中国花生黄曲霉毒素污染风险预警模型研究

摘要

花生（Arachis hypogaea L.）是我国主要油料作物和优势出口农产品，是食油兼用型经济作物，其营养价值高兼具食疗功能，在中国及世界油料生产中占有重要地位。然而花生易受真菌侵染产生黄曲霉毒素，严重影响人体健康，已成为影响我国花生消费安全和世界贸易的主要制约因素。花生黄曲霉毒素污染可以发生在种植、收获、储藏、运输、销售等各个环节，其中收获前田间污染过程既是花生黄曲霉毒素污染的主要原因，也是储藏期污染的源头。花生黄曲霉毒素污染防控是一个世界性难题，由于我国花生品种繁多，土壤类型和气候类型多样，因此了解花生黄曲霉毒素污染时空消长变化趋势，解析品种抗性、土壤类型、真菌产毒力及气候条件对其影响，开展花生黄曲霉毒素污染预警模型研究，构建农产品真菌毒素污染预警系统与黄曲霉毒素污染早期甄别技术，变事后处理为事前预防，对花生黄曲霉毒素污染科学控制具有重要意义。 本文基于连续十年花生主产区的黄曲霉毒素污染数据和产毒真菌分布以及收集权威机构发布的品种信息、产地土壤数据与气候数据，探明了我国花生黄曲霉毒素污染消长变化及其与影响因素的关联，建立了适于中国花生黄曲霉毒素污染状况的规则分类—平衡取样—随机森林预警模型，实现了对黄曲霉毒素污染的预测，为从源头开展花生黄曲霉毒素风险治理提供关键技术支撑。 主要研究方法与研究结果如下: 1.明确了我国花生AFB1的空间分布特征，绘制出中国花生AFB1的污染分布地图。主要结果如下: (1)采用地统计分析对中国花生污染的AFB1进行时空分析，获得了中国花生黄曲霉毒素的污染模式，表明中国花生AFB1呈现显著的时间和空间差异; (2)利用GS+10.0软件获得全方位的半变异函数，表明花生AFB1含量具有空间自相关，2009-2017年花生AFB1半变异模型为球状模型; (3)利用普通克里金插值获得未取样地区的待测值，生成中国花生AFB1的污染分布地图，表明我国花生AFB1污染高风险区域呈分散分布，与这些地区花生品种、土壤类型、菌种产毒力、气候条件等因素相关。 2.分析了2009-2017连续九年我国花生黄曲霉毒素污染消长变化，并阐述了花生品种抗性、土壤类型、菌株产毒力及气候条件对其产生的影响。主要结果如下: (1)黄曲霉毒素污染存在年度间差异，2017、2014、2015和2013年黄曲霉毒素污染水平高于其它年份，总量污染水平分别为26.67±116.53μg/kg、17.49±72.01μg/kg、15.33±87.19μg/kg和13.95±52.65μg/kg。2009年和2010年黄曲霉毒素污染水平最低，总量污染水平分别为2.40±32.48μg/kg和4.32±35.15μg/kg。 (2)黄曲霉毒素污染存在地区间差异，长江流域主产区的花生黄曲霉毒素污染水平最高，不同省份总量污染范围为5.59-37.15μg/kg。其次是南方主产区（总量污染范围为4.23-19.23μg/kg）和北方主产区(总量污染范围为1.78-9.11μg/kg)。东北主产区的污染水平最低，黄曲霉毒素总量不超过1.00μg/kg。 (3)黄曲霉毒素低抗品种、砂土土质、高产毒力菌株在超标样品中占比较大，高温干旱区域与黄曲霉毒素污染严重区域重合，验证了各影响因素对花生黄曲霉毒素污染消长变化的影响，为建立收获前花生黄曲霉毒素污染大尺度宏观预警模型奠定基础。 3.建立了适合中国的规则分类—平衡取样—随机森林花生黄曲霉毒素预警模型，并对模型进行了验证。主要结果如下: (1)确定了中国花生黄曲霉毒素预警模型的主要气候变量，即纬度、8-20时降水量、平均气压和日平均气温。利用各气候参数与AFB1之间的最大互信息系数值排序，初选得到8个变量:纬度、平均地表气温、日最低地表气温、8-20时降水量、平均气压、日最低气压、日平均气温和日最高气温;综合考虑初选变量间的多重共线性与全面性，本研究最终确定建模气候变量为:纬度、8-20时降水量、平均气压和日平均气温。 (2)建立了模型分类规则，即高纬度区域（≥40°N）、低纬度区域（≤21°N）与低温区域（日平均气温≤16.8℃）适合制定规则。通过分析主要气候变量与总样本及AFB1污染样本分布的关系，可知高纬度区域（≥40°N）、低纬度区域(≤21°N)与低温区域（日平均气温≤16.8℃）没有超限样本分布，即为了提高模型精度可将此区域样品直接认定为未超限样品。 (3)建立了平衡取样—随机森林模型，对花生AFB1是否超限预测精度达95％以上。以筛选得到的4个主要气候因子与花生品种抗性、土壤类型及真菌产毒力为模型输入参数，利用平衡取样—随机森林方法进行分类预测。结果表明当分类阈值为20μg/kg和5μg/kg时，未超限样本预测准确率分别为98.94％和96.97％，超限样本分类准确率均为100％。同其他常用分类器（决策树、支持向量机、K—近邻法、BP神经网络、径向基函数神经网络）相比较，随机森林能有效分离超限与未超限样品，具有较高的预测精度。 (4)明确了模型输入参数对花生AFB1分类预测的贡献率排序。进一步分析输入参数在分类模型中的贡献率排序，结果表明当以20μg/kg和5μg/kg为阈值时，7个输入参数在随机森林分类模型中的贡献率排序依次为:纬度＞日平均气温＞8-20时降水量＞平均气压＞品种抗性＞土壤类型＞真菌产毒力。 (5)初步验证了模型预测效果，其预测准确率为86.89％。利用建立的规则分类—平衡取样—随机森林预警模型对2018年收获的花生AFB1含量进行预测，结果表明综合规则分类样本，当分类阈值为20μg/kg和5μg/kg时，样本分类准确率均为86.89％。