程琳，黃開勇，藍(lán)肖，陳代喜，李魁鵬，莫宗恒，王斌，賴苑修

（1廣西林業(yè)科學(xué)研究院廣西優(yōu)良用材林資源培育重點(diǎn)實(shí)驗(yàn)室，廣西南寧 530002；2國(guó)家林業(yè)局中南速生材繁育實(shí)驗(yàn)室，廣西南寧530002；3廣西大學(xué)林學(xué)院，廣西南寧 530004；4融安縣西山林場(chǎng)，廣西柳州 546000）

0 引言

【研究意義】近紅外光譜（Near-infrared reflectance spectroscopy，NIRS）作為一種簡(jiǎn)單快速分析技術(shù)，可根據(jù)特征峰吸收強(qiáng)度比值算出成分含量，實(shí)現(xiàn)快速檢測(cè)化學(xué)成分；該技術(shù)具有適用范圍廣、分析快捷，且檢測(cè)過程無污染等優(yōu)點(diǎn)。杉木（）是我國(guó)南方重要的用材林樹種之一，具有材性優(yōu)良、生長(zhǎng)迅速的優(yōu)點(diǎn)，是優(yōu)質(zhì)建筑材、裝飾用材和紙漿用材（程琳等，2020），具有很高經(jīng)濟(jì)和生態(tài)效益。植物多酚是天然抗氧化劑的主要來源之一，對(duì)緩解植物衰老等具有重要意義（張艷軍等，2013）。木材基本密度是衡量木材材質(zhì)的重要指標(biāo)，也是估測(cè)木材強(qiáng)度的最佳指標(biāo)（李魁鵬等，2017；鄭會(huì)全等，2020）；晚材率是針葉林特有的材性指標(biāo)，對(duì)評(píng)定木材材質(zhì)有著重要的意義（符韻林等，2005）。隨著經(jīng)濟(jì)社會(huì)日益發(fā)展和人民生活水平不斷提高，社會(huì)對(duì)木材材質(zhì)的要求也在不斷提高；總酚含量與影響木材品質(zhì)的腐朽有著密切相關(guān)性，總酚含量越高，木材抗腐朽能力越強(qiáng)（劉欣等，2009）。然而，采用傳統(tǒng)化學(xué)測(cè)定法檢測(cè)總酚的方法耗時(shí)、操作復(fù)雜，且需要熟練實(shí)驗(yàn)人員進(jìn)行分析，很難滿足林木育種中對(duì)大量木樣的快速分析。因此，通過近紅外光譜技術(shù)建立杉木木材總酚含量模型，對(duì)實(shí)現(xiàn)木材無損檢測(cè)及木材腐朽預(yù)測(cè)、提高木材利用率，進(jìn)而加快木材性狀改良進(jìn)程，具有十分重要意義?！厩叭搜芯窟M(jìn)展】國(guó)外早在20世紀(jì)80年代便開始近紅外光譜技術(shù)的應(yīng)用研究，我國(guó)于20世紀(jì)90年代引入該技術(shù)（宋巖，2009），目前，近紅外光譜技術(shù)已在食品（嚴(yán)麗霞等，2017）、農(nóng)業(yè)（黎新榮，2019）等諸多行業(yè)得到廣泛應(yīng)用。相關(guān)研究者已通過近紅外光譜技術(shù)完成了對(duì)軟棗獼猴桃（）總酚（付饒等，2013）及石榴（L.）果皮多酚（王瓊等，2017）的分析與檢測(cè)，效果良好。20世紀(jì)90年代，國(guó)外已將近紅外光譜技術(shù)應(yīng)用于木材檢測(cè)方面，較多用于木材木質(zhì)素含量測(cè)定及物理力學(xué)性質(zhì)間相關(guān)性分析（Hoffmeyer and Pedersen，1995）。Hodge和Woodbridge（2004）利用近紅外光譜技術(shù)對(duì)不同生長(zhǎng)地區(qū)松科（Pinaceae）樹種木質(zhì)素含量進(jìn)行了預(yù)測(cè)，采用物種或區(qū)域組合進(jìn)行模型校正，均能得到較好預(yù)測(cè)模型。我國(guó)近紅外光譜技術(shù)從2006年開始應(yīng)用于木材化學(xué)性能預(yù)測(cè)（賈茹等，2021）。黃安民等（2007）對(duì)表面不同粗糙程度的杉木進(jìn)行氣干密度的近紅外光譜檢測(cè)，木材密度預(yù)測(cè)效果良好。除了木材密度，木材結(jié)晶度也是木材品質(zhì)的重要指標(biāo)之一，胡夢(mèng)霄等（2017）首次建立了杉木木材結(jié)晶度的近紅外模型，模型校正和預(yù)測(cè)模型相關(guān)系數(shù)分別為0.9875和0.9213，預(yù)測(cè)效果較好。目前杉木總酚研究主要集中在林地土壤（林開敏等，2012）、種子（李佳等，2018）及苗木（魏國(guó)余等，2018）等方面?！颈狙芯壳腥朦c(diǎn)】采用近紅外光譜技術(shù)對(duì)其木材的研究多集中在木材加工、物理性能及木質(zhì)素等化學(xué)組成方面（王超和余養(yǎng)倫，2021），而關(guān)于杉木木材總酚含量建模尚未見報(bào)道。【擬解決的關(guān)鍵問題】以杉木為試驗(yàn)材料，在國(guó)內(nèi)首次建立快速檢測(cè)杉木總酚含量的近紅外預(yù)測(cè)模型，通過一階導(dǎo)數(shù)、標(biāo)準(zhǔn)正態(tài)變量轉(zhuǎn)換等方法對(duì)杉木木樣近紅外光譜進(jìn)行預(yù)處理，再利用偏最小二乘法（PLS）和交叉驗(yàn)證等方法完成構(gòu)建，通過近紅外光譜模型可實(shí)現(xiàn)在研究和生產(chǎn)中對(duì)木材進(jìn)行預(yù)測(cè)。

