소나무와 금강송의 수종식별을 위한 화학계량학적 접근 - 근적외선 분광법과 다변량분석을 이용한 수종 분류 - Chemometrics Approach For Species Identification of Pinus densiflora Sieb. et Zucc. and Pinus densiflora for. erecta Uyeki - Species Classification Using Near-Infrared Spectroscopy in combination with Multivariate Analysis -원문보기
소나무와 금강송의 수종 분류를 위해 근적외선(NIR) 분광법과 주성분분석(PCA) 및 부분최소자승법 판별분석(PLS-DA)을 결합하여 수종 분류 모델을 설계하였다. 측정된 모든 NIR 스펙트럼을 이용하여 PCA를 실시한 결과 소나무와 금강송의 수종 분류는 불가능하였다. 그러나 2차 미분된 스펙트럼을 이용하여 시험편의 단면과 심 변재 구분에 따른 수종 분류에서는 변재부에서 수종 분류가 가능하였으며, 특히 방사단면의 변재에서는 명확하게 수종이 분류되었다. 그리고 개발된 PLS-DA 예측 모델을 통해 명확한 수종 분류가 가능하였다. 2차 미분으로 전처리된 스펙트럼을 이용하였을 때 가장 좋은 분류 결과 얻을 수 있었다. 2차 미분 스펙트럼을 이용한 예측 모델은 100%의 분류 정확도를 나타내었으며, 예측 모델의 $R_p{^2}$ 값은 0.86, RMSEP는 0.38로 나타났다. 전처리하지 않은 스펙트럼과 2차 미분 스펙트럼을 이용한 예측 모델의 신뢰도는 유사하였다. 근적외선 분광법과 부분최소자승법 판별분석을 결합한 수종 분류 모델은 소나무와 금강송의 분류에 적합하였다.
소나무와 금강송의 수종 분류를 위해 근적외선(NIR) 분광법과 주성분분석(PCA) 및 부분최소자승법 판별분석(PLS-DA)을 결합하여 수종 분류 모델을 설계하였다. 측정된 모든 NIR 스펙트럼을 이용하여 PCA를 실시한 결과 소나무와 금강송의 수종 분류는 불가능하였다. 그러나 2차 미분된 스펙트럼을 이용하여 시험편의 단면과 심 변재 구분에 따른 수종 분류에서는 변재부에서 수종 분류가 가능하였으며, 특히 방사단면의 변재에서는 명확하게 수종이 분류되었다. 그리고 개발된 PLS-DA 예측 모델을 통해 명확한 수종 분류가 가능하였다. 2차 미분으로 전처리된 스펙트럼을 이용하였을 때 가장 좋은 분류 결과 얻을 수 있었다. 2차 미분 스펙트럼을 이용한 예측 모델은 100%의 분류 정확도를 나타내었으며, 예측 모델의 $R_p{^2}$ 값은 0.86, RMSEP는 0.38로 나타났다. 전처리하지 않은 스펙트럼과 2차 미분 스펙트럼을 이용한 예측 모델의 신뢰도는 유사하였다. 근적외선 분광법과 부분최소자승법 판별분석을 결합한 수종 분류 모델은 소나무와 금강송의 분류에 적합하였다.
A model was designed to identify wood species between Pinus densiflora for. erecta Uyeki and Pinus densiflora Sieb. et Zucc. using the near-infrared (NIR) spectroscopy in combination with principal component analysis (PCA) and partial least square discriminant analysis (PLS-DA). In the PCA using all...
