下载文档原格式
第!"卷!第#期!!!!!!!!!!!!光谱学与光谱分析$%&'!"!(%'#!))*B ++,*B +"!--"年#月!!!!!!!!!!!!.)/012%30%)4567.)/0125&865&4393:;&4!!--"!近红外光谱检测技术及其在林业中的应用龚玉梅* 张!炜!*S 国家林业局科技发展中心!北京!*--#*+!!!!!!S 国家林业局三北防护林建设局!宁夏银川!#B ---*摘!要!近红外光谱是!-世纪"-年代以来发展最快"最引人注目的光谱分析技术#文章介绍了近红外光谱技术的发展历程和在国外的应用概况!重点列举了近红外光谱在林业中的成功应用实例#资料表明!近红外光谱以其快速"无损伤"操作简单"稳定性好"效率高等特点!在国外的水果品质检测"木材性质检测和林业育种中的应用已成为一个活跃的研究领域#而近红外光谱技术在我国林业上的研究和应用则刚刚起步!因此本文对国内外利用近红外光谱技术在林业上的应用作一综述!并对近红外检测技术在林业上的应用进行了展望!以推动近红外光谱技术在我国林业科技和生产中的应用#关键词!近红外光谱%林业%水果%木材%种子%检验中图分类号 .#,-B !!文献标识码8!!!文章编号 *---,-B >< !--" -#,*B ++,-B !收稿日期!--#,-B ,-" 修订日期 !--#,-",*"!基金项目 引进国际先进农业科学技术项目&>+"'&!--B ,+,+-'和人事部!--=年留学回国人员科技活动择优资助项目!作者简介 龚玉梅!女!*>="年生!国家林业局副研究员!!"通讯联系人!!/,C 59&(H %6H 4;C /9=""45G %%'0%C '06引!言!!近红外&6/5296I 252/7简称(U ['光是波长范围介于可见光&$93'与中红外&\U ['区之间的电磁波!波长范围为#"-#!B !=6C !波数范围*!"!-#<>B >0C D *#一般有机物在该区的近红外光谱吸收主要是含氢基团&O K !L K !(K !.K !T K '等的倍频和合频吸收#由于几乎所有的有机物的一些主要结构和组成都可以在它们的近红外光谱中找到信号!而且谱图稳定!获取光谱容易!因此近红外光谱法&(U [.'被誉为分析的巨人#近红外光谱&6/5296I 252/73)/0125!简称(U [.'分析技术是!-世纪"-年代后期迅速发展起来的一项测试技术#随着近红外光谱仪硬件设备成本不断降低!进一步完善软件的数理统计方法!提高从复杂"重叠和变化的近红外光谱中提取有效信息的效率!增加光谱的信噪比!近红外光谱法的应用领域不断扩大!以其速度快"不破坏样品"操作简单"稳定性好"效率高"无污染"成本低等特点!已广泛应用于各个领域#目前!近红外光谱技术在林业水果品质检测"木材性质检测和种子质量检测等方面的应用研究已经成为了一个新的"活跃的领域#*!近红外光谱分析技术的发展历程!!近红外光&6/5296I 252/7简称(U ['谱区是*"--年K /2,30G /&发现的!近红外光谱法的应用可追溯到*><>年)**!但由于分子在(U [谱区的倍频和合频吸收信号弱!谱带相互重叠多!信息量大!解析复杂!受当时计算分析条件的限制!实际应用非常有限!一直/冷落0至!-世纪B -年代末#直到!-世纪=-年代美国d 52&(%2293等提出相对(U [分析技术!即物质的含量与近红外区内多个不同的波长点吸收峰呈线性关系!并利用(U [漫反射技术测定了农产品中的水分"蛋白和脂肪等#!-世纪=-年代后随着计算机技术的发展!近红外光谱分析技术得到迅速发展!应用领域不断扩大!特别是*>>-年以后!由于近红外光在光纤中良好的传输特性!在线分析成功地应用于各个领域#目前!近红外光谱技术已经在农业"林业"医药"石油化工"纺织"造纸"化妆品"烟草"酿酒和宝石鉴定等很多领域得到广泛应用!并获得了丰硕的成果#!!国外(U [技术应用状况!!国外对近红外光谱快速检测技术的研究起步较早!检测对象的涵盖面比较广#目前!大约有+-多个国家和地区开展了(U [.的研究和应用工作!特别是一些发达国家如美国"英国"德国"日本"加拿大"澳大利亚等表现得尤为突出)!*#这些国家都拥有大量的适合各行各业应用的各种类型的(U[.分析仪器!有研究型"专用型"有供巡回检测用的流动车!还有直接安装在生产线的某个环节进行生产过程的质量检验或产品分捡#如日本现有数量已超过<---台!是我国现有量的*-倍!而且都在实际应用中发挥作用#特别是近红外光谱技术用于分析农牧产品和食品中的蛋白质"水分"含油量&或脂肪'"纤维素"淀粉等营养成分在国外已是十分成熟的技术!在农业品质育种"农牧产品品质评价"食品品质和加工过程控制中已广泛应用!许多方法已经成为8O8L!88L L!U L L的标准方法#<!(U[.技术在林业上的应用状况98&!近红外光谱检测技术在水果品质检测中的应用为了提供高质量的水果!满足人们对绿色果品的需求!水果的种植"贮藏和销售都需要一种方便准确"迅速"无损的在线检测技术!以取代目前的\,Z有损检测试验#近红外光谱分析技术作为一种快速"无损"简便的检测方法显得特别重要!日本公司开发的近红外分光测定法可以同时测定水果的成熟度"含糖度"含酸度"糖蜜含量以及检验有无病斑等!可以说在检测水果中取得了划时代的进展#国外已有许多学者在水果坚实度)<!+*"糖度和酸度)B,#*检测方面利用(U[技术做过大量的相关研究!研究的水果品种主要有苹果"梨"香蕉"桃子"樱桃"芒果"猕猴桃"柑橘和菠萝等#研究结果表明!应用近红外检测技术对水果进行田间"储藏和销售在线快速无损检测是可行的!为确定采摘时间和包装等级等提供新的检测手段#目前!近红外检测技术已经在同时检测水果品质的多个指标&糖度"酸度"坚实度等'中得到了广泛应用#如利用近红外检测技术在田间对桃子成熟度进行无损检测!可为种植户确定合适的收获时间提供准确的依据#应用近红外技术测定叶绿素和糖的含量来判定香蕉的成熟度和品质!可以实现对香蕉成熟度和品质的快速和无损测定#苹果的坚实度是质量品质的一个重要指标!在一批样品中其坚实度可能不同!这与其内在的生物遗传特性"气候条件"栽培管理实践"采摘时间或成熟程度以及采摘后的处理与储藏有关!应用近红外技术可以快速测定每一个苹果的坚实度#研究表明!与传统的标准方法相比!利用近红外检测技术来分析收获前桃子的总糖含量"果肉坚实度"总酸度"鲜重和干重可以确定桃子的适宜采摘时间#自!---年以来!我国也陆续开展了近红外检测技术在水果检测中的一些应用研究#何东健)"*等以柑橘和苹果为检测对象!用完全遮光型透过光水果内部品质测定装置进行在线糖度"酸度及内部褐变等检测试验!并与常规分析法测定结果进行回归分析!结果表明(糖度值与实测值的相关系数在-'>B以上!酸度相关系数大于-'"B!且能检测内部缺陷!完全满足在线检测水果内部品质的要求#刘燕德)>*等应用近红外漫反射光谱技术并结合光纤传感技术快速检测苹果糖度和有效酸度!以*!-个红富士苹果为准样品并结合偏最小二乘法!建立了苹果糖度"有效酸度的定量预测数学模型#试验结果表明!样品预测值和真实值之间的相关系数分别为-'>#-和-'>-=!标准校正误差&.@L'分别为-'!=*和-'-B=!!应用近红外光谱漫反射技术在*-<+*#B+=*0C D*光谱波长范围内对苹果糖度的无损检测和在*-<+*#<"*" 0C D*有效光谱范围内对有效酸度的无损检测具有可行性#傅霞萍)*-*等研究了傅里叶漫反射近红外光谱技术在/雪青0梨坚实度无损检测中的应用#结果表明!校正集样本的相关系数.为-'"=>!预测集样本的相关系数.为-'"+-!应用近红外漫反射光谱检测水果坚实度是可行的!为今后快速无损评价水果成熟度提供了理论依据#三菱公司开发出了测薄皮水果糖度和成熟度的检测设备!如测柑桔"桃子和苹果等#对大个柑桔等可以采用完全遮光透射式装置来测糖度"酸度等指标#987!近红外光谱技术在木材性质检测中的应用国外对近红外光谱技术在木材性质中的应用研究工作开展得比较早!研究的也相对广泛!如利用近红外光谱技术预测木材化学组成"物理力学性质"解剖性质"腐朽性质以及木质复合材料的性能等方面都有报道)**,*<*#目前!近红外光谱技术在我国林业木材性质方面的研究应用也日益展开!已有用近红外对木材密度"水分和微纤丝角以及木材腐朽性质的研究报道)*+,*=*#木材密度是木材性质中的一项重要性质!与木材的化学组成和细胞构造密切相关!它可以估计木材的重量"判断木材的工艺性质和物理力学性质&硬度"强度"干缩以及湿涨等'#树木在其全部生命活动期间!都与水分有着密不可分的联系#水分是木材的重要特征之一!用近红外光谱分析木材性质!必须考虑水分对预测结果的影响#微纤丝角是影响木材性质的最重要的物理量之一!木材资源利用和林木品质改良都要求能快速"方便地测定木材的微纤丝角#江泽慧)*<*等对杉木的三个不同切面&横切面"径切面"弦切面'进行了近红外光谱信息的提取及模型建立!通过对杉木不同切面密度模型及预测结果的分析与评价!发现从木材横切面采集到的光谱建立的预测模型效果最好!可以实现杉木木材密度的快速无损检测#用近红外光谱分析技术测定木材密度!具有快速"准确"无需对样品进行特殊预处理等独特优点!这为杉木的加工利用和林木遗传改良提供了重要的密度预测方法#另外!江泽慧)*B*等又应用近红外光谱仪以杉木木材样品的微纤丝角为样品!依据木材不同成分在近红外区的不同吸收特性!在近红外光谱数据与`射线衍射仪测定的微纤丝角之间建立相关模型#结果表明!二者之间具有很好的相关性!其校正模型和预测模型的相关系数分别达到-'"=#和-'"*=!表明应用近红外光谱检测技术可以实现木材微纤丝角的快速测定和预测#说明利用近红外光谱分析和`射线衍射仪可以实现木材微纤丝角的快速预测#此研究对于木材的加工利用和林木遗传改良提供了重要的微纤丝角测试方法#江泽慧等)*B*用近红外光谱法预测杉木木材中的水分含量!