利用近红外光谱技术快速预测楸树木材抗弯性质

doi:10.3964/j.issn.1000-0593(2023)02-0557-06

摘要
参考文献
相关文章 (15)

全文: PDF (2797 KB)
输出: BibTeX | EndNote (RIS)

摘要：楸树（Catalpa bungei）木材纹理通直、材性优良、用途广泛，是中国特有的珍贵材树种。研究木材重要的力学性质——抗弯性质的快速测定方法可以为楸树木材的遗传改良及加工利用提供科学依据。以楸树无性系新品种“洛楸1号”、“洛楸4号”和“天楸2号”为试验材料，依据国家标准抗弯性质测试方法，测定楸树木材抗弯强度（MOR）和抗弯弹性模量（MOE）。利用近红外光谱（NIRs）分析结合偏最小二乘法（PLS）对新选育的三个楸树无性系的抗弯性质进行预测，探究基于不同采谱切面、不同预处理方法以及不同采谱点的最佳建模方法。研究结果表明，基于两切面平均光谱建立的抗弯强度预测模型的相关系数和相对分析误差最高为0.843和1.88，建立的抗弯弹性模量预测模型的相关系数和相对分析误差最高为0.846和1.88。选用两切面光谱，预处理方法按抗弯强度模型性能排序为多元散射校正与卷积平滑结合算法（MSC+S-G）＞二阶导数与卷积平滑结合算法（2^ndDer+S-G）＞一阶导数与卷积平滑结合算法（1^stDer+S-G），预处理方法按抗弯弹性模量模型性能排序为MSC+S-G＞1^stDer+S-G＞2^ndDer+S-G。使用一点采谱法建立的抗弯强度和抗弯弹性模量预测模型相关系数比五点采谱法的分别降低5.93%和2.96%。综上所述，近红外光谱可以用于预测珍贵材楸木的抗弯强度和抗弯弹性模量。采用不同切面、预处理方法和采谱点数建立的模型，建模结果有一定差异。得出了楸树木材抗弯强度和抗弯弹性模量的最佳建模方法。基于径切面和弦切面平均光谱建立的抗弯强度和抗弯弹性模量近红外模型效果最佳。MSC+S-G是最适用于楸树木材抗弯性质的预处理方法。五点采谱法模型精度较高，但对大量样品抗弯性质快速估算时，可以降低采谱点数量，仅采集中间部位即载荷加载部位一个光谱点以减少采谱工作量，提高楸树木材抗弯性质快速评估效率。

关键词：楸木；近红外光谱；抗弯性质；木材切面；预处理方法；采谱点数

Abstract：Catalpa bungei has the advantages of straight texture, excellent material, and versatility characteristics and it is a precious wood species unique to China. Bending property, an important mechanical property of wood, research on its rapid determination method can provide a scientific basis for genetic improvement, processing, and utilization of Catalpa wood. The “Luoqiu 1”, “Luoqiu 4” and “Tianqiu 2” of the new C. bungei clones were used as the experiment materials. The modulus of rupture (MOR) and modulus of elasticity (MOE) was determined according to the national standard bending property test method. Near-infrared spectroscopy (NIRs) combined with the partial least squares (PLS) method was used to predict the bending properties of three newly bred C. bungei clones. The best modeling method based on different wood sections, pretreatment methods, and the number of sampling points were explored. The results indicated that the maximum R_p and RDP of the MOR model based on the average spectra of two sections were 0.843 and 1.88, and the maximum R_p and RDP of the MOE prediction model were 0.846 and 1.88. In descending order of accuracy of MOR models based on average sections, pretreatments were: MSC+S-G, 2^ndDer+S-G, and 1^stDer+S-G. In descending order of accuracy of MOE models based on average sections, pretreatments were: MSC+S-G, 1^stDer+S-G, and 2^ndDer+S-G. In conclusion, NIRs can be used to predict the MOR and MOE of valuable C. bungei wood. Models established with different sections, pretreatments, and the number of sampling points have certain differences in modeling results. This paper obtained the best modeling methods for the MOR and MOE of C. bungei wood. NIR models of MOR and MOE based on average spectra of radial and tangential sections were the best. MSC+S-G was the most suitable pretreatment method for the bending properties of C. bungei wood. The five-point sampling method has the highest model accuracy. The number of sampling points can be reduced to quickly estimate the bending property of a large number of samples. It is possible to collect only one spectra point in the middle part, the loading position, to reduce the workload of collecting spectra and improve the efficiency of rapid evaluation of the bending property of C. bungei wood.