A model was designed to identify wood species between Pinus densiflora for. erecta Uyeki and Pinus densiflora Sieb. et Zucc. using the near-infrared (NIR) spectroscopy in combination with principal component analysis (PCA) and partial least square discriminant analysis (PLS-DA). In the PCA using all of the spectra, Pinus densiflora for. erecta Uyeki and Pinus densiflora Sieb. et Zucc. could not be classified. In the PCA using the spectrum that has been measured in sapwood, however, Pinus densiflora for. erecta Uyeki and Pinus densiflora Sieb. et Zucc. could be identified. In particular, it was clearly classified by sapwood in radial section. And more, these two species could be perfectly identified using PLS-DA prediction model. The best performance in species identification was obtained when the second derivative spectra was used; the prediction accuracy was 100%. For prediction model, the $R_p{^2}$ value was 0.86 and the RMSEP was 0.38 in second derivative spectra. It was verified that the model designed by NIR spectroscopy with PLS-DA is suitable for species identification between Pinus densiflora for. erecta Uyeki and Pinus densiflora Sieb. et Zucc.
A model was designed to identify wood species between Pinus densiflora for. erecta Uyeki and Pinus densiflora Sieb. et Zucc. using the near-infrared (NIR) spectroscopy in combination with principal component analysis (PCA) and partial least square discriminant analysis (PLS-DA). In the PCA using all of the spectra, Pinus densiflora for. erecta Uyeki and Pinus densiflora Sieb. et Zucc. could not be classified. In the PCA using the spectrum that has been measured in sapwood, however, Pinus densiflora for. erecta Uyeki and Pinus densiflora Sieb. et Zucc. could be identified. In particular, it was clearly classified by sapwood in radial section. And more, these two species could be perfectly identified using PLS-DA prediction model. The best performance in species identification was obtained when the second derivative spectra was used; the prediction accuracy was 100%. For prediction model, the $R_p{^2}$ value was 0.86 and the RMSEP was 0.38 in second derivative spectra. It was verified that the model designed by NIR spectroscopy with PLS-DA is suitable for species identification between Pinus densiflora for. erecta Uyeki and Pinus densiflora Sieb. et Zucc.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 전통적인 수종 식별법인 현미경 관찰법의 한계점을 보완하고 수종 식별을 위한 화학계량학적 접근의 가능성을 확인하기 위해 근적외선(NIR) 분광법과 주성분분석(PCA, principal component analysis) 및 부분최소자승법 판별분석(PLS-DA, partial least square discriminant analysis)을 결합하여 유사수종인 소나무와 금강송의 수종 분류를 시도하였다. 그리고 소나무와 금강송의 수종 판별에 영향을 미치는 인자에 대해 고찰하였다.
본 연구에서는 전통적인 수종 식별법인 현미경 관찰법의 한계점을 보완하고 수종 식별을 위한 화학계량학적 접근의 가능성을 확인하기 위해 근적외선(NIR) 분광법과 주성분분석(PCA, principal component analysis) 및 부분최소자승법 판별분석(PLS-DA, partial least square discriminant analysis)을 결합하여 유사수종인 소나무와 금강송의 수종 분류를 시도하였다. 그리고 소나무와 금강송의 수종 판별에 영향을 미치는 인자에 대해 고찰하였다.
제안 방법
측정된 스펙트럼은 Savitzky-Golay 알고리즘(Savitzky and Golay, 1964)에 의해 2차 미분으로 전처리하였다. 2차 미분된 스펙트럼과 전처리를 하지 않은 스펙트럼을 이용하여 PCA와 PLS-DA를 실시하였으며, 스펙트럼 전처리에 따른 수종 분류 결과를 비교하였다.
적재값은 PCA를 통해 생성된 새로운 변수 PC에 대해서 기존의 변수(스펙트럼)가 얼마나 기여하는지를 나타낸다. 2차 미분으로 전처리된 횡단면-변재의 경우 PC1의 값에 따라 좌우로 각각 소나무와 금강송이 분류되었기 때문에 PC1의 적재값과 2차 미분 스펙트럼을 비교하였다. 그리고 가장 명확한 분류 결과를 나타낸 방사단면-변재의 경우 PC2의 값을 따라 위, 아래로 각각 수종이 분류되어 PC2의 적재값을 비교하였다.
