基于近红外光谱技术的人工林杨木苯醇抽提物质量分数的预测1)

刘镇波 孙凤亮 李耀翔 刘一星(生物质材料科学与技术教育部重点实验室(东北林业大学)，哈尔滨，150040)Xiang－Ming Wang(加拿大林产品创新研究院，魁北克，G1P 4R4)

按美国材料与试验协会(ASTM)定义，近红外(NIR)光谱区域是指波长在780～2 526 nm范围内的电磁波，是人们最早发现的非可见光区域。近几十年来，随着计算机技术、分析仪器数字化和化学计量学的快速发展，使近红外光谱技术在各领域的应用越来越广泛［1］。木材科学工作者们也将这项技术引入到木材科学研究中。

通过前人研究成果可以看出，近红外光谱技术不但可以用来预测木材的生长特性，如管胞长度、微纤丝倾角、细胞壁直径、细胞壁厚度、纤维长度、纤维素结晶度等［2－6］，也可用于预测木材的物理、力学性质，如含水率、密度、压缩强度、弯曲强度、弹性模量及强度等［7－13］，而且，应用近红外光谱技术还可以对木材的化学性质进行分析，如预测木材的纤维素、综纤维素、Klason木质素、半纤维素、木质素、抽提物、树脂等的质量分数［14－18］，分析木材的腐朽过程及木材改性处理后的化学性质变化［19－22］。为了提高近红外光谱分析精度，以获得更好的预测效果，学者们采用一阶导数、二阶导数、小波变换、二阶微分处理、平滑预处理等方法对光谱数据进行预处理［23－25］，并分析预处理对预测效果的影响。从前人的研究可以看出，应用NIR技术可以预测木材的多种化学性质，但针对我国人工林杨木化学性质预测的研究，尤其是针对不同光谱数据区域、不同数据预处理方法及不同建模方法对人工林杨木苯醇抽提物质量分数预测影响的研究尚少开展。

杨木是我国种植量最大、种植面最广、最重要的人工林树种之一，开展高效利用杨木资源的相关研究具有重要的意义。笔者在按照国家标准方法测定人工林杨木木材苯醇抽提物质量分数的基础上，通过不同光谱区域、不同光谱预处理方法及不同的建模方法建立基于近红外光谱技术的杨木苯醇抽提物质量分数的预测方法，这对实现人工林杨木木材化学性质的快速、准确测定具有重要意义。

1 材料与方法

1.1 试样的制备

木材试样采自安徽太和县杨木人工林，共采集7棵树，每棵树采6个样本，共42个样本。在进行苯醇抽提物质量分数的传统方法测定及NIR光谱采集前，将试样磨成40～60目的木粉。

1.2 苯醇抽提物质量分数的测定

苯醇抽提物质量分数按照国家标准GBT 2677.6－94进行测定。每个样品同时做两份平行测定，取其算术平均值作为测定值。

1.3 NIR光谱的采集

采用美国ASD公司生产的LabSpec Pro FR/A114260便携式快速扫描光谱仪采集样品近红外光谱，采集波长范围为350～2 500 nm。实验室室内温度(20±1)℃，平均相对湿度50%。全光谱数据采集速度为0.1 s。在1.5 s内对每个样品连续扫描10次，在350～1 000 nm范围内采样间隔为1.4 nm，在1 000～2 500 nm范围内采样间隔为2 nm。将所得光谱做平均处理后，显示的平均光谱作为该样品的光谱。

2 结果与分析

采集了42个样本，其中30个样本作为校正集用于预测模型的建立和模型的完全交互验证，剩余12个样本作为预测集，不参与建模。采用传统实验方法测得样本的苯醇抽提物质量分数，具体结果如表1所示。

表1 苯醇抽提物质量分数数据分布

本研究对样品采集的光谱区域为3 5 0～2 500 nm，基于不同区域光谱数据，应用CAMO公司的多变量统计分析软件Unscramb中的偏最小二乘法(PLS1、PLS2)及主成分回归(PCR)方法建立校正模型，并采用完全交互验证方式得到验证模型各项参数。通过比较不同主成分数(PCs)对应的校正模型与验证模型的结果，得出较佳的校正模型与验证模型，具体结果如表2所示。可以看出，在不同的光谱区域，采用不同的光谱数据预处理及不同的建模方法，为了获得较佳的校正模型与验证模型，需要采用不同的主成分数。比较不同建模方法的结果可以看出，无论在哪个光谱区域、采用哪种光谱数据预处理方法，基于PLS1方法建立的校正模型与验证模型要优于PLS2、PCR方法;而PLS2与PCR两种方法的结果相对比较接近。

在全光谱区域(350～2 500 nm)内，无论采用哪种建模方法，当光谱数据未进行预处理或进行Baseline预处理时，建立的校正模型、验证模型优于对光谱数据进行一阶导数或二阶导数预处理的结果，而光谱数据未进行预处理时建立的模型与Baseline预处理后的结果差异较小。在1 300～2 050 nm光谱区域，当采用PLS1、PLS2建模方法时，对光谱数据未进行预处理或者Baseline预处理后建立的模型效果优于一阶导数或二阶导数预处理后的结果;而采用PCR建模方法时，基于未处理的光谱数据建立的模型效果优于进行数据预处理的结果。在2 050～2 500 nm光谱区域，当采用PLS1建模方法时，光谱数据进行一阶导数预处理后建立的模型效果优于其他的预处理方法，但采用PLS2、PCR建模方法时，光谱数据的预处理方法对最终的模型效果影响较小。

比较不同光谱区域模型的各项参数可以看出，当光谱数据未进行预处理时，基于1300～2050 nm光谱区域建立的模型效果优于350～2 500 nm、2 050～2 500 nm区域，当光谱数据进行Baseline预处理后，基于350～2 500 nm光谱区域建立的模型效果优于其他两个光谱区域;而采用一阶导数或二阶导数预处理方法时，未体现出某个光谱区域的模型效果均优于其他区域的一致规律。

从上述分析可以看出，光谱区域、预处理方法及建模方法对校正模型、验证模型的结果均有较大的影响，在特定的光谱区域，要获得较佳的模型效果，需要采用不同的光谱数据预处理方法，或者不同的建模方法。综合比较不同光谱区域、不同预处理方法及不同建模方法的结果可以得出，当光谱区域为2050～2 500 nm、光谱数据进行一阶导数预处理，且采用PLS1建模方法，主成分数为7时，建立的模型效果最佳，校正模型的相关系数r=0.997 8、均方根误差为0.000 3、标准误差为0.000 3，验证模型r=0.736 0，均方根误差为0.006 1、标准误差为0.006 1。

根据建立的较佳校正模型、验证模型，对未参与建模的未知样本进行预测，并分析预测结果与实际测量结果的相关性，结果如表3所示。

表2 苯醇抽提物质量分数的近红外光谱预测的校正模型与验证模型各项参数

表3 对未知样本的预测结果

可以看出，光谱区域、预处理方法及建模方法对最终的预测效果均有较显著的影响，在350～2 500 nm、1 300～2 050 nm两个光谱区域，当光谱数据未进行预处理或进行Baseline预处理时，预测效果优于一阶导数、二阶导数预处理方法，而Baseline预处理方法的预测效果又稍优于未处理方法;在2 050～2 500 nm光谱区域，当光谱数据未进行预处理或进行Baseline预处理时，预测效果劣于一阶导数、二阶导数预处理方法，这与另两个光谱区域的规律相反。比较PLS1、PLS2及PCR建模方法之间的差异可以看出，无论在哪个光谱区域，采用哪种光谱数据预处理方法，基于PLS1建模方法建立的模型预测效果均最佳，PLS2方法次之，PCR方法的预测效果最劣。比较不同光谱区域之间的差异可以得出，针对PLS1方法，2 050～2 500 nm光谱区域的预测效果最佳;而对于PSL2、PCR两种方法，预测效果的优劣受光谱数据预处理方法影响，当采用未处理或Baseline的预处理方法时，1 300～2 050 nm光谱区域的预测效果优于另两个光谱区域，当采用一阶导数或二阶导数的预处理方法时，2 050～2 500 nm光谱区域的预测效果更优。

综合比较不同光谱区域、不同预处理方法及不同建模方法的预测结果可以得出，当光谱区域为2 050～2 500 nm、光谱数据进行一阶导数预处理、采用PLS1的建模方法、主成分数为7时，建立的模型预测效果最佳，其预测结果与实测结果之间的相关系数为0.918 6。

3 结论

应用近红外光谱法对人工林杨木的苯醇抽提物质量分数进行了快速测定。用国家标准方法测定了42个杨木木材样品的苯醇抽提物质量分数，并用近红外光谱仪(LabSpec Pro FR/A114260)测定相应的光谱。通过不同的光谱区域(350～2 500 nm、1 300～2 050 nm、2 050～2 500 nm)、不同的光谱预处理方法(未处理、Baseline、一阶导数、二阶导数预处理)及不同的建模方法(PLS1、PLS2、PCR)，建立了相应的校正模型与验证模型，并对未参与建模的未知样本进行预测。结果得出:当光谱区域为2 050～2 500 nm、光谱数据进行一阶导数预处理、采用PLS1建模方法、主成分数为7时，建立的校正模型预测效果最佳，校正模型的相关系数r=0.997 8、均方根误差为0.000 3、标准误差为0.000 3，验证模型r=0.736 0，均方根误差为0.006 1、标准误差为0.006 1;未知样本的预测结果与实测结果之间的相关系数为0.918 6。

［1］陆婉珍，袁洪福.现代近红外光谱分析技术［M］.北京:中国石化出版社，2000:4.