相关系数为-'>>!校正标准偏差.@L和预测标准偏差.@T分别是-'-+*和-'-+<%试验结果表明!利用近红外光谱技术可以在不同含水率下采集近红外光谱来预测木材气干密度!可以充分发挥近红外光谱快速"准确的特点!实B+B*第#期!!!!!!!!!!!!!!!!!!!!光谱学与光谱分析现木材气干密度的快速预测和分析#989!近红外光谱检测技术在林业种子质量检测中的应用面对大量的林业种质资源!如何进行有效的分析利用!不断地培育出优质的新品种!是林业育种学家的重要课题#近红外光谱检测技术为林业育种工作提供了一个新的快速的和非破坏性的检测方法和手段!克服了传统方法中需要解决的难题!在国外的林业品质育种和种植资源鉴定中已有一定的研究和应用#.%&1569)*=*应用近红外检测技术对山毛榉树种子进行了鉴别#研究结果表明!近红外光谱技术在鉴定每一个种子是有活力和无活力方面的精确度达到了*--J!可以用来快速"无损检测和区分山毛榉树的好种子与劣变的种子#因此!近红外检测技术在改进林木种子萌发率方面具有广阔的应用前景#Z9H5c;)*#*应用近红外检测技术对温带和热带的树木种子进行了快速和无损种子质量特性&基因的"生理的和技术质量特性'检测试验研究#研究结果表明!利用近红外检测技术可以将欧洲赤松种子来源"父本和母本区分开来!其鉴定准确率分别达到*--J!><J和#*J%可以根据相对含水量的差异来成功地区分好种子和害虫感染的种子%可以根据种子中的油脂和蛋白质含量的差异来鉴别有活力的种子和空种子!其鉴定的准确率达到了*--J%可以用来同时鉴别饱满的"空的和害虫感染的种子!其准确率分别达到了*--J! >-J和*--J#近红外检测技术在种子生活力应用方面也有前景!其区分种子生活力与年龄的关系时准确率达到了*--J#因此!近红外技术在应用种子繁殖的林业管理实践中将发挥重要的作用!如利用近红外检测技术可以检测去除劣质"虫害感染和不能出苗的种子!从而为批量出口种苗&通过种子繁殖'和田间种植提供优质的种子#?/%6)*"*应用近红外技术研究了父母本和收获年限对橄榄果实中含油率"水分"油酸和亚油酸含量的影响#结果表明!近红外技术可以准确预测不同母本样品中的所有物质组成!作为准确分选母本的工具!可以应用到橄榄育种项目中!为橄榄育种工作提供了新的方法和手段#U1%)*>*等利用近红外检测技术可以将甜柿育种过程中产生的脱涩"半脱涩和完全脱涩的柿子区分开#病虫害对林木的危害很大!如何快速简便的筛选抗性好的种植材料和育种中间材料!对于育种工作来说是非常关键的#由于不同的树种具有不同的抗性机理和特性!采用常规方法鉴定病虫害的抗性!具有操作复杂和周期长等缺点#而(U[.法可通过直接测定植物中各种化学成分变化来间接测定各种抗性指标!可快速简便的分析各种资源材料和筛选育种材料#[;1G/2I%27等应用滤光片式近红外仪对甘蔗表面的蜡粉扫描分析!建立了甘蔗对鳞翅目中螟蛾的抗性分析定标方程)!-*#根据这一特点!可建立我国林业主要树种油松"落叶松"马尾松"杨树和樟树等的相应病虫害抗性分析近红外定标方程!这将为树木的抗病和抗虫育种开辟一条新途径#98H!近红外检测技术在森林凋落物分解检测中的应用大量的试验研究表明!近红外技术是一种快速而有效的预测森林树种叶子和凋落物中生物化学物质组成的重要手段)!**!也有试验研究表明!近红外检测技术可以预测和分析凋落物短期和中期的分解率&A/0%C)%35c9&914'情况)!!*#凋落物的一系列化学组成指标是其分解的指示指标!如氮含量和L f(比值!木质素与氮的比值等#R9&&%6)!<*了解凋落物的分解速度!对于研究森林生态系统物质循环是非常必要的#测试了*-个物种&五种阔叶树种"一种针叶树种"两种灌木和两种禾草'!结果表明!近红外技术是一种可以直接预测不同物种凋落物分解速度的手段!近红外技术在凋落物分解中的应用前景广阔#98J!近红外检测技术在干果品质检测及其他方面的应用检测无花果干果前的挑选工作既费劳动力又复杂!V;2b3)!+*等应用近红外检测技术自动分选了无花果干果#结果表明!检测分级的准确率在"<J#*--J!说明应用近红外技术对无花果干果进行自动检测是可行的#L;6696, H G5C)!B*等应用近红外技术成功地将不同受损程度&高和低等级'的红椿小叶进行了划分!同时也可以预测小叶氮含量和树高的变化#高的树种更容易遭到危害!近红外技术预测红柏蛾侵害的差异性表明!红柏蛾的侵害醒为与红椿树叶的化学成分有关系#+!近红外光谱技术在林业上的应用展望!!国内外的大量试验研究和实践表明!近红外漫反射光谱检测技术具有常规法难以比拟的许多优越性!在水果坚实度和品质检测"木材性质检测"品质育种"种质资源鉴定等方面的应用是可行的#但进一步的深入研究还是必需的!包括尝试别的建模化学计量学方法&主成份回归"人工神经网络等'"不同的光检测方法&透射"半透射等'以及不同的光谱预处理&标准归一化"多元散射校正等'等等!以提高检测的精度#另外!由于(U[.法所建立的定标软件专一性强!必须根据不同样品&不同水果品种"不同树种的木材"种子等'!不同分析内容逐项研究!分别定标!才能真正发挥近红外光谱技术的优越性#如不同果园"不同水果品种对水果品质预测结果的影响也是值得研究的#不同的品种最适合的波长不同!因此有必要加强对不同水果品种和变种的研究!以便进一步加大近红外检测技术在水果采摘和储藏及包装工程中的广泛应用#同时!水果中微量元素的测定!也是将来近红外检测技术的应用研究方向#我国将来除可以进一步拓宽近红外技术在水果和木材品质检测方面的应用研究以外!还可以结合应用研究实际!特别是林业主要树种的抗病和抗虫育种和进口树种遗传资源时的病虫害检验&林业生物安全'的需要!开拓和扩大近红外光谱分析技术的应用范围和应用新领域#=+B*光谱学与光谱分析!!!!!!!!!!!!!!!!!!!第!"卷参考文献)**!R%274W !\52196TL S :S L G /C S T G 43S !*><>!#(>>S )!*!W 8(RA ;%,]95!N K O P`956H ,456H !:U (Z %6H ,C 96H !/15&&王多加!周向阳!金同铭!等'S .)/012%30%)4567.)/0125&865&4393&光谱学与光谱分析'!!--+!!+&+'(++#S)<*!?;[a S Z 25635019%6%I8C /29056.%09/14%I8H 2905&1;25&@6H 96//23!!--*!++&B '(*!=B S )+*!?;[a !829565A S 8))&9/7@6H 96//296H 968H 290;&1;2/!!--!!*"&B '(B "B S )B *!T /56%L ![/915R !L G 95c 2567%$S 8015K %2190;&1;25/!!--=!#*<(+=B S )=*!E ;9&91F 30G[!K %c /2H @S :%;265&%I8))&9/7V %1564!!--<!##&B '(*#!S )#*!N;7/\S a 2;913&T 5293'!!--<!B "&<'(*<B S )"*!K@A %6H ,]956!E U 8(L G ;56,X 95%,F G 5%!/15&&何东健!前川孝昭!等'S Z 25635019%63%I 1G /L G 96/3/.%09/14%I 8H 290;&1;2/@6H 96//296H &农业工程学报'!!--*!*#&*'(*+=S )>*!?U PQ 56,7/!Q U (RQ 9,c 96!a P`95,)96H !/15&&刘燕德!应义斌!傅霞萍!等'S .)/012%30%)4567.)/0125&865&4393&光谱学与光谱分析'!!--B !!B &**'(*-<"S )*-*!aP`95,)96H !Q U (RQ 9,c 96!?U PQ 56,7/!/15&&傅霞萍!应义斌!刘燕德!等'S .)/012%30%)4567.)/0125&865&4393&光谱学与光谱分析'!!--=!!=&='(*-<"S )***!.0G 9C &/0b?5;2/60/[![%c /21@^563S U 8W 8:%;265&!!--!!!<&<'(!!B S )*!*!.0G 9C &/0b?[!\90G /&&8:![54C %67L8!/15&S L 5657956:%;265&%I a %2/31[/3/520G !*>>>!!>&!'(*>+S )*<*!:U 8(RN /,G ;9!K P 8(R86,C 96!W 8(RV 96&江泽慧!黄安民!王!斌'S .)/012%30%)4567.)/0125&865&4393&光谱学与光谱分析'!!--=!!=&='(*-<+S )*+*!:U 8(RN /,G ;9!K P 8(R86,C 96!a @U V /6,G ;5!/15&&江泽慧!黄安民!费本华!等'S .)/012%30%)4567.)/0125&865&4393&光谱学与光谱分析'!!--=!!=&#'(*!<-S )*B *!:U 8(RN /,G ;9!K P 8(R86,C 96&江泽慧!黄安民'S .)/012%30%)4567.)/0125&865&4393&光谱学与光谱分析'!!--=!!=&"'(*+=+S )*=*!.%&15698S 8015P 69^/239151938H 290;&1;25/.;/095/,.9&^/31295!!--<!!#B (*>S )*#*!Z 9H 5c ;\S 8015P 69^/239151938H 290;&1;25/.;/095/,.9&^/31295!!--<S !#+(B =S )*"*!?/%6?!R 52297%$52%8!A %_6/4R S :%;265&%I8H 290;&1;25&567a %%7L G /C 93124!!--+!B !