각 시험편의 측정부위 (횡단면-변재, 횡단면-심재, 방사단면-변재, 방사단면 -심재)당 12회 측정하여 총 480개의 NIR 스펙트럼 데이터를 수집하였다. NIR 스펙트럼은 FT-NIR (PerkinElmer Spectrum 100N)을 이용하여 분해능 16cm-1로 각 측정점당 32회 반복 스캔하였다. 측정된 스펙트럼은 Savitzky-Golay 알고리즘(Savitzky and Golay, 1964)에 의해 2차 미분으로 전처리하였다.
6에 나타내었다. PLS-DA 모델에서 소나무와 금강송의 수종 분류를 위한 최적의 factor를 결정하기 위해 잔차 분산 (residual variance)을 검토하였다. 잔차 분산은 설명할 수 있는 분산(explained variance)과 대조되는 개념으로서 factor의 수가 증가할수록 설명할 수 있는 분산의 값은 증가하나 잔차 분산의 값은 감소한다.
PLS-DA 모델의 개발 과정은 먼저 소나무와 금강송의 NIR 스펙트럼을 각 수종별 그룹으로 분류하여 소나무 그룹의 스펙트럼에는 임의의 가상 변수값을 ‘-1’로 지정하고 금강송 그룹의 스펙트럼에는 가상 변수값 ‘1’을 종속변수로 지정하였다.
가장 뛰어난 수종 분류 결과를 나타낸 방사단면-변재에서 어떤 요인에 의해 수종이 분류되었는지를 확인하기 위해 PC의 적재(loading)값과 2차 미분 스펙트럼을 비교하였다(Fig. 5).
각 시험편의 심재와 변재, 횡단면과 방사단면의 NIR 스펙트럼을 측정하였다. 각 시험편의 측정부위 (횡단면-변재, 횡단면-심재, 방사단면-변재, 방사단면 -심재)당 12회 측정하여 총 480개의 NIR 스펙트럼 데이터를 수집하였다.
각수종별 NIR 스펙트럼 240개 중 160개의 스펙트럼을 ‘calibration set’으로 지정하였으며, 나머지 80개의 스펙트럼은 ‘prediction set’으로 지정하였다.
2차 미분으로 전처리된 횡단면-변재의 경우 PC1의 값에 따라 좌우로 각각 소나무와 금강송이 분류되었기 때문에 PC1의 적재값과 2차 미분 스펙트럼을 비교하였다. 그리고 가장 명확한 분류 결과를 나타낸 방사단면-변재의 경우 PC2의 값을 따라 위, 아래로 각각 수종이 분류되어 PC2의 적재값을 비교하였다.
소나무와 금강송의 수종 분류를 위해 NIR 스펙트럼과 PCA 및 PLS-DA를 이용하여 수종 분류 모델을 설계하였다. 측정된 모든 NIR 스펙트럼을 이용하여 PCA를 실시한 결과 소나무와 금강송의 수종 분류는 불가능하였다.
소나무와 금강송의 수종 분류를 위해 각 수종별모든 스펙트럼 데이터를 이용하여 PCA를 실시하였다(Fig. 3).
총 480개의 스펙트럼 중 160개의 prediction set을 PLS-DA 모델에 적용하여 소나무와 금강송의 판별을 실시하였다. 소나무와 금강송의 판별은 가상 변수값 1과 -1의 중간값 0을 기준으로 예측값이 0보다 작으면 소나무, 0보다 크면 금강송으로 분류하는 방법으로 실시되었다. PLS-DA 모델의 calibration 성능을 평가하기 위해 결정계수(Rc2, coefficient of determination for calibration)와 평균제곱근오차(RMSEC, root mean square error of calibration)를 이용하였다.
