基于傅里叶红外光谱进行翅荚木综

纤维素含量的机器学习预测
詹伟辉 陈博文 关鑫 薛斯檀 刘学莘*

（福建农林大学材料工程学院，福建 福州 350002）

摘 要：
为了解决人工林中翅荚木检测缺乏有效无损检测手段的问题，本研究提出了
一种快速检测方法。该方法利用傅里叶红外光谱技术，并采用不同的光谱数据预
处理方法和机器学习模型来测定翅荚木的综纤维素含量。本研究具体采用了傅里
叶红外光谱作为实验数据基础，并测量了翅荚木样本的综纤维素含量及光谱数据。
经过 MCCV 剔除异常值后，选择四种光谱预处理技术(FD，SD，SNV，MSC)
对光谱数据进行预处理，并采用 PCA 算法对其进行特征优化。接着采用 BPNN
和 SVR 两种机器学习模型建立起综纤维素含量预测模型，并对不同的处理方法
和建模方式进行评估。实验结果表明，采用 SNV 和 MSC 预处理的光谱数据具
有较高的综纤维素含量预测能力。其中，SNV-PCA-BPNN 预测模型的决定系数
为 0.96，均方根误差为 0.005579；SNV-PCA-SVR 预测模型的决定系数为 0.97，
均方根误差为 0.005075。此外，采用 MSC-PCA-SVR 预测模型的预测效果最佳，
决定系数为 0.97，均方根误差为 0.004596。这些实验的结果都能够很好的实现对
翅荚木人工林综纤维素含量无损检测的需求。值得一提的是，基于 SVR 建立的
翅荚木综纤维素含量预测模型表现出比 BPNN 模型更高的预测精度。
关键词：翅荚木，傅里叶红外光谱，无损检测，SVR 支持向量回归，BP 神经网络

Abstract：
This study proposes a rapid testing method to address the lack of effective
non-destructive testing methods for the detection of cellulose content of Zenia
insignis Chun in artificial forests. The method utilizes Fourier infrared spectroscopy
technology along with different spectral data preprocessing methods and machine
learning models to determine the comprehensive cellulose content of Zenia insignis
Chun. Specifically, Fourier infrared spectroscopy was used as the experimental data
basis to measure the comprehensive cellulose content and spectral data of Zenia
insignis Chun samples. After eliminating outliers with MCCV, four spectral
preprocessing techniques (FD, SD, SNV, MSC) were selected to preprocess the
spectral data, and the PCA algorithm was used to optimize the features. Then, two
machine learning models, BPNN and SVR, were employed to establish the
comprehensive cellulose content prediction model, and various processing and
modeling methods were evaluated. The experimental results demonstrate that the
spectral data preprocessed with SNV and MSC exhibit higher predictive ability for
comprehensive cellulose content. Among them, the SNV-PCA-BPNN prediction
model has a determination coefficient of 0.96, and the root mean square error is
0.005579; the SNV-PCA-SVR prediction model has a determination coefficient of
0.97, and the root mean square error is 0.005075. Additionally, the MSC-PCA-SVR
prediction model has the best prediction performance, with a determination
coefficient of 0.97 and a root mean square error of 0.004596. These experimental
results can effectively meet the comprehensive cellulose content non-destructive
detection needs in Zenia insignis Chun artificial forests. Notably, the Zenia insignis
Chun comprehensive cellulose content prediction model based on SVR shows higher
prediction accuracy than the BPNN model.
关键词：Zenia insignis Chun，FTIR spectroscopy，Non-destructive testing，SVR supports vector
regression,BP Neural Networks

