Using Ground Penetrating Radar (GPR) to Predict Log Moisture Content of Commercially Important Canadian Softwoods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The non-destructive testing of wood fibre properties is crucial for informing forest management decisions and achieving optimal resource utilization. Moisture content (MC) is an important indicator of wood freshness and may reveal the presence of wood degradation. However, efficient methods are still needed to better monitor this property along the forest–wood value chain. The objective of the study was to develop prediction models to evaluate log MC based on the propagation of ground penetrating radar (GPR) signals. A total of 165 trees representing four species (black spruce (Picea mariana (Mill.) B.S.P.), white spruce (Picea glauca (Moench) Voss), red spruce (Picea rubens Sarg.), and balsam fir (Abies balsamea (L.) Mill.)) were harvested in two regions of the province of Quebec. GPR signals were acquired in the green (fresh) state and at three subsequent drying stages. Partial least squares regression (PLSR) and locally weighted PLSR (LWPLSR) were employed to establish relationships between GPR signals (antenna frequency: 1.6 GHz) and log properties. The models were fitted on three calibration sets containing four drying stages and different species mixes. The LWPLSR models performed better than the PLSR models for predicting log MC, with a lower root mean square error (RMSEp range: 10.8%–20.2% vs. 13.0%–20.5%) and a higher R2p (0.63–0.87 vs. 0.62–0.82). Spruce-only models performed considerably better than fir-only models while multi-species models were in-between. Despite the complex anisotropy of wood and the physics of wave propagation, the GPR technology can be successfully used to estimate log moisture content, but the GPR-based MC models should be calibrated for each specific type of wood material.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle