基于光譜預(yù)處理的低溫水曲柳原木含水率檢測(cè)

闞相成，李耀翔，王立海，解光強(qiáng)，孟永斌，李春旭，謝軍明，李怡娜

（東北林業(yè)大學(xué) 工程技術(shù)學(xué)院，黑龍江 哈爾濱 150040）

東北地區(qū)是我國(guó)最大的林業(yè)生產(chǎn)基地[1]。樹(shù)木的生長(zhǎng)狀態(tài)、集材道路的季節(jié)差異、原木的運(yùn)輸條件需求等決定了東北及其以北部分林區(qū)樹(shù)木的采伐、運(yùn)輸需要在冬季進(jìn)行。中國(guó)東北地區(qū)包含了寒溫帶氣候類型，相比于國(guó)家的其他地區(qū)，其冬季更加寒冷而漫長(zhǎng)。采伐和運(yùn)輸過(guò)程中的原木在較長(zhǎng)時(shí)間段內(nèi)處于冰點(diǎn)溫度以下，為木材的充分、合理、高效利用帶來(lái)了一定的困難。其中，水分含量是木材的重要特征之一，它影響著木材的許多性質(zhì)。原木含水率不均勻，會(huì)使尺寸穩(wěn)定性變差，易造成原木變形、端裂等問(wèn)題[2]。

近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)方法進(jìn)行定性或定量分析，這種技術(shù)已被廣泛應(yīng)用于化工、農(nóng)業(yè)、醫(yī)藥等行業(yè)[3]。在木材科學(xué)上的應(yīng)用主要在木材的樹(shù)種識(shí)別[4]、力學(xué)性能[5]、物質(zhì)含量[6-7]、密度[8-9]等的檢測(cè)?？捎糜跍y(cè)量木材水分含量的技術(shù)主要有電（電阻和電容）、磁共振、雷達(dá)和X 射線等。與他們相比，快速、安全、高效、無(wú)損、非接觸、操作簡(jiǎn)單、多組分同時(shí)測(cè)量等優(yōu)點(diǎn)使近紅外光譜檢測(cè)技術(shù)在木材含水率的檢測(cè)方面展示出更大的潛力[10]。Watanabe 等[11]通過(guò)研究3 個(gè)水分等級(jí)組成的混合樣品，建立了一種基于近紅外(NIR)光譜的對(duì)冷杉木材水分含量進(jìn)行分類的快速、無(wú)損、在線方法。結(jié)果顯示，基于NIR 的預(yù)測(cè)模型與通過(guò)烘箱干燥確定的實(shí)際計(jì)算值呈正相關(guān)。Tsuchikawa 等[12]將馬氏廣義距離法應(yīng)用于近紅外光譜對(duì)木材含水率的無(wú)損判別分析中。對(duì)從絕干到完全飽和狀態(tài)各水分含量的木材樣品進(jìn)行了含水率判別準(zhǔn)確性和合理性的檢驗(yàn)。其中，二階導(dǎo)數(shù)光譜預(yù)處理后的模型對(duì)每個(gè)木材樣品都能很好地區(qū)分。汪紫陽(yáng)等[13]結(jié)合偏最小二乘法建立了兩個(gè)樹(shù)種的近紅外光譜含水率預(yù)測(cè)模型，結(jié)果顯示近紅外光譜技術(shù)能夠用于混合木材的含水率模型的建立，混合模型驗(yàn)證集相關(guān)系數(shù)為0.930 9。

水曲柳Fraxinus mandshurica被稱為東北“三大硬闊”之一，是一種常用的中高檔家具和木制品用材[15]?，F(xiàn)代研究發(fā)現(xiàn)當(dāng)溫度處于零點(diǎn)以下時(shí)，木材中的一部分水分將會(huì)發(fā)生相變[16]，這將導(dǎo)致相同含水率情況下木材內(nèi)部水分的組成變得不確定，給含水率的檢測(cè)與控制造成困難[17]。以水曲柳為研究對(duì)象，通過(guò)模擬水曲柳原木冬季的溫度環(huán)境，從光譜預(yù)處理的角度對(duì)低溫水曲柳原木含水率近紅外預(yù)測(cè)模型進(jìn)行優(yōu)化，以提高預(yù)測(cè)精度、促進(jìn)近紅外光譜技術(shù)在木材生產(chǎn)過(guò)程中的實(shí)踐應(yīng)用。

