Journal Search Engine

ISSN : 1225-8504(Print)
ISSN : 2287-8165(Online)

Journal of the Korean Society of International Agriculture Vol.33 No.3 pp.224-231
DOI : https://doi.org/10.12719/KSIA.2021.33.3.224

The Study on Determining Types and Qualities of Tea with GC-MS Combining Chemometrics Methods

Suyoung Kang^*,**

, So Jin Lee^*

, YongHee Kwon^*

, Doo-Gyung Moon^*

, Shuying Gong^**†

^*Research Institute of Climate Change and Agriculture, NIHHS, RDA, Jeju 63240, Korea
^**Dept. of Tea Science, Zhejiang University, Hangzhou, 310058, China

^† Corresponding author (Phone) +86-138-6744-1073 (E-mail) shuygong@zju.edu.cn

Received May 12, 2021 Review July 19, 2021 Accepted July 23, 2021

Abstract

Tea aroma is an important factor that determines the quality of tea in only a small quantity. In recent years, many studies have been carried out for the identification of aroma substances in different tea cultivars, origins, and categories, even different grades of tea with the development of GC-MS technology. Further tea aroma discriminant analyses for different grades of tea combining sensory evaluation were carried out in this study to predict the feasibility of differentiating various levels of tea quality with different aroma through partial least squares regression. Discriminant analysis combined principal component was satisfactory in distinguishing tea categories. To discriminate three categories of tea, the following equations were obtained: Y₁(X) = -7.138 - 4.094X1 - 7.876X₂ for green tea, Y₂(X) = -7.291 - 2.059X₁ + 8.157X₂ for jasmine tea, and Y₃(X) = - 3.060 + 4.022X₁ + 0.746X₂ for black tea. Two components after formulating discriminant function through cross-validation reached a correct rate 100%. Discriminating factors also achieved a correct rate of 100%. PLSR (Partial Least Squares Regression) analysis was proceeded for different grades of tea leaves in combination with signals of GC-MS to predict grades and prices of Dafo Longjing, jasmine tea, Dianhong, and Qihong. Correlation coefficients between fitted values and actual values were 0.9056, 0.8855, 0.9527, and 0.9710, respectively. Only the correlation coefficient for jasmine tea was slightly lower, while the rest showing correlation coefficient of above 0.9. These results show that using PLSR analysis in combination of GC-MS signal can accurately predict quality of different grades of tea leaves.

Key Words : Aroma , Category , Discriminant analysis , Partial least squares regression , Principal component analysis , Tea

HS-SPME/GC-MS방법과 화학계량학을 결합한 차의 종류 및 품질 판단 연구

강수영^*,**

, 이소진^*

, 권용희^*

, 문두경^*

, Shuying Gong^**†

^*농촌진흥청 국립원예특작과학원 온난화대응농업연구소
^**중국 절강대학교 차학과

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

서 언

차(Camellia sinensis (L.)O. Kuntze)는 세계에서 가장 중요 한 무알콜 음료로, 건강에 유익한 물질이 많이 함유되어 있는 것으로 알려져 있다. 최근에는 covid-19와 관련된 많은 연구에 서 수용기와 상호작용(Mhatre et al., 2021)을 하거나, 결합 억제 (Mhatre et al., 2020)와 면역력 조절(Chowdhury & Barooah, 2020)등에서 차의 우수성이 잘 드러나고, 사망지수도 녹차 소 비국이 비소비국보다 낮다(Desoto, 2020)는 결과를 보였다. 차 는 건강적 측면과 함께 다양한 맛과 향기로 소비자들의 관심 을 끌고, 식품 과학과 영양 분야에서도 중점적으로 연구가 되 고 있다(Zhang et al., 2020). 차의 여러가지 측면 중, 차의 향기는 일반적으로 차의 품질을 평가하는 요소인 외형, 향기, 맛, 탕색 그리고 우린 잎 다섯 가지 중의 한 부분을 차지하 고, 한국은 25-30%(Shin & Jung, 2017)의 비중이고, 중국은 “Methodology for sensory evaluation of tea” (GB/T 23776- 2018)에 의하면 25-35%의 비중을 두고 있다.

차 향기 연구는 1890년대에 Bamber(1893)가 증류법으로 에 센셜 오일을 추출한 것을 시작으로 간주하고(Li et al., 2009), Spyropoulou(2017)등에 의하면 1914년에 Curtius와 Franzen이 green leaf volatiles(GLVs)라고 불리는 (E)-2-hexenal를 서어나 무 잎과 다른 수종들에서 최초 분리하였다고 한다(Theodor & Hartwig, 1914). (E)-2-hexenal은 차의 생엽이 가공으로 인하 여 전환되는 과정에서 효소 변환에 의존하여 형성되는 휘발성 화합물로, 특히 차 향기에서 중요한 물질로 인식된다(Gonzalez et al., 1972). 이와 함께 차 향기 관련 연구는 1960년대에 GC-MS의 발명과 함께 지금까지 급속한 진전을 이루고 있다.

차의 향기(Qi et al., 2018)뿐 아니라 맛(Xu et al., 2019) 이나 산지(Marcosa et al., 1998)등 다양한 연구에 사용되고 있 는 화학계량학(Chemometrics)은 국제화학계량학회(International Chemometrics Society, ICS)의 정의에 의하면 화학의 한 분야 로 수학과 통계학을 응용하여 가장 우수한 측량 순서와 실험 을 설계하고 선택할 뿐만 아니라, 화학 측량 데이터 해석을 통하여 최대 한도의 정보를 얻을 수 있게 한다(Yu, 1991;Pan, 2007). 분석 시그널 처리와 화학 모델 식별이 주요 연구 내용인 화학계량학은 주성분 분석(Principal Component Analysis, PCA) (Tang & Ming, 2011), 판별분석(Discriminant analysis) (Gao et al., 2009;Guo et al., 2010), 부분최소제곱 회귀분석(Partial Least Squares Regression, PLSR) (Cao et al., 2009) 등으로, 구성하는 물질이 매우 많고 복잡한 향기 분석에 새로운 한 방법으로 이용되고 있다(Yue et al., 2007;Chen et al., 2008;Zhou et al., 2011). 차의 종류마다 다른 향기 물질 조성과 함량이 각기 다른 특성과 향기 분석에 상용 되고 있는 GC-MS의 시그널과 함께 응용된다. 다차원 통계 데이터 분석 방법인 부분최소제곱회귀분석은 변량의 선성 및 비선성 회귀 예측 방정을 수립하고, 변량이 관찰량 보다 큰 상황에서 매우 유효한 분석 방법이다(Ye et al., 2005). Near infrared spectrum 기술과 부분 최소 제곱 회귀분석을 결합(Li et al., 2006)하여 차의 맛을 내는 주요 물질의 정성정량 연구 (Liu et al., 2008)에서 수립한 예측 모형의 결과가 객관적으로 나온 점을 참고하여, 본 연구에서는 GC-MS로 측정한 여러 샘플들이 가진 공통적인 향기 성분을 원 데이터 정보로 판별 분석을 결합하여 주성분분석을 진행하였다. HS-SPME/GC-MS 방법은 선행연구 결과를 적용하였고(Kang et al., 2021), 차의 종류마다 다른 특징적인 향기로 차의 종류와 등급을 분류 및 판별하는 분석을 진행한 결과를 근거로 차의 종류 및 등급의 구분에 대한 참고가 되고자 한다.

재료 및 방법

재료

녹차, 홍차 그리고 재스민차를 실험 재료로 사용하였다. 중 국 녹차는 대불용정(Dafo Longjing, Camellia sinensis cv Zhenong113, 1-6급 여섯 등급), 홍차는 기문홍차(Qihong, Camellia sinensis cv Qimen zhuye, 관목, 특-5급 여섯 등급) 와 운남홍차(Dianhong, Camellia sinensis cv Foxiang, 소교 목, 특-6급 일곱 등급)를 중국 국가 표준에 의한 차 스탠다드 샘플을 사용하였다. 재스민차는 장일원(Beijing Zhang Yi Yuan Tea Co., Ltd. Beijing, China)에서 가격별로 특급에서 5급에 준하는 여섯 등급을 구입하여 사용하였다.

