تشخيص و طبقه بندي عسل هاي طبيعي و تقلبي با تجزيه هاي آماري چند متغيره

Identification and classification of pure and adulterated honeys by multivariate analysis

عسل يك ماده غذايي طبيعي با ارزش تغذيه اي بالا و خواص مفيد دارويي فراوان است. اجزاي اصلي عسل كربوهيدرات هاي ساده و آب هست و به همين دليل انجام تقلب در عسل با افزودن شربت هاي قندي ارزان قيمت به صورت تجاريمتداول است. چنين عملي يك نگراني مهم در كنترل كيفيت اين محصول مي باشد. در اين مطالعه، تشخيص عسل هاي طبيعي خالص از عسل هاي تقلبي حاصل از غلظت هاي 7، 15 و30 درصد شربت قند اينورت و قند خرما به طور مجزا مورد بررسي قرار گرفت. بدين منظور از تجزيه هاي آماري چند متغيره ي ويژگي هاي فيزيكي و شيميايي عسل استفاده شد.با بكاربردن تجزيه مولفه هاي اصلي(Principal component analysis)، از ميان 12 پارامتر فيزيكي و شيميايي اندازه گيري شده، نُه پارامتر براي مولفه هاي اصلي بكار گرفته شد.سپس با تحليل مميزي خطي (Linear discriminant analysis) و بر اساس اين نُه پارامتر، نمونه هاي عسل خالص و تقلبي در سه گروه طبقه بندي شدند. بهترين طبقه بنديبا 15/91 درصدي طبقه بندي صحيح با استفاده از سه ويژگي pH، اسيديته آزاد و خاكستر به دست آمد.طبقه بندي صحيح 84/85 درصدي با سه پارامتر هدايت الكتريكي، قندهاي احيا كننده و رطوبتو 30/82 درصدي با سه پارامتر HMF، قند كل و نسبت فروكتوز به گلوكز حاصل گرديد. نتايجحاكي از آن است كه تجزيه هاي چند متغيره در تركيب با تجزيه روتين مي تواند در تشخيص سريع و آسان تقلب در عسل استفاده شود.

Honey is a natural food with the high nutritional value and the most useful medicinal properties. The chief components of honey are simple carbohydrates and water, leading to the fraud in honey using cheaper commercially available sugar syrups.This is an important anxiety in quality control of honey. In this study, detection of pure natural honey from the honey adulterated by adding concentrations of 7, 15 and 30 percent of both beet invert sugar and date invert sugar was separately examined. For this purpose, multivariate analysis of physicochemical properties of honey samples were used.Applying principal component analysis (PCA), among 12 physicochemical properties measured, nineparameters were identified as principal components. Then the linear discriminant analysis (LDA) was utilized to discriminate the pure and adulterated honeys in three different batches according to these nine parameters. An optimum classification of 91.15% was reached using three physicochemical factors including pH, free acidity and ash. Correct classification of 85.84% were achieved by three others physicochemical properties, i.e. moisture content, electrical conductivity and reducing sugar, and of 82.30% by HMF, total sugar and Fructose/Glucose ratio. Results demonstrated that multivariate analysis in combination of the routine analysis of honey could be applied to rapid and easy detect of adulteration in honey.