Bir odun örneğinin hangi ağaç türüne ait olduğunun tespitinde genel kabul gören yöntem mikroskobik teşhistir. Fakat bu yöntemin emek-yoğun olması, nispeten uzun hazırlık ve inceleme sürelerini gerektirmesinin yanı sıra, odun anatomisi uzmanlarına ihtiyaç duyulması sebebiyle son yıllarda daha kısa süreli etkin teşhis yöntemlerinin arayışlarına yönelik çalışmalara yoğunlaşıldığı görülmektedir. Bu çalışmalardan çıkan çözüm önerilerinden biri yakın kızılötesi spektroskopisinin (NIRS) kullanımıdır. Esas olarak ağaç malzemenin kimyasal yapısının analizine dayanan bu yöntemle elde edilen veriler, kemometrik yöntemler aracılığıyla değerlendirilmektedir. Bu çalışmada, NIRS yönteminin çok değişkenli veri analizleri yardımıyla ağaç türü teşhisinde kullanım etkinliğinin belirlenmesi amaçlanmıştır. Bu amaç doğrultusunda dış morfolojik özellikleri aracılığıyla teşhis edilen yerli türlerimizden sarıçam, karaçam, sapsız meşe ve Macar meşesi türlerine ait yakın kızılötesi verileri, 12 000 – 4 000 cm-1 spektral aralığında, 4 cm-1 çözünürlükle elde edilmiştir. Cins ve tür bazında ayrımın elde edilmesi için doğrusal modellerden kısmi en küçük kareler diskriminat analizi (PLS-DA), diyagonal doğrusal diskriminant analizi (DL-DA), doğrusal olmayan modellerden karar ağaçları (DT), yapay sinir ağları (ANN) ve destek vektör makineleri (SVM) uygulanmıştır. Tüm modeller herhangi bir ön işlem uygulanmamış (ham) veri setlerinde ve standart normal değişim (SNV), çarpımsal saçılım düzeltmesi (MSC), Savizky-Golay algoritması (SG) ile 1.türev (1 Dr), SG 1 Dr + SNV, SG 1 Dr + MSC, düzgünleştirme (Sm), Sm + 1 Dr, Sm + 2 Dr aracılığıyla ön işlem uygulanmış veri setlerinde denenmiştir. Modellerin başarıları kalibrasyona katılmayan test setleri ile denenmeleri sonucu elde edilen doğru tahmin oranları aracılığıyla belirlenmiştir. Ham veriler kullanılarak DL-DA, PLS-DA, DT, ANN, SVM modellerinin doğru tahmin oranları sırasıyla, çam ve meşe türlerinin cins bazında ayrımı için % 74, % 99, % 94, % 99,5, %100; çam türlerinin birbirinden ayrımında % 47, % 84, % 54, % 50, % 73; meşe türlerinin birbirinden ayrımında % 62, % 96, % 76, % 81, % 91 olarak bulunmuştur. Ön işlem metotlarının doğru tahmin oranlarını iyileştirici etkileri olmasına rağmen, tüm modellerde veya veri setlerinde ortak olarak en iyi denilebilecek bir ön işlem uygulaması tespit edilmemiştir. Denenen modeller arasında ağaç türü ayrımında doğrusal modellerden PLS-DA, doğrusal olmayan modellerden SVM en başarılı modeller olarak belirlenmiştir. Çalışmanın sonucunda NIRS yönteminin çok değişkenli veri analizleri yardımıyla ağaç türlerinin sınıflandırılmasında kullanımının oldukça yüksek başarı oranlarına ulaşılabildiği ortaya konulmuştur.

Microscopic identification is generally regarded as the most accepted method to identify wood species. Microscopic evaluations, however, are labor-intensive, and need relatively long preparation and inspection periods, and also require expertise in wood anatomy. Therefore, studies on the search for more effective and faster diagnostic methods have emerged, in recent years. The near infrared spectroscopy (NIRS) is one of the proposed methods. Data obtained by this method based on the chemical analyses of wood were evaluated by chemometric methods. In this study, it was aimed to determine the effectiveness of NIRS method in wood identification with the aid of multivariate data analysis. For this purpose, near infrared data of our native species which identified through their external morphological characteristics, scots pine, black pine, sessile oak and Hungarian oak, were collected in the spectral range of 12 000 - 4 000 cm-1 with a resolution of 4 cm-1. In order to achieve wood identification by genus and species, Partial least squares discriminate analysis (PLS-DA), diagonal linear discriminant analysis (DL-DA) from linear models and, decision trees (DT) artificial neural networks (ANN) and support vector machines (SVM) from nonlinear models have been used. All models have been developed on untreated (raw) and pre-treated datasets by standard normal variate (SNV), multiplicative scatter correction (MSC), first derivative(1Dr) using Savizky-Golay (SG), combination of SG 1 Dr + SNV, combination of SG 1 Dr + MSC, Smoothing (Sm) with SG, combination of Sm + 1 Dr and combination of Sm + 2 Dr. The success of the models was determined by the accuracies of test sets that did not participate in calibration phase. Accuracy of DL-DA, PLS-DA, DT, ANN, SVM models with raw data were 74%, 99%, 94%, 99.5%, 100% for classification of pine and oak species on a genus basis, 47%, 84%, 54%, 50%, 73% for classification of pine species and; 62%, 96%, 76%, 81%, 91% for classification of oak species, respectively. Although pretreatment methods have effects to improve accuracy, no common best pretreatment method has been identified in all models or data sets. PLS-DA from linear models and, SVM from nonlinear models were determined as the most successful models in wood discrimination. As a result of the study, it was revealed that utilization of NIRS in wood classification with the aid of multivariate data analysis could achieve very high success rates.

165