GC-MS 측정 및 분석

준비된 차 샘플을 5 g 취하여 100 mL병에 넣고 끓는 물 30 mL를 붓고 50°C water bath에서 5분간 평형시킨 후 50분 간 흡착하였다. HS-SPME는 흡착 전 250°C에서 3.5분간 구 운 65 μm(PDMS/DVB, SAAB-57310U SPME fiber holder, Supelco, USA)를 이용하였다.

휘발성 화합물은 GC-MS (HP6890-5973N, Agilent, USA) 로 분석, 동정하였다. GC의 조건은 column으로 HPINNOWax( 30 m × 0.25 mm × 0.25 μm, Agilent, USA)를 사용 하고, injector온도는 230°C, 주입부는 splitless mode, carrier gas는 헬륨(99.999%)을 사용하였으며, 유량은 1.0 mL/min으로 설정하였다. 오븐 온도 프로그램은 50°C에서 5분 유지 후 분 당 3°C씩 승온시켜 230°C까지 올리고 5분 유지시킨 후 종결 하였다. MS조건은 ion source 온도 200°C, electron ionization 70 eV, mass scan range 35-400 Amu로 하였다. GC-MS에서 분석된 휘발성 화합물은 NIST98 MS data library (U.S. Department of Commerce, USA)를 통하여 표준 Mass TIC 와 대조하고, 문헌상의 Mass TIC와 retention time으로 대표 적인 화합물을 선택하여 정성하였다. 3회 반복 실험 결과는 Excel 2007 (Microsoft Corp., Redmond, WA, USA)을 이용 하여 상대함량을 계산하고, MATLAB software (MathWorks, USA)와 SPSS statistics 16.0 (IBM, USA)로 관능평가 결과 와 결합하여 차의 종류와 등급 분석을 진행하였다.

관능평가

중국 국가표준 “Methodology of sensory evaluation of tea” (GB/T 23776-2009)와 “Terms of tea sensory tests”(GB/ T 14487-2008)에 의거하여 평가 자격이 있는 3명의 위원이 블라인드 테스트를 진행하였다. 100점을 기준으로 평가하여 Table 1에 향기 관능평가 결과를 기술하였다.

결과 및 고찰

차의 종류 판별을 위하여 샘플에 공통으로 존재하는 8종의 화합물의 피크 면적으로 MATLAB 프로그램을 이용하여 데이 터 매트릭스를 만들었다(Table 2). 이어서 주성분분석을 진행 하여 상관 매트릭스의 특정값(Eigenvalue) 및 해석변이량 (Variation)을 구하였고, 특정값이 1보다 큰 주성분인 상위 2개 의 주성분의 원시변량 누적량이 84.0111%로 해석 가능한 것 으로 확인되었다(Table 3).

실험에 사용된 차 샘플을 제1주성분(PC1)을 가로 좌표로 하 고 제2주성분(PC2)을 세로 좌표로 한 분산도로 나타내었고, 녹차, 재스민차 그리고 두 종류의 홍차 분류에서 비교적 명확 한 분류 효과를 나타냈다(Fig. 1). 분산도에서 녹차 샘플간 거 리가 매우 밀집하여 분류가 매우 뚜렷한 것으로 나타났고, 뒤 이어 재스민차, 운남홍차 그리고 기문홍차 순으로 나타났다. 운남홍차와 기문홍차는 다른 두 종류의 차와 경계가 매우 뚜 렷하였다. 동일한 차류에 속하지만 품종이 다른 두 홍차에서 도 양자 사이에 뚜렷한 분류 효과를 보이는 것으로 알 수 있 듯이, 차의 종류와 품종에 대한 주성분분석은 좋은 분류 효과 를 낸다고 할 수 있다.

