近红外光谱(near infrared spectroscopy, 缩写为NIR)技术是一项新的无损检测技术, 能够迅速、准确地对木材的物理力学和化学等性质进行检测, 已在木材识别(Tsuchikawa et al., 2003)和木材化学组成(Wright et al., 1990)、密度(Schimleck et al., 1999)、强度(Kelley et al., 2004)、微纤丝角预测(Schimleck et al., 2002)及林产工业(So et al., 2004)等方面得到了广泛应用。近红外光谱(780~2 500 nm)主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的, 记录了分子化学键基频振动的倍频和合频信息, 包含了绝大多数类型有机物组成和分子结构的丰富信息。NIR分析技术是利用样品的近红外特征吸收峰与样品成分含量及性能之间建立的数学关系, 来预测未知样品的化学成分含量及其性能; 但近红外光谱的吸收弱、谱带复杂且重叠严重。因此, 从近红外光谱中提取被测样品的组成或各种物化性质的有用信息是近红外光谱分析的技术核心, 化学计量学是一种有效的近红外光谱分析技术, 利用它可以非常有效地对近红外光谱进行解析(陆婉珍等, 2001)。

木材结晶度是木材的一个重要性质, 它是纤维素构成的结晶区占纤维素整体的百分数(Andersson et al., 2003), 表征了木材中纤维素聚集态形成结晶的程度, 在一定程度上可以反映木材纤维的物理和化学性质。因此, 研究木材结晶度对于从结构与组成上了解木质纤维材料的性质具有指导意义。目前, 测定木材结晶度的方法主要有X射线衍射法(X-ray diffraction, 缩写为XRD)、红外光谱、核磁共振光谱和动力谱学等方法(Lee, 1961; Ahtee et al., 1988; Newman et al., 1990; Wolcott et al., 2000; Andersson et al., 2003)。近几年, 国内外许多研究人员致力于将近红外光谱技术应用于林木遗传改良工程中, 然而, 有关近红外光谱技术预测木材结晶度的研究在国内外报道甚少(So et al., 2004; Raymond et al., 2002; 杨忠等, 2005)。如果实现近红外光谱快速、准确地预测木材结晶度, 不但可为及时地调整林木培育和遗传改良措施提供参考, 也可为人工林木材的高效利用提供科学依据。

在木材的近红外光谱分析中对全谱数据进行分析时, 计算工作量很大, 而且有些光谱区域样品的光谱信息很弱, 与样品的组成或性质间缺乏相关性。在保证预测能力的基础上, 合理地降低光谱范围不仅可以提高信噪比和数据分析效率, 而且还有利于开发低成本、便携的近红外光谱仪, 以便用于在野外对大批量树木的木材品质进行快速评价。因此, 本文在前期研究(杨忠, 2005)基础上, 从理论上对近红外光谱与木材结晶度的相关性进行了分析, 重点研究了降低光谱范围对近红外预测木材结晶度的影响。

1 材料与方法 1.1 试样的制备

木材试样采自江西省吉安市的湿地松(Pinus elliottii)人工林, 27°22′29″N, 115°15′00″E, 年平均温度18 ℃, 最高气温约42 ℃, 最低气温约-2 ℃, 海拔188~233 m, 土壤为红壤。在试验林地中, 共采集6株树木, 树龄20年, 平均树高16.9 m。选取的样木伐倒后, 在每株样木胸高处连续截取10 cm厚的圆盘, 按生长年轮从髓心到树皮方向的第4~20年轮, 分别取下各个生长年轮木材, 每株树中取17个试样, 共取102个试样。测定木材结晶度前将试样磨成木粉, 并用电动筛筛分成80~100目颗粒的木粉。

1.2 X射线衍射仪测定结晶度

试验设备采用Philips X' Pert PRO X射线衍射仪, X光管为铜靶, 用镍片消除CuKα辐射, 管电压为45 kV。管电流为35 mA, 测量方法采用θ/2θ联动扫描。索拉狭缝为0.04 rad, 发散狭缝0.5°, 防散射狭缝1°。将80~100目的木粉样品在室温下压成薄片, 然后做2θ的强度曲线, 样品扫描范围在4~40° (2θ)角, 扫描速度为0.071 (°) ·s^-1。在扫描曲线上, 2θ=22°附近有(002)衍射的极大峰值, 2θ=18°附近有一极小值。本文中木材结晶度以结晶度指数(crystallinity index)来衡量, 它是通过结晶部分占试样整体的百分比来计算的(Isogai et al., 1990), 本研究采用Segal法计算湿地松木材结晶度(Segal et al., 1959)。

