实时直接分析质谱结合机器学习的栎属木材树种识别方法研究OA

高效提取木材特征信息从而建立科学准确的木材树种识别方法,对推动生物多样性保护、林木资源可持续利用等具有重要现实意义。然而现有遗传学、计算机视觉等方法仍难以满足快速精准应用场景下的树种鉴定需求。以构造特征高度相似的3种栎属木材为研究对象:美国白栎(Quercus alba)、蒙古栎(Q.mongolica)和夏栎(Q.robur),对其开展树种识别方法研究。采用实时直接分析-飞行时间质谱技术(Direct Analysis in Real Time-Time-of-Flight Mass Spectrometry,DART-TOF-MS)获取木材化学指纹图谱,通过构建逻辑回归、多层感知机、随机森林和K-近邻算法等4种机器学习方法分析木材质谱数据,评估不同机器学习方法在树种识别中的可行性,同时比较质谱数据预处理参数对识别模型性能的影响。研究结果表明:逻辑回归算法具有最高的树种识别准确率(达89.5%),性能优于其他3种模型;不同机器学习方法在处理复杂质谱特征时表现出较明显差异,合理的分箱参数设置对模型性能具有关键影响,在相对峰强度阈值为3%、分箱容差为20 mmu时模型整体表现最优;3种栎属木材在木质素单体及其衍生物组成上具有高度相似性,但在黄酮类化合物、木质素二聚体及鞣花酸的空间分布方面存在差异。DART-MS结合机器学习方法对3种栎属木材呈现出较强的识别能力,可为木材树种的精准识别提供科学依据和技术路径。