1 材料與方法

1.1 樣品采集

2020 年12 月份于黑龍江省方正縣林業(yè)局星火林場(chǎng)（45°43′05.73″N，129°13′34.37″E），選取粗細(xì)不同的水曲柳原木，并對(duì)每根原木的不同位置進(jìn)行現(xiàn)場(chǎng)切割，獲取20 mm×20 mm×20 mm 的不同含水率的凍結(jié)水曲柳木塊220 塊。測(cè)得室外實(shí)時(shí)氣溫為-20℃。將獲取的木塊迅速裝入保鮮袋運(yùn)回實(shí)驗(yàn)室冰箱中，防止水分散失和解凍。冰箱設(shè)置溫度-20℃恒溫恒濕與試樣采集溫度保持一致，模擬室外樣品采集地自然條件。

1.2 光譜采集

本次實(shí)驗(yàn)使用美國(guó)ASD 公司生產(chǎn)的LabSpec5000 光譜儀采集水曲柳樣品的近紅外光譜信息。光譜采集的波長(zhǎng)范圍為350～2 500 nm，采樣波長(zhǎng)精度1 nm。光譜分辨率為3 nm@700 nm、10 nm@1 400 nm 和2 100 nm。

實(shí)驗(yàn)開(kāi)始前需要近紅外光譜儀光纖探頭對(duì)準(zhǔn)白板進(jìn)行空白校準(zhǔn)，將每個(gè)水曲柳木塊從冰箱和保鮮袋中取出，使用兩分叉光纖探頭在樣品的橫切面垂直采集NIR 光譜。每次采集的每條光譜為1.5 s 內(nèi)掃描30 次全光譜后平均而得。為減少木材試樣的水分散失，每個(gè)木塊的采集過(guò)程需要在2 s內(nèi)快速完成并及時(shí)放回保鮮袋中；為盡量減小水曲柳樣本的溫度波動(dòng)，每個(gè)木塊的光譜采集全程使用紅外測(cè)溫槍測(cè)溫，溫度變動(dòng)過(guò)大的試樣將重新放入冰箱中控溫后再次采集光譜。低溫狀態(tài)試樣的光譜采集完成后將保鮮袋中的試樣放到恒溫箱中解凍升溫至20℃后再次采集光譜，以形成對(duì)照。

1.3 含水率檢測(cè)

光譜采集完成后對(duì)每個(gè)試樣進(jìn)行稱重與烘干處理以測(cè)量其含水率。具體測(cè)量過(guò)程和含水率計(jì)算按照《木材含水率測(cè)定方法》(GB/T 1931—2009)進(jìn)行。最終測(cè)得水曲柳原木木塊試樣的含水率最高為66.92%，最低為35.35%，平均含水率值為46.58%（表1）。

表1 樣本含水率統(tǒng)計(jì)Table 1 Moisture contents of samples

1.4 光譜預(yù)處理

根據(jù)光譜缺陷優(yōu)化的目的和效果，可以分為基線校正、散射校正、平滑處理和尺度縮放四個(gè)光譜預(yù)處理方向[18]，其中每種預(yù)處理方向又有多種算法去實(shí)現(xiàn)?；€校正類預(yù)處理方法的目的是抑制基線漂移現(xiàn)象，改善光譜信號(hào)質(zhì)量。常用算法包括一階導(dǎo)數(shù)（1stderivative）、二階導(dǎo)數(shù)（2ndderivative）等，求導(dǎo)的基本公式為

式中，xi為第i個(gè)光譜點(diǎn)，g為窗口寬度。

對(duì)近紅外光譜進(jìn)行信號(hào)平滑處理的目的是去除高頻噪聲的干擾，提高信噪比。信號(hào)平滑類算法較多，包括移動(dòng)平均平滑法（Moving average，MA）、Savitsky-Golay 卷積平滑算法、高斯濾波（Gaussian Filter）、中值濾波（Median Filter）等，其中前兩種較為常用，其公式如下：