［2］Schimleck L R，Jones P D，Peter GF，et al.Nondestructive estimation of tracheid length from sections of radial wood strips by near infrared spectroscopy［J］.Holzforschung，2004，58(4):375－381.

［3］Lestander T A，Lindeberg J，Eriksson D，et al.Prediction of Pinus sylvestris clear-wood properties using NIR spectroscopy and biorthogonal partial least squares regression［J］.Canadian Journal of Forest Research，2008，38(7):2052－2062.

［4］Inagaki T，Schwanninger M，Kato R，et al.Eucalyptus camaldulensis density and fiber length estimated by near-infrared spectroscopy［J］.Wood Science and Technology，2012，46(1/3):143－155.

［5］江泽慧，费本华，杨忠.光谱预处理对近红外光谱预测木材纤维素结晶度的影响［J］.光谱学与光谱分析，2007，27(3):435－438.

［6］王玉荣，费本华，傅峰，等.基于近红外光谱技术预测木材纤维长度［J］.中国造纸，2008，27(6):6－9.

［7］江泽慧，黄安民.木材中的水分及其近红外光谱分析［J］.光谱学与光谱分析，2006，26(8):1464－1468.

［8］张慧娟，李耀翔，张鸿富，等.基于近红外光谱不同波段的红松木材含水率预测分析［J］.东北林业大学学报，2011，39(4):83－85.

［9］Alves A，Santos A，Rozenberg P，et al.A common near infraredbased partial least squares regression model for the prediction of wood density of Pinus pinaster and Larix×eurolepis［J］.Wood Science and Technology，2012，46(1/3):157－175.

［10］李耀翔，张鸿富，张亚朝，等.基于近红外技术的落叶松木材密度预测模型［J］.东北林业大学学报，2010，38(9):27－30.

［11］黄安民，费本华，江泽慧，等.表面粗糙度对近红外光谱分析木材密度的影响［J］.光谱学与光谱分析，2007，27(9):1700－1702.

［12］Xu Q H，Qin M H，Ni Y H，et al.Predictions of wood density and module of elasticity of balsam fir(Abiesbalsamea)and black spruce(Picea mariana)from near infrared spectral analyses［J］.Canadian Journal of Forest Research，2011，41(2):352－358.

［13］黄安民，王晓旭，杨忠，等.近红外光谱应用于杉木木材强度分等的研究［J］.光谱学与光谱分析，2011，31(4):975－978.

［14］Jones P D，Schimleck L R，Peter GF，et al.Nondestructive estimation of wood chemical composition of sections of radial wood strips by diffuse reflectance near infrared spectroscopy［J］.Wood Science and Technology，2006，40(8):709－720.

［15］Poke F S，Wright JK，Raymond CA.Predicting extractives and lignin contents in Eucalyptus globulus using near infrared reflectance analysis［J］.Journal of Wood Chemistry and Technology，2004，24(1):55－67.

［16］Gierlinger N，Schwanninger M，Hinterstoisser B，et al.Rapid determination of heartwood extractives in Larix sp.by means of Fourier transform near infrared spectroscopy［J］.Journal of Near Infrared Spectroscopy，2002，10(4):203－214.

［17］马晓龙.近红外反射法在分析桉木中纤维素含量的应用研究［J］.现代科学仪器，2006，23(5):81－83.

［18］黄安民，江泽慧，李改云.杉木综纤维素和木质素的近红外光谱法测定［J］.光谱学与光谱分析，2007，27(7):1328－1331.

［19］Schwanninger M，Hinterstoisser B，Gierlinger N，et al.Application of Fourier Transform Near Infrared Spectroscopy(FT-NIR)to thermally modified wood［J］.European Journal of Wood and Wood Products，2004，62(6):483－485.

［20］Green B，Jones P D，Nicholas D D，et al.Non-destructive assessment of Pinus sp.wafers subjected to Gloeophyllum trabeum in soil block decay tests by diffuse reflectance near infrared spectroscopy［J］.Wood Science and Technology，2011，45(3):583－595.

［21］Kelley S S，Jellison J，Goodell B.Use of NIR and pyrolysis-MBMScoupled with multivariate analysis for detecting the chemical changes associated with brown-rot biodegradation of spruce wood［J］.FEMSMicrobiology Letters，2002，209(1):107－111.

［22］杨忠.近红外光谱预测人工林湿地松木材性质与腐朽特性的研究［D］.北京:中国林业科学研究院，2005:79－114.

［23］王学顺，戚大伟，黄安民.基于小波模极大值的木材近红外光谱去噪［J］.林业科学，2008，44(10):109－112.

［24］王学顺，戚大伟，黄安民.木材近红外光谱小波阈值去噪方法［J］.东北林业大学学报，2009，37(2):32－34.

［25］王学顺，戚大伟，黄安民.基于小波变换的木材近红外光谱去噪研究［J］.光谱学与光谱分析，2009，29(8):2059－2062.