1 材料與方法

1.1 試驗(yàn)地概況

研究地位于廣西融安縣國(guó)家杉木良種基地（東經(jīng)109°23′，北緯25°20′），海拔200～800 m，地貌以中、低山地為主。地處杉木適生區(qū)，屬溫潤(rùn)亞熱帶季風(fēng)氣候，年平均氣溫19.0℃，年均降雨量1942.5 mm。

1.2 試驗(yàn)材料

木樣取自廣西融安縣國(guó)家杉木良種基地10年生杉木試驗(yàn)林，于2020年2月對(duì)杉木試驗(yàn)林隨機(jī)選擇健康、干型通直的平均木進(jìn)行木材采樣。試驗(yàn)前，樣品儲(chǔ)存于-20℃冰箱。試驗(yàn)試劑：無水乙醇、Folin-Ciocalteu酚試劑、鄰苯二酚（分析純）、無水碳酸鈉（分析純），均由sigma生物試劑公司提供。儀器和設(shè)備：MPA傅立葉變換光譜儀（德國(guó)Bruker公司）；TU-1810紫外—可見分光光度計(jì)（北京普析通用儀器有限責(zé)任公司）；國(guó)華HH-8數(shù)顯循環(huán)恒溫水浴鍋（常州國(guó)華電器有限公司）；PX224ZH型電子分析天平（奧豪斯儀器有限公司）。

