REPOZITORIJ > REZULTATI

Povzetek

Prevare s hrano že desetletja predstavljajo trdovraten in vse bolj zapleten problem, ki se je iz preprostih oblik ponarejanja razvil v sofisticirano, večmilijardno globalno dejavnost, podprto z močnimi ekonomskimi interesi. Letna gospodarska škoda v prehranski industriji je ocenjena na 30 do 65 milijard ameriških dolarjev, pri čemer je vsako leto prizadetih več kot 10 % svetovne oskrbe s hrano; posledice pa segajo daleč onkraj neposrednih finančnih izgub, saj lahko tovrstne prevare resno ogrozijo tudi zdravje potrošnikov ter povečajo tveganje za izpostavljenost neustreznim, nekakovostnim ali celo nevarnim živilom.
Predlagana doktorska disertacija uvaja nov, integriran sistem za spremljanje pristnosti in sledljivosti živil in obsega: fizično sledljivost, ki temelji na naprednih analitskih tehnikah in preverjanju na osnovi podatkovne zbirke pristnih vzorcev; hitre sisteme, ki omogočajo hitro in zanesljivo odkrivanje prevar na osnovi spektroskopskih metod; ter digitalni sistem, ki uporablja najnaprednejše tehnologije interneta stvari (IoT) za zagotavljanje neprekinjenega spremljanja parametrov v realnem času po celotni dobavni verigi.
Doktorska disertacija zajema večdisciplinarni pristop, in sicer (1) uporabo razmerij stabilnih izotopov lahkih elementov in multielementno analizo za razlikovanje geografskega porekla in načina pridelave (konvencionalno proti organskemu) začimb; (2) uporabo FTIR spektroskopije za podporo pri odkrivanju in preverjanju pristnosti začimb; (3) razširitev podatkovne zbirke IsoFoodTrack z novimi izotopskimi, elementnimi in metapodatki; (4) uporabo naprednih kemometrijskih tehnik, kot sta OPLS-DA in DD-SIMCA, ter modelov umetne inteligence za interpretacijo kompleksnih podatkovnih naborov in (5) implementacijo IoT-podprte digitalne sledljivosti za dobavne verige z morsko hrano (ribe) prek pilotnega projekta v Črni gori. Ta pristop smo preizkusili na izbranih vrstah živil, ki so najbolj izpostavljena potvorbam, in sicer na začimbah (žafran, paprika in cimet) ter ribah.
Delo je pomembno prispevalo k oblikovanju uporabnih in praktično relevantnih zaključkov. Podatkovna zbirka IsoFoodTrack predstavlja edinstveno in trenutno najsodobnejšo zbirko, ki temelji na skalabilni in inovativni arhitekturi za integracijo izotopskih, elementnih ter sorodnih metapodatkov, namenjenih preverjanju pristnosti in zagotavljanju sledljivosti živil. Takšna arhitektura omogoča vključevanje novih analitskih podatkov in kategorij živil, s čimer se njena učinkovitost pri odkrivanju potvorb živil še dodatno krepi. Nadalje smo z uporabo izotopskih parametrov in elementne sestave preverili geografsko poreklo žafrana s 94 % natančnostjo klasifikacije. Z uporabo modela DD-SIMCA smo pri 15 % komercialnih vzorcev zaznali morebitno napačno označevanje, pri čemer so bile nepravilnosti najpogosteje ugotovljene pri vzorcih iz Irana. Za papriko in cimet smo dosegli 90 % oziroma 89 % natačnost pri preverjanju geografskega porekla, medtem ko smo za razlikovanje načina pridelave dosegli 95 % natančnost za cimet. Nadalje smo ugotovili, da so najbolj značilni parametri za razlikovanje med konvencionalno in organsko pridelano paprikoizotopski parametri (δ15N, δ34S) in element Zn. S pomočjo FTIR spektroskopije smo uspešno razlikovali cejlonski cimet od kasije ter identificirali morebitne potvorbe paprike. Obdelavo podatkov žafrana smo nadalje nadgradili z uporabo umetne inteligence, natančneje Light Gradient Boosting Machine (LightGBM). Na naboru 115 vzorcev žafrana smo z uporabo kombiniranih izotopskih in elementnih podatkov dosegli visoko natančnost klasifikacije glede na geografsko poreklo, in sicer 93 %. Analiza SHapley Additive exPlanations (SHAP) je razkrila najvplivnejše diskriminatorne parametre (Ni, Co, K, Mn, Sr, Rb, Ga, Al, Cd in Pb), kar omogoča razvoj ciljno usmerjenega analitskega pristopa in analizo izbranih elementov. Tak pristop lahko zmanjša stroške analiz za približno 79 %, hkrati pa ohrani natančnost klasifikacije nad 90 %. IoT-podprti sistem je bil zasnovan za spremljanja dobavnih verig rib v realnem času z integracijo okoljskih senzorjev (temperature vode, koncentracije raztopljenega kisika, pH in slanosti) ter z GPS in temperaturnimi senzorji za spremljanje pogojev transporta. QR-kode bodo omogočale interakcijo z uporabniki in drugimi deležniki zunaj ribogojnice, saj bodo zagotavljale informacije o izdelkih oziroma pakiranjih ter hkrati omogočale zbiranje njihovih povratnih informacij.
Integrirani sistem sledljivosti, predstavljen v tej disertaciji, predstavlja možnost učinkovitega pristopa za preverjanje pristnosti in sledenje visoko kakovostnim izbranim vrstam živil, ki so izpostavljena potvorbam, kot so žafran, paprika, cimet in ribe. Sistem, razvit in predstavljen na izbranih vrstah živil v tej disertaciji, je zasnovan modularno in prilagodljivo, kar omogoča njegov učinkovit prenos ter uporabo tudi pri drugih živilih in prehranskih izdelkih.
V prihodnje je smiselno vzpostaviti in nadalje nadgrajevati odprto platformo ter podatkovno zbirko za različne vrste živil, vključiti razložljivo umetno inteligenco (XAI) za bolj pregledne in zaupanja vredne odločitvene procese ter povezati analizo stabilnih izotopov na molekularni ravni z metabolomiko za nadaljnje izboljšanje analitične natančnosti. Na ravni oblikovanja politik pa je priporočljivo spodbujati integracijo umetne inteligence, strojnega učenja ter digitalnih pristopov, kot so internet stvari (IoT) in tehnologija veriženja blokov, v obstoječe sisteme sledljivosti hrane z namenom povečanja preglednosti, zanesljivosti in učinkovitosti odkrivanja prehranskih prevar.