利用太赫茲光譜技術(shù)構(gòu)建番茄水分脅迫狀態(tài)檢測模型

張曉東，段朝暉，毛罕平，高洪燕，石 強，王亞飛，沈?qū)殗?，?馨

·農(nóng)業(yè)信息與電氣技術(shù)·

利用太赫茲光譜技術(shù)構(gòu)建番茄水分脅迫狀態(tài)檢測模型

張曉東1,2，段朝暉1,2，毛罕平1,2※，高洪燕1,2，石 強1,2，王亞飛1,2，沈?qū)殗?，張 馨4

（1. 江蘇大學(xué)農(nóng)業(yè)工程學(xué)院，鎮(zhèn)江 212013；2. 江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點實驗室，鎮(zhèn)江 212013；3. 江蘇航空職業(yè)技術(shù)學(xué)院，鎮(zhèn)江 212134；4.北京農(nóng)業(yè)智能裝備技術(shù)研究中心，北京 100097）

快速檢測番茄水分脅迫狀態(tài)，對于科學(xué)有效地進行番茄的水肥管理，保障和提高番茄的產(chǎn)量和品質(zhì)具有重要意義。該研究利用太赫茲光譜對水分極為敏感的特性，提出了基于太赫茲光譜技術(shù)的番茄水分脅迫狀態(tài)的快速檢測方法。試驗利用太赫茲光譜系統(tǒng)獲取不同水分脅迫番茄葉片的功率譜、吸光度及透射率頻譜數(shù)據(jù)。采用（Savitzky-Golay, SG）算法對數(shù)據(jù)進行降噪，利用穩(wěn)定性競爭自適應(yīng)重加權(quán)（Stability Competitive Adaptive Reweighted Sampling, SCARS）算法進行了多維特征頻段的提取；在此基礎(chǔ)上，建立了葉片含水率功率譜、吸光度及透射率等單一維度下的多元線性回歸（Multiple Linear Regression, MLR）模型。結(jié)果表明，太赫茲功率譜和吸光度與葉片含水率之間呈負相關(guān)；而透射率則隨水分脅迫程度的提高逐漸升高，呈正相關(guān)。為了進一步提高模型的精度，使用支持向量機（Support Vector Machines, SVM）在融合3種維度太赫茲特征的基礎(chǔ)上，建立了番茄含水率的融合預(yù)測模型，結(jié)果表明，預(yù)測集2達到0.951 4，RMSE為0.366 8，均高于單一維度檢測模型，實現(xiàn)了番茄水分的快速檢測。

水分；光譜；番茄葉片；太赫茲光譜；水分脅迫；特征提取；融合模型

0 引 言

番茄在中國各地種植廣泛，是主要的設(shè)施作物之一，2017年中國的設(shè)施番茄種植面積超過13萬hm2[1-2]，年產(chǎn)值占世界總產(chǎn)量的近1/3。番茄生育期較長，需水量大，對水分極為敏感，且不同生長階段對水分的需求差異較大。水分不足會抑制作物對養(yǎng)分的吸收，導(dǎo)致作物品質(zhì)降低和產(chǎn)量減少[3]。因此，快速、準(zhǔn)確、無損地檢測番茄水分脅迫狀態(tài)，對于科學(xué)有效地進行番茄的水肥管理，提高番茄的產(chǎn)量和品質(zhì)具有重要意義。

目前，國內(nèi)外相關(guān)學(xué)者已對作物水分脅迫的無損檢測進行大量研究。如Rodriguez等[4]測試了幾個多光譜指數(shù)對不同水分脅迫下生長的小麥冠層營養(yǎng)的估計能力，推導(dǎo)出了與這些因素密切相關(guān)的冠層反射指數(shù)，該方法雖能對植株的水分狀態(tài)進行診斷，但尚未形成定量的水分檢測方法?；什胚M等[5]采用近紅外光譜，基礎(chǔ)LOCAL算法進行秸稈水分的無損檢測，建立了近紅外秸稈水分預(yù)測模型，但受自然光強變化等環(huán)境因素影響較大，檢測精度仍有待進一步提高。張智韜等[6]利用無人機搭載熱紅外傳感器對棉田進行溫度探測，結(jié)果表明，棉花冠層溫度特征與棉花水分具有相關(guān)性，但無人機易受地面蒸發(fā)、環(huán)境熱交換和氣流等因素影響，模型的穩(wěn)定性和準(zhǔn)確性不高。田喜等[7]采用近紅外高光譜成像技術(shù)提取玉米籽粒胚結(jié)構(gòu)圖像，建立了玉米籽粒水分含量預(yù)測模型，但樣本處理和分析過程較為復(fù)雜，不利于水分的快速檢測。現(xiàn)有研究表明，雖然近紅外高光譜和熱紅外等方法進行水分脅迫檢測具有較好的相關(guān)性[8]，但由于采用的是熱輻射探測的檢測方式，受環(huán)境變化的干擾較大，往往不能全面地描述水分脅迫條件下葉片的物理特征與內(nèi)部組織生理生化特性的變化，導(dǎo)致測量精度受到一定的影響。