1.3 試驗(yàn)方法

試驗(yàn)共設(shè)114株樣木。每株樣木于胸高1.3 m處同向取4個(gè)木樣，其中，1個(gè)用于總酚含量化學(xué)值測(cè)定，1個(gè)用于近紅外模型建立，余下2個(gè)分別用于木材基本密度和晚材率的檢測(cè)，共計(jì)456個(gè)木材樣品。采集木樣后，進(jìn)行分裝和標(biāo)記。木樣帶回實(shí)驗(yàn)室后，隨即進(jìn)行總酚含量和近紅外光譜測(cè)定試驗(yàn)。使用K-S檢驗(yàn)法對(duì)數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)，根據(jù)李魁鵬等（2017）、蘇麗華（2020）的方法進(jìn)行木材基本密度及晚材率的測(cè)定。

1.3.1 總酚含量化學(xué)值測(cè)定參考許海棠等（2017）、馬若克等（2018）的方法，采用福林酚比色法測(cè)定總酚含量，選擇鄰苯二酚為標(biāo)準(zhǔn)物質(zhì)繪制標(biāo)準(zhǔn)曲線（圖1），用以測(cè)定杉木木樣的總酚含量（mg/g），標(biāo)準(zhǔn)曲線為=-0.3694+0.9420，=0.9996。

1.3.2 近紅外光譜測(cè)定首先，將除雜后的木樣置于近紅外光譜掃描操作臺(tái)進(jìn)行掃描前，對(duì)掃描儀進(jìn)行30 min預(yù)熱；然后，試驗(yàn)在靜態(tài)下對(duì)木樣進(jìn)行掃描，近紅外光譜采集參數(shù)設(shè)置為掃描譜區(qū)波段范圍為4000～12000 cm（厘米波數(shù)），樣品掃描時(shí)間為64 s，每個(gè)樣品重復(fù)掃描3次；最后，取平均值作為樣品的光譜。

圖1 鄰苯二酚總酚含量校準(zhǔn)曲線Fig.1 Calibration curve of total phenol content of catechol

1.3.3 模型構(gòu)建與優(yōu)化 取101個(gè)樣品組成校正集，運(yùn)用OPUS 7.0進(jìn)行原始近紅外光譜預(yù)處理，包括17點(diǎn)平滑處理、多元散射校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、矢量歸一化、一階導(dǎo)數(shù)+多元散射校正等。PLS在近紅外光譜分析中效果最好、使用頻率最高，因此，本研究選擇PLS進(jìn)行數(shù)據(jù)定性和定量分析。

利用PLS建立近紅外光譜校正模型，以校正集決定系數(shù)（）、驗(yàn)證集決定系數(shù)（）、校正均方根誤差（Root mean square error of estimation，RMSEE）、交叉驗(yàn)證均方根誤差（Root mean square error of cross validation，RMSECV）、預(yù)測(cè)均方根誤差（Root mean square error of prediction，RMSEP）和相對(duì)標(biāo)準(zhǔn)偏差（RPD）作為評(píng)價(jià)指標(biāo)來驗(yàn)證模型建立的預(yù)測(cè)性能。其中，越大，RMSECV越小，說明模型穩(wěn)定性和精度越理想；越接近1，RMSEP越小，RPD＞2時(shí)，說明模型的預(yù)測(cè)效果越好。

1.3.4 模型的外部驗(yàn)證選取13個(gè)樣品作為驗(yàn)證集，利用建立的近紅外方法對(duì)總酚含量進(jìn)行分析預(yù)測(cè)，記錄近紅外光譜的預(yù)測(cè)值，通過樣品化學(xué)值與預(yù)測(cè)值對(duì)模型進(jìn)行外部檢驗(yàn)。采用內(nèi)部交叉驗(yàn)證剔除奇異點(diǎn)。

1.4 統(tǒng)計(jì)分析

使用Origin 8.0作圖。采用Excel 2007進(jìn)行數(shù)據(jù)匯總處理，以SPSS 19.0進(jìn)行數(shù)據(jù)檢驗(yàn)分析。

