基于近红外光谱波段优选的针叶木材基本密度估测模型的优化研究

【目的】木材基本密度在木材质量等级评定中具有重要作用,是木材分流及精细化利用的重要依据。【方法】以东北林区典型针叶树种为研究对象,结合近红外光谱技术,构建红松、落叶松、云冷杉木材基本密度近红外估测模型,分析比较了不同波段优选算法并进行了模型优化。研究采用竞争性自适应重加权法(CARS)、无信息变量消除法(UVE)和间隔偏最小二乘法(iPLS)对木材近红外光谱波段进行优化,基于卷积平滑算法对近红外光谱数据进行预处理,结合偏最小二乘法(PLS)建立针叶木材基本密度估测模型。依据相关系数(R)、均方根误差(RMSEC)等模型参数对模型效果进行评价,对比分析确定最佳波段优选方法,得到最优针叶木材基本密度近红外估测模型。【结果】利用CARS、UVE、i PLS的波段优化方法对近红外光谱波段的筛选,可以起到优化针叶木材基本密度模型的作用,减少参与建模的近红外光谱的波段变量数,明显提升模型的运算速度,使得模型准确度更高、稳定性更好;利用间隔偏最小二乘法结合偏最小二乘法(iPLS-PLS)进行波段优选的针叶木材基本密度模型效果最好,其模型校正相关系数为0.938 0,校正均方根误差为0.021 8,验证相关系数为0.8959,验证均方根误差为0.028 0。【结论】基于波段优选及模型优化构建东北林区典型针叶树种基本密度近红外估测模型,可以有效提高运算速度及估测精度,实现针叶材基本密度的快速、准确、无损估测,为针叶木材材性研究和森林培育提供了理论依据与技术支撑,有利于进一步实现木材的高效节约与精细化利用。     

粗皮桉木材力学性质的近红外光谱方法预测

以人工林粗皮桉木材为研究对象,采用常规力学测试方法和近红外光谱方法对其无疵小试样力学性质进行研究。用近红外光谱仪采集试样表面的近红外光谱,对采集的近红外漫反射光谱进行导数预处理并对不同波段光谱建立校正模型,以1/3试样作为预测集对校正模型进行验证。结果表明:二阶导数预处理、350～25000nm全光谱波段、径切面和弦切面平均光谱值对粗皮桉木材力学性质模型预测效果最好。抗弯弹性模量和抗弯强度、顺纹抗压强度的实测值与近红外光谱方法的预测值存在较好的相关性,相关系数均大于0.88,相对分析误差大于2.0,表明利用近红外光谱方法预测人工林粗皮桉木材力学性质效果较好。     

湿加松16种黄酮总含量近红外预测模型的建立

在950～1650 nm的光谱范围内,使用DA2700型近红外光谱仪采集了110个湿加松Pinus elliottii × P.caribaea松针粉末样本的光谱数据。结合实际测定值,采用偏最小二乘(PLS)回归法并选择最佳光谱预处理方法和最佳主成分数,建立湿加松松针组织16种黄酮物质总含量的快速预测模型。结果表明:采用一阶导数(FD)与滤波拟合(SG)相结合法对光谱数据进行预处理且当主成分数为10时,可得最优模型。其校正集相关系数(R_c)和交互验证集相关系数(R_v)分别为0.852 1和0.705 9。校正集均方根误差(RMSEC)和交互验证集均方根误差(RMSEV)分别为6.361 0和9.150 9。外部验证集测定值和模型预测值之间的相关系数为0.8537。综合表明所建模型预测精度高、可靠性强,可用于湿加松松针组织16种黄酮物质总含量的预测。     

基于近红外光谱与BP神经网络预测落叶松木屑的含水率

利用近红外光谱(NIR)技术结合BP神经网络定量预测了落叶松木屑的含水率。首先对采集的落叶松木屑原始近红外光谱进行9点平滑及多元散射校正预处理,然后利用主成分分析法提取光谱数据主成分作为BP神经网络的输入,最后建立BP神经网络预测模型并采用交叉验证法对模型进行验证。所建模型校正集的相关系数R为0.98,校正集的均方根误差RMSEC为0.001 7;预测集的相关系数R为0.99,预测集的均方根误差RMSEP为0.001 5。研究表明,此方法可以实现对落叶松木屑含水率的快速预测。     

应用NIR及主成分回归预测落叶松密度的研究

运用近红外光谱主成分回归法对落叶松样品密度进行研究，校正集的相关系数（R）为0．86，校正集标准误差（SEC）为0．01，预测集的相关系数（R）为0．89，预测集标准误差（SEP）为0．02，对未参与建模的12个未知样品进行密度预测，相关系数达0．95。研究表明，近红外光谱能够快速、准确地对落叶松样品密度进行预测，这为快速检测落叶松木材材性提供了一种新方法。     

