Identificación de patrones de reflectancia espectral y colorimétricos en madera seca de Peltogyne purpurea Pittier
Contenido principal del artículo
Resumen
Se determinaron lo patrones hiperespectrales y colorimétricos a partir de aspectos anatómicos y físicos para la caracterización de la madera seca de Peltogyne purpurea Pittier, procedente de árboles de bosque natural. Se tomó una muestra de 24 discos de madera de P. purpurea y se caracterizaron anatómicamente (densidad y diámetro de vasos, porcentaje de vasos solitarios), densidad madera, color (CIELab) y reflectancia hiperespectral en el rango de 310 a 1 100 nm en la madera seca, tanto en la sección de la albura como del duramen. Se encontraron diferencias significativas a nivel anatómico entre albura y duramen; encontrando una presencia mayor de vasos solitarios en albura (34,28 %) pero con una densidad de vasos de 27,07 poros mm-2 y diámetro de 148,53 ìm. En el análisis de la colorimetría, la luminosidad y b* (amarillamiento) fue mayor en albura, pero con valores significativamente menores en a* (enrojecido), generando con ello que la diferencia del color sea total (superior a 14,55). En cuanto la reflectancia se encontraron tres puntos de diferenciación significativa entre ambas secciones, que fueron a los 460, 580 y 1 020 nm; al correlacionar estos tres segmentos no se encontró correlación alguna con los aspectos anatómicos, pero sí con la densidad de la madera (superiores a 0,69), a nivel de color no se encontraron relaciones con el parámetro de color L* (luminosidad), mientras que a* solo mostró correlaciones inversas a los 580 nm y lineales con b* a 580 nm. En este estudio no se encontraron relaciones colorimétricas con aspectos anatómicos.
Descargas
Detalles del artículo
Citas
AFFONSO, C., ROSSI, A.L.D., VIEIRA, F.H.A. y DE CARVALHO, A.C.P. de L.F., (2017). Deep learning for biological image classification. Expert Systems with Applications [en línea], vol. 85, pp. 114-122. [Consulta: 13 mayo 2020]. ISSN 0957-4174. DOI 10.1016/j.eswa.2017.05.039. Disponible en: http://www.sciencedirect.com/science/article/pii/S0957417417303627.
BAIANO, A., (2017). Applications of hyperspectral imaging for quality assessment of liquid based and semi-liquid food products: A review. Journal of Food Engineering [en línea], vol. 214, pp. 10-15. [Consulta: 13 mayo 2020]. ISSN 0260-8774. DOI 10.1016/j.jfoodeng.2017.06.012. Disponible en: http://www.sciencedirect.com/science/article/pii/S0260877417302546.
BONIFAZI, G., CALIENNO, L., CAPOBIANCO, G., LO MONACO, A., PELOSI, C., PICCHIO, R. y SERRANTI, S., (2015). Modeling color and chemical changes on normal and red heart beech wood by reflectance spectrophotometry, Fourier Transform Infrared spectroscopy and hyperspectral imaging. Polymer Degradation and Stability [en línea], vol. 113, pp. 10-21. [Consulta: 13 mayo 2020]. ISSN 0141-3910. DOI 10.1016/j.polymdegradstab.2015.01.001. Disponible en: http://www.sciencedirect.com/science/article/pii/S0141391015000129.
CAO, X., GE, Y., LI, R., ZHAO, J. y JIAO, L., (2019). Hyperspectral imagery classification with deep metric learning. Neurocomputing [en línea], vol. 356, pp. 217-227. [Consulta: 13 mayo 2020]. ISSN 0925-2312. DOI 10.1016/j.neucom.2019.05.019. Disponible en: http://www.sciencedirect.com/science/article/pii/S0925231219306800.
CAREVIÆ, I., SERDAR, M., ŠTIRMER, N. y UKRAINCZYK, N., (2019). Preliminary screening of wood biomass ashes for partial resources replacements in cementitious materials. Journal of Cleaner Production [en línea], vol. 229, pp. 1045-1064. [Consulta: 13 mayo 2020]. ISSN 0959-6526. DOI 10.1016/j.jclepro.2019.04.321. Disponible en: http://www.sciencedirect.com/science/article/pii/S0959652619314180.
CESPRINI, E., RESENTE, G., CAUSIN, V., URSO, T., CAVALLI, R. y ZANETTI, M., (2020). Energy recovery of glued wood waste A review. Fuel [en línea], vol. 262, pp. 116520. [Consulta: 13 mayo 2020]. ISSN 0016-2361. DOI 10.1016/j.fuel.2019.116520. Disponible en: http://www.sciencedirect.com/science/article/pii/S0016236119318745.
