该文对近红外光谱技术结合化学计量学分析方法快速预测毛竹材气干密度的可行性进行了研究,重点探讨不同采谱方式对所建模型预测精度的影响.为了便于对比,建模过程中光谱数据未经过任何预处理.结果表明,采谱方式影响着模型的预测精度.从竹材横切面采谱所建模型的预测精度最高,内表面(靠近竹黄面)居中,外表面(靠近竹青面)最差.但如果对竹材内外表面的光谱求平均后建模,则可以显著提高模型的预测精度.随后选择最优模型对随机抽取、未参与建模的30个未知样品的密度进行了预测,预测值与测量值的相关性高,表明近红外光谱技术可以快速、准确地预测竹材的气干密度.

【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。

【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。

以5年生火炬松为研究对象,采用DA7200近红外光谱成分分析仪扫描火炬松木芯,利用近红外光谱数据,结合偏最小二乘法建立5年生火炬松木材基本密度近红外快速预测模型.比较分析不同预处理模型评价的相关参数,得到一阶导数与平滑算法结合的最佳预处理方法,校正集相关系数达到0.925 2,校正集均方根误差为0.005 7 g·cm~(-3),交互验证集相关系数达到0.796 2,交互验证集均方根误差为0.009 5 g·cm~(-3),外部验证集预测值与实测值具有较高的相关性(R=0.805 7),预测均方根误差为0.013 9 g·cm~(-3).本研究建立的模型能满足对5年生火炬松木材基本密度的快速预测.

【目的】木材密度不仅与木材的各种材性密切相关，而且是衡量木材质量与价值的重要指标。采用近红外光谱（Near infrared spectroscopy, NIRS）分析技术能够快速、高效地预测木材密度，避免了传统试验中繁琐的检测步骤。长短期记忆网络(Long short-term memory network, LSTM)作为循环神经网络(Recurrent neural network, RNN)的变体，不仅可以学习序列数据之间的高阶特征信息，而且克服了RNN中的长距离依赖、梯度爆炸与梯度消失等问题。将LSTM与NIRS结合，提出一种能够准确预测樟子松木材气干密度的无损检测技术，为提高NIRS模型预测木材气干密度精度提供理论依据。【方法】该研究以樟子松木材样本为研究对象，用近红外光谱仪获得106个樟子松样本的光谱数据，并在恒温（20±2℃）恒湿（65%±3%）的环境下测定样本的气干密度。通过对比多组预处理方法和特征选择方法，采用Savitzky-Golay卷积平滑（Savitzky-Golay smoothing,SGS）等方法进行预处理，采用竞争性自适应加权算法（Competitive adaptive reweighted sampling, CARS）进行波段选择，剔除NIRS数据中的高频噪声与冗余信息，提升光谱数据质量、建模速度与精度。为验证LSTM模型预测能力，将其与偏最小二乘回归(Partial least squares regression, PSLR)、卷积神经网络(Convolution neural network, CNN)等建模算法对比分析。上述3种算法被分别应用于建立樟子松木材气干密度近红外预测模型。【结果】基于上述3种建模方法建立的NIRS模型均可实现樟子松气干密度的有效预测。且LSTM模型的预测精度与回归拟合度均优于PLSR与CNN模型。其中SGS+CARS处理后的LSTM模型的预测精度最高、泛化性能最强、拟合效果最好（R2=0.959,RMSEP=0.005,RPD=5.033）。【结论】通过对樟子松木材光谱数据与气干密度的采集，建立了一种新型的基于NIRS分析技术与LSTM的木材气干密度检测方法。LSTM预测模型相较于传统的回归模型，模型的预测精度更高，回归效果更好，鲁棒性更强。该检测方法既可保证木材的完整性，又可以提高气干密度的预测精度，实现了对樟子松木材气干密度的快速无损检测，为木材近红外光谱分析提供了可参考的模型与理论依据。

为了找到一种能快捷测定子代试验林材性(木材基本密度、纤维长度)的方法,运用实测的具有正态性的火炬松木材基本密度、纤维长度以及近红外光谱建立预测模型.应用Umscrambler软件,通过比较不同光谱处理方法,选出一阶导数、平滑算法、归一化法相结合的方法为最佳近红外光谱处理方法.并用偏最小二乘法的回归分析建立校正模型,木材基本密度校正模型的决定系数为0.970 0;木材纤维长度校正模型的决定系数为0.966 4.采用外部样品对模型进行验证,得出木材基本密度校正模型的预测标准偏差为0.033 g·cm~(-3),木材纤维长度校正模型的预测标准偏差为0.216 mm,表明建立的模型效果准确可靠.用建立的模型预测火炬松子代测定林的264个样本,测得的数据呈正态分布,表明近红外预测模型可应用于林木遗传测定.

为进一步发掘麻竹材加工利用潜力,通过对不同竹龄、不同部位麻竹材的气干密度、力学性质、燃烧性能及其相关关系进行分析。结果表明:(1)竹龄对麻竹材气干密度、顺纹抗压强度、抗弯强度、抗弯弹性模量、点燃时间、释热速率、质量损失率、释烟总量及60、180、300 s比消光面积均有显著影响,而对抗拉强度无显著影响;(2)竹材部位对气干密度、顺纹抗拉强度、抗弯强度有显著影响,而对顺纹抗压强度、抗弯弹性模量无显著影响;(3)麻竹材顺纹抗拉强度:顺纹抗压强度:抗弯强度:抗弯弹性模量=3.06∶1.00∶2.63∶164.2

