基于Vis-NIR光谱的木材树种鉴别及密度模型研究

论文摘要

目前,我国林业发展正处于从数字林业转为智慧林业的重要阶段。但因木材生产经营长期以来较为粗犷、传统木材材性检测手段费时费力、破坏性大,且不具备林地实地检测条件,无法实现大批次样品的快速实时检测等问题,致使木材检测滞后于生产,严重阻碍了我国林业智能化发展的进程。可见-近红外光谱（Visible and Near Infrared Spectroscopy,Vis-NIR Spectroscopy）技术作为一项快速、绿色的高新检测技术,以其检测样品无状态限制、模型循环利用性高、分析成本低和可在线快速检测等优势已广泛应用于农业、石油化工、医药等领域。在林业中,可见-近红外光谱技术仍处于起步探索阶段,具有较大的发展空间及应用前景。然而,因木材本身具有的异质性、多样性和复杂性,仍有一些问题阻碍了可见-近红外光谱技术在林业中的深入应用。例如,不同形式的光谱对同一树种的预测精度不同;光谱中的噪音等非相关待测组分信息致使模型预测精度不高:上千维光谱数据产生的高维矩阵需要较长的计算时间和大量的存储空间,增加了可见-近红外光谱建模及后期模型维护的复杂度;此外,默认的建模参数致使模型预测精度较低。因此,针对上述问题,本文全面探讨了可见-近红外光谱技术结合新兴的化学计量学方法在木材材性预测中的应用,旨在构建一种适用于木材生产链始端即木材采伐阶段的木材产地及树种快速高效鉴别和木材密度大批次、高精度预测的定性及定量模型,以期为木材精细化利用提供理论依据与技术支撑。本文的主要研究内容如下:（1）基于不同光谱变换的树种识别及产地鉴别。本研究将光谱变换技术引入到木材树种及产地鉴别的定性分析模型中,在Matlab（MathWorks,Natick,USA）环境下,对吉林省三岔子林业局景山实验林场（产地1）和黑龙江省七台河市林业局金沙林场（产地2）的6种木材原始反射光谱（R）进行倒数（1/R）和对数（log（l/R））光谱变换。基于3种不同形式的光谱,采用支持向量机（Support Vector Machine,SVM）法对木材产地和树种进行快速无损鉴别,并对比分析了遗传算法（Genetic Algorithm,GA）、网格寻优（Grid Search,GS）和粒子群算法（Particle Swarm Optimization,PSO）对 SVM 模型的优化结果,从中确定了适宜木材产地鉴别及树种分类的有效光谱。此外,在两个产地采集同一树种山杨,以分析产地因素对树种识别的影响。（2）单一及联合线性木材密度可见-近红外定量模型的对比研究。基于前期确定的木材可见-近红外有效光谱,以产地1的4种木材及产地2的2种木材为研究对象,采用线性建模中的经典方法即偏最小二乘法（Partiai Least Squares,PLS）和主成分分析法（Principal Component Analysis,PCA）分别建立了木材密度单一模型和三种不同类型的联合模型,并分析了各个模型对不同树种的预测能力,从而为后续提高木材密度可见-近红外定量模型的预测精度奠定理论基础。（3）基于不同算法的木材密度可见-近红外定量模型优化。针对木材可见-近红外光谱中的噪音及非相关组分的冗余信息,采用新兴的化学计量学方法对木材可见-近红外光谱进行去噪和降维处理。首先,分析了第二代小波即提升小波变换（Lifting Wavelet Transform,LWT）在不同去噪参数下的去噪效果,确定了 6种木材的有效LWT去噪参数即小波函数、阶数和分解层数。同时,将LWT的去噪效果与小波变换（Wavelet Transform,WT）、局部加权回归散点平滑法（Locally Weighted Scatterplot Smoothing,LOWESS）、本地散点平滑估计（Locally Estimated Scatterplot Smoothing,LOESS）、多元散射校正（Multiplication Scatter Correction,MSC）和标准正态变量变换（Standard Normalized Variate,SNV）5种常用的去噪方法进行了对比分析。然后,基于各树种LWT去噪后的光谱,采用不同的变量优化算法对高维光谱矩阵进行降维简化,从而为木材可见-近红外光谱分析中的“矩阵维度灾难”问题提供新的解决思路和方法。针对建模参数选择的随机性和复杂性问题,本研究基于各树种有效去噪方式及优选后的波长变量,将其作为自变量输入广义回归神经网络（Generalized Regression Neural Network,GRNN）和支持向量机（SVM）中,构建木材密度可见-近红外非线性模型。在此基础上,采用果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）对广义回归神经网络模型的Spread参数进行智能选择;采用粒子群算法（PSO）优化SVM模型的惩罚参数C和RBF核函数g。此外,将响应面法（Response Surface Methodology,RSM）用于PSO-SVM模型参数即交叉验证折数、最大迭代次数和种群数的优选中,以确定影响木材密度PSO-SVM模型的显著因素,最大限度地提高木材密度可见-近红外定标模型的预测精度。

论文目录

文章来源

类型: 博士论文

作者: 李颖

导师: 李耀翔

关键词: 可见近红外光谱,化学计量学,光谱变换,木材密度,树种鉴别

来源: 东北林业大学

年度: 2019

分类: 工程科技Ⅰ辑,农业科技

专业: 轻工业手工业,林业

单位: 东北林业大学

基金: 国家重点研发计划项目子课题《大兴安岭地区天然次生林森林生态系统健康保育》(2017YFC0504103)

分类号: S781.1

DOI: 10.27009/d.cnki.gdblu.2019.000876

总页数: 131

文件大小: 13098k

下载量: 5

相关论文文献

标签：可见近红外光谱论文;  化学计量学论文;  光谱变换论文;  木材密度论文;  树种鉴别论文;