1.一种用近红外光谱技术预测湿地松微纤丝角的方法，其特征在于，包括以下步骤：获取湿地松样品木芯；

基于所述湿地松样品木芯，获得原始近红外光谱数据和所述湿地松样品木芯的微纤丝角测定值，并将所述微纤丝角测定值和所述原始近红外光谱数据，划分为校正集和外部验证集，校正集样本的性质参数要均匀分布；

基于所述校正集，构建湿地松木材微纤丝角近红外预测模型；

将所述外部验证集近红外光谱数据代入所述湿地松木材微纤丝角近红外预测模型，获得预测值，通过对比外部验证集微纤丝角预测值和测定值之间的差异，完成对湿地松微纤丝角预测模型预测水平的评价；

构建所述湿地松木材微纤丝角近红外预测模型的方法：

将所 述 校正 集的 所 述原 始近 红 外光 谱数 据 导入 化 学计 量学 软 件PerkinElmerSpectrumQuant10中，采用二阶导数对所述原始近红外光谱数据进行数据处理；

基于偏最小二乘法与留一交互验证法相结合的方法，将所述校正集的所述微纤丝角测定值与所述近红外光谱数据相关联完成拟合，构建所述湿地松木材微纤丝角近红外预测模型；

所述湿地松木材微纤丝角近红外预测模型模型构建过程中，还需根据残差影响图和残差分布图剔除所述湿地松微纤丝角近红外预测模型中的异常样品，提高模型的预测精度；

将所述湿地松微纤丝角近红外预测模型构建过程中，以交互验证均方根误差最小为基准确定最佳主成分数；

2

基于微纤丝角预测值与常测值之间的最大误差，决定系数R ，预测均方根误差，以及比较预测均方根误差和校正均方根误差，判断模型的预测能力，实现未知样品的检测；

获得所述湿地松木芯样品的微纤丝角测定值的方法包括：由SilviScan木材测定系统对所述湿地松样品木芯进行测量，获得所述微纤丝角测定值；

获得所述原始近红外光谱数据的方法包括：

将所述湿地松样品木芯粉碎成木粉细末；

对所述木粉细末进行筛选，选取符合预设要求的40‑60目的所述木粉细末为待测样品；

利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描，获得所述原始近红外光谱数据；

利用所述傅里叶近红外光谱仪对所述待测样品进行光谱扫描时，需设定所述傅里叶近‑1红外光谱仪在15000‑4000cm 范围内扫描所述待测样品，分辨率为8，每个所述待测样品扫描5次，重复装样5次取平均值。

2.一种用近红外光谱技术预测湿地松微纤丝角的系统，其特征在于，包括湿地松样品木芯获取模块、数据获取与划分模块、模型构建模块和外部验证模块；

所述湿地松样品木芯获取模块，用于获取湿地松样品木芯；

所述数据获取与划分模块，用于基于所述湿地松样品木芯，获得原始近红外光谱数据和所述湿地松样品木芯的微纤丝角测定值，并将所述微纤丝角测定值和所述原始近红外光谱数据，划分为校正集和外部验证集，校正集样本的性质参数要均匀分布；

所述模型构建模块，用于基于所述校正集，构建湿地松木材微纤丝角近红外预测模型；

所述外部验证模块，用于将所述外部验证集近红外光谱数据代入所述湿地松木材微纤丝角近红外预测模型，获得预测值，通过对比外部验证集微纤丝角预测值和测定值之间的差异，完成对湿地松微纤丝角预测模型预测水平的评价；

构建所述湿地松木材微纤丝角近红外预测模型的方法：

将所 述 校正 集的 所 述原 始近 红 外光 谱数 据 导入 化 学计 量学 软 件PerkinElmerSpectrumQuant10中，采用二阶导数对所述原始近红外光谱数据进行数据处理；

基于偏最小二乘法与留一交互验证法相结合的方法，将所述校正集的所述微纤丝角测定值与所述近红外光谱数据相关联完成拟合，构建所述湿地松木材微纤丝角近红外预测模型；

所述湿地松木材微纤丝角近红外预测模型模型构建过程中，还需根据残差影响图和残差分布图剔除所述湿地松微纤丝角近红外预测模型中的异常样品，提高模型的预测精度；

将所述湿地松微纤丝角近红外预测模型构建过程中，以交互验证均方根误差最小为基准确定最佳主成分数；

2

基于微纤丝角预测值与常测值之间的最大误差，决定系数R ，预测均方根误差，以及比较预测均方根误差和校正均方根误差，判断模型的预测能力，实现未知样品的检测；

获得所述湿地松木芯样品的微纤丝角测定值的方法包括：由SilviScan木材测定系统对所述湿地松样品木芯进行测量，获得所述微纤丝角测定值；

获得所述原始近红外光谱数据的方法包括：

将所述湿地松样品木芯粉碎成木粉细末；

对所述木粉细末进行筛选，选取符合预设要求的40‑60目的所述木粉细末为待测样品；

利用傅里叶近红外光谱仪对所述待测样品进行光谱扫描，获得所述原始近红外光谱数据；

利用所述傅里叶近红外光谱仪对所述待测样品进行光谱扫描时，需设定所述傅里叶近‑1红外光谱仪在15000‑4000cm 范围内扫描所述待测样品，分辨率为8，每个所述待测样品扫描5次，重复装样5次取平均值。