차의 종류 분류를 하기 위하여 상술한 주성분분석 결과를 기초로 하여 SPSS16.0 프로그램으로 통계분석을 진행하고, 선 별 취합한 주성분(X) 중 선두 처음 두 주성분을 X₁과 X₂로 하여 차의 종류(Y) 분류를 위한 판별 함수를 수립하였다. 판 별 방정식은 녹차 Y₁(X)=-7.138-4.094X₁-7.876X₂, 재스민차 Y₂(X)=-7.291-2.059X₁+8.157X₂ 그리고 홍차 Y₃(X)=-3.060+ 4.022X₁+0.746X₂로 수립되었다. 수립된 판별 방정식에 의거하 여 leave-one-out 교차 검증 방법으로 차의 샘플에 대한 분류 를 진행하였고, 검증 결과는 모두 100%의 정확률을 보였다. 또, 이미 알고 있는 샘플을 판별 함수에 대입하여 진행한 결 과 discriminating factors도 100%에 도달하여, 주성분과 판별 분석이 수립한 판별모형의 신뢰도가 높다는 것을 설명할 수 있었다(Table 4).

본 실험에서 사용된 차 샘플들은 6-7개 등급으로 종류들마 다 샘플의 수가 많지는 않지만, 향기 성분이 비교적 많아서 부분 최소 제곱 회귀분석(PLSR)방법으로 등급 판별을 진행할 수 있었다.

여섯 등급 대불 용정에 공통으로 존재하는 향기 성분은 oxylene, (Z)-3-Hexen-1-ol, 1-octen-3-ol, (Z)-3-hexenyl butyrate, (Z)-3-hexenyl hexanoate, (E)-2-hexenyl hexanoate, 2,3-octanedione, 4-amino-m-cresol, hex-1-en-1-cyclohexanal, (Z)-3-hexenyl isovalerate, indolizine 11개였고, 주성분분석과 scree plot 그래프로 주성분의 개수를 2개로 확정하였다. 대불 용정 등급을 목표로 한 함수로 GC-MS 피크 시그널에 대한 PLSR 분석을 진행한 결과, 예측값과 실제값의 상관성이 0.9056로 나와 등급 예측에 좋은 효과를 보였다(Fig. 2). 관능 평가 결과는 등급별 대불용정차의 향기 품질은 모두 차이가 있었고(Table 1), 향기 특징에 대한 PLSR 분석 예측 결과는 관능평가 결과와 일치하였다.

여섯 등급 재스민차에 공통으로 존재하는 향기 성분은 copaene, myrcene, caryophyllene, ylangene, (Z)-3-Hexen-1-ol, linalool, nerolidol, (Z)-3-hexenyl butyrate, methyl benzoate, methyl jasmonate, methyl crotonate, 6-methyl-5-hepten-2-one, jasmone, eugenol, benzaldehyde, (Z)-3-hexenyl isovalerate, indolizine 17개였고, 주성분분석과 scree plot 그래프로 주성분 의 개수를 5개로 확정하였다. 재스민차 등급을 목표로 한 함 수로 GC-MS 피크 시그널에 대한 PLSR 분석을 진행한 결과 예측값과 실제값의 상관성은 0.8855로, 등급 예측에 비교적 좋 은 효과를 보이는 것으로 나타났다(Fig. 3). 관능평가 결과는 낮은 등급과 높은 등급의 향기 점수가 비슷하지만, 향기 품질 에서는 분명한 차이가 있는데, 이는 원료의 여린 정도가 향기 차이를 야기한 것으로 보인다(Table 1).

일곱 등급 운남홍차에 공통으로 존재하는 향기 성분은 cyclohexane, camphene, limonene, 1-heptanol, linalool, geraniol, nerolidol, linalool oxide, methyl salicylate, (Z)-3- hexenyl butyrate, jasmone, 4-amino-2-methylphenol, α- ethylidenebenzeneacetaldehyde 13개였고, 주성분분석과 scree plot 그래프로 주성분의 개수를 5개로 확정하였다. 운남홍차 등 급을 목표로 한 함수로 GC-MS 피크 시그널에 대한 PLSR 분석을 진행한 결과, 예측값과 실제값의 상관성은 0.9527로 매 우 높게 나왔고, 등급 예측에 매우 좋은 효과를 보이는 것으 로 나타났다(Fig. 4). 관능평가 결과, 등급이 높아질수록 향기 품질도 좋아지는 것을 알 수 있다(Table 1).