특히 2차 미분 스펙트럼을 이용했을 경우 100%의 정확도로 수종 분류가 가능 하였다. 이와 같이 소나무와 금강송의 수종 분류를 가능하게 한 영향 인자를 찾기 위해 2차 미분 스펙트럼을 이용한 분류 모델의 factor 7에 대한 회귀계수와 2차 미분 NIR 스펙트럼을 비교하였다. 회귀계수는 PLS-DA 모델에서 예측 변수에 주어지는 비중 치를 의미한다.
잔차 분산은 설명할 수 있는 분산(explained variance)과 대조되는 개념으로서 factor의 수가 증가할수록 설명할 수 있는 분산의 값은 증가하나 잔차 분산의 값은 감소한다. 전처리하지 않은 스펙트럼과 2차 미분된 스펙트럼 각각의 calibration set에서 잔차 분산 값의 감소폭이 크게 줄어드는 지점, 즉 잔차 분산의 감소가 안정화되는 요인(factor component)의 수를 최적의 factor로 선정하였다. Factor의 수가 높아질수록 수종 분류 모델의 신뢰도를 나타내는 R2 값은 높아지고 RMSE 값은 낮아지지만, factor가 지나치게 높을 경우 예측 모델이 불필요한 정보까지 학습하게 되어 과적합 (overfitting)을 초래할 수 있다.
즉 calibration set과 prediction set의 분류는 2 : 1 비율로 무작위(random) 분류되었다. 총 480개의 스펙트럼 중 160개의 prediction set을 PLS-DA 모델에 적용하여 소나무와 금강송의 판별을 실시하였다. 소나무와 금강송의 판별은 가상 변수값 1과 -1의 중간값 0을 기준으로 예측값이 0보다 작으면 소나무, 0보다 크면 금강송으로 분류하는 방법으로 실시되었다.
대상 데이터
NIR 분광법과 다변량분석을 이용한 수종 분류에 관한 연구를 위하여 소나무(Pinus densiflora Sieb. et Zucc.)와 금강송(Pinus densiflora for. erecta Uyeki)의 목편이 이용되었다. 두 수종 모두 경상북도 울진군에서 채취되었다.
각 시험편의 심재와 변재, 횡단면과 방사단면의 NIR 스펙트럼을 측정하였다. 각 시험편의 측정부위 (횡단면-변재, 횡단면-심재, 방사단면-변재, 방사단면 -심재)당 12회 측정하여 총 480개의 NIR 스펙트럼 데이터를 수집하였다. NIR 스펙트럼은 FT-NIR (PerkinElmer Spectrum 100N)을 이용하여 분해능 16cm-1로 각 측정점당 32회 반복 스캔하였다.
두 수종 모두 경상북도 울진군에서 채취되었다. 금강송은 울진군 소광리에서 채취되었으며, 소나무는 울진 남부지역에 위치한 영덕군과의 경계지역에서 채취되었다. 수종당 각 5개 시험편이 사용되었으며, 모든 시험편은 각기 다른 개체에서 채취되었다.
erecta Uyeki)의 목편이 이용되었다. 두 수종 모두 경상북도 울진군에서 채취되었다. 금강송은 울진군 소광리에서 채취되었으며, 소나무는 울진 남부지역에 위치한 영덕군과의 경계지역에서 채취되었다.
금강송은 울진군 소광리에서 채취되었으며, 소나무는 울진 남부지역에 위치한 영덕군과의 경계지역에서 채취되었다. 수종당 각 5개 시험편이 사용되었으며, 모든 시험편은 각기 다른 개체에서 채취되었다.
데이터처리
소나무와 금강송의 판별은 가상 변수값 1과 -1의 중간값 0을 기준으로 예측값이 0보다 작으면 소나무, 0보다 크면 금강송으로 분류하는 방법으로 실시되었다. PLS-DA 모델의 calibration 성능을 평가하기 위해 결정계수(Rc2, coefficient of determination for calibration)와 평균제곱근오차(RMSEC, root mean square error of calibration)를 이용하였다. 그리고 개발된 모델은 prediction의 결정계수(Rp2)와 평균제곱근오차 (RMSEP)를 이용하여 평가하였다.
