Faculteit Bio-ingenieurswetenschappen Academiejaar 2010 – 2011
Opstellen van een macroscopische sleutel ter herkenning van houtsoorten uit het Guyana bekken
Lieselot Matthé Promotor: Prof. dr. ir. Joris Van Acker Copromotor: dr. ir. Hans Beeckman Tutor: ir. Maaike De Ridder
Masterproef voorgedragen tot het behalen van de graad van Master in de bio-ingenieurswetenschappen: bos- en natuurbeheer
Faculteit Bio-ingenieurswetenschappen Academiejaar 2010 – 2011
Opstellen van een macroscopische sleutel ter herkenning van houtsoorten uit het Guyana bekken
Lieselot Matthé Promotor: Prof. dr. ir. Joris Van Acker Copromotor: dr. ir. Hans Beeckman Tutor: ir. Maaike De Ridder
Masterproef voorgedragen tot het behalen van de graad van Master in de bio-ingenieurswetenschappen: bos- en natuurbeheer
De auteur en promotoren geven de toelating deze masterproef voor consultatie beschikbaar te stellen en delen van de masterproef te kopiëren voor persoonlijk gebruik. Elk ander gebruik valt onder de beperkingen van het auteursrecht, in het bijzonder met betrekking tot de verplichting de bron uitdrukkelijk te vermelden bij het aanhalen van resultaten uit deze masterproef.
The author and promotors give permission to make this master dissertation available for consultation and to copy parts of this master dissertation for personal use. In the case of any other use, the limitations of the copyright have to be respected, in particular with regard to the obligation to state expressly the source when quoting results from this master dissertation.
Gent, 10 juni 2011
De auteur,
de promoter,
de copromoter
Lieselot Matthé
Prof. dr. ir. J. Van Acker
dr. ir. H. Beeckman
Woord vooraf Mijn thesis was niet tot stand kunnen komen zonder de al dan niet bewuste bijdrage van verschillende mensen. Eerst en vooral wil ik graag mijn promotor Prof. dr. ir. Joris Van Acker en mijn copromotor dr. ir. Hans Beeckman bedanken voor het aanbieden van dit interessante thesisonderwerp, voor alle input, ideeën en begeleiding. Mijn tutor Maaike De Ridder wil ik via deze weg graag bedanken voor de opvolging, de aanmoedigingen, nieuwe invalshoeken, het nalezen en verbeteren (met een soms verbazingwekkende snelheid), kortom voor een geweldige begeleiding! Ik had het geluk mijn onderzoek te mogen starten met een reis naar Suriname, een ongelooflijke ervaring. Graag wil ik David Van Roy bedanken voor zijn ontvangst, informatie en weetjes over van alles en nog wat en vooral voor al zijn tijd die hij in de begeleiding ter plaatse gestoken heeft. De mensen van Suma Lumber Company N.V. ben ik dankbaar voor de faciliteiten, het materiaal en de overige hulp. Dominiek Plouvier wil ik graag bedanken voor het mij toevertrouwen van zijn houtcollectie, lectuur en extra materiaal. Dorothy Traag, iedereen van het Nationaal Herbarium van Suriname, Achmed Sheikkariem, Leon Comvalius, Maureen Playfair en Frits van Troon wil ik graag bedanken voor de interesse die ze toonden in mijn onderwerp en de informatie die ze me wisten te verschaffen. Ook iedereen van het Laboratorium voor Houttechnologie wil ik graag hartelijk bedanken, in het bijzonder Jan Van den Bulcke, Nele Defoirdt, Stijn Willen, Rik De Rycke, Wannes Hubau en Piet Dekeyser. Zij waren steeds bereid hun eigen werk opzij te schuiven om mij met iets te helpen. Ook Wim Tavernier verdient een bedankje om mij wegwijs te maken in het houtcollectie van het xylarium van Tervuren. Mijn familie en vooral mijn ouders wil ik hier ook graag vermelden, zonder wie ik mijn studies niet had kunnen volgen. Bedankt voor alle steun die jullie mij over de jaren heen al gegeven hebben! Ook mijn vrienden hebben elk op hun manier wel een dikke bedankt verdiend: voor hun bemoedigende woorden, thesistips, het nalezen, het koken en nog vele andere dingen. Tot slot wil ik graag mijn vriend Arno Covers bedanken op wie ik steeds kon rekenen en die me daarbij een enorme portie morele steun bood.
Samenvatting Identificatie van hout speelt een belangrijke rol in de houthandel voor het garanderen van de betrouwbaarheid en afkomst van de aangeboden producten. Houthandelaars zelf maken hiervoor gebruik van subjectieve kenmerken en jarenlange ervaring. Een objectieve identificatiemethode baseert zich op microscopisch onderzoek. Dit vergt niet alleen de nodige apparatuur, vaardigheid voor het maken van coupes en kennis, maar is bovendien praktisch niet toepasbaar op korte termijn. Macroscopische kenmerken daarentegen kunnen met een minimum aan hulpmiddelen en een beperkte, makkelijk aan te leren houtanatomische achtergrond bestudeerd worden. Deze studie stelde daarom een macroscopische determinatiesleutel op voor de 32 meest gevelde houtsoorten van Suma Lumber N.V., het eerste Surinaams bedrijf dat beschikt over het FSC keurmerk. De focus lag hierbij op het transversale vlak uit praktische overwegingen. Dit vlak is immers eenvoudig vrij te maken en te bekijken. Een totaal van 37 stalen uit het xylarium van Suriname, 196 stalen uit het xylarium van het Koninklijk Museum voor Midden-Afrika (KMMA) en 73 stalen uit de concessie van Suma Lumber werden voor de opbouw van deze sleutel opgeschuurd op transversaal vlak. Vervolgens werden deze stalen met een 10x vergrotende loep onderzocht en werden 35 kenmerken geselecteerd om de houtsoorten te beschrijven. Hiervan waren 23 kenmerken afkomstig uit de IAWA lijst voor microscopische identificatie van hardhout en werden 12 kenmerken zelf opgesteld. Deze kenmerken boden per houtsoort een beschrijving van het grondweefsel, de houtvaten, het parenchym, de eventueel aanwezige kanalen en bijzonderheden als etagebouw en het voorkomen van een specifieke geur. Naast deze kenmerken werden ook de vatgrootte, de vatdensiteit, de densiteit en de kleur gemeten. Voor de vatgrootte en vatdensiteit werden beelden genomen van 36 stalen met een camera die op een stereomicroscoop met vergroting 10x en 40x geplaatst werd. De metingen op deze beelden werden uitgevoerd met behulp van de software Cell’D. De densiteit werd bepaald van 196 stalen door hun lucht- en ovendroge gewicht te bepalen met behulp van een weegschaal en hun volume via een waterverplaatsingsmethode. De CIELAB kleurenruimte is aangewezen om houtkleur op een objectieve manier te bepalen in numerieke L*a*b* waarden. Typisch worden deze bepaald door een spectrofotometer. Dit toestel is echter duur en niet in staat het volledige oppervlak in rekening te brengen. Flatbed scanners daarentegen kunnen dit wel en zijn goedkoper, maar meten in RGB waarden. Zo werden 299 stalen opgemeten met een spectrofotometer en vervolgens ook gescand met een flatbed scanner. Dankzij beide metingen kon een transformatiemodel gecreëerd worden dat RGB waarden omzette naar L*a*b* waarden en een spectrofotometer dus overbodig maakte. De bekomen waarden voor vatkenmerken, densiteit en kleur werden met behulp van statistische methodes geclusterd en geclassificeerd om zo groepen te creëren waarin elke houtsoort geplaatst kon worden. Wat betreft vatkenmerken konden de houtsoorten ingedeeld worden volgens kleine, medium, grote en zeer grote vaten met een lage, medium en hoge vatdensiteit. Voor densiteit kon een onderscheid tussen zeer lichte, lichte, medium, zware en zeer zware soorten gemaakt worden. Ook konden de houtsoorten ingedeeld worden in 6 kleurgroepen, namelijk zeer donkere, donkere met een bruine
tint, donkere met een gele tint, medium met een rode tint, bleke met een rode tint en zeer bleke soorten. Deze groepen verschilden naargelang de variabelen, maar enkele correlaties ertussen waren wel aanwezig. L*a*b* waarden bleken onderling en met vatgrootte positief gecorreleerd en negatief met densiteit en vatdensiteit. Densiteit bleek negatief gecorreleerd met vatgrootte en positief met vatdensiteit. De bleke houtsoorten hadden dus algemeen weinig grote vaten en een lage densiteit, terwijl de donkere houtsoorten veel kleine vaten hadden in combinatie met een hoge densiteit. Het geheel van de 35 macroscopische kenmerken, de vatparameters-, de densiteit- en kleurgroepen werd in functie van de 32 commerciële houtsoorten in een tabel in Excel geïmplementeerd. De kenmerken werden voorzien van de filterfunctie waardoor alle kenmerken simultaan beschikbaar zijn en de gebruiker zelf de volgorde waarin ze aan bod komen, kan bepalen. De determinatiesleutel is vrij goed in staat de 32 houtsoorten te onderscheiden. Van de vat- en kleurgroepen kunnen beelden gebruikt worden als referentiemateriaal voor de groepen, zodanig dat de sleutel bruikbaar is in combinatie met enkel een handloep. De eenvoudige structuur laat uitbreiding bovendien gemakkelijk toe. Onderzoek voor uitbreiding is aangewezen om ook de overige Surinaamse houtsoorten te kunnen determineren en de variabiliteit van de behandelde soorten beter in rekening te brengen.
Lijst van afkortingen Adekus
Anton de Kom Universiteit van Suriname
Agnes
Agglomerative Nesting
BBS
Bosbeheer Suriname
CELOS
Centrum voor Landbouwkundig Onderzoek in Suriname
CHS
CELOS Harvesting System
CIE
Commission Internationale d’Eclairage
Clara
Clustering LARge Applications
CMS
CELOS Management System
CoC
Chain of Custody
CSIRO
Commonwealth Scientific and Industrial Research Organisation
CSS
CELOS Sylvicultural System
dpi
dots per inch
FAO
Food and Agriculture Organization
FEPA
Federation of European Producers of Abrasives
FSC
Forest Stewardship Council
GWDD
Global Wood Density Database
HKV
houtkapvergunning
IAWA
International Association of Wood Anatomists
ICL
Incidental Cutting License
ITTO
International Tropical Timber Organization
KMMA
Koninklijk Museum voor Midden-Afrika
LBB
Dienst 's Lands Bosbeheer
NCS
Natural Color System
NHS
Nationaal Herbarium van Suriname
Pam
Partitioning Around Mediods
PCA
Principale Componenten Analyse
PHS
Platform Houtsector Suriname
RIL
Reduced Impact Logging
SBB
Stichting Bosbeheer en Bostoezicht
SCE
Specular Component Excluded
SCI
Specular Component Included
WWF
World Wildlife Fund
Inhoudsopgave 1.
Inleiding.......................................................................................................................................... 1
2.
Literatuurstudie.............................................................................................................................. 3
2.1.
2.2.
2.3.
2.4.
2.5.
Suriname .................................................................................................................................... 3 2.1.1.
Algemeen........................................................................................................................ 3
2.1.2.
Geschiedenis................................................................................................................... 4
2.1.3.
Klimaat............................................................................................................................ 4
Bos in Suriname .......................................................................................................................... 4 2.2.1.
Bosareaal en ruimtelijk gebruik ...................................................................................... 4
2.2.2.
Boseigendom en vergunningen ...................................................................................... 6
Bosbeheersystemen in Suriname ............................................................................................... 6 2.3.1.
CELOS Management System ........................................................................................... 6
2.3.2.
Stichting Bosbeheer en Bostoezicht ............................................................................... 7
2.3.3.
FSC .................................................................................................................................. 8
Houtproductie en houtexport van Suriname.............................................................................. 8 2.4.1.
Houtproductie in Suriname ............................................................................................ 8
2.4.2.
Houtexport uit Suriname ................................................................................................ 9
Suma Lumber Company N.V. .................................................................................................... 11 2.5.1.
Geschiedenis................................................................................................................. 11
2.5.2.
Bosbeheersysteem ....................................................................................................... 11
2.5.3.
Productie en afzet ........................................................................................................ 13
2.6.
Xylaria ....................................................................................................................................... 14
2.7.
Determinatiesleutels ................................................................................................................ 15
2.8.
Kleur ......................................................................................................................................... 16
3.
2.8.1.
Inleiding ........................................................................................................................ 16
2.8.2.
De CIELAB kleurenruimte.............................................................................................. 16
2.8.3.
De RGB kleurenruimte .................................................................................................. 17
2.8.4.
NCS kleurenatlas ........................................................................................................... 17
2.8.5.
Kleurbepaling bij hout .................................................................................................. 18
Materiaal en methoden ............................................................................................................... 19
3.1.
Determinatiesleutel.................................................................................................................. 19
3.2.
Materiaal .................................................................................................................................. 19 3.2.1.
Xylariumstalen .............................................................................................................. 19
3.2.2.
Stalen afkomstig van Suma Lumber N.V. ...................................................................... 21
3.3.
Voorbehandeling ...................................................................................................................... 21
3.4.
Vatmetingen ............................................................................................................................. 22
3.5.
Densiteitsbepaling .................................................................................................................... 22
3.6.
3.5.1.
Inleiding ........................................................................................................................ 22
3.5.2.
Opstelling volumebepaling ........................................................................................... 22
3.5.3.
Krachtenleer volumebepaling....................................................................................... 23
Kleurbepaling ........................................................................................................................... 25 3.6.1.
Inleiding ........................................................................................................................ 25
3.6.2.
RGB naar L*a*b* transformatie.................................................................................... 26
3.6.3.
Opbouw van de modellen ............................................................................................ 28
3.6.3.1.
Lineair model ............................................................................................................ 28
3.6.3.2.
Kwadratisch model ................................................................................................... 29
3.6.4.
3.7. 4.
Clustering van kleuren .................................................................................................. 29
3.6.4.1.
K-means clustering ................................................................................................... 29
3.6.4.2.
Bepalen van het aantal clusters ................................................................................ 30
Classificatie van de resultaten .................................................................................................. 30 Resultaten en discussie ................................................................................................................ 31
4.1.
Vatmetingen ............................................................................................................................. 31
4.2.
Densiteit ................................................................................................................................... 34
4.3.
Kleurbepaling ........................................................................................................................... 38
4.4.
4.5.
4.3.1.
Evaluatie van de modellen voor RGB naar L*a*b* transformatie ................................ 38
4.3.2.
Kleurwaarden ............................................................................................................... 40
4.3.3.
Clustering...................................................................................................................... 43
Verband tussen de verschillende variabelen ............................................................................ 46 4.4.1.
Verband tussen kleur en densiteit ................................................................................ 46
4.4.2.
Verband tussen vatgrootte, vatdensiteit en densiteit .................................................. 47
4.4.3.
Verband tussen vatgrootte, vatdensiteit en kleur ........................................................ 48
Determinatiesleutel.................................................................................................................. 48
5.
Conclusie ...................................................................................................................................... 53
6.
Literatuurlijst ................................................................................................................................ 55
7.
Bijlagen ......................................................................................................................................... 61
1. Inleiding Bossen vervullen een ruim gamma aan functies op ecologisch, sociaal en economisch vlak. Zo leveren ze hout voor een enorme verscheidenheid aan toepassingen als constructiemateriaal, binnen- en buitenschrijnwerk, brandstof, kookgerei, speelgoed etc. Het duurzame en milieuvriendelijke karakter van producten uit hout maakt het gebruik ervan een goede en verantwoorde keuze. Voor de invulling van de huidige houtbehoefte wordt jaarlijks op wereldniveau zo’n 3,4 miljard m³ hout verwijderd over een oppervlakte van 4 miljard ha bos. De helft hiervan wordt aangewend als industrieel rondhout en de andere helft als brandhout. Het meeste hout wordt momenteel verwijderd uit de bossen van Noord- en Centraal-Amerika, Azië, Europa en Azië. In Zuid-Amerika wordt jaarlijks 347 miljoen m³ (10% t.o.v. wereldniveau) hout gekapt, verspreid over 831 miljoen ha bos (21% van de wereldoppervlakte) (FAO Forestry, 2010). Op lange termijn zal het toenemende bevolkingsaantal gepaard gaan met een stijgende vraag naar zowel gematigde als tropische houtsoorten. Om ook in de toekomst aan deze houtbehoefte te kunnen voldoen, is nood aan duurzaam beheerde bossen waar het kappen van hout een minimale impact heeft op het bosecosysteem. Dit duurzaam beheer kan o.a. gegarandeerd worden met behulp van certificering. In Suriname is Suma Lumber Company N.V. het eerste bedrijf dat beschikt over een certificaat, namelijk het FSC keurmerk. Zij streven naar verantwoorde houtoogst met respect voor het overblijvende bosbestand en combineren dit met goede werkomstandigheden. FSC spitst zich immers niet enkel toe op ecologisch en economisch vlak, maar rekent ook op een sociale input. Duurzaam bosbeheer vereist een volledige inventarisatie van het bosbestand. In de tropen worden de aanwezige bomen in het veld geïdentificeerd door ervaren boomherkenners op basis van schors-, bast- en eventueel andere botanisch kenmerken. Aan de hand van deze inventarisatie wordt een kapplan opgesteld waarin precies bepaald wordt welke bomen gekapt mogen worden en welke de bedreigde soorten zijn die ontzien dienen te worden. Eens de stam verzaagd en verwerkt is, blijkt houtherkenning niet evident. Toch is herkenning ook in dit stadium van belang om potentiële in het veld gemaakte fouten te kunnen achterhalen. In de houthandel speelt identificatie een voorname rol bij het garanderen van de betrouwbaarheid van de aangeboden houtproducten. Het zorgt ook voor het onderscheid met beschermde soorten die niet geëxporteerd mogen worden Degenen die elke dag met bepaalde houtsoorten werken, kunnen deze onderscheiden op basis van onder andere kleur, geur, densiteit, textuur en tekening. Dit zijn echter subjectieve kenmerken die redelijk variabel kunnen zijn en moeilijk te kwantificeren. Daarenboven genieten de 32 meest geëxploiteerde houtsoorten van Suma Lumber momenteel nog beperkte bekendheid op de internationale markt, waardoor het aantal mensen dat in staat is het hout van de betreffende soorten te herkennen redelijk beperkt is. Een minder subjectieve manier van houtidentificatie kan gebeuren op basis van microscopisch onderzoek. Dit vergt echter de nodige apparatuur en vaardigheid voor het maken en bestuderen van coupes. Bovendien is microscopie niet praktisch toepasbaar wanneer identificatie op zeer korte termijn dient te verlopen zoals in houtzagerijen, bij houthandelaars en bij instanties die import en 1
export van hout controleren. Herkenning op basis van macroscopische kenmerken vermijdt deze problemen aangezien het slechts een minimum aan hulpmiddelen en een beperkte en gemakkelijk aan te leren kennis omtrent houtanatomie vereist. Deze masterproef is gebaseerd op 2 onderzoeksvragen: 1) Is het mogelijk om de belangrijkste commerciële soorten uit Suriname macroscopisch te onderscheiden, enkel met behulp van een handloep en een determinatiesleutel? 2) Indien de middelen voor bijkomende analyse (een (stereo)microscoop, een scanner, een weegschaal, etc.) beschikbaar zijn, kunnen vatkenmerken, densiteit en kleur dan als geschikte parameters dienen om verschillende soorten of soortgroepen te onderscheiden? Om op deze vragen een antwoord te formuleren werden verschillende houtstalen van de 32 commerciële soorten onderzocht. Hiervoor werden xylariumstalen afkomstig uit Suriname en het Koninklijk Museum voor Midden-Afrika (KMMA) gebruikt, met stalen uit de concessie van Suma Lumber ter vervollediging. Hoofdstuk 2 vormt de literatuurstudie en vangt aan met een korte schets over Suriname, het bosbeheer, de houtproductie en Suma Lumber Company N.V.. De term ‘xylarium’ wordt toegelicht alsook de keuze voor het gebruik van de daaruit afkomstige stalen. Bestaande determinatiesleutels worden verder in het hoofdstuk algemeen besproken. De literatuurstudie sluit af met de mogelijkheden om kleur in numerieke waarden uit te drukken zodat dit als determinatiekenmerk gebruikt kan worden. Hiervoor bestaan verschillende kleurenruimtes waarvan enkele worden toegelicht. Ook specifieke literatuur omtrent kleurbepaling bij hout wordt kort samengevat. Hoofdstuk 3, materiaal en methoden, begint met een beschrijving van het gebruikte materiaal en de voorbehandeling ervan voor de studie van bepaalde kenmerken. Daarna worden de methodes voor vatmetingen, densiteitsbepaling en kleurbepaling, het hierbij gebruikte materiaal en de nodige apparatuur toegelicht. In het laatste deel van het hoofdstuk wordt uitgelegd hoe de verschillende resultaten geclassificeerd kunnen worden binnen een determinatiesleutel. Hoofdstuk 4 omvat de resultaten en discussie. Hierbij worden de resultaten van de vatmetingen, de densiteitsbepaling en de kleurbepaling beschreven en worden de houtsoorten aan de hand van deze kenmerken opgedeeld in groepen. Ook wordt nagegaan of er een significant verband tussen de verschillende parameters bestaat. De werking van de determinatiesleutel en de kenmerken waarop deze gebaseerd is, worden in het laatste deel van dit hoofdstuk besproken. Tenslotte biedt Hoofdstuk 5 een overzicht van de belangrijkste besluiten van het onderzoek en tracht het ook een antwoord te formuleren op de vooropgestelde onderzoeksvragen. Na dit hoofdstuk volgt de literatuurlijst en een overzicht van de bijlagen. De eigenlijke determinatiesleutel is terug te vinden op de bijgevoegde DVD, waar ook de bijlagen, deze volledige thesis en de beelden van de behandelde houtsoorten op staan.