太赫茲（Terahertz，THz）波指的是頻率在0.1～10 THz之間，位置介于微波和紅外輻射之間的電磁波[9-10]。在太赫茲輻射下，水等極性分子在皮秒量級內(nèi)發(fā)生氫鍵的斷裂和形成，導(dǎo)致對太赫茲波的強烈吸收[11-12]，可針對這一特性將太赫茲技術(shù)用于作物的水分狀態(tài)的檢測。

目前已有學(xué)者將太赫茲光譜技術(shù)應(yīng)用于水分無損檢測的研究中。如劉歡等[13]利用餅干中蛋白質(zhì)、氨基酸等物質(zhì)對太赫茲光譜吸收遠小于水分這一特點，分別對太赫茲光譜數(shù)據(jù)的頻域、折射率和吸收系數(shù)進行模型分析，得到的吸收系數(shù)模型效果最佳，優(yōu)于其他譜圖的建模效果。Breitenstein等[14]以咖啡幼苗葉片為樣本，利用太赫茲光譜和經(jīng)典的破壞性熱重測量方法，檢測了咖啡葉片干旱脅迫以及快速復(fù)澆過程中含水率的變化。Gente等[15-16]以大麥葉作樣本，通過太赫茲光譜數(shù)據(jù)中的透射和吸收系數(shù)，建立了與葉片真實含水量具有較好一致性的預(yù)測模型。龍園等[17]使用太赫茲光譜儀以逐點掃描的方式對離體綠蘿葉片進行光譜數(shù)據(jù)的獲取，并在圖像重構(gòu)下觀察不同水分含量的差異，根據(jù)葉片太赫茲圖像的時域、頻域均值及含水量實測值建立了回歸預(yù)測模型。趙旭婷等[18]通過模擬干旱脅迫，使用太赫茲光譜技術(shù)對大豆冠層含水量進行研究，采用回歸分析法建立了葉片含水率的相關(guān)模型，為大豆冠層含水量信息快速獲取提供了方案。以上文獻雖然已證明了利用太赫茲等光譜技術(shù)檢測作物水分的可行性，但預(yù)測精度有待進一步提高。

因此，本研究以番茄為研究對象，利用太赫茲光譜技術(shù)構(gòu)建番茄水分脅迫狀態(tài)檢測模型。首先，培養(yǎng)不同梯度的番茄水分脅迫樣本，設(shè)計不同梯度的水分脅迫實驗；然后，采用太赫茲光譜技術(shù)，通過獲取番茄葉片的功率譜、吸光度及透射率等太赫茲時域光譜數(shù)據(jù)，開展對番茄水分脅迫的檢測研究；最后，建立高精度的番茄葉片含水率預(yù)測模型。

1 試驗材料與方法

1.1 試驗原理

試驗以番茄為研究對象，通過設(shè)置不同的水分脅迫梯度得到試驗樣本，利用太赫茲時域光譜測量系統(tǒng)，采集不同水分脅迫水平下樣本的功率譜，吸光度和透射率多維的時域光譜信息。并通過算法優(yōu)選，去除干擾、冗余與特征提取。最后基于提取的不同水分脅迫的太赫茲多維特征數(shù)據(jù)，分別進行了單一維度以及多維度融合的番茄水分脅迫的建模分析，試驗具體流程如圖1所示。

1.2 樣本培育

試驗在江蘇大學(xué)Venlo型溫室進行，番茄品種為“合作906”。育苗時選取籽粒飽滿，大小均一的種子，采用30 cm×60 cm長方形黑色塑料穴盤，培育基質(zhì)為草炭，珍珠巖和蛭石，將種子置于涼水中浸泡30 min后將水瀝凈，并將種子播種到育苗盤中，出芽后，移栽至直徑為20.9 cm，高為32 cm的花盆中，采用以珍珠巖為基質(zhì)的營養(yǎng)液無土盆栽的方式培育。

為除去干擾，使用山崎營養(yǎng)液配方為樣本提供相同的營養(yǎng)環(huán)境，采用人工換氣通風(fēng)等手段，保證溫室里溫濕度在適宜范圍。按照標(biāo)準(zhǔn)灌溉量的20%、40%、60%和80%設(shè)置4個水分脅迫梯度，每個梯度培育10盆番茄樣本，從定植5 d開始，采用定量滴灌的方式定時灌溉。

1.3 儀器設(shè)備

本研究采用日本愛德萬公司生產(chǎn)的Advantest- TS7400型太赫茲時域光譜測量系統(tǒng)進行樣本太赫茲信息的采集，該系統(tǒng)專為農(nóng)業(yè)生物信息探測定制，具有衰減全反射（Attenuated Total Refraction，ATR）模塊，能夠?qū)瘦^高的生物組織和活體樣本進行探測，圖2為太赫茲時域光譜測量系統(tǒng)的結(jié)構(gòu)和工作原理。測量系統(tǒng)工作時，激光器光源發(fā)射激光脈沖，在分束器的作用下分為兩束互相垂直的激光，一束為較強的泵浦光，另一束較弱的為探測光，泵浦光經(jīng)過太赫茲發(fā)射器和反射鏡穿過被測樣本，隨后與經(jīng)過多次反射的探測光共線經(jīng)過探測晶體傳輸?shù)教掌澨綔y器上，檢測器把兩束激光的差值傳給A/D模塊，通過數(shù)據(jù)處理比較其差異性，得出樣本的時域太赫茲光譜及其分布信息。