強(qiáng)信號(hào)不一定有用，而弱信號(hào)的作用也容易被強(qiáng)信號(hào)覆蓋，致使有用信息不被檢測(cè)到。尺度縮放類的優(yōu)化方法可以解決強(qiáng)信號(hào)帶來(lái)的干擾，增強(qiáng)重要變量的辨識(shí)度，應(yīng)用算法主要有中心化（mean centering）、標(biāo)準(zhǔn)化（normalization）和歸一化（autoscaling）等。均值中心化是將樣本光譜減去校正集平均光譜；標(biāo)準(zhǔn)化處理則是將均值中心化后的光譜除以光譜陣的標(biāo)準(zhǔn)偏差光譜；歸一化是將每個(gè)光譜點(diǎn)減去所在變量列的最小值后，再除以光譜所在列最大值和最小值的差值。固體樣品除了對(duì)光有吸收外，還會(huì)有散射作用。由于光的散射受樣本表面粗糙度、固體的性質(zhì)等物理因素影響，相同樣品在不同的采集環(huán)境、采集位置、表面狀況測(cè)量得到的光譜信息中心糅雜的散射信息也是不同的。以致所得樣品原始光譜中含有大量的、與所測(cè)成分吸收無(wú)關(guān)的干擾信息。多元散射校正（multiplicative scatter correction，MSC）、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate，SNV）等都可用來(lái)去除固體顆粒分布不均以及顆粒大小不同等產(chǎn)生的散射影響，其公式為：

對(duì)低溫狀態(tài)水曲柳原木含水率預(yù)測(cè)模型的優(yōu)化嘗試使用每個(gè)預(yù)處理方向的單一算法（圖1），進(jìn)行光譜預(yù)處理，探討處理效果的適應(yīng)性，篩選出較為合適的預(yù)處理方式。嘗試將篩選出來(lái)的單一預(yù)處理算法根據(jù)效果進(jìn)行組合，最終尋找低溫狀態(tài)水曲柳原木含水率預(yù)測(cè)模型最優(yōu)預(yù)處理算法。

圖1 光譜預(yù)處理算法Fig.1 Spectral pretreatment method

1.5 模型的建立與評(píng)價(jià)

預(yù)處理后的光譜采用偏最小二乘法（Partial Least Squares，PLS）方法建立含水率預(yù)測(cè)模型，采用校正集相關(guān)系數(shù)Rc、驗(yàn)證集相關(guān)系數(shù)Rp、校正均方根誤差（root mean square errors of calibration，RMSEC）、預(yù)測(cè)均方根誤差（root mean squared error of prediction，RMSEP）作為評(píng)價(jià)標(biāo)準(zhǔn)。

2 結(jié)果與分析

2.1 光譜特征

圖2為-20℃溫度下水曲柳試樣在350～2 500 nm可見(jiàn)-近紅外波段上的原始光譜圖，圖中為使用蒙特卡洛交叉驗(yàn)證法剔除異常樣本后的220 條光譜。光譜中有多個(gè)波峰，其中1 150～1 220 nm 的波峰為C-H 的二級(jí)倍頻與合頻的吸收峰以及水中O-H 的合頻吸收峰；1 450 nm 波長(zhǎng)附近的吸收峰則對(duì)應(yīng)于水分子中游離O-H 的一級(jí)倍頻吸收帶和木材中C-H 的合頻吸收；1940nm 附近純水分子中O-H 鍵伸縮振動(dòng)的組頻吸收帶和羰基伸縮振動(dòng)二級(jí)倍頻[19]。將低溫試樣及其相同含水率下的常溫試樣各自的所有光譜平均后如圖3 所示，可以發(fā)現(xiàn)低溫與常溫狀態(tài)下的水曲柳平均光譜在600～1 000 nm、1 387～1 800 nm、1 866～2 176 nm3

圖2 低溫水曲柳試樣近紅外原始光譜Fig.2 Near-infrared raw spectra of Fraxinus mandshurica samples at low temperatures