&*='(+>B #S )*>*!U 1%.!O %15b /Q !d 91%U S [/3/520GV ;&&/196%I 1G /890G 9b /6!*>>#!!>(!*<S )!-*![;1G /2I %27[.!.157/6:$S :%;265&%I L G /C 905&@0%&%H 4!*>>=!!!&+'(="*S )!**!\52196\@!8c /2:A S :%;265&%I(/52U 6I 252/7.)/012%30%)4!*>>+!!(!B S )!!*!V %&31/2d?!\52196\@!8c /2:A S L 5657956:%;265&%I a %2/31[/3/520G ,[/^;/L 56579/66/[/0G /20G /a %2/319/2/!*>>=!!=(B >-S )!<*!R 9&&%6A !:%I I 2/[!A 527/66/T S L 5657956:%;265&%I a %2/31[/3/520G ,[/^;/L 56579/66/[/0G /20G /a %2/319/2/!*>><!!<(*!!!B B !S )!+*!V ;2b 3L.!A %_/&&a@!`9/a S :%;265&%I .1%2/7T 2%7;013[/3/520G !!---!<=&<'(!">S )!B *!L ;6696H G 5C.8!a &%47[V S L 5657956:%;265&%I a %2/31[/3/520G ,[/^;/L 56579/66/[/0G /20G /a %2/319/2/!!--+!<+&<'(=+!S <%2%,+?13)1%--(,Q G <>0%2+13-230.!%2*,3$3).",/G +-A 00$(2"+(3,+3+*%C (%$/34C 31%-+1.R O (RQ ;,C /9*!N K 8(R W /9!*S .09/60/567Z /0G 6%&%H 4A /^/&%)96H L /61/2%I .151/a %2/312487C 969312519%6!V /9]96H!*--#*+!L G 965!S Z G 2//(%21Ga %2/31V ;2/5;%I .151/a %2/312487C 969312519%6!Q 960G ;56!#B ---*!L G 965A #-+1"2+!(/52,U 6I 252/7.)/012%30%)4&(U [.'931G /C %3125)97&47/^/&%)96H 5671G /C %316%190/5c &/3)/012%H 25)G 901/0G 69e;/961G /"-13&1G /&5310/61;24'S U 137/^/&%)96H G 931%24567;19&9F 519%696I %2/9H 60%;6129/3_/2/9612%7;0/7S Z G /5;1G %23C 596&43;C ,C 529F /71G /5))&90519%63%I(U [.1%1G /I 9/&7%I I %2/3124S Z G /5))&90519%63%I 6/52,96I 252/72/I &/01560/3)/012%30%)4&(U [.'96I 2;91e ;5&914!19C c /25673//7e ;5&914565&439352/C %2/5019^/96I %2/31247;/1%91325)97!19C /&4!&/33/X )/639^/!6%6,7/312;0,19^/!31259H G 1I %2_527565&41900G 52501/2931903S U 61G /&5311_%7/057/3!6%6,7/312;019^/C /1G %73;396H 6/52,96I 252/73)/012%30%)4&(U [.'1%/^5&;51/)525C /1/23I %2/319C 5196H C 51;2914_/2/5))&9/71%79I I /2/61I 2;9133)/09/31%0G /0b 1G /29)/696H 3151;3%I I 2;913%612//3%21%H 257/I 2;913961G /)50b 96H G %;3/!1%533/33I 2;91e ;5&914!3;0G 533;H5256750970%61/613!3%&;c &/3%&973!I 92C 6/33%I I 2;91!%I I /23H 2/5157^5615H /31%H 2%_/23967/09796H _G /61%G 52^/31S Z G /6/5296I 252/73)/012%)G %1%C /124&(U [.'0565&3%c /;3/71G /6%67/312;019^/e ;56191519^/533/33C /61%I 1G /3%&97_%%77/63914!1G /C %931;2/0%67919%65671G /&9H6960%6,#+B *第#期!!!!!!!!!!!!!!!!!!!!光谱学与光谱分析1/6196c ;&b 4_%%7S Z G /)2/^9%;32/3;&139679051/71G 511G /;19&914%I (U [._5353/&/019%61%%&96c 2//796H )2%H 25C 3!I %2/X 5C ,)&/!1G 2//b 973%I )/239C C %6I 2;913!531296H /61!6%6,531296H /61567G 5&I ,531296H /61!_/2/0&/52&40&5339I 9/7c 4;396H (/52,96I 252/7&(U ['C /1G %73!567c 53/7%61G /0%C c 96519%6%I 6/5296I 252/71/0G 6%&%H 4567C ;&19^52951/565&4393!1G /H /6/190!)G 439%&%H 905&5671/0G 6905&e ;5&919/3%I c %1G 1/C )/251/56712%)905&12//3)/09/3%6396H &/3//7c 5393056c /0G 52501/29F /7S U 1G 535&2/574c //63G %_61G 51(U [.056)2/79011G /0G /C 905&0%C )%3919%6%I &911/23S (U [.935&3%05)5c &/%I 0%22/&5196H 1G /969195&3)/0125&0G 52501/2,931903%I 1G /&911/23_91G 1G /923G %21,567C /79;C ,1/2C7/0%C )%35c 9&914S Z G /315H /%I 7/054%I 7/0%C )%396H &/5^/3056c /)2/7901/7c 4;396H 1G /6/5296I 252/72/I &/01560/3)/012%30%)4S Z G /C /1G %793290G 9696I %2C 519%6567e ;90b 1%0%67;01S K %_/^/2!1G /5))&9,0519%63%I(U [.1%1G /I 9/&7%I I %2/312496%;20%;612452/%6&4%61G /c /H 96696H!56752/C 596&4I %0;3/7%6_%%70G 52501/2931903567I 2;91e ;5&9141/3196H S U 6I 501!1G /2/52/319&&3%C /I ;21G /25))&90519%63%I(U [.96I %2/312496I ;1;2/!3;0G 53565&4F 96H 1250//&/C /61396I 2;91!c 9%3/0;2914963)/019%6S U 61G 93)5)/2!1G /5;1G %23565&4F /71G /(U [.5))&90519%633151;396G %C /5675c 2%57!5677930;33/71G /5))&9/7)2%3)/0131%)2%C %1/9135))&90519%631%1G /I 9/&7%I I %2/31242/3/520G567)2501905&)2%H 25C 396%;20%;6124S B %.;31/-!(/52,96I 252/72/I &/01560/3)/012%30%)4%a %2/3124%a 2;91%Z 9C c /2%.//7%U 63)/019%6&[/0/9^/7\54"!!--#%500/)1/78;HS *"!!--#'!!全国第!届近红外光谱学术会议通知第二轮!!为全力展示我国近红外光谱领域所取得的最新进展及成果!增进广大近红外光谱科技工作者和广大近红外分析工作者之间的交流与合作!进一步促进我国近红外光谱事业的发展!中国仪器仪表协会近红外光谱分会拟于!--"年**月!-#!!日在长沙主办全国第!届近红外光谱学术会议#俞汝勤院士"陆婉珍院士担任大会主席#届时邀请国内有丰富经验的近红外光谱分析专家"学者和仪器专家作专题报告和进行近红外光谱分析技术交流!并邀请国外知名学者和海外华裔学者与会#热忱欢迎光谱学界专家教授及广大从事分析测试技术工作的科技人员踊跃撰稿#会议将表彰为近红外事业做出卓越贡献的先进个人和集体!进行优秀论文评选!并推荐优秀论文在5L G /C %C /12903YU 61/&&9H /61?5c %251%24.431/C 36"5光谱学与光谱分析6&.L U 收录'"5分析测试学报6及5现代科学仪器6等杂志上发表#现将有关事项通知如下(一 大会主席团成员名单!!主!席(俞汝勤!陆婉珍!!副主席(王顺昌!陈星旦!闫成德二 学术委员会成员名单!!主!任(陆婉珍!俞汝勤!!副主任(袁洪福!梁逸曾!韩东海!徐可欣!邵学广!吴海龙!王!健!!委!员(&按姓氏笔划为序'丁海曙!王小如!王京华!王家俊!王艳斌!卢家炯!石春海!田松柏!冯新泸!孙素琴!孙岩峰!任玉林吕!进!应义斌!吴玉田!杜一平!陈!斌!张卓勇!张存洲!李!华!金少鸿!林!君!罗国安!范世福杨曙明!相秉仁!修连存!黄玉东!蒋士强!蒋建晖!谢洪平!谢益民!彭玉魁!褚小立!熊春华!廖延彪瞿!军!瞿海斌三 组织委员会成员名单!!主!任(梁逸曾!!副主任(吴海龙!蒋建晖!!委!员(&按姓氏笔划为序'易伦朝!王!兵!范!伟!张志敏!徐!路!付海燕四 论文集编辑出版!!将提供会议论文集!优秀论文推荐到5分析测试学报6"5光谱学与光谱分析6"5L G /C %C /12903YU 61/&&9H /61?5c %251%24.431/C 36及5现代科学仪器6杂志上出版!相关内容如下(&*'截稿日期(!--"年#月!B 日#应征论文可通过/,C 59&发至大会筹备组委会电子信箱!或通过挂号信&含磁盘'寄至大会筹备组委会&见六"联系方式'#来稿请注明论文联系人"电话"传真"电子信箱及个人简介!并注明/全国第!届近红外光谱学术会议征文0#下转*B B <页"+B *光谱学与光谱分析!!!!!!!!!!!!!!!!!!!第!"卷。
