利用太赫兹光谱技术构建番茄水分胁迫状态检测模型

张晓东，段朝晖，毛罕平，高洪燕，石 强，王亚飞，沈宝国，张 馨

·农业信息与电气技术·

利用太赫兹光谱技术构建番茄水分胁迫状态检测模型

张晓东1,2，段朝晖1,2，毛罕平1,2※，高洪燕1,2，石 强1,2，王亚飞1,2，沈宝国3，张 馨4

（1. 江苏大学农业工程学院，镇江 212013；2. 江苏大学现代农业装备与技术教育部重点实验室，镇江 212013；3. 江苏航空职业技术学院，镇江 212134；4.北京农业智能装备技术研究中心，北京 100097）

快速检测番茄水分胁迫状态，对于科学有效地进行番茄的水肥管理，保障和提高番茄的产量和品质具有重要意义。该研究利用太赫兹光谱对水分极为敏感的特性，提出了基于太赫兹光谱技术的番茄水分胁迫状态的快速检测方法。试验利用太赫兹光谱系统获取不同水分胁迫番茄叶片的功率谱、吸光度及透射率频谱数据。采用（Savitzky-Golay, SG）算法对数据进行降噪，利用稳定性竞争自适应重加权（Stability Competitive Adaptive Reweighted Sampling, SCARS）算法进行了多维特征频段的提取；在此基础上，建立了叶片含水率功率谱、吸光度及透射率等单一维度下的多元线性回归（Multiple Linear Regression, MLR）模型。结果表明，太赫兹功率谱和吸光度与叶片含水率之间呈负相关；而透射率则随水分胁迫程度的提高逐渐升高，呈正相关。为了进一步提高模型的精度，使用支持向量机（Support Vector Machines, SVM）在融合3种维度太赫兹特征的基础上，建立了番茄含水率的融合预测模型，结果表明，预测集2达到0.951 4，RMSE为0.366 8，均高于单一维度检测模型，实现了番茄水分的快速检测。

水分；光谱；番茄叶片；太赫兹光谱；水分胁迫；特征提取；融合模型

0 引 言

番茄在中国各地种植广泛，是主要的设施作物之一，2017年中国的设施番茄种植面积超过13万hm2[1-2]，年产值占世界总产量的近1/3。番茄生育期较长，需水量大，对水分极为敏感，且不同生长阶段对水分的需求差异较大。水分不足会抑制作物对养分的吸收，导致作物品质降低和产量减少[3]。因此，快速、准确、无损地检测番茄水分胁迫状态，对于科学有效地进行番茄的水肥管理，提高番茄的产量和品质具有重要意义。

目前，国内外相关学者已对作物水分胁迫的无损检测进行大量研究。如Rodriguez等[4]测试了几个多光谱指数对不同水分胁迫下生长的小麦冠层营养的估计能力，推导出了与这些因素密切相关的冠层反射指数，该方法虽能对植株的水分状态进行诊断，但尚未形成定量的水分检测方法。皇才进等[5]采用近红外光谱，基础LOCAL算法进行秸秆水分的无损检测，建立了近红外秸秆水分预测模型，但受自然光强变化等环境因素影响较大，检测精度仍有待进一步提高。张智韬等[6]利用无人机搭载热红外传感器对棉田进行温度探测，结果表明，棉花冠层温度特征与棉花水分具有相关性，但无人机易受地面蒸发、环境热交换和气流等因素影响，模型的稳定性和准确性不高。田喜等[7]采用近红外高光谱成像技术提取玉米籽粒胚结构图像，建立了玉米籽粒水分含量预测模型，但样本处理和分析过程较为复杂，不利于水分的快速检测。现有研究表明，虽然近红外高光谱和热红外等方法进行水分胁迫检测具有较好的相关性[8]，但由于采用的是热辐射探测的检测方式，受环境变化的干扰较大，往往不能全面地描述水分胁迫条件下叶片的物理特征与内部组织生理生化特性的变化，导致测量精度受到一定的影响。