2 結(jié)果與分析

2.1 杉木木樣總酚含量的測(cè)定結(jié)果

由圖2可知，采用化學(xué)方法測(cè)定114個(gè)杉木木樣的總酚含量，平均值為4.05 mg/g，最大值和最小值分別為7.21和2.00 mg/g，標(biāo)準(zhǔn)差為1.33 mg/g，變異系數(shù)為32.74%。對(duì)數(shù)據(jù)進(jìn)行K-S正態(tài)性檢驗(yàn)，顯著性檢驗(yàn)=0.000＜0.05，表明數(shù)據(jù)正態(tài)分布不顯著。其中，實(shí)測(cè)值中有46.5%的杉木木樣的總酚含量處于區(qū)間3.00～4.00 mg/g，14.0%的杉木總酚含量處于區(qū)間2.00～3.00 mg/g，15.8%的杉木總酚含量處于區(qū)間4.00～5.00 mg/g（圖2）。說明所選木樣的總酚含量雖然不滿足正態(tài)分布，但數(shù)據(jù)分布范圍廣，數(shù)據(jù)差異性大，具有較好的代表性，可滿足近紅外光譜模型的構(gòu)建。

根據(jù)114個(gè)木樣中總酚含量的化學(xué)值，隨機(jī)選取101個(gè)木樣作為校正集，用于模型的建立和交叉驗(yàn)證。其余13個(gè)木樣作為驗(yàn)證集，用于模型構(gòu)建后的外部驗(yàn)證。從表1可看出，杉木總酚含量校正集均值為4.04 mg/g，最大值和最小值分別為7.21和2.00 mg/g，標(biāo)準(zhǔn)差和變異系數(shù)分別是1.33 mg/g和33.01%；杉木總酚含量驗(yàn)證集均值為4.16 mg/g，最大值和最小值分別為6.50和2.18 mg/g，標(biāo)準(zhǔn)差和變異系數(shù)分別是1.27 mg/g和30.59%。

2.2 杉木木樣近紅外光譜圖特征

木材化學(xué)組成成分復(fù)雜，不易從近紅外光譜中提取單一組分的特征吸收帶，因此需要利用樣品信息較強(qiáng)的范圍光譜。114個(gè)杉木木材近紅外光譜圖表明不同樣品近紅外光譜趨勢(shì)一致，但各樣品的吸收強(qiáng)度有所差異（圖3）。近紅外吸收帶相對(duì)較寬，在不同波長(zhǎng)具有不同的吸收特點(diǎn)，高波長(zhǎng)（低波數(shù)）處近紅外光譜分辨力比低波長(zhǎng)好。因此，光譜區(qū)間選擇從4000.0 cm開始；總酚在近紅外區(qū)有較強(qiáng)吸收，各木樣的近紅外光譜圖趨勢(shì)變化不大，杉木木材在4605.5～4242.9 cm、6102.1～5446.4 cm和9403.9～7498.4 cm3個(gè)波段內(nèi)吸收峰較強(qiáng)。

圖2 114個(gè)杉木樣品總酚含量（化學(xué)測(cè)定）頻率圖Fig.2 Frequency diagram of total phenols content（chemical determination）of 114 Chinese fir samples

表1 杉木木樣總酚含量情況統(tǒng)計(jì)Table 1 Statistics of total phenols content in Chinese fir wood samples

2.3 杉木木材總酚近紅外模型的建立

采用標(biāo)準(zhǔn)正態(tài)變量轉(zhuǎn)換法（Standard normal variate transformation，SNV）和一階導(dǎo)數(shù)（First derivative）等方法，對(duì)杉木木樣近紅外光譜檢測(cè)值進(jìn)行預(yù)處理。通過優(yōu)化，使模型的＞0.75、RPD＞2.0，得到理想的定標(biāo)結(jié)果時(shí)即當(dāng)做預(yù)選模型。經(jīng)過光譜預(yù)處理，杉木木樣中總酚含量最佳預(yù)處理方法為一階導(dǎo)數(shù)+SNV，光譜波段范圍為9403.9～7498.4 cm、6102.1～5446.4 cm和4605.5～4242.9 cm。

