東北林區(qū)主要闊葉材密度近紅外定標(biāo)模型研究.pdf

1、木材密度是衡量木材材質(zhì)的重要參數(shù)，快速測定木材密度有利于根據(jù)市場需求定向培育木材及提高木材精細(xì)化利用率。本研究應(yīng)用強光探頭采集木材圓盤近紅外光譜，建立偏最小二乘(PLS)模型，并對未知樣品密度進(jìn)行快速預(yù)測，同時應(yīng)用小波去噪和小波壓縮對模型精度進(jìn)行了優(yōu)化，討論了相關(guān)參數(shù)設(shè)置對優(yōu)化結(jié)果的影響。
　　(1)基于強光探頭采集木材圓盤表面近紅外光譜，建立了PLS模型，得到榆樹木材密度近紅外校正和驗證模型決定系數(shù)分別為0.8347、0.746

2、1;柞樹木材密度近紅外校正和驗證模型決定系數(shù)分別為0.8270、0.7570;楓樺木材密度近紅外校正和驗證模型決定系數(shù)分別為0.8475、0.7634;混合木材密度近紅外校正和驗證模型決定系數(shù)為0.8465、0.7614。應(yīng)用所建模型對未知樣品進(jìn)行預(yù)測得到，楓樺木材密度近紅外校正模型對楓樺樣品木材密度的預(yù)測決定系數(shù)最大(0.8390)。結(jié)果表明，近紅外光譜技術(shù)可用于野外快速測定木材密度。
　　(2)應(yīng)用小波變換對木材NIRS進(jìn)行去

3、噪處理，當(dāng)sym5小波分解層為3，啟發(fā)式硬閾值對榆樹NIRS的去噪效果最好;當(dāng)db2小波分解層為5，固定硬閾值對柞樹NIRS的去噪效果最好;當(dāng)db5小波分解層為2，啟發(fā)式硬閾值對楓樺NIRS的去噪效果最好。對去噪后光譜建立PLS模型，榆樹木材密度近紅外校正和驗證模型決定系數(shù)為0.8655、0.7925;柞樹木材密度近紅外校正和驗證模型決定系數(shù)為0.8918、0.8039;楓樺木材密度近紅外校正模型和驗證模型決定系數(shù)為0.8671、0.7

4、824;混合木材密度近紅外校正和驗證模型決定系數(shù)為0.8820、0.8130。應(yīng)用去噪后模型對未知樣品進(jìn)行預(yù)測得到，楓樺木材密度近紅外校正模型對楓樺樣品的預(yù)測決定系數(shù)最大，其值為0.8923，RMSEP為0.0276，SEP為0.03。結(jié)果表明，小波變換去噪能有效去除光譜中的噪音，提高模型精度。
　　(3)應(yīng)用小波變換對木材NIRS進(jìn)行壓縮處理，對于榆樹NIRS，基于均衡稀疏標(biāo)準(zhǔn)硬閾值的db2小波6層分解的壓縮效果最好;對于柞樹N

5、IRS，基于均衡稀疏標(biāo)準(zhǔn)硬閾值的sym4小波7層分解的壓縮效果最好;對于楓樺NIRS，基于均衡稀疏標(biāo)準(zhǔn)硬閾值的db2小波6層分解的壓縮效果最好。對壓縮后光譜建立PLS模型，榆樹木材密度近紅外校正模型決定系數(shù)為0.8355;柞樹木材密度近紅外校正模型決定系數(shù)為0.8545;楓樺木材密度近紅外校正模型決定系數(shù)為0.8479;混合木材密度近紅外校正模型決定系數(shù)為0.8469。應(yīng)用壓縮后模型對未知樣品進(jìn)行預(yù)測得到，柞樹木材密度近紅外校正模型對柞