CHI, G., MA, J., SHI, Y. y CHEN, X., (2016). Hyperspectral remote sensing of cyanobacterial pigments as indicators of the iron nutritional status of cyanobacteria-dominant algal blooms in eutrophic lakes. Ecological Indicators [en línea], vol. 71, pp. 609-617. [Consulta: 13 mayo 2020]. ISSN 1470-160X. DOI 10.1016/j.ecolind.2016.06.014. Disponible en: http://www.sciencedirect.com/science/article/pii/S1470160X16303144.
COLARES, C.J.G., PASTORE, T.C.M., CORADIN, V.T.R., MARQUES, L.F., MOREIRA, A.C.O., ALEXANDRINO, G.L., POPPI, R.J. y BRAGA, J.W.B., (2016). Near infrared hyperspectral imaging and MCR-ALS applied for mapping chemical composition of the wood specie Swietenia Macrophylla King (Mahogany) at microscopic level. Microchemical Journal [en línea], vol. 124, pp. 356-363. [Consulta: 13 mayo 2020]. ISSN 0026-265X. DOI 10.1016/j.microc.2015.09.022. Disponible en: http://www.sciencedirect.com/science/article/pii/S0026265X15002234.
DE SOUSA FERNANDES, D.D., DE ALMEIDA, V.E., FONTES, M.M., DE ARAÚJO, M.C.U., VÉRAS, G. y DINIZ, P.H.G.D., (2019). Simultaneous identification of the wood types in aged cachaças and their adulterations with wood extracts using digital images and SPA-LDA. Food Chemistry [en línea], vol. 273, pp. 77-84. [Consulta: 13 mayo 2020]. ISSN 0308-8146. DOI 10.1016/j.foodchem.2018.02.035. Disponible en: http://www.sciencedirect.com/science/article/pii/S0308814618302620.
FENG, Y., JIANLONG, L., XIAOYU, G., YURONG, Q., XIAOLING, W. y QI, Y., (2010). Assessing nutritional status of Festuca arundinacea by monitoring photosynthetic pigments from hyperspectral data. Computers and Electronics in Agriculture [en línea], vol. 70, no. 1, pp. 52-59. [Consulta: 13 mayo 2020]. ISSN 0168-1699. DOI 10.1016/j.compag.2009.08.010. Disponible en: https://europepmc.org/article/agr/ind44306392.
HALL, E.M., BRADY, S.P., MATTHEUS, N.M., EARLEY, R.L., DIAMOND, M. y CRESPI, E.J., (2017). Physiological consequences of exposure to salinized roadside ponds on wood frog larvae and adults. Biological Conservation [en línea], vol. 209, pp. 98-106. [Consulta: 13 mayo 2020]. ISSN 0006-3207. DOI 10.1016/j.biocon.2017.02.013. Disponible en: http://www.sciencedirect.com/science/article/pii/S0006320716304517.
HERRERO-LANGREO, A., SCANNELL, A.G.M. y GOWEN, A., (2020). Chapter 3.5 - Hyperspectral imaging for food-related microbiology applications. En: J.M. AMIGO (ed.), Data Handling in Science and Technology [en línea]. S.l.: Elsevier, Hyperspectral Imaging, pp. 493-522. [Consulta: 13 mayo 2020]. Disponible en: http://www.sciencedirect.com/science/article/pii/B9780444639776000201.
HOLM, S., THEES, O., LEMM, R., OLSCHEWSKI, R. y HILTY, L.M., (2018). An agent-based model of wood markets: Scenario analysis. Forest Policy and Economics [en línea], vol. 95, pp. 26-36. [Consulta: 13 mayo 2020]. ISSN 1389-9341. DOI 10.1016/j.forpol.2018.07.005. Disponible en: http://www.sciencedirect.com/science/article/pii/S138993411830234X.
KIAT, P.E., MALEK, M.A. y SHAMSUDDIN, S.M., (2020). Net carbon stocks change in biomass from wood removal of tropical forests in Sarawak, Malaysia. Journal of King Saud University - Science [en línea], vol. 32, no. 1, pp. 1096-1099. [Consulta: 13 mayo 2020]. ISSN 1018-3647. DOI 10.1016/j.jksus.2019.09.012. Disponible en: http://www.sciencedirect.com/science/article/pii/S1018364719317835.