近红外光谱快速预测乙酰化木材的增重率

采用近红外光谱技术对乙酰化大青杨和樟子松木材的增重率进行快速预测。在近红外波长780～2500 nm范围内,利用偏最小二乘法( PLS)建立木材横切面原始光谱及不同预处理(一阶导数、二阶导数、归一化处理和消噪)光谱乙酰化木材增重率数学模型,并进行比较分析。结果表明：乙酰化大青杨和樟子松木材分别选用归一化处理光谱和消噪光谱建立的增重率校正模型预测效果较好,预测模型相关系数( R)分别为0.90和0.70,预测标准差(RMSEP)分别为1.0072和1.3012,其中乙酰化大青杨木材增重率预测模型实测能力较佳,表明利用木材横切面近红外光谱建立的数学模型可以实现乙酰化木材增重率的快速预测。     

近红外光谱法快速预测栓皮栎木材密度可行性研究

采用偏最小二乘法(PLS),建立近红外光谱快速预测栓皮栎木材气干密度的方法。以来自4棵栓皮栎木材不同径向部位的131个样品为研究对象,按GB/T1933—2009《木材密度测定方法》测定气干密度,并采集其近红外光谱,结果显示采用横切面光谱建立的模型效果最佳。通过梯度法选择多个建模样本集建立了多个PLS模型,模型的校正及预测相关系数均大于0.9。研究表明近红外光谱法快速预测栓皮栎木材气干密度具有可行性。     

基于人工蜂群算法优化SVM的NIR杉木弹性模量预测

【目的】利用近红外光谱分析技术,提出一种基于人工蜂群算法优化支持向量机(ABC-SVM)的木材弹性模量预测模型,为木材弹性模量无损预测提供科学参考。【方法】以294个杉木样本为试验材料,采用常规力学方法测量样本弹性模量,采集样本近红外漫反射光谱,选择350～2 500 nm光谱段,对原始数据进行15步指数平滑和一阶导数预处理,并利用主成分分析降维处理后的数据,建立偏最小二乘回归(PLS)模型、支持向量机回归(SVR)模型和人工蜂群算法优化支持向量机(ABC-SVM)模型预测杉木弹性模量,采用决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)对所建模型进行对比分析。【结果】PLS模型的R2为0.726 700、RMSE为6.744 9、MAPE为0.063 5、MAE为5.065 6; SVR模型的R2为0.935 305、RMSE为3.528 1、MAPE为0.023 7、MAE为1.840 9;将人工蜂群算法用于SVM参数寻优,获得的最优参数c=5.670 51、g=0.031 25,ABC-SVM模型的R2为0.935 371、RMSE为3.526 0、MAPE为0.023 7、MAE为1.840 0。3种模型均可对杉木弹性模量进行有效预测。【结论】1)根据决定系数(R2),SVR和ABC-SVM模型的预测性能优于PLS模型,ABC-SVM模型的预测性能最佳; 2)根据均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE),3种模型的MAPE均在可接受范围内,ABC-SVM模型关于误差的各项指标均最小,基于ABC-SVM模型预测杉木弹性模量高效、科学。     

油桐籽含油率近红外光谱检测模型的构建

为实现油桐籽含油率的快速检测,采用近红外光谱结合化学计量学方法对油桐籽含油率的测定进行了研究。107个样本用Kennard-Stone法划分为校正集(80个)和验证集(27个)。光谱经预处理方法优化,确定一阶导数结合均值中心化预处理最优。分别采用竞争性自适应重加权算法筛选变量及小波变换压缩变量,比较了偏最小二乘法与径向基神经网络法所建模型的预测性能,确定竞争性自适应重加权算法筛选出的8个变量用于偏最小二乘法建模,所建模型预测性能最好:验证集相关系数0.927,均方根误差2.08,相对标准偏差为3.99%。结果表明竞争性自适应重加权算法筛选变量结合偏最小二乘法建模,所建模型简单,精度较好,可用于油桐籽含油率的快速检测。     