近红外技术在木材科学中的应用综述随着木材资源消耗的不断加剧，木材的供需矛盾越来越尖锐。
根据我国的森林资源统计，我国森林覆盖率较低，只达到了世界水平的61.5%，人均森林面积和人均森林蓄积量更少，仅是世界水平的22%和14.6%。
而且，随着“天保工程”的实施，可采伐的森林资源日益减少，在未来相当长的一段时间里，木材生产不可能有大幅增长，木材的缺口现象会更严重，供需矛盾也将日渐尖锐。
文章主要阐述了当前近红外线技术在木材科学中的应用。
标签：近红外技术；木材科学；应用要解决这一矛盾，就要在保护现有的森林资源并且实行合理开发采伐的前提下，加大力度开展植树造林，尽可能的扩大森林资源增加木材产量，然而，一棵树从植树到成材是需要一个较长时间的。
所以，最大限度利用好现有的森林资源意义重大。
例如大力发展木质剩余物的开发利用就是提高森林资源利用率的一个有效方法。
梢头木、枝丫、树叶、树皮、枯倒木、折断木、树根与伐根、灌木和站立木及造材、制材剩余物都可以称为木质剩余物。
木质剩余物可以为人造板和造纸提供原料；也可作林化产品的加工原料，用来生产松香、活性炭、栲胶和工业酒精等；剩余物中的松针，经过蒸汽蒸馏能分离出大量的松针油，这是食品、制药和香料化妆品的原料。
要能使木质剩余物得到最优化的利用，快速准确地测定其主要化学组分含量十分重要，其化学组分的含量是决定木质剩余物后期利用的主要因素。
传统的测量木质剩余物化学组分的评价方法耗时耗力且耗资。
因此，寻求一种快速准确且低成本地评价其主要化学组分的方法，已经成为积极开发利用木质剩余物的重要内容之一。
近红外光谱（Near infrared spectroscopy，简写为NIR）技术是一项新的无损检测技术，它能够迅速准确地对固体、液体、粉末等有机物样品的化学性质进行无损检测。
本文综述了国内外近红外光谱技术在木材科学中最新的研究成果，及近红外光谱技术在木质剩余物化学组分预测中的应用设想。
1 近红外光谱分析木质剩余物的理论基础近红外光谱是有机分子的合频和倍频的吸收光谱，其他的光谱分析方法在对含水固体的样品分析前要先经过溶剂稀释或者制备溴化钾片等步骤，而近红外光谱的分析中水分的吸收不会覆盖C-H、N-H和O-H的吸收带，并且在近红外光谱区里产生吸收的官能团主要就是以上的几个含氢基团。
第26卷第12期农业工程学报Vbl．26 No．122010笠12月Tr a ns a ct i on s o f t h e C S A E D e c．2010373基于可见／近红外光谱与SIMCA和PLS．DA的脐橙品种识别郝勇，孙旭东，高荣杰，潘媛媛，刘燕德※(华东交通大学机电工程学院，南昌330013)摘要：脐橙的优良品种选育是通过芽变选种获得，为了选择一些具有特殊性状的脐橙芽变进行培植，需要对脐橙的品种进行鉴别。
该研究应用可见／近红外光谱分析方法结合软独立模式分类(SIMCA)和偏最,b-乘判别分析(PLS．DA)模式识别方法对赣南脐橙的品种进行识别。
研究结果表明，采用原始近红外光谱结合SIMCA方法，实现了纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的100％的识别；应用近红外光谱结合PLS．DA方法对校正样本建立判别模型，其校正及验证结果与实际分类变量的相关系数均大于0．970，交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于O．100，利用模型对验证集中纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的识别率均为100％。
为脐橙优良品种的选育提供快速鉴别分析方法。
关键词：近红外光谱，脐橙，PLS．DA，SIMCA，品种识别，赣南doi：l O．3969／j．issn．1002—6819．2010．12．063中图分类号：0657．3 文献标志码：A 文章编号：1002—6819(2010)-12-0373-05 郝勇，孙旭东，高荣杰，等．基于可见／近红外光谱与SIMCA和PLS．DA的脐橙品种识别[J]．农业工程学报，2010，26(12)：373--377．H a o Y o n g，S u n X u d o n g，G a o Rongjie，et a1．Ap p li c at i on o f visible and in f ra r e d s p ec t r o sc o p y to i dentific ation o f n av elorange varieties using SI MCA and P L S-D A methods[J]．Transactions of the CSAE，2010，26(12)：373—377．(in Chinese丽th English a b s t ra c O判别分析中S IM CA(so ft ind e p e n de n t m o d el i n g o f cla ss 0引言analogy)降7】和PLS—DA(partial least s q ua r e s．d i sc r i m in a n t 柑橘是果树中最易发生芽变的种类之一，目前生产anal ys is)[s-l o]方法是常用的两种方法。
林业工程学报，２０２３，８（２）：１６６－１７１ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２２０５０３８收稿日期：２０２２－０５－３１㊀㊀㊀㊀修回日期：２０２２－１０－０９基金项目：江苏省自然科学基金面上项目（ＢＫ２０１８１３３８）；江苏省高校优秀科技创新团队资助（２０１９－２９）；江苏高校 青蓝工程 项目㊂作者简介：陈哲楠，男，博士，研究方向为森林培育㊂通信作者：高捍东，男，教授㊂Ｅ⁃ｍａｉｌ：ｇａｏｈｄ＠ｎｊｆｕ．ｅｄｕ．ｃｎ近红外高光谱技术在亚美马褂木与其亲本木材鉴别中的应用陈哲楠１，高捍东１∗，薛晓明２，吴皓琪３，苏子珊２（１．南京林业大学林学院，南京２１００３７；２．南京森林警察学院刑事技术学院２１００２３；３．南京林业大学风景园林学院，南京２１００３７）摘㊀要：亚美马褂木（Ｌｉｒｉｏｄｅｎｄｒｏｎｓｉｏｎ⁃ａｍｅｒｉｃａｎｕｍ）是一种通过中国马褂木和北美鹅掌楸杂交培育获得的优良阔叶工业树种与园林绿化树种㊂相比于亲本，亚美马褂木具有生长更快㊁适应性更广㊁材性更优等特点㊂由于亚美马褂木和其亲本木材在外观上相似度较高，因此木材交易中常出现以次充好的问题，破坏了市场秩序㊂为解决亚美马褂木木材鉴别问题，降低木材鉴别误差，本试验基于近红外高光谱（ＮＩＲ⁃ＨＳＩ）技术，建立亚美马褂木和其亲本的木材快速无损鉴别方法㊂使用近红外高光谱仪采集了亚美马褂木㊁北美鹅掌楸和中国马褂木木材样品的光谱信息，建立偏最小二乘判别分析（ＰＬＳ⁃ＤＡ）和支持向量机（ＳＶＭ）２种判别模型，比较了连续投影算法（ｓｕｃ⁃ｃｅｓｓｉｖｅｐｒｏｊｅｃｔｉｏｎｓａｌｇｏｒｉｔｈｍ，ＳＰＡ）㊁ＳＧ平滑（Ｓ⁃Ｇｓｍｏｏｔｈｉｎｇ）㊁多元散射校正（ｍｕｌｔｉｐｌｉｃａｔｉｖｅｓｃａｔｔｅｒｃｏｒｒｅｃｔｉｏｎ，ＭＳＣ）㊁归一化数据（Ｎｏｒｍａｌｉｚｅ）和标准正态变量变换（ｓｔａｎｄａｒｄｎｏｒｍａｌｖａｒｉａｔｅ，ＳＮＶ）５种预处理方法对建模的影响㊂试验结果表明：亚美马褂木与其亲本木材研磨成１ ３ｍｍ粒径粉末后更适合进行基于ＮＩＲ⁃ＨＳＩ技术的分类鉴别，而粉末粒径ɤ１ｍｍ时鉴别准确率会下降（无数据预处理时校正集准确率最高下降４．９％）；采用ＳＰＡ预处理建立的ＳＶＭ模型效果较优，在提取少量特征波长减少建模计算成本的同时，对３种木材粗粉末样品鉴别准确率为１００％（校正集）㊂基于近红外高光谱仪结合合适的数据处理算法可以实现对亚美马褂木和其亲本的准确鉴别分析，为高度相似木材或木材制品的快速鉴别提供新的途径㊂本次试验使用粒径１ ３ｍｍ的木材粉末样品达到了较高的鉴别精度，为进一步降低木材鉴别误差提供了新的思路㊂关键词：亚美马褂木；亲本树种；木材鉴别；近红外高光谱中图分类号：Ｓ７９４；Ｑ９１７㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀文章编号：２０９６－１３５９（２０２３）０２－０１６６－０６ＷｏｏｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＬｉｒｉｏｄｅｎｄｒｏｎｓｉｎｏ⁃ａｍｅｒｉｃａｎｕｍａｎｄｈｙｂｒｉｄｐａｒｅｎｔｓｂｙｎｅａｒ⁃ｉｎｆｒａｒｅｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｓｐｅｃｔｒｏｓｃｏｐｙＣＨＥＮＺｈｅｎａｎ１，ＧＡＯＨａｎｄｏｎｇ１∗，ＸＵＥＸｉａｏｍｉｎｇ２，ＷＵＨａｏｑｉ３，ＳＵＺｉｓｈａｎ２（１．