1.3 NIR光谱的采集

本研究采用的光谱仪是由美国ASD公司生产的Field Spec^®近红外光谱仪。光谱仪的波长范围在350~2 500 nm, 介于可见光与近红外光谱区域。采用光纤探头采集试样表面的近红外光谱, 光纤探头在试样表面的垂直上方。光谱的空白校准采用商用聚四氟乙烯制成的白色材料。照射光源用DC直流灯, 在样品的上方与样品成30°的角度, 并与样品的纵轴保持平行。将木粉试样(约0.5 g)装入直径约2 cm的样品杯, 样品杯置于可旋转的转盘上。样品经过光纤探头采集每扫描30次并自动平均为一条光谱后才保存起来, 得到的近红外光谱经ASD提供的专业软件转换成Unscrambler^®文件, 并在Unscrambler^®软件中进行数据处理与预测模型的建立, 本研究均采用近红外光谱区域(780~2 500 nm)的光谱数据进行建模与预测。

1.4 数据处理与分析方法

近红外光谱的吸收弱、谱带较宽且重叠严重, 因此, 在进行定性和定量分析时, 需用化学计量学中的主成分分析(PCA)、偏最小二乘法(PLS)和人工神经网络(ANN)等多变量数据分析方法进行分析, 其中, PLS是近红外光谱分析中使用最多、效果最好的一种方法, 因此, 本试验中采用PLS法进分析。模型质量的评价使用相关系数(r)、校正标准误差(SEC)、校正均方根误差(RMSEC)、预测标准误差(SEP)和预测均方根误差(RMSEP)等指标(Antti, 1999; 陆婉珍等, 2001)。

按照建立近红外光谱校正模型的一般要求, 在所采集的102个样本中, 随机抽取72个样本作为校正集, 用于预测模型的建立(calibration)和模型的完全交互验证(full cross validation); 剩余30个样本作为预测集, 不参与建模, 预测集试样数约占所有试样的1/3左右。校正集试样的纤维素结晶度在35.0%~61.0%, 预测集试样的纤维素结晶度在36.3%~60.7%, 预测集的数据分布均在建模用的校正集中。

2 结果与讨论 2.1 木材的X射线衍射图与近红外光谱特征

图 1是湿地松人工林木材的X射线衍射图, 从图 1可以看出, 在2θ=22°附近的002衍射峰最富于变化, 这反映了002衍射峰的大小与木材结晶度的大小变化具有一定的规律性。而此处的吸收峰是002晶格衍射角的极大强度, 说明002晶格衍射峰与木材结晶度直接相关。图 2为湿地松人工林木材样品的近红外光谱图, 从图 2可以看出, 虽然近红外光谱谱带较宽且重叠严重, 很难精确归属近红外光谱带, 但随着木材结晶度的变化, 近红外光谱同时也呈现出一定的变化规律。

根据文献(Kelley et al., 2004)可知, 在木材的近红外光谱中, 木质素与纤维素的差异在部分区域能区分开, 但是仍重叠严重, 木材近红外光谱在各区域的主要特征如下:木质素和抽提物以及木材黄褐色基团振动的基频在400~700 nm; 纤维素和半纤维素的羟基的一级倍频在1 400~1 660 nm; 糖类羟基和水的交互在1 890~2 020 nm; 纤维素羟基强振动出现在2 020~2 250 nm; 木质素芳基和脂肪链上的C-H振动的一级、二级倍频分别在1 635和1 825 nm、1 075和1 250 nm; 另外部分木质素羟基振动与纤维素的羟基振动重叠, 如木质素羟基振动的一级倍频在1 400~1 520 nm。

木材在可见光和短波区域(650~1 050 nm)的近红外光谱呈现一些微弱的特征, 能解析为C-H伸缩振动的三级倍频和羟基的一级倍频, 以及可见光区域里的木质素的褐色。因此, 本文重点探讨了与木材纤维素密切相关的近红外光谱数据与近红外光谱的相关性, 并对光谱数据的选择对近红外预测木材结晶度的影响进行研究。