太赫兹（Terahertz，THz）波指的是频率在0.1～10 THz之间，位置介于微波和红外辐射之间的电磁波[9-10]。在太赫兹辐射下，水等极性分子在皮秒量级内发生氢键的断裂和形成，导致对太赫兹波的强烈吸收[11-12]，可针对这一特性将太赫兹技术用于作物的水分状态的检测。

目前已有学者将太赫兹光谱技术应用于水分无损检测的研究中。如刘欢等[13]利用饼干中蛋白质、氨基酸等物质对太赫兹光谱吸收远小于水分这一特点，分别对太赫兹光谱数据的频域、折射率和吸收系数进行模型分析，得到的吸收系数模型效果最佳，优于其他谱图的建模效果。Breitenstein等[14]以咖啡幼苗叶片为样本，利用太赫兹光谱和经典的破坏性热重测量方法，检测了咖啡叶片干旱胁迫以及快速复浇过程中含水率的变化。Gente等[15-16]以大麦叶作样本，通过太赫兹光谱数据中的透射和吸收系数，建立了与叶片真实含水量具有较好一致性的预测模型。龙园等[17]使用太赫兹光谱仪以逐点扫描的方式对离体绿萝叶片进行光谱数据的获取，并在图像重构下观察不同水分含量的差异，根据叶片太赫兹图像的时域、频域均值及含水量实测值建立了回归预测模型。赵旭婷等[18]通过模拟干旱胁迫，使用太赫兹光谱技术对大豆冠层含水量进行研究，采用回归分析法建立了叶片含水率的相关模型，为大豆冠层含水量信息快速获取提供了方案。以上文献虽然已证明了利用太赫兹等光谱技术检测作物水分的可行性，但预测精度有待进一步提高。

因此，本研究以番茄为研究对象，利用太赫兹光谱技术构建番茄水分胁迫状态检测模型。首先，培养不同梯度的番茄水分胁迫样本，设计不同梯度的水分胁迫实验；然后，采用太赫兹光谱技术，通过获取番茄叶片的功率谱、吸光度及透射率等太赫兹时域光谱数据，开展对番茄水分胁迫的检测研究；最后，建立高精度的番茄叶片含水率预测模型。

1 试验材料与方法

1.1 试验原理

试验以番茄为研究对象，通过设置不同的水分胁迫梯度得到试验样本，利用太赫兹时域光谱测量系统，采集不同水分胁迫水平下样本的功率谱，吸光度和透射率多维的时域光谱信息。并通过算法优选，去除干扰、冗余与特征提取。最后基于提取的不同水分胁迫的太赫兹多维特征数据，分别进行了单一维度以及多维度融合的番茄水分胁迫的建模分析，试验具体流程如图1所示。

1.2 样本培育

试验在江苏大学Venlo型温室进行，番茄品种为“合作906”。育苗时选取籽粒饱满，大小均一的种子，采用30 cm×60 cm长方形黑色塑料穴盘，培育基质为草炭，珍珠岩和蛭石，将种子置于凉水中浸泡30 min后将水沥净，并将种子播种到育苗盘中，出芽后，移栽至直径为20.9 cm，高为32 cm的花盆中，采用以珍珠岩为基质的营养液无土盆栽的方式培育。

为除去干扰，使用山崎营养液配方为样本提供相同的营养环境，采用人工换气通风等手段，保证温室里温湿度在适宜范围。按照标准灌溉量的20%、40%、60%和80%设置4个水分胁迫梯度，每个梯度培育10盆番茄样本，从定植5 d开始，采用定量滴灌的方式定时灌溉。

1.3 仪器设备

本研究采用日本爱德万公司生产的Advantest- TS7400型太赫兹时域光谱测量系统进行样本太赫兹信息的采集，该系统专为农业生物信息探测定制，具有衰减全反射（Attenuated Total Refraction，ATR）模块，能够对含水率较高的生物组织和活体样本进行探测，图2为太赫兹时域光谱测量系统的结构和工作原理。测量系统工作时，激光器光源发射激光脉冲，在分束器的作用下分为两束互相垂直的激光，一束为较强的泵浦光，另一束较弱的为探测光，泵浦光经过太赫兹发射器和反射镜穿过被测样本，随后与经过多次反射的探测光共线经过探测晶体传输到太赫兹探测器上，检测器把两束激光的差值传给A/D模块，通过数据处理比较其差异性，得出样本的时域太赫兹光谱及其分布信息。