1 引言
翅荚木（Zenia insignis Chun）别名任豆树，分布范围广泛，主要分布于亚洲
热带至华南地区。该树种适合海拔在 120 至 970 米的生长环境，生长快速，萌芽
强，有很强的自然更新能力，树干笔直，同时对贫瘠土地有很好的适应能力[1]。
自 20 世纪 80 年代以来，翅荚木作为速生树种之一，被引入到我国南方省区如福
建、湖南、江西等地，并且取得了良好的生长表现，成为我国南方工业原料林和
贫瘠山区造林绿化的理想树种之一[2]。综纤维素是木质纤维素材料中去除抽出
物和木质素后所留下的部分，其主要由纤维素和半纤维素组成。综纤维素在能源
利用领域具有很大的潜力，是传统化石能源的有效替代之一，并在纺织、造纸、
水处理和生物医学等多个领域中发挥着重要作用[5][6][7]。通常使用湿化学方法
（WCMs）来测量综纤维素含量，但是这些方法存在使用有毒试剂（如丙酮和次
氯酸钠）、准备时间长和需要耗费人力等缺点[6]。因此，需要快速简便的方法
来替代湿化学方法。翅荚木作为一种经济潜力和生态潜力巨大的速生树种，可以
结合红外光谱技术和机器学习算法建立无损的综纤维素含量检测模型，为翅荚木
人工林的培育和生产上的科学加工提供基础数据。这将充分发挥翅荚木的潜在经
济和生态价值。一方面，可以为缓解我国木材资源短缺问题提供新的支持；另一
方面，可以寻找传统化石能源之外的替代，充分利用生物质资源，响应“碳中和”
和“碳达峰”政策，有效缓解气候问题，创造绿水青山[4][9][10][11][15][17]。
红外光谱技术（IR）是一种非破坏性的分析方法，可通过检测样品吸收的红
外辐射来确定其组成[3][8]。在竹木材科学和生产领域，许多学者和工作人员已
经开始采用 IR 技术来预测竹木材的三大素含量、物理性能、抗压强度、抗弯强
度和抗弯弹性模量等性质，并且取得了显著的成果[18][14][19]。IR 技术的应用
不仅提高了测试的效率和准确性，还为竹木材产业的科学加工和利用提供了基础
数据，为智慧林业发展提供数据支持。傅里叶红外光谱（FTIR）技术相较于传
统近红外光谱，具有更广泛的波长范围，可建立更可靠的模型，是更好的选择
[20][21][22]。FTIR 技术因其快速、准确、非破坏性的测试方法，被广泛应用于
竹木材料的分析和测试领域。FTIR 技术可以通过分析竹木材料的红外光谱，获
得材料的结构信息和化学成分，从而为竹木材料的质量控制、性能评估、加工技
术研究等提供重要的支持。此外，FTIR 技术还可以结合其他分析方法，如化学
计量学、机器学习等，实现对竹木材料的更深入的分析和研究。因此，FTIR 技
术在竹木材料领域的应用前景非常广阔[22][23]。
机器学习是基于数据的一种人工智能技术，通过学习和分析大量数据，建立
预测模型，实现对未知数据的预测和分类。机器学习在图像识别、语音识别、自
然语言处理等领域取得了重大进展，同时也在材料科学、生物医学、环境科学等
领域得到广泛应用[25][26]。在木材科学中，光谱分析广泛应用于木竹材成分分
析、质量控制和性质预测等方面。光谱数据的高维、复杂和噪声等特性会影响光
谱数据的分析效率和准确性，通过机器学习和光谱分析的结合可以解决这个问题。
将机器学习算法应用于光谱数据分析中，可以自动从光谱数据中提取有用的信息，
并建立预测模型，以实现对样品性质的预测和分类。这种方法不仅可以提高分析
效率和准确度，还可以避免主观因素的干扰，为光谱数据的分析和应用提供更加
科学的手段。在翅荚木的综纤维素含量预测中，结合机器学习和光谱分析需要解
决一些问题。首先，需要选择适合的特征提取方法和预测模型，以建立拥有足够
准确性和可靠性的预测模型。其次，需要充分考虑傅里叶红外光谱数据的特点，
并采取适当的预处理和波长选择，以提高预测模型的稳定性和鲁棒性。最后，验
证和测试预测模型是必不可少的步骤，以确保预测模型的准确性和可靠性。通过
验证和测试，可以评估模型的性能和预测能力，并对模型进行优化和改进。
为了解决上述问题以建立一种可靠的翅荚木综纤维素含量无损检测手段，本
研究旨在运用傅里叶红外光谱技术进行机器学习预测以建立综纤维素含量预测
模型。通过收集翅荚木的傅里叶红外光谱数据来建立模型，并采用了多种预处理
技术，包括一阶导数（FD）、二阶导数（SD）、标准正态变化（SNV）和多元
散射校正（MSC），以提高光谱数据的准确性。随后，应用主成分分析技术（PCA）
对傅里叶红外光谱数据进行特征优化降维，并利用反向传播神经网络（BPNN）
算法和支持向量回归（SVR）算法构建预测模型，以对预测效果进行比较，最终
选择最优算法。最后，采用 5 折交叉验证计算决定系数（�2 ）和均方根误差（RMSE）
两种评估方法来评估综纤维素含量预测模型的准确性和有效性。
2 实验与方法
2.1 样品制备
本研究取材于福建省龙岩市的 10 年生翅荚木人工林，选取了 10 组原木作为
样本。这些原木之间生长环境和立地条件相似，平均树高为 19.8 米，平均枝下
高为 10.6 米。为了进行后续的实验，从每个样木的胸高处取下向下 2.0 米长的木
段作为试材，并在室内阴凉通风处气干至含水率达到福州市木材平均含水率，约
为 15%。在 218 组随机选取的样品中，从磨粉、过筛后的剩余物中筛选出目的木
粉，以供后续的红外光谱采集使用。