Key words：Catalpa bungei wood;Near-infrared spectroscopy;Bending property;Wood sections;Pretreatment;Sampling point

收稿日期: 2021-11-23 修订日期: 2022-04-22

中图分类号:

S781

基金资助: 国家“十三五”重点研发计划课题（2017YFD0600201），中央级公益性科研院所基金项目（CAFYBB2018GD001）资助

通讯作者: 王玉荣 E-mail: yurwang@caf.ac.cn

作者简介: 汪睿，1998年生，中国林业科学研究院硕士研究生 e-mail: wangrui@caf.ac.cn

引用本文:

汪睿，石兰兰，王玉荣. 利用近红外光谱技术快速预测楸树木材抗弯性质[J]. 光谱学与光谱分析, 2023, 43(02): 557-562.
WANG Rui, SHI Lan-lan, WANG Yu-rong. Rapid Prediction of Bending Properties of Catalpa Bungei Wood by Near-Infrared Spectroscopy. SPECTROSCOPY AND SPECTRAL ANALYSIS, 2023, 43(02): 557-562.

链接本文:

https://www.gpxygpfx.com/CN/10.3964/j.issn.1000-0593(2023)02-0557-06 或 https://www.gpxygpfx.com/CN/Y2023/V43/I02/557

[1] PENG Fang-ren，HAO Ming-zhuo，LIANG You-wang，et al（彭方仁，郝明灼，梁有旺，等）. Journal of Forestry Engineering（林业工程学报），2011，25（6）：1.
[2] OUYANG Bai，LI Zhu，JIANG Jia-li（欧阳白，李珠，蒋佳荔）. Scientia Slivae Sinicae（林业科学），2021，57（5）：176.
[3] FANG Le-cheng，XIA Hui-min，MA Wen-jun，et al（方乐成，夏慧敏，麻文俊，等）. Journal of Northeast Forestry University（东北林业大学学报），2017，45（8）：1.
[4] QIAO Yong-jin，XIA Yang，LIANG Hui-min，et al（乔勇进，夏阳，梁慧敏，等）. Protection Forest Science and Technology（防护林科技），2003，（4）：23.
[5] LIU Yi-xing，ZHAO Guang-jie（刘一星，赵广杰）. Wood Science（木材学）. Beijing: China Forestry Publishing House(北京：中国林业出版社)，2004. 221.
[6] Dias A，Carvalho A，Silva M E，et al. Ann. Forest Sci.，2020，77（3）：72.
[7] Hein P R G. J. Near Infrared Spec.，2012，20（4）：427.
[8] Kothiyal V，Raturi A. Holzforschung，2011，65（5）：757.
[9] Sandak A，Modzelewska I，Sandak J. J. Near Infrared Spec.，2011，19（5）：369.
[10] Prades C，Gómez-Sánchez I，García-Olmo J，et al. J Wood Chem. Technol.，2012，32（1）：66.
[11] ZHANG Yi-zhuo，SU Yao-wen，LI Chao，et al（张怡卓，苏耀文，李超，等）. Journal of Forestry Engineering（林业工程学报），2016，1（6）：17.
[12] Adedipe O E，Dawson-Andoh B. J. Near Infrared Spec.，2008，16（5）：487.
[13] Jia R，Wang Y，Wang R，et al. Forests，2021，12（2）：206.
[14] Liang H，Xing L，Wen J，et al. International Journal of Circuits, Systems and Signal Processing，2020，14（17）：108.
[15] Schimleck L R，De Matos J L M，Da Silva Oliveira J T，et al. J. Near Infrared Spec.，2011，19（5）：411.
[16] Schimleck L R，Evans R，Ilic J. Circ. Syst. Signal Pr.，2001，31（10）：1671.
[17] Kothiyal V，Raturi A，Jaideep，et al. Eur. J. Wood Wood Prod.，2013，72（1）：11.
[18] Yu L，Liang Y，Zhang Y，et al. J. Forestry Res.，2020，31（3）：1053.
[19] Tong L，Zhang W. Appl. Spectrosc.，2016，70（10）：1676.
[20] YU Hua-qiang，ZHAO Rong-jun，FU Feng，et al（虞华强，赵荣军，傅峰，等）. Journal of Northwest Forestry University（西北林学院学报），2007，（5）：149.
[21] WANG Yu-heng，HU Wen-yan，SONG Peng-fei，et al（王宇恒，胡文雁，宋鹏飞，等）. Spectroscopy and Spectral Analysis（光谱学与光谱分析），2019，39（3）：964.
[22] Alomar D，Hodgkinson S，Abarzúa D，et al. J. Anim. Physiol. An. N.，2006，90（5）：223.
[23] JI Hai-yan（吉海彦）. Modern Scientific Instruments（现代科学仪器），2001，（6）：25.