PLS-DA 모델의 calibration 성능을 평가하기 위해 결정계수(Rc2, coefficient of determination for calibration)와 평균제곱근오차(RMSEC, root mean square error of calibration)를 이용하였다. 그리고 개발된 모델은 prediction의 결정계수(Rp2)와 평균제곱근오차 (RMSEP)를 이용하여 평가하였다. 예측 정확도는 prediction set의 총 샘플 개수에서 올바르게 수종 판별된 샘플 수의 비율로 나타내었다.
이론/모형
PCA와 PLS-DA는 소프트웨어 Unscrambler v.9.8(CAMO Software, Inc., Woodbridge, NJ)을 이용하여 NIPALS (nonlinear iterative partial least square) 알고리즘을 기반으로 수행되었으며, NIR 스펙트럼의 파장영역 8,000 - 4,000 cm-1 범위에서 실시되었다.
NIR 스펙트럼은 FT-NIR (PerkinElmer Spectrum 100N)을 이용하여 분해능 16cm-1로 각 측정점당 32회 반복 스캔하였다. 측정된 스펙트럼은 Savitzky-Golay 알고리즘(Savitzky and Golay, 1964)에 의해 2차 미분으로 전처리하였다. 2차 미분된 스펙트럼과 전처리를 하지 않은 스펙트럼을 이용하여 PCA와 PLS-DA를 실시하였으며, 스펙트럼 전처리에 따른 수종 분류 결과를 비교하였다.
성능/효과
6 (a)의 전처리하지 않은 스펙트럼의 히스토그램에서는 금강송의 일부가 소나무의 영역에 분포하는 것을 확인할 수 있으며, Fig. 6 (b)의 2차 미분 스펙트럼의 히스토그램에서는 분류값(class value) 0을 기준으로 음의 값 영역에는 소나무, 그리고 양의 값 영역에는 금강송이 위치하여 모든 샘플이 정확히 분류된다는 것을 확인할 수 있었다.
그리고 개발된 PLS-DA 예측 모델을 이용하여 소나무와 금강송의 명확한 수종 분류가 가능하였으며, 2차 미분을 통한 스펙트럼의 전처리는 수종 판별 정확도를 향상시켰다. 2차 미분 스펙트럼을 이용한 예측 모델은 100%의 분류 정확도를 나타내었으며, 예측 모델의 Rp2 값은 0.86, RMSEP는 0.38로 나타났다. 전처리하지 않은 스펙트럼과 2차 미분 스펙트럼을 이용한 예측 모델의 신뢰도는 유사하였다.
38로 나타났다. Prediction 모델에서는 2차 미분으로 전처리된 스펙트럼을 이용한 모델이 전처리하지 않은 스펙트럼을 이용한 모델보다 신뢰도가 다소 높게 나타났다.
그러나 2차 미분된 스펙트럼을 이용하여 시험편의 단면과 심⋅변재 구분에 따른 수종 분류에서는 변재부에서 수종 분류가 가능하였으며, 특히 방사단면의 변재에서는 명확하게 수종이 분류되었다. 그리고 개발된 PLS-DA 예측 모델을 이용하여 소나무와 금강송의 명확한 수종 분류가 가능하였으며, 2차 미분을 통한 스펙트럼의 전처리는 수종 판별 정확도를 향상시켰다. 2차 미분 스펙트럼을 이용한 예측 모델은 100%의 분류 정확도를 나타내었으며, 예측 모델의 Rp2 값은 0.
이상의 결과를 통해 수종 분류를 위한 PLS-DA 모델의 개발에 있어 2차 미분을 통한 스펙트럼의 전처리는 분류 정확도를 향상시킨다는 것을 확인할 수 있었다. 그리고 본 연구에서 개발된 PLS-DA 수종 분류 모델을 통해 소나무와 금강송을 정확히 판별할 수 있었다.