基于灰狼算法SVM的NIR杉木密度预测

【目的】提出一种基于灰狼算法支持向量机(GWO-SVM)的木材密度预测模型,利用近红外光谱(NIR)对杉木密度进行预测,为杉木性质定量分析提供理论依据。【方法】将109个杉木样品光谱数据和样品密度数据进行归一化,选取88个样品作为训练集、21个样品作为测试集,对2 151维光谱数据提取主成分,以主成分作为输入变量,以杉木样本密度作为输出变量,建立杉木密度多元线性回归(MLR)模型、SVM模型和GWO-SVM模型,采用决定系数(R~2)、均方误差(MSE)和平均绝对百分误差(MAPE)对3种模型的预测结果进行比较分析。【结果】对光谱数据进行主成分分析并选择5个主成分,其累积贡献率达98.7%。MLR模型的R~2为0.771 4,MSE为0.000 282 1,MAPE为3.009 23%; SVM模型的R~2为0.923 8,MSE为0.000 233 1,MAPE为2.794 50%;灰狼算法对SVM进行参数寻优,获得的最优参数分别为C=18.366 6、σ=0.043 3,GWO-SVM模型的R~2为0.919 2,MSE为0.000 183 4,MAPE为2.496 37%。3种模型的平均绝对百分误差均在可接受范围内,且GWO-SVM模型的平均绝对百分误差最小,预测效果最好。【结论】从预测精度分析,GWO-SVM模型明显优于MLR模型和SVM模型;从模型决定系数分析,GWO-SVM模型和SVM模型均优于MLR模型。灰狼算法优化支持向量机结合近红外光谱对杉木密度进行预测分析合理、高效。     

基于高分二号的旺业甸林场蓄积量估测模型研究

【目的】为了探究国产高分二号(GF-2)影像在林分蓄积量估测中的潜力,并找到最佳的蓄积量估测模型。【方法】本次实验以内蒙古旺业甸林场为研究区,以高分二号卫星影像为信息源,结合2017年10月份调查的75块样地以及同时期的GF-2影像数据,提取波段特征、植被指数和纹理特征等43个遥感因子作为候选变量,利用Pearson相关系数选择出与蓄积量显著相关的6个变量,采用多元线性回归模型(MLR)、BP-神经网络模型(BP-ANN)、随机森林模型(RF)、支持向量机模型(SVM)和K邻近模型(KNN)进行蓄积量的估测。以决定系数(R^2)、均方根误差(RMSE)、相对均方根误差(RRMSE%)作为5种模型的评价指标,选择出旺业甸林场的最佳蓄积量估测模型,并绘制了研究区的森林蓄积量分布图。【结果】4种机器学习模型的结果明显优于传统的线性模型,其中随机森林(RF)模型和K邻近模型(KNN)均得到了较高的精度,其中RF模型的R^2为0.66,均方根误差为55.2 m^3/hm^2,相对均方根误差为28.1%,KNN模型的R^2为0.64,均方根误差为57.6 m^3/hm^2相对均方根误差为29.3%。【结论】在利用高分二号数据进行旺业甸林场蓄积量估测时,RF和KNN模型在估测针叶林蓄积量时相比于其他模型可以取得更好的结果。     

基于哑变量的湿地松林分断面积生长模型

[目的]为更好地估测福州市湿地松人工林林分断面积生长情况,同时为湿地松人工林的经营提供参考依据.[方法]基于样地调查数据选用理查德方程、逻辑斯蒂、Mitscherlich和Schumacher等基础模型,引入优势木平均高和年龄因子为自变量并将林分密度指数作为密度指标加入到基础断面积模型中.在最优基础模型中引入哑变量,建...     

基于距离相关系数和KNN回归模型的森林蓄积量估测研究

【目的】探究Landsat8 OLI数据和KNN算法在森林蓄积量估测中的潜力。【方法】以湖南省湘潭县为研究区,采用Landsat8 OLI数据和同时期的二类调查数据,通过距离相关系数筛选特征,分别采用线性回归模型(MLR)、K-近邻模型(KNN)、距离加权KNN模型(DW-KNN)和优化欧式KNN模型(FW-KNN)对森林蓄积量进行估测。使用十折交叉方法进行精度检验,对检验结果进行对比分析。【结果】3种KNN模型的估测结果均高于传统的线性模型,并且在3种KNN模型中,FW-KNN算法效果最好,决定系数达到0.69,为3种模型中最高;3种KNN模型中,本研究优化欧氏距离KNN模型的估测精度最高,其均方根误差为30.3%,相比于传统KNN模型的均方根误差降低了5.1%,相比于DW-KNN模型降低了3.3%。【结论】采用DW-KNN蓄积量估测结果明显优于其他两种模型,说明通过特征与蓄积量的相关性优化样本间的距离是一种可行的KNN优化方法。     