2.2 综纤维素含量测定
按照国家标准《苯醇抽出物的测定（GB/T 10741-2008》[27]抽出木材中有机
物。首先，截取样木胸高处 5cm 厚的圆盘作为试样，按照四分法均匀取出样品。
然后将样品放入粉碎机中粉碎过筛，取出 40-60 目的翅荚木人工林木材试样粉末，
装入密封袋中。接着，使用电子天平依次称取 2g 的翅荚木人工林木材试样粉末，
精确到 0.0001g，并用定性滤纸包裹，用棉线捆牢。同时，还需称取 2g 和 10g
的翅荚木人工林木材试样粉末，分别用于测定该试样的水分含量和红外光谱。取
700mL 的苯醇混合液（苯醇体积比为 2:1）。将包裹好的翅荚木人工林木材试样
粉末放入干燥的索氏提取器中，倒入苯醇混合液开始苯醇抽提。将水浴锅的温度
调整至 70℃，盖上冷凝器，抽提 6 小时。取出滤纸包，风干。将已风干的滤纸
包中翅荚木人工林木材试样粉末全部移入 250mL 的锥形瓶中，同时加入 65mL
的蒸馏水、0.75g 的纯度为 80%的亚氯酸钠和 0.5mL 的冰醋酸。轻轻摇匀后，将
一个 25mLDE 锥形瓶倒扣在瓶口，将装置放入 75℃恒温水浴锅中加热一小时，
并不时摇动锥形瓶。等装置加热了一个小时后，在其中再加入 0.75g 的亚氯酸钠
和 0.5mL 的冰醋酸。重复上述步骤 4 次，直到翅荚木人工林木材试样粉末试样
变白。从水浴锅中取出锥形瓶后，将其放入冰水浴中冷却。待锥形瓶内的黄色有
毒气体消失后，使用已经恒定重量的 G2 滤器过滤瓶内混合物，并用蒸馏水洗涤
至洗液不呈酸性。最终将 G2 滤器清洗至干净，然后置于烘箱中，烘干至恒重，
烘干温度为(105±2)℃。每组测量重复三次，取平均值作为最终的测定结果。

2.3 翅荚木木材的红外光谱采集
实验采用了 VERTEX 70v 高端研究级红外光谱仪（德国布鲁克公司）进行实
验。该仪器采用了布鲁克公司的 DigiTect 专利技术，将检测器自带的电子前置信
号放大器和数模转换器相互结合，可以有效避免外界模拟信号对光谱的干扰，从
而保证了较高的信噪比。
 实验在测试光红外条件下，采用了光通量 15000、光谱范围 400~4000 的设置，
并对每个样品进行了 64 次扫描。同时，进行了 64 次空白 KBr 片的背景扫描作
为对比。为了得到更准确的光谱结果，对每个样品制成了压三次片，并取其平均
值作为光谱结果。