KNAUF, M., (2016). The wood market balance as a tool for calculating wood use's climate change mitigation effect An example for Germany. Forest Policy and Economics [en línea], vol. 66, pp. 18-21. [Consulta: 13 mayo 2020]. ISSN 1389-9341. DOI 10.1016/j.forpol.2016.02.004. Disponible en: http://www.sciencedirect.com/science/article/pii/S1389934116300156.
KOBAYASHI, K., HWANG, S.-W., OKOCHI, T., LEE, W.-H. y SUGIYAMA, J., (2019). Non-destructive method for wood identification using conventional X-ray computed tomography data. Journal of Cultural Heritage [en línea], vol. 38, pp. 88-93. [Consulta: 13 mayo 2020]. ISSN 1296-2074. DOI 10.1016/j.culher.2019.02.001. Disponible en: http://www.sciencedirect.com/science/article/pii/S1296207418306927.
LI, F., LU, H. y ZHANG, P., (2019). An innovative multi-kernel learning algorithm for hyperspectral classification. Computers & Electrical Engineering [en línea], vol. 79, pp. 106456. [Consulta: 13 mayo 2020]. ISSN 0045-7906. DOI 10.1016/j.compeleceng.2019.106456. Disponible en: http://www.sciencedirect.com/science/article/pii/S0045790619309693.
LIU, Y., ZHOU, S., HAN, W., LIU, W., QIU, Z. y LI, C., (2019). Convolutional neural network for hyperspectral data analysis and effective wavelengths selection. Analytica Chimica Acta [en línea], vol. 1086, pp. 46-54. [Consulta: 13 mayo 2020]. ISSN 0003-2670. DOI 10.1016/j.aca.2019.08.026. Disponible en: http://www.sciencedirect.com/science/article/pii/S0003267019309675.
MACHADO, J.S., PEREIRA, F. y QUILHÓ, T., (2019). Assessment of old timber members: Importance of wood species identification and direct tensile test information. Construction and Building Materials [en línea], vol. 207, pp. 651-660. [Consulta: 13 mayo 2020]. ISSN 0950-0618. DOI 10.1016/j.conbuildmat.2019.02.168. Disponible en: http://www.sciencedirect.com/science/article/pii/S0950061819304635.
MVONDO, R.R.N., MEUKAM, P., JEONG, J., MENESES, D.D.S. y NKENG, E.G., (2017). Influence of water content on the mechanical and chemical properties of tropical wood species. Results in Physics [en línea], vol. 7, pp. 2096-2103. [Consulta: 13 mayo 2020]. ISSN 2211-3797. DOI 10.1016/j.rinp.2017.06.025. Disponible en: http://www.sciencedirect.com/science/article/pii/S2211379717304862.
NABEELA, F., MURAD, W., KHAN, I., MIAN, I.A., REHMAN, H., ADNAN, M. y AZIZULLAH, A., (2015). Effect of wood ash application on the morphological, physiological and biochemical parameters of Brassica napus L. Plant Physiology and Biochemistry [en línea], vol. 95, pp. 15-25. [Consulta: 13 mayo 2020]. ISSN 0981-9428. DOI 10.1016/j.plaphy.2015.06.017. Disponible en: http://www.sciencedirect.com/science/article/pii/S0981942815300462.
POWERS, J.S., BECKNELL, J.M., IRVING, J. y PÈREZ-AVILES, D., (2009). Diversity and structure of regenerating tropical dry forests in Costa Rica: Geographic patterns and environmental drivers. Forest Ecology and Management [en línea], vol. 258, no. 6, pp. 959-970. [Consulta: 13 mayo 2020]. ISSN 0378-1127. DOI 10.1016/j.foreco.2008.10.036. Disponible en: http://www.sciencedirect.com/science/article/pii/S0378112708008165.
PRÄGER, F., PACZKOWSKI, S., SAILER, G., DERKYI, N.S.A. y PELZ, S., (2019). Biomass sources for a sustainable energy supply in Ghana A case study for Sunyani. Renewable and Sustainable Energy Reviews [en línea], vol. 107, pp. 413-424. [Consulta: 13 mayo 2020]. ISSN 1364-0321. DOI 10.1016/j.rser.2019.03.016. Disponible en: http://www.sciencedirect.com/science/article/pii/S1364032119301492.