與傳統(tǒng)的太赫茲設(shè)備相比，該設(shè)備不僅精度較高，且可檢測樣本的尺度由最大3 cm2擴展為225 cm2，能較好的滿足作物樣本的測量需求。Advantest-TS7400太赫茲時域光譜測量系統(tǒng)測量頻率范圍為0～4 THz，分辨率小于等于5 GHz，采樣間隔為0.003 8 THz，最大樣本區(qū)域為150 mm×150 mm。番茄葉片樣本的質(zhì)量采用高精度分析天平稱取，精度為0.1 mg。

1.4 數(shù)據(jù)采集及處理

1.4.1 數(shù)據(jù)采集

從番茄水分脅迫處理后65 d進行樣本采集，采集葉片時選取最能體現(xiàn)生長狀態(tài)的番茄倒6葉羽狀復(fù)葉，采集后立即放入保鮮密封袋，并置于便攜冷藏保溫箱內(nèi)，防止蒸發(fā)和外界環(huán)境對其影響。每個水分脅迫梯度均挑選20個葉片樣本，4個梯度共采集80個樣本。

在實驗室環(huán)境中稱取葉片樣本的鮮質(zhì)量，然后將其放置于太赫茲時域光譜測量系統(tǒng)中進行樣本掃描獲取功率譜、吸光度、透射率、折射率等光譜信息。為排除空氣中水汽對太赫茲光譜的干擾，要求事先打開抽濕機，將樣本檢測箱內(nèi)的相對濕度降至5%以下。每個樣本掃描10個采樣點的光譜信息，取平均值作為樣本所采集的數(shù)據(jù)。掃描完成后，將葉片置入70 ℃恒溫箱中烘干24 h以上，待樣本質(zhì)量無變化時，稱取葉片的干質(zhì)量。通常，表征葉片含水率的方法有濕基含水率和干基含水率，由于葉片的鮮質(zhì)量遠大于干質(zhì)量，如果采用濕基含水率，則樣本間的含水率無明顯差異，因此本文采用干基含水率來表征葉片間的水分含量。

計算番茄葉片干基含水率的公式如下：

式中為樣本的干基含水率；1為樣本的葉片鮮質(zhì)量，g；2為樣本的葉片干質(zhì)量，g。

1.4.2 數(shù)據(jù)平滑

SG平滑算法是數(shù)據(jù)預(yù)處理中較為常用的算法之一，過程簡單處理快速且方便使用[19-20]。其原理是先取一段寬度為奇數(shù)點數(shù)的窗口，通過窗口的平移，同時使用最小二乘法進行擬合，然后用窗口中點的擬合值來替換原始數(shù)值，以達到平滑數(shù)據(jù)的效果，本研究采用SG平滑算法對數(shù)據(jù)進行預(yù)處理，采用窗口寬度為7點/次，選取功率譜數(shù)據(jù)為例，太赫茲功率譜平滑處理前后效果對比如圖3所示。結(jié)果顯示該算法能有效降低干擾信號，提高建模效率和模型精度。

1.4.3 數(shù)據(jù)集劃分

為獲取更好的建模效果，采用基于聯(lián)合距離的樣本集劃分（Sample set Partitioning based on joint X-Y distance，SPXY）算法對數(shù)據(jù)進行校正集和預(yù)測集的劃分[21-22]，在劃分時把所有的樣本都看作訓(xùn)練集候選樣本，依次從中挑選樣本進訓(xùn)練集。首先需要得出考慮光譜值變量在內(nèi)的樣本間歐式距離，如公式（2）所示：

式中x和x表示2個不同的樣本，表示樣本的光譜波點數(shù)量,與為歐幾里得空間中選取的樣本點。SPXY融合了雙變量進行計算，可得光譜值變量與含水率變量同時考慮在內(nèi)的樣本間歐式距離，如公式（3）所示：

式中為樣本數(shù)，d(,)為將含水率考慮在內(nèi)的樣本間歐式距離，利用雙變量同時計算樣本間距離以保證最大程度表征樣本分布，有效地覆蓋多維向量空間，增加樣本間的差異性和代表性，提高模型的穩(wěn)定性，最終采用該方法篩選校正集和預(yù)測集，其劃分比例為3:1，即校正集60個樣本，預(yù)測集20個樣本。

1.4.4 特征頻段提取

為簡化模型，提高運算效率，同時保證模型的精度，采用SCARS算法對特征頻段進行提取[23]。SCARS算法以變量穩(wěn)定性的大小作為衡量指標(biāo)，將這些變量按照它們的穩(wěn)定性從大到小進行排列，之后采用強制刪除法按照一定比例除掉一些變量，比例按照公式（4）得出：