2.4 光谱数据预处理
为了减少光谱数据中异常样本对建模的影响，采用了蒙特卡罗交叉验证方法
（MCCV）进行异常样本剔除。该方法将样本数据集随机划分为校准集和预测集，
并通过预测误差计算来识别未参与建模的异常样本。实验进行了几千次的随机采
样，获得了预测误差的分布，并将超过均值 3 倍的数据视为异常样本，最后将其
剔除。值得一提的是，MCCV 方法不仅可以识别样本光谱数据中的异常点和参
考数据异常点，而且还可以识别共同的异常点[24]。
FTIR 容易受到噪声干扰和基线漂移的影响，为了降低噪声干扰和基线漂移
的影响，4 种光谱数据预处理方法将被使用和评估：一阶导数（FD）、二阶导数
（SD）、标准正态变化（SNV）和多元散射校正（MSC）。
经过预处理后的傅里叶近红外光谱数据依旧拥有很大的数据冗余和多余特
征，为了提高模型预测精度，降低模型训练成本，要采用合适的特征选择算法对
光谱数据进行降维。主成分分析（PCA）是一种常用的数据降维方法，它可以将
高维数据降低到低维空间中，同时保留原始数据的主要信息。PCA 可以用于特
征选择等方面，为光谱数据的分析和应用提供更加全面的支持。因此，PCA 在
红外光谱预处理中具有重要的作用，被广泛应用于光谱数据的处理和分析中，可
以有效提高光谱数据的可解释性和预测精度[26][28][29]。
随后，采用蒙特卡洛随机抽样的方式，将预处理后的光谱数据按照 7∶3 的
比例，随机划分为样本集和预测集。

2.5 模型建立
经过数据处理后，采用反向传播神经网络（BPNN）和支持向量回归（SVR）
两种机器学习模型来建立预测模型。
在数值特征的定量建模中，误差反向传输人工神经网络（BPNN）是应用最
广泛的算法之一。BPNN 是一个多层神经网络，由多个神经元组成，采用误差反
向传播的方法进行训练。它的基本结构由输入层、输出层和多个隐层神经元组成，
其中每个神经元的输出都与前一层的神经元相连，形成一个多层前向的神经网络
结构[10][30][31]。
支持向量回归（SVR）是一种基于支持向量机（SVM）的回归算法，主要用
于解决非线性回归问题。与传统的回归方法不同，SVR 算法通过在特征空间中
寻找最优的超平面，将输入样本点映射到高维空间中，从而实现对非线性数据的
拟合[13][26]。

2.6 模型评价
在模型建立后，需要相关的统计参数对模型进行评价，常用的评价指标有决
定系数（�2 ）和均方根误差（RMSE）[23]。其具体的计算方式如式 1-1 和 1-2
所示：
� 2
�=1 (��,� −��,� )
�2 = 1 − � 2 (1-1)
�=1 (��,� −��,� )

� 2
�=1 (��,� −��,��� )
RMSE =
�−1
(1-2)

式中，�表示校正集光谱的数量，�表示验证集光谱的数量，��,� 表示的是第
�个样本测定值，��,� 表示的是校正集或验证集所有样本的测定平均值，��,��� 表示
的是所建立模型中第�个样本的预测值。
在模型的建立过程中，利用上述参考指标对模型进行评价，并选取最优的模
型参数，其中，当�2 越接近于 1，表示该模型的拟合程度高，当�2接近于 0 时，
表示模型拟合程度较差。RMSE 越小，表示模型的预测结果越精确。

