论文部分内容阅读
落叶松（Larix gmelinii）是东北林区的重要用材林树种,具有广阔的应用前景。快速准确获得木材材性信息,可以为木材的精细化分类、利用和林木定向培育提供支持。相对于传统的实验室检测方法,近红外光谱检测技术具有实时、快速、无损和可野外操作等优点。近红外光谱（NIRS）对木材材性十分敏感,使其能够分析样品的组成和结构。然而,近红外光谱包含大量背景和噪音,且高维光谱数据建模和优化的难度大、工作量大,因此,本研究采用近红外光谱与化学计量学相结合来达到降低建模难度、提高预测精度的目的。本研究以大兴安岭地区的落叶松天然次生林为研究对象,通过不同建模方法构建落叶松材性NIRS预测模型,基于预处理方法及波段优选方法进行模型优化,建立木材材性的最优NIRS预测模型,为今后落叶松木材材性的实时检测提供有效手段。通过对不同抚育间伐强度的落叶松木材材性的研究,为调整森林培育和森林经营措施提供参考,同时为落叶松天然次生林的定向改造提供理论依据及技术支撑。主要研究内容与结果如下:（1）本研究采用Res Net（Residual neural network）、BP神经网络（Back propagation neural network,BP）和偏最小二乘回归（Partial least squares regression,PLSR）三种方法构建了落叶松木材密度NIRS模型。PLSR建立的落叶松密度预测模型精度最高且稳定性最好,R~2均在0.80以上,RMSE均在0.03以下;Res Net的落叶松密度预测模型性能最差,R~2均在0.50以下,RMSE在0.04以上。通过模型精度及稳定性的比较,最佳顺序由大到小依次为:PLSR木材密度预测模型＞BP神经网络木材密度预测模型＞Res Net木材密度预测模型。（2）本研究采用SG平滑、标准正态变换（SNV）、多元散射校正（MSC）、一阶导数和二阶导数5种预处理方法和28种组合预处理方法,对落叶松木材的近红外光谱进行预处理,结果表明:一阶导数为最优单一预处理方法;落叶松木材化学性质NIRS的最优预处理方法均为多种预处理组合联用,木质素含量NIRS的最优预处理方法为一阶导数-SNV-SG,纤维素含量和半纤维素含量NIRS的最优预处理方法均为一阶导数-SNV。预处理组合联用中,最佳预处理联用顺序为:基线校正、散射校正和平滑。（3）为进一步降低建模难度,本研究以落叶松为研究对象,比较原始光谱、自适应加权采样法（CARS）、无信息变量消除法（UVE）、连续投影算法（SPA）、组合区间偏最小二乘法（Si PLS）、UVE-CARS、Si PLS-UVE、Si PLS-CARS和Si PLS-SPA的PLS结果。结果表明:单一波长变量选择方法均为CARS;特征变量选择方法联用比单一波长变量选择方法的NIRS建模效果好,顺纹抗压强度、抗弯强度和抗弯弹性模量的最优特征波长变量选择方法均为Si PLS-CARS,模型预测准确度高且稳健性好,可以实现落叶松力学性质的有效预测,为木材力学性质的实时、快速测定提供技术支持。（4）为实现不同近红外光谱仪间的模型传递、提高近红外光谱预测模型在野外应用中的适用性,采用PLS和域不变偏最小二乘（Di-PLS）两种算法进行不同近红外光谱仪器间的模型传递研究。研究采用Di-PLS算法的监督学习和无监督学习,最佳抽样强度为40%,Di-PLS可以有效的将源域和目标域的分布对齐,从而提高模型精度。Di-PLS预测模型与PLS预测模型相比,Di-PLS预测模型精度有显著提高。与无监督学习相比,监督学习的近红外光谱模型更优。在不同近红外光谱仪的模型构建中,Di-PLS方法可以有效提高模型精度和模型稳定性,实现不同近红外光谱仪间落叶松木材密度的模型传递。（5）本研究选取间伐强度为CK（0%）、16.75%、34.38%和59.92%的大兴安岭落叶松天然次生林为试验对象,采用近红外光谱模型预测不同抚育间伐强度的落叶松木材材性,包括木材密度、纤维素含量、半纤维素含量、木质素含量、抗压强度、抗弯强度和抗弯弹性模量7个指标。结果表明:不同的间伐强度对落叶松木材材性各指标有显著的影响,其中16.75%和34.38%间伐强度的影响较大。采用主客观结合（AHP-Entropy）确定的组合权重,再通过主成分分析法对不同间伐强度下的木材材性进行综合评价,发现34.38%抚育间伐强度最优,4个抚育间伐强度组综合效果得分排序为34.38%＞59.92%＞CK＞16.75%。本研究构建了落叶松木材材性的近红外预测模型,为落叶松活立木材性的快速、无损检测和木材的精细化分类利用提供了理论依据与技术支撑。抚育间伐强度对木材材性具有显著影响,确定最优抚育间伐强度为34.38%,为后续森林的定向经营提供理论依据。