ＣｏｌｌｅｇｅｏｆＦｏｒｅｓｔｒｙ，ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００３７，Ｃｈｉｎａ；２．ＤｅｐａｒｔｍｅｎｔｏｆＣｒｉｍｉｎａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＮａｎｊｉｎｇＦｏｒｅｓｔＰｏｌｉｃｅＣｏｌｌｅｇｅ，Ｎａｎｊｉｎｇ２１００２３，Ｃｈｉｎａ；３．ＣｏｌｌｅｇｅｏｆＬａｎｄｓｃａｐｅＡｒｃｈｉｔｅｃｔｕｒｅ，ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００３７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅ（Ｌｉｒｉｏｄｅｎｄｒｏｎｓｉｏｎ⁃ａｍｅｒｉｃａｎｕｍ）ｉｓａｈｙｂｒｉｄｓｐｅｃｉｅｓｏｂｔａｉｎｅｄｂｙｃｒｏｓｓｂｒｅｅｄｉｎｇＣｈｉｎｅｓｅｔｕ⁃ｌｉｐｔｒｅｅ（Ｌ．ｃｈｉｎｅｓｅＳａｒｇ．）ａｎｄｔｕｌｉｐｔｒｅｅ（Ｌ．ｔｕｌｉｐｉｆｅｒａ）．Ｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅｈａｓｇｒｅａｔｗｏｏｄａｔｔｒｉｂｕｔｅａｎｄｂｅｅｎｗｉｄｅｌｙｕｓｅｄｉｎｆｕｒｎｉｔｕｒｅａｎｄｏｔｈｅｒｆｉｅｌｄｓ．Ｃｏｍｐａｒｅｄｗｉｔｈｐａｒｅｎｔａｌｓｐｅｃｉｅｓ，ｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅｄｉｓｐｌａｙｓｆａｓｔｅｒｇｒｏｗｔｈｒａｔｅ，ｂｅｔｔｅｒｗｏｏｄｆｅａｔｕｒｅｓａｎｄｗｉｄｅｒａｄａｐｔａｂｉｌｉｔｙ．Ｈｏｗｅｖｅｒ，ｔｈｅｍｏｒｐｈｏｌｏｇｉｃａｌｐｒｏｐｅｒｔｉｅｓｏｆｔｈｅｓｐｅｃｉｅｓｏｆｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅ，Ｃｈｉｎｅｓｅｔｕ⁃ｌｉｐｔｒｅｅ，ａｎｄｔｕｌｉｐｔｒｅｅａｒｅｈｉｇｈｌｙｓｉｍｉｌａｒ，ｗｈｉｃｈａｒｅｄｉｆｆｉｃｕｌｔｔｏｂｅｄｉｓｔｉｎｇｕｉｓｈｅｄｂｙｔｈｅｉｒｓｔｒｕｃｔｕｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．Ｓｉｎｃｅｔｈｅｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅｏｆｆｅｒｓｏｂｖｉｏｕｓａｄｖａｎｔａｇｅｓｆｏｒｗｏｏｄｆｅａｔｕｒｅｓａｎｄｇｒｏｗｔｈｓｐｅｅｄ，ｔｉｍｂｅｒｔｒａｄｅｒｓｏｆｔｅｎｕｓｅＣｈｉｎｅｓｅｔｕ⁃ｌｉｐｔｒｅｅａｓｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅｆｏｒｐｒｏｆｉｔｅｅｒｉｎｇ．Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅｗｏｏｄｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄｒｅ⁃ｄｕｃｅｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｅｒｒｏｒ，ａｒａｐｉｄｎｏｎｄｅｓｔｒｕｃｔｉｖｅｗｏｏｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗａｓｄｅｖｅｌｏｐｅｄｆｏｒｄｉｓｔｉｎｇｕｉｓｈｉｎｇｔｈｅｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅａｎｄｉｔｓｐａｒｅｎｔｓｕｓｉｎｇｔｈｅｎｅａｒ⁃ｉｎｆｒａｒｅｄｈｙｐｅｒｓｐｅｃｔｒａｌ（ＮＩＲ⁃ＨＳＩ）ｔｅｃｈｎｏｌｏｇｙ．Ｔｈｅｓｐｅｃｔｒａｌｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅ，ｔｕｌｉｐｔｒｅｅ，ａｎｄＣｈｉｎｅｓｅｔｕｌｉｐｔｒｅｅｗｅｒｅｃｏｌｌｅｃｔｅｄｕｓｉｎｇＮＩＲ⁃ＨＳＩ．Ｔｈｅｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｄｉｓ⁃ｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓ（ＰＬＳ⁃ＤＡ）ａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｍｏｄｅｌｓｗｅｒｅｄｅｖｅｌｏｐｅｄ．Ｔｈｅｓｕｃｃｅｓｓｉｖｅｐｒｏｊｅｃｔｉｏｎｓａｌｇｏｒｉｔｈｍ（ＳＰＡ），ＳＧｓｍｏｏｔｈｉｎｇ（Ｓ⁃Ｇｓｍｏｏｔｈｉｎｇ），ｍｕｌｔｉｐｌｉｃａｔｉｖｅｓｃａｔｔｅｒｉｎｇｃｏｒｒｅｃｔｉｏｎ（ＭＳＣ），ｎｏｒｍａｌｉｚｅｄａｔａ（Ｎｏｒｍａｌｉｚｅ），ａｎｄｓｔａｎｄａｒｄｎｏｒｍａｌｖａｒｉａｔｅ（ＳＮＶ）ｗｅｒｅｃｏｍｐａｒｅｄｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｍｏｄｅｌｓ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅａｎｄｉｔｓｐａｒｅｎｔｓｗｅｒｅｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｉｄｅｎｔｉｆｉｃａｔｉｏｎｕｓｉｎｇｔｈｅＮＩＲ⁃ＨＳＩｔｅｃｈｎｉｑｕｅａｆｔｅｒｇｒｉｎｄｉｎｇｉｎｔｏｐｏｗｄｅｒｗｉｔｈａｄｉａｍｅｔｅｒｏｆ１－３ｍｍ，ｗｈｉｌｅｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｗｏｕｌｄｂｅｒｅｄｕｃｅｄ㊀第２期陈哲楠，等：近红外高光谱技术在亚美马褂木与其亲本木材鉴别中的应用ｗｈｅｎｐｏｗｄｅｒｄｉａｍｅｔｅｒɤ１ｍｍ（ｕｐｔｏ４．９％ｄｒｏｐｉｎｃａｌｉｂｒａｔｉｏｎｓｅｔａｃｃｕｒａｃｙｗｉｔｈｎｏｄａｔａｐｒｅ⁃ｐｒｏｃｅｓｓｉｎｇ）．ＡｆｔｅｒｔｈｅＳＰＡｔｒｅａｔｍｅｎｔ，ｔｈｅｅｓｔａｂｌｉｓｈｅｄＳＶＭｍｏｄｅｌｃａｎａｃｈｉｅｖｅ１００％ａｃｃｕｒａｃｙ（ｃａｌｉｂｒａｔｉｏｎｓｅｔ）ｂｙｒｏｕｇｈｇｒｉｎｄｉｎｇｐｏｗｄｅｒ．Ｔｈｉｓｍｅｔｈｏｄｈａｓｈｉｇｈａｃｃｕｒａｃｙｗｈｉｌｅｒｅｄｕｃｉｎｇｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌｃｏｓｔｏｆｍｏｄｅｌｉｎｇｂｙｅｘｔｒａｃｔｉｎｇａｓｍａｌｌｎｕｍｂｅｒｏｆｃｈａｒａｃｔｅｒｉｓｔｉｃｗａｖｅｌｅｎｇｔｈｓ．Ｕｓｉｎｇｔｈｅｎｅａｒ⁃ｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｍｅｔｅｒｃｏｍｂｉｎｅｄｗｉｔｈｓｕｉｔａｂｌｅｄａｔａｐｒｏｃｅｓｓｉｎｇａｌｇｏｒｉｔｈｍｓ，ｔｈｅａｃｃｕｒａｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅａｎｄｉｔｓｐａｒｅｎｔｓｃａｎｂｅａｃｈｉｅｖｅｄ，ｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｗｗａｙｆｏｒｔｈｅｒａｐｉｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｈｉｇｈｌｙｓｉｍｉｌａｒｗｏｏｄｓｐｅｃｉｅｓｏｒｗｏｏｄｐｒｏｄｕｃｔｓ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅＮＩＲ⁃ＨＳＩａｎａｌｙｓｉｓｍｅｔｈｏｄｃａｎａｃｈｉｅｖｅｈｉｇｈｉｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｆｏｒ１－３ｍｍｄｉａｍｅｔｅｒｗｏｏｄｐｏｗｄｅｒ，ｔｈｕｓｐｒｏｖｉｄｉｎｇａｎｅｗｉｄｅａｔｏｒｅｄｕｃｅｔｈｅｗｏｏｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｅｒｒｏｒ．Ｋｅｙｗｏｒｄｓ：ｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅ；ｐａｒｅｎｔｔｒｅｅ；ｗｏｏｄｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｎｅａｒ⁃ｉｎｆｒａｒｅｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇ（ＮＩＲ⁃ＨＳＩ）㊀㊀亚美马褂木（Ｌｉｒｉｏｄｅｎｄｒｏｎｓｉｏｎ⁃ａｍｅｒｉｃａｎｕｍ）是由南京林业大学叶培忠教授利用中国马褂木（又名鹅掌楸，Ｌ．ｃｈｉｎｅｓｅＳａｒｇ．）和北美鹅掌楸（Ｌ．ｔｕｌｉｐｉｆｅｒａ）杂交培育获得的树种［１］㊂相比于亲本，亚美马褂木具有生长更快㊁适应性更广等特点，可运用于制造高档家具㊁儿童玩具㊁胶合板以及纸浆等，是一种优良的阔叶工业树种与园林绿化树种［２－４］㊂在外观上，亚美马褂木和其亲本木材相似度较高，但由于亚美马褂木在生长速度㊁观赏价值㊁木材性能等方面有着明显的杂种优势［３］，除顺纹抗压强度外，亚美马褂木其余物理力学性能均优于北美鹅掌楸［４］㊂市场上亚美马褂木比较混杂，常与中国马褂木㊁北美鹅掌楸混淆［５］㊂由于杂交树种和亲本树种的木材具有高度相似性，因此鉴别工作存在较大难度㊂基于传统技术的木材鉴别手段有诸多缺点，如存在准确性低和耗时长等问题［６］；因此，亟需一种快速准确的检测方法来降低木材鉴别的成本，提高识别效率㊂近红外光谱（ＮＩＲ）作为一种快速无损的高通量检测技术，被大量运用于物种分类研究㊂近红外高光谱（ＮＩＲ⁃ＨＳＩ）是成像技术与光谱检测技术的结合，可同时获得被测样品的光谱和图像信息㊂相比ＮＩＲ，ＮＩＲ⁃ＨＳＩ更适合用于分析木材等在构造上具有不均匀性的样品㊂由于近红外光谱存在波段吸收峰重叠，吸收曲线基线漂移等现象，所以被测样属性相关光谱信息可靠性会受到影响［７］㊂选择合适的预处理方法对光谱数据进行处理是降低不利因素影响的有效措施㊂常见的预处理方法有ＳＧ平滑㊁乘法散射校正（ｍｕｌｔｉ⁃ｐｌｉｃａｔｉｖｅｓｃａｔｔｅｒｃｏｒｒｅｃｔｉｏｎ，ＭＳＣ）㊁正常化（ｎｏｒｍａｌｉｚｅ）和标准正态变量（ｓｔａｎｄａｒｄｎｏｒｍａｌｖａｒｉａｔｅ，ＳＮＶ）等㊂研究证明，光谱预处理方法的运用能很好地提高木材样品光谱信息分析的有效率［８－１０］㊂尽管基于光谱技术的木材鉴别研究较多［８－９，１１－１２］，但关于近红外高光谱鉴别木材的报道较少，且研究主要关注于木材的种属识别，鲜见关于样品形态对鉴别准确率影响的报道㊂本研究基于ＮＩＲ⁃ＨＳＩ技术，采用多种数据预处理方法对亚美马褂木和其亲本的光谱数据进行处理，建立偏最小二乘判别分析（ＰＬＳ⁃ＤＡ）和支持向量机（ＳＶＭ）分类模型，以期为快速鉴别亚美马褂木木材提供一种可靠的方法，并为快速鉴别其他杂交树种和其亲本提供参考㊂同时，在应用光谱技术的木材鉴别中，由于木材或木材制品表面粗糙程度不一致或存在局部密度差异［１３］，扫描样品前可能需要打磨或切削处理，这会对样品造成较大的破坏㊂因此，本次试验研究了木材样品形态是否会对鉴别的准确性造成影响，对比了木材横切面和不同粗细木材粉末的鉴别准确率，探究了使用少量粉末快速鉴定木材种类的效果㊂１㊀材料与方法１．１㊀材料与仪器试验材料亚美马褂木㊁北美鹅掌楸和中国马褂木皆采集于南京林业大学下蜀林场㊂试验地为初植密度１０００株／ｈｍ２的４３年生林分㊂选择生长均一㊁树干通直的健康样木６０株（亚美马褂木㊁北美鹅掌楸和中国马褂木各２０株），于南北方向使用直径１２ｍｍ的生长锥（ＪＺ⁃ＣＯ）在树干１．３ｍ处的心材部位取样（心材呈黄褐色，微带绿色）㊂研究使用的亚美马褂木分属６个不同家系；北美鹅掌楸分属２不同无性系；中国马褂木分属３个种源（表１）㊂表１㊀试验样品数量Ｔａｂｌｅ１㊀Ｓｕｍｍａｒｙｏｆｔｈｅｎｕｍｂｅｒｏｆｅｘｐｅｒｉｍｅｎｔａｌｓａｍｐｌｅｓ序号木材种类来源数量／株１亚美马褂木家系１号３２家系２号４３家系３号４４家系４号３５家系５号３６家系６号３７北美鹅掌楸无性系１号（南京林业大学树木园）１０８无性系２号（中山植物园）１０９安徽黄山种源６１０中国马褂木江西庐山种源６１１江苏南京种源８７６１林业工程学报第８卷㊀㊀使用仪器：ＩｍＳｐｅｃｔｏｒＶ１０Ｅ成像光谱仪（芬兰Ｓｐｅｃｉｍ公司），ＲａｐｔｏｒＥＭ２８５ＣＬ摄像机（英国ＲａｐｔｏｒＰｈｏｔｏｎｉｃｓ有限公司），ＩＴ３９００１５０Ｗ卤素光源（美国ＩｌｌｕｍｉｎａｔｉｏｎＴｅｃｈｎｏｌｏｇｉｅｓ公司），ＩＲＣＰ００７６视觉平台（中国台湾Ｉｓｕｚｕ公司），配有图像采集软件的计算机（中国台湾五铃光学股份有限公司）㊂１．２㊀试验方法１．２．１㊀样品制作为减少水分含量对试验的影响，样品采集后使用无水硅胶干燥４８ｈ，使所有木材样品含水率保持在１１．５％ １２．０％（采用ｄｅｋｅ感应式木材含水率测定仪测定）㊂试验分别采集样品横切面的光谱数据和不同粗细木材粉末的光谱数据进行建模㊂木块样品制作：将每株树木钻取的木芯按南北方向于木质部的横切面处剖开，使用８００目（１５μｍ）砂纸将横切面打磨至光滑㊂每株树截取５个横切面规格为１０ｍｍˑ１０ｍｍ的半圆柱形木块，３种木材共制作３００个木块样品㊂木材粗粉末样品制作：将钻取的木芯使用木材粉碎机进行研磨㊁过筛，保证粉末粒径为１ ３ｍｍ㊂每株树研磨５份粗粉末样品，每份样品５ｇ，３种木材共制作３００份木材粗粉末样品㊂木材细粉末样品制作：将制作剩余的木材粗粉末样品进一步使用球磨机进行研磨㊁过筛，使粉末粒径ɤ１ｍｍ㊂每株树研磨５份细粉末样品，每份样品５ｇ，３种木材共制作３００份木材细粉末样品㊂１．２．２㊀ＮＩＲ⁃ＨＳＩ图像采集试验采用近红外高光谱成像系统获取亚美马褂木㊁北美鹅掌楸和中国马褂木木材样本的反射图像及光谱信息㊂近红外高光谱采集的波长范围为９８２ ２５６２ｎｍ，光谱分辨率为６．２ｎｍ，相机镜头距拍摄物３５ｃｍ，光源以４５ʎ㊁距离２５ｃｍ对准拍摄物㊂光源功率２５５Ｗ，曝光时间２．５ｍｓ，输送速度１７．３８ｍｍ／ｓ㊂采集对象为木块样品的横切面和两种不同粗细的木材粉末㊂１．２．３㊀ＮＩＲ⁃ＨＳＩ图像矫正为消除噪声影响，采集高光谱图像后进行黑白校正㊂于样本图像采集相同条件下，扫描聚四氟乙烯白板获得全白反射图像，关闭相机镜头获得全黑反射图像，然后使用公式获得校正后图像㊂Ｒ＝（Ｒ０－Ｂ）／（Ｗ－Ｂ）式中：Ｒ为校正后信号强度；Ｒ０为原始信号强度；Ｂ为全黑的标定信号强度；Ｗ为全白的标定信号强度㊂１．２．４㊀光谱数据处理及模型建立图像矫正后，使用ＥＮＶＩ５．３软件选择兴趣区域（ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔ，ＲＯＩ），计算ＲＯＩ的平均值作为样本的反射光谱㊂每个样品选择１个ＲＯＩ，木块样品和不同粗细的木材粉末样品分别包含３００条光谱数据㊂３类样品皆采用简单随机抽样算法（ＭＡＴＬＡＢ２０１８ａ）抽取其中三分之二的光谱数据作为校正集用于建立模型，三分之一用于测试集预测模型的准确率㊂使用Ｅｘｃｅｌ和ＭＡＴＬＡＢ完成光谱数据的预处理和建模工作㊂高光谱成像系统采集了波长９８２ ２５６２ｎｍ范围内的光谱数据，但由于高于２１８６ｎｍ波长的数据存在严重的噪声干扰，对建模贡献率较小㊂所以本次试验选择了９８２ ２１８６ｎｍ范围内的数据㊂本次研究使用了ＳＰＡ㊁ＳＧ平滑㊁ＭＳＣ㊁ｎｏｒｍａｌｉｚｅ和ＳＮＶ预处理算法，并建立了ＰＬＳ⁃ＤＡ和ＳＶＭ分类模型㊂２㊀结果与分析２．１㊀亚美马褂木及其亲本木材光谱特征矫正过的高光谱图像见图１，计算ＲＯＩ后可得到样品的光谱反射率数据如图２所示㊂从图２可以看出，亚美马褂木㊁北美鹅掌楸和中国马褂木的光谱曲线特征存在一定差异㊂其中，粗粉末样品的光谱特征在不同树种木材间差别较大，而细粉末的差别较小；因此，当样品研磨过细时，难以通过光谱曲线特征的不同对亚美马褂木和其亲本进行鉴别㊂图１㊀亚美马褂木及其亲本高光谱图像Ｆｉｇ．１㊀Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｓｏｆｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅａｎｄｉｔｓｐａｒｅｎｔｓ木材横切面的光谱曲线特征见图２ａ㊂可以看出，不同样品的平均光谱变化趋势大致相同，但反８６１㊀第２期陈哲楠，等：近红外高光谱技术在亚美马褂木与其亲本木材鉴别中的应用射率在９８２ １１５２ｎｍ范围内有较大差异㊂３种木材的反射率在１１１１，１３０５，１６７０和１８８０ｎｍ处有明显的特征峰㊂从图２ｂ可以看出，３种木材粗粉末的反射率比横切面的反射率差异更大，但各个特征峰所在波段是相同的㊂同时，亚美马褂木和其亲本光谱反射率差异集中在９８２ １２７０ｎｍ和１４１４１８３７ｎｍ㊂细粉末样品的光谱曲线见图２ｃ，相比其他两类样品，该类样品的光谱曲线呈不同的变化趋势㊂可以看出，３种木材样品的反射率在９８２１４７１ｎｍ和１８７３ １９６４ｎｍ范围内呈下降趋势㊂图２㊀亚美马褂木及其亲本平均反射率光谱Ｆｉｇ．２㊀Ｍｅａｎｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒａｏｆｈｙｂｒｉｄｔｕｌｉｐｔｒｅｅａｎｄｉｔｓｐａｒｅｎｔｓ２．２㊀基于ＰＬＳ⁃ＤＡ和ＳＶＭ模型的亚美马褂木及其亲本木材鉴别分析㊀㊀基于不同预处理的ＰＬＳ⁃ＤＡ和ＳＶＭ鉴别结果如表２所示㊂可以看出，ＰＬＳ⁃ＤＡ和ＳＶＭ模型在亚美马褂木及其亲本的鉴别中表现较好㊂ＰＬＳ⁃ＤＡ是一个常用的分类模型，本次试验中，ＰＬＳ⁃ＤＡ结合ＭＳＣ和ＳＮＶ预处理方法可以取得最高的预测准确度，而ＳＧ平滑和Ｎｏｒｍａｌｉｚｅ预处理效果相对较差㊂与ＰＬＳ⁃ＤＡ模型相比，ＳＶＭ模型需要更长的建模时间，但具有更高的精度㊂和ＰＬＳ⁃ＤＡ模型一样，ＳＶＭ模型与ＭＳＣ和ＳＮＶ结合鉴别效果较好㊂值得注意的是，本次试验中Ｎｏｒｍａｌｉｚｅ预处理效果较差，大幅降低了ＳＶＭ模型的鉴别精度㊂表２㊀基于不同预处理的ＰＬＳ⁃ＤＡ和ＳＶＭ模型鉴别准确率Ｔａｂｌｅ２㊀ＩｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｉｅｓｂｙＰＬＳ⁃ＤＡａｎｄＳＶＭｗｉｔｈｄｉｆｆｅｒｅｎｔｐｒｅｔｒｅａｔｍｅｎｔｍｅｔｈｏｄｓ单位：％模型预处理方法木材横切面木材粗粉末木材细粉末校正集准确率测试集准确率校正集准确率测试集准确率校正集准确率测试集准确率ＰＬＳ⁃ＤＡ原始光谱９６．０９７．３９９．１９８．７９４．２８８．０ＳＧ平滑９５．６９６．０９８．７９８．７９６．９９４．７乘法散射校正（ＭＳＣ）９８．２１００．０９７．３９８．７９７．３９７．３正常化（Ｎｏｒｍａｌｉｚｅ）９６．０９６．０９８．２９８．７９４．２８８．０标准正态变量（ＳＮＶ）９８．２１００．０９７．３９８．７９７．３９７．３ＳＰＡ⁃ＰＬＳ⁃ＤＡ原始光谱９７．８９７．３９４．７９７．３８６．２８２．７ＳＧ平滑９３．８９３．３９５．６９７．３８６．７８４．０乘法散射校正（ＭＳＣ）９７．３９８．７９６．９９８．７７８．７７２．０正常化（Ｎｏｒｍａｌｉｚｅ）９６．９９７．３９８．７１００．０８６．２８２．７标准正态变量（ＳＮＶ）９７．３９８．７９６．４９８．７７８．７７２．０原始光谱１００．０１００．０１００．０１００．０１００．０９３．３ＳＧ平滑１００．０１００．０１００．０１００．０９９．６９３．３ＳＶＭ乘法散射校正（ＭＳＣ）１００．０１００．０１００．０９８．７９８．７９６．０正常化（Ｎｏｒｍａｌｉｚｅ）３６．０３６．０７９．１８２．７４０．０４０．０标准正态变量（ＳＮＶ）１００．０１００．０１００．０９８．７１００．０９８．７ＳＰＡ⁃ＳＶＭ原始光谱９７．８９７．３１００．０１００．０９３．３８５．３ＳＧ平滑９３．８９３．３９１．６９４．７８６．７７６．０乘法散射校正（ＭＳＣ）９７．３９８．７９８．７１００．０８９．３８６．７正常化（Ｎｏｒｍａｌｉｚｅ）９６．９９７．３８５．３８９．３７３．３７７．３标准正态变量（ＳＮＶ）９７．３９８．７１００．０９８．７９４．７９２．０㊀㊀ＳＰＡ是一种变量选择技术，在分析化学领域得到了广泛的运用［１４］㊂本次试验使用ＳＰＡ分别从３种形态样品的原始光谱信息中选择了１５，９和１１个贡献率较大的波长（表３）㊂从表３可以看出，木材横切面选择的波长具有最小的ＲＭＳＥ值，为０．１９５６，而木材细粉末的ＲＭＳＥ值最大㊂总体９６１林业工程学报第８卷而言，ＳＰＡ应用于横切面数据建模时效果较好，而使用粉末形态样品时则会降低鉴别准确率㊂经ＳＰＡ预处理后，ＰＬＳ⁃ＤＡ和ＳＶＭ模型的建模速度明显提升，且在鉴别亚美马褂木和其亲本木材时仍具有较高的精度㊂这表明ＳＰＡ在剔除光谱噪声数据，减少低相关性波长干扰的同时保证了分类模型的预测能力㊂经试验发现，无论是否经过ＳＰＡ预处理，ＳＶＭ模型的鉴别精度都小幅高于ＰＬＳ⁃ＤＡ模型㊂表３㊀ＳＰＡ提取的特征波长Ｔａｂｌｅ３㊀ＣｈａｒａｃｔｅｒｉｓｔｉｃｗａｖｅｌｅｎｇｔｈｓｓｅｌｅｃｔｅｄｂｙＳＰＡ样品类型特征波长数特征波长序号对应的特征波长／ｎｍＲＭＳＥ木材横切面１５６３，６９，１２６，１４７，１１７，１７２，１０８，１３，１６８，１７０，８，１６６，２３，１７４，１５４１４０６．０５，１４４９．８３，１８６６．０１，２０１１．９７，１８０１．５３，２１７４．１５，１７３６．２６，１０５８．４７，２１４９．２４，２１６１．７５，１０２６．３１，２１３６．６２，１１２４．５２，２１８６．４３，２０５８．８４０．１９５６木材粗粉末１１４０，７，５６，１０８，１７，６６，１５４，１７４，１７２，１，１６６１２４１．３５，１０１９．９６，１３５５．３２，１７３６．２６，１０８４．６２，１４２７．９２，２０５８．８４，２１８６．４４，２１７４．１５，９８２．３８，２１３６．６２０．２０１２木材细粉末９７，４０，６１，１６０，２０，１６３，１２３，１６９，１３８１０１９．９６，１２４１．３５，１３９１．５１，２０９８．１６，１１０４．４７，２１１７．５０，１８４４．６２，２１５５．５１，１９５０．３００．３２９７２．３㊀不同类型木材样品鉴别准确率比较本次研究分别采集了３种不同形态木材样品的高光谱数据㊂木材横切面和粗粉末样品使用ＰＬＳ⁃ＤＡ和ＳＶＭ模型均可以达到较高的鉴别精度（图３）㊂同时，ＳＰＡ会显著影响鉴别准确率，经ＳＰＡ处理后，使用木材细粉末建立的ＰＬＳ⁃ＤＡ和ＳＶＭ模型准确率均会下降，使用横切面建立的ＰＬＳ⁃ＤＡ模型准确率会升高㊂样品的类型会大幅影响木材鉴别的准确率，本次研究中粉末粒径ɤ１ｍｍ的木材样品建模效果较差，这可能是因为过度的研磨破坏了木材的构造并改变了其化学组成㊂因此，在基于ＮＩＲ⁃ＨＳＩ技术的木材识别中，使用表面粗糙程度一致的完整木块或粒径１ ３ｍｍ的木粉均可取得较好的效果㊂Ｆｉｇ．３㊀Ｉｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｉｅｓｏｆｄｉｆｆｅｒｅｎｔｓａｍｐｌｅｓ（ｃａｌｉｂｒａｔｉｏｎｓｅｔ）２．４㊀混淆矩阵在评估分类模型时，仅评价准确率单项指标存在一定片面性㊂而混淆矩阵在反映分类模型预测精度的同时，可以对不同种类样品的模型分类性能好坏做出评价㊂木材粗粉末样品在ＰＬＳ⁃ＤＡ和ＳＶＭ模型中的混淆矩阵见图４㊂可以看出，ＳＶＭ模型对亚美马褂木具有良好的鉴别性能，其中ＳＶＭ分类准确率达到１００％㊂根据结果可知，除使用基于ＳＰＡ的ＰＬＳ⁃ＤＡ模型，其他鉴别方式对亚美马褂木和中国马褂木的木材样本分类准确率均低于北美鹅掌楸㊂图４㊀木材粗粉末样品在ＰＬＳ⁃ＤＡ和ＳＶＭ模型中的混淆矩阵（校正集）Ｆｉｇ．４㊀ＣｏｎｆｕｓｉｏｎｍａｔｒｉｘｏｆｗｏｏｄｒｏｕｇｈｇｒｉｎｄｉｎｇｐｏｗｄｅｒｓａｍｐｌｅｓｂａｓｅｄｏｎＰＬＳ⁃ＤＡａｎｄＳＶＭｍｏｄｅｌｓ（ｃａｌｉｂｒａｔｉｏｎｓｅｔ）３㊀结论与讨论ＮＩＲ⁃ＨＳＩ可以从不同类型的树木样品中提取光谱数据，树枝㊁树叶㊁树皮㊁树干和木粉都有作为树种鉴定依据的可能㊂目前的研究主要集中于采集树干样本进行鉴别，但少有涉及其他类型的树木样品㊂本次研究发现，木材横切面和粗粉末都适合基于近红外高光谱技术的木材鉴别㊂然而，颗粒粒径ɤ１ｍｍ的木材粉末建模效果较差，原因可能是０７１㊀第２期陈哲楠，等：近红外高光谱技术在亚美马褂木与其亲本木材鉴别中的应用过度研磨产生的高温改变了木材的化学组分㊂为了验证，使用ＳＰＭＥ⁃ＧＣ⁃ＭＳ技术分别对北美鹅掌楸粗粉末和细粉末样品进行分析，涉及的数据存储于Ｆｉｇｓｈａｒｅ数据库（ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．６０８４／ｍ９．ｆｉｇｓｈａｒｅ．２１２９９５９８．ｖ１）中，研究表明细粉末样品中鉴别出的挥发性成分显著少于粗粉末样品㊂近红外光谱区与有机分子中含氢基团（Ｏ Ｈ㊁Ｎ Ｈ㊁Ｃ Ｈ）振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱可以得到样品中有机分子含氢基团的特征信息［１５］，而过度研磨减少了样品中的挥发性有机物质含量，可能影响了木材识别的效果㊂如果在研磨中降低产生的温度，可能会提升木材识别的准确率㊂笔者认为，使用颗粒大小适中且一致的木材粉末进行鉴别比利用木材切面效果更佳㊂由于样品表面的粗糙程度会对光谱数据的采集造成一定影响，因此在木材或木材制品识别时有必要对所测样品进行处理，这可能造成样品较大的损坏㊂采集少量粉末样品的方法操作简单，对木材或木材制品的经济价值影响较小㊂由于杂交树种和其母本具有相似的木材构造和化学组成，所以传统的木材鉴别方法很难进行识别㊂根据课题组前期的研究，亚美马褂木㊁北美鹅掌楸和中国马褂木在细胞结构㊁纤维形态和挥发性成分等方面拥有高度的相似性，仅使用树干样品进行鉴别具有较高难度㊂在３种木材中，亚美马褂木和中国马褂木更难以区分，北美鹅掌楸则较易鉴别㊂本次研究中，ＰＬＳ⁃ＤＡ和ＳＶＭ模型都展现出较高的分类性能，但建模速度上存在明显差异㊂总体而言，ＳＶＭ模型预测准确率更高，但是模型建立时间较长㊂为了得到高信噪比和低背景干扰的高光谱数据，研究采用了多种预处理方式㊂结果表明，ＭＳＣ和ＳＮＶ预处理在构建ＰＬＳ⁃ＤＡ和ＳＶＭ模型时表现出较好效果，而Ｎｏｒｍａｌｉｚｅ则会降低分类的准确率㊂基于ＳＰＡ的ＳＶＭ模型可以极大提高建模速度，却不会显著降低模型分类性能，充分显示了对于亚美马褂木及其亲本鉴别的优越性㊂通过比较，ＳＶＭ结合ＳＰＡ预处理进行建模，可以更准确快速地鉴定亚美马褂木和其亲本，为这３种木材的识别提供一种新方法㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］向其柏，王章荣．杂交马褂木的新名称 亚美马褂木［Ｊ］．南京林业大学学报（自然科学版），２０１２，３６（２）：１－２．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－２００６．２０１２．０２．００１．ＸＩＡＮＧＱＢ，ＷＡＮＧＺＲ．ＡｎｅｗｓｃｉｅｎｔｉｆｉｃｎａｍｅｏｆｈｙｂｒｉｄＬｉｒｉｏ⁃ｄｅｎｄｒｏｎ Ｌ．ｓｉｎｏ⁃ａｍｅｒｉｃａｎｕｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ），２０１２，３６（２）：１－２．［２］李建民，周志春，陈炳星，等．马褂木人工林的生长和制浆造纸性能［Ｊ］．中国造纸，２００２，２１（２）：５－７．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０２５４－５０８Ｘ．２００２．０２．００２．ＬＩＪＭ，ＺＨＯＵＺＣ，ＣＨＥＮＢＸ，ｅｔａｌ．ＰｕｌｐｉｎｇｐｒｏｐｅｒｔｉｅｓｏｆＬｉｒ⁃ｉｏｄｅｎｄｒｏｎｃｈｉｎｅｎｓｅ［Ｊ］．ＣｈｉｎａＰｕｌｐ＆Ｐａｐｅｒ，２００２，２１（２）：５－７．［３］葛晓伟，吴智慧，黄琼涛．亚美马褂木物理力学性能及其用于实木家具的适应性研究［Ｊ］．林产工业，２０１９，４６（７）：２７－２９，５６．ＤＯＩ：１０．１９５３１／ｊ．ｉｓｓｎ１００１－５２９９．２０１９０７００６．ＧＥＸＷ，ＷＵＺＨ，ＨＵＡＮＧＱＴ．Ｓｔｕｄｙｏｎｐｈｙｓｉｃａｌａｎｄｍｅｃｈａｎｉ⁃ｃａｌｐｒｏｐｅｒｔｉｅｓｏｆＬｉｒｉｏｄｅｎｄｒｏｎｓｉｎｏ⁃ａｍｅｒｉｃａｎｕｍａｎｄｉｔｓａｄａｐｔａ⁃ｂｉｌｉｔｙｆｏｒｓｏｌｉｄｗｏｏｄｆｕｒｎｉｔｕｒｅ［Ｊ］．ＣｈｉｎａＦｏｒｅｓｔＰｒｏｄｕｃｔｓＩｎｄｕｓｔｒｙ，２０１９，４６（７）：２７－２９，５６．［４］葛晓伟，吴智慧，黄琼涛．亚美马褂木与北美鹅掌楸木材的机械加工性能评价［Ｊ］．家具，２０１９，４０（２）：２２－２７．ＤＯＩ：１０．１６６１０／ｊ．ｃｎｋｉ．ｊｉａｊｕ．２０１９．０２．００５．ＧＥＸＷ，ＷＵＺＨ，ＨＵＡＮＧＱＴ．Ｓｔｕｄｙｏｎｔｈｅｕｓｅａｎｄｐｒｏｍｏ⁃ｔｉｏｎｏｆＬｉｒｉｏｄｅｎｄｒｏｎｓｉｎｏ⁃ａｍｅｒｉｃａｎｕｍａｎｄＬｉｒｉｏｄｅｎｄｒｏｎｔｕｌｉｐｉｆｅｒａｌｉｎｎ［Ｊ］．Ｆｕｒｎｉｔｕｒｅ，２０１９，４０（２）：２２－２７．［５］刘玉新，王章荣，黄淑婧，等．杂交马褂木形态特征识别要点［Ｊ］．