그리고 전처리하지 않은 스펙트럼과 2차 미분 스펙트럼 모두에서 횡단면의 스코어 플롯이 방사단면 보다 높은 분산을 나타내었다. 이처럼 시험편의 측정 단면에 따라 구분이 되는 것은 목재의 횡단면과 방사단면의 구조적인 차이에 기인한다고 판단된다.
2 (peak 11)의 2차 미분 스펙트럼에서 볼 수 있듯이, 4,280 cm -1 영역에서는 심재의 경우 소나무와 금강송의 차이가 없었으나 변재에서는 소나무의 피크가 금강송보다 강하게 나타났다. 따라서 소나무와 금강송의 변재부에 존재하는 셀룰로오스 반결정 또는 결정영역이 두 수종을 분류하는데 어느 정도 영향을 미친다는 것을 확인할 수 있었다. 이 영역을 제외한 다른 주요 성분들의 스펙트럼 영역에서는 뚜렷한 적재값을 나타내지 않았으며, NIR 스펙트럼의 차이도 없었다.
전처리하지 않은 스펙트럼과 2차 미분 스펙트럼을 이용한 예측 모델의 신뢰도는 유사하였다. 본 연구에서 제안된 PLS-DA 모델은 소나무와 금강송등 유사수종의 분류에 적합하였다. 그러나 수종 분류에 영향을 미치는 주요 성분들에 대한 추가적인 연구가 필요하다.
근본적으로 소나무와 금강송의 주요 성분들은 동일하기 때문에 셀룰로오스, 헤미셀룰로오스, 리그닌과 같은 주요 성분들에 의한 수종 분류는 곤란하며, 그 결과 PLS-DA 모델에서도 주요 성분들의 회귀계수는 낮은 값을 나타내었다고 판단된다. 수분을 나타내는 5,220 cm -1 밴드의 회귀계수가 높지 않은 것으로 보아 소나무와 금강송의 분류에 있어 함수율은 큰 영향을 미치지 않는 것으로 판단된다. 수종 분류에 있어 함수율 차이가 미치는 영향이 크지 않다는 것은 Tsuchikawa et al.
그리고 개발된 모델은 prediction의 결정계수(Rp2)와 평균제곱근오차 (RMSEP)를 이용하여 평가하였다. 예측 정확도는 prediction set의 총 샘플 개수에서 올바르게 수종 판별된 샘플 수의 비율로 나타내었다.
NIR 분광법은 시료에 조사된 근적외선의 반사를 통해 시료의 화학적 정보를 나타내게 되는데, 횡단면의 경우 조사된 근적외선이 세포내강 깊숙이 침투된 후 반사되어 방사단면과는 다소 상이한 스펙트럼 특성을 나타낸 것으로 추정된다. 이러한 횡단면의 구조적 특성상 스펙트럼의 재현성은 낮아질 것이며, 그 결과횡단면의 스코어 플롯이 방사단면보다 높은 분산을 나타내는 것이라 판단된다.
이상의 결과로부터 PLS-DA 모델을 이용하여 소나무와 금강송을 구분할 수 있다는 것을 확인하였다. 그러나 본 연구에 사용된 소나무와 금강송의 샘플은 벌채된지 오래되지 않은 시험편이기 때문에 문화재에 사용된 부재와 같이 노화된 목재의 수종 분류에 그대로 적용하기에는 무리가 있다.
이상의 결과를 통해 수종 분류를 위한 PLS-DA 모델의 개발에 있어 2차 미분을 통한 스펙트럼의 전처리는 분류 정확도를 향상시킨다는 것을 확인할 수 있었다. 그리고 본 연구에서 개발된 PLS-DA 수종 분류 모델을 통해 소나무와 금강송을 정확히 판별할 수 있었다.