2
2. Literatuurstudie Om dit onderzoek te kaderen, wordt eerst het gebied waarbinnen de sleutel gebruikt kan worden kort besproken. De nadruk ligt hierbij voornamelijk op de bosbouw en de instituten binnen deze regio met focus op Suriname, waar het veldonderzoek plaatsvond. Dit veldonderzoek gebeurde in samenwerking met Suma Lumber Company N.V., dat ook wordt toegelicht in dit hoofdstuk. Aangezien de stalen in dit onderzoek vooral xylariumstalen zijn, worden hun specifieke kenmerken vermeld waarna een korte stand van zaken volgt rond de bestaande determinatiesleutels. Het hoofdstuk sluit af met een luik over kleurmetingen, een techniek die hier origineel gebruikt wordt in de ontwikkeling van een praktisch bruikbare sleutel.
2.1. Suriname 2.1.1.
Algemeen
Suriname is gelegen aan de noordoostkust van Zuid-Amerika. Het is begrensd in het oosten door Frans-Guyana, in het westen door Guyana, in het zuiden door Brazilië en in het noorden door de Atlantische Oceaan. Suriname heeft een landoppervlakte van 16 327 000 ha, waarvan 14 776 000 ha (90,5%) bestaat uit bos (FAO, 2011). Suriname telt ongeveer 524 000 inwoners (FAOSTAT, 2010), waarvan 74% in het stedelijke gebied leeft. De officiële taal is Nederlands, maar verder worden ook Sranantongo, Engels, Javaans, Sarnami, Chinees en verschillende marrontalen gesproken. De bevolking bestaat uit Hindoestanen, Creolen, Marrons, Javanen, Indianen, Chinezen, Boeroes (blanken), Joden, Libanezen en Brazilianen (Worldatlas, 2011).
Figuur 1: Kaart van Zuid-Amerika en Suriname (Worldatlas, 2011)
3
2.1.2.
Geschiedenis
In 1498 spotte Christopher Colombus de kust van een gebied dat Spaanse ontdekkingsreizigers in 1593 de naam Suriname gaven naar de bewoners, de Surinen. In 1651 vond de eerste permanente kolonisatie plaats door de Britten onder leiding van Lord Francis Willoughby. In 1667 werd Suriname afgestaan aan Nederland in ruil voor New Amsterdam (het huidige New York). Afgezien van de periodes 1799-1802 en 1804-1815 waar Suriname terug onder Brits bewind stond, bleef Suriname tot aan de onafhankelijkheid onder Nederlands beleid. Tijdens dit beleid ontwikkelden zich in Suriname verschillende bloeiende plantages. Suiker was het belangrijkste exportproduct en ook de productie van koffie, cacao, katoen, indigo en hout nam toe aan belang tijdens de 18de eeuw (Encyclopædia Britannica, 2011). In 1863 werd de slavernij afgeschaft. In 1954 verkreeg Suriname autonomie voor haar binnenlandse zaken en op 25 november 1975 werd Suriname onafhankelijk. Het kreeg toen de officiële benaming Republiek Suriname (Encyclopædia Britannica, 2011). De verschillende bevolkingsgroepen in Suriname zijn onder meer te verklaren door de kolonisatie, de slavernij die gepaard ging met slavenhandel en de aangeworven contractarbeiders na de afschaffing van de slavernij. De huidige president is Desi Bouterse die op 12 augustus 2010 werd geïnaugureerd (Encyclopædia Britannica, 2011). 2.1.3.
Klimaat
Suriname kent een tropisch klimaat met vier seizoenen. Van begin december tot begin februari en van begin februari tot eind april treden respectievelijk het korte regenseizoen en het korte droog seizoen op. Van eind april tot midden augustus en van midden augustus tot eind december treden respectievelijk het lange regenseizoen en het lange droog seizoen op. Overdag schommelen de temperaturen in Paramaribo tussen 21 °C en 32 °C. De variatie in gemiddelde temperatuur tussen de warmste maand september en de koudste maand januari bedraagt slechts 3 graden. De hoeveelheid neerslag is het hoogst in het centrale en het zuidoostelijke deel van het land. De jaarlijkse neerslag bedraagt gemiddeld 1900 mm in het westen en 2400 mm in Paramaribo (Encyclopædia Britannica, 2011).
2.2. Bos in Suriname 2.2.1.
Bosareaal en ruimtelijk gebruik
Wereldwijd bedraagt de totale bosoppervlakte bedraagt meer dan 4 miljard ha, wat overeenkomt met 31% van de totale landoppervlakte. Van deze totale bosoppervlakte wordt ongeveer 1,4 miljard ha (35%) geclassificeerd als primair bos. Het nettoverlies aan bosareaal in de periode 2000-2010 wordt geschat op 5,2 miljoen ha per jaar op wereldschaal. Dit is een verbetering t.o.v. de periode 1990-2000 waar het 8,3 miljoen ha per jaar
4
bedroeg. Deze reductie is te wijten aan de afname in ontbossing en aan de toename aan nieuw bosareaal door kunstmatige en natuurlijke verjonging van de bestaande bossen (FAO Forestry, 2010). Suriname is voor ongeveer 14,8 miljoen ha bedekt met bos. Hiervan wordt 14 miljoen ha (95%) geclassificeerd als primair bos (FAO Forestry, 2010). De Surinaamse vegetatie kan ingedeeld worden in 3 hoofdtypes: hydrofytisch bos (1,3 miljoen ha), xerofytisch bos (150 000 ha) en mesofytisch bos (13,4 miljoen ha). Het hydrofytisch bos is gelegen in het kustgebied en langs kreken en rivieren en bestaat uit zwamp-, dras- en mangrovebos. Het xerofytisch bos bestaat uit savannebos en situeert zich voornamelijk in de savannegordel op slecht gedraineerde grofzandige bodem. Het mesofytisch hoogdrooglandbos bevindt zich in het berg- en heuvellandschap van het binnenland op voldoende gedraineerde bodem. Het ruimtelijke bosgebruik van het natuurlijke bos is in de Wet Bosbeheer (1992) als volgt ingedeeld: o schermbos, primair bedoeld ter bescherming van bodem en stroomafwaarts gelegen gronden en het behoud van de waterregulatie, o beschermde gebieden (bosnatuurreservaten, natuurparken) en speciaal beschermd bos, primair bedoeld voor behoud van biodiversiteit, o productiebos, primair bedoeld voor de productie van hout en niet-houtige bosproducten (bosbijproducten), maar in feite volgens de moderne opvattingen van duurzaam bosbeheer multifunctioneel bos, o conversiebos, bedoeld om een ander landgebruik te realiseren. De ‘bosgordel’, een 40 tot 100 km brede, oost-west lopende strook bos ontsloten door de tweede oost-west verbinding, neemt een gebied in van 2,5 miljoen ha en werd aangewezen als productiebos. Dit gebied voorziet de belangrijkste houtproductie van Suriname (PHS, 2005). Het overgrote deel van het overige aandeel bos ligt verder landinwaarts, maar door de topografie en het gebrek aan infrastructuur kunnen deze gebieden niet aangewend worden voor commerciële houtproductie. Ook uit beleidsoogpunt is het niet bevorderlijk de houtexploitatie daar te promoten door de grote betekenis van die bossen voor het milieu en de biodiversiteit door hun functie als schermbossen. Deze reguleren namelijk de waterhuishouding, de toevoer van zoetwater en voorkomen erosie. Schermbossen zijn officieel nog niet erkend, maar de voorstellen voor aanwijzing als zodanig van 90 000 ha zijn in voorbereiding (PHS, 2005). Beschermde gebieden beslaan ruim 2 miljoen ha of 13% van het landoppervlak. In de kustvlakte zijn bijna alle mangrovebossen en bepaalde unieke ecosystemen als beschermd gebied toegekend. Het overgrote deel van het beschermde bos inclusief het 1,6 miljoen ha grote Centraal Suriname Natuur Reservaat, ligt in het diepere binnenland. Gedurende de laatste 10 jaren is minder dan 1% van het totaal bosareaal geconverteerd naar andere gebruiksvormen. Conversie heeft vooral plaats gevonden ten behoeve van mijnbouw, energieopwekking en landbouw. Verder is ook sprake van niet geordend landgebruik zoals ongecontroleerde goudwinning en andere mijnbouwactiviteiten, illegale houtkap en stroperij van planten en dieren (PHS, 2005).
