食品分析 · 食品鑑別科學

一杯茶，
能驗出它的故鄉嗎？

茶葉中多重元素檢驗方法 · TFDAF0032.00

ICP-MS 14 元素指紋 × 機器學習產地判別　·　臺灣 vs 境外烏龍茶

四分法取樣微波消化ICP-MS元素指紋5 模型判別

先想一想

一罐「臺灣高山茶」，真的來自臺灣嗎？

臺灣茶價格是進口茶的數倍，標示不實時有所聞。感官品評、產地證明都可能造假——我們需要一個難以偽造的客觀證據。

價差誘因標示查核消費信任邊境查驗

答案，藏在茶葉一生「吃」進去的土壤與水裡——也就是它累積的微量元素。

核心命題

茶葉會「記住」它的土壤

元素指紋

茶樹從土壤、水、氣候長年吸收微量元素
不同產地的地質背景不同 → 元素組成比例不同
14 種元素的相對含量，組成一組難以複製的產地指紋
Sr、Rb、Cs、Ba 等常反映母岩與地質，是指紋的關鍵特徵

這就是多重元素指紋 (multielement fingerprinting) 鑑別產地的科學基礎。

方法全貌

從茶葉到判決，六步驟

🍃

① 採樣分樣

以四分法取出有代表性的茶樣

⚙️

② 前處理

球磨成粉、85°C 烘乾至乾基

🔥

③ 微波酸消化

硝酸高溫高壓打碎基質釋出元素

📡

④ ICP-MS 定量

14 元素同時測，達 ng/mL 級

🗂️

⑤ 資料庫比對

對照茶改場 700+ 筆茶樣

⚖️

⑥ 統計判別

5 模型投票 → 臺灣／境外

2.6 偵測離子 m/z

14 種元素，一張指紋表

符號 ⇅	元素 ⇅	質荷比 m/z ⇅	校準上限 ng/mL ⇅	類別 ⇅

點欄位標題即可排序（試以 m/z 或校準上限）。資料整理自方法 2.6。

第一關 · 前處理

取出「有代表性」的 0.2 克

四分法反覆對分、留對角，確保 6 g 茶樣能代表整批；烘乾除去水分讓結果以乾基表示、可互相比較；最後精稱約 0.2 g 進行消化。

第二關 · 微波消化

把元素「逼」進溶液

步驟	功率W	升溫min	持續min	溫度°C
1	1700	10.5	5	170
2	1700	5	20	180

茶粉 + 硝酸 6 mL，靜置 4 h 後上述兩階段消化。

為什麼要酸消化？
有機基質會「包住」金屬元素。濃硝酸 + 微波高溫高壓把有機物氧化分解，元素以離子態釋入溶液，才能被 ICP-MS 偵測。

同時跑一份空白，扣除試劑與器具帶入的背景。

互動 ①前處理流程，排對順序— / 7

用 ▲▼ 把「茶葉 → 檢液」的 7 個步驟排成正確順序。

核心儀器

ICP-MS：把原子變成離子

ICP-MS

檢液霧化成微滴，送入氬氣電漿炬
電漿高達約 6000–8000 K，原子被離子化
質譜依質荷比 (m/z) 分離各元素離子
偵測器計數離子，訊號強度 ∝ 元素濃度

一次進樣即可同時測 14 元素，靈敏度達 ppb——量測痕量指紋的理想工具。

2.6 儀器原理與條件

原子變離子，再依質量點數

1550 W

電漿無線電頻功率

15 L/min

電漿氬氣流速

1.0 L/min

霧化氬氣流速

4.3 mL/min

氦碰撞氣（除多原子干擾）

2.8 含量測定

從訊號到 mg/kg

含量 (mg/kg) = (C − C₀) × V × fM × 1000

C　檢液中元素濃度 (ng/mL，由標準曲線)
C₀　空白檢液濃度 (ng/mL)
V　最後定容體積 (mL，本法 50)
f　上機稀釋倍數
M　乾燥後茶粉取樣重 (g)

扣空白 (C−C₀) 去背景；×V 變回總量；÷M 變成「每克茶」；單位換算後得到 mg/kg。

互動 ②計算闖關：算出銅含量未作答

某茶粉精稱 M = 0.2000 g，消化後定容 V = 50.0 mL，上機稀釋 f = 2。測得銅 C = 8.0 ng/mL，空白 C₀ ≈ 0。求茶葉中銅含量（mg/kg）。

mg/kg

元素指紋視覺化

臺灣 vs 境外茶的指紋輪廓

示意圖（非實際數據）：相對含量正規化後的概念輪廓。實務以 700+ 筆資料庫與統計模型綜合判別，而非單一元素。

機器學習的資料基礎 · J. Taiwan Agric. Res. 2021

這個方法，從一篇研究開始

🧪

樣本 20 件

台灣 12 vs 國外 8（中 3·越 1·馬 1·斯 2·印 1）

🔬

元素 31 種

分微量 / 風化 / 肥料三群

📡

雙儀器

ICP-MS 測微量 + ICP-OES 測風化·肥料

📊

分析法

主成分分析 PCA：降維後看分群

蔡承祥、彭宗仁、劉滄棽、林毓雯、詹婉君 (2021)。以元素特徵區別台灣茶葉與國外茶葉之初步研究。台灣農業研究 70(4):231–242。—— 正是 TFDAF0032.00 官方方法背後的科學依據。