式中為迭代數(shù)（=1 to），由下式（5）計算：

式中1是原光譜的變量數(shù)，由公式（6）定義：

在強制刪除結(jié)束之后，通過自適應(yīng)重加權(quán)采樣（Adaptative Reweighted Sampling，ARS）技術(shù)和指數(shù)衰減函數(shù)（Exponentially Decreasing Function，EDF）選擇出偏最小二乘法（Partial Least Squares，PLS）模型中回歸系數(shù)穩(wěn)定值較大的頻段點，去掉權(quán)重小的頻段點，利用交互驗證選出交叉驗證誤差均方根（RMSECV）最低的子集，可有效尋找最優(yōu)變量組合[24]。

1.4.5 多維特征融合建模

為了進一步提高預(yù)測模型的準(zhǔn)確性和穩(wěn)定性，將多維太赫茲光譜特征進行融合，基于提取的功率譜、吸光度和透射率太赫茲特征頻段，進行多維特征融合建模。

由于光譜的功率譜、吸光度和透射率數(shù)據(jù)的量綱不同，且數(shù)據(jù)跨度范圍差異較大的特點，將對數(shù)據(jù)進行歸一化（Normalization）處理，消除各數(shù)據(jù)之間的量綱影響，使各數(shù)據(jù)指標(biāo)之間具有可比性，有利于特征融合的進行。歸一化公式如公式（7）所示：

式中norm為歸一化后的數(shù)據(jù)；為原始數(shù)據(jù)；max、min分別為原始數(shù)據(jù)集的最大值和最小值。

然后采用主成分分析算法從大量數(shù)據(jù)變量中選出少量能代替原有數(shù)據(jù)大部分信息的變量以進行處理的一種多元統(tǒng)計分析方法[25]?；貧w模型使用Matlab中的LibSVM軟件包來建立，在眾多的核函數(shù)中，徑向基核函數(shù)（Radial Basis Function，RBF）有較小的運算復(fù)雜度，是合理的第一選擇[26]。所以模型采用RBF核函數(shù)，模型的主要參數(shù)是核函數(shù)中Gamma函數(shù)的參數(shù)、錯誤懲罰因子和損失函數(shù)，參數(shù)設(shè)定可根據(jù)輸出的結(jié)果和曲線變化的規(guī)律而進行調(diào)整，直到預(yù)測精度滿足要求。

2 結(jié)果與分析

利用太赫茲時域系統(tǒng)采集了樣本的功率譜、吸光度及透射率數(shù)據(jù)。測量頻率為0～4 THz，該范圍內(nèi)所得到的數(shù)據(jù)量較大，且在0～0.5 THz與1.5～4 THz的頻率范圍內(nèi)樣本數(shù)據(jù)和背景數(shù)據(jù)幾乎沒有差別，不能反應(yīng)樣本特征，為了提高效率，去除冗余，將所研究的有效頻域區(qū)間定在0.5～1.5 THz。

2.1 太赫茲時域光譜分析

太赫茲功率譜定義為單位頻帶內(nèi)的信號功率，它表示了信號功率隨著頻率的變化情況，即信號功率在頻域的分布狀況。太赫茲吸光度用來表達物質(zhì)對光的吸收程度，葉片樣本含水率的不同會導(dǎo)致樣本的吸光度有所區(qū)別。太赫茲透射率用來表達樣本的透光性質(zhì)，當(dāng)太赫茲波照射樣本時，水分子間發(fā)生多種相互作用，導(dǎo)致不同水分梯度的樣本在透射率上會有明顯差異。圖4為不同水分梯度的樣本對3類太赫茲光譜的影響。

由圖4a可看出隨著水分梯度的下降，功率譜平均值的光譜曲線也呈現(xiàn)同梯度下降的趨勢，不同水分脅迫樣本的功率譜具有明顯的梯度層次，且全部高于背景數(shù)據(jù)。由圖4b可知，樣本水分脅迫程度越高，光譜的吸光度也越低，且隨著頻率的增加上升趨勢明顯，不同水分脅迫水平之間存在明顯的梯度差異。由圖4c可知，透射率隨著頻率的增加而減小。樣本水分脅迫程度越高，其透射率越高；反之，則透射率越低。

2.2 單一維度模型建立

2.2.1 樣本校正集和預(yù)測集的劃分

如前所述，本研究采用SPXY算法對樣本進行劃分，該方法能夠確保樣本分離程度最大，將自變量和因變量（光譜數(shù)值和目標(biāo)值）同時考慮在內(nèi)，從而提高光譜模型的穩(wěn)定性。

表1為SPXY算法劃分后功率譜、吸光度和透射率的建模結(jié)果。由表1可知，功率譜的校正集模型相較于吸光度和透射率的校正集模型相關(guān)性更高、均方根誤差更低，有更高的模型質(zhì)量。