利用PLS和交互驗(yàn)證建立校正模型和交叉檢驗(yàn)?zāi)Ｐ汀Ｆ渲?，校正模型中，校正均方根誤差（RMSEE）、校正集決定系數(shù)（）和相對(duì)標(biāo)準(zhǔn)偏差（RPD）分別為0.448、0.8679和2.75；交叉驗(yàn)證模型中，交叉驗(yàn)證均方根方差（RMSECV）、交叉驗(yàn)證決定系數(shù)和相對(duì)標(biāo)準(zhǔn)偏差（RPD）分別為0.586、0.7549和2.02（表2）。杉木木樣中總酚含量的交叉驗(yàn)證均方根誤差（RMSECV）和預(yù)測(cè)均方根誤差（RMSEP）很小，校正集決定系數(shù)（）和驗(yàn)證集決定系數(shù)（）分別為0.8679和0.7549，RPD＞2，說明模型具有較好的穩(wěn)定性和預(yù)測(cè)效果。

2.4 杉木總酚含量近紅外光譜模型的外部驗(yàn)證

圖3 114個(gè)杉木樣品近紅外原始光譜Fig.3 Near-infrared original spectra of 114 Chinese fir samples

通過運(yùn)用OPUS 7.0對(duì)外部檢測(cè)樣品的光譜進(jìn)行分析預(yù)測(cè)，根據(jù)預(yù)測(cè)值和標(biāo)準(zhǔn)值的相關(guān)因子最大或預(yù)測(cè)值均方根誤差（RMSEP）最小的原則選出一個(gè)最優(yōu)模型，即為杉木近紅外光譜的快速測(cè)定模型。隨機(jī)抽取13份杉木樣品作為驗(yàn)證集，驗(yàn)證的預(yù)測(cè)值和化學(xué)測(cè)定值如表3所示，總酚含量預(yù)測(cè)值范圍為2.32～6.45 mg/g，預(yù)測(cè)值平均值為4.05 mg/g，總酚含量絕對(duì)誤差范圍在0.05～1.19 mg/g，平均絕對(duì)誤差為0.463 mg/g，預(yù)測(cè)偏差較小。對(duì)杉木木樣中總酚含量近紅外化學(xué)值和實(shí)測(cè)值進(jìn)行檢驗(yàn)時(shí)0.502＞0.05，表明用近紅外方法檢測(cè)和化學(xué)測(cè)定的方法得到的兩組數(shù)據(jù)差異不顯著。從圖4可看出，決定系數(shù)（）為0.8041，模型具有較高的可信度；杉木木樣總酚含量最優(yōu)模型預(yù)測(cè)均方根誤差（RMSEP）和相對(duì)標(biāo)準(zhǔn)偏差（RPD）分別是0.521和2.16，構(gòu)建的模型可用于生產(chǎn)中快速預(yù)測(cè)。

表2 杉木近紅外光譜分析模型和模型外部檢驗(yàn)參數(shù)Table 2 Near-infrared spectral analysis model of Chinese fir and its external test parameters

2.5 杉木總酚含量與木材品質(zhì)間的相關(guān)分析

對(duì)114個(gè)杉木木樣進(jìn)行材性分析，結(jié)果（表4）表明，木材基本密度和晚材率的變異范圍分別為0.135～0.477 g/cm和11.842%～80.645%，其變異系數(shù)分別是14.251%和33.346%。說明基本密度和晚材率離散程度高，測(cè)定數(shù)據(jù)有效。

