English China

Mit KI Lebensmittelbetrug vermeiden Die analytische Supply-Blockchain für Olivenöl

Von Stephan Schwarzinger et al.*

Anbieter zum Thema

Olivenöl gehört gemeinsam mit Honig zu den am meisten gefälschten Lebensmitteln der Welt – und das seit langer Zeit. Die Gründe für die Fälschungen sind vielfältig. Ebenso die möglichen Auswirkungen. Neuerdings kann jedoch Künstliche Intelligenz dabei helfen, Betrug zu entlarven.

Abb. 1: Ein KI-basierter interdisziplinärer Ansatz kann dazu beitragen, Lebensmittelbetrug bei Olivenöl zu vermeiden.
Abb. 1: Ein KI-basierter interdisziplinärer Ansatz kann dazu beitragen, Lebensmittelbetrug bei Olivenöl zu vermeiden.
(Bild: © Kay; © Sashkin - stock.adobe.com_[M]-VCG)

Der Betrug mit Lebensmitteln ist vermutlich so alt wie die Menschheit. Sogar alte Gesetzestexte wie der Codex Hammurabi aus dem 18. Jahrhundert v. Chr. sehen dafür schon Strafen vor. In Europa gibt es den Tatbestand des Gewinn-motivierten Betruges (engl. economically motivated adulteration, EMA). Betrug heißt dabei, dass die Angaben zum Lebensmittel nicht mit dem Lebensmittel selbst übereinstimmen. Das kann z. B. eine abweichende Angabe zur Sorte, Herkunft oder Qualität sein oder auch eine Verdünnung mit billigen Ersatzstoffen. Unter Umständen kann eine solche Verfälschung auch mit gesundheitlichen Gefahren einhergehen. Die Motive ein Lebensmittel zu fälschen, sind vielfältig und reichen von einer simplen Bereicherungsabsicht bis hin zur wirtschaftlichen „Notwendigkeit“, um den eigenen Betrieb zu schützen, wenn Marktpreise keine ökonomische Produktion der Waren mehr erlauben.

Krisen als Treiber für Lebensmittelbetrug

Es gibt viele Randparameter, die hier eine wichtige Rolle spielen. Das beginnt beim Konsumentenverhalten, wenn nur mehr der Preis im Vordergrund steht, das betrifft das Werbeverhalten der Handelsketten, die vorgeben bei gleicher oder besserer Qualität immer bessere Preise anbieten zu können und noch dazu Tierwohl zu fördern und faire Produzentenpreise zu bezahlen. Kann das wirklich funktionieren?

Hinzu kommen noch Einflüsse auf die Lieferkette, wie etwa Klimawandel, Energieverteuerung und Rohstoffknappheit durch Kriege. Erst in diesem Jahr haben wir in Mitteleuropa erlebt, was seit etwa 70 Jahren undenkbar war: Der Konflikt in der Ukraine hat die Energiepreise in die Höhe schnellen lassen und damit Transport und Produktion von Lebensmitteln verteuert. Besonders im Bereich der Speiseöle haben wir einen hohen Preissprung erlebt, der durch den Engpass an Sonnenblumenöl hervorgerufen wurde. Denn die Ukraine ist der Weltmarktführer für Sonnenblumenöl. In der Folge wurden andere Öle vermehrt nachgefragt, was auch dort zu Engpässen und Preissteigerungen führte.

Solche Ereignisse sind wichtige Bereiter für Lebensmittelbetrug. In der gegenwärtigen Situation ist also damit zu rechnen, dass ein vermehrtes Risiko im Sektor der Speiseöle besteht. Somit auch für Olivenöl, dass gemeinsam mit Honig seit langer Zeit zu den am meisten gefälschten Lebensmitteln der Welt gehört. [1]

Beim Lebensmittelbetrug gibt es nur Verlierer: Den Konsumenten, der zu viel Geld für ein Olivenöl minderwertiger Qualität bezahlt, oder sogar einer Gesundheitsgefahr ausgesetzt ist. Die Produzenten, die Olivenbauern, deren harte manuelle Arbeit sich durch Preis- und Qualitätsverfall nicht mehr rechnet und die ihre Lebensgrundlage verlieren. Wichtige Kulturflächen werden nicht mehr gepflegt und verwildern, mit negativen Auswirkungen auf die Agrarwirtschaft im gesamten mediterranen Raum. In der Folge leiden auch die Ölmühlen und Abfüllbetriebe, wenn die Rohstoffknappheit durch sinkende Produktionsflächen und den Klimawandel verstärkt wird.