与传统的太赫兹设备相比，该设备不仅精度较高，且可检测样本的尺度由最大3 cm2扩展为225 cm2，能较好的满足作物样本的测量需求。Advantest-TS7400太赫兹时域光谱测量系统测量频率范围为0～4 THz，分辨率小于等于5 GHz，采样间隔为0.003 8 THz，最大样本区域为150 mm×150 mm。番茄叶片样本的质量采用高精度分析天平称取，精度为0.1 mg。

1.4 数据采集及处理

1.4.1 数据采集

从番茄水分胁迫处理后65 d进行样本采集，采集叶片时选取最能体现生长状态的番茄倒6叶羽状复叶，采集后立即放入保鲜密封袋，并置于便携冷藏保温箱内，防止蒸发和外界环境对其影响。每个水分胁迫梯度均挑选20个叶片样本，4个梯度共采集80个样本。

在实验室环境中称取叶片样本的鲜质量，然后将其放置于太赫兹时域光谱测量系统中进行样本扫描获取功率谱、吸光度、透射率、折射率等光谱信息。为排除空气中水汽对太赫兹光谱的干扰，要求事先打开抽湿机，将样本检测箱内的相对湿度降至5%以下。每个样本扫描10个采样点的光谱信息，取平均值作为样本所采集的数据。扫描完成后，将叶片置入70 ℃恒温箱中烘干24 h以上，待样本质量无变化时，称取叶片的干质量。通常，表征叶片含水率的方法有湿基含水率和干基含水率，由于叶片的鲜质量远大于干质量，如果采用湿基含水率，则样本间的含水率无明显差异，因此本文采用干基含水率来表征叶片间的水分含量。

计算番茄叶片干基含水率的公式如下：

式中为样本的干基含水率；1为样本的叶片鲜质量，g；2为样本的叶片干质量，g。

1.4.2 数据平滑

SG平滑算法是数据预处理中较为常用的算法之一，过程简单处理快速且方便使用[19-20]。其原理是先取一段宽度为奇数点数的窗口，通过窗口的平移，同时使用最小二乘法进行拟合，然后用窗口中点的拟合值来替换原始数值，以达到平滑数据的效果，本研究采用SG平滑算法对数据进行预处理，采用窗口宽度为7点/次，选取功率谱数据为例，太赫兹功率谱平滑处理前后效果对比如图3所示。结果显示该算法能有效降低干扰信号，提高建模效率和模型精度。

1.4.3 数据集划分

为获取更好的建模效果，采用基于联合距离的样本集划分（Sample set Partitioning based on joint X-Y distance，SPXY）算法对数据进行校正集和预测集的划分[21-22]，在划分时把所有的样本都看作训练集候选样本，依次从中挑选样本进训练集。首先需要得出考虑光谱值变量在内的样本间欧式距离，如公式（2）所示：

式中x和x表示2个不同的样本，表示样本的光谱波点数量,与为欧几里得空间中选取的样本点。SPXY融合了双变量进行计算，可得光谱值变量与含水率变量同时考虑在内的样本间欧式距离，如公式（3）所示：

式中为样本数，d(,)为将含水率考虑在内的样本间欧式距离，利用双变量同时计算样本间距离以保证最大程度表征样本分布，有效地覆盖多维向量空间，增加样本间的差异性和代表性，提高模型的稳定性，最终采用该方法筛选校正集和预测集，其划分比例为3:1，即校正集60个样本，预测集20个样本。

1.4.4 特征频段提取

为简化模型，提高运算效率，同时保证模型的精度，采用SCARS算法对特征频段进行提取[23]。SCARS算法以变量稳定性的大小作为衡量指标，将这些变量按照它们的稳定性从大到小进行排列，之后采用强制删除法按照一定比例除掉一些变量，比例按照公式（4）得出：