여섯 등급 기문홍차에 공통으로 존재하는 향기 성분은 cyclohexane, linalool, geraniol, nerolidol, linalool oxide, benzyl alcohol, methyl salicylate, ethyl 4-ethoxybenzoate, (E,E)- 3,5-octadien-2-one, (E,E)-2,4-heptadienal, phenylacetaldehyde, α- ethylidenebenzeneacetaldehyde, 1-(2-methoxyethyl)-1H-pyrrole-2- carbaldehyde 13개였고, 주성분분석과 scree plot 그래프로 주성분 의 개수를 2개로 확정하였다. 기문홍차 등급을 목표로 한 함 수로 GC-MS 피크 시그널에 대한 PLSR 분석을 진행한 결 과, 예측값과 실제값의 상관성은 0.9710으로 매우 높게 나왔 고, 등급 예측에 매우 좋은 효과를 보이는 것으로 나타났다 (Fig. 5). 관능평가 결과, 원료의 여린 정도에 따라 향기 특징 에 큰 차이가 존재한다는 것을 알 수 있었다(Table 1).

본 연구는 주성분과 판별분석 방법을 결합하여 세 종류의 차를 분류하였고, 그 결과는 매우 양호하였다. 운남홍차와 기 문홍차는 품종과 지역 등의 차이로 명확한 분류에는 한계가 나타났다. 이 외에 수립한 판별함수는 교차검증 정확률과 discriminating factors 모두 100%에 도달하였고, GC-MS를 결합한 화학계량학이 차의 종류를 빠르게 구분할 수 있음을 밝혔다. 등급별 차와 GC-MS 피크 시그널에 대한 PLSR 분석 은 GC-MS 피크 시그널로 대불용정, 재스민차, 운남홍차 그리 고 기문홍차 등급 예측을 진행하여 예측값과 실제값의 상관성 이 각각 0.9056, 0.8855, 0.9527 그리고 0.9710인 결과를 획 득하였고, 재스민차에서 상관성이 약간 낮은 이외에 모두 0.9 이상의 결과를 보였다.

차의 향기 연구에서 차의 종류, 차의 등급, 품종 및 산지 등에 관한 연구는 향기에 영향을 미치는 중요한 부분이므로 패턴 인식 기술(Teng et al., 2010;Zhan et al., 2008;Ning et al., 2013)이 이미 차의 향기 품질 평가에 많이 응용되고 있다. 인공신경 회로 응용(Tang & Li, 1999;Xiong et al., 2009;Zhang et al., 2015), 판별인자 분석(Li et al., 2016), 분류 유형별 독립 모형 등의 화학계량학은 차의 관능 평가 및 향기 성분의 상관 분석을 통하여 산지, 품종, 종류, 등급 그리 고 향기 타입의 예측 판별 모형(Zhan et al., 2013)을 수립하 는 중점 연구 방향 중의 하나이다. 뿐만 아니라 벼의 품종개 발에서 식미 관련 물리 화학적 특성을 위한 분석(Kim et al., 2020)이나 파파야의 생육온도 변화에 따른 대사체 식별(Jung et al., 2019) 등 농업의 다양한 분야 연구에서 응용되어 좋은 결과를 보여주었다.

본 연구에서는 외형이나 산지별로 차의 향기 성분 종류와 함량 차이가 비교적 큰 점을 감안하였고, 수립한 판별 함수가 다른 차의 향기 구분에도 적용 가능한지 시험 검증 하였으므 로, 앞으로 더욱 많은 차의 종류와 샘플에도 적용해 볼 필요 가 있을 것이다.

판별 분석을 결합한 주성분은 분석할 변량을 감소시켜 줄 뿐 아니라, 차의 종류를 정성 분석하는 모형 수립에 이용할 수 있었다. 등급별 차와 GC-MS 피크 시그널에 대한 PLSR 분석은 GC-MS를 결합한 화학계량학이 차의 종류를 빠르게 구분할 수 있음을 밝혔다. 앞으로 계속될 차의 품종, 산지 등 판별 연구에 충분한 참고 가치가 있고, 새로운 방법이 될 수 있다고 기대해 볼 만하다.

