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。     

基于不同预处理的椴树木材基本密度近红外光谱估测及模型优化

【目的】木材的基本密度在木材质量等级评定中起着重要的作用,是木材分流及精细化利用的重要依据。利用近红外光谱技术,实时监测木材性质,掌握木材性质的变化,为进一步制定和改善林木培育方法提供理论依据。【方法】借助树木生长锥对椴树活立木取样,以椴树样品基本密度真值和近红外光谱数据为输入,分别通过卷积平滑、一阶导数和二阶导数预处理方法来实现近红外光谱数据的预处理,建立了基于偏最小二乘法(PLS)的椴树木材基本密度的近红外估测模型。【结果】在350~2 500 nm波段范围内,一阶导数预处理的椴树木材基本密度模型是最优的,校正集相关系数为0.964 8,校正均方根误差为0.002 7,验证集相关系数为0.943 2,预测均方根误差为0.003 3。在对近红外光谱数据进行去噪优化处理,构建椴树木材基本密度模型后,在500~2 300 nm波段范围内,一阶导数预处理椴树木材基本密度模型依旧最优,其校正集相关系数为0.987 1,校正均方根误差为0.001 6,验证集的相关系数是0.948 6,预测的均方根误差是0.002 1。【结论】选择特定的预处理方法,结合样本特征,建立椴树木材基本密度模型,可以显著降低建模成本,提高模型预测精度,快速测定椴树木材的基本密度。     

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。     

近红外光谱技术快速定量油茶籽含油率及脂肪酸组成

【目的】利用近红外光谱技术构建定量预测模型,及时获得油茶重要的经济性状指标并进行评价,以简便快速、绿色安全而又准确地测定大批量油茶样品的含油率和脂肪酸组成,为油茶良种选育提供数据基础和依据。【方法】用气相色谱法测定100份油茶样品的含油率（Oil content,OC）及棕榈油酸（Palmitoleic acid,POA）、棕榈酸（Palmitic Acid,PA）、硬脂酸（Stearic acid,SA）、油酸（Oleic acid,OA）、亚油酸（Linoleic acid,LOA）、亚麻酸（α-Linolenic acid,ALA）、不饱和脂肪酸（Unsaturated fat acid,USFA）、饱和脂肪酸（Saturated fat acid,SFA）的含量水平,并作为试验测定值。对其中90份样本用近红外光谱技术,采用漫反射扫描方式,采集经过粉碎处理的油茶样品光谱,光谱序列通过光谱残差和特征残差结合的方法进行优化预处理,对光谱数据进行标准归一化,并结合导数法方法处理,结合偏最小二乘法建立油茶样品含油率和主要脂肪酸组成的定量预测模型。另外10份样本作为模型的外部验证。【结果】...     

近红外光谱法测定毛竹综纤维素的含量研究

研究了用近红外光谱(NIR)结合多变量统计分析技术对毛竹综纤维素含量的快速测定。用常规实验室方法测定了54个竹材样品的综纤维素含量,用近红外光谱仪采集相应样品的光谱,对原始光谱进行二阶导数和25点平滑预处理后,从54个竹材样品中挑选41个代表性的样品建模,选择1011~1675nm和1930~2488nm波段区间,用偏最小二乘法(PLS1)和完全交互验证方式建立毛竹综纤维素含量的预测模型。结果表明,毛竹综纤维素含量和近红外光谱之间存在非常好的相关性,预测模型的相关系数(RP)为0.95,预测模型的标准偏差(SEP)为0.76%。     

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。     

非线性算法在近红外预测木材密度中的应用研究

研究基于近红外光谱技术的木材密度预测。运用基于高斯核变换的非线性偏最小二乘法建立密度预测模型,并且对所建模型的评价参数进行了对比分析。结果表明该方法建立的预测模型能对样品的密度进行有效预测。研究表明样品近红外光谱信息与样品的实际密度值之间不是单纯的线性关系,非线性模型可以更好地表征二者之间的关系。     

近红外高光谱技术在亚美马褂木与其亲本木材鉴别中的应用

亚美马褂木(Liriodendron sion-americanum)是一种通过中国马褂木和北美鹅掌楸杂交培育获得的优良阔叶工业树种与园林绿化树种。相比于亲本,亚美马褂木具有生长更快、适应性更广、材性更优等特点。由于亚美马褂木和其亲本木材在外观上相似度较高,因此木材交易中常出现以次充好的问题,破坏了市场秩序。为解决亚美马褂木木材鉴别问题,降低木材鉴别误差,本试验基于近红外高光谱(NIR-HSI)技术,建立亚美马褂木和其亲本的木材快速无损鉴别方法。使用近红外高光谱仪采集了亚美马褂木、北美鹅掌楸和中国马褂木木材样品的光谱信息,建立偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)2种判别模型,比较了连续投影算法(successive projections algorithm, SPA)、SG平滑(S-G smoothing)、多元散射校正(multiplicative scatter correction, MSC)、归一化数据(Normalize)和标准正态变量变换(standard normal variate, SNV)5种预处理方法对建模的影响。试验结果表明：亚美马褂木与其...     