為什麼需要「多重」元素

沒有一個元素，能單獨定案

🔻

Ti、Se：台灣偏低

但中國、印度部分樣本與台灣重疊

🔺

Cs：中國偏高

其他國家偶爾也出現高值樣本

🔺

Ga、Sr、Ba：馬來西亞偏高

印度也偏高，台灣可能落在範圍內

🔺

Cr、Ni、Co：印度偏高

越南部分樣本與之重疊

任何「單一元素」的高低都會重疊 → 必須同時看多個元素的組合。這正是 PCA／機器學習登場的地方。

原研究結果 · 主成分得分圖

PCA：把 31 維壓成一張圖

重繪自 Tsai et al. 2021 Fig 4。每點為一茶樣（綠●=台灣、金◆=國外，字母為國別 C/M/V/S/I）；僅 T-PC1+T-PC4 ≈ 34.6% 變異，台灣茶已自然聚成一群、與國外茶被虛線分開。

換你試試 · 互動切換

加不同元素，分得開嗎？

分類正確率 · LDA 留一法

95%

✓ 乾淨分群

教學重建資料（依 Tsai 2021）·正確率序列 95→95→90→85%。真實可下載：蜂蜜 ICP-OES CC0 tt6pp6pbpk。

ML 的關鍵一課 + 課堂實作

選對「特徵」，才分得開

T　微量元素　✓ 可分

PC1+PC4 ≈ 34.6% 即可分群

TW　微量+風化　✓ 可分

風化元素也帶土壤背景訊號

A　全部元素　✓ 可分

整體仍能區分

TF　微量+肥料　✗ 不可分

肥料元素受各地施肥影響、變異大，蓋掉產地訊號

👉 這就是機器學習的「特徵選擇 (feature selection)」：加入「對的」特徵幫助分類，加入「噪音」特徵反而更糟。

動手做（dataset/ 資料夾）
• 教學重建 CSV + pca_demo.py（依 Tsai 2021 統計量模擬 20 樣本）：實跑得 trace 95% 留一法；加肥料降到 90%／85%，重現上方效應。
• 真實可下載：蜂蜜 ICP-OES（CC0, Mendeley tt6pp6pbpk）429 樣本×12 元素，同為「元素×樣本」分類，可直接練 PCA／PLS-DA。

2.9 檢體鑑別

從數字到產地判決

2.9 統計模式

五種模型，交叉驗證定案

LDA

線性判別分析
傳統統計

Ridge

脊迴歸
傳統統計

Random Forest

隨機森林
機器學習

Boosting

提升法
機器學習

SVM

支援向量機
機器學習

全部以 k-折交叉驗證調參選最佳，再用 準確率、召回率、精確值 三項指標綜合評估，輸出二分結果：臺灣 Taiwan 或境外 Non-Taiwan。多模型互相印證，結論更穩健。

附註 · 品保與限制

數據可信，判斷才有意義

🧼

防污染

器具以 15% 硝酸蒸氣酸洗、用 PP／鐵氟龍、超純試劑，並跑空白

🎯

確效驗證

以 CRM／SRM 驗證準確度；換儀器或條件須重新確效

🧭

綜合研判

結果受氣候、品種、栽培影響，須併同產地調查判讀

本法是有力的參考證據，但非唯一證據——科學鑑別講求多重證據鏈。

自我檢核

今天結束，你應該會…

✓說明為什麼 14 種元素能當作茶葉的「產地指紋」
✓描述檢液製備：四分法 → 球磨 → 烘乾 → 微波酸消化
✓說明 ICP-MS 如何把元素變離子、再依 m/z 定量
✓用 (C−C₀)×V×f÷(M×1000) 算出元素含量
✓說明資料庫 + 5 種統計模型如何判別臺灣／境外茶
✓說明為何要用 PCA／機器學習（單一元素會重疊），以及「特徵選擇」為何重要
✓指出本法的限制，以及為何須併同調查綜合研判

點一下打勾——確認自己真的會了。

重點回顧 · TAKE-HOME

從一片茶葉，讀出一座島

14 種微量元素 = 產地指紋；ICP-MS 量它，機器學習判它。
科學，讓「臺灣茶」三個字更有底氣。

🔎 課後想一想：為什麼 Sr、Rb、Cs 特別能反映地質背景？　🔗 延伸：原子光譜 (AAS/ICP-OES)、化學計量學

一杯茶，能驗出它的故鄉嗎？