表1 SPXY算法樣本劃分后結(jié)果

2.2.2 含水率特征頻段提取

如前所述，本研究主要采用穩(wěn)定性競爭自適應(yīng)加權(quán)（Stability Competitive Adaptive Reweighted Sampling, SCARS）算法進行特征頻段的提取。特征提取是太赫茲時域光譜模型建立的關(guān)鍵環(huán)節(jié)。通常全太赫茲頻段會包含許多與目標(biāo)值相關(guān)性小的變量，相近變量之間還會存在共線性關(guān)系。如果不消除相關(guān)性小的變量，用全頻段參與建模，模型會很復(fù)雜，且其中一些無關(guān)變量還會影響模型的精度。由蒙特卡羅交叉驗證法選擇最優(yōu)潛在頻段變量，每次循環(huán)都能得到一個RMSECV值，由于采樣次數(shù)較多，若要得到較優(yōu)的特征頻段組合，需經(jīng)過多次反復(fù)試驗進行比較，選出RMSECV最小對應(yīng)的子集組合。其中設(shè)置循環(huán)采樣次數(shù)為50時，運行結(jié)果趨于穩(wěn)定。以功率譜數(shù)據(jù)為例，算法運行結(jié)果如圖5所示。

由圖5可知，當(dāng)運行至27次時，功率譜的交互驗證模型的RMSECV值最小值為0.213 6，隨后誤差逐漸升高，表明算法在運行時會開始剔除對算法精度影響較大的特征變量。因此選取第27次運行獲取的特征變量子集作為為最優(yōu)變量子集，共選出9個與含水率顯著相關(guān)的太赫茲特征頻段。吸光度和透射率特征頻段提取的過程與之相似，提取結(jié)果如表2所示。

由表2可知，提取出的特征頻段主要集中在0.54、0.59、1.28、1.34和1.45 THz附近，與太赫茲含水率曲線的波峰或波谷處有一定的相關(guān)性。

表2 SCARS算法提取特征頻段結(jié)果

2.2.3 單一維度模型分析

太赫茲特征頻段提取完成后，將3種光學(xué)特征優(yōu)選出的特征頻段與對應(yīng)樣本含水率建立的多元線性回歸模型如式（8）、（9）、（10）所示：

式中模型的基本結(jié)構(gòu)為y=11+22+…+kk+，其中k為自變量，y為因變量，是誤差項。功率譜、吸光度和透射率三者的模型結(jié)果與散點圖分別如表3和圖6所示。

表3 單一維度太赫茲光譜參數(shù)的建模結(jié)果

由圖6a可知，從功率譜的維度建立模型，所得到的模型校正集和預(yù)測集相關(guān)性最高，決定系數(shù)分別達到了0.905 5和0.900 7，校正集和預(yù)測集均方根誤差分別為0.495 4和0.482 5。從圖6可知，從吸光度維度得到的校正集相關(guān)性最低，決定系數(shù)僅為0.859 3，均方根誤差為0.602 5。綜合分析，從單一維度建立的模型，校正集和預(yù)測集得到的結(jié)果并不理想，模型準(zhǔn)確性和穩(wěn)定性較低，有待進一步提高。

2.3 多維特征融合建模

為了進一步提高預(yù)測模型的準(zhǔn)確性和穩(wěn)定性，基于前述提取的功率譜、吸光度和透射率太赫茲特征頻段提取完成的基礎(chǔ)上，將多維太赫茲光譜特征進行歸一化處理，從這3種不同維度上進行特征融合建模，提高預(yù)測精度。

2.3.1 主成分分析

經(jīng)過功率譜、吸光度和透射率的不同維度光譜特征融合后，得到的特征波段數(shù)大大增加，數(shù)據(jù)維數(shù)提升，給模型的建立帶來不便。為了提高數(shù)據(jù)分析和處理的能力，采用主成分分析（Principal Component Analysis, PCA）算法對特征融合后的數(shù)據(jù)進行降維處理。通過主成分分析進行數(shù)據(jù)降維得到前8個主成分的貢獻率和累計貢獻率如表4所示。

表4 主成分貢獻率

由表4可知，當(dāng)主成分個數(shù)為7時，累計貢獻率達0.951 9，超過了95%，可保留融合特征的大部分有效信息，所以將原特征變量從22維降至7維，可降低模型的復(fù)雜度。

2.3.2 支持向量機模型的建立

融合后的樣本數(shù)據(jù)較為復(fù)雜，數(shù)據(jù)內(nèi)部的相關(guān)性較弱，自變量與應(yīng)變量之間的線性關(guān)系較差，需要樣本學(xué)習(xí)能力強、模型泛化性能好、能夠處理高維數(shù)據(jù)建模方法。因此，將降維后的融合特征變量通過支持向量機（Support Vector Machines，SVM）的方法來進行回歸建模。

本文采用交叉驗證的方法選擇最佳參數(shù)，當(dāng)參數(shù)、懲罰因子和損失函數(shù)分別為8.65、2.41和0.01時，校正集相關(guān)性最好，融合建模的結(jié)果如圖7所示。

由圖7可知，通過SVM建立的模型，校正集2和預(yù)測集2分別為0.953 1和0.951 4，高于單一維度模型最高的0.951 6和0.949 1；校正集和預(yù)測集均方根誤差分別為0.347 8和0.366 8，低于所有單一維度模型故通過支持向量機從不同維度融合建模的結(jié)果優(yōu)于單一維度建模結(jié)果。