式中为迭代数（=1 to），由下式（5）计算：

式中1是原光谱的变量数，由公式（6）定义：

在强制删除结束之后，通过自适应重加权采样（Adaptative Reweighted Sampling，ARS）技术和指数衰减函数（Exponentially Decreasing Function，EDF）选择出偏最小二乘法（Partial Least Squares，PLS）模型中回归系数稳定值较大的频段点，去掉权重小的频段点，利用交互验证选出交叉验证误差均方根（RMSECV）最低的子集，可有效寻找最优变量组合[24]。

1.4.5 多维特征融合建模

为了进一步提高预测模型的准确性和稳定性，将多维太赫兹光谱特征进行融合，基于提取的功率谱、吸光度和透射率太赫兹特征频段，进行多维特征融合建模。

由于光谱的功率谱、吸光度和透射率数据的量纲不同，且数据跨度范围差异较大的特点，将对数据进行归一化（Normalization）处理，消除各数据之间的量纲影响，使各数据指标之间具有可比性，有利于特征融合的进行。归一化公式如公式（7）所示：

式中norm为归一化后的数据；为原始数据；max、min分别为原始数据集的最大值和最小值。

然后采用主成分分析算法从大量数据变量中选出少量能代替原有数据大部分信息的变量以进行处理的一种多元统计分析方法[25]。回归模型使用Matlab中的LibSVM软件包来建立，在众多的核函数中，径向基核函数（Radial Basis Function，RBF）有较小的运算复杂度，是合理的第一选择[26]。所以模型采用RBF核函数，模型的主要参数是核函数中Gamma函数的参数、错误惩罚因子和损失函数，参数设定可根据输出的结果和曲线变化的规律而进行调整，直到预测精度满足要求。

2 结果与分析

利用太赫兹时域系统采集了样本的功率谱、吸光度及透射率数据。测量频率为0～4 THz，该范围内所得到的数据量较大，且在0～0.5 THz与1.5～4 THz的频率范围内样本数据和背景数据几乎没有差别，不能反应样本特征，为了提高效率，去除冗余，将所研究的有效频域区间定在0.5～1.5 THz。

2.1 太赫兹时域光谱分析

太赫兹功率谱定义为单位频带内的信号功率，它表示了信号功率随着频率的变化情况，即信号功率在频域的分布状况。太赫兹吸光度用来表达物质对光的吸收程度，叶片样本含水率的不同会导致样本的吸光度有所区别。太赫兹透射率用来表达样本的透光性质，当太赫兹波照射样本时，水分子间发生多种相互作用，导致不同水分梯度的样本在透射率上会有明显差异。图4为不同水分梯度的样本对3类太赫兹光谱的影响。

由图4a可看出随着水分梯度的下降，功率谱平均值的光谱曲线也呈现同梯度下降的趋势，不同水分胁迫样本的功率谱具有明显的梯度层次，且全部高于背景数据。由图4b可知，样本水分胁迫程度越高，光谱的吸光度也越低，且随着频率的增加上升趋势明显，不同水分胁迫水平之间存在明显的梯度差异。由图4c可知，透射率随着频率的增加而减小。样本水分胁迫程度越高，其透射率越高；反之，则透射率越低。

2.2 单一维度模型建立

2.2.1 样本校正集和预测集的划分

如前所述，本研究采用SPXY算法对样本进行划分，该方法能够确保样本分离程度最大，将自变量和因变量（光谱数值和目标值）同时考虑在内，从而提高光谱模型的稳定性。

表1为SPXY算法划分后功率谱、吸光度和透射率的建模结果。由表1可知，功率谱的校正集模型相较于吸光度和透射率的校正集模型相关性更高、均方根误差更低，有更高的模型质量。

表1 SPXY算法样本划分后结果

2.2.2 含水率特征频段提取

如前所述，本研究主要采用稳定性竞争自适应加权（Stability Competitive Adaptive Reweighted Sampling, SCARS）算法进行特征频段的提取。特征提取是太赫兹时域光谱模型建立的关键环节。通常全太赫兹频段会包含许多与目标值相关性小的变量，相近变量之间还会存在共线性关系。如果不消除相关性小的变量，用全频段参与建模，模型会很复杂，且其中一些无关变量还会影响模型的精度。由蒙特卡罗交叉验证法选择最优潜在频段变量，每次循环都能得到一个RMSECV值，由于采样次数较多，若要得到较优的特征频段组合，需经过多次反复试验进行比较，选出RMSECV最小对应的子集组合。其中设置循环采样次数为50时，运行结果趋于稳定。以功率谱数据为例，算法运行结果如图5所示。

