem;machine learning