蒙古栎是重要的结构用材，对其抗弯强度（ＭＯＲ）与抗弯弹性模量（ＭＯＥ）进行快速准确的无损检测是具有工程应用价值的科学问题。为实现蒙古栎木材ＭＯＲ与ＭＯＥ的快速无损检测，以９００～１ ７００ ｎＭ的便携式近红外光谱仪为检测手段，提出一阶导数与Ｓ－Ｇ卷积平滑处理相结合的数据预处理方法，采用木材径切面与弦切面２个切面近红外光谱的平均值作为建模数据，利用ＩＳＯＭａｐ－ｐＬＳ算法建立预测模型估计木材的ＭＯＲ、ＭＯＥ。试验采用１３５个３００ ＭＭ×２０ ＭＭ×２０ ＭＭ的无疵小试样为样本，其中９０个组成校正集，４５个组成预测集。结果表明：一阶导数处理能够消除光谱背景平缓区域干扰，Ｓ－Ｇ卷积处理能滤除高频噪．．．

近红外光谱数据维数多、数据量大，直接保存需要庞大储存空间，且海量数据会对网络化在线检测的分析速度和准确性产生影响。为探讨应用小波压缩进行近红外光谱预处理的可行性及其对枫桦木材密度预测精度的影响，通过强光探头采集木材圆盘的近红外光谱，在Ｍａｔｌａｂ软件中应用小波变换法对枫桦木材密度近红外光谱数据进行压缩。结果表明：当小波基ｓｙＭ２分解层为６时，基于均衡稀疏标准形式的全局硬阈值压缩效果最好，将２ １５１个变量压缩成３８个小波系数，其能量保留成分、零系数成分、压缩比分别为９９．６６％、９８．３４％、５６．６１％。用未处理光谱数据和压缩后的３８个小波系数分别建立偏最小二乘定标分析模型，同时做内部交叉验．．．

木材结晶度的测定费用高、耗时长,所以基于近红外光谱技术快速测定结晶度很有实用价值。杉木Cunninghamia lanceolata是中国南方栽植面积最大的用材树种之一,结晶度作为衡量木材品质的重要指标,了解其变异对杉木无性系选育及木材加工技术改进都有实际意义。本研究样品来自广西、湖南和贵州等11个不同地理种源的杉木无性系,通过X衍射技术测定结晶度,结合近红外光谱技术通过偏最小二乘法建立相应的模型并对模型预测效果进行评价。通过模型预测未知样品,进而分析杉木木材结晶度在不同种源和无性系间的变异。当光谱区域为

一组单项预测模型在不同的准则下,建立的组合预测模型一般是不同的。为了比较这些组合预测模型的预测精度,文章引入了组合预测模型点预测精度的数量指标,从而得到了组合预测模型的点预测精度向量。根据这些点预测精度利用算术平均最小贴近度,给出了组合预测模型预测精度的评价。实例分析结果表明:该评价方法客观准确,可操作性强。

本文根据人工林红松木材生长轮密度变异特点 ,采用时间序列分析法 ,建立了人工林红松木材生长轮密度的动态模型 ,对木材生长轮密度进行近期预测 ,预测结果良好。此研究结果实现了木材生长轮内的材质预测 ,为人工林红松的定向培育提供理论依据

为消除水果自身尺寸差异对其糖度预测模型不利影响，进一步提高水果分选模型精度，应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱，对光谱进行多种预处理后，分别建立苹果糖度（SSC）的偏最小二乘法（PLS）模型，再用苹果果径75～85 mm组中的建模集分别预测苹果果径为65～75 mm、85～95 mm组中的预测集样品，最后用果径组65～75、75～85、85～95 mm中的建模集和预测集，分别作为混合苹果尺寸糖度预测模型的建模集和预测集，并利用特征光谱选择算法对模型进行简化，建立苹果糖度通用预测模型。结果显示：与建模集和预测集果径不同时所建立的苹果糖度预测模型最优组相比，其相关系数Rp由0.805提高至0.943，预测集均方根误差值RMSEP由0.778减小至0.480,RPD由0.96增加至3.05，再对建立的通用模型进行简化，可以降低苹果尺寸对苹果糖度模型的影响，提高模型预测性能。

本文报道了橡胶树 3个无性系生长轮宽度、木材基本密度和热水浸提物含量变异规律 ,并就橡胶树木材材质改良与资源开发利用进行了讨论。木材基本密度无性系间差异不显著 ,无性系内株间差异显著。PR10 7无性系株内木材基本密度径向上为“递增、稳定”的模式 ,过熟期内木材密度降低 ;纵向上为递增到最大值后减少。株内木材密度变化范围为 0 4 70g·cm- 3～ 0 6 0 5g·cm- 3,变异系数为 3 0 %～ 8 2 %。林分内株间木材基本密度变化范围为 0 4 2 1g·cm- 3～ 0 5 80g·cm- 3,变异系数为 5 16 %～ 7 0 5 %。橡胶木浸提物含量较高 ,株内...

对北京地区I-2 1 4杨的纤维和导管分子长及宽度、纤维壁厚、组织比量、胞壁率与基本密度和生长轮宽度在株内不同高度上的变异模式及其之间的相关关系进行了全面的测定与分析。结果表明 :纤维长、宽及壁厚 ,导管分子长、弦径和导管比量径向变异由髓心向外迅速递增 ,而后趋于平缓 ;而导管个数、纤维与射线比量、胞壁率的径向变异由髓心向外逐渐递减 ,再趋于稳定。不同高度间的解剖参数 (胞壁率除外 )差异不显著。基本密度的径向变化是髓心处较大 ,往外先略减而后快速递增 ,然后趋于平缓。木材幼龄期为 1 0～ 1 2a,幼龄材比成熟材的基本密度低 ,纤维和导管分子均短与窄、壁薄 ,纤维和射线比量大、导管个数多、...