历山典型植被土壤碳代谢指纹特征与差异

【目的】研究不同海拔典型森林土壤中土壤微生物碳代谢特征与差异。【方法】在山西省历山选取了7种典型植物群落,即亚高山草甸(C1),华山松纯林(C2),红桦、榆树、五角枫、辽东栎阔叶混交林(C3),榆树、核桃楸、青皮椴、辽东栎阔叶混交林(C4),白桦、青皮椴、核桃楸、华北落叶松、油松针阔混交林(C5),白皮松、油松针叶混交林(C6)、油松纯林(C7)作为实验样地。采用BIOLOG技术,研究其碳代谢指纹的特征与差异。【结果】结果表明:反映微生物活性的平均颜色变化率(average well color development,AWCD)的大小顺序为C5> C1> C4> C3> C6> C7> C2,且相互之间差异显著(P <0.05),即白桦、青皮椴、核桃楸、华北落叶松、油松针阔混交林土壤中微生物群落利用碳源的能力最强,华山松纯林最低;土壤微生物代谢多样性指数同样反映这一规律。【结论】1)各植被类型下土壤微生物群落对各碳源的利用的主成分分析研究结果表明,不同植被类型下土壤微生物代谢碳源程度各异。2)综合31种碳源的利用,碳水化合利用率最高,其次依次为氨基酸、羧酸类、多聚类、酚酸类,胺类碳源的利用率最小。3)土壤微生物代谢多样性与海拔梯度并无规律性关系,而与地上植物的种类和数量密切相关。     

兴安落叶松立木材积和树皮材积可加性模型研建

【目的】确保立木材积和树皮材积预测的一致性并提高预测精度。【方法】以大兴安岭兴安落叶松为研究对象,分别采用控制法和分解法研建了可加性模型系统。利用SAS统计软件模型模块proc model中的NSUR法进行拟合及参数估计。拟合结果采用确定系数(R2)和均方根误差(RMSE)进行评价;检验结果则通过确定系数(R2)、均方根误差(RMSE)、平均相对误差(MRE)、平均误差绝对值(MAB)和相对误差绝对值(MPB)进行评价。【结果】从模型的整体评价结果来看,两种方法的拟合和检验效果均很好,基于分解法构建的模型略优于基于控制法构建的模型;不同径阶的检验表明,对于中等径阶的树木(20≤D<36 cm),基于控制法的模型相对较好,而对于小径阶(5≤D<20 cm)和大径阶的树木(D≤36 cm),基于分解法的带皮、去皮、树皮材积模型的预测精度要比基于控制法的各立木材积模型要稍好。【结论】总的来说,两种可加性模型系统均能很好地预测单木带皮材积、去皮材积和树皮材积,并确保得到满足一致性的预测结果,在具体应用时可根据实际情况选择适合的可加性材积模型系统。     

云冷杉红松林内优势种群的空间格局及种间关联性

【目的】以云冷杉红松林(Spruce-fir-Korean pine forest)为研究对象,探究林隙干扰后优势种群之间的关系。【方法】基于凉水国家级自然保护区外业调查的基本数据,利用点格局分析方法对优势种群的空间格局进行分析,利用χ2检验和联结系数AC两种方法对优势种群的种间关联性进行分析。【结果】1)红松Pinus koraiensis在空间尺度为0~1.9 m时呈现随机分布,在≥1.9 m时为聚集分布。臭冷杉Abies nephrolepis、白桦Betula platyphylla和红皮云杉Picea koraiensis在所有尺度上均表现为聚集分布,紫椴Tilia amurensis在尺度为0~35 m时呈现聚集分布,在>35 m时为随机分布。2)红松与臭冷杉在所有尺度上均为聚集分布,红松与其他优势种群多为离散分布,红松与其他优势种群的种间关联性表现为无关。臭冷杉与白桦、紫椴在空间格局上主要为聚集分布,种间关联性为极显著负相关,表现为强烈的竞争关系。臭冷杉与红皮云杉在小尺度表现为离散分布,大尺度上为随机分布,种间关联性为不显著的正相关,说明其间的依赖性不强。白桦、红皮云杉和紫椴3种优势种群之间的空间格局主要为聚集分布,红皮云杉与白桦、紫椴与红皮云杉之间的种间关联性为显著负相关,白桦与紫椴之间为显著正相关。【结论】2个树种中优势度较高的树种的胸径决定了其空间格局的聚集程度以及种间关联性的显著程度,即平均胸径大的树种与其他树种表现为空间上离散,平均胸径小的树种之间表现为空间上聚集。     

Nonlinear multivariate modeling of strand density from near-infrared spectra

The variation of juvenile wood concentration within a southern pine feedstock can impact strand density variation during composite processing. Higher strand density variation can equate to increased variance in product performance and higher manufacturing costs. In this study, near-infrared spectroscopy coupled with linear and nonlinear methods of calibration was used to predict strand density. The best performing model was developed with a 1st derivative pretreatment and 6 factors including a quadratic term and exhibited a root mean square error of prediction (RMSEP)?=?0.0566, R ²?=?0.84, and a ratio of performance to deviation (RPD)?=?2.30. When only the radial surface was presented and a linear model was utilized, the RMSEP was lowered to 0.033 and the RPD increased to 3.93 and confirmed that a random surface orientation will decrease model precision. The Box-Behnken design was found useful in providing a competitive nonlinear calibration model but with a smaller sample size.     