Schließlich müssen auch die Einzelhandels- und Discountketten mit Einbußen rechnen, wenn Produktionsmengen und -qualität zurückgehen, die Preise in Folge dessen anziehen, und die Konsumenten gleichzeitig das Vertrauen in das Produkt verlieren. So werden in einem von Europas wichtigsten Beschäftigungsbereichen – dem Agrar- und Lebensmittelsektor – Arbeitsplätze verloren gehen und mittelfristig die soziale Sicherheit gefährdet werden.[2]

Es ist ein düsteres Bild, dass sich hier abzeichnet. Zeit, etwas dagegen zu tun, das Konsumentenvertrauen zu stärken und die Produktqualität und Echtheit mit modernen Werkzeugen abzusichern. Blickt man dabei über Fächergrenzen hinweg, bieten sich naheliegende und erstaunlich effiziente Möglichkeiten. So gibt es hinsichtlich der Analytik große Fortschritte im spektralen Fingerprinting von Lebensmitteln. Mittels KI-basierter Ansätze können so heute schon effizient Herkunft, Sorten, Reinheit sowie eine Vielzahl einzelner Qualitätsparameter in nur einer einzigen Messung in einem Screening-Ansatz geprüft werden.

Ein Beispiel hierfür ist das NMR-basierte Screening auf Echtheit und Qualität des am internationalen Markt ebenfalls stark von Betrug betroffenen Honigs. [3] Denkt man an Digitalwährungen sticht sofort der Begriff der Blockchain [4] heraus, der für die unbedingte Transaktionsverfolgbarkeit bei digitalen Objekten steht. Ebenfalls aus der digitalen Welt kennen wir die QR-Codes, die heute in unzähligen Anwendungen zum Speichern von Informationen verwendet werden. Verbindet man diese Technologien untereinander und mit einem physischen Objekt, beispielsweise der Probe eines Produktionslots eines extra nativen Olivenöls erhält man ein neues, wirkungsvolles Werkzeug zur Vorbeugung gegen Lebensmittelbetrug: die analytische Supply-Block-Chain für Olivenöl. Im Folgenden wird kurz auf die einzelnen Komponenten dieses neuen Werkzeugs eingegangen.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Spektrales Inhaltsstoffprofiling von Olivenöl

Lebensmittel werden oft mit Methoden untersucht, die mehrere Parameter in einem Analysenlauf messen können. Hierzu zählen beispielsweise optisch-spektroskopische Methoden, massenspektrometrische Verfahren in Kombination mit Chromatographiemethoden, oder auch die magnetische Kernresonanzspektroskopie (NMR: nuclear magnetic resonance). Letztere Methode wird bereits seit vielen Jahren für die Echtheits- und Qualitätsanalytik von Honig, Wein und Fruchtsäften verwendet. [3,5,6] Neben einer besonders einfachen Probenvorbereitung, die im Wesentlichen ohne Fraktionierung auskommt und damit die Gesamtheit der Inhaltsstoffe bis in den ppm-Bereich (mg/kg) erfasst, zeichnet sich die Methode durch schnelle Messzeiten im Minutenbereich für Spektren der Wasserstoffkerne (1H) in den Molekülen der Lebensmittel und einen hohen Automationsgrad aus.

Auch für die Messung von Speiseölen eignet sich diese Methode. An der Universität Bayreuth wurden über mehrere Jahre hinweg systematisch Proben von Speiseölen gesammelt und ihre spektralen Fingerprints mit verschiedenen Methoden, darunter auch die NMR-Spektroskopie bestimmt. Bis heute wurden Spektren von deutlich über 1.500 Proben von über 30 verschiedenen Speiseölsorten wie Sonnenblumenöl, Rapsöl, Kürbiskernöl, aber auch seltenere Sorten wir Avocadoöl oder Arganöl untersucht worden. Die meisten davon sind aber Olivenöle.

