System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及杉木立木材性快速评估方法,具体涉及一种基于近红外光谱的杉木立木材性快速评估方法。
技术介绍
1、随着林业产业的快速发展和可持续发展理念的深入人心,对木材质量的精准评估需求日益迫切。杉木作为我国南方重要的人工造林树种,其立木材性的准确评估对于林木育种、林分经营和木材加工等方面都具有重要意义。然而,传统的立木材性评估方法面临着诸多挑战,难以满足现代林业发展的需求。
2、长期以来,立木材性评估主要依赖于破坏性取样方法,如生长锥取芯或砍伐解析。这些方法虽然能够提供相对准确的数据,但存在着显著的局限性。首先,这些方法不可避免地会对树木造成损伤,增加了病虫害侵入的风险,尤其对于珍稀树种或需要长期监测的样地来说,这种影响更为严重。其次,传统方法耗时耗力,难以进行大规模快速评估。在当今信息化时代,这种低效率的评估方式已经无法满足现代林业管理的需求。
3、此外,传统方法往往只能获得单点或有限位置的样本数据,难以全面反映整株树木的材性特征。树木的生长是一个复杂的过程,其材性在不同高度和方位上可能存在显著差异。仅依靠局部取样很难准确把握整体特征,这种片面性可能导致评估结果与实际情况存在较大偏差。
4、近年来,一些非破坏性评估技术,如声波法、x射线断层扫描等,虽然在一定程度上改善了评估的无损性,但这些方法要么精度不足,要么设备昂贵、笨重,难以在野外大规模应用。因此,林业界一直在寻求一种能够兼顾准确性、效率和无损性的立木材性评估方法。
技术实现思路
1、本专
2、本专利技术提供一种基于近红外光谱的杉木立木材性快速评估方法,该方法包括如下步骤:
3、步骤一:将杉木待评估立木树干划分为若干段,每段上分别采集至少四个近红外光谱样本点,得到每个树段处的光谱曲线,确定最适宜采集的树段;利用近红外光谱技术得到待评估立木每个树段处的光谱特征,在每个树段采用xcal ibur软件建立相应的定标模型;以树段处每立方米木体积的密度mvs(mg/cm3)为因变量,光谱数为自变量,在每个树段处构建密度定量模型;在立木胸高处,以每立方米木体积的压缩木纤维长度mvf(mg/cm3)为因变量,光谱数为自变量,建立压缩木纤维长度定量模型;对于确定的评估类组分而言,将测定对象确定为该组分含量,确定评估组分的定量模型与相应的数据库建立;
4、步骤二:以树段处的近红外光谱信息为输入,以树段处的mvf或mvs为输出,建立包含多个评估组分含量的目标函数;通过优化算法对每个树段处的目标函数求解,优化得到可实现以最少近红外光谱获得最优树段目标函数结果;选取优化算法中的树段组合作为立木树段组合,将其用于树木立木测试,最终确定待评估杉木最优立木树段;
5、步骤三:通过便携近红外光谱仪对最优树段的多个方位进行多个频段的光谱采集,对每个方位光谱进行处理,建立校正模型,得到每个方位上的测量预测mvs或mvf值;对多个方位的测量预测mvs或mvf值进行加权合并,得到立木胸高处的预测mvs或mvf值;根据数据库中的评估组分定量模型,进行胸高处评估组分含量的计算。
6、优选地,步骤一中,确定评估组分后,重复获得若干个树段处密度mvs和压缩木纤维长度mvf值,将树段处近红外光谱样本点作为输入训练集,建立定量分析模型,将树段结构、树段直径、环境因子作为预测因子纳入定标模型,确定最终定标模型;最后将未知样本带入最终定标模型中计算树段处的mvs或mv f值。
7、优选地,密度和压缩木纤维长度的测量方法具体包括步骤:根据近红外光谱测定的树段木体积,将树段内的木材在预设的常压高温条件下进行压缩获得压缩木材,对压缩木材进行切片、烘干;以树段处的压缩木材为取样对象,按重量法测量密度;以树段处的压缩木材为取样对象,将其浸泡至亚氯酸钠溶液中处理,取出后清洗至无红色,采用重量法测量压缩木材中压缩木纤维总重量;采用光学显微镜对取样对象进行制片处理,设置相应放大倍数获取压缩木材切片;对切片图像拍摄,根据图像面积计算压缩木纤维长度;压缩木纤维长度定量模型的构建包括如下步骤,利用image-pro plus软件处理制片后的压缩木材切片图像,得到压缩木材的纤维面积以及纤维外缘的轮廓;根据切片中每个像素与实际面积的对应关系和纤维面积,得到纤维实际面积,并计算纤维数量的对数,利用对数纤维长度的计算公式,得到对数纤维长度的值,进而建立立木不同组分组成的木材压缩木纤维长度定量模型。
8、优选地,所述对数纤维长度的计算公式为:
9、l=log(s/s0)/q0
10、其中,l为对数纤维长度,s为纤维面积,s0与q0为常数;所述对数纤维面积的公式为:s=a×p,其中,s为纤维面积,a为每个像素对应的实际面积,p为切片图像中纤维所占的像素数,表示纤维切片实际面积。