湖南楠木次生林生长与收获预估模型

【目的】建立湖南省楠木次生林林分断面积与蓄积相容性生长收获预估模型,为林分的生长预测和经营决策提供理论依据。【方法】以湖南省1989—2014年6期一类清查样地中的楠木次生林为研究对象,建立其林分断面积和蓄积生长的联立方程组,在此基础上,加入样地效应,构建基于混合效应的联立方程系统。【结果】基础模型包括3个含林分变量的内生变量,模型M1、G2、M2拟合的确定系数(R2)分别为0.860、0.907、0.778;相比基础模型,混合效应模型不仅在R2上有所提高(0.960,0.913,0.915),其平均误差(Bias)和均方根误差(RMSE)也有明显的降低;对比残差分布图,发现混合效应模型拥有分布范围更小、分布更均匀的残差值;通过对比混合效应模型不同模拟的AIC、BIC值,同时结合似然比(LRT)检验,确定了M1、G2和M2的随机参数分别为(β1,β3)、(β6)和(β1,β3,β6)。【结论】基于混合效应的湖南楠木次生林相容性联立方程系统能够提高模型的精度与适用性,更准确地预估该林分的生长与收获,为其经营管理提供科学依据。     

江南油杉细根生物量空间分布及其对土壤水分的响应

【目的】探明广西不同栽培区江南油杉细根生物量的空间分布共性及其对土壤水分的响应机制。【方法】以广西3个栽培区江南油杉人工幼林为研究对象,采用根系全株分层挖掘和根系形态结构分析法,定量分析江南油杉幼树不同径级细根生物量密度、根长密度和表面积密度的空间分布特征。【结果】1)江南油杉幼林期细根生物量在垂直方向上主要分布在0~90 cm土层中,且0~60 cm范围内的细根生物量占总量的81.83%,细根生物量随土层深度的增加呈升高—降低—再升高的趋势。细根生物量在水平方向上主要分布在距树干0~100 cm范围内,其中0~50 cm细根生物量占总量的87.40%。综合不同径级根长密度和根表面积密度分析结果表明,d <5 mm径级细根是江南油杉幼树占主导地位的吸收根系,其中0.5 mm≤d <2 mm径级细根在不同样地以及不同土层中的根长密度值最大,是决定江南油杉幼树根长密度分布特征的主要根系。2)江南油杉细根总生物量、根系长度、根表面积与土壤水分含量呈显著的相关性,表明江南油杉细根分布对土壤水分含量的响应敏感。【结论】江南油杉细根生物量垂直分布的"双峰"特征有利于根系对表层土壤水分在下渗过程中的二次吸收利用。0~60 cm土层是江南油杉幼树根系发挥生理功能的主要土层,可作为该树种水肥管理的重要区域。     

基于混合效应的湖南马尾松次生林单木生长模型

【目的】建立湖南省马尾松次生林单木断面积与材积生长模型,为林木的生长预估提供理论依据。【方法】以湖南省2014年一类清查样地中的20块马尾松次生林为研究对象,选取5个具有生物学意义的生长方程,建立马尾松断面积和材积随年龄变化的基础模型,在此基础上,加入以样地为随机效应的随机参数,构建基于混合效应的湖南马尾松次生林单木断面积和材积生长模型。【结果】断面积生长最优基础模型为Logistic方程,其确定系数(R2=0.746)和预测精度(P=98.13%)最大,残差平方和(SSE=0.025)最小;材积生长最优基础模型为Richards方程,其R2为0.703,预测精度为97.20%,SSE为1.034;混合效应模型模拟结果显示,断面积和材积生长模型的随机参数均为μ1、μ2、μ3。混合效应模型的拟合效果较基础模型有显著提升,其中断面积生长模型的R2由0.746提升到0.974,平均误差Bias由0.000 26降低到0.000 01;材积生长模型的R2由0.703提升到0.984,平均误差Bias由0.001 73降低到0.000 13。两个模型的预测精度较对应的基础模型均有所提升。【结论】含样地效应的混合效应模型拟合效果和预测精度均优于基础模型,具有更高的适用性,可为该林分的可持续经营提供科学指导。