3 結(jié) 論

通過培養(yǎng)不同水分脅迫梯度的番茄樣本，利用TS7400太赫茲時域光譜測量系統(tǒng)進行番茄葉片含水率檢測試驗。分別研究了太赫茲光譜在功率譜、吸光度和透射率維度下的番茄葉片不同含水率的變化關(guān)系并分別建立模型，后通過支持向量機將3種維度下的特征頻段融合建立番茄葉片含水率預(yù)測融合模型。主要研究結(jié)論包括：

在0.5～1.5 THz的頻率范圍內(nèi)，葉片含水率水平和吸光度呈正相關(guān)，與透射率和頻率均呈負相關(guān)。在同一頻率下隨著水分梯度的下降，功率譜和吸光度數(shù)值降低，透射率數(shù)值升高；

通過功率譜、吸光度和透射率3種維度分別建立番茄葉片含水率檢測模型并進行對比分析，結(jié)果表明基于功率譜頻域特征建立的模型效果最佳，預(yù)測集決定系數(shù)為0.900 7，預(yù)測集均方根誤差為0.482 5；

利用吸光度、透射率和功率譜多維太赫茲信息融合建立的番茄葉片含水率檢測模型相較于單一信息模型精度有所提升，融合模型的預(yù)測集決定系數(shù)達0.951 4，均方根誤差達到0.366 8，有較好的檢測效果。

研究結(jié)果表明可將太赫茲時域光譜技術(shù)應(yīng)運用于番茄葉片的含水率的檢測，為作物水分脅迫檢測提供了一種方法。

[1] Zhang C, Li X Y, Yan H F, et al. Effects of irrigation quantity and biochar on soil physical properties, growth characteristics, yield and quality of greenhouse tomato[J]. Agricultural Water Management, 2020, 241(10): 62-66.

[2] Wang Y F, Ma G X, Du X X, et al.Effects of nutrient solution irrigation quantity and downy mildew infection on growth and physiological traits of greenhouse cucumber[J].Agronomy Volume, 2020, 10(12): 1921-1921.

[3] 李歡歡，劉浩，龐婕，等. 水氮互作對盆栽番茄生長發(fā)育和養(yǎng)分累積的影響[J]. 農(nóng)業(yè)機械學(xué)報，2019，50(9)：272-279.

Li Huanhuan, Liu Hao, Pang Jie, et al.Effects of water and nitrogen interaction on growth and nutrient accumulation of potted tomatoes[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9): 272-279.(in Chinese with English abstract)

[4] Rodriguez D, Fitzgerald G, Christensen L, et al. Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments[J]. Precision Agric, 2006, 7(3): 233-248.

[5] 皇才進，韓魯佳，劉賢，等. 基于LOCAL算法的秸稈水分和熱值的近紅外光譜快速分析[J]. 紅外與毫米波學(xué)報，2009，28(3)：184-187.

Huang Caijin, Han Lujia, Liu Xian, et al. Rapid measurement for moisture and calorific value of straw based on near infrared spectroscopy and local algorithm[J]. Journal of Infrared and Millimeter Waves, 2009, 28(3): 184-187.(in Chinese with English abstract)

[6] 張智韜，邊江，韓文霆，等. 無人機熱紅外圖像計算冠層溫度特征數(shù)診斷棉花水分脅迫[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(15)：77-84.

Zhang Zhitao, Bian Jiang, Han Wenting, et al.Cotton moisture stress diagnosis based on canopy temperature characteristics calculated from UAV thermal infrared image[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 77-84.(in Chinese with English abstract)

[7] 田喜，黃文倩，李江波，等. 高光譜圖像信息檢測玉米籽粒胚水分含量[J]. 光譜學(xué)與光譜分析,2016,36(10)：3237-3242.

Tian Xi, Huang Wenqian, Li Jiangbo, et al. Measuring the moisture content in maize kernel based on hyperspectral image of embryo region[J]. Spectroscopy and Spectral Analysis, 2016, 36(10): 3237-3242.(in Chinese with English abstract)

[8] Grischkowsky D, Soren K, Martin E, et al. Far-infrared time-domain spectroscopy with terahertz beams of dielectrics and semiconductors[J]. Journal of Optical Society America B: Optical Physics, 1990, 7(10): 2006-2015.

[9] 羅娜，王冬，王世芳，等. 太赫茲技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測中的研究進展[J]. 光譜學(xué)與光譜分析，2019，39(2)：349-356.

Luo Na, Wang Dong, Wang Shifang, et al. Progress in terahertz technique for quality inspection of agro-food products[J].Spectroscopy and Spectral Analysis, 2019, 39(2): 349-356.(in Chinese with English abstract)

[10] Wang K Q, Sun D W, Pu H B. Emerging non-destructive terahertz spectroscopic imaging technique: Principle and applications in the agri-food industry[J]. Trends in Food Science & Technology, 2017, 67(5): 93-105.

[11] Starr F, Nielsen J K, Stanley H E. Hydrogen-bond dynamics for the extended simple point-charge model of water[J]. Physical review E, 2000, 62(1): 579-583.