소나무와 금강송의 수종 분류를 위해 NIR 스펙트럼과 PCA 및 PLS-DA를 이용하여 수종 분류 모델을 설계하였다. 측정된 모든 NIR 스펙트럼을 이용하여 PCA를 실시한 결과 소나무와 금강송의 수종 분류는 불가능하였다. 그러나 2차 미분된 스펙트럼을 이용하여 시험편의 단면과 심⋅변재 구분에 따른 수종 분류에서는 변재부에서 수종 분류가 가능하였으며, 특히 방사단면의 변재에서는 명확하게 수종이 분류되었다.
후속연구
이상의 결과로부터 PLS-DA 모델을 이용하여 소나무와 금강송을 구분할 수 있다는 것을 확인하였다. 그러나 본 연구에 사용된 소나무와 금강송의 샘플은 벌채된지 오래되지 않은 시험편이기 때문에 문화재에 사용된 부재와 같이 노화된 목재의 수종 분류에 그대로 적용하기에는 무리가 있다. 따라서 추후 연구 에서는 고목재(archeological wood)의 수종 분류 및 최적의 측정 조건 결정에 관한 연구 수행이 진행되어야 할 것이다.
본 연구에서 제안된 PLS-DA 모델은 소나무와 금강송등 유사수종의 분류에 적합하였다. 그러나 수종 분류에 영향을 미치는 주요 성분들에 대한 추가적인 연구가 필요하다.
따라서 추후 연구 에서는 고목재(archeological wood)의 수종 분류 및 최적의 측정 조건 결정에 관한 연구 수행이 진행되어야 할 것이다. 그리고 소나무와 금강송의 분류에 큰 영향을 미치는 4,500 - 4,100 cm -1 영역에 대한 추가적인 연구가 필요하다.
그러나 본 연구에 사용된 소나무와 금강송의 샘플은 벌채된지 오래되지 않은 시험편이기 때문에 문화재에 사용된 부재와 같이 노화된 목재의 수종 분류에 그대로 적용하기에는 무리가 있다. 따라서 추후 연구 에서는 고목재(archeological wood)의 수종 분류 및 최적의 측정 조건 결정에 관한 연구 수행이 진행되어야 할 것이다. 그리고 소나무와 금강송의 분류에 큰 영향을 미치는 4,500 - 4,100 cm -1 영역에 대한 추가적인 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
목재를 연구하는데 있어 수종을 식별하는 것이 중요한 이유는 무엇인가?
목재를 연구하는데 있어 수종 식별은 가장 기초적이면서도 중요한 분야이다. 목재는 수종에 따라 조직 구조가 서로 다르며, 조직구조가 다르면 그 목재의 성질 또한 달라지기 때문에 목재산업 전반에 걸쳐 중요한 역할을 한다. 뿐만 아니라 수종 식별은 목재 문화재 연구분야에서도 기여하는 바가 매우 크다.
현미경 관찰에 의한 수종 식별의 한계점은 무엇인가?
가장 일반적인 수종 식별법은 목재 샘플의 절편을 채취하여 해부학적 특징을 현미경으로 관찰하는 현미경 관찰법에 의해 수행된다. 현미경 관찰에 의한 수종 식별은 가장 정확한 방법임에도 불구하고 해부학적 특성이 동일한 유사 수종의 식별은 곤란하다는 한계가 있다. 식별이 곤란한 수종의 일반적인 예로 국내산 소나무와 금강송을 들 수 있다.
일반적인 수종 식별법은 무엇인가?
뿐만 아니라 수종 식별은 목재 문화재 연구분야에서도 기여하는 바가 매우 크다. 가장 일반적인 수종 식별법은 목재 샘플의 절편을 채취하여 해부학적 특징을 현미경으로 관찰하는 현미경 관찰법에 의해 수행된다. 현미경 관찰에 의한 수종 식별은 가장 정확한 방법임에도 불구하고 해부학적 특성이 동일한 유사 수종의 식별은 곤란하다는 한계가 있다.
