同位素比值測定（如 δ¹³C, δ¹⁵N, δ¹⁸O, δ²H, δ³⁴S）通過分析食品中特定元素穩定同位素的相對豐度（δ值，單位為‰），揭示其生物地球化學“指紋”，從而判斷產地。利用δ值判斷產地的核心在于兩個關鍵參考范圍：

1. 地域特征同位素范圍（Geographic Signature Ranges）：

* 原理： 不同產地的氣候（溫度、降水、濕度）、地質（基巖類型、土壤礦物質）、水源（降水模式、河水、地下水）和農業實踐（肥料類型、灌溉水源）顯著影響當地植物吸收和整合同位素的方式。這些環境因子塑造了具有地域特征的同位素組成。

* 應用： 科學家通過建立龐大的參考數據庫，收集來自已知確切產地的樣品（如特定產區的葡萄酒、橄欖油、蜂蜜、肉類、谷物），分析其多種同位素的δ值。統計處理（如多變量分析）后，確定該產地各類食品中特定同位素組合（如 δ¹³C + δ¹⁸O + δ²H）的典型值范圍。

* 判斷： 當檢測一個未知來源樣品的δ值時，將其與數據庫中的各種地域特征范圍進行比較。如果樣品的δ值組合落在某個特定產地的特征范圍內，且顯著區別于其他產地的范圍，則表明該樣品很可能來源于該產地。例如：

* 干旱地區植物的 δ¹³C 通常高于濕潤地區（C4植物比例或水分利用效率差異）。

* 沿海地區產品的 δ³⁴S 接近海水值（≈+21‰），而內陸地區受蒸發巖或大氣沉降影響可能較低或為負值。

* 高緯度/高海拔地區降水的 δ¹⁸O 和 δ²H 顯著低于低緯度/低海拔地區（溫度效應），會反映在當地水源和以此為生的動植物中。

2. 元素組合判別范圍（Discriminant Space by Multi-Element Analysis）：

* 原理： 單一同位素δ值的地域特異性可能有限，且易受干擾（如品種差異、加工）。同時分析多種元素的同位素（如 C, N, O, H, S），利用它們對環境因子響應的差異性和互補性，能構建更強大的多維“指紋”。

* 應用： 通過統計方法（如線性判別分析 LDA、主成分分析 PCA、聚類分析）將多種同位素的δ值組合投射到多維判別空間中。在這個空間中，來自不同產地的樣品會形成相對獨立的聚類區域（即判別范圍）。

* 判斷： 將未知樣品的多元素δ值組合投射到該判別空間中。觀察其落入哪個產地的聚類區域內，并計算其與該區域中心（或典型點）的距離（如馬氏距離）。樣品點落入特定聚類區域且距離足夠近，則支持其來源于該產地。例如：

* 歐洲小麥（低 δ¹⁵N，較高 δ³⁴S）與北美小麥（較高 δ¹⁵N，低 δ³⁴S）在 δ¹⁵N vs δ³⁴S 圖上能清晰區分。

* 不同國家蜂蜜在 δ¹³C vs δ²H 圖上可形成不同聚類（反映植物來源和氣候差異）。

總結關鍵點：

* δ值本身是“指紋”：反映產地獨特的生物地球化學環境。

* “地域特征范圍”是基礎：提供特定產地單一或組合同位素的典型值區間。

* “元素組合判別范圍”是核心：通過多同位素分析構建多維空間，實現更精準的產地判別。

* 依賴強大數據庫：參考范圍的準確性和判別能力高度依賴于覆蓋廣泛產地、足夠樣本量的高質量數據庫。

* 需結合統計模型：利用統計工具比較未知樣品δ值與參考范圍/判別空間的距離和相似度。

* 注意局限性：品種、年份、加工、摻假等因素可能干擾δ值，需結合其他信息（如生產記錄、物流數據）綜合判斷。

通過將未知樣品的同位素δ值（特別是多元素組合）與這兩個關鍵參考范圍（地域特征值范圍和多維判別空間）進行比對和統計分析，是同位素溯源技術判斷食品產地的核心科學依據。