적 요

본 연구는 HS-SPME/GC-MS 방법과 화학계량학 (chemometrics) 분석으로 차의 등급과 품질 판단의 가능성을 실험한 연구이다. HS-SPME/GC-MS 방법으로 녹차, 재가공차 (화차), 홍차 및 등급별 향기를 분석했고, 주성분분석, 부분최 소제곱회귀분석 등 chemometrics와 관능 평가 결과를 결합하 여 차의 종류와 등급 예측 판단을 진행하였다. 주성분분석결 과는 차의 종류 판별에 양호한 결과를 내었고, 녹차 Y₁(X)=- 7.138-4.094X₁-7.876X₂, 재가공차(화차) Y₂(X)=-7.291- 2.059X₁+8.157X₂, 홍차 Y₃(X)=-3.060+4.022X₁+0.746X₂ 판별 함수를 얻었으며 교차검증 및 식별 인자 모두 100%의 정확률 에 도달했다. GC-MS 시그널과 차의 등급에서 부분최소제곱 회귀분석을 진행하고, 관능 평가 결과와 함께 차의 종류 및 등급 예측 판단을 진행하였다. 예측값과 실제값의 상관성은 각 각 대불용정 0.9056, 재스민차 0.8855, 운남홍차 0.9527, 기문 홍차 0.9710으로, 재스민차의 값이 약간 낮은 외에 모두 0.9 이상의 의미있는 결과를 보였다. GC-MS와 화학계량학 분석 으로 차의 등급과 품질 판단 연구를 진행하고, 차의 종류 식 별 함수와 등급 예측 모형 수립은 차의 종류와 등급 판별에 참고 가치가 있다는 결론을 내었다.

주제어: 향기, 종류, 판별분석, 부분최소제곱회귀분석, 주성 분분석, 차

ACKNOWLEDGMENTS

본 논문 발표는 대한민국 농촌진흥청 공동연구사업(과제번 호: PJ01348402)의 지원을 받았습니다.

Figure

Fig. 1.

Scatter diagram of samples based on the first and second principal components. 1, 2, 3, and 4 stand for green tea, jasmine tea, Dianhong tea, and Qihong tea, respectively.

Fig. 2.

(A) Percent of variance explained by the response variable as a function of the number of PLS components in Dafo Longjing. (B) Correlation between grades of Dafo Longjing tea and PLSR fitted value of GC-MS signal map (r² = 0. 9890).

Fig. 3.

(A) Percent of variance explained by the response variable as a function of the number of PLS components in jasmine tea. (B) Correlation between grades of jasmine tea and PLSR fitted value of GC-MS signal map (r² = 0.8855).

Fig. 4.

(A) Percent of variance explained by the response variable as a function of the number of PLS components in Dianhong tea. (B) Correlation between grades of Dianhong tea and PLSR fitted value of GC-MS signal map (r² = 0.9527).

Fig. 5.

(A) Percent of variance explained by the response variable as a function of the number of PLS components in Qihong tea. (B) Correlation between grades of Qihong tea and PLSR fitted value of GC-MS signal map (r² = 0.9710).

Table

Table 1.

Sensory evaluation results of tea aroma quality for three kinds of tea with different grades

Table 2.

Eight kinds of common aroma compounds in three categories of tea and their loadings on principal components (PCs)

Table 3.

Results of principal components analysis

Table 4.