湖北林业科技，２０１４，４３（３）：７４，７８．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００４－３０２０．２０１４．０３．０２４．ＬＩＵＹＸ，ＷＡＮＧＺＲ，ＨＵＡＮＧＳＪ，ｅｔａｌ．ＩｄｅｎｔｉｆｉｃａｔｉｏｎｐｏｉｎｔｓｏｆｍｏｒｐｈｏｌｏｇｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｈｙｂｒｉｄＬｉｒｉｏｄｅｎｄｒｏｎｃｈｉｎｅｎｓｅ［Ｊ］．ＨｕｂｅｉＦｏｒｅｓｔｒｙＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１４，４３（３）：７４，７８．［６］ＸＵＥＸＭ，ＣＨＥＮＺＮ，ＷＵＨＱ，ｅｔａｌ．ＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＧｕｉ⁃ｂｏｕｔｉａｓｐｅｃｉｅｓｂｙＮＩＲ⁃ＨＳＩｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．ＳｃｉｅｎｔｉｆｉｃＲｅｐｏｒｔｓ，２０２２，１２：１１５０７．ＤＯＩ：１０．１０３８／ｓ４１５９８－０２２－１５７１９－０．［７］白文明，王来兵，成日青，等．近红外高光谱成像技术在药物分析中的研究进展［Ｊ］．药物分析杂志，２０１８，３８（１０）：１６６１－１６６７．ＤＯＩ：１０．１６１５５／ｊ．０２５４－１７９３．２０１８．１０．０１．ＢＡＩＷＭ，ＷＡＮＧＬＢ，ＣＨＥＮＧＲＱ，ｅｔａｌ．Ｒｅｓｅａｒｃｈａｄｖａｎｃｅｉｎｐｈａｒｍａｃｅｕｔｉｃａｌａｎａｌｙｓｉｓｂａｓｅｄｏｎｎｅａｒ⁃ｉｎｆｒａｒｅｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａ⁃ｇｉｎｇｔｅｃｈｎｉｑｕｅ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＰｈａｒｍａｃｅｕｔｉｃａｌＡｎａｌｙｓｉｓ，２０１８，３８（１０）：１６６１－１６６７．［８］ＨＷＡＮＧＳＷ，ＨＯＲＩＫＡＷＡＹ，ＬＥＥＷＨ，ｅｔａｌ．ＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＰｉｎｕｓｓｐｅｃｉｅｓｒｅｌａｔｅｄｔｏｈｉｓｔｏｒｉｃａｒｃｈｉｔｅｃｔｕｒｅｉｎＫｏｒｅａｕｓｉｎｇＮＩＲｃｈｅｍｏｍｅｔｒｉｃａｐｐｒｏａｃｈｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＷｏｏｄＳｃｉｅｎｃｅ，２０１６，６２（２）：１５６－１６７．ＤＯＩ：１０．１００７／ｓ１００８６－０１６－１５４０－０．［９］ＬＡＺＡＲＥＳＣＵＣ，ＨＡＲＴＦ，ＰＩＲＯＵＺＺ，ｅｔａｌ．Ｗｏｏｄｓｐｅｃｉｅｓｉｄｅｎｔｉｆｉｃａｔｉｏｎｂｙｎｅａｒ⁃ｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＷｏｏｄＰｒｏｄｕｃｔｓＪｏｕｒｎａｌ，２０１７，８（１）：３２－３５．ＤＯＩ：１０．１０８０／２０４２６４４５．２０１６．１２４２２７０．［１０］ＬＥＳＴＡＮＤＥＲＴＡ，ＬＩＮＤＥＢＥＲＧＪ，ＥＲＩＫＳＳＯＮＤ，ｅｔａｌ．Ｐｒｅ⁃ｄｉｃｔｉｏｎｏｆＰｉｎｕｓｓｙｌｖｅｓｔｒｉｓｃｌｅａｒ⁃ｗｏｏｄｐｒｏｐｅｒｔｉｅｓｕｓｉｎｇＮＩＲｓｐｅｃ⁃ｔｒｏｓｃｏｐｙａｎｄｂｉｏｒｔｈｏｇｏｎａｌｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ［Ｊ］．Ｃａ⁃ｎａｄｉａｎＪｏｕｒｎａｌｏｆＦｏｒｅｓｔＲｅｓｅａｒｃｈ，２００８，３８（７）：２０５２－２０６２．ＤＯＩ：１０．１１３９／ｘ０８－０４７．［１１］ＲＵＳＳＡ，ＦＩＳＥＲＯＶＡＭ，ＧＩＧＡＣＪ．ＰｒｅｌｉｍｉｎａｒｙｓｔｕｄｙｏｆｗｏｏｄｓｐｅｃｉｅｓｉｄｅｎｔｉｆｉｃａｔｉｏｎｂｙＮＩＲｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．ＷｏｏｄＲｅｓｅａｒｃｈ，２００９，５４（４）：２３－３２．［１２］ＮＩＳＧＯＳＫＩＳ，ＳＣＨＡＲＤＯＳＩＮＦＺ，ＢＡＴＩＳＴＡＦＲＲ，ｅｔａｌ．Ｐｏ⁃ｔｅｎｔｉａｌｕｓｅｏｆＮＩＲｓｐｅｃｔｒｏｓｃｏｐｙｔｏｉｄｅｎｔｉｆｙＣｒｙｐｔｏｍｅｒｉａｊａｐｏｎｉｃａｖａｒｉｅｔｉｅｓｆｒｏｍｓｏｕｔｈｅｒｎＢｒａｚｉｌ［Ｊ］．ＷｏｏｄＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１６，５０（１）：７１－８０．ＤＯＩ：１０．１００７／ｓ００２２６－０１５－０７８３－ｚ．［１３］ＣＯＯＰＥＲＰＡ，ＪＥＲＥＭＩＣＤ，ＲＡＤＩＶＯＪＥＶＩＣＳ，ｅｔａｌ．Ｐｏｔｅｎｔｉａｌｏｆｎｅａｒ⁃ｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｔｏｃｈａｒａｃｔｅｒｉｚｅｗｏｏｄｐｒｏｄｕｃｔｓ［Ｊ］．ＣａｎａｄｉａｎＪｏｕｒｎａｌｏｆＦｏｒｅｓｔＲｅｓｅａｒｃｈ，２０１１，４１（１１）：２１５０－２１５７．ＤＯＩ：１０．１１３９／ｘ１１－０８８．［１４］ＳＯＡＲＥＳＳＦＣ．Ｔｈｅｓｕｃｃｅｓｓｉｖｅｐｒｏｊｅｃｔｉｏｎｓａｌｇｏｒｉｔｈｍ［Ｊ］．ＴｒＡＣＴｒｅｎｄｓｉｎＡｎａｌｙｔｉｃａｌＣｈｅｍｉｓｔｒｙ，２０１３，４２：８４－９８．ＤＯＩ：１０．１０１６／ｊ．ｔｒａｃ．２０１２．０９．００６．［１５］贺燕．基于近红外光谱的稻瘟病抗性品种分类识别方法研究［Ｄ］．大庆：黑龙江八一农垦大学，２０２１．ＨＥＹ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｒｉｃｅｂｌａｓｔｒｅｓｉｓｔａｎｔｖａｒｉｅｔｉｅｓｂａｓｅｄｏｎｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙ［Ｄ］．Ｄａｑｉｎｇ：ＨｅｉｌｏｎｇｊｉａｎｇＢａｙｉＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，２０２１．（责任编辑㊀田亚玲）１７１。
近红外光谱技术可用于检测坚果类食品质量华中农业大学工学院的学者研究出一种近红外光谱技术快速准确识别带壳霉变板栗的新方法，可以取代人工，快速、准确、无损地进行带壳板栗的品质检测和分选，大大提高了效率和效益，同时也为其它带壳坚果物料的自动化检测分选提供了技术借鉴。
该项目填补了国内外同类研究的一项空白。
该研究成果刊登于《农业工程学报》2011年第3期上，题为“基于GA-LSSVM和近红外傅里叶变换的霉变板栗识别”，第一作者为华中农业大学工学院华中农业大学工学院的学者研究出一种近红外光谱技术快速准确识别带壳霉变板栗的新方法，可以取代人工，快速、准确、无损地进行带壳板栗的品质检测和分选，大大提高了效率和效益，同时也为其它带壳坚果物料的自动化检测分选提供了技术借鉴。
该项目填补了国内外同类研究的一项空白。
该研究成果刊登于《农业工程学报》2011年第3期上，题为“基于GA-LSSVM 和近红外傅里叶变换的霉变板栗识别”，第一作者为华中农业大学工学院博士生周竹，通信作者为李小昱教授。
霉变是板栗综合品质评价的重要指标。
我国板栗年总产量达46.98万吨，居世界第1位。
但采后损失达总产量的35%~50%，重要原因之一是板栗发生霉变。
现有的霉变板栗分选主要采用人工分选或盐水浮选，分选效率低，不仅给贮藏加工、销售带来困难，也造成了巨大的经济损失。
研究一种快速、准确、无损的霉变板栗分选方法，对于保证板栗品质，促进板栗深加工产业和农产品贸易，提高产业经济效率具有重要的意义。
近红外光谱技术可利用全谱或部分波段的光谱数据对农产品的品质进行检测，该研究组的前期工作表明，近红外光谱技术结合模式识别方法对于带壳霉变板栗进行检测是可行的。
然而，利用近红外光谱识别霉变板栗，一方面栗壳增加了识别的难度，需要合适有效的光谱预处理方法，另一方面近红外光谱变量较多，为了提高识别的准确性和快速性，需要选择较优的特征变量和建模方法。
用近红外光谱技术检测霉变板栗，发现合格板栗和霉变板栗的近红外光谱存在差异，但考虑到栗壳的影响，仅通过光谱预处理方法建立的霉变板栗识别模型效果不佳。
基于近红外光谱法预测杨木的综纤维素含量的报告，800字
近红外光谱法(Near Infrared Spectroscopy， NIRS)预测杨木的综纤维素含量（Overall Fibre Concentration）是一种非常有效的技术方法。
它可以快速准确地测量和分析样本中的综合纤维素含量。
此研究的主要目的是利用近红外光谱技术，测定不同生长环境下的杨木树苗的综合纤维素含量，并对综合纤维素含量进行总结分析。
实验方法：本次实验选取10株生长在不同环境条件下的杨树苗作为实验材料，每株杨木树苗的根部、茎部、叶部各取三段不同部位的材料，将取出的材料分别进行切片、碾磨，即可得到实验样品，接着将每种材料进行近红外光谱分析测试，最后对测试结果进行统计与分析。
研究结果：实验测试结果显示，在不同的生长环境中，杨木树苗的综合纤维素含量存在较大差异，其中，根部综合纤维素含量最高，茎部综合纤维素含量次之，而叶部综合纤维素含量最低。
此外，随着环境温度的升高，杨木树苗的综合纤维素含量也会随之增加，随着环境湿度的升高，杨树树苗的综合纤维素含量也会减少。
研究结论：本次研究表明，使用近红外光谱法可以快速准确地测量和分析样本中的综合纤维素含量。
根据本实验结果，不同环境条件下杨木树苗的综合纤维素含量也会有很大差异，随着环境温度和湿度的变化，杨木树苗的综合纤维素含量也会随之发生变化，因此，利用近红外光谱法对杨树树苗的综合纤维素含量的测定有一定的指导意义。
