Wood density is one of the most important physical properties of the wood, used in improvement programs for wood quality of major timber species. Traditional core sampling of standing trees has been widely used to assess wood density profiles at high spatial resolution by X-ray microdensitometry methods, but alternative methods to predict wood properties quality are also needed. Near-infrared (NIR) spectroscopy, a non-destructive technique, is being increasingly used for wood property assessment and has already been demonstrated to be able to predict wood density. However, the estimation of wood density profiles by NIR has not yet been extensively studied, and improved models using spectra information (NIR) and X-ray data need to be developed. To this end, partial least square regression (PLS-R) models for predicting wood density were developed at a 1.4 mm spatial resolution on Pinus pinaster wood cores, with an improved spatial synchronization along the tangential and radial directions of the strip, between X-ray data and NIR spectra. The validation of the best model showed a high coefficient of determination (0.95), low error (0.026) and no outlier. Compression wood samples were not detected as outliers and were correctly predicted by the model. However, pith spectra were detected as outliers and its predicted values were overestimated by 33% due to unusual spectra suggesting a diverse chemical composition. The results suggest that NIR-PLS models obtained can be used for screening maritime pine wood density profiles along the radii at 1.4 mm spatial resolution.

中文翻译：

---

改善 X 射线和近红外光谱信息之间的空间同步以预测木材密度分布

木材密度是木材最重要的物理特性之一，用于主要木材品种的木材质量改进计划。传统的立树核心取样已被广泛用于通过 X 射线显微密度测定法以高空间分辨率评估木材密度分布，但也需要替代方法来预测木材特性质量。近红外 (NIR) 光谱是一种无损技术，越来越多地用于木材特性评估，并且已经被证明能够预测木材密度。然而，通过 NIR 对木材密度分布的估计尚未得到广泛研究，需要开发使用光谱信息 (NIR) 和 X 射线数据的改进模型。为此，用于预测木材密度的偏最小二乘回归 (PLS-R) 模型以 1.4 毫米的空间分辨率在松树木芯上开发，在 X 射线数据和 NIR 之间沿条带的切向和径向方向具有改进的空间同步光谱。最佳模型的验证显示出高决定系数 (0.95)、低误差 (0.026) 和无异常值。压缩木材样品没有被检测为异常值，并且被模型正确预测。然而，木髓光谱被检测为异常值，并且由于异常光谱表明化学成分不同，其预测值被高估了 33%。结果表明，获得的 NIR-PLS 模型可用于沿半径以 1.4 毫米空间分辨率筛选海松木材密度剖面。Pinus pinaster 木芯的空间分辨率为 4 毫米，沿条带的切向和径向方向，在 X 射线数据和 NIR 光谱之间具有改进的空间同步。最佳模型的验证显示出高决定系数 (0.95)、低误差 (0.026) 和无异常值。压缩木材样品没有被检测为异常值，并且被模型正确预测。然而，髓核光谱被检测为异常值，并且由于异常光谱表明化学成分不同，其预测值被高估了 33%。结果表明，获得的 NIR-PLS 模型可用于沿半径以 1.4 毫米空间分辨率筛选海松木材密度剖面。Pinus pinaster 木芯的空间分辨率为 4 毫米，沿条带的切向和径向方向，在 X 射线数据和 NIR 光谱之间具有改进的空间同步。最佳模型的验证显示出高决定系数 (0.95)、低误差 (0.026) 和无异常值。压缩木材样品没有被检测为异常值，并且被模型正确预测。然而，木髓光谱被检测为异常值，并且由于异常光谱表明化学成分不同，其预测值被高估了 33%。结果表明，获得的 NIR-PLS 模型可用于沿半径以 1.4 毫米空间分辨率筛选海松木材密度剖面。X 射线数据和 NIR 光谱之间的关系。最佳模型的验证显示出高决定系数 (0.95)、低误差 (0.026) 和无异常值。压缩木材样品没有被检测为异常值，并且被模型正确预测。然而，木髓光谱被检测为异常值，并且由于异常光谱表明化学成分不同，其预测值被高估了 33%。结果表明，获得的 NIR-PLS 模型可用于沿半径以 1.4 毫米空间分辨率筛选海松木材密度剖面。X 射线数据和 NIR 光谱之间的关系。最佳模型的验证显示出高决定系数 (0.95)、低误差 (0.026) 和无异常值。压缩木材样品没有被检测为异常值，并且被模型正确预测。然而，木髓光谱被检测为异常值，并且由于异常光谱表明化学成分不同，其预测值被高估了 33%。结果表明，获得的 NIR-PLS 模型可用于沿半径以 1.4 毫米空间分辨率筛选海松木材密度剖面。髓谱被检测为异常值，由于异常谱表明化学成分不同，其预测值被高估了 33%。结果表明，获得的 NIR-PLS 模型可用于沿半径以 1.4 毫米空间分辨率筛选海松木材密度剖面。髓谱被检测为异常值，由于异常谱表明化学成分不同，其预测值被高估了 33%。结果表明，获得的 NIR-PLS 模型可用于沿半径以 1.4 毫米空间分辨率筛选海松木材密度剖面。