Results of cross validation by linear discriminant analysis

Reference

Bamber M.K. 1893. Text Book on the Chemistry and Agriculture of Tea: Including the Growth and Manufacture. Law-Publishing Press. Calcutta pp.166-175.
Cao, H. , Li, Z.G. , Shen, D.L. 2009. GC/MS fingerprint analysis of osmanthus fragrans Lour. in different varieties. Acta Horticulturae Sinic. 3:391-398.
Chen, Y. , Li, X.R. , Zeng, X. , Tan, B.B. , Zhao, Z.Z. 2008. Analysis saposhnikovia davaricata volatile oils with GC-MS combining chemometrics methods. Chinese Journal of Hospital Pharmacy. 6:500-501.
Chowdhury, P. , Barooah, A.K. 2020. Tea Bioactive Modulate Innate Immunity: In Perception to COVID-19 Pandem. Frontiers In Immunology. 11:590716.
Desoto, M.C. 2020. Regional differences in use of immune-modulating catechins should be investigated regarding COVID-19. Brain, Behavior, and Immunity. 89:526-527.
Gao, Y. , Song, Z.P. , Yang, Y.F. , Xu, Z.C. , Gong, C.R. , Zhang, X.W. 2009. Principal component analysis of aroma quality of flue-cured tobacco roasted by different method. Acta Agriculturae Jiangxi. 12:36-39.
Gonzalez, J.G. , Coggon, P. , Sanoerson, G.W. 1972. A research note biochemistry of tea fermentation: Formation of t-2-hexenal from linolenic acid. J Food Sci. 5:797-798.
Guo, L. , Cai, L.S. , Lin, Z. , Wang, L. 2010. Modeling of Aroma Quality Evaluation in White Tea Based on Principal Component Analysis. Chinese journal of tropical crops. 9:1606-1610.
Kang, S.Y. , Lee, S.J. , Kwon, Y.H. , Moon, D.G. , Gong, S.Y. 2021. Establishment of HS-SPME conditions for analysis of aroma compounds in three kinds of tea. Journal of the Korean tea society. 27:22-33.
Li, C. , Li, E.X. , Zhang, C.M. , Ye, H. , Wang, L. , Guo, Q. , Qin, Y.H. 2016. Factor analysis based quantitative determination of flavor type and its corresponding relationship with growing areas in fluecured tobacco. Acta Tabacaria Sinica. 6:51-62.
Li, X.L. , Hu, X.Y. , He, Y. 2006. New approach of discrimination of varieties of juicy peach by near infrared spectra cased on pca and mda model. JIRMW. 6:417-420.
Li, Y.Q. , Fu, D.Y. , Wang, R. 2009. Progress on components and detection technology of tea aroma. Acta Tea Sinica. 1:8-15.
Liu, L. , Luo, W.W. , Gong, S.Y. , Gu, Z.L. 2008. Quantitative Analysis by NIR spectrum technique for the main components of savor in green tea. Journal of Chinese Institute of Food Science and Technology. 6:109-115.
Marcosa, A. , Fishera, A. , Reab, G. , Hill, S.J. 1998. Preliminary study using trace element concentrations and a chemometrics approach to determine the geographical origin of tea. JAAS. 13:521-525.
Mhatre, S. , Srivastava, T. , Naik, S. , Patravale, V. 2020. Antiviral activity of green tea and black tea polyphenols in prophylaxis and treatment of COVID-19: A review. Phytomedicine. 153286.
Mhatre, S. , Naik, S. , Patravale, V. 2021. A molecular docking study of EGCG and theaflavin digallate with the druggable targets of SARS-CoV-2. Computers in Biology and Medicine. 129: 104137.
National standard of the People’s Republic of China.2018. Methodology for sensory evaluation of tea GB/T 23776-2018. pp.18-24.
Ning, J.M. , Wan, X.C. , Zhang, Z.Z. 2013. Discriminating fermentation degree of pu’er tea based on NIR spectroscopy and artificial neural network. TCSAE. 11:255-260.
Pan, J.H. 2007. Application of chemometircs with spectroscopic technique in the determination of pesticides residure and food additives. Nanchang University, Master degree thesis. pp.7-8.