圖3 低溫與常溫狀態(tài)下試樣的平均光譜Fig.3 Average spectra of samples under low and normal temperature conditions

個(gè)波段有明顯分離，尤其在1 420 和1 880 nm 附近兩個(gè)吸收峰的強(qiáng)度和位置都有偏離。對(duì)兩個(gè)不同狀態(tài)的試樣進(jìn)行偏最小二乘判別分析（PLSDA），結(jié)果如圖4 所示，前三個(gè)主成分得分圖上兩種狀態(tài)的樣本有明顯的分離，兩種狀態(tài)的交叉驗(yàn)證判別分析準(zhǔn)確率可達(dá)93.1%。以上均表明，低溫對(duì)木材性質(zhì)的近紅外光譜分析的影響是不可忽視的，將其與常溫狀態(tài)下的光譜分離開(kāi)來(lái)研究是有一定必要性的。

圖4 主成分得分圖Fig.4 Principal component scores

為了消除原始光譜邊界波長(zhǎng)震蕩效應(yīng)帶來(lái)的影響，綜合前人研究經(jīng)驗(yàn)去除光譜兩端噪聲大，信噪比低且信息少的邊緣波段后如圖5 所示，我們選取1 000～2 100 nm 波段范圍作進(jìn)一步研究[20-21]。

2.2 單一預(yù)處理方法

首先驗(yàn)證了單一光譜預(yù)處理算法處理后的效果。圖6a—f 分別為圖5 使用圖1 中九種預(yù)處理優(yōu)化以后的光譜圖。使用SPXY 算法將優(yōu)化后的光譜按照3︰1 的比例劃分為校正集與驗(yàn)證集分別建立PLS 凍結(jié)原木試樣的含水率預(yù)測(cè)模型。表2為不經(jīng)過(guò)任何預(yù)處理以及九種單一預(yù)處理算法優(yōu)化后的預(yù)測(cè)結(jié)果。圖7 為每個(gè)預(yù)測(cè)結(jié)果中RMSEP與原始光譜含水率預(yù)測(cè)RMSEP 相比的提高程度即驗(yàn)證集預(yù)測(cè)精度的提高。結(jié)合圖表分析各種預(yù)處理的效果如何，選出適用于本研究的預(yù)處理方法。

圖7 不同預(yù)處理方式驗(yàn)證集預(yù)測(cè)精度的提高Fig.7 The improvement of RMSEP under different pretreatments

表2 單一預(yù)處理建模效果Table 2 Results of Near-infrared prediction model after single pretreatments

圖5 選定波段光譜Fig.5 Spectra of the selected band

2.2.1 信號(hào)平滑

由儀器檢測(cè)到的光譜信號(hào)中既包含有用信息，同時(shí)也疊加著噪聲誤差，及時(shí)去掉兩端但在選定的圖5 光譜中，光譜兩端噪聲和隨機(jī)噪聲非常明顯，需要進(jìn)行平滑處理。由式（3）～（4）可以看出，移動(dòng)平均平滑法和S-G 卷積平滑法兩種平滑去噪算法中，窗口寬度是個(gè)較為重要的參量。選擇寬度太大，去除噪聲的同時(shí)也會(huì)將有用信號(hào)去除；寬度太小，達(dá)不到去除噪聲的目的。在進(jìn)行多次比較驗(yàn)證，既保證平滑效果最大化又防止有用信息失真情況下，最終MA 平滑窗口寬度定為11，SG 平滑為三次多項(xiàng)式21 點(diǎn)平滑。經(jīng)過(guò)去噪算法預(yù)處理后的光譜，如圖6a—b 所示，兩種平滑算法均對(duì)采集到的凍結(jié)水曲柳試樣光譜有明顯的平滑去噪作用，隨機(jī)噪聲顯著減少，光譜更加平滑，光譜的輪廓更加清晰。從圖中兩種算法的效果比較來(lái)看，差異并不大。從建模效果來(lái)看，兩者與原始光譜相比驗(yàn)證集預(yù)測(cè)精度分別提高了22.47%和24.25%。SG 平滑后的RMSEP 為0.4457比MA 算法的0.4562 略有優(yōu)勢(shì)，原因可能是其加權(quán)平均比MA 平滑的平均算法更有利于有用信息的保留。