Die erhaltenen spektralen 1H-Fingerprints werden in mehrfacher Hinsicht ausgewertet. Zum einen erfolgt eine Quantifizierung von Inhaltsstoffen. Dabei ist von Vorteil, dass die NMR-Spektroskopie eine sogenannte primäre quantitative Methode ist. Das bedeutet, das Gerät wird mit einer rückführbaren quantitativen Standardverbindung kalibriert. Da die detektierten Signale immer proportional zur Zahl der Wasserstoffkerne an einer bestimmten Position in einem Inhaltsstoffmolekül sind, kann jeder beliebige Inhaltsstoff mit einem hinreichend integrierbarem Signal quantitativ bestimmt werden.[7] Bei anderen Verfahren, z. B. der Chromatographie, muss für jeden Analyten eine separate Kalibration durchgeführt werden.

Abb. 2: Quantitative Qualitätsparameter (freie Fettsäuren, Iodzahl, 1,2-Diacylglycerole und Pyropheophytin) für Olivenöl aus einer NMR-Messung. Die Signale der entsprechenden Verbindungen können entweder direkt aus dem Spektrum durch Integration oder durch Korrelation mit Referenzdaten quantitativ bestimmt werden. Derzeit konnten neben einer Prüfung auf Beimischung von anderen Pflanzenölen mit dem Fettsäureprofil (C16:0, C18:0, C18:1, C18:2, C18:3), den frei Fettsäuren, der Iod- und der Peroxidzahl und dem K232-Wert bereits neun quantitative Qualitätsparameter nach ISO 17025 akkreditiert werden, die alle aus einer Messung erhalten werde. An weiteren Parametern wird geforscht.
Abb. 2: Quantitative Qualitätsparameter (freie Fettsäuren, Iodzahl, 1,2-Diacylglycerole und Pyropheophytin) für Olivenöl aus einer NMR-Messung. Die Signale der entsprechenden Verbindungen können entweder direkt aus dem Spektrum durch Integration oder durch Korrelation mit Referenzdaten quantitativ bestimmt werden. Derzeit konnten neben einer Prüfung auf Beimischung von anderen Pflanzenölen mit dem Fettsäureprofil (C16:0, C18:0, C18:1, C18:2, C18:3), den frei Fettsäuren, der Iod- und der Peroxidzahl und dem K232-Wert bereits neun quantitative Qualitätsparameter nach ISO 17025 akkreditiert werden, die alle aus einer Messung erhalten werde. An weiteren Parametern wird geforscht.
(Bild: Uni Bayreuth)

Ebenfalls ein Alleinstellungsmerkmal der NMR-Spektroskopie ist der große dynamische Messbereich. Das bedeutet, dass in derselben Messung sowohl sehr gering als auch sehr hoch konzentrierte Inhaltsstoffe erfasst werden können. Für Olivenöl bedeutet das, dass nach einfacher Probenvorbereitung (verdünnen mit einem NMR-Lösungsmittel) und wenigen Minuten Messzeit neben einem vereinfachten Fettsäureprofil (C16:0, C18:0, C18:1, C18:2 und C18:3) durch Korrelation mit Messergebnissen aus anderen Verfahren auch die Parameter Säurezahl, Peroxidzahl, Iodzahl, die K-Werte, der Gehalt an 1,3-Diacylgylceriden (DAG) sowie an Pyropheophytin (PPP), einer Abbauverbindung aus Chlorophyll die auf Alterung hinweist, erhalten werden (s. Abb. 2). Von besonderem Interesse hinsichtlich der Kennzeichnung des Olivenöls mit einem sogenannten Health-Claim, also einer wissenschaftsbasierten gesundheitsbezogenen Werbung auf dem Etikett, ist die Quantifizierung des Gehaltes an Polyphenolen, die in Kooperation mit der Gruppe von Prof. Leandros Skaltsounis vom Institut für pharmazeutische Chemie Universität von Athen untersucht wird. Damit ergibt die quantitative Auswertung ein erstes Profil an klassischen Qualitätskennzahlen für ein Olivenöl und erlaubt so eine schnelle und umfassende Beurteilung der Qualität.