由图5可知，当运行至27次时，功率谱的交互验证模型的RMSECV值最小值为0.213 6，随后误差逐渐升高，表明算法在运行时会开始剔除对算法精度影响较大的特征变量。因此选取第27次运行获取的特征变量子集作为为最优变量子集，共选出9个与含水率显著相关的太赫兹特征频段。吸光度和透射率特征频段提取的过程与之相似，提取结果如表2所示。

由表2可知，提取出的特征频段主要集中在0.54、0.59、1.28、1.34和1.45 THz附近，与太赫兹含水率曲线的波峰或波谷处有一定的相关性。

表2 SCARS算法提取特征频段结果

2.2.3 单一维度模型分析

太赫兹特征频段提取完成后，将3种光学特征优选出的特征频段与对应样本含水率建立的多元线性回归模型如式（8）、（9）、（10）所示：

式中模型的基本结构为y=11+22+…+kk+，其中k为自变量，y为因变量，是误差项。功率谱、吸光度和透射率三者的模型结果与散点图分别如表3和图6所示。

表3 单一维度太赫兹光谱参数的建模结果

由图6a可知，从功率谱的维度建立模型，所得到的模型校正集和预测集相关性最高，决定系数分别达到了0.905 5和0.900 7，校正集和预测集均方根误差分别为0.495 4和0.482 5。从图6可知，从吸光度维度得到的校正集相关性最低，决定系数仅为0.859 3，均方根误差为0.602 5。综合分析，从单一维度建立的模型，校正集和预测集得到的结果并不理想，模型准确性和稳定性较低，有待进一步提高。

2.3 多维特征融合建模

为了进一步提高预测模型的准确性和稳定性，基于前述提取的功率谱、吸光度和透射率太赫兹特征频段提取完成的基础上，将多维太赫兹光谱特征进行归一化处理，从这3种不同维度上进行特征融合建模，提高预测精度。

2.3.1 主成分分析

经过功率谱、吸光度和透射率的不同维度光谱特征融合后，得到的特征波段数大大增加，数据维数提升，给模型的建立带来不便。为了提高数据分析和处理的能力，采用主成分分析（Principal Component Analysis, PCA）算法对特征融合后的数据进行降维处理。通过主成分分析进行数据降维得到前8个主成分的贡献率和累计贡献率如表4所示。

表4 主成分贡献率

由表4可知，当主成分个数为7时，累计贡献率达0.951 9，超过了95%，可保留融合特征的大部分有效信息，所以将原特征变量从22维降至7维，可降低模型的复杂度。

2.3.2 支持向量机模型的建立

融合后的样本数据较为复杂，数据内部的相关性较弱，自变量与应变量之间的线性关系较差，需要样本学习能力强、模型泛化性能好、能够处理高维数据建模方法。因此，将降维后的融合特征变量通过支持向量机（Support Vector Machines，SVM）的方法来进行回归建模。

本文采用交叉验证的方法选择最佳参数，当参数、惩罚因子和损失函数分别为8.65、2.41和0.01时，校正集相关性最好，融合建模的结果如图7所示。

由图7可知，通过SVM建立的模型，校正集2和预测集2分别为0.953 1和0.951 4，高于单一维度模型最高的0.951 6和0.949 1；校正集和预测集均方根误差分别为0.347 8和0.366 8，低于所有单一维度模型故通过支持向量机从不同维度融合建模的结果优于单一维度建模结果。

3 结 论

通过培养不同水分胁迫梯度的番茄样本，利用TS7400太赫兹时域光谱测量系统进行番茄叶片含水率检测试验。分别研究了太赫兹光谱在功率谱、吸光度和透射率维度下的番茄叶片不同含水率的变化关系并分别建立模型，后通过支持向量机将3种维度下的特征频段融合建立番茄叶片含水率预测融合模型。主要研究结论包括：