3 结果与分析
3.1 基础数据的采集和分析统计
表 1 翅荚木人工林木材综纤维素含量

树种 样本数 平均值/% 标准差 标准误差 变异系数/%

翅荚木 218 73.63 0.0151 0.1070 2.05

根据国家标准，对 10 年生的翅荚木人工林木材的综纤维素含量进行了测试。
具体的测试结果可以在表 1 和图 1 中查看。共测试了 218 个样品，综纤维素含量
的平均值为 73.63%，标准差为 0.0151，标准误差为 0.107，变异系数为 6.25%。
综纤维素含量的范围为 70.12%-79.54%。这些结果与先前发表的有关翅荚木化学
成分的研究一致[1]。
 图 1 样品综纤维素含量的频率分布图。频率是指具有给定含量范围的样本在样本集中
所占的比例
综纤维素是指从木质纤维素材料中去除抽出物和木质素后所剩下的半纤维
素和纤维素的总称。如图 2-a 所示，通过对其红外光谱的分析，可以发现在在 3
348cm-1、2900cm-1、1649cm-1、1460cm-1、1373cm-1、1323cm-1、1157cm-1 和 829
cm-1 附近，综纤维素的红外光谱有明显的差异性变化。其中，3348cm-1 附近的特
征峰对应的是 O-H 伸缩振动，2900cm-1 附近的特征峰对应的是 C-H 伸缩振动，1
649cm-1 附近的特征峰对应的是半纤维素中乙酰基的 C=O 伸缩振动，1460cm-1 附
近的特征峰对应的是半纤维素中的 CH2 的 C-H 弯曲振动，1373cm-1 附近的特征
峰对应的是纤维素和半纤维素中 C-H 弯曲振动，1323cm -1 附近的特征峰对应的
是纤维素和半纤维素中 O-H 面内弯曲振动，1157cm -1 附近的特征峰对应的是纤
维素和半纤维素中 C-O-C 伸缩振动，829cm-1 附近的特征峰对应的是纤维素和半
纤维素中 C-H 面外弯曲振动。从傅里叶红外光谱的特征峰来看，可以明显地发
现综纤维素在 3348cm-1、2900cm-1、1649cm-1、1460cm-1、1373cm-1、1323cm-1、
1157cm-1 和 829cm-1 附近存在差异化的表现。。
 图 2 翅荚木人工林木材综纤维素含量测定的红外光谱图

3.2 红外光谱数据预处理
在采用蒙特卡罗的异常样本识别方法后，经过 10000 次循环随机采样的计算，
得出了预测残差的均值与方差，如图 3 所示。参考平均值 3 倍的标准差，可判定
其中有 10 个数据为异常数据。剔除这些异常数据后，红外光谱图像重新绘制为
图 2-b。在排除异常数据后，对剩余的 208 个光谱数据进行光谱预处理。
 图 3 基于蒙特卡罗方法进行红外光谱异常样本识别
为了提高模型的预测精度、降低模型复杂度和冗余度，并去除噪声干扰和基
线漂移的影响，需要对傅里叶近红外光谱数据进行光谱预处理和特征选择。如图
2 所示，我们基于 Python 分别采用一阶导数（FD）（图 2-c）、二阶导数（SD）
（图 2-d）、标准正态变化（SNV）（图 2-e）和多元散射校正（MSC）（图 2-f）
对红外光谱数据进行预处理。然后，使用主成分分析（PCA）对经过预处理后的
光谱数据进行数据降重和特征选择，并以 95%的累计方差解释率为标准选取主成
分。根据图 4 中的碎石图所示，可以看出在不同的预处理方法下，光谱数据提取
的主成分因子数量存在显著差异。其中，采用 FD 预处理方法提取出 11 个主成
分因子（如图 4-a 所示），采用 SD 预处理方法提取出 21 个主成分因子（如图
4-b 所示），采用 SNV 预处理方法提取出 3 个主成分因子（如图 4-c 所示），采
用 MSC 预处理方法提取出 3 个主成分因子（如图 4-d 所示）。
 图 4 PCA 特征降维后的碎石图