KI-basierte Spektrenauswertung

Das selbe Spektrum kann aber auch noch anderweitig ausgewertet werden. Die oben genannten Inhaltsstoffe sowie weitere im Spektrum messbare Signale, z. B. für Vitamin E und die Klasse der Phytosterole, enthalten wichtige Informationen hinsichtlich der Sorte des Speiseöls (z. B.: Sonnenblumenöl, Rapsöl, Olivenöl etc.), der geographischen Herkunft eines Öls (z. B.: Griechenland, Italien oder Spanien) sowie der Reinheit des Öls oder, in anderen Worten, der Anwesenheit von Fremdölen. Da oft nicht bekannt ist, welche Substanzen oder Signale, für den kausalen Zusammenhang verantwortlich sind, wird ein sogenannter ungerichteter Ansatz verfolgt. Dabei werden die spektralen Fingerprints in verschiedene Gruppen, beispielsweise nach Ölsorte, eingeteilt und die gruppierten Spektren auf Unterschiede untersucht. So kann es sein, dass auch mehrere Signale, bzw. deren Verhältnisse zueinander eine Rolle spielen.

Erzielt wird dieser Vergleich mit Methoden der künstlichen Intelligenz (KI), die wiederum ein Teilbereich der mathematischen Statistik ist. Beim Wort KI denken wir heute unweigerlich an neuronale Netze. Allerdings ist der Bereich viel weitreichender und schließt auch andere Methoden des maschinellen Lernens und der Mustererkennung ein. Werden diese Verfahren auf chemische Daten angewandt spricht man auch von Chemometrie. Ein Vorteil dieser Methoden ist, dass sie mehrere Variablen (z. B., spektrale Signale und/oder Verbindungen und deren Konzentrationen) verarbeiten können, um eine Korrelation zwischen den vorliegenden Daten und der Fragestellung herzustellen. Sie sind multivariat. Bei der Verwendung von vielen Variablen kann es aber schnell passieren, dass die erzielten Klassifizierungen nicht mehr einfach erklärt werden können. Dies ist von Nachteil bei der Kommunikation von Ergebnissen, denn oft entsteht so der Eindruck einer Black-Box Methode.

Dies trifft insbesondere auf vielschichtige neuronale Netze zu. KI-Methoden im Allgemeinen bedürfen daher einer besonderen Validierung, die hier aber nicht weiter vertieft werden soll. Um eine reduzierte Komplexität der resultierenden Modelle und damit eine rationale Erklärbarkeit zu ermöglichen, wurde für die hier beschriebene Methode hauptsächlich mit etablierten Verfahren wie der PCA-LDA und verwandten Algorithmen gearbeitet. Auf diese Weise ist es z. B. möglich, Olivenöle von anderen Speiseölen mit ähnlichem Fettsäureprofil zu unterscheiden. Durch zahlreiche Labormischungen von anderen Speiseölen mit Olivenölen ist es auch möglich, entsprechende Zumischungen zu entlarven. Von Bedeutung ist auch die Plausibilitätsprüfung der Herkunftsangabe des OIivenöls. Es darf nicht vergessen werden, dass Lebensmittelbetrug ein vorsätzlicher Prozess ist und die Fälscher nicht wollen, dass dieser Prozess entdeckt wird. Fälschungen werden oft verschleiert. Um dem auf die Schliche zu kommen ist es daher essentiell, so viele Informationen wie möglich auf Plausibilität und Konsistenz zu prüfen.