참고문헌 (21)
Antti, H., Sjostrom, M., Wallbacks, L. 1996. Multivariate calibration models using NIR spectroscopy on pulp and paper industrial applications. Journal of Chemometrics 10: 591-603.
Chang, Y.S., Yang, S.Y., Chung, H., Kang, K.Y., Choi, J.W., Choi, I.G., Yeo, H. 2015. Development of moisture content prediction model for Larix kaempferi sawdust using near infrared spectroscopy. Journal of the Korean Wood Science and Technology 43(3): 304-310.
Eom, C.D., Han, Y.J., Chang, Y.S., Park, J.H., Choi, J.W., Choi, I.G., Yeo, H. 2010. Evaluation of surface moisture content of Liriodendron tulipifera wood in the hygroscopic range using NIR spectroscopy. Journal of the Korean Wood Science and Technology 38(6): 526-531.
Horikawa, Y., Mizuno-Tazuru, S., Sugiyama, J. 2015. Near-infrared spectroscopy as a potential method for identification of anatomically similar Japanese diploxylons. Journal of Wood Science, Published online.
Lee, S., Lohumi, S., Cho, B.K., Kim, M.S., Lee, S.H. 2014. Development of nondestructive detection method for adulterated powder products using Raman spectroscopy and partial least squares regression. Journal of Korean Society for Nondestructive Testing 34(4): 283-289.
Osborne, B.G., Fearn, T., Hindle, P.H. 1993. (Eds.). Practical NIR spectroscopy with applications in food and beverage analysis. Longman Scientific and Tech. Harlow.
Pastore, T.C.M., Braga, J.W.B., Coradin, V.T.R., Magalhaes, W.L.E., Okino, E.Y.A., Camargos, J.A.A, de Muniz, G.I.B., Bressan, O.A., Davrieux, F. 2011. Near infrared spectroscopy (NIRS) as a potential tool for monitoring trade of similar woods: discrimination of true mahogany, cedar, andiroba, and curupixa. Holzforschung 65: 73-80.
Schimleck, L.R., Michell, A.J., Vinden, P. 1996. Eucalypt wood classification by NIR spectroscopy and principal components analysis. Appita Journal 49: 319-324.
Schwanninger, M., Rodrigues, J.C., Fackler, K. 2011. A review of band assignments in near infrared spectra of wood and wood components. Journal of Near Infrared Spectroscopy 19: 287-308.
Tsuchikawa, S., Inoue, K., Noma, J., Hayashi, K. 2003a. Application of near infrared spectroscopy to wood discrimination. Journal of Wood Science 49: 29-35.
Tsuchikawa, S. Siesler, H.W. 2003b. Near-Infrared spectroscopic monitoring of the diffusion process of deuterium-labeled molecules in wood. Part I: Softwood. Applied Spectroscopy 57(6): 187-198.
Tsuchikawa, S., Yonenobu, H., Siesler, H.W. 2005. Near-infrared spectroscopic observation of the ageing process in archaeological wood using a deuterium exchange method. Analyst 130: 379-384.
Watanabe, K., Abe, H., Kataoka, Y., Nodhito, S. 2011. Species separation of aging and degraded solid wood using near infrared spectroscopy. Japanese Journal of Historical Botany 19: 117-124.
Wold, S., Esbensen, K., Geladi P. 1987. Principal component analysis. Chemometrics and Intelligent Laboratory Systems 2: 37-52.
Yang, B.H. 2006. Understanding multivariate data analysis. CommunicationBooks, Seoul, Korea.
Yang, S.Y., Han, Y., Park, J.H., Chung, H., Eom, C.D., Yeo, H. 2015. Moisture content prediction model development for major domestic wood species using near infrared spectroscopy. Journal of the Korean Wood Science and Technology 43(3): 311-319.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.