[12] Hiroyuki Y D, Masaya N G, Koichiro T K. Origin of the fast relaxation component of water and heavy water revealed by terahertz time-domain attenuated total reflection spectroscopy[J]. Chemical Physics Letters, 2008, 464(4): 166-170.

[13] 劉歡，韓東海. 基于太赫茲時域光譜技術(shù)的餅干水分定量分析[J]. 食品安全質(zhì)量檢測學(xué)報，2014，5(3)：725-729.

Liu Huan, Han Donghai.Quantitative detection of moisture content of biscuits by terahertz time-domain spectroscopy[J]. Journal of Food Safety and Quality, 2014, 5(3): 725-729.(in Chinese with English abstract)

[14] Breitenstein B, Scheller M, Shakfa M K, et al. Introducing terahertz technology into plant biology: A novel method to monitor changes in leaf water status[J]. Journal of Applied Botany & Food Quality, 2012, 84(2): 158-161.

[15] Gente R, Born N. Determination of leaf water content from terahertz time-domain spectroscopic data[J]. Journal of Infrared Millimeter & Terahertz Waves, 2013, 34(3/4): 316-323.

[16] Gente R, Rehn A, Koch M. Contactless water status measurements on plants at 35 GHz[J]. Journal of Infrared Millimeter&Terahertz Waves, 2015, 36(3): 312-317.

[17] 龍園，趙春江，李斌. 基于太赫茲技術(shù)的植物葉片水分檢測初步研究[J]. 光譜學(xué)與光譜分析，2017，37(10)：3027-3031.

Long Yuan, Zhao Chunjiang, Li Bin.The preliminary research on isolated leaf moisture detection using terahertz technology[J].Spectroscopy and Spectral Analysis, 2017, 37(10): 3027-3031.(in Chinese with English abstract)

[18] 趙旭婷，張淑娟，李斌，等. 太赫茲光譜技術(shù)用于干旱脅迫下大豆冠層含水量檢測研究[J]. 光譜學(xué)與光譜分析，2018，38(8)：2350-2354.

Zhao Xuting, Zhang Shujuan, Li Bin, et al. Study on moisture content of soybean canopy leaves under drought stress using terahertz technology[J].Spectroscopy and Spectral Analysis, 2018, 38(8): 2350-2354.(in Chinese with English abstract)

[19] 郝樹榮，郭相平，王文娟.不同時期水分脅迫對玉米生長的后效性影響[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(7)：71-75.

Hao Shurong, Guo Xiangping, Wang Wenjuan.Aftereffects of water stress on corn growth atdifferent stages[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(7): 71-75.(in Chinese with English abstract)

[20] 楊航，趙紅衛(wèi)，張建兵，等. 生物組織脫水過程的太赫茲時域光譜[J]. 紅外與毫米波學(xué)報，2014，33(3)：263-267.

Yang Hang, Zhao Hongwei, Zhang Jianbing, et al. The dehydration processes of biological tissues investigated by terahertz time-domain spectroscopy[J].Journal of Infrared and Millimeter Waves, 2014, 33(3): 263-267.(in Chinese with English abstract)

[21] Galv?o R, Araujo M, José G, et al. A method for calibration and validation subset partitioning[J]. Talanta, 2005, 67(4): 736-740.

[22] 黃慧，張德鈞，詹舒越，等. 干貝水分檢測的建模及分級方法[J]. 光譜學(xué)與光譜分析，2019，39(1)：185-192.

Huang Hui, Zhang Dejun, Zhan Shuyue, et al. Research on sample division and modeling method of spectrum detection of moisture content in dehydrated scallops[J]. Spectroscopy and Spectral Analysis, 2019, 39(1): 185-192.(in Chinese with English abstract)

[23] 劉國海，夏榮盛，江輝，等. 一種基于SCARS策略的近紅外特征波長選擇方法及其應(yīng)用[J]. 光譜學(xué)與光譜分析，2014，34(8)：2094-2097.

Liu Guohai, Xia Rongsheng, Jiang Hui, et al. A wavelength selection approach of near infrared spectra based on SCARS strategy and its application[J]. Spectroscopy and Spectral Analysis, 2014, 34(8): 2094-2097.(in Chinese with English abstract)

[24] 孫俊，叢孫麗，毛罕平，等. 基于高光譜的油麥菜葉片水分CARS-ABC-SVR預(yù)測模型[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(5)：178-184.

Sun Jun, Cong Sunli, Mao Hanping, et al.CARS-ABC-SVR model for predicting leaf moisture of leaf-used lettuce based on hyperspectral[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 178-184.(in Chinese with English abstract)

[25] 汪景榮，張卓勇，楊玉平，等. 太赫茲時域光譜結(jié)合主成分分析線性判別和支持向量機用于大黃樣品鑒定[J]. 光譜學(xué)與光譜分析，2017，37(5)：1606-1611.

Wang Jingrong, Zhang Zhuoyong, Yang Yuping, et al. Identification of rhubarb samples by terahertz time domain spectroscopy combined with principal component analysis-linear discriminant analysis and support vector machine[J].Spectroscopy and Spectral Analysis, 2017, 37(5): 1606-1611.(in Chinese with English abstract)

[26] 任立輝，李文東，慈興華，等. 基于LIBSVM的石油錄井中巖屑巖性識別方法研究[J]. 中國海洋大學(xué)學(xué)報：自然科學(xué)版，2010，40(9)：131-136.