5
2.2.2.
Boseigendom en vergunningen
Op basis van de Grondwet van de Republiek Suriname (1987) zijn alle bossen, behalve die op eigendomsterreinen, eigendom van de staat. Bossen op eigendomsterreinen beslaan in totaal ca. 50 000 ha. Een deel van de bossen, ongeveer 435 000 ha is toegewezen als houtkapvergunning (HKV) en sinds de Wet Bosbeheer (1992) als gemeenschapsbos. Het oorspronkelijke doel van de HKV’s was de voorziening in eigen behoefte aan hout en andere bosproducten van in stamverband levende en wonende boslandbewoners. Hetzelfde geldt voor de gemeenschapsbossen, maar in de Wet Bosbeheer is daar expliciet het gebruik voor commerciële houtbenutting en ontginning voor landbouwdoeleinden aan toegevoegd (PHS, 2005). Voor de realisatie van de houtproductie verleent de overheid houtconcessies en vergunningen tot incidentele houtkap (ICL). De concessies worden verleend volgens de Wet Bosbeheer (1992) voor periodes van minstens 1 jaar tot maximum 20 jaar en een oppervlakte tot 150 000 ha. De ICL kan gebruikt worden voor het winnen van hout in eenmalig leeg te kappen bos zoals bij mijnbouwactiviteiten (PHS, 2005).
2.3. Bosbeheersystemen in Suriname 2.3.1.
CELOS Management System
Het CELOS Management System (CMS) is een management systeem voor tropische regenwouden dat een minimum aan invloed op het ecosysteem wil veroorzaken terwijl het toch een economische opbrengst wil garanderen. Het is een polycyclisch systeem, dat bomen van verschillende generaties sequentieel wil oogsten met een rotatietijd van 20-25 jaar. Het CMS is ontwikkeld door een samenwerkingsproject tussen de universiteit van Wageningen en de universiteit van Suriname. De naam ‘CELOS’ is afkomstig van het Centrum voor Landbouwkundig Onderzoek in Suriname, dat de eerste experimenten heeft uitgevoerd. Het CMS is ontwikkeld voor het mesofytisch bos in Suriname, maar kan ook op andere tropische plaatsen toegepast worden (CELOS, 2006). Het CMS bestaat uit twee onderdelen, het CELOS Sylvicultural System (CSS) en het CELOS Harvesting System (CHS). CMS gaat uit van permanente management eenheden van ongeveer 22 500 ha, welke kunnen variëren tussen 20 000 en 25 000 ha naargelang het bos- en terreintype. Deze eenheid wordt vastgelegd met een maximum aan beschikbare informatie zoals luchtfoto’s, inventarisaties, bodemen topografische kaarten. De exploitatie intensiteit wordt beperkt tot (gemiddeld) 30 m³/ha (CELOS, 2006). Het CHS wil een efficiënte exploitatie met een minimum aan schade aan het overblijvende bestand en bodem verzekeren. Naast een efficiënte uitvoering van de exploitatie operaties wil het CHS ook een zo economisch mogelijke uitvoering garanderen. Prospectie van het gebied, waarbij een inventarisatie plaatsvindt van de oogstbare soorten en het verwijderen van lianen voor het vellen, 6
speelt hierbij een belangrijke rol. Hoewel het vellen in het CHS systeem met hetzelfde materiaal als conventioneel vellen gebeurt, wordt de schade van conventioneel vellen voorkomen door plannen, directioneel vellen en het gebruik van een winchkabel. Deze wordt bevestigd aan een skidder van welke de route wordt beperkt tot vooraf bepaalde sleepwegen. Het andere uiteinde van de kabel wordt aan een gevelde boom vastgehaakt die tot bij de skidder getrokken wordt en zo verder het bos uitgesleept wordt (CELOS, 2006). Het CSS wil de groei van commercieel aantrekkelijke bomen doen toenemen. Het wil zorgen voor volumetoename en regeneratie van de gewenste soorten en hierbij het natuurlijke ecosysteem in evenwicht houden om toekomstige opbrengsten te garanderen. In de tropen zitten de nutriënten grotendeels gestockeerd in de biomassa en niet in de bodem. Om de groei van bepaalde bomen te stimuleren, is het dus nodig om ongewenste bomen te elimineren. Dit gebeurt niet d.m.v. dunningen, maar wel door ringen in combinatie met gif. Zo worden de nutriënten van de stervende bomen langzaam afgegeven aan het ecosysteem, wat de groei van de overblijvende bomen bevordert. De overblijvende dode bomen zijn commercieel dan wel niet aantrekkelijk, maar zijn noodzakelijk om het bosecosysteem te onderhouden (Anoniem, 1992). Door de politieke onrust in de jaren ’80 is het CMS nog niet op commerciële schaal uitgetest. Sinds 2006 is er echter wel terug sprake van praktijkexperimenten. Hierbij dient ook het CMS getoetst te worden aan de criteria voor duurzaam bosbeheer, zo is het gebruik van chemicaliën voor het elimineren van ongewenste soorten niet toegestaan (CELOS, 2006). 2.3.2.
Stichting Bosbeheer en Bostoezicht
Binnen het in Suriname gebruikelijke bosbeheersysteem staat de Stichting Bosbeheer en Bostoezicht (SBB) centraal. Deze organisatie is door de Surinaamse overheid ingesteld om de retributies voor het geoogste hout te innen en om toezicht te houden op de houtoogst. Hiervoor staat SBB een controleapparaat ter beschikking dat op meerdere momenten in het houtoogstproces controleert. Elk houtproduct dat uit Suriname wordt uitgevoerd, dient hiervoor toestemming van het SBB te hebben. Elke exploitant die meer dan 5 000 ha beheert, is verplicht een kapplan op te stellen voor zijn concessie. Hiervoor dient eerst een 100% inventarisatie van de te exploiteren vakken en percelen plaats te vinden. SBB controleert nadien in het veld of de inventarisatie conform de voorwaarden is uitgevoerd. Na goedkeuring van het SBB selecteert de exploitant voor een maximum van een vooraf bepaald aantal m³ per ha een aantal bomen voor velling. Ook de sleeproutes voor de skidder dienen hierbij uitgetekend te worden. Vervolgens wordt dit kapplan opnieuw in het veld door SBB gekeurd (Control Union Certifications, 2007). Na vellingen dient de exploitant de houtstammen te voorzien van een label, om na te gaan waar de stam geoogst is. Het SBB voert dan een steekproef uit op de stammen en ook een controle van de stobben in het veld. Dit wordt de controle van het kapregister genoemd (Control Union Certifications, 2007).
7
2.3.3.
FSC
FSC staat voor Forest Stewardship Council en is een internationale ngo die opgericht is in 1993. Ze willen ervoor zorgen dat bossen over de hele wereld de sociale, ecologische en economische rechten en noden van de huidige generatie kunnen vervullen zonder die van de toekomstige generaties in het gedrang te brengen (FSC, 2011). FSC zorgt voor de certificering van duurzaam beheerde bossen en voorziet de hieruit afkomstige houtproducten van het FSC label of keurmerk. De certificering gebeurt op basis van hun 10 algemene principes en criteria voor verantwoord bosbeheer, die verder uitgewerkt worden naar gelang het type bos en de locatie ervan (Bijlage 1). Om een FSC boscertificaat te bekomen dient een bosbeheerder een erkende onafhankelijke instelling te contacteren die eerst het bosbeheerplan evalueert. Hierna volgt een (minimaal) jaarlijkse audit om na te gaan of het beheer ook in praktijk voldoet aan de FSC vereisten. Naast het FSC boscertificaat is er ook het FSC CoC certificaat, dat wordt toegekend wanneer de Chain of Custody (de handelsketen) ook volledig voldoet aan de FSC normen. Hierbij wordt elke betrokkene in het verwerkingsproces (zagerij, invoerder, houthandel,…) gecontroleerd door een erkende onafhankelijke instelling voordat het certificaat wordt toegekend. Het FSC label garandeert dat het product dat het label draagt, vervaardigd is van hout(producten) uit een verantwoord beheerd bos (FSC Belgium, 2009).
