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。     

基于可见/近红外光谱识别东北地区常见木材

探索可见/近红外光谱识别生长锥取得的木材样品的可行性,为野外木材检测提供方法。木材品种涉及东北地区常见的14个树种,木材样品由生长锥南向北方向钻取树木1.3 m胸高处得到,观测木样的可见/近红外光谱并采用导数、对数与平滑处理,运用距离法建立识别模型,测试并分析不同光谱预处理方法对可见/近红外光谱木材识别准确率的影响。结果显示:在不使用平滑处理时,使用一阶导数处理之后的光谱木材树种识别的准确率（96.79%）明显高于二阶导数（78.57%）和三阶导数（75.00%）。在使用导数和平滑处理时,使用二阶导数（98.21%）或三阶导数（98.21%）处理之后的光谱用于识别的准确率略高于一阶导数（97.50%）。单独使用平滑处理不能提高模型预测准确率,单独使用导数处理可以提高模型预测准确率。在最优的参数设置下使用导数和平滑处理时,使用S-G导数平滑（98.42%）和Norris导数滤波（98.57%）的效果无明显差异。     

可见/近红外光谱技术识别树叶树种的研究

探索使用可见/近红外光谱技术识别树叶树种的可行性,为野外可见/近红外光谱技术用于树种识别提供方法。本试验识别了9个树种,测试了光谱预处理方法、识别方法对可见/近红外光谱识别的准确率的影响。对9种阔叶树种共46棵树,分别采用距离法和PLS-DA建立识别模型,比较不同波段和导数预处理方法对模型预测效果的影响。结果表明,使用距离法对原始光谱进行识别时,识别准确率<50%,不能够有效识别树叶树种。使用距离法对预处理后的光谱进行识别时,识别准确率为近红外350～2 500nm(99.16%)>350～1 000nm(88.05%)>1 000～2 500nm(81.24%),且任意单个树种的识别准确率都>98%,能够有效识别树叶树种。使用偏最小二乘法(PLS-DA)结合单列识别变量矩阵时,识别准确率高达100%,识别模型的相关系数为0.993 6,RMSEC为0.120,RMSEP为0.144,但只能成功识别4种树叶树种,当树叶种数>4时,预测模型的识别准确率陡降。使用偏最小二乘法(PLS-DA)结合多列识别变量矩阵对9种树叶的识别准确率高达99.58%,识别模型的相关系数为0.888 6～0.956 9,RMSEC为0.084 5～0.15,RMSEP为0.088 7～0.155。本试验为可见/近红外光谱技术快速识别树种提供了一种新的方法和思路。