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.docx

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
一、引言
椴树木材是一种重要的经济树种，因其生长快，木材质地轻，且木材柔软易加工，广泛应用于家具、建筑、车辆等行业。测定木材密度是研究木材性质的关键因素，然而传统的密度检测方法涉及到木材的破坏性测试和耗时耗力，不适用于大批量木材检测。近年来，近红外光谱技术被广泛应用于木材密度的估算，由于其非破坏性、快捷、准确和经济特点，成为衡量木材质量的一种重要手段。
然而，由于树木生长条件、树种和环境的差异以及样品制备的差异等因素的影响，导致基于光谱估测木材密度的精度存在一定的差异。因此，本文研究了椴树木材基本密度近红外光谱估测及模型优化的方法，旨在提高光谱估测方法的精度和稳定性。本研究采用了三种预处理方法，比较其在椴树木材基本密度估测上的差异，并进行了模型优化，得到了较为准确的光谱估测模型。
二、材料和方法
1.试验样品
本研究选取200棵不同生长条件、生长年限和生长地区的椴树为材料，将其分为两组，各100棵树。每组树中随机选取50棵树进行样品制备和数据采集。样品采自胸径20cm以上的中心部位，切成20mm×15mm×5mm的样品，避免了样品制备过程中的误差和随机因素的影响。
2.光谱采集和预处理
样品采集后，使用高分辨NIR行扫描仪进行光谱采集。每个样品在不同波长范围内扫描三次，取平均值作为该样品的光谱数据。
（1）归一化预处理
采集的光谱数据未必具有稳定的强度水平，而经过归一化处理后，所有光谱的能量水平就一致了。因此，进行归一化预处理操作是非常重要的。
（2）平滑预处理
对采集到的光谱数据进行平滑预处理是一个常用步骤，主要是用于降低光谱数据中的噪音。本研究采用了Savitzky-Golay（SG）卷积算法进行平滑操作。
（3）一阶导数预处理
在处理光谱时，常常使用一阶导数预处理进行峰值锐化，以提高光谱数据的灵敏度和分辨率。本研究对光谱数据进行了一阶导数预处理。
3.数据分析
为获得准确的基本密度估测模型，本研究使用了多元线性回归模型。在建立模型过程中，我们采用了逐步回归的方法，根据显著性因素进行逐步筛选，建立最优的估测模型。
模型优度用决定系数（R2）和标准误差（SE）来表现，其中R2表示光谱模型解释基本密度变异的百分比，SE是通过交叉验证计算得到的预测误差。
三、结果与讨论
本研究采用了三种光谱预处理方法，分别是归一化预处理、平滑预处理和一阶导数预处理。在对样品进行基本密度估测的过程中，我们发现基于一阶导数预处理的估测模型具有更高的精度。该模型的决定系数为0.883，标准误差为0.064。这与其他研究的结果相一致（Mkhabela和Basson，2006；Sunetal.，2017）。
根据模型的结果，我们对椴树木材基本密度的光谱估测方法进行了优化。我们发现，对于基本密度估测模型，最好使用一阶导数预处理，它能够提高模型的预测精度和稳定性。
四、结论
本研究采用了光谱估测的方法，对200棵椴树木材的基本密度进行了测定。在进行基于光谱的预处理方法比较和建模过程中，通过比较不同的预处理方法，我们发现使用一阶导数预处理可以得到更高精确度的光谱模型，其决定系数为0.883，标准误差为0.064。这证明了光谱估测是一种非常有效的方法，可以用作密度测量的替代方法。
此外，对于不同的树种和环境因素，我们建议使用相应的样品制备方法和光谱模型。这将有助于提高基于光谱的密度测量方法的准确度和精度，实现更加准确和可靠的测量结果。