Abb. 3: NMR-basierte Klassifizierungen von Olivenöl und anderen Pflanzenölen mittels PCA-LDA Methode (Panel A). Jeder Punkt in der Abbildung entspricht dem NMR-Fingerprint einer Speiseölprobe. Von insgesamt 1146 Proben wurden in Monte-Carlo-Kreuzvalidierungstests 99,3 % der Stichproben richtig zugeordnet. Ellipsen stellen das multivariate 95 % Vertrauensintervall (Hoteling-T2) für das jeweilige Klassifikationsmodel dar. In Panel B ist zu sehen, dass die nicht-Olivenöle eindeutig weiter differenziert werden können – hier sind es insgesamt 11 weitere Ölsorten. Auch wenn es so aussieht, als ob die Punktwolken überlagern: dies ist nur eine Einschränkung der Darstellung hochdimensionaler Daten in einer zwei- oder dreidimensionalen Grafik dar. Panel C zeigt, dass die NMR-Fingerprints für die Plausibilitätsprüfung der Herkunftsangabe von Olivenölen verwendete werden können. Hierfür wird ebenfalls ein hochdimensionaler Raum verwendet, dargestellt ist die Projektion in eine 2D-Abbildung, was zu einer augenscheinlich vergrößerten Überlagerung der Datenwolken führt. Während die Abbildungen gut geeignet sind, um Prinzipien und Trends darzustellen, soll die Leistungsfähigkeit von KI-Methoden anhand geeigneter Leistungsindikatoren, wie beispielsweise dem Matthews-Korrelationskoeffizienten, beschrieben werden. Dieser liegt für die Modelle zur Länderprüfung aktuell zwischen 0,75 und 0,87.
Abb. 3: NMR-basierte Klassifizierungen von Olivenöl und anderen Pflanzenölen mittels PCA-LDA Methode (Panel A). Jeder Punkt in der Abbildung entspricht dem NMR-Fingerprint einer Speiseölprobe. Von insgesamt 1146 Proben wurden in Monte-Carlo-Kreuzvalidierungstests 99,3 % der Stichproben richtig zugeordnet. Ellipsen stellen das multivariate 95 % Vertrauensintervall (Hoteling-T2) für das jeweilige Klassifikationsmodel dar. In Panel B ist zu sehen, dass die nicht-Olivenöle eindeutig weiter differenziert werden können – hier sind es insgesamt 11 weitere Ölsorten. Auch wenn es so aussieht, als ob die Punktwolken überlagern: dies ist nur eine Einschränkung der Darstellung hochdimensionaler Daten in einer zwei- oder dreidimensionalen Grafik dar. Panel C zeigt, dass die NMR-Fingerprints für die Plausibilitätsprüfung der Herkunftsangabe von Olivenölen verwendete werden können. Hierfür wird ebenfalls ein hochdimensionaler Raum verwendet, dargestellt ist die Projektion in eine 2D-Abbildung, was zu einer augenscheinlich vergrößerten Überlagerung der Datenwolken führt. Während die Abbildungen gut geeignet sind, um Prinzipien und Trends darzustellen, soll die Leistungsfähigkeit von KI-Methoden anhand geeigneter Leistungsindikatoren, wie beispielsweise dem Matthews-Korrelationskoeffizienten, beschrieben werden. Dieser liegt für die Modelle zur Länderprüfung aktuell zwischen 0,75 und 0,87.
(Bild: Uni Bayreuth)

So auch die Angabe der geographischen Herkunft. Diese ist bisher für die drei Hauptproduzenten von Olivenöl, Griechenland, Italien und Spanien mit Genauigkeiten (accuracy) von etwa 85 Prozent bis über 90 Prozent möglich (s. Abb. 3). Dies mag niedrig erscheinen, hat aber mit der großen Variabilität der Öle und Beschränkungen im Messprotokoll zu tun. Deshalb soll hier nur von einer Plausibilitätsprüfung gesprochen werden, die für sich alleine aber nicht als Ablehnungskriterium genommen werden soll. Allerdings kann die Genauigkeit gesteigert werden, indem beispielsweise spezielle Fraktionen analysiert werden – dann aber um den Preis, dass eine zusätzliche Messung erforderlich ist. [8] Nichtsdestotrotz kann eine Abweichung bei der geographischen Herkunftsprüfung schon ein erster Hinweis auf eine Manipulation sein, dem insbesondere beim Vorhandensein anderer grenzwertiger Parameter nachgegangen werden sollte.

