Determination of Optical Parameters and Moisture Content of Wood with Visible–Near Infrared Spectroscopy
Notice bibliographique
Résumé
We used the Kubelka-Munk theory equations for calculating the absorption coefficient (K λ ), the scattering coefficient ( S λ ), the transport absorption (σ λa ), the reduced scattering coefficient [σ λs (1 – g)] and the penetration depth (δ λ ) from visible-near infrared reflectance spectra acquired over thin samples of quaking aspen and black spruce conditioned at three different moisture levels. The computed absorption and scattering coefficients varied from 0.1 mm −1 to 4.0 mm −1 and from 5.5 mm −1 to 10.0 mm −1 , respectively. The absorption coefficients varied according to the absorption band, but the scattering coefficients decreased slowly towards high wavelengths. The sample moisture content was then estimated using the partial least squares (PLS) regression method from the K λ and/or S λ spectra, and the resulting PLS models were compared to those obtained with raw and transformed [multiplicative scatter corrected (MSC), first and second derivative] absorption spectra. The best PLS models for black spruce, quaking aspen and both species were obtained when only the 800–1800 nm range was used with the raw or MSC spectra. They led to a root mean square error of cross validation ( RMSECV) of 1.40%, 1.09% and 1.23%, respectively, and to a coefficient of determination ( R 2 CV ) higher than 0.94. We also found that the K λ spectra between 800 nm and 1800 nm can provide PLS models having an acceptable accuracy for moisture content estimation ( R 2 CV = 0.83 and RMSECV = 2.32%), regardless of the species.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».