Medición de la densidad básica de madera usando técnicas espectroscópicas

Abstract

El objetivo de esta investigación es la validación del uso de técnicas espectroscópicas para la medición de la densidad básica de la madera de Eucalyptus nitens a través de modelos de regresión multivariable PLS (Partial Least Squares). Las características de las muestras y métodos utilizados buscan emular las condiciones de terreno con el fin de sentar las bases para el futuro desarrollo de un instrumento portátil que permita medir las propiedades de la madera a partir del árbol en pie, lo que implicaría una gran reducción de costos para las empresas forestales ya que permitiría realizar las mediciones directamente en las plantaciones y de forma masiva, reemplazando el lento y costoso método tradicional de medición de la densidad básica en laboratorio. Se realizaron mediciones sobre muestras húmedas, extraídas de árboles de 8 años de edad aportadas por Forestal Mininco S.A, empresa con la cual se trabajó en conjunto desde el inicio de esta investigación.

A partir de cada muestra se obtuvieron dos tipos de espectros, Raman y NIR (Near Infra Red); para el primero se utilizó el espectrómetro BTR-111 MiniRam de B WTEK\2122 y para el segundo el espectrómetro USB2000 de Ocean Optics\2122. En la adquisición de los espectros se utilizaron sistemas ópticomecánicos construidos especialmente para cada caso. Sobre los espectros se aplicaron diversas técnicas de procesamiento de datos con el fin de mejorar los modelos de predicción de densidad básica obtenidos mediante el método de regresión multivariable PLS. El criterio de selección del mejor modelo de predicción de densidad básica se basó en altos índices de correlación en validación ( 2 v R ) y un mínimo RMSEP (Root Mean Square Error of Prediction). Los resultados obtenidos demuestran un gran potencial para el caso de la espectroscopía NIR con índices 2 v R de hasta 0,87 y RMSEP de 8,6 [Kg/m3]. Por otro lado, los resultados para la técnica Raman no fueron satisfactorios ya que la capacidad de predicción de los modelos resultó extremadamente baja.