تشخیص انواع مختلف زعفران ایرانی با استفاده از طیف‌سنجی تبدیل فوریه و روش‌های شیمی‌سنجی

زعفران ادویه‌ای است که از کلاله‌های خشک‌شده گل Crocus sativus L تولید می‌شود و گران‌ترین ادویه جهان است. بنابراین، این محصول اغلب در معرض تقلب و برچسب‌گذاری نادرست قرار دارد. در بازار داخلی ایران، زعفران بر اساس محل برش کلاله به سه نوع اصلی – سرگل، نگین و پوشال – طبقه‌بندی می‌شود و ویژگی‌های کیفی و قیمت آنها بسته به نوع متفاوت است. در نتیجه، شناسایی انواع زعفران از نظر کیفی و اقتصادی از اهمیت بالایی برخوردار است.

در مطالعه حاضر، ترکیبی از طیف‌سنجی تبدیل فوریه مادون قرمز میانی (FT-MIR) و روش‌های شیمی‌سنجی برای طبقه‌بندی انواع مختلف زعفران ایرانی به کار گرفته شد. روش‌های مختلف پیش‌پردازش طیفی برای تصحیح داده‌های طیفی اعمال شد و از تحلیل مؤلفه‌های اصلی (PCA) به عنوان یک مدل بدون نظارت استفاده شد، در حالی که از تحلیل تفکیک خطی (LDA) با هسته‌های خطی و درجه دوم به عنوان یک مدل طبقه‌بندی نظارت شده استفاده شد. بهترین نتیجه با استفاده از پیش‌پردازش SG + D2 + MSC و هسته خطی مدل LDA حاصل شد و دقت پیش‌بینی ۸۸.۸۸٪ را برای طبقه‌بندی سه نوع زعفران به دست آورد. نتایج قابل قبول به‌دست‌آمده، اثربخشی این روش را برای شناسایی غیرمخرب انواع مختلف زعفران ایرانی نشان می‌دهد.

Saffron is a spice produced from the dried stigmas of the flower Crocus sativus L and is the most expensive spice in the world. Therefore, this product is frequently subject to adulteration and mislabeling. In the local Iranian market, saffron is classified into three main types—Sargol, Negin, and Pushal—based on the cutting position of the stigma, and their quality characteristics and prices vary according to the type. Consequently, the identification of saffron types is of great importance from both qualitative and economic perspectives.
In the present study, the combination of Fourier Transform Mid-Infrared (FT-MIR) spectroscopy and chemometric methods was employed to classify different types of Iranian saffron. Various spectral preprocessing methods were applied to correct the spectral data, and Principal Component Analysis (PCA) was used as an unsupervised model, while Linear Discriminant Analysis (LDA) with linear and quadratic kernels was applied as a supervised classification model. The best result was achieved using SG + D2 + MSC preprocessing and the linear kernel of the LDA model, yielding a prediction accuracy of 88.88% for the classification of the three saffron types. The acceptable results obtained demonstrate the effectiveness of this method for the non-destructive identification of different types of Iranian saffron.