تعیین پروفایل ترکیبات تغذیه‌ای و زیست‌فعالِ ۱۳ نوع گل زینتی و خوراکی، پتانسیل آن‌ها را به عنوان اجزای فراسودمند در سیستم‌های غذایی پایدار تأیید می‌کند.

این مطالعه، ترکیب غذایی و مشخصات ترکیبات زیست‌فعال سیزده گونه گل زینتی و خوراکی را برای پشتیبانی از بحث در مورد پتانسیل آنها به عنوان مواد تشکیل‌دهنده کاربردی در سیستم‌های غذایی پایدار، مشخص کرد. ترکیب تقریبی (کربوهیدرات‌ها، پروتئین‌ها، لیپیدها، خاکستر و رطوبت)، محتوای فنلی و فلاونوئید کل و ظرفیت آنتی‌اکسیدانی (ABTS، DPPH و FRAP) با نشانگرهای فنلی منتخب شناسایی شده توسط HPLC-DAD تعیین شدند. نتایج، تنوع ترکیبی قابل توجهی را در بین گونه‌ها نشان داد و روتین و اسید کافئیک را به عنوان نشانگرهای زیست‌فعال اصلی شناسایی کرد که نشان‌دهنده ارتباط عملکردی این منابع گیاهی است. نکته مهم این است که بسیاری از گونه‌های ارزیابی شده، گیاهان زینتی هستند که معمولاً در باغ‌های خانگی، مناظر شهری یا به صورت خودجوش کشت می‌شوند، اما به ندرت به دلیل پتانسیل خوراکی خود شناخته می‌شوند. به طور کلی، یافته‌ها، پایه شواهد علمی را برای هدایت تحقیقات و نوآوری‌های آینده با تمرکز بر ارزش‌گذاری گیاهان زینتی کم استفاده شده به عنوان مواد تشکیل‌دهنده گیاهی غنی از مواد مغذی، که به سیستم‌های غذایی پایدار کمک می‌کنند، فراهم می‌کنند.

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.