婺源位于中国绿茶金三角的核心产区,茶文化和绿茶种植历史悠久,素有千年茶乡之美称。婺源绿茶外形条索紧结、汤色碧绿明亮、香气清香持久、滋味鲜爽润厚、叶底嫩绿匀整,营养物质含量较高[1]。中国农业科学院茶叶研究所的检测结果显示,茶叶中水浸出物的含量远高于国家标准,且儿茶素指数为全国同类茶叶最高。以儿茶素为主的多酚类物质含量不仅能反映原料嫩度,还与绿茶滋味品质显著相关[2]。传统的茶叶品质评价方法主要依靠专业的茶叶审评员,利用感官信息,从外形、汤色、香气、滋味和叶底五大方面进行茶叶品质优劣的判断,此方法易受主观因素的干扰,无法满足茶叶智能化生产中品质实时监测的需求,而茶叶中儿茶素含量的传统检测方法通常借助高效液相色谱仪测量,耗时耗力且成本较高,因此,建立一种准确的婺源绿茶感官信息及理化成分快速检测方法对婺源绿茶品质的检测方面具有重要意义[3]。
红外光谱技术作为一种新型的检测方法,具有迅速、准确和无损等优点,在茶叶产地溯源、品质等级识别和内质成分的定量预测方面均有应用[4]。AMSARAJ等[5]利用傅里叶变换红外光谱仪(Fourier transform infrared spectroscopy, FTIR)技术检测了红茶中掺杂的酒石黄、日落黄、酸性红和胭脂红4种掺假物,建立了偏最小二乘判别(partial least squares-discriminant analysis, PLS-DA)模型和最小二乘支持向量机(least squares support vector machines, LS-SVM)定量预测模型,预测精度分别达到了100%和0.89。TURGUT等[6]利用近红外光谱与偏最小二乘算法相结合,成功预测了红茶样品的感官品质(外观、形状、颜色和整体质量)和其他重要成分指标(容重、纤维素、水提物和水分),结果表明,感官品质和重要成分指标的预测精度分别在0.83和0.66以上。JOHNSON等[7]采集了茶树油样品中掺杂不同浓度桉树油样品的近红外光谱数据,结合化学计量学方法,对不同掺假水平茶树油样品的判别精度均达到了100%。DONG等[8]提取了红茶中添加不同含量外源蔗糖样品的光谱数据,基于均值中心化(mean centering, MC)预处理方法和变量组合的总体分析与迭代保留信息变量算法(variable combinations’ population analysis and the iterative retained information variable algorithm, VCPA-IRIV),建立了极限学习机(extreme learning machine,ELM)判别模型,对红茶掺杂外源蔗糖的判别精度达到了100%。虽然红外光谱技术在茶叶品质和加工方面取得了显著成果,但在婺源绿茶感官信息和内质成分快速评价方面鲜有研究。
综上,本研究主要针对婺源绿茶传统的感官评价和理化检测方法存在主观性较强、耗时耗力等缺陷,采用近红外光谱智能检测技术,对不同价格、品质、品种的婺源绿茶中儿茶素含量和感官评分进行快速准确预测,实现了婺源绿茶感官品质和特征成分的智能感知,弥补了传统检测技术的缺陷,为婺源绿茶品质的智能化检测提供了理论依据。
1 材料和方法
1.1 样品制备
本实验所用的实验样本购买于新昌中国茶市场,种类主要包括婺源茗眉、婺源高山特供茶、婺源仙芝、婺源毛尖、婺源云雾茶等,共150个实验样品。样品等级标准主要根据市场价格进行划分,价格高于350元/kg的茶样为高档,价格150～350元/kg的茶样为中档,价格低于150元/kg的茶样为低档,高、中、低档茶叶样品数分别为60、50、40个。
1.2 仪器与设备
实验设备为Antaris傅里叶变换近红外光谱仪,美国Thermo Fisher Scientific公司。实验开始前,首先打开仪器预热30 min,使仪器处于稳定状态,扫描波数为3 800～12 000 cm-1,分辨率为8 cm-1,扫描次数设为64次。样品光谱采集时,使用高精度分析天平(XPR226CDR/AC,USA)称取20 g茶叶于培养皿中,随后使用压实器将样品进行压实。每个样品采集3次光谱,以3次光谱的平均值作为该样品的平均光谱信息。
1.3 实验方法
1.3.1 感官审评方法
茶叶样品的感官审评邀请了3位国家高级评茶员,根据GB/T 23776—2018《茶叶感官审评方法》进行不同等级的茶叶样感官审评。具体步骤如下:首先称取约50 g茶样放入审评盘内,对外形进行审评,随后称取3 g茶样加入150 mL沸水冲泡4 min后,对汤色、滋味、香气、叶底进行审评,记录不同干茶样品的外形、汤色、香气、滋味和叶底5个因子的审评得分,根据每个因子审评分数的占比计算出样品感官总分,最后以3组感官总分的平均分数作为样品的最终感官得分。茶叶感官审评总分计算如公式(1)[9]所示:
感官总分=干茶外形×25%+汤色×10%+香气×25%+滋味×30%+叶底×10%
(1)
1.3.2 儿茶素含量检测方法
不同等级茶叶样品中儿茶素含量根据GB/T 8313—2008《茶叶中茶多酚和儿茶素类含量的检测方法》进行测量,具体检测如下:所用仪器设备型号为岛津LC-20A高效液相色谱仪,对不同茶叶中儿茶素含量检测时,色谱柱采用Waters-C18柱(4.6 mm×250 mm,5 μm);流动相A:2%乙酸溶液,流动相B为纯乙腈;进样量:10 μL;流速:1 mL/min;检测波长280 nm,柱温35 ℃;洗脱过程:0～16 min,流动相B由6.5%上升为15%;16～25 min,由15%上升至25%;25～25.5 min,由25%下降至6.5%;25.5～30 min,B相保持6.5%,采用外标法进行定量[10]。