2.2 近红外光谱与木材结晶度的相关性

杨忠(2005)利用近红外光谱全谱数据对木材的结晶度进行了预测, 并考察了光谱预处理对近红外预测结晶度的影响。然而, 在对全谱数据进行分析时计算工作量很大, 而且, 在有些光谱区域样品的光谱信息很弱, 与样品的组成或性质间缺乏相关性。在保证预测能力的基础上, 合理地降低光谱范围不仅可以提高信噪比和数据分析效率, 而且还有利于开发一种低成本、便携的近红外光谱仪。

因此, 为了找出最有效的光谱区域, 本研究将测定的木材结晶度数据与样品的近红外光谱数据进行相关性分析, 得到结晶度与光谱波长信息的相关关系图(图 3), 通过图 3将近红外光谱按其对预测模型贡献分为3个光谱区域, 即780~1 400 nm、1 400~2 000 nm和2 000~2 500 nm, 并分别利用这3个区域的光谱数据对木材结晶度进行建模与预测, 结果见表 1。从表 1可以看出, 降低参与建模的光谱范围仍然可以得到比较理想的近红外光谱模型与预测结果。利用2 000~2 500 nm区域的光谱信息得到的模型校正及预测效果, 均比利用780~1 400 nm和1 400~2 000 nm 2个区域的好, 这与图 3中得到的信息相符合。图 4是利用2 000~2 500 nm近红外光谱区对木材结晶度进行近红外光谱模型校正及预测结果, 模型校正的交互验证结果及预测值与实测值的相关关系r分别达到0.953和0.943。

另外, Wright等(1990)通过对14种松树的近红外光谱分析, 认为在波长为1 722、1 734、2 230、2 310、2 236 nm处的吸收峰与木材中纤维素密切相关, 而木材结晶度表征的是木材中纤维素聚集态形成结晶的程度。因此, 本文在前人的研究基础上, 结合图 3中的信息选择了3组光谱数据量更少, 但与木材纤维素密切相关的光谱数据进行建模与预测。表 2列出了采用PLS法建模得到的结晶度模型校正及预测结果, 从表 2可以看出, 仅采用1 400~1 660 nm或2 020~2 250 nm区域的光谱数据, 得到的模型校正及预测结果均理想, r高于0.947, 甚至仅采用7个光谱数据得到的模型校正及预测结果均比较理想, 预测相关系数r仍可以达到0.930。

图 5是模型仅采用7个与木材纤维素相关光谱数据(1 510, 1 734, 1 898, 1 935, 2 045, 2 120, 2 236 nm)结合PLS法得到的木材结晶度模型校正与预测结果。由于模型中所选择的光谱数据从其归属来看正好与木材纤维素密切相关, 因此, 采用少量的但与纤维素吸收峰密切相关的光谱信息建立的预测模型, 仍然可以得到比较理想的预测效果, 说明从理论上掌握近红外光谱的基本原理及深入了解木材的近红外光谱特征峰, 对建立理想的预测模型具有重要的指导作用。

3 结论

本文利用多变量数据分析方法对湿地松木材近红外光谱与木材结晶度之间的相关性进行了分析, 结果表明近红外光谱与木材结晶度密切相关, 通过预测模型对未参与建模试样进行预测, 预测值与实测值的相关性很高。利用2 000~2 500 nm区域的光谱信息得到的模型校正及预测效果, 均比利用780~1 400 nm和1 400~2 000 nm 2个区域的好, 其模型校正的交互验证结果及预测值与实测值的相关关系r分别达到0.953和0.943, 说明降低参与建模的光谱范围仍可得到比较理想的近红外光谱模型与预测结果。

当选择光谱范围更小, 但与木材纤维素密切相关的光谱数据(1 400~1 660 nm或2 020~2 250 nm)进行建模与预测时, 得到的模型校正及预测结果均理想(r高于0.947), 甚至仅采用7个光谱数据也可以得到比较理想预测结果, 预测相关系数r可达到0.930, 说明采用更少的但与预测目标密切相关的光谱信息, 所建立的预测模型仍然可以得到比较理想的预测效果, 这将有利于低成本、便携式近红外光谱仪的开发。同时, 也说明从理论上掌握近红外光谱的基本原理及深入了解木材的近红外光谱特征峰, 对建立理想的预测模型具有重要的指导作用。