基于近红外光谱技术的4种樟属植物识别技术研究

探究近红外光谱分析技术应用于樟属植物识别的可行性,为樟属植物识别提供一个新方法。本研究运用近红外光谱仪采集猴樟、黄樟、油樟、银木4种樟属植物叶片的近红外光谱信息,并结合PCA聚类分析(PCA-Cluster)和偏最小二乘判别分析法(PLS-DA)建立识别模型。结果表明：运用PCA-Cluster方法,选择4 400～4 800 cm^-1、5 400～6 600cm^-1、7 800～10 000 cm^-1建模波段,Segment 5 Gap5的3点二阶泰勒求导(ds2)方法对光谱数据进行预处理所建模型的识别效果最好,对外部验证集样品的识别率达97.5%;运用PLS-DA方法选择4 000～8 000 cm^-1波段,一阶导数、5点平滑两种预处理相结合的方法建立判别模型性能最佳,其校正集相关系数(Rc²)为0.923,交叉验证均方根误差(RMSEC)为0.1202,利用所建模型对外部验证集样品进行识别,识别率为100%。说明近红外光谱技术能够用于不同种樟属植物的识别。     

应用近红外光谱技术预测进口辐射松木材抗压和抗弯性能

以进口辐射松（Pinus radiata）木材为研究对象,探究应用近红外光谱技术预测辐射松木材抗压和抗弯性能的可行性,比较不同切面采谱、不同光谱预处理方法以及不同谱区波段的建模效果。结果表明,用弦切面的光谱建立的校正模型精度最高。原始光谱建立的校正模型精度较好,相关系数达0.85及以上,抗压强度模型在经过S-G卷积平滑处理后相关系数可提高到0.92。在全波段建立的校正模型效果最好。经外部验证,抗压强度、抗弯强度和抗弯弹性模量预测值与实测值相关性较高,相关系数达0.82及以上。研究结果可为辐射松木材的抗压和抗弯性能的快速评价提供新方法。     

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。     

湿地松木材近红外光谱与其结晶度的相关性

对湿地松木材近红外光谱与X射线衍射法测定的木材结晶度之间的相关性进行分析,并结合近红外光谱分析技术的基本理论,探讨降低光谱范围和选择相关光谱信息对近红外光谱预测木材结晶度的影响.结果表明:1)降低参与建模的近红外光谱范围仍然可以得到比较理想的近红外光谱模型与预测结果,当选用2 000～2 500 nm区域的光谱建立模型时,预测值与实测值的相关系数r达到0.943;2)当选择光谱范围更小但与木材纤维素吸收峰密切相关的光谱数据(1 400～1 660 nm或2 020～2 250 nm)进行建模时,模型的预测效果并未降低(r＞0.947),甚至仅采用7个光谱数据也可以得到比较理想的预测结果,预测相关系数r可达到0.930,说明采用更少的但与木材纤维素吸收峰密切相关的光谱信息,所建立的预测模型仍可得到比较理想的预测效果,这将有利于低成本、便携式近红外光谱仪的开发.     

桦木顺纹抗压强度的SEPA-VISSA-RVM近红外光谱预测

木材顺纹抗压强度是评价木材力学性能的重要指标,而传统测量方法操作复杂、精确度低。以桦木为例,提出基于近红外光谱技术(NIR)的SEPA-VISSA-RVM木材顺纹抗压强度模型,实现对其更加精确的预测。试验选取100个木材试件,在900~1700 nm近红外光谱波段上采集数据并测量抗压强度真值;然后采用卷积平滑(SG)方法进行光谱预处理;使用采样误差分布分析(SEPA)作为变量空间迭代收缩算法(VISSA)的改进策略进行特征波长优选;最后通过粒子群优化算法(PSO)优化核函数参数并建立相关向量机(RVM)的预测模型。试验表明:在特征波长优选方面,以偏最小二乘法(PLS)建模为基础的SEPA-VISSA方法,其预测决定系数为0.9593,预测均方根误差为2.8995,相对分析误差为3.0256,光谱变量数由512减小到111个,占总波长的22%,均优于VCPA、CARS和VISSA算法;在建模预测方面,以SEPA-VISSA所选波长为基础的RVM模型,PSO优化的拉普拉斯(Laplacian)核函数的核宽度为10.4043,决定系数为0.9449,预测均方根误差为2.0432,相对分析误差为4.2936,预测效果优于PLS和SVR。因此,基于近红外光谱的SEPA-VISSA-RVM建模能够实现对桦木顺纹抗压强度更准确和稳定的无损检测。     