Schließlich ist es durch die Zusammenarbeit mit dem Deutschen Olivenölpanel (DOP) e.V. möglich geworden, auch eine Einschätzung der positiven sensorischen Eigenschaften (scharf, fruchtig, bitter) des Olivenöls zu erhalten. Unter bestimmten Umständen lassen sich mit KI-Methoden sogar sensorische Fehler erkennen. Dennoch sind sensorische Panels derzeit nicht durch NMR-Messungen ersetzbar, da nicht alle sensorischen Fehler mit der NMR erkannt werden können. Allerdings ergänzen sich beide Ansätze: Zumindest bei einer Erstbegutachtung einer Probe sollten beide durchgeführt werden. Ist dies einmal erfolgt kann der NMR-Fingerprint das Geschmacksprofil gut reproduzieren.

Supply-Blockchain und der QR-Code

Die Blockchain ist als sicheres Nachweisverfahren beim Austausch digitaler Daten bekannt. Wegen des künstlich hoch gehaltenen Rechen- und Energieaufwandes beim Schürfen von Kyptowährungen ist das Konzept der Blockchain in der öffentlichen Wahrnehmung aus ökologischer Sicht unter Druck geraten. Aber es gibt mittlerweile auch schlanke Verfahren, beispielsweise beim Austausch von Daten bei der Kommunikation zwischen autonomen Fahrzeugen, beispielsweise beim sogenannten Car-Platooning. Die Blockchain ist ein rein digitales Konzept und kann so nicht auf physische Objekte übertragen werden.

Abb. 4: Schema der analytischen Supply-Blockchain. Der Analytische Fingerprint bildet gemeinsam mit weiteren Lieferungs-spezifischen Daten (Chargen- und Container-ID, Menge, GPS-Daten, Temperatur im Container etc.) einen Datenblock, der über einen QR-Code mit der Lieferung verknüpft wird. Dieser Block kann an jeder Stelle der Lieferkette reproduziert werden und als weiteres Element der analytischen Supply-Blockchain hinzugefügt werden. Abweichungen, wie hier am Zielort im Fall des Fingerprints und auffälligen Temperaturabweichungen gezeigt, sind unmittelbare Hinweise auf Manipulationen. Die Datenblöcke der analytischen Supply-Blockchain und digitale Transaktionen können natürlich mit der klassischen Blockchain-Technologie abgesichert werden.
Abb. 4: Schema der analytischen Supply-Blockchain. Der Analytische Fingerprint bildet gemeinsam mit weiteren Lieferungs-spezifischen Daten (Chargen- und Container-ID, Menge, GPS-Daten, Temperatur im Container etc.) einen Datenblock, der über einen QR-Code mit der Lieferung verknüpft wird. Dieser Block kann an jeder Stelle der Lieferkette reproduziert werden und als weiteres Element der analytischen Supply-Blockchain hinzugefügt werden. Abweichungen, wie hier am Zielort im Fall des Fingerprints und auffälligen Temperaturabweichungen gezeigt, sind unmittelbare Hinweise auf Manipulationen. Die Datenblöcke der analytischen Supply-Blockchain und digitale Transaktionen können natürlich mit der klassischen Blockchain-Technologie abgesichert werden.
(Bild: Uni Bayreuth)