Qi, D.D. , Miao, A.Q. , Cao, J.X. , Wang, W.W. , Chen, W. , Pang, S. , He, X.G. , Ma, C.Y. 2018. Study on the effects of rapid aging technology on the aroma quality of white tea using GC–MS combined with chemometrics: In comparison with natural aged and fresh white tea. Food Chemistry. 1:189-199.
Shin, S.H. , Jung, I.O. 2017. Sensory evaluation of tea. Yireun Achim. Paju, Korea. pp.110.
Spyropoulou, E.A. , Dekker, H.L. , Steemers, L. , Maarseveen, J.H. , Koster, C.G. , Haring, M.A. , Schuurink, R.C. , Allmann, S. 2017. Identification and characterization of (3Z):(2E)-hexenal isomerases from cucumber. Front Plant Sci. 8:1-14.
Tang, H.P. , Li, X.H. 1999. Artificial neural networks technology in the tea leaf. Journal of Tea Communication. 3:29-31.
Tang, H.Z. , Ming, J. 2011. Principal components analysis of aroma components of marketed navel oranges from five varieties. Food science. 32:175-180.
Teng, H.Y. , Qu, L.P. , Li, X.L. , Zhang, M.Y. , Qi, Y.P. 2010. Gas chromatography-mass spectrometry assisted with chemometric resolution methods to analyze the volatile oils in traditional herbal medicines. Journal of Pharmaceutical Practice. 4:245-295.
Theodor, C. , Hartwig, F. 1914. Über die chemischen Bestandteile grüner Pflanzen. Über die flüchtigen Bestandteile der Hainbuchenblätter. EurJOC 2:93-130.
Xiong, Y.H. , Hu, K. , Wang, M. 2009. Analysis of essential oil in herban pair Artemisia annua-Agastache rugose by GC-MS and chemometrics resolution method. Acta Pharmaceutica Sinica. 11:1267-127.
Xu, M. , Wang, J. , Zhu, L.Y. 2019. The qualitative and quantitative assessment of tea quality based on E-nose, E-tongue and E-eye combined with chemometrics. Food Chemistry. 15: 482-489.
Ye, Y.M. , Chen, C.G. , Lin, X. 2005. Theory and application of partial least squares regression. Strait journal of preventive medicine. 3:3-6.
Yu, R.Q. 1991. Introduction to chemometrics. Hunan education publishing house. Changsha, China. pp.3-4.
Yue, T.L. , Peng, B.Z. , Yuan, Y.H. , Gao, C.P. , Zhang, H. , Zhao, Z.H. 2007. Modeling of aroma quality evaluation of cider based on principal component analysis. TCSAE. 6:223-227.
Zhan, J. , Zhou, F.F. , Deng, G.B. , Mao, C.T. , Bao, C.Y. , Rao, J.C. , Zhang, X.L. 2013. Discriminant analysis of aroma types of upper leaf in fluecured tobacco based on chemical constituents and aroma components. Journal of Hunan Agricultural University( Natural Sciences). 3:232-241.
Zhan, M.L. , Li, Y. , Wei, Y.M. , Pan, J.R. , Qian, H. , Yao, W.R. 2008. Determination of the geographical origin of tea by FT-IR spectroscopy analysis and pattern recognition technique. Journal of Nuclear Agricultural Sciences. 6:829-833.
Zhang, J. , Gong, S.H. , Tang, D.S. , Zhang, Y.B. , Chen, M.L. 2015. Quality evaluation and price discrimination of jasmine-scented tea. Journal of Zhejiang University(Agric. & Life Sci.). 5: 577-585.
Zhang, L. , Cao, Q.Q. , Granto, D. , Xu, Y.Q. , Ho, C.T. 2020. Association between chemistry and taste of tea: A review. Trends in Food Science and Technology. 101:139-149.
Zhou, J.F. , Huang, L.F. , Hu, W. , Lv, Y.W. , Wang, Y.L. , Guo, F.Q. 2011. GC-MS and chemometrtic resolution methods analysis of the volatile chemical constituentsin Fleningia philippinensis Merr. et Rolfe. CJPA. 7:1308-131.
Kim, C.S. , Park, H.S. , Baek, M.K. , Jeong, J.M. , Park, S.G. , Suh, J.P. , Lee, K.M. , Lee, C.M. , Cho, Y.C. , Kim, S.M. 2020. Yearly Variation of Eating Quality and Starch RVA Profiles of Korean Native Rice Accessions. J. Korean Soc. Int. Agric. 32:7-17.
Jung, Y.B. , Kim, C.H. , Lim, C.K. , Kim, S.C. , Song, K.J. , Song, S.Y. 2019. Metabolic Discrimination of Papaya (Carica papaya L.) Leaves Depending on Growth Temperature Using Multivari ate Analysis of FT-IR Spectroscopy Data. J. Korean Soc. Int. Agric. 31:378-383.