1.4 数据处理方法
1.4.1 数据预处理方法和主成分分析(principal component analysis,PCA)
采集样品数据时,由于样品表面不平整,导致光谱数据存在噪声干扰和基线漂移现象,使得所建模型精度较低,为了提高模型精度,降低噪声影响,本研究使用标准正态变量变换(standard normal variate,SNV)、标准化(min-max normalization,Min-max)、中心化(zero-centered,Center)对原始光谱数据进行预处理,随后使用PCA通过正交变换将分量相关的原随机向量转换成分量不相关的新随机向量,并对多维变量进行降维[11]。
1.4.2 变量筛选算法
原始光谱数据预处理后,虽减少了噪声对模型性能的影响,但是光谱数据量较多,不同波长的光谱数据间存在相关性,为了从众多复杂的光谱数据中提取出与感官评价和儿茶素相关的特征信息变量,达到简化多元信息模型和提高模型预测精度的目的,本研究使用竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)法、变量空间迭代收缩(variable iterative space shrinkage approac, VISSA)法和随机蛙跳跃算法(shuffled frog leading algorithm, SFLA)对预处理后的光谱数据进行特征波长提取[12]。
1.4.3 建模算法与模型性能
训练集与预测集数据划分选用Kennard-Stone(K-S)算法,按照4∶1的比例,将150个样品集划分为120个训练集和30个预测集[13]。建模分析时,采用线性偏最小二乘法(partial least squares regression, PLS)模型和非线性随机森林(random forest algorithm, RF)模型对不同品种婺源绿茶的感官评分和儿茶素含量进行预测[14],模型评价指标包括校正集相关系数(correlation coefficient of calibration set, Rc)、预测集相关系数(correlation coefficient of predication set, Rp)和相对标准偏差(relative standard deviation, RSD)三大指标。通常来说,Rc和Rp值在0～1内越大,模型性能越好,RSD>1.4时,表示模型可以使用,RSD>2时,表示模型预测效果较好,鲁棒性较强[15]。
2 结果与分析
2.1 样品感官审评结果与相关性分析
实验样品的感官审评结果和儿茶素含量如表1所示,根据感官审评和儿茶素含量的平均值绘制了折线图和雷达图,结果如图1-a～图1-e所示,不同等级的茶叶中儿茶素含量和感官得分具有明显区别。为了确定茶叶品质等级与感官得分的相关性关系,随后采用皮尔森双尾检验对茶样价格、儿茶素含量、感官得分进行相关性分析,结果如图1-f所示,分析表明,茶叶价格、感官总分和各感官因子得分均与茶叶等级呈正显著相关(P<0.05),儿茶素总量与茶叶等级呈负显著相关(P<0.05)[16]。
a-不同等级样品价格区间;b-不同等级样品儿茶素含量;c-低档样品感官审评结果;d-中档样品感官审评结果;e-高档样品感官审评结果;f-价格、感官审评和茶叶等级的相关性关系
图1 不同等级样品的感官审评和儿茶素含量结果图
Fig.1 Sensory evaluation and catechin content results of different grade samples
a-原始光谱;b-平均光谱;c-SNV预处理光谱;d-Min-max预处理光谱;e-Center预处理光谱;f-主成分分析结果图
图2 实验样品光谱预处理前后与主成分分析结果图
Fig.2 Principal component analysis results of experimental samples before and after spectral preprocessing
表1 不同等级样品的感官审评和儿茶素含量检测结果
Table 1 The results of sensory evaluation and catechin content of different grade samples
