论文部分内容阅读
森林生态系统具有改善和维护生态环境的能力,同时担任着全球碳平衡的重要角色。森林生态系统的碳储量凸显着其重要的主体地位。现今在全球气候变暖的大背景下,如何快速准确地测定林木的碳含量已经成为重要的研究课题。本文结合近红外光谱分析技术及化学计量学方法对落叶松不同切面、不同器官的碳含量进行预测,得到以下主要结论：(1)本论文分别运用主成分分析法(PCA)和偏最小二乘法(PLS)两种化学计量学方法构建落叶松木材碳含量近红外预测模型,通过所建模型分析可知,主成分分析得到的模型的校正集相关系数R为0.8030,SEC为0.2908,验证集相关系数R为0.7475,SEP为0.3721,偏最小二乘法得到的校正集相关系数R为0.7780, SEC为0.3066,验证集相关系数R为0.6818, SEP为0.4079,利用主成分分析法建立的模型评价指标优于偏最小二乘法的模型评价指标,相比之下,主成分分析法得到的模型拟合度较好,模型精度相对较高。(2)结合主成分分析法建立落叶松三个不同切面的碳含量模型,得到不同切面处碳含量模型的分析情况如下：在横切面、弦切面和径切面的校正集中,相关系数分别为0.8030,0.7782,0.7912,SEC分别是0.2908,0.2612和0.2054;验证集中,相关系数分别为0.7475,0.6932,0.7287；SEP为0.3782,0.3212,0.2520；即模型精度和拟合度由高到低依次是横切面>弦切面>径切面。(3)分别对落叶松树干、树枝、树皮、树根和树叶五个器官建立碳含量预测模型,得到模型预测结果为：树干处校正集R为0.8331,SEC为0.1426,验证集R为0.7912,SEP为0.1493；树枝处校正集R为0.8207,SEC为0.2086,验证集R为0.7697,SEP为0.3618；树皮处校正集R为0.8199,SEC为0.1645,验证集R为0.6902,SEP为0.2880；树根处校正集R为0.7905,SEC为0.2591,验证集R为0.7733,SEP为0.2921；树叶处校正集中R为0.6432,SEC为0.2705,验证集R为0.6703,SEP为0.3726。落叶松的根、枝、叶、皮、干各处的碳含量数据模型优劣顺序依次是：树干>树枝>树皮>树根>树叶。(4)分别对比分析不同形态下的落叶松试样模型,得到粉末状态下建立的落叶松碳含量模型精度优于样方状态下的模型精度,对比两个不同形态下的模型评价指标,粉末较样方模型的校正集相关系数低3.6%,验证集相关系数低5.6%。(5)对落叶松试样进行平滑、导数、多元散射校正及变量标准化等不同预处理方法建模分析,得到多元散射校正预处理方法处理后的光谱模型的各项模型评价指标最优,在该方法下校正集相关系数能达到0.8715,验证集相关系数达到0.8454。