如表5所示，對(duì)杉木木樣基本密度和晚材率進(jìn)行K-S正態(tài)性檢驗(yàn)，2個(gè)指標(biāo)的值均小于0.05，正態(tài)分布均不顯著。杉木木樣中基本密度和晚材率的分布范圍決定著數(shù)據(jù)的可行性，范圍越廣則數(shù)值越可靠。其中，80.0%的杉木木樣的基本密度處于區(qū)間0.3～0.4 g/cm，6.1%的杉木基本密度處于區(qū)間0.2～0.3 g/cm，12.3%的杉木基本密度處于區(qū)間0.4～0.5 g/cm（圖5-A）；36.0%的杉木木樣的晚材率處于區(qū)間30～40%，31.6%的杉木晚材率處于區(qū)間20%～30%，15.8%的杉木晚材率處于區(qū)間40%～50%（圖5-B）。上述結(jié)果說明參試數(shù)據(jù)可靠，可用于下一步相關(guān)分析。

表3 杉木總酚含量近紅外光譜分析模型外部檢測(cè)結(jié)果比較（mg/g）Table 3 Comparison of external test results of near-infrared spectroscopy model for total phenols content of Chinese fir（mg/g）

對(duì)杉木木材總酚含量與木材基本密度、晚材率間的相關(guān)性進(jìn)行分析?？偡优c基本密度呈極顯著差異（＜0.01），與晚材率呈不顯著正相關(guān)（＞0.05）。說明通過總酚來判定木材基本密度、晚材率的方法具有可行性，對(duì)杉木良種選育具有重要指導(dǎo)意義。

3 討論

圖4 預(yù)測(cè)值與實(shí)測(cè)值相關(guān)性Fig.4 Correlation between predicted and measured values

表4 杉木木材基本密度、晚材率的結(jié)果統(tǒng)計(jì)Table 4 Statistics of basic density and late wood rate of Chinese fir

表5 杉木木樣基本密度和晚材率的K-S檢驗(yàn)Table 5 K-S test of basic density and late wood rate in Chinese fir wood sample

廣西是我國(guó)杉木的主產(chǎn)區(qū)之一，森林覆蓋率為62.3%，占全國(guó)第三；現(xiàn)有杉木林面積超145萬ha，蓄積量達(dá)1.3億m，在林業(yè)發(fā)展中占有重要地位（陳代喜等，2015）。進(jìn)入21世紀(jì)后，近紅外光譜技術(shù)在農(nóng)林領(lǐng)域發(fā)展迅速，不僅涉及玉米（陳建紅等，2011）、水稻（梁劍等，2013）、小麥（王賦騰等，2017）等農(nóng)作物的快速檢測(cè)，還包括杉木（黃安民和江澤慧，2007）、毛竹（周斌雄，2015）、桉樹（朱華等，2020）等林木的化學(xué)檢測(cè)。植物多酚是木材的次生代謝產(chǎn)物，含量?jī)H次于纖維素、半纖維素和木質(zhì)素，是木材的重要組成成分；植物總酚與樹木的生長(zhǎng)及化學(xué)組分都具有密切聯(lián)系，并對(duì)木材密度、硬度及力學(xué)性質(zhì)等材質(zhì)指標(biāo)具有重要的影響（王超和余養(yǎng)倫，2021）。應(yīng)用近紅外光譜技術(shù)（NIRS）對(duì)杉木木樣進(jìn)行掃描，得到木樣中的總酚含量，快速方便，被廣泛應(yīng)用于木材化學(xué)成分檢測(cè)中（賈茹等，2021）。

圖5 杉木樣品基本密度（A）和晚材率（B）頻率Fig.5 Frequency diagram of basic density（A）and percent of late wood（B）of Chinese fir samples