指标等级数量/个最小值最大值平均值标准差标准差率低6040.000150.00097.54221.5460.145价格/(元/kg)中50160.000350.000239.86155.6250.120高40360.0001 200.000583.649586.3410.241低6060.15282.31273.4252.5810.031总分/分中5070.15491.57681.0154.7980.024高4081.24593.47585.2474.3820.017低6064.54190.24577.5223.4890.015香气/分中5070.25191.41482.1754.5860.043高4072.14593.41586.4773.2960.022低6063.24786.28676.1543.5780.037滋味/分中5068.26490.12281.6715.4960.052高4076.14692.16687.5732.7510.026低6062.85383.46172.4124.6570.051叶底/分中5071.25691.41783.5655.7460.032高4085.42692.41789.6742.5940.008低6066.95186.75979.6503.7570.026汤色/分中5064.82389.47582.5766.4570.047高4076.55492.17687.5413.5630.020低6056.47683.12171.6535.2070.058外形/分中5070.01895.63384.1275.3400.052高4085.37595.68491.4221.9830.041低6016.75227.48319.7541.8320.076儿茶素含量/%中5013.54823.89818.6371.7510.097高4010.75421.90316.0481.2740.102
注：总分、香气、滋味、叶底、汤色、外形的满分为100分。
2.2 近红外光谱特征与预处理优选
图2-a为采集的不同等级茶叶样品的近红外光谱曲线,波数范围为3 800～12 000 cm-1。图2-b为不同等级茶叶样品的平均光谱曲线,不同等级样品的红外光谱特征具有明显区别,光谱曲线在4 700～5 150、4 500、5 600、6 250 cm-1处有明显吸收峰,主要表现为茶叶样品多酚类物质中O—H、C
O、C—H、CH和茶叶蛋白质的N—H振动,说明不同等级茶叶样品儿茶素含量存在显著差异,这也是近红外光谱指纹技术能够用于茶叶样品快速评价的前提条件[17]。
近红外光谱数据采集时,受到外界环境和仪器误差的影响,导致获取的样品光谱信息存在噪声,为了减少噪声对模型性能影响,提高模型预测精度,分别使用SNV、Min-max和Center 3种预处理方法对原始光谱进行预处理,校正后的光谱曲线如图2-c～图2-e所示。随后将预处理后的光谱数据建立儿茶素含量和感官评分的PLS预测模型,根据模型结果选取最优的预处理方法,模型结果如表2所示,预处理后所建立的PLS模型性能较优,其中SNV为感官品质最佳预处理方法,Min-max为儿茶素含量的最佳预处理方法[18-20]。使用PCA对预处理后的光谱数据进行降维分析,结果如图2-f所示,不同品质等级样品分布在不同区域,表明茶叶价格能够在一定程度上反映茶叶品质的高低[21]。
表2 不同预处理方法对PLS模型的影响
Table 2 Effects of different preprocessing methods on PLS models
指标预处理算法主成分数训练集预测集RcRMSECVRpRMSEPRSD感官评分 Raw80.807 3.9840.786 4.0561.125 SNV70.844 3.489 0.813 3.5821.770 Min-max70.832 3.557 0.799 3.961 1.608 Center70.817 3.644 0.774 4.155 1.008 儿茶素含量Raw90.805 1.516 0.743 1.965 1.018 SNV80.823 1.476 0.782 1.540 1.368 Min-max70.836 1.151 0.805 1.424 1.528 Center 80.817 1.489 0.774 1.615 1.114
注：RMSECV-交叉验证均方差(root mean square error of cross validation);RMSEP-预测均方根误差(root mean square error of prediction);Raw-原始光谱(raw spectrum)。
2.3 茶叶品质特征波段的筛选
原始光谱预处理后,虽去除了噪声对光谱信息的影响,但是光谱中仍有某些与感官品质和儿茶素含量敏感的波段能被其他波段所解释或者替代,导致光谱中存在大量冗余信息,为提高模型运算速度,使用CARS、SFLA和VISSA 3种变量筛选方法提取与茶叶感官品质和儿茶素含量相关的特征波段[22-24],变量筛选结果如图3-a～图3-c所示,随后结合PLS算法,建立了不同等级婺源绿茶儿茶素含量和感官评分的预测模型,模型预测结果如表3所示,CARS变量筛选算法性能较优,从原始光谱中提取感官评分和儿茶素含量有关的特征波段分别为38个和45个,特征波段分布区间如图3-d所示。
a-CARS变量筛选结果;b-SFLA变量筛选结果;c-VISSA变量筛选结果;d-感官评分和儿茶素含量最佳特征波段
图3 原始光谱变量筛选结果图
Fig.3 Screening results of raw spectral variables
表3 不同变量筛选算法对品质指标模型预测性能的影响
Table 3 Effects of different variable screening algorithms on the predictive performance of quality indicator models