Ren Lihui, Li Wendong, Ci Xinghua, et al. A method for identification of cuttings in petroleum logging by LIBSVMs[J]. Periodic of Ocean University of China: Natural science edition, 2010, 40(9): 131-136. (in Chinese with English abstract)

Tomato water stress state detection model by using terahertz spectroscopy technology

Zhang Xiaodong1,2, Duan Zhaohui1,2, Mao Hanping1,2※, Gao Honyan1,2, Shi Qiang1,2, Wang Yafei1,2, Shen Baoguo3, Zhang Xin4

(1.,,212013,; 2.,,,212013,; 3.,212134,; 4.,100097,)

Rapid detection of water stress is of great significance for scientific and effective management of water and fertilizer, further improving the yield and quality of tomatoes. In this study, a new detection model was proposed for water stress state in tomatoes using terahertz spectroscopy. “Hezuo 906” tomato was taken as the research object. A systematic experiment was performed in a Venlo-type greenhouse at the Key Laboratory of Modern Agricultural Equipment and Technology, Ministry of Education, Jiangsu University, Zhenjiang Province, China. The soilless culture was adopted, where the matrix was perlite. Kawasaki nutrient solution was used to provide the same nutritional environment for the samples. Artificial ventilation was adopted to ensure the temperature and humidity in the greenhouse in the appropriate range. Water and fertilizer were controlled precisely to ensure the balance of nutrient elements. Four water stresses were set at 20%, 40%, 60%, and 80% of the standard irrigation amount from 5 days after transplanting. Each gradient was repeated 10 times. The pinnate compound leaves of inverted 6 leaves were collected on the 65th day after the water stress treatment, particularly representing the growth state of tomatoes. 20 samples were collected for each water stress treatment in a total of 80 samples. Samples were dried for subsequent characterization. A terahertz spectral system was then utilized to acquire the power spectrum, absorbance, and transmittance spectrum of tomato leaves under different water stress. Savitzky-golay (SG) was used to reduce the noise of data. Stability competitive adaptive reweighted sampling (SCARS) was used to extract multi-dimensional characteristic frequency bands. Multiple linear regression (MLR) models were established between tomato moisture content and power spectrum, tomato moisture content and absorbance, tomato moisture content, and transmission. The results showed that the terahertz power spectrum and the absorbance were negatively correlated with the water content of blades in the frequency range of 0.5-1.5 THz. However, the transmittance gradually increased with the increase of water stress, showing a positive correlation. Among them, the model presented the best performance, when using the characteristics of the power spectrum in the frequency domain. Specifically, the determination coefficient of the prediction set was 0.900 7, and the root mean square error (RMSE) of the prediction set was 0.482 5. Furthermore, a fusion prediction model was established for tomato moisture content using support vector machines (SVM) on the basis of integrating three dimensions of terahertz features of absorbance, transmittance, and power spectrum, in order to further improve the accuracy of the model. It was found that2of the prediction set was 0.951 4, while RMSE of the prediction set was 0.366 8, indicating higher than the single-dimensional detection model. The improved model can be applied to detect the moisture content of tomato leaves using terahertz time-domain spectroscopy. The finding can provide a sound foundation for the detection of crop water stress.

water content; spectrum; tomato leaves; terahertz spectroscopy; moisture detection; feature extraction; fusion model

張曉東，段朝暉，毛罕平，等. 利用太赫茲光譜技術(shù)構(gòu)建番茄水分脅迫狀態(tài)檢測模型[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(15)：121-128.doi：10.11975/j.issn.1002-6819.2021.15.015 http://www.tcsae.org

Zhang Xiaodong, Duan Zhaohui, Mao Hanping, et al. Tomato water stress state detection model by using terahertz spectroscopy technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(15): 121-128. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.15.015 http://www.tcsae.org

2021-05-30

2021-07-26

國家自然科學(xué)基金項目（61771224）；江蘇省自然科學(xué)基金（BK 20180864）；現(xiàn)代農(nóng)業(yè)裝備與技術(shù)重點實驗室開放基金（JNZ201903）；江蘇大學(xué)農(nóng)業(yè)裝備學(xué)部項目（NZXB20200203）；鎮(zhèn)江市科技計劃項目（NY2019017）；江蘇大學(xué)自制實驗設(shè)備項目（ZZYQSB2021009）。

張曉東，博士，副研究員，研究方向為光學(xué)傳感和成像技術(shù)在作物生長信息檢測方面的應(yīng)用。Email：zxd700227@ujs.edu.cn

毛罕平，博士，教授，研究方向為現(xiàn)代農(nóng)業(yè)裝備和設(shè)施農(nóng)業(yè)環(huán)境控制技術(shù)。Email：maohpujs@163.com.

10.11975/j.issn.1002-6819.2021.15.015

Q945.32

A

1002-6819(2021)-15-0121-08