3.3 模型预测
基于 FD,SD,SNV,MSC 预处理和 PCA 特征选择后的傅里叶近红外光谱数据，
建立 BPNN 模型和 SVR 模型进行综纤维素含量预测，为了提高模型精确度，以
贝叶斯优化进行超参数优化，并且进行 5 折交叉验证。BPNN 模型和 SVR 模型
的预测效果如表 2 所示。
表 2 基于 BPNN 和 SVR 的模型预测效果

模型算法 主成分数量 �2 RMSE

FD-PCA-BPNN 11 0.89 0.009117

SD-PCA-BPNN 21 0.78 0.012313

SNV-PCA-BPNN 3 0.96 0.005579

MSC-PCA-BPNN 3 0.95 0.005429

FD-PCA-SVR 11 0.91 0.007994

SD-PCA-SVR 21 0.79 0.012199

SNV-PCA-SVR 3 0.97 0.005075

 MSC-PCA-SVR 3 0.97 0.004596

为了更好的展示不同的模型和不同的预处理方法对翅荚木人工林木材综纤
维素含量预测的效果，基于表 2 可以绘制雷达图如图 5 所示。可以观察到，SVR
模型整体上预测效果强于 BPNN 模型；SD 预处理后的光谱数据无法很好的针对
综纤维素含量进行预测，所以 SD 预处理的效果最差；对于 BPNN 模型来说，SNV
预处理后的光谱可以 达到最高的 预测效果，�2 达到了 0.96，RMSE 达到了
0.005579，对于 SVR 模型来说，SNV 和 MSC 预处理的光谱数据都可以很好的实
现综纤维素含量的预测，�2 达到了 0.97，RMSE 分别达到了 0.005075 和 0.004596。
从雷达图中可以看出，在不同的光谱预处理方法（FD-PCA、SD-PCA、
SNV-PCA、MSC-PCA）下，BPNN 和 SVR 算法的决定系数表现不同。在 FD-PCA
光谱预处理方法下，SVR 算法（0.91）比 BPNN 算法（0.89）的决定系数稍高，
性能更好。在 SD-PCA 光谱预处理方法下，SVR 算法（0.79）比 BPNN 算法（0.78）
的决定系数略高，性能略优。在 SNV-PCA 光谱预处理方法下，SVR 算法（0.97）
比 BPNN 算法（0.96）的决定系数稍高，性能更好。在 MSC-PCA 光谱预处理方
法下，SVR 算法（0.97）与 BPNN 算法（0.95）的决定系数相近，但 SVR 略优。
总体来说，根据这些数据，可以看出 SVR 算法在所有光谱预处理方法下的
表现均略优于 BPNN 算法，同时，SNV-PCA 和 MSC-PCA 的光谱预处理方法在
基于傅里叶红外光谱进行翅荚木综纤维素含量预测的表现最好。图 6 展示了
SNV-PCA 和 MSC-PCA 光谱预处理方法在 BPNN 和 SVR 模型上的预测散点图，
这四种预测模型取得了很高的预测精度，其中 MSC-PCA-SVR 的模型效果最好，
�2 达到了 0.97，RMSE 达到了 0.004596。

图 5 不同光谱预处理方法和机器学习算法的预测性能雷达图
 图 6 SNV-PCA 和 MSC-PCA 光谱预处理方法在 BPNN 和 SVR 模型上的预测散点图

4 结论
本研究针对人工林翅荚木缺少有效的无损检测手段的问题，主要探讨了利用
傅里叶红外光谱及不同光谱数据预处理方法和机器学习模型，对人工林翅荚木综
纤维素含量进行快速检测的问题，并旨在找到最优的检测算法模型。研究结果显
示，利用傅里叶中红外对人工林翅荚木综纤维素含量进行无损检测是可行的。主
要结论如下：针对傅里叶光谱仪器采集的木粉样品漫反射光谱数据，采用
SNV-PCA 和 MSC-PCA 两种光谱预处理方法配合 BPNN 和 SVR 模型，能够获得
较高的预测精度。其中，SVR 机器学习模型在模型预测精度上表现出更好的性
能和精度，其中 MSC-PCA-SVR 模型效果最佳，预测精度达到 0.97，误差率为
0.004596。
基于红外光谱和机器学习模型预测翅荚木综纤维素含量的综纤维素含量可
以取得很好的预测精度，但是需要挑选合适的红外光谱预处理算法和机器学习模
型，然后做出最优的选择。在可以展望的未来，除了综纤维素含量的预测，翅荚
木木材结构和性质中，木质素含量，抽提物含量，力学性能等参数都可以基于傅
里叶红外光谱和机器学习模型进行预测建模以实现无损检测的目的。充分结合数
据分析技术和人工智能算法，是林产工业实现工业 4.0 标准和智慧林业的要求，
拥有广泛的发展前景和研究价值。