指标方法变量数主成分数训练集预测集RcRMSECVRpRMSEPRSD感官评分 CARS-PLS3880.935 2.141 0.916 2.237 2.585 SFLA-PLS4990.873 2.964 0.867 3.125 1.783VISSA-PLS4780.893 2.670 0.882 2.874 1.963 CARS-RF3880.942 1.925 0.927 2.004 2.756 SFLA-RF4990.8872.8620.8703.0571.869VISSA-RF4780.9052.5410.8932.7442.069儿茶素含量CARS-PLS4570.931 0.997 0.905 1.086 2.484 SFLA-PLS5680.869 1.284 0.831 1.527 1.664 VISSA-PLS5280.924 0.983 0.915 1.142 2.257 CARS-RF4570.9400.9770.9391.1272.548SFLA-RF5680.8761.1970.8471.4781.728VISSA-RF5280.9370.9800.9201.1352.493
2.4 茶叶品质定量预测模型优选
PLS模型多用于寻求2个矩阵(X和Y)的基本关系,试图找到X空间的多维方向来解释Y空间方差最大的多维方向。建模时,从X与Y中分别提取出变量t和u,在满足相关要求的前提下,t和u尽可能多地拥有X和Y中的变异信息,使对应关系应该达到最大,提取第一个成分后,算法将实行X对t及Y对t的回归,如果模型性能较好,则算法终止,否则,将对第一轮X对t及Y对t的回归解释后的残余信息再次提取数据,如此往复,直至模型拥有较好地性能,最终利用从X中提取的成分信息,建立关于原自变量X的回归方程。RF模型是一种基于决策树的集成算法, 通过对多个回归树模型的集成来提高预测精度,主成分个数(PCs)和决策树数量(N)直接影响RF模型的预测精度,本研究选取10个PCs和20个N值(50～1 000,步长为50)作寻优处理,以各品质成分模型的RMSEC值作为参数优选依据。
为获取较优模型实现不同等级的婺源绿茶感官得分和儿茶素含量的快速预测,将原始光谱预处理和变量筛选后,结合线性PLS算法和非线性RF算法进行建模分析,结果如表3所示。在预测不同品质等级的茶叶样品感官评分和儿茶素含量时,非线性RF模型结果明显优于线性PLS模型,对于不同品质等级的婺源绿茶感官评分的预测,基于SNV预处理后的CARS-RF模型效果最佳,当PCs=5,N=1 000时,模型的RMSECV值最小,其值为0.026,预测集的Rp、RMSEP和RSD值分别为0.927、2.004和2.756,模型寻优结果如图4-a所示,预测值和实测值的关系如图4-b所示;对于儿茶素总量的预测,当PCs=8,N=927时,模型的RMSECV值最小,其值为0.031,预测集的Rp、RMSEP和RSD值分别为0.939、1.127和2.548,模型寻优结果如图4-c所示,预测值和实测值的关系如图4-d所示。
a-感官评分的RF模型寻优图;b-感官评分的RF模型预测图;c-儿茶素总量的RF模型寻优图;d-儿茶素总量的RF模型预测图
图4 不同品质等级的婺源绿茶感官评分与儿茶素含量最优模型预测结果图
Fig.4 The optimal model prediction results of sensory score and catechin content of different quality grade Wuyuan green tea of
3 结论
本研究针对婺源绿茶品质等级预测方面存在的实际问题,基于近红外光谱无损检测技术,结合评茶员和理化分析对样品的感官审评结果和儿茶素含量检测结果,使用机器学习智能算法,实现了婺源绿茶感官品质的在线监测和关键内质成分的快速测量。结果表明,光谱数据经预处理后,模型性能大幅提高,其中SNV为感官得分的最佳预处理方法,Min-max为儿茶素含量的最佳预处理方法;CARS能够有效去除冗余信息,准确选取样品感官得分和儿茶素相关的特征波长;非线性RF模型的预测效果优于线性PLS模型,对感官评分和儿茶素含量的预测精度分别达到了0.927和0.939,满足了实际生产中的应用需求。但是该方法获取的样本信息较为片面,只能获取茶叶内质成分因子的信息,导致模型性能传递性较差,对不同批次和季节的茶叶样品模型效果不稳定,因此,在未来婺源绿茶品质的快速检测方面,应该借助机器视觉和电子鼻等其他快速检测技术,同时获取婺源绿茶内质成分、香气和颜色等信息,使用数据融合策略,建立针对不同品种、季节、批次和等级的普适性模型。
[1] 方县良,卢新松,程建华,等.婺源县茶产业发展的优势、问题及建议[J].蚕桑茶叶通讯,2022(2):37-39.FANG X L, LU X S, CHENG J H, et al.Advantages, problems and suggestions of tea industry development in wuyuan county[J].Newsletter of Sericulture and Tea,2022(2):37-39.