2.2.2 尺度縮放

圖6c—e 分別為均值中心化、標(biāo)準(zhǔn)化和歸一化后的光譜圖。圖中可以看到，均值中心化、標(biāo)準(zhǔn)化放大了某些變量，增強(qiáng)了樣本光譜之間的差異；矢量歸一化則是消除數(shù)據(jù)尺度差異過(guò)大帶來(lái)的不良影響。然而由建模數(shù)據(jù)來(lái)看，均值中心化和標(biāo)準(zhǔn)化算法的結(jié)果與不經(jīng)預(yù)處理的模型相比提高并不明顯，RMSEP 分別為0.532 9 和0.520 2，精度僅提高了9.43%和11.59%。歸一化預(yù)測(cè)精度提高較大，預(yù)測(cè)集相關(guān)系數(shù)Rp和RMSEP 分別為0.790 1和0.399 4，其原因可能是標(biāo)準(zhǔn)化處理算法給光譜中所有波長(zhǎng)變量以相同的權(quán)重，比較適合低濃度成分的建模，而原木含水率較高。中心化僅通過(guò)增加樣本之間的差異來(lái)提高預(yù)測(cè)能力，優(yōu)化效果有限。歸一化常用來(lái)校正由微小光程差異引起的光譜變化。

2.2.3 基線校正

圖6f—g 分別為原始光譜一階求導(dǎo)和二階求導(dǎo)以后的光譜圖，可以看到相比原始光譜，兩種預(yù)處理算法在基線漂移抑制方面作用較為明顯。并且一階導(dǎo)數(shù)處理后有效提高了光譜的信號(hào)強(qiáng)度，波峰更加銳利，使得波峰和波谷的位置能夠更加準(zhǔn)確地定位，減少重疊波峰的影響。然而我們也可以發(fā)現(xiàn)，與原始數(shù)據(jù)相比，通過(guò)微分處理后的光譜在放大光譜有用信號(hào)的同時(shí)噪聲信號(hào)也被不同程度地放大了，尤其在光譜末端1 800～2 100 nm信噪比較小范圍內(nèi)，存在較多的噪聲信息，致使經(jīng)微分處理后的光譜在該范圍內(nèi)變化劇烈。二階導(dǎo)數(shù)處理后的噪聲放大顯然更加嚴(yán)重。這啟示我們，降噪算法與微分算法聯(lián)用或許有更加理想的效果。從建模數(shù)據(jù)來(lái)看，一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理后預(yù)測(cè)模型RMEP 從原來(lái)的0.588 4 分別減小到0.412 6 與0.489 5，預(yù)測(cè)集預(yù)測(cè)精度分別提升了26.88%和16.81%。二階導(dǎo)數(shù)對(duì)預(yù)測(cè)精度的提升效果差于一階導(dǎo)數(shù)，這可能與放大的噪聲有關(guān)。

圖6 單一預(yù)處理光譜圖Fig.6 The NIR spectra of single preprocessing methods

2.2.4 散射校正

水曲柳試樣的近紅外光譜為漫反射吸收光譜，儀器檢測(cè)所得原始光譜的絕對(duì)強(qiáng)度反映的信息并不全部是樣品中某些成分的濃度信息。從原始光譜中可以很明顯地看出，各光譜的絕對(duì)強(qiáng)度差異較大、光譜間存在基線平移、傾斜等現(xiàn)象，這主要是由于各光譜中的散射信息差異引起的。根據(jù)Kubel-ka-Munk 理論，漫反射吸光度與被測(cè)物含量線性相關(guān)，漫反射吸收系數(shù)、光程、散射系數(shù)都與相關(guān)系數(shù)有關(guān)。經(jīng)過(guò)MSC 和SNV 兩種方法預(yù)處理后，如圖6g、i 所示，上述現(xiàn)象得到顯著改善。預(yù)測(cè)集精度的提升均超過(guò)了30%，其中，SNV 的處理效果在單一預(yù)處理算法中最優(yōu)，RMSEP 減小到了0.384 1，與原始光譜相比提高了驗(yàn)證集預(yù)測(cè)精度提高了34.72%。這說(shuō)明，在低溫水曲柳的光譜檢測(cè)中，粗糙的橫截面、低溫產(chǎn)生的冰晶等帶來(lái)的散射和折射影響較大。