RUFFINATTO, F., CREMONINI, C., MACCHIONI, N. y ZANUTTINI, R., (2014). Application of reflected light microscopy for non-invasive wood identification of marquetry furniture and small wood carvings. Journal of Cultural Heritage [en línea], vol. 15, no. 6, pp. 614-620. [Consulta: 13 mayo 2020]. ISSN 1296-2074. DOI 10.1016/j.culher.2013.11.013. Disponible en: http://www.sciencedirect.com/science/article/pii/S1296207413002227.
SCHMIDT, C., WESTERMANN, H.-H. y STEINHILPER, R., (2019). An investigation of buzz saw blade cutting forces depending on tool geometry for cutting frozen wood. Procedia Manufacturing [en línea], vol. 33, pp. 778-785. [Consulta: 13 mayo 2020]. ISSN 2351-9789. DOI 10.1016/j.promfg.2019.04.098. Disponible en: http://www.sciencedirect.com/science/article/pii/S2351978919305797.
SCHREINER, B., SONA, B. y LOOS, H., (2018). The smell of wood and its impact on physiological responses. International Journal of Psychophysiology [en línea], pp. 131:S40. [Consulta: 13 mayo 2020]. DOI. 10.1016/j.ijpsycho.2018.07.123. Disponible en: https://www.researchgate.net/publication/328060187_The_smell_of_wood_and_its_impact_on_physiological_responses.
SIMO-TAGNE, M., RÉMOND, R., ROGAUME, Y., ZOULALIAN, A. y BONOMA, B., (2016). Modeling of coupled heat and mass transfer during drying of tropical woods. International Journal of Thermal Sciences [en línea], vol. 109, pp. 299-308. [Consulta: 13 mayo 2020]. ISSN 1290-0729. DOI 10.1016/j.ijthermalsci.2016.06.012. Disponible en: http://www.sciencedirect.com/science/article/pii/S1290072916307232.
TAN, K., WANG, H., CHEN, L., DU, Q., DU, P. y PAN, C., (2020). Estimation of the spatial distribution of heavy metal in agricultural soils using airborne hyperspectral imaging and random forest. Journal of Hazardous Materials [en línea], vol. 382, pp. 120987. [Consulta: 13 mayo 2020]. ISSN 0304-3894. DOI 10.1016/j.jhazmat.2019.120987. Disponible en: http://www.sciencedirect.com/science/article/pii/S0304389419309410.
ULRICI, A., SERRANTI, S., FERRARI, C., CESARE, D., FOCA, G. y BONIFAZI, G., (2013). Efficient chemometric strategies for PETPLA discrimination in recycling plants using hyperspectral imaging. Chemometrics and Intelligent Laboratory Systems [en línea], vol. 122, pp. 31-39. [Consulta: 13 mayo 2020]. ISSN 0169-7439. DOI 10.1016/j.chemolab.2013.01.001. Disponible en: http://www.sciencedirect.com/science/article/pii/S0169743913000129.
WHITAU, R., DILKES-HALL, I.E., DOTTE-SAROUT, E., LANGLEY, M.C., BALME, J. y O'CONNOR, S., (2016). X-ray computed microtomography and the identification of wood taxa selected for archaeological artefact manufacture: Rare examples from Australian contexts. Journal of Archaeological Science: Reports [en línea], vol. 6, pp. 536-546. [Consulta: 13 mayo 2020]. ISSN 2352-409X. DOI 10.1016/j.jasrep.2016.03.021. Disponible en: http://www.sciencedirect.com/science/article/pii/S2352409X1630089X.
WILCZYÑSKI, S., KOPROWSKI, R., MARMION, M., DUDA, P. y B£OÑSKA-FAJFROWSKA, B., (2016). The use of hyperspectral imaging in the VNIR (4001000nm) and SWIR range (10002500nm) for detecting counterfeit drugs with identical API composition. Talanta [en línea], vol. 160, pp. 1-8. [Consulta: 13 mayo 2020]. ISSN 0039-9140. DOI 10.1016/j.talanta.2016.06.057. Disponible en: http://www.sciencedirect.com/science/article/pii/S0039914016304830.
YANG, H., CHAO, W., WANG, S., YU, Q., CAO, G., YANG, T., LIU, F., DI, X., LI, J., WANG, C. y LI, G., (2019). Self-luminous wood composite for both thermal and light energy storage. Energy Storage Materials [en línea], vol. 18, pp. 15-22. [Consulta: 13 mayo 2020]. ISSN 2405-8297. DOI 10.1016/j.ensm.2019.02.005. Disponible en: http://www.sciencedirect.com/science/article/pii/S2405829718313850.