[2] 徐春晖,王远兴.基于GC-MS结合化学计量学方法鉴别3种江西名茶[J].食品科学,2020,41(20):141-150.XU C H, WANG Y X.Discrimination of three famous teas in Jiangxi using gas chromatography-mass spectrometry combined with chemometrics[J].Food Science,2020,41(20):141-150.
[3] YANG C S, ZHAO Y, AN T, et al.Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging[J].LWT, 2021, 141:110975.
[4] RANATUNGA M, UWADAIRA Y, IKEHATA A, et al.NIR spectroscopic determination of polyphenol content in teas and tea extract at 2142 nm[J].Sensors and Materials, 2021, 33(12):4135.
[5] AMSARAJ R, MUTTURI S.Classification and quantification of multiple adulterants simultaneously in black tea using spectral data coupled with chemometric analysis[J].Journal of Food Composition and Analysis, 2024, 125:105715.
[6] TURGUT S S, ENTRENAS J A, TA
K
N E, et al.Estimation of the sensory properties of black tea samples using non-destructive near-infrared spectroscopy sensors[J].Food Control, 2022, 142:109260.
[7] JOHNSON J B, THANI P R, NAIKER M.Through-container detection of tea tree oil adulteration using near-infrared spectroscopy (NIRS)[J].Chemical Papers, 2023,77(4):2009-2017.
[8] DONG C W, LIU Z Y, YANG C S, et al.Rapid detection of exogenous sucrose in black tea samples based on near-infrared spectroscopy[J].Infrared Physics &Technology, 2021,119:103934.
[9] 王华杰,滑金杰,余勤艳,等.基于IRAE-HS-SPME/GC-MS分析杀青方式对绿茶栗香形成的影响[J].食品科学,2021,42(14):209-217.WANG H J, HUA J J, YU Q Y, et al.Effects of fixation methods on the formation of the chestnut-like aroma of green tea analyzed by infrared-assisted extraction coupled to headspace solid-phase microextraction combined with gas chromatography-mass spectrometry[J].Food Science,2021,42(14):209-217.[10] JIA J M, ZHOU X F, LI Y, et al.Establishment of a rapid detection model for the sensory quality and components of Yuezhou Longjing tea using near-infrared spectroscopy[J].LWT, 2022, 164:113625.
[11] DONG C W, AN T, YANG M, et al.Quantitative prediction and visual detection of the moisture content of withering leaves in black tea (Camellia sinensis) with hyperspectral image[J].Infrared Physics &Technology, 2022, 123:104118.
[12] 李艳坤,董汝南,张进,等.光谱数据解析中的变量筛选方法[J].光谱学与光谱分析,2021,41(11):3331-3338.LI Y K, DONG R N, ZHANG J, et al.Variable selection methods in spectral data analysis[J].Spectroscopy and Spectral Analysis,2021,41(11):3331-3338.