Allerdings können die oben beschriebenen spektralen Fingerabdrücke mit der untersuchten Probe beispielsweise über einen QR-Code verknüpft werden. Dieser Code wird für eine Probe und die zugehörige Lieferung (Container, Tank o. ä.) vergeben und auf einer sicheren Plattform hinterlegt, über welche die entsprechenden Daten abrufbar sind. Die Probe, beispielsweise ein Warenmuster, ist i. d. R. eindeutig über eine Chargen- oder Produktionsnummer mit dem Produktlot verknüpft. Kombiniert man nun die analytischen Daten, also den spektralen Fingerabdruck ebenso wie die quantitativen Analysenergebnisse, mit weiteren für die Lieferung charakteristischen Kenngrößen, beispielsweise der Liefermenge, eine Containernummer und ggf. GPS-, Temperatur-, Feuchte- und/oder anderen Sensordaten, kann eine Lieferung entlang der Lieferkette sehr engmaschig verfolgt werden. Beim Öffnen der Lieferung am Bestimmungsort oder einer Zwischenstation kann der Fingerabdruck wiederholt bestimmt werden und gemeinsam mit den übrigen Daten der Lieferung als neuer Block der analytischen Supply-Blockchain abgeglichen werden (s. Abb. 4). Idealerweise gibt es keine Abweichungen was auf eine identische Qualität von Warenmustern und Lieferung hinweist. Abweichungen im NMR-Fingerprint können hingegen sofort näher analysiert werden. Oft finden sich in der quantitativen Auswertung oder bei der KI-Auswertung bereits genaue Hinweise, wie manipuliert wurde. Zusätzlich können die Daten Verdachtsmomente zu auffälligen Aufenthalten und/oder Temperaturänderungen in der Ladung konkretisieren. Auch Mischungen von Ölen lassen sich so nachverfolgen, wenn der Prozess für die Rohwaren wie auch für die fertig gemischten Produkte durchgeführt wird.

Mit dem vorgestellten Ansatz lässt sich beispielsweise auch der stufenweise Abruf von Teillieferungen beispielsweise aus einem gekauftem Tank prüfen. Dabei ist aber zu berücksichtigen, dass Öle – auch Olivenöl – altern und während der Lagerung ihre Zusammensetzung verändern. Parameter wie Lagertemperatur und ggf. der Einsatz einer Schutzgasatmosphäre sind hierbei förderlich für die Ölqualität. Es empfiehlt sich in diesem Fall eine Rückstellprobe unter identischen Bedingungen zu lagern und bei jedem Teilabruf die Fingerprints von Rückstellprobe und Lieferung zu vergleichen. So lassen sich beispielsweise eine Auffüllung des Tanks mit Ölen anderer als der vereinbarten Qualität oder unerwartete Lagerschäden nachweisen.

Unbegrenzte Sicherheit?

Natürlich gibt es – wie bei jedem Ansatz – auch Schwächen und Grenzen. Ein Nachteil ist, dass die Messungen in Laboren durchgeführt werden müssen, mobile Geräte erreichen nicht die erforderliche Auflösung und Sensitivität laborbasierter NMR-Geräte. Bei Echtheitsprüfungen gibt es leider nicht immer nur schwarz-weiß-Ergebnisse, also verfälscht oder authentisch. Oft liegen Ergebnisse vor, die in der Grauzone liegen und mit einer Bewertung „untypisch“ versehen sind. Diese sind zugegebenermaßen schwierig zu behandeln und erfordern eine vertiefte Betrachtung des Problems, das über Screening-Methoden hinausgeht und Expertenwissen erfordert. Eine solche Bewertung kann unter Umständen daran liegen, dass eine sehr seltene authentische Probe vorliegt (z. B. seltene Sorte, seltenes Mikroklima, Klimasonderlage etc.), die in den Fingerprint- und KI-Modellen nicht mit ausreichender statistischer Sicherheit hinterlegt ist. Es liegt in der Natur statistischer Ansätze, dass seltene Ereignisse dieser Art sehr schwer, oft nur durch jahrelanges, gezieltes Sammeln von Referenzmaterialien abgebildet werden können. Andererseits liegt es auch in der Natur betrügerischer Handlungen – wie dem Lebensmittelbetrug, dass Fälschungen so gut wie möglich verborgen werden. „Untypisch“ kann also verschiedene Ursachen haben und ist genau zu hinterfragen. Allerdings zeigen Erfahrungen mit anderen Lebensmitteln, dass die Mehrzahl der Proben einfacher beurteilt werden kann.