11、优选地,步骤一中,构建每个树段处的mvs或mvf定量模型的具体过程是:根据立木胸高处的木材质心剖面,将树段处于木材质心等距划分,使树段处采集的光谱信息与密度mvs或压缩木纤维纤维长度mvf数据一一对应,以处理后的光谱为自变量,以树段处的mvs或mvf为因变量进行定量分析模型的构建,获取树段处密度mvs(或压缩木纤维长度mvf)定量模型。
12、优选地,步骤二中,所述包含多个评估组分含量的目标函数为:
13、
14、其中,n为树段个数,mi为树段处校正mvs(或校正mvf)预测值,ti为树段处测量mvs(或测量mvf)值,wi为树段权重,cov(mimj)为树段间mns(或mvf)互协方差值,cov(misi)为树段处mvs(或mvf)与位置间的协方差,var(si)为树段处mvs(或mvf)方差,λ1、λ2和λ3为平衡系数。
15、优选地,步骤二中可实现以最少近红外光谱获得最优树段目标函数结果的优化算法求解,通过求解优化算法的目标函数完成树段组合的选择,并确定最优树段组合;通过求解目标函数中的系数来调整树段组合,所述目标函数系数求解公式为:
16、
17、其中,a、b、c和d为待求解系数,f为目标函数;xij表示第i样本第j个树段的特征值,i表示样本个数,j表示树段种类;di为第i个样本的树段距离,yi为第i个样本的胸径,m为样本总数,n为树段总数。
18、优选地,评估组分含量的快速评估过程包括,对最优树段的多个方位进行多个频段的光谱采集:通过每个树段处获得的校正模型,对不同频段光谱信息进行信息融合,按照加权公式计算多个频段光谱的平均值;采用融合后的光谱信息替代原始光谱信息,进行模型的测定,得到树段处的mvf(或mvs)预测值,重复上述操作,获得不同方位处的mvs(或mvf)预测值;根据每个树段处的密度定量模型,得到立木胸高处mvs本文档来自技高网...
【技术保护点】
1.一种基于近红外光谱的杉木立木材性快速评估方法,其特征在于:该方法包括如下步骤:
2.如权利要求1所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:步骤一中,确定评估组分后,重复获得若干个树段处密度MVS和压缩木纤维长度MVF值,将树段处近红外光谱样本点作为输入训练集,建立定量分析模型,将树段结构、树段直径、环境因子作为预测因子纳入定标模型,确定最终定标模型;最后将未知样本带入最终定标模型中计算树段处的MVS或MVF值。
3.如权利要求2所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:密度和压缩木纤维长度的测量方法具体包括步骤:根据近红外光谱测定的树段木体积,将树段内的木材在预设的常压高温条件下进行压缩获得压缩木材,对压缩木材进行切片、烘干;以树段处的压缩木材为取样对象,按重量法测量密度;以树段处的压缩木材为取样对象,将其浸泡至亚氯酸钠溶液中处理,取出后清洗至无红色,采用重量法测量压缩木材中压缩木纤维总重量;采用光学显微镜对取样对象进行制片处理,设置相应放大倍数获取压缩木材切片;对切片图像拍摄,根据图像面积计算压缩木纤维长度;压缩木
4.如权利要求3所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:所述对数纤维长度的计算公式为:
5.如权利要求4所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:步骤一中,构建每个树段处的MVS或MVF定量模型的具体过程是:根据立木胸高处的木材质心剖面,将树段处于木材质心等距划分,使树段处采集的光谱信息与密度MVS或压缩木纤维纤维长度MVF数据一一对应,以处理后的光谱为自变量,以树段处的MVS或MVF为因变量进行定量分析模型的构建,获取树段处密度MVS(或压缩木纤维长度MVF)定量模型。
6.如权利要求5所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:步骤二中,所述包含多个评估组分含量的目标函数为:
7.如权利要求6所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:步骤二中可实现以最少近红外光谱获得最优树段目标函数结果的优化算法求解,通过求解优化算法的目标函数完成树段组合的选择,并确定最优树段组合;通过求解目标函数中的系数来调整树段组合,所述目标函数系数求解公式为:
8.如权利要求7所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:评估组分含量的快速评估过程包括,对最优树段的多个方位进行多个频段的光谱采集:通过每个树段处获得的校正模型,对不同频段光谱信息进行信息融合,按照加权公式计算多个频段光谱的平均值;采用融合后的光谱信息替代原始光谱信息,进行模型的测定,得到树段处的MVF(或MVS)预测值,重复上述操作,获得不同方位处的MVS(或MVF)预测值;根据每个树段处的密度定量模型,得到立木胸高处MVS或MVF值;根据密度定量模型确定评估组分定量模型,将MVS(或MVF)预测值代入评估组分定量模型中,得到目标组分的含量结果,完成杉木评估类组分的估测;所述融合后的光谱信息替换原始光谱信息具体包括,对于目标函数中包含树段与胸高距离权重项的树段优选组合,在进行立木结构分析时,对整个立木分段求算,并通过优化树段与胸高距离进行优化;在多个频段光谱进行信息融合时,利用融合后的光谱信息替代原始光谱信息,具体包括采用求算多个频段光谱平均值方式替代原有光谱;通过树段组合确定最优频段,对于最短光谱与胸高距离处的光谱,将最短树段的光谱进行多段光谱平均值融合。
9.如权利要求8所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:待评估类组分确定后,通过密度定量模型获得该类组分定量模型,得到待评估组分的估测结果。
10.如权利要求19所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:所述通过密度定量模型获取待评估类组分定量模型是指,获得确定类组分的测量MVS或MVF值后,将该组分与MVS(或MVF)相关联,选取密度或压缩木纤维长度定量模型建立密度或压缩木纤维长度与待评估类组分的定量模型;若待评估组分与密度或压缩木纤维长度不存在关系,则直接获得待评估类组分的定量模型;所述包含多个评估组分含量的目标函数结果通过近红外光谱测量点数计算树段最优化后,所选取的采集频段确定评估类组分的近红外光谱采集方...
【技术特征摘要】
1.一种基于近红外光谱的杉木立木材性快速评估方法,其特征在于:该方法包括如下步骤:
2.如权利要求1所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:步骤一中,确定评估组分后,重复获得若干个树段处密度mvs和压缩木纤维长度mvf值,将树段处近红外光谱样本点作为输入训练集,建立定量分析模型,将树段结构、树段直径、环境因子作为预测因子纳入定标模型,确定最终定标模型;最后将未知样本带入最终定标模型中计算树段处的mvs或mvf值。
3.如权利要求2所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:密度和压缩木纤维长度的测量方法具体包括步骤:根据近红外光谱测定的树段木体积,将树段内的木材在预设的常压高温条件下进行压缩获得压缩木材,对压缩木材进行切片、烘干;以树段处的压缩木材为取样对象,按重量法测量密度;以树段处的压缩木材为取样对象,将其浸泡至亚氯酸钠溶液中处理,取出后清洗至无红色,采用重量法测量压缩木材中压缩木纤维总重量;采用光学显微镜对取样对象进行制片处理,设置相应放大倍数获取压缩木材切片;对切片图像拍摄,根据图像面积计算压缩木纤维长度;压缩木纤维长度定量模型的构建包括如下步骤,利用image-pro plus软件处理制片后的压缩木材切片图像,得到压缩木材的纤维面积以及纤维外缘的轮廓;根据切片中每个像素与实际面积的对应关系和纤维面积,得到纤维实际面积,并计算纤维数量的对数,利用对数纤维长度的计算公式,得到对数纤维长度的值,进而建立立木不同组分组成的木材压缩木纤维长度定量模型。
4.如权利要求3所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:所述对数纤维长度的计算公式为:
5.如权利要求4所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:步骤一中,构建每个树段处的mvs或mvf定量模型的具体过程是:根据立木胸高处的木材质心剖面,将树段处于木材质心等距划分,使树段处采集的光谱信息与密度mvs或压缩木纤维纤维长度mvf数据一一对应,以处理后的光谱为自变量,以树段处的mvs或mvf为因变量进行定量分析模型的构建,获取树段处密度mvs(或压缩木纤维长度mvf)定量模型。
6.如权利要求5所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:步骤二中,所述包含多个评估组分含量的目标函数为:
7.如权利要求6所述的基于近红外光谱的杉木立木材性快速评估方法,其特征在于:步骤二中可实现以最少近红外光谱获得...
【专利技术属性】
技术研发人员:来芳,王冉,王剑,
申请(专利权)人:广东铂锶特科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。