تلفیق طیفی چندوجهی برای تعیین اصالت و ردیابی منشأ جغرافیایی مواد غذایی: اصول، راهکارهای مدل‌سازی و پیشرفت‌های کاربردی

اصالت غذا و قابلیت ردیابی منشأ جغرافیایی اکنون بر مدیریت ایمنی، مدیریت فراخوان، نظارت بر بازار و اعتماد مصرف‌کننده تأثیر می‌گذارند. برای غذاهای با ارزش بالا، برچسب‌گذاری نادرست و تقلب به ندرت توسط یک نشانگر کنترل می‌شوند. آن‌ها منعکس‌کننده تغییرات مرتبط در ترکیب مولکولی، پیشینه عنصری، ناهمگونی مکانی، تاریخچه پردازش و زمینه زنجیره تأمین هستند. بنابراین، این بررسی انتقادی می‌پرسد که چه زمانی ادغام طیفی چندوجهی، به جای صرفاً بزرگ کردن فضای متغیر، شواهد تحلیلی مستقلی را اضافه می‌کند. ما این سؤال را از طریق مکملیت فیزیکوشیمیایی، فرمالیسم ماتریس بلوکی، اعتبارسنجی کنترل‌شده با نشت، ممیزی‌های عملکرد کمی و محدودیت‌های آزمایشگاهی روتین ارزیابی می‌کنیم. قانون حاصل مشروط است. ادغام سطح پایین فقط برای بلوک‌های متناسب، به شدت پیش‌پردازش‌شده و با وزن شفاف با نمونه‌های مستقل کافی قابل دفاع است. ادغام سطح متوسط، قابل اعتمادترین پیش‌فرض برای مجموعه داده‌های اصالت غذا با مقیاس کوچک تا متوسط است که در این زمینه غالب هستند، زیرا افزونگی را کنترل می‌کند و در عین حال تعاملات بین بلوکی را حفظ می‌کند. ادغام سطح بالا عمدتاً یک استراتژی عملیاتی برای ابزارهای ناهمزمان، بلوک‌های گمشده، رد مبتنی بر اعتماد یا غربالگری تحمل‌پذیر در برابر خطا است. ادغام عمیق پنهان باید برای مجموعه داده‌های بزرگ، متعادل، مسدود شده و آزمایش‌شده خارجی در نظر گرفته شود. نمونه‌های گزارش‌شده نشان می‌دهند که ادغام زمانی بیشترین متقاعدکنندگی را دارد که خط پایه تک‌وجهی با وظیفه یکسان را تحت اعتبارسنجی مستقل یا خارجی بهبود بخشد، مانند طبقه‌بندی نوع شیر، تأیید اصالت ماهی سالمون و مطالعات منشأ زعفران. با این حال، افزایش مجموعه خرده‌فروشی ماهی سالمون به جای قطعی بودن، حاکی از آن است که مجموعه خارجی کوچک است. برعکس، بهبودهای کوچک تصادفی-تقسیمی، گواهی بر یک پیشرفت شیمی‌سنجی نیستند. پیشرفت‌های آینده کمتر به حسگرهای روی هم چیدن بستگی دارد و بیشتر به تعریف حداقل ترکیبات مؤثر روش‌ها، گزارش عدم قطعیت، مواجهه با محدودیت‌های نرم‌افزاری و رابط کاربری گرافیکی، اعتبارسنجی در دسته‌ها، سال‌ها و ابزارها و توجیه هزینه، توان عملیاتی، نگهداری و سربار آموزش گردش‌های کاری چند ابزاری وابسته است.

Food authenticity and geographical origin traceability now affect safety governance, recall management, market surveillance and consumer trust. For high-value foods, mislabeling and adulteration are rarely controlled by one marker; they reflect coupled changes in molecular composition, elemental background, spatial heterogeneity, processing history and supply-chain context. This critical review therefore asks when multimodal spectral fusion adds independent analytical evidence, rather than merely enlarging the variable space. We evaluate this question through physicochemical complementarity, block-matrix formalism, leakage-controlled validation, quantitative performance audits and routine-laboratory constraints. The resulting rule is conditional. Low-level fusion is defensible only for commensurate, strongly preprocessed and transparently weighted blocks with sufficient independent samples. Mid-level fusion is the most reliable default for the small-to-moderate food-authenticity datasets that dominate the field, because it controls redundancy while preserving cross-block interactions. High-level fusion is mainly an operational strategy for asynchronous instruments, missing blocks, confidence-based rejection or fault-tolerant screening. Latent deep fusion should be reserved for large, balanced, blocked and externally tested datasets. Reported examples show that fusion is most persuasive when it improves the same-task single-modality baseline under independent or external validation, as in milk-type classification, salmon authentication and saffron origin studies; however, the salmon retail-set gain is suggestive rather than definitive because the external set is small. Conversely, small random-split improvements are not evidence of a chemometric breakthrough. Future progress depends less on stacking sensors than on defining minimal effective modality combinations, reporting uncertainty, confronting software and graphical-user-interface limitations, validating across batches, years and instruments, and justifying the cost, throughput, maintenance and training overhead of multi-instrument workflows.