4 参考文献
[1] 李文,陈步先,刘偲,黄钦府,胡颖,关鑫,林金国.翅荚木人工林木材提取物成分分析[J].安徽农业科

学,2023,51(06):186-191.

[2] 黄圣波,刘偲,黄钦府,陈步先,关鑫,林金国.热压工艺对翅荚木芯细木工板性能的影响[J].林产工

业,2023,60(01):9-14+32.DOI:10.19531/j.issn1001-5299.202301002.

[3] 陈博文,胡娟,金咏琪,郑安,颛孙浩,林金国,关鑫.基于傅里叶红外光谱预测翅荚木顺纹抗压强度[J].西南

林业大学学报(自然科学),2022,42(04):178-183.

[4] 陈博文. 基于傅里叶红外光谱技术的翅荚木人工林木材材性预测[D].福建农林大

学,2022.DOI:10.27018/d.cnki.gfjnu.2022.000046.

[5] 马明国,袁琪. 基于木质素的多功能材料应用研究进展[J]. 广东工业大学学报, 2022, 39(1): 14-20,

62.

[6] Gao Wenli,Shu Ting,Guan Ying,Ling Shengjie,Liu Shengquan,Zhou Liang. Novel strategy

for establishment of an FT-Raman spectroscopy based quantitative model for poplar

holocellulose content determination[J]. Carbohydrate Polymers,2022,277.

[7] 杨淑敏,刘杏娥,尚莉莉,等. 竹材木质素特性及表征方法研究进展[J]. 材料导报, 2020, 34(7):

7177-7182.

[8] Ma C., Kim T. H., Liu K., et al. Multifunctional Lignin-Based Composite Materials for

Emerging Applications[J]. Frontiers in Bioengineering and Biotechnology, 2021, 9:1-12.

[9] 周伟明,郑海,莫小路,李威,刘浩.HS-SPME-GC-MS 指纹图谱和 ATR-FTIR 结合化学计量学的化橘红鉴

别研究[J/OL].中药

材,2023(04):934-939[2023-04-27].DOI:10.13863/j.issn1001-4454.2023.04.023.

[10] 冯凯,贺东风,徐安军,赵宏博,林时敬.基于 Kmeans–BP 神经网络的 KR 工序终点铁水硫含量预测模型

[J].工程科学学报,2023,45(07):1187-1193.DOI:10.13374/j.issn2095-9389.2022.05.29.004.

[11] 孟珊,李新国,焦黎.基于机器学习算法的湖滨绿洲土壤电导率高光谱估算模型[J].土壤通

报,2023,54(02):286-294.DOI:10.19336/j.cnki.trtb.2022011003.

[12] 杨宽宽. 基于改进 SVM 算法的土壤养分含量反演模型设计及验证[D].山东农业大

学,2021.DOI:10.27277/d.cnki.gsdnu.2021.000789.

[13] 闻萍. 基于高光谱与数字图像信息融合的注水羊肉检测研究[D].内蒙古农业大

学,2019.DOI:10.27229/d.cnki.gnmnu.2019.000371.

[14] 邓立康. 木质纤维素乙醇产业化关键技术研究及工程化探讨[D].华南理工大

学,2021.DOI:10.27151/d.cnki.ghnlu.2021.001785.
[15] 何小勇,袁德义,柳新红,赵思东,张琳,魏来.珍稀速生树种翅荚木的特性及开发利用(综述)[J].亚热带植

物科学,2007(01):75-78+84.