Sicherlich kann auch der NMR-basierte Ansatz der Olivenöl-Supply-Blockchain noch verbessert werden, u. a. durch vertiefte Studien zur Alterung und Desodorierung von Olivenöl. Ebenso kann im Anlassfall die Richtigkeit und Präzision von KI-basierten Analysemodellen zum Herkunfts- und Reinheitsnachweis durch Kombination mit anderen analytischen Technologien verbessert werden. Besonders die Multi-Isotopenverhältnis-Massenspektrometrie und die Infrarot-Spektroskopie haben sich in der Vergangenheit diesbezüglich als zielführend erwiesen. [9,10] Dadurch steigt aber auch der Aufwand für jede einzelne Probe. Es ist aber davon auszugehen, dass bereits der konsequente Einsatz der analytischen Olivenöl-Supply-Blockchain als eine effiziente und effektive Kombination aus messtechnischen und organisatorischen Maßnahmen zu einer spürbaren Verringerung von Olivenölbetrug führt. Letztendlich ist das Konzept hervorragend geeignet um die Rückverfolgbarkeit des Öls vom Regal bis zum Olivenbaum auch dem Konsumenten gegenüber glaubhaft darzustellen – und damit einen wichtigen Beitrag zur Rückgewinnung von Konsumentenvertrauen zu leisten.

Literatur:

[1] Schwarzinger, S. (2022) Battling food fraud by using untargeted analytics. J. Consum. Prot. Food Saf., https://doi.org/10.1007/s.00003-022-01395-9

[2] https://ec.europa.eu/eurostat/de/web/products-eurostat-news/-/ddn-20200522-2. Abgerufen am 18.07.2022.

[3] Schwarzinger S, Brauer F., Rösch P, Dübecke A., Lüllmann C., Beckh G. Schütz B., Kämpf B. (2016) Authentische Lebensmittel – warum ein Parameter nicht genügt. Q&more 1.2016, 36-43. https://q-more.chemie.de/q-more-artikel/234/authentische-lebensmittel.html

[4] Blockchain: https://de.wikipedia.org/wiki/Blockchain. Abgerufen am 31.08.2022.

[5] Spraul M., Schütz B., Rinke P., Koswig S., Humpfer E., Schäfer H., Mörtler M., Fang F., Marx U.C., Minoja A. (2009) Nutrients 1, 148–155. https://doi.org/10.3390/nu1020148

[6] Godelmann R., Fang F., Humpfer E., Schütz B., Bansbach M., Schäfer H., Spraul M. (2013) J. Agric. Food Chem. 61, 5610–5619. https://doi.org/10.1021/jf400800d

[7] Bharti S.K., RoyR. (2012), Quantitative1H NMR spectroscopy, Trends Anal. Chem. 35, 5–26.

[8] Winkelmann O., Küchler T. (2019) Reliable Classification of Olive Oil Origin Based on Minor Component Profile Using 1H-NMR and Multivariate Analysis. Eur. J. Lip. Sci. Techn. 121(12), 1900027. https://doi.org/10.1002/ejlt.201900027

[9] Bindereif S., Rüll F., Kolb P., Köberle L., Willms H., Steidele S., Schwarzinger S., Gebauer G. (2021): Impact of Global Climate Change on the European Barley Market Requires Novel Multi-Method Approaches to Preserve Crop Quality and Authenticity. Foods 10(7):1592. DOI 10.3390/foods10071792

[10] Bindereif S.G., Brauer F., Schubert J.M., Schwarzinger S., Gebauer G. (2019): Complementary use of 1H NMR and multi-element IRMS in association with chemometrics enables effective origin analysis of cocoa beans (Theobroma cacao L.). Food Chem. 299: 125105.

* Stephan Schwarzinger,1, Peter Kolb1, Anne Zeitler1, Hanna Gebhard1, Felix Brauer1,2, Felix Rüll1,2, Stefan Bindereif1,2, Bernd Kämpf2

* 1Nordbayerisches NMR-Zentrum (NBNC), Arbeitsgruppe „Qualität und Echtheit von Lebensmitteln und Materialien“, Universität Bayreuth

* 2 FoodQS GmbH, Bayreuth

(ID:48556413)