在0.5～1.5 THz的频率范围内，叶片含水率水平和吸光度呈正相关，与透射率和频率均呈负相关。在同一频率下随着水分梯度的下降，功率谱和吸光度数值降低，透射率数值升高；

通过功率谱、吸光度和透射率3种维度分别建立番茄叶片含水率检测模型并进行对比分析，结果表明基于功率谱频域特征建立的模型效果最佳，预测集决定系数为0.900 7，预测集均方根误差为0.482 5；

利用吸光度、透射率和功率谱多维太赫兹信息融合建立的番茄叶片含水率检测模型相较于单一信息模型精度有所提升，融合模型的预测集决定系数达0.951 4，均方根误差达到0.366 8，有较好的检测效果。

研究结果表明可将太赫兹时域光谱技术应运用于番茄叶片的含水率的检测，为作物水分胁迫检测提供了一种方法。

[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] 李欢欢，刘浩，庞婕，等. 水氮互作对盆栽番茄生长发育和养分累积的影响[J]. 农业机械学报，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] 皇才进，韩鲁佳，刘贤，等. 基于LOCAL算法的秸秆水分和热值的近红外光谱快速分析[J]. 红外与毫米波学报，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] 张智韬，边江，韩文霆，等. 无人机热红外图像计算冠层温度特征数诊断棉花水分胁迫[J]. 农业工程学报，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，黄文倩，李江波，等. 高光谱图像信息检测玉米籽粒胚水分含量[J]. 光谱学与光谱分析,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] 罗娜，王冬，王世芳，等. 太赫兹技术在农产品品质检测中的研究进展[J]. 光谱学与光谱分析，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] 刘欢，韩东海. 基于太赫兹时域光谱技术的饼干水分定量分析[J]. 食品安全质量检测学报，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] 龙园，赵春江，李斌. 基于太赫兹技术的植物叶片水分检测初步研究[J]. 光谱学与光谱分析，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] 赵旭婷，张淑娟，李斌，等. 太赫兹光谱技术用于干旱胁迫下大豆冠层含水量检测研究[J]. 光谱学与光谱分析，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] 郝树荣，郭相平，王文娟.不同时期水分胁迫对玉米生长的后效性影响[J]. 农业工程学报，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] 杨航，赵红卫，张建兵，等. 生物组织脱水过程的太赫兹时域光谱[J]. 红外与毫米波学报，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] Galvão R, Araujo M, José G, et al. A method for calibration and validation subset partitioning[J]. Talanta, 2005, 67(4): 736-740.

[22] 黄慧，张德钧，詹舒越，等. 干贝水分检测的建模及分级方法[J]. 光谱学与光谱分析，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] 刘国海，夏荣盛，江辉，等. 一种基于SCARS策略的近红外特征波长选择方法及其应用[J]. 光谱学与光谱分析，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] 孙俊，丛孙丽，毛罕平，等. 基于高光谱的油麦菜叶片水分CARS-ABC-SVR预测模型[J]. 农业工程学报，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] 汪景荣，张卓勇，杨玉平，等. 太赫兹时域光谱结合主成分分析线性判别和支持向量机用于大黄样品鉴定[J]. 光谱学与光谱分析，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] 任立辉，李文东，慈兴华，等. 基于LIBSVM的石油录井中岩屑岩性识别方法研究[J]. 中国海洋大学学报：自然科学版，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

张晓东，段朝晖，毛罕平，等. 利用太赫兹光谱技术构建番茄水分胁迫状态检测模型[J]. 农业工程学报，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

国家自然科学基金项目（61771224）；江苏省自然科学基金（BK 20180864）；现代农业装备与技术重点实验室开放基金（JNZ201903）；江苏大学农业装备学部项目（NZXB20200203）；镇江市科技计划项目（NY2019017）；江苏大学自制实验设备项目（ZZYQSB2021009）。

张晓东，博士，副研究员，研究方向为光学传感和成像技术在作物生长信息检测方面的应用。Email：zxd700227@ujs.edu.cn

毛罕平，博士，教授，研究方向为现代农业装备和设施农业环境控制技术。Email：maohpujs@163.com.

10.11975/j.issn.1002-6819.2021.15.015

Q945.32

A

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