本研究構(gòu)建的杉木木樣近紅外光譜模型，預(yù)測(cè)值與實(shí)測(cè)值無顯著性差異，可用于木材中總酚含量的快速檢測(cè)和分析。對(duì)114個(gè)杉木木樣進(jìn)行總酚含量化學(xué)測(cè)定，總酚含量范圍為2.00～7.21 mg/g，標(biāo)準(zhǔn)差為1.33 mg/g，木材總酚化學(xué)測(cè)定方法與劉欣等（2009）的方法相同，試驗(yàn)結(jié)果驗(yàn)證了方法的可行性，也說明杉木木樣總酚含量數(shù)據(jù)可信度高，符合建模需求。木材總酚與基本密度呈顯著性相關(guān)，使篩選材質(zhì)優(yōu)良的杉木良種成為可能，杉木不同用途對(duì)總酚含量和基本密度的要求也不同，在生產(chǎn)中可根據(jù)需求選擇合適的木材加工利用。研究得出建模最佳光譜范圍為9403.9～7498.4 cm、6102.1～5446.4 cm及4605.5～4242.9 cm；最佳預(yù)處理方法為一階導(dǎo)數(shù)+SNV，與陳建紅等（2011）的方法一致，說明該方法的適用性高，可為其他樹種總酚含量檢測(cè)提供參考。

相關(guān)研究表明，釀酒葡萄總酚含量的近紅外光譜模型中，校正模型和預(yù)測(cè)模型相關(guān)系數(shù)分別是0.9017和0.9013，預(yù)測(cè)均方根誤差（RMSEP）是1.6868，預(yù)測(cè)偏差為2.3080，模型可用于葡萄酒實(shí)際生產(chǎn)的總酚檢測(cè)（羅一甲等，2021）；軟棗獼猴桃總酚的近紅外光譜模型，定標(biāo)集的交叉驗(yàn)證均方根誤差（RMSECV）為11.6734 mg/100 g，相關(guān)系數(shù)為0.8939；預(yù)測(cè)集預(yù)測(cè)均方根誤差（RMSEP）為16.7690 mg/100 g，相關(guān)系數(shù)為0.8627（付饒等，2013）。本研究中近紅外光譜模型具有一定的檢測(cè)效果，預(yù)測(cè)模型可用于日常檢測(cè)；但若要求檢測(cè)高精度的樣品，精確檢測(cè)還有所欠缺，還需要進(jìn)一步提高模型精度；采用PLS建立模型，校正集決定系數(shù)和校正均方根誤差（RMSEE）分別為0.8679和0.448，交叉驗(yàn)證集決定系數(shù)和交叉驗(yàn)證均方根誤差（RMSECV）分別為0.7549和0.586；預(yù)測(cè)均方根誤差（RMSEP）和相對(duì)標(biāo)準(zhǔn)偏差（RPD）分別為0.521和2.16，決定系數(shù)（）為0.8041，預(yù)測(cè)效果較好。實(shí)際生產(chǎn)中，需要進(jìn)一步擴(kuò)增模型參試樣本數(shù)和驗(yàn)證指標(biāo)，以確保模型的適用性和精確性。

紅外光譜檢測(cè)能降低預(yù)測(cè)分析成本。對(duì)杉木材總酚進(jìn)行預(yù)測(cè)，探索木材腐朽過程化學(xué)成分的變化，為進(jìn)一步預(yù)防杉木早期腐朽具有重要意義。另外，近紅外光譜技術(shù)在實(shí)際應(yīng)用中還存在模型預(yù)測(cè)精度、推廣型可行性等問題，下一步還需要對(duì)不同種質(zhì)杉木木材中總酚與木材品質(zhì)間的相關(guān)性進(jìn)行研究，以提高預(yù)測(cè)效率與準(zhǔn)確性。

4 結(jié)論

采用近紅外光譜技術(shù)檢測(cè)杉木總酚含量可行，能為木材化學(xué)成分快速測(cè)定提供一種有效、無損的方法。受擬合規(guī)則的影響，構(gòu)建的模雖然不能用于精確的定量測(cè)定，仍可應(yīng)用于日?？蒲泻蜕a(chǎn)的檢測(cè)中，在木材材質(zhì)預(yù)測(cè)及良種選育等方面具有廣闊的應(yīng)用前景。