《Microchemical Journal》：A non-destructive approach using spectral fingerprinting and chemometrics in the authentication and quality prediction of fallen tree wood
编辑推荐：
针对亚马逊雨林中天然倒木物种鉴定困难、质量评估滞后限制其可持续利用的问题，研究人员开展了主题为“利用FT-NIR光谱指纹图谱与化学计量学对倒木进行认证与质量预测”的研究。通过整合PCA、DD-SIMCA和PLSR等模型，实现了对10个物种高达99.1-100%的鉴定精度，并成功预测了木材的理化性质。该研究提出了一种快速、非破坏性工作流程，为大规模筛选和评估这一被忽视的森林资源提供了技术支持，对推进森林可持续管理具有重要意义。
亚马逊雨林是全球生物多样性的中心，其自然扰动（如风暴、风倒）会产生大量倒伏树木。这些倒木本可作为可持续价值链中未被充分开发的资源，但其高效利用面临着两大主要障碍：木材的准确鉴定及其内在质量的高效评估。传统的鉴定方法，如基于解剖学特征、化学方法（色谱法、标记物提取）或遗传学方法（DNA条形码），在木材表面降解、碳化或被真菌侵染时准确性下降，或存在成本高、需样本前处理、速度慢、有破坏性等问题，不适合在森林中进行大规模倒木快速筛查。因此，需要一种快速、非破坏性的现场检测技术。
近红外（NIR）光谱技术以其快速采集、样本制备需求最小化和仪器便携性脱颖而出，成为原位筛查木材材料的理想工具。本研究旨在探索一种基于傅里叶变换近红外（FT-NIR）光谱与化学计量学的非破坏性方法，以（i）使用数据驱动的软独立建模分类类比法（Data-Driven Soft Independent Modeling of Class Analogy, DD-SIMCA）在物种/属水平上对来自亚马逊中部的倒木进行身份认证，以及（ii）使用偏最小二乘回归（Partial Least Squares Regression, PLSR）预测木材的物理和化学参数。该研究首次将身份认证与质量预测整合到一个统一的工作流程中，为这种丰富但常被忽视的森林资源在可持续管理计划中的分配、再利用和价值评估提供了决策支持。
本研究采用了整合光谱采集、化学计量学建模和传统验证方法的综合性技术路线。研究人员首先在巴西亚马逊河上游索利蒙伊斯河地区的成熟旱地森林中，采集了10个最常见物种（每个物种3株个体）的天然倒木样本，并制备了总计120个分析样品。核心技术方法是利用配备漫反射附件的Antaris II Thermo Scientific FT-NIR光谱仪，在10000–4000 cm-1范围内采集木材样品径向面的近红外光谱。后续的化学计量学分析在MATLAB 2023b（用于探索性分析和DD-SIMCA分类）和TQ Analyst?（用于PLSR定量预测）两个软件环境中分步进行。研究所依赖的“金标准”参考数据则严格遵循ASTM、NBR、BS等国际标准，通过传统湿化学方法和物理力学测试（如索氏提取、Klason木质素测定、静态弯曲测试、弹量热法等）获得，为光谱模型的建立提供了坚实基准。
研究结果
3.1. 光谱信息的视觉检查
对十个物种的平均NIR吸收光谱进行分析，揭示了与木材化学组成（特别是木质素和半纤维素）差异相关的明显光谱模式变化。例如，Hymenolobium excelsum在5284–5426和7123–7359 cm-1等波段显示出更高的吸光度，这些波段与C=O和C-H振动相关。按植物科对光谱进行分组也显示了类似趋势，其中Lecythidaceae科在相关波段显示出最高吸光度强度，而Myristicaceae科则显示出最低值。这些差异为后续的化学计量学分类提供了基础。
3.2. 使用PCA进行探索性分析
对预处理（一阶导数+多元散射校正）后的光谱进行主成分分析（PCA）。前三个主成分（PCs）捕获了总方差的84.52%。得分图显示，无论是按物种还是按植物科分组，样本在多元空间中均呈现出清晰的分离趋势。载荷分析表明，分离主要归因于与木质素、半纤维素和酚类化合物中C=O和C-H振动相关的特定光谱区域（如4250–4412 cm-1, 5284–5364 cm-1, 7123–7397 cm-1）。这证实了NIR光谱能够捕捉到不同类群木材独特的化学特征。
3.3. 使用DD-SIMCA进行木材身份认证
采用DD-SIMCA这种一分类分类方法，为十个物种中的每一个分别建立了独立的身份认证模型。所有模型在标定阶段均表现出100%的灵敏度和准确度。在预测阶段，大多数模型保持了高性能，特异性（SPE）和灵敏度（SEN）分别在99.5-100%和75-100%之间，准确度（ACC）在96.4-100%之间。马修斯相关系数（MCC）值在69.3%到100%之间。尽管Tachigali paniculata和Sextonia rubra的模型出现了少数假阳性，而Brosimum rubescens等四个物种各有1个目标类样本被错误拒绝，但总体结果表明DD-SIMCA能够有效捕获每个物种独特的光谱指纹，实现高精度的身份认证。模型表现差异可能与样本间真实的光谱相似性或初始分类误差有关。
3.4. 使用PLS模型预测理化性质
基于NIR光谱建立了PLSR模型，用于预测木材的一系列化学和物理力学性质。所有模型都显示出强大的预测能力。化学性质如木质素、总多酚和乙醇-甲苯提取物的预测决定系数（R2p）在0.90-0.97之间，性能偏差比（RPD）值高于4。物理力学性质，如弹性模量（MOE）和断裂模量（MOR）的R2p分别为0.88和0.93，RPD值分别为4.09和5.82。虽然由于样本集中某些性质的自然变化范围相对较窄，模型的高R2值需谨慎解读，但所有模型的RPD值均大于3，表明它们适合用于筛选和定量估算。
结论与意义
本研究成功验证了将FT-NIR光谱与化学计量学（PCA、DD-SIMCA、PLSR）相结合，对亚马逊雨林天然倒木进行非破坏性身份认证和质量预测的可行性。该方法的核心优势在于其快速、无损、可现场部署的特点，能够克服传统方法在倒木鉴定中的应用瓶颈。
研究的核心结论在于构建了一个集成化的工作流程：首先通过PCA和DD-SIMCA模型，仅利用目标物种的光谱信息即可实现高精度（最高达100%）的物种身份认证，尤其适用于样本类别未知或众多的实际场景；随后，利用PLSR模型，基于同一光谱数据集，能够可靠地预测木材的关键化学（如木质素、提取物含量）和物理力学（如密度、MOE、MOR）性质，其预测精度（RPD > 3）足以满足资源筛查和初步分级的需求。
这项研究的意义重大且具有前瞻性。它首次将光谱身份认证与多属性质量预测整合到一个连贯的分析框架中，为管理和利用巨量的亚马逊倒木资源提供了革命性的技术工具。该工作流程能够支持实地的快速决策，例如确认木材物种以打击非法采伐，或根据预测的力学性能、热值等指标，将倒木分类导向最适合的终端用途（如高档木制品、结构材或生物质能源），从而最大化其经济价值和生态效益，促进森林资源的可持续管理。尽管研究者指出，由于倒木采样存在严重的物流限制，当前模型基于有限样本集且仅依赖内部验证，这些高性能指标应被视为探索性的概念验证，未来需要通过更大规模的独立数据集进行严格的外部验证才能全面实施，但本研究无疑为热带林业的精准管理和资源高效利用开辟了一条富有希望的新途径。