2.3 預(yù)處理組合

由九種單一預(yù)處理算法對(duì)低溫水曲柳試樣的近紅外光譜優(yōu)化結(jié)果來(lái)看，SG 卷積平滑和MA 均對(duì)光譜有較好的去噪效果，但處理后的光譜中基線漂移和散射現(xiàn)象并未得到改觀。不經(jīng)過(guò)去噪處理的光譜在經(jīng)過(guò)一階導(dǎo)數(shù)和二階導(dǎo)數(shù)進(jìn)行基線校正的同時(shí)噪聲也被放大了，限制了校正效果的提升。MSC 和SNV 兩種算法在進(jìn)行散射校正的同時(shí)也表現(xiàn)出了一定的基線校正的效果。但是光譜兩端的嚴(yán)重噪聲和零隨機(jī)白噪聲并未得到處理，這也進(jìn)一步限制了建模效果。尺度縮放方法對(duì)于凍結(jié)水曲柳試樣的作用明顯。從建模效果來(lái)看與原始光譜相比中心化和標(biāo)準(zhǔn)化處理并未體現(xiàn)出較大的優(yōu)化效果，矢量歸一化算法處理后的光譜及優(yōu)化效果與MSC 高度相似。

從上面的分析可以看出，每一種預(yù)處理算法通常會(huì)處理光譜測(cè)量過(guò)程中的一種到兩種偏差，不能同時(shí)優(yōu)化所有的問(wèn)題。因此需要多種優(yōu)化效果與不同的算法進(jìn)行組合來(lái)達(dá)到更優(yōu)效果。然而并不是算法越多效果越好，很多不適用的算法和效果重復(fù)的算法結(jié)合過(guò)多反而也會(huì)去除有用信號(hào)，導(dǎo)致信號(hào)失真。既保證達(dá)到最優(yōu)的預(yù)處理效果的情況下又盡可能減少過(guò)處理而帶來(lái)的失真，我們對(duì)預(yù)處理算法進(jìn)行了擇優(yōu)組合實(shí)驗(yàn)。如圖8a—f為篩選出來(lái)的預(yù)處理組合處理后的光譜，表2 為PLS 含水率預(yù)測(cè)結(jié)果。

圖8 組合預(yù)處理后的光譜圖Fig.8 The NIR spectra of combined pretreatments

如圖8a 所示，將原始光譜進(jìn)行SG 卷積平滑去噪后再通過(guò)一階微分進(jìn)行基線校正，光譜優(yōu)化效果非常明顯。兩種預(yù)處理算法結(jié)合后與圖6a—f 的單一預(yù)處理效果相比光譜質(zhì)量得到顯著改善，隨機(jī)噪聲明顯減少，吸收峰位置更加明顯。從含水率預(yù)測(cè)模型來(lái)看，預(yù)測(cè)集相關(guān)系數(shù)Rp達(dá)到了0.875 2，RMSEP 減小到了0.233 1，精度提高了60.38%。與之相對(duì)應(yīng)的SG 平滑與二階微分的組合預(yù)處理效果與單一預(yù)處理相比也有較大改善，但是噪聲依舊較為明顯。預(yù)測(cè)精度提高了51.5%，低于SG 平滑與一階導(dǎo)數(shù)的組合。如圖8c—d 所示，經(jīng)過(guò)平滑與散射校正的組合同時(shí)解決了噪聲與散射問(wèn)題，從建模結(jié)果來(lái)平滑+MSC 與平滑+SNV兩者差異不大，但兩者都明顯優(yōu)于單一預(yù)處理模型差于平滑+一階導(dǎo)數(shù)。將目前較為優(yōu)秀的平滑+1st分別與MSC、SNV 組合。如圖8e—f 所示平滑+一階導(dǎo)數(shù)+MSC 與平滑+一階導(dǎo)數(shù)相比光譜質(zhì)量并未得到較大改善，建模結(jié)果也差別不大，預(yù)測(cè)精度的提升從60.38%升到了62.02%。而SG平滑+1st+SNV 預(yù)處理后的PLS 含水率預(yù)測(cè)模型預(yù)測(cè)集相關(guān)系數(shù)Rp可以達(dá)到0.912 8，RMSEP 降到0.177 4，預(yù)測(cè)集預(yù)測(cè)精度提高了69.85%，從圖7 可以看出，在所選的單一預(yù)處理和組合預(yù)處理方式中表現(xiàn)最優(yōu)。從光譜中可以看出，校正后的光譜噪聲問(wèn)題得到極大改善，波峰與波谷變得更加明顯?？傮w來(lái)看，篩選后進(jìn)行組合的預(yù)處理算法整體上優(yōu)化效果要優(yōu)于單一預(yù)處理。

表3 組合預(yù)處理后建模結(jié)果Table 3 Results of Near-infrared prediction model after combined pretreatments

3 結(jié)論與討論

通過(guò)光譜分析和主成分分析，我們發(fā)現(xiàn)低溫狀態(tài)的水曲柳近紅外光譜與我們常溫下光譜是存在顯著差異的，前三個(gè)主成分得分圖上低溫與常溫的樣本有明顯的分離。低溫對(duì)水曲柳試樣近紅外光譜的影響不可忽略。對(duì)采集到的近紅外光譜進(jìn)行了九種單一預(yù)處理算法優(yōu)化并篩選出合適算法進(jìn)行預(yù)處理組合。我們發(fā)現(xiàn)從光譜預(yù)處理的角度對(duì)低溫狀態(tài)下木材含水率的近紅外光譜預(yù)測(cè)模型進(jìn)行優(yōu)化是可行的。9 種預(yù)處理算法均對(duì)預(yù)測(cè)模型有優(yōu)化效果，并且效果也不相同，其中SNV 在單一預(yù)處理算法中表現(xiàn)最好，Rp為0.804 1，RMSEP為0.384 1，驗(yàn)證集預(yù)測(cè)精度提升了34.72%。將篩選出來(lái)的單一預(yù)處理算法進(jìn)行組合后，組合算法均普遍優(yōu)于單一算法。實(shí)驗(yàn)證明，SG 平滑、SNV和一階導(dǎo)數(shù)的預(yù)處理組合可以顯著提高低溫狀態(tài)下水曲柳原木含水率預(yù)測(cè)模型的預(yù)測(cè)精度。不同預(yù)處理方法及特征提取方法具有不同特點(diǎn)，構(gòu)建近紅外定量分析數(shù)學(xué)模型時(shí)，單獨(dú)使用某種預(yù)處理方法所得效果可能不能讓人滿意，在光譜建模過(guò)程中常將多種預(yù)處理方法組合使用以提升模型性能。

木材低于冰點(diǎn)的溫度下其中水分的存在狀態(tài)和含量一直存在爭(zhēng)議并沒(méi)有普遍公認(rèn)的結(jié)論。本文從預(yù)處理的角度對(duì)低溫狀態(tài)水曲柳含水率預(yù)測(cè)模型進(jìn)行了優(yōu)化，雖然并未解釋各種狀態(tài)水分的含量的理論問(wèn)題，但是從實(shí)踐應(yīng)用的角度提出了低溫下木材含水率檢測(cè)的方法，具有重要現(xiàn)實(shí)意義。溫度影響下的原木含水率近紅外光譜檢測(cè)精度的提高方法與角度遠(yuǎn)不止預(yù)處理。采取更先進(jìn)的建模方法、增加特殊樣本量等都是可能的解決溫度影響、提高預(yù)測(cè)精度的思路，這些問(wèn)題有待于在以后的研究中進(jìn)行探討，以期系統(tǒng)地解決近紅外光譜法預(yù)測(cè)木材含水率所遇到的問(wèn)題。