[13] 甄欢仪,马瑞峻,陈瑜,等.基于CARS和K-S的马拉硫磷农药浓度吸收光谱预测模型研究[J].光谱学与光谱分析,2020,40(5):1601-1606.ZHEN H Y, MA R J, CHEN Y, et al.Study on prediction model of malathion pesticide concentration absorption spectra based on CARS and K-S[J].Spectroscopy and Spectral Analysis,2020,40(5):1601-1606.
[14] 周修理,张萍萍,秦娜,等.基于GA-RF模型土壤坚实度对黑土区大豆产量的影响[J].东北农业大学学报, 2022, 53(10):67-75.ZHOU X L, ZHANG P P, QIN N, et al.Effects of soil penetration resistance on soybean yield in black soil region based on GA-RF model[J].Journal of Northeast Agricultural University, 2022, 53(10):67-75.
[15] BENSEMMANE, N, BOUZIDI N, DAGHBOUCHE Y, et al.Prediction of total phenolic acids contained in plant extracts by PLS-ATR-FTIR[J].South African Journal of Botany, 2022,151:295-305.
[16] 张贱根,刘均华,刘知远,等.基于相关性和主成分分析的上犹名优绿茶品质评价[J].食品安全质量检测学报,2023,14(3):285-292.ZHANG J G, LIU J H, LIU Z Y, et al.Quality analysis of Shangyou famous green tea based on correlation and principal component analysis[J].Journal of Food Safety and Quality,2023,14(3):285-292.
[17] 孙晓荣,胡毅然,刘翠玲,等.基于近红外光谱技术的茶叶新旧鉴别及产地溯源研究[J].食品安全质量检测学报,2023,14(5):53-59.SUN X R, HU Y R, LIU C L, et al.Identification of new and old tea and origin traceability based on near infrared spectroscopy[J].Journal of Food Safety and Quality,2023,14(5):53-59.
[18] 浦宇文.基于近红外光谱的茶鲜叶分级研究与试验[D].合肥:安徽农业大学,2022.PU Y W.Research and experiment on classification of fresh tea leaves based on near-infrared spectroscopy[D].Hefei:Anhui Agricultural University,2022.
[19] 林正雨,陈强,邓良基,等.基于MaxEnt和MCR的四川省柑橘生产布局模拟[J].中国农业资源与区划,2019,40(9):64-74.LIN Z Y, CHEN Q, DENG L J, et al.Simulation of Citrus production layout in Sichuan province based on maxent and mcr[J].Chinese Journal of Agricultural Resources and Regional Planning,2019,40(9):64-74.
[20] 宋真.基于改进CenterNet的植物叶片分割与参数提取[D].桂林:广西师范大学,2021.SONG Z.Plant leaf segmentation and parameter extraction based on improved CenterNet[D].Guilin:Guangxi Normal University,2021.
[21] 李丰先,罗磊,李亚杰,等.基于PCA和隶属函数法分析的马铃薯创新种质抗旱性鉴定与分类[J].干旱区资源与环境,2022,36(11):141-147.LI F X, LUO L, LI Y J, et al.Identification and classification of drought resistance of potato germplasm based on PCA and membership function analysis[J].Journal of Arid Land Resources and Environment, 2022,36(11):141-147.
[22] 王文才,赵刘,李绍稳,等.基于特征波长选择和建模的高光谱土壤总氮含量估测方法研究[J].浙江农业学报,2018,30(9):1576-1584.WANG W C, ZHAO L, LI S W, et al.Prediction of soil total nitrogen content from hyperspectral data based on charateristic wave-length selection and modelling[J].Acta Agriculturae Zhejiangensis,2018,30(9):1576-1584.
[23] 聂志刚,李广,王钧,等.基于APSIM模型旱地小麦叶面积指数相关参数的优化[J].中国农业科学,2019,52(12):2056-2068. NIE Z G, LI G, WANG J, et al.Parameter optimization for the simulation of leaf area index of dryland wheat with the APSIM model[J].Scientia Agricultura Sinica,2019,52(12):2056-2068.
[24] SUN J, TIAN Y, WU X H, et al.Nondestructive detection for moisture content in green tea based on dielectric properties and VISSA-GWO-SVR algorithm[J].Journal of Food Processing and Preservation, 2020, 44(5).