[16] 陈柳娟,钟全林,李宝银,姚湘明,徐朝斌,程栋梁,郑跃芳,余华.翅荚木人工林不同径阶间细根主要功能性

状与根际土壤养分的关系[J].应用生态学

报,2019,30(11):3627-3634.DOI:10.13287/j.1001-9332.201911.006.

[17] 宋经纬,徐子然,陈家鑫,徐庆华.我国木材市场供给现状分析与未来发展建议[J].中华纸

业,2021,42(05):43-47+7.

[18] 莫军前,张文博.基于近红外光谱技术的热处理竹材物理力学性能[J].林业工程学

报,2019,4(01):32-38.DOI:10.13360/j.issn.2096-1359.2019.01.005.

[19] 汪紫阳,李耀翔,尹世逵. 应用近红外光谱技术检测木材含水率的方法[J]. 东北林业大学学报, 2018,

46(12): 82-86.

[20] Schimleck L. R., Evans R., Matheson A. C.. Estimation ofPinus radiata D. Don clear wood

properties by near-infrared spectroscopy[J] Journal of Wood Science, 2002, 48(2):132-137.

[21] Hoffmeyer P.,Pedersen J. G.. Evaluation of density and strength of Norway spruce wood

by near infrared reflectance spectroscopy[J] . European Journal of Wood&Wood Products,

1995, 53(3):165-170.

[22] Ishizuka S.,Sakai Y.,Tanaka-oda A.. Quantifying lignin and holocellulose content in

coniferous decayed wood using near-infrared reflectance spectroscopy[J]. Informa UK

Limited 2014,19(1):233-237.

[23] 熊智新,刘耀瑶,王勇,等. PSO-LSSVM 用于近红外光谱预测混合制浆材 Klason 木质素含量[J]. 中国

造纸学报, 2020, 35(2): 45-51.

[24] 闵顺耕,李宁,张明祥. 近红外光谱分析中异常值的判别与定量模型优化[J]. 光谱学与光谱分析,

2004,10: 1205-1209.

[25] 王学顺,孙一丹,黄敏高,等. 基于 BP 神经网络的木材近红外光谱树种识别[J]. 东北林业大学学报,

2015, 43(12): 82-85, 89.

[26] 谭念,孙一丹,王学顺,等. 基于主成分分析和支持向量机的木材近红外光谱树种识别研究[J]. 光谱学与

光谱分析, 2017, 37(11): 3370-3374.

[27] 轻工业部造纸工业科学研究所. 纸浆苯醇抽出物的测定: GB/T 10741-2008. [S]. 北京: 中国标准出

版社, 2008.

[28] Mousavi Mohsen,Gandomi Amir H.,Holloway Damien,Berry Adam,Chen Fang. Machine

learning analysis of features extracted from time–frequency domain of ultrasonic testing

results for wood material assessment[J]. Construction and Building Materials,2022,342(PA).

[29] van Blokland Joran,Nasir Vahid,Cool Julie,Avramidis Stavros,Adamopoulos Stergios.

Machine learning-based prediction of surface checks and bending properties in weathered

thermally modified timber[J]. Construction and Building Materials,2021,307.

[30] Huang Wei,Du Yuhong,Ren Hongmei,Guo Jia,Wang Ruisi,Wang Zhe,Zhao Liangyan,Hao

Ziyan. Application of modified GMDH network for CO2-oil minimum miscibility pressure

prediction[J]. Energy Sources, Part A: Recovery, Utilization, and Environmental

Effects,2020,42(16).

[31] Huang Wei,Du Yuhong,Ren Hongmei,Guo Jia,Wang Ruisi,Wang Zhe,Zhao Liangyan,Hao

Ziyan. Application of modified GMDH network for CO2-oil minimum miscibility pressure

prediction[J]. Energy Sources, Part A: Recovery, Utilization, and Environmental

Effects,2020,42(16).