桉树叶片水分状态的近红外光谱检测

【目的】探索近红外光谱(NIRS)分析技术在赤桉和细叶桉群体叶片水分状态相关生理指标快速检测中应用的可行性。【方法】选取赤桉7个种源21个家系和细叶桉5个种源26个家系的幼苗,每家系选20株苗木植于等规格塑料盆中,对其按平均日蒸发量的100%,70%,50%,30%和0%5个等级进行控水。控水处理60天后,每家系每控水处理选择3株幼苗,测量其顶端第2对完全展开叶片的相对含水量(RWC)和水势(Ψw),用手持式近红外仪采集对应叶片的近红外光谱信息,持续测量18天。【结果】利用近红外光谱技术检测赤桉和细叶桉叶片RWC和Ψw的结果显示,与赤桉和细叶桉水分性状关系最密切的近红外光谱区为1 860~1 960 nm。但经二阶导数处理后的近红外光谱则显示,样本叶片RWC和Ψw在近红外全光谱区间存在多个变异峰值。用于预测叶片Ψw建立的偏最小二乘法(PLS)模型的决定系数R2和均方根误差RMSE分别为0.92和0.25,预测叶片RWC的PLS模型的R2和RMSE分别为0.84和1.31。【结论】对于桉树叶片水分状态生理性状的预测建模应选取近红外全谱段光谱信息,近红外光谱技术可为桉树群体的水分状态检测提供极大便利。     

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。     

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。     

基于高光谱的云南胶园土壤全氮含量反演

以在云南西双版纳橡胶园采集的225个土壤样本为研究对象,进行风干土壤样品光谱数据采集和全氮含量测定,对土壤反射率（R）进行重采样（5 nm）后进行倒数的对数（log(1/R)）、多元散射校正（MSC）、标准正态交换（SNV）的光谱变换处理和SG平滑或导数变换模式优选获取最佳光谱数据,采用竞争性自适应重加权算法（CARS）、连续投影算法（SPA）和CARS-SPA算法对土壤全氮光谱特征波段进行选择,并分别应用偏最小二乘法（PLS）和支持向量机（SVM）构建胶园土壤全氮估算模型。结果表明,研究区内土壤全氮含量与光谱反射率呈负相关,基于光谱变换和预处理,log(1/R)结合SG导数变换是最佳的土壤全氮反演光谱变换模式,其中,导数阶数为1,SG滤波窗口为43,多项式次数为9。综合比较各变量筛选与建模组合发现,用CARS方法从全波段中筛选出的特征波长建立的SVM模型（R2=0.816,RMSE=0.201,RPD=2.266）效果最好,用于估测研究区土壤全氮含量具有良好的可行性,可为开展云南胶园土壤全氮高效测试和实施橡胶树精准施肥提供技术支持。     

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。     

基于近红外光谱分析技术的桉木纤维施胶量高低快速判别

【目的】基于近红外光谱分析技术,判别纤维板生产过程中施胶量高低,为施胶工艺阶段提供技术支撑。【方法】以桉木纤维为研究对象,以脲醛树脂胶黏剂施胶量高低为判别指标,对同一批桉木纤维,控制含水率5%左右,建立施胶量为无(0%)、低(3%)、中(12%)、高(20%) 4种类别的近红外光谱偏最小二乘法回归模型(PLS),采用PLS-DA法判别施胶量高低,探究光谱采集方式(施胶纤维运动或静态状态)、施胶后纤维陈放时间对模型判别准确性的影响。【结果】1)随着施胶量增加,近红外光谱吸光度增大,PCA分析可区分无、低、中、高4种施胶量类别的桉木纤维; PLS-DA法能够建立相关性好、准确性高的近红外光谱模型,对未知样品的判别正确率达100%; 2)静态或动态光谱采集方式不会影响模型建立,对未知样品的判别正确率达100%;施胶后纤维陈放时间对近红外光谱影响很大,施胶后长时间陈放的纤维几乎不能正确判别施胶量高低。【结论】不同施胶量桉木纤维对近红外光谱的吸光度不同,PLS-DA法可准确判别桉木纤维施胶量高低;样品处于静止或运动状态均不影响模型建立和判别的准确性,可为在线识别纤维施胶量提供一定思路。     

利用近红外光谱快速分析制浆木片水分

针对实际生产中多采用混合品种木片制浆的情况,探讨了利用近红外光谱分析技术对混合木片的水分含量进行快速测定的可行性。通过国产便携式阿达玛光谱仪采集183个木片样品的光谱,经过预处理后,利用偏最小二乘法和完全交互验证方式建立4组木片的近红外光谱数据与其水分含量之间的关联模型。4个模型的相关系数均达到098以上,交叉验证均方根标准差在3%以内,相对分析误差值在68~103之间。利用建好的模型对预测集样品的水分含量进行预测,其中全局模型的预测标准差在127~240之间,结果较为精确。结果表明,尽管木材品种对木片近红外光谱水分特征吸收存在一定的影响,但在光谱预处理后,再以纯种木片与混合木片一起建立的全局模型,具有较好的适应性和较高的预测精度,可用于实际生产中快速测量混合木片的水分含量。