2.4. Houtproductie en houtexport van Suriname 2.4.1.
Houtproductie in Suriname
In 2009 bedroeg de totale rondhoutproductie (zowel industrieel als niet industrieel rondhout) in Suriname 207 388 m³. Industrieel rondhout bestaat uit rondhout (zaag- en schilhout), vierkant bekapte palen, korte draadpalen, shingles en gezaagd hout. Niet-industrieel rondhout bestaat uit brandhout en houtskool. Een verdeling van de productie over de verschillende assortimenten is terug te vinden in Tabel 1. Tabel 1: Totale rondhoutproductie per assortiment in 2009 (in m³ rondhout equivalent) (SBB, 2010) Industrieel rondhout rondhout (zaag- en schilhout) vierkant bekapte palen korte draad palen shingles gezaagd hout Subtotaal Niet-industrieel rondhout brandhout houtskool Subtotaal Totaal
m³ 188 269 1 388 6 524 5 10 789 206 975 m³ 405 8 413 207 388
8
De totale productie van industrieel rondhout exclusief kleine houtwaren bedroeg 189 622 m³ in 2009. Gronfolo was de meest gevelde houtsoort dat jaar met een volume van 40 014 m³ (21% van de totale productie). Basralocus was de tweede productiehoutsoort met een volume van 31 764 m³ (17%). De volgende meest gevelde houtsoorten waren kopi (6,41%), wana (4,34%), gele kabbes (4,16%), bruinhart (4,13%), wana kwari (3,79%), djinda oedoe (2,74%), soemaroeba (2,63%) en mawsi kwari (2,06%) (SBB, 2010). Het overzicht is terug te vinden in Tabel 2. Tabel 2: Industrieel rondhout productie per houtsoort in 2009 (in m³ rondhout equivalent) (SBB, 2010) Internationale Industrieel Industrieel Lokale naam Botanische naam handelsnaam rondhout* rondhout* (m³) (%) Gronfolo (Berg-,Hoog-, Mandio, Quaruba Qualea spp. 40 014 21,1 Laagland) Basralocus Angelique Dicorynia guianensis Amsh. 31 764 16,75 Kopi Cupiuba, Kabukalli Goupia glabra Aubl. 12 158 6,41 Wana Louro vermelho Ocotea rubra Mez 8 239 4,34 Gele kabbes Arisauro Vatairea guianensis Aubl. 7 882 4,16 Bruinhart Wacapou Vouacapoua americana Aubl. 7 837 4,13 Wana kwari Quaruba, Iteballi Vochysia tomentosa (G.F.W. Mey.) DC. 7 192 3,79 Djinda oedoe Nargusta, Fukadi Buchenavia tetraphylla (Aubl.) Howard 5 189 2,74 Soemaruba Marupa, Simaruba Simarouba amara Aubl. 4 994 2,63 Mawsi kwari Jaboty Erisma uncinatum Warm. 3 901 2,06 Overige soorten Totaal
60 452
31,88
189 622
100
*industrieel rondhout exclusief kleine houtwaren 2.4.2.
Houtexport uit Suriname
In 2009 werd een volume van 34 231 m³ hout en houtproducten met een waarde van 5 180 265 US $ geëxporteerd. Dit betekent dat slechts 16,5% van de totale houtproductie bestemd was voor export. Hout voor export bestaat uit de assortimenten rondhout, vierkant bekapte palen, letterhout en gezaagd hout. Een overzicht van de verdeling is terug te vinden in Tabel 3 (SBB, 2010). Tabel 3: Houtexport per assortiment in 2009 (SBB, 2010) FOB waarde Assortiment Volume (m³) (US $) rondhout vierkant bekapte palen letterhout gezaagd hout Totaal
28 724 1 159 76 4 272 34 231
3 353 735 261 176 213 664 1 351 690 5 180 265
De belangrijkste afzetmarkt van Surinaams hout in 2009 was Azië. Deze regio nam 29 329 m³ of 86% van de totale export voor zich, waarvan 27 464 m³ (96%) bestond uit rondhout en 76 m³ (100%) aan letterhout.
9
De tweede belangrijkste afnemer was Europa. Deze regio nam 2 798 m³ of 8% van de totale export voor zich waarvan 1 210 m³ (28%) bestond uit gezaagd hout en 1 159 m³ (100%) uit vierkant bekapte palen. Verder werd ook 986 m³ of 3% geëxporteerd naar het Caraïbisch gebied, 680 m³ of 2% naar ZuidAmerika en 430 m³ of 1% naar Centraal Amerika. Naar Afrika werd slechts 8 m³ geëxporteerd (SBB, 2010). In het assortiment rondhout was basralocus met een volume van 6 883 m³ (24% van de export) de meest geëxporteerde houtsoort. Deze soort werd gevolgd door djinda oedoe met 11,9%, kimboto (Pradosia ptychandra) met 9,2%, bruinhart met 7,3%, bolletrie (Manilkara bidentata) met 6,4%, maka-grin (Tabebuia capitata) met 6,4%, purperhart (Peltogyne paniculata) met 4,6% en gele kabbes met 4,6%. Deze 8 houtsoorten droegen voor 74,4% bij tot de export aan rondhout. Het assortiment vierkant bekapte palen voor export bestond uit 1 159m³ van de houtsoort basralocus. Van het houtsoort letterhout (Brosimum guianense) werd 76m³ geëxporteerd. Voor het assortiment gezaagd hout was meri (Humiria balsamifera) met een volume van 1 045 m³ (24,5% van de export) de meest geëxporteerde houtsoort. Deze soort werd gevolgd door basralocus met 24%, gronfolo met 10,7%, groenhart (Tabebuia serratifolia) met 10,6%, gele kabbes met 8,3%, bolletrie met 4,8% en maka grin met 4,8%. Deze 7 houtsoorten droegen voor 87,7% bij tot de export aan gezaagd hout (SBB, 2010). De houtexport vanuit Suriname kende geen continue afzet over de jaren heen. In Figuur 2 is een overzicht van het houtexport volume en waarde van de periode 1990 tot 2009 weergegeven. De jaren 1997, 2002 en 2008 waren duidelijk piekjaren met respectievelijk 42 600m³ (6 079 000 US $), 34 455 m³ (5 405 000 US $) en 35 850 m³ (5 542 900 US $). De gehele periode kende een stijgende trend in export van houtvolume en houtwaarde (SBB, 2010). 7.000.000
45.000 40.000
6.000.000
35.000
4.000.000
20.000
3.000.000
15.000
2.000.000
10.000 1.000.000
5.000
0
0 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
m³
25.000
US $
5.000.000
30.000
export volume
export waarde
Figuur 2: Houtexport volume en waarde van 1990-2009 (SBB, 2010)
10
2.5. Suma Lumber Company N.V. 2.5.1.
Geschiedenis
Suma Lumber Company N.V. is een bosexploitatie- en houtverwerkingsbedrijf in Suriname dat werd opgericht op 10 juli 1998. Het beschikt over 4 consessies, gelegen in het Tibiti-gebied (zie Figuur 3). De totale oppervlakte van het bosgebied bedraagt ongeveer 65 000 ha en bestaat voor 80% uit hoogland tropisch regenwoud (Control Union Certifications, 2007). Tijdens de beginjaren werd voornamelijk geïnvesteerd in infrastructuur en voorbereidende werkzaamheden. Hoofd- en afvoerwegen werden aangelegd en a.d.h.v. inventarisatiedata werd een eerste jaarkapplan opgesteld. In 2000 startte het bedrijf met de verkoop van rondhout. Ongeveer drie jaar later werd een zagerij met bijhorende slijperij opgestart in de consessie 422 in Tibiti (zie Figuur 4), samen met een verwerkingseenheid in Leiding in het district Wanica aan het Saramacca kanaal. In februari 2005 ging de productie van gezaagd hout van start. Zowel het rondhout als het gezaagde hout werden met rivierpontons vanuit de rivierlanding in Kabo getransporteerd via de Tibiti rivier naar de verwerkingseenheid in Leiding. In 2006 werd de stap richting duurzaam bosbeheer gezet en besloot de bedrijfsleiding resoluut te gaan voor FSC certificering. Hiervoor werd een certificeringsbureau (Control Union Certifications) benaderd dat in november 2006 een baseline audit uitvoerde. De volwaardige audit vond plaats in december 2007, waarna het certificaat op 6 juni 2008 werd toegekend. Suma Lumber was daarmee het eerste Surinaams bosbouwbedrijf dat in het bezit kwam van het begeerde FSC certificaat. Ook de Chain of Custody certificering van de zagerij van Suma Lumber Co N.V. is van groot belang en maakt onderdeel uit van de toekomstige certificering (Van Roy, 2009). 2.5.2.
Bosbeheersysteem
Suma Lumber Company N.V. werkt momenteel met het Forest Management Plan 2009-2013 dat in 2009 werd opgesteld. Dit omvat alle geplande boswerkzaamheden gedurende die periode. Voordat bomen geveld worden, vindt eerst een inventarisatie plaats. Suma Lumber deelt het concessiegebied hiervoor op in kapvakken van 100 ha. Deze vakken worden verder opgedeeld in percelen van 10 ha, die elk in 4 stroken worden verdeeld. Langs deze stroken wordt vastgesteld hoeveel oogstbare bomen er aanwezig zijn, wat hun diameter is, op welke locatie ze zich bevinden en over welke houtsoorten het gaat. De inventarisatie wordt onderbouwd met GPS coördinaten en GIS kaarten. Dit maakt het mogelijk een voorselectie van de oogstbare bomen te maken op computer, waarna markeerders op het terrein nagaan of deze ook commercieel waardig zijn. Hierbij komen enkel bomen in aanmerking met rechte stammen die niet gelegen zijn in kwetsbare gebieden als kreken en waterlopen. Ook wordt er rekening gehouden met de fauna in en rondom de bomen (Control Union Certifications, 2007; WWF Guianas, 2009). Door de overstap naar duurzame bosbouw werkt Suma Lumber Company N.V. nu volgens de principes van Reduced Impact Logging (RIL). Dit houdt in dat schade aan het omliggende bos bij exploitatie tot een minimum beperkt wordt. De houtkap wordt zodanig uitgevoerd dat natuurlijke processen als natuurlijke verjonging en bijgroei van het overblijvende bos het bosherstel bespoedigen. 11
Figuur 3: Overzichtskaart consessies Suma Lumber Co N.V. (Van Roy, 2009)
Figuur 4: Kaart van concessie 422 langs de weg naar West-Suriname, tussen Zanderij en Apoera (Van Roy, 2009)
12
RIL wordt in verschillende tropische bossen toegepast, overwegend in Azië en Zuid-Amerika. Hierbij zijn de basisprincipes van de RIL-systemen hetzelfde, maar hebben ze elk hun specifieke kenmerken. Het RIL-systeem dat binnen Suma Lumber wordt toegepast, is het RIL-systeem dat in buurland Guyana werd ontwikkeld. Dit systeem bouwt voor een groot deel verder op het CELOS management systeem (zie 2.3.1). Kenmerkend voor het bosbeheersysteem van Suma Lumber zijn de volgende elementen: o Duurzame houtoogst met een omlooptijd van 25 jaar en een geoogst volume dat lager ligt dan de periodieke aanwas; o Organisatie van het bos door indeling van het areaal in beheersbare eenheden; o Planning van de boswerkzaamheden aan de hand van inventarisatiegegevens en kaartmateriaal; o Zorgvuldige planning van wegen, kreekovergangen, landings, sleepwegen, enz.; o Selectieve kap waarbij door toedoen van gerichte velling de openingen in het kronendak zo klein mogelijk gehouden worden; o Aanleg van bufferzones rond kwetsbare gebieden (vb. rond watervoerende systemen, gebieden van belangrijke ecologische waarde, steile hellingen, ...). Na het vellen worden de bomen uitgesleept met een skidder. Deze rijdt alleen over de geplande sleepwegen en maakt gebruik van een winchkabel om zo weinig mogelijk schade aan te richten. De gevelde boomstammen worden vervolgens verzameld op een laadplaats waarna ze naar de zagerij vervoerd worden en daar opgedeeld worden in planken (Van Roy, 2009). 2.5.3.
Productie en afzet
Suma Lumber Co N.V. werkt vanuit twee locaties. In de concessie in Tibiti vinden de exploitatie activiteiten plaats en wordt het grootste gedeelte van het rondhout verzaagd tot ruw gezaagd hout. Dit wordt verder verwerkt tot afgewerkte producten in de verwerkingseenheid in Leiding. Suma Lumber telt momenteel 76 werknemers en haalt een tijdens de droge seizoenen een rondhoutproductie van ongeveer 2500 m³ per maand. De input van de zagerij bedraagt momenteel ongeveer 1000 m³ per maand. De bedoeling is deze input binnen korte termijn op te voeren naar 2500 m³ per maand door het inbrengen van twee extra bandzagen. Van de geproduceerde houtproducten wordt momenteel 40% geëxporteerd en is de overige 60% bestemd voor de lokale markt (Van Roy, 2009). Een overzicht van de 32 meest gevelde soorten van Suma Lumber Co N.V. is terug te vinden in Tabel 4.
13
Tabel 4: Meest gevelde soorten van Suma Lumber Co N.V. Code Surinaamse naam
Wetenschappelijke naam
Familie
Subfamilie
BAS
Basralocus
Dicorynia guianensis Amsh.
Fabaceae
Caesalpinioideae
BBB BGR BOL BTM DJI GKB GRH HGR ING KAW KKP KOP MKB MKG
Berg bebe Berg gronfolo Bolletrie Bostamarinde Djinda oedoe Gele kabbes Groenhart Hoogland gronfolo Ingipipa Kaw oedoe Kromanti kopi Kopi Maka kabbes Maka grin
Swartzia benthamiana Miq. Qualea rosea Aubl. Manilkara bidentata (A. DC.) A. Chev. Hydrochorea corymbosa (Rich.) Barneby & Grimes Buchenavia tetraphylla (Aubl.) Howard Vatairea guianensis Aubl. Tabebuia serratifolia (Vahl) G. Nicholson Ruizterania albiflora (Warm.) Marc.-Berti Couratari spp Bagassa guianensis Aubl. Aspidosperma album (Vahl) Benth. ex Pichon Goupia glabra Aubl. Hymenolobium petraeum Ducke Tabebuia capitata (Bur. & K.Schum.) Sandwith
Fabaceae Vochysiaceae Sapotaceae Fabaceae Combretaceae Fabaceae Bignoniaceae Vochysiaceae Lecythidaceae Moraceae Apocynaceae Goupiaceae Fabaceae Bignoniaceae
Caesalpinioideae
Erisma uncinatum Warm. Platonia esculenta (Arruda) Rickett & Stafleu Pseudopiptadenia psilostachya (DC.)G.P.Lewis & M.P.Lima Peltogyne pubescens (Benth.) M. F. Silva Andira spp Tetragastris altissima (Aubl.) Swart Tetragastris spp Brosimum rubescens Taub. Loxopterygium sagotii Hook. f. Simarouba amara Aubl. Eperua falcata Aubl. Ocotea rubra Mez Vochysia tomentosa (G.F.W. Mey.) DC. Martiodendron parviflorum (Amshoff) R. Koeppen Vochysia guianensis Aubl. Diplotropis purpurea (Rich.) Amshoff Ocotea aurantiodora (Ruiz & Pav.) Mez
Vochysiaceae Clusiaceae Fabaceae
MWK Mawsi kwari PAK Pakuli PMS Pikien misiki PRH ROK RSL SAL SAT SLH SMB WAL WAN WNK WPL WWK ZWK ZWP
Purperhart Rode kabbes Rode sali Sali Satijnhout Slangenhout Soemaroeba Walaba Wana Wana kwari Witte pinto locus Wis wis kwari Zwarte kabbes Zwarte pisi
Fabaceae Fabaceae Burseraceae Burseraceae Moraceae Anacardiaceae Simaroubaceae Fabaceae Lauraceae Vochysiaceae Fabaceae Vochysiaceae Fabaceae Lauraceae
Mimosoideae Papilionoideae
Papilionoideae
Mimosoideae Caesalpinioideae Papilionoideae
Caesalpinioideae
Caesalpinioideae Papilionoideae
2.6. Xylaria Een xylarium (meervoud: “xylaria”) is een collectie stalen van houtige planten. De houtstalen uit deze collecties hebben variabele afmetingen en zijn meestal botanisch geïdentificeerd door gecertificeerd herbariummateriaal, bestaande uit bladeren, twijgen, bloemen en vruchten (Beeckman, 2008). Om de originele structuur en chemische conditie van de houtstalen te bewaren, worden de stalen onder constante omstandigheden bewaard en mogen ze als luchtdroog beschouwd worden (Maniatis et al., 2010).
14
Voor deze masterproef wordt gewerkt met stalen van het Nationaal Herbarium van Suriname en van het xylarium van het Koninklijk Museum voor Midden-Afrika (KMMA) in Tervuren, België. Dit type stalen is gekozen omdat een xylarium meestal beschikt over verschillende stalen per houtsoort, zodat variabiliteit in rekening gebracht wordt. Ook is er zekerheid over de botanische achtergrond van de soort. Volledige lijsten van de houtstalen zijn terug te vinden in de onderdelen ‘materiaal en methoden’ (hoofdstuk 3) en ‘bijlagen’ (hoofdstuk 7). Het Nationaal Herbarium van Suriname (NHS) is in 1947 opgericht als Bosch Beheer Suriname (BBS) en maakt sinds 1979 deel uit van Anton de Kom Universiteit van Suriname. Het zet zich in voor het behoud van de biodiversiteit in Suriname en beschikt over meer dan 8000 houtmonsters (Adekus, 2006). Het xylarium van Tervuren is opgericht aan het eind van de 19de eeuw, met als oorspronkelijk doel het overtuigen van het Belgische publiek en de economische sector van het belang van de kolonie in Midden-Afrika. Hoewel het xylarium gelegen is in het Koninklijk Museum voor Midden-Afrika, bevat het houtstalen van over de hele wereld. Naast deze stalen zijn ook de afgeleide collecties van groot belang voor wetenschappelijk onderzoek. Deze bestaan uit microscopische coupes, gemaakt uit microtomische secties van de aanwezige houtstalen, die worden gebruikt voor zowel houtanatomisch onderzoek als voor identificatie (Beeckman, 2008). De database van de collectie is ook steeds online te raadplegen (www.metafro.be/xylarium) en wordt op regelmatige tijdstippen van updates voorzien. Op de website zijn de officiële benaming en andere synoniemen van een soort terug te vinden en dikwijls ook foto’s van de boom, het hout en/of microscopische beelden. Waar mogelijk zijn ook links gegeven naar andere databanken die bv. de technologische aspecten van de soort beschrijven.
2.7. Determinatiesleutels Een determinatiesleutel wordt opgesteld om o.a. planten- en dierensoorten te identificeren aan de hand van waarneembare kenmerken. De meeste sleutels gaan tot op familie, andere tot op geslacht. Indien binnen een geslacht weinig verwarring bestaat tussen de verschillende soorten, leidt een sleutel dikwijls zelfs tot soortbepaling. Determinatiesleutels werden reeds opgesteld voor verschillende organismen zoals vissen (Maitland, 1972; Belpaire & Verreycken, 2007; De Silva & Liyanage, 2010), schimmels en zwammen (Vermeulen, 1999) en diverse anderen. Ook voor planten bestaan enorm veel determinatiesleutels, waarbij vaak de focus gelegd wordt op een aantal soorten, een bepaalde familie of geslacht (Weiner & Liese, 1993; Wirth et al., 2004; Zamora-Cornelio et al., 2010; CSIRO Plant Industry, 2010; de la CerdaLemus, 2011). De verhoute planten hierin worden gedetermineerd op basis van onder meer bloemen en bladeren. Voor hout bestaan er ook determinatiesleutels maar deze beperken zich veelal tot de gematigde streken (Koehler, 1917; Bond & Hamner, 1995; Schoch et al., 2004; Safdari et al., 2008) of behandelen slechts een deel van de tropen (Ilic, 1987; 1990; 1991). 15
Het Bomenboek voor Suriname (Lindeman & Mennega, 1963) biedt een uitgebreid overzicht van Surinaamse boomsoorten met niet alleen botanische kenmerken, maar ook beschrijvingen van het hout. Verder bevat dit boek een determinatiesleutel op basis van macroscopische houtkenmerken. Sommige houtsoorten die momenteel aan commerciële waarde winnen, maar nog niet commerciëel waardevol waren in 1963, staan summier of niet beschreven in het Bomenboek. Zoals de meeste reeds aangehaalde determinatiesleutels werkt het Bomenboek voor Suriname op basis van een dichotome sleutel, waarbij steeds uit 2 mogelijke antwoorden gekozen wordt en gestart wordt met een vast kenmerk. Dit kan een beperking zijn wanneer dit vast kenmerk niet duidelijk waarneembaar is terwijl andere kenmerken, die pas later aan bod komen, wel duidelijk zijn.
2.8. Kleur 2.8.1.
Inleiding
Het bepalen van de kleur van een object is niet eenvoudig, aangezien kleur eerder een interpretatie van het menselijke brein is dan een fysische waarheid. Kleurbepaling is afhankelijk van 3 factoren, namelijk de lichtbron, het object en de waarnemer. Colorimetrie heeft als doel het visuele oordeel van de menselijke waarnemer te vertalen naar numerieke waarden. Colorimetrische ruimtes zijn de geometrische ordening van kleuren binnenin het volledige gamma aan visuele waarnemingen. Ze zijn in staat kleuren te specificeren aan de hand van getallen en maken een objectieve classificatie mogelijk (Chrisment, 2004). 2.8.2.
De CIELAB kleurenruimte
In 1976 stelde de Commission Internationale d’Eclairage (CIE) het CIELAB systeem voor. Dit is een internationale standaard die tot op heden het meest gebruikt wordt in moderne colorimetrische systemen. De CIELAB kleurenruimte heeft de eigenschappen van een Euclidische ruimte. Elk van zijn punten kan worden weergegeven in een cartesisch coördinatenstelsel met coördinaten L*, a* en b* (Figuur 5): o L* is de helderheid is en ligt tussen 0 (zwart) en 100 (wit), o a* is de rood-groene component waarbij negatieve waarden een groene tint aanduiden en positieve waarden een rode, o b* is de geel-blauwe component waarbij negatieve waarden een blauwe tint aanduiden en positieve waarden een gele (Chrisment, 2004). Door het quasi-uniforme karakter van de CIELAB ruimte drukt de geometrische afstand tussen twee punten het kleurverschil tussen deze punten uit. Het totale kleurverschil (∆E*) is een combinatie van de verschillen in de drie variabelen en wordt uitgedrukt door (Chrisment, 2004): 2
2
2
∆E* = (∆L* ) +(∆a* ) +(∆b* )
(1)
Met ∆L*: het verschil in helderheid, ∆a*: het verschil in rood-groene kleur en ∆b*: het verschil in geel-blauwe kleur. Dit totale kleurverschil komt volgens Hunt (1991) overeen met het kleurverschil gedetecteerd door het menselijke oog. Vanaf welke waarde van ΔE* ook het ook effectief mogelijk is een kleurverschil 16
te onderscheiden, is nog niet eenduidig uitgemaakt. Wilkins en Stamp (1990) stellen dat ΔE*=1 visueel waarneembaar is voor getrainde waarnemers, terwijl de meeste waarnemers pas een verschil zien vanaf ΔE*=2. Volgens Vander Haeghen et al. (2000) is ΔE*=1 het theoretische net waarneembare kleurverschil, maar blijft alles kleiner dan ΔE*=3 meestal onopgemerkt. Terziev en Boutelje (1998) beweren dankzij hun studie omtrent houtkleur dat een ΔE*=2 volstaat om kleurverschillen op te merken.
Figuur 5: L*a*b* kleurenruimte
2.8.3.
De RGB kleurenruimte
De RGB kleurenruimte bestaat uit de drie additieve primaire kleuren rood (R), groen (G) en blauw (B). Ze kan voorgesteld worden door een 3-dimensionele kubus (Figuur 6) waarbij rood, groen en blauw langs de assen in de hoeken staan. Zwart bevindt zich in de oorsprong en wit in de tegenovergestelde hoek van de kubus. Grijswaarden bevinden zich op de lijn die zwart en wit verbindt. De RGB kleurenruimte beslaat slechts een deel van het kleurbereik van het menselijke oog (Singh et al., 2003).
Figuur 6: RGB kleurenruimte
2.8.4.
NCS kleurenatlas
Een kleurenatlas maakt het mogelijk om een kleur te kunnen beschrijven en ze te kunnen visualiseren binnen een fysieke set i.p.v. ze voor te stellen in een theoretische abstracte ruimte. Een kleurenatlas zorgt voor een definiëring en een nauwkeurige notatie van een kleur (Chrisment, 2004).
17
De kleurnotatie van het Natural Color System (NCS) is gebaseerd op de mate waarin een bepaalde kleur lijkt op een van de zes elementaire kleuren wit, zwart, geel, rood, blauw en groen. In de NCS notatie S 1050-G30Y beschrijft 1050 de nuance. Dit is de mate van gelijkenis met zwart (10%) en met de maximale chromaticiteit (50%). De kleurtoon G30Y beschrijft de mate van gelijkenis tussen groen (G) en geel (Y). G30Y komt overeen met 30% geel en 70% groen. Zuivere grijze kleuren hebben geen kleurtoon en krijgen alleen de nuance aanduiding gevolgd door de letter N. De letter S voor de NCS notatie houdt in dat het gaat om een standaard NCS kleurenstaal (NCS, 2011). 2.8.5.
Kleurbepaling bij hout
Voor de bepaling van kleur bij hout is de CIELAB ruimte aangewezen. Colorimetrie zou bovendien aangewend kunnen worden om het onderscheid tussen houtsoorten te maken (Camargos, 1999; Katuščák & Kucera, 2000). De kleur van hout werd reeds in verschillende studies onderzocht. Hierbij ging het in vele gevallen om hout uit de gematigde streken (Janin et al., 1987; Janin et al., 1990; Klumpers, 1994; Katuščák & Kucera, 2000; Mononen et al., 2002; Rappold & Smith, 2004). Camargos (1999) deelde verschillende tropische houtsoorten in verschillende groepen in volgens kleur en Nishino et al. (1998) bepaalde de kleur van 97 houtsoorten uit Frans Guyana. De variatie van houtkleur werd nagegaan in functie van de bosbouwkundige behandeling (Wilkins & Stamp, 1990) en het stockeren en drogen van het hout (Mononen et al., 2002; Rappold & Smith, 2004). Ook werd de correlatie tussen densiteit en kleur onderzocht (Nishino et al. 2000; Montes et al., 2008; Palmer, 2008). In de studies van Camargos (1999) en Katuščák & Kucera (2000) werd kleur aangewend om houtsoorten van elkaar te onderscheiden. In de vermelde studies werd kleur onderzocht op radiale en tangentiale vlakken. Deze vlakken genieten volgens Janin et al. (1990) de voorkeur aangezien kleur op transversaal vlak moeilijker te bepalen is. De manier waarop hout verwerkt wordt heeft ook een invloed op de kleurbepaling. Volgens Sullivan et al. (1967a) is er een verschil tussen geschaafd en geschuurd hout. Geschaafd hout zou volgens Klumpers (1994) een zuiverder oppervlak creëren dan geschuurd of gezaagd hout. Bij gezaagd hout worden de cellen geplet en bij geschuurd hout worden deze gevuld met schuurstof, wat een invloed op de kleurwaarden heeft.
18
3. Materiaal en methoden In deze masterproef wordt aan de hand van voornamelijk xylariumstalen een macroscopische sleutel opgemaakt. Hiervoor wordt gewerkt met de voor macroscopie nuttige kenmerken van de lijst opgesteld door de International Association of Wood Anatomists (IAWA), vatkenmerken, densiteiten kleurbepaling. Een uiteenzetting over deze technieken en hun nut volgt in dit hoofdstuk.
3.1. Determinatiesleutel Deze masterproef wil een praktisch te gebruiken macroscopische sleutel aanbieden van de meest gevelde soorten van Suma Lumber Company N.V. De focus ligt op het transversale vlak, aangezien dit vlak onder de meeste omstandigheden makkelijk zuiver gemaakt kan worden om houtanatomische kenmerken te bekijken. Bij tangentiale en radiale zaagwijze kan een kleine afwijking een vertekend beeld van de kenmerken opleveren. Een deel van de behandelde soorten waren terug te vinden in het werk van Richter & Dallwitz (2000 heden). Verder werd gebruik gemaakt van het Bomenboek voor Suriname (Lindeman & Mennega, 1963), Houtherkenning voor de praktijk (Bianchi, 1956), Manuel d’identification des bois tropicaux (Détienne, Jacquet, & Mariaux, 1982), InsideWood (InsideWood, 2004-heden), een voorlopige groepenindeling van de belangrijkste Surinaamse houtsoorten (Plouvier, 2010) en eigen bevindingen. Voor de beschrijving van van de kenmerken werd beroep gedaan op de IAWA kenmerkenlijst voor microscopische identificatie van hardhout (IAWA Committee, 1989). Uit deze lijst werden 23 kenmerken geselecteerd die op macroscopisch niveau van nut waren. De lijst en de geselecteerde kenmerken is terug te vinden in Bijlage 2.
3.2. Materiaal 3.2.1.
Xylariumstalen
In de eerste plaats werd gewerkt met een doos houtblokjes van 1x1x1cm³ uit Suriname. Deze blokjes werden verzameld en verzaagd door Dominiek Plouvier en waren afkomstig van de houtstalen uit het Nationaal Herbarium van Suriname. Elk staal werd gecodeerd met een nummer om correctheid van de botanische soort te garanderen. Uit deze collectie werden de 32 meest gevelde soorten door Suma Lumber Co N.V. geselecteerd, wat een totaal van 37 houtstalen opleverde. Aangezien van de meeste van deze soorten slechts één exemplaar beschikbaar was, waren herhalingsstalen aangewezen om natuurlijke variatie te ondervangen. In totaal werden hiervoor 196 stalen geselecteerd uit het xylarium van het KMMA van Tervuren. Deze stalen hebben variabele dimensies. Het overzicht van de stalen uit Suriname en het aantal herhalingsstalen uit het KMMA van Tervuren is terug te vinden in Tabel 5. Een uitgebreide tabel van de stalen van het KMMA is terug te vinden in Bijlage 3.
19
Tabel 5: Lijst Surinaamse stalen (St.: Collectie Stahel, Lind.: Collectie J.C. Lindeman, LBB.: Collectie Dienst 's Lands Bosbeheer, BBS.: Collectie Bosbeheer Suriname, Pl: Aanvullende monsters D. Plouvier) met vermelding van het aantal aanvullende stalen uit het KMMA (# KMMA) # KMMA Code Surinaamse naam Wetenschappelijke naam Familie Collectienr BAS BBB
Basralocus Berg bebe
Dicorynia guianensis Swartzia benthamiana
Fabaceae Fabaceae
BGR BOL BTM DJI GKB GRH HGR ING KAW KKP KOP MKB MKG MWK PAK PMS
Berg gronfolo Bolletrie Bostamarinde Djinda oedoe Gele kabbes Groenhart Hoogland gronfolo Ingipipa Kaw oedoe Kromanti kopi Kopi Maka kabbes Maka grin Mawsi kwari Pakuli / geelhart Pikien misiki
Qualea rosea Manilkara bidentata Hydrochorea corymbosa Buchenavia tetraphylla Vatairea guianensis Tabebuia serratifolia Ruizterania albiflora Couratari spp Bagassa guianensis Aspidosperma album Goupia glabra Hymenolobium petraeum Tabebuia capitata Erisma uncinatum Platonia esculenta Pseudopiptadenia psilostachya
Vochysiaceae Sapotaceae Fabaceae Combretaceae Fabaceae Bignoniaceae Vochysiaceae Lecythidaceae Moraceae Apocynaceae Goupiaceae Fabaceae Bignoniaceae Vochysiaceae Clusiaceae Fabaceae
PRH ROK
Purperhart Rode kabbes
Peltogyne pubescens Andira spp
Fabaceae Fabaceae
RSL SAL
Rode sali Sali
Tetragastris altissima Tetragastris spp
Burseraceae Burseraceae
SAT SLH SMB WAL WAN WNK WPL WWK
Satijnhout Slangenhout Soemaroeba Walaba Wana Wana kwari Witte pinto locus Wis wis kwari
Brosimum rubescens Loxopterygium sagotii Simarouba amara Eperua falcata Ocotea rubra Vochysia tomentosa Martiodendron parviflorum Vochysia guianensis
Moraceae Anacardiaceae Simaroubaceae Fabaceae Lauraceae Vochysiaceae Fabaceae Vochysiaceae
ZWK ZWP
Zwarte kabbes Zwarte pisi
Diplotropis purpurea Ocotea aurantiodora
Fabaceae Lauraceae
Pl. St. LBB. LBB. LBB. St. Lind. LBB. Pl. St. St. Lind. Lind. Pl. LBB. BBS. BBS. Pl. St. LBB. St. Pl. Pl. LBB. St. LBB. St. Pl. Pl. Pl. St. BBS. Lind. St. BBS. Pl. Lind.
10 369 9371 7440 7447 360 2853 9375 3 95 44 3712 2566 9 9362 1187 214 7 228 9449 210 17 18 9426 12 9355 170a 1 27 11 117 9 2855 47 15 19 5210
7 6 6 4 5 1 1 4 7 18 3 7 10 1 2 7 11 2 4 11 2 5 5 5 10 7 13 6 2 4 15 5
20
3.2.2.
Stalen afkomstig van Suma Lumber Company N.V.
Naast de xylariumstalen werd ook gewerkt met een set stalen uit de concessies in Tibiti, eigendom van Suma Lumber Company N.V. Deze stalen werden verzaagd tot blokjes van 5x5x5cm³. Het gaat om een totaal van 73 stalen, afkomstig van 14 soorten (Tabel 6). Tabel 6: Lijst stalen Suma Lumber Company N.V. Code Surinaamse naam Wetenschappelijke naam
Familie
Subfamilie
#
BTM Bostamarinde
Hydrochorea corymbosa
Fabaceae
Mimosoideae
5
DJI
Djinda oedoe
Buchenavia tetraphylla
Combretaceae
7
HGR
Hoogland gronfolo Ruizterania albiflora
Vochysiaceae
3 7
ING
Ingipipa Kaw oedoe KAW KOP Kopi
Couratari spp
Lecythidaceae
Bagassa guianensis
Moraceae
7
Goupia glabra
Goupiaceae
6
MKB Maka kabbes MWK Mawsi kwari
Hymenolobium petraeum
Fabaceae
Erisma uncinatum
Vochysiaceae
PMS Pikien misiki SAL Sali
Pseudopiptadenia psilostachya
Fabaceae
Tetragastris spp
Burseraceae
8
WAN Wana WNK Wana kwari
Ocotea rubra
Lauraceae
5
Vochysia tomentosa
Vochysiaceae
5
WWK Wis wis kwari
Vochysia guianensis
Vochysiaceae
6
Papilionoideae
6 2
Mimosoideae
6
3.3. Voorbehandeling De determinatiesleutel werkt voornamelijk met kenmerken die zichtbaar zijn op het transversale vlak. Dit vlak dient dus egaal te zijn, om alle kenmerken zo duidelijk mogelijk te laten zien. Om deze reden werden alle stalen opgeschuurd. Voor een egaal effect zonder groeven is het belangrijk de stalen eerst te schuren met schuurpapier met een grove korrel, dan met een reeks fijnere korrels en te eindigen met een zeer fijne korrel. Korrelgrootte wordt uitgedrukt door een getal, voorafgegaan door de letter “P”. Deze standaard is bepaald door de Federation of European Producers of Abrasives (FEPA) en komt overeen met het aantal mazen per vierkante inch van de zeef waarmee de korrelgrootte van het schuurmateriaal bepaald wordt. Hoe hoger de waarde, hoe fijner het schuurpapier is (FEPA, 2011). Voor de xylariumstalen uit Suriname gebeurde het schuurwerk met een kolomboormachine, voorzien van een opzetstuk voor schuurpapier. Elk staal werd achtereenvolgens geschuurd met korrelgroottes P80, P180, P320, P400, P600, P800 en P1200. Na elke schuurbeurt met een bepaalde korrelgrootte werd het schuurstof verwijderd d.m.v. natte perslucht. De andere stalen werden geschuurd met behulp van een bandschuurmachine. Voor de stalen van het KMMA werd gebruik gemaakt van korrelgroottes P320, P400 en P600. Bij de stalen van Suma Lumber waren dit P120, P150, P240, P400, P600, P800 en P1200. Ook hierbij werd het schuurstof na elke schuurbeurt met een bepaalde korrelgrootte verwijderd met natte perslucht. 21
3.4. Vatmetingen Door een digitale camera op een stereomicroscoop te plaatsen werden foto’s van de houtstalen uit het xylarium van Suriname genomen op vergroting 10x en 40x. Met behulp van de software Cell’D werd nadien de gemiddelde tangentiale vatdiameter en het aantal vaten per mm² bepaald volgens de IAWA methode (IAWA Committee, 1989). Hiertoe werden 25 vaten per houtsoort opgemeten aan het breedste stuk van de vatopening op transversaal vlak. Dit gebeurde op vergroting 10x of 40x naargelang de grootte van de vaten, 25 vaten dienden immers in beeld te zijn. Voor de vatdensiteit werd een grid van veldjes van 1 mm² op de beelden gelegd en het aantal vaten in 5 veldjes van het grid werd geteld. Elke vat werd als individu geteld, ook de vaten die deel uitmaakten van een radiaal groepje vaten. Vaten die slechts gedeeltelijk in een veld lagen werden maar voor de helft meegeteld.
3.5. Densiteitsbepaling 3.5.1.
Inleiding
Van de 196 stalen afkomstig uit het xylarium van Tervuren werd de densiteit bepaald. Hiervoor werd het volume bepaald via onderdompeling in water. De stalen werden hierbij niet op voorhand gedroogd aangezien ze luchtdroog en geconditioneerd verondersteld werden (zie 2.6). De massa werd gewogen aan de hand van 4 verschillende weegschalen in functie van de massa van de stalen. Een overzicht hiervan is terug te vinden Tabel 7.
Type
Tabel 7: Overzicht weegschalen Gewicht stalen (g) Weegschaal
Precisie (g)
a b c
<120 120<x<200 200<x<2000
0,001 0,001 0,01
3.5.2.
Sartorius basic Sartorius analytic Kern pls 2100-2
Opstelling volumebepaling
In Figuur 7 is de opstelling voor de volumebepaling terug te vinden. Hierbij stond een weegschaal, gelinkt aan het gewicht van de stalen (zie Tabel 7), bovenop een plank, voorzien van een gat, op twee schragen geplaatst. De onderkant van de weegschaal was voorzien van een haakje waaraan visdraad en een met lood verzwaarde klem bevestigd waren. Onder deze opstelling werd een grote bak gevuld met gedemineraliseerd water geplaatst. De houtstalen werden beurtelings in de klem gehangen en zo onder water gedompeld.
22
Figuur 7: De opstelling voor de volumebepaling van de houtstalen.
3.5.3.
Krachtenleer volumebepaling
In Figuur 8 staan de krachten afgebeeld die optreden tijdens de volumebepaling. In A staan de krachten die het houtstaal en de klem veroorzaken wanneer ze aan de weegschaal gehangen worden, zonder onder water gedompeld te worden. In B worden het houtstaal en de klem onder water gedompeld en wordt ook de Archimedeskracht in rekening gebracht. In C wordt de weegschaal getarreerd wanneer enkel de klem in het water wordt ondergedompeld. Vervolgens wordt het houtstaal samen met de klem ondergedompeld en dienen enkel de krachten van het houtstaal in rekening gebracht te worden.
Figuur 8: Krachten, A: klem en houtstaal aan weegschaal, luchtdroog, B: klem en houtstaal aan weegschaal, ondergedompeld, C: houtstaal aan weegschaal ondergedompeld, na tarrering
23
In situatie A geldt:
F =m ∗g F = m ∗ gF
In situatie B geldt:
F =ρ F =ρ F =F
(2) (3)
∗V ∗g ∗V ∗g
F =m ∗g F =m ∗g=F + F = (F − F ) + (F − F )
(4) (5) (6) (7) (8)
In situatie C geldt:
(9) F =m ! " ∗g (10) F = F = (F − F ) m ! " ∗ g = (m ∗g−ρ ∗V ∗ g) (11) Aangezien g (=9,81 m/s²) in de gehele vergelijking geschrapt kan worden en de densiteit van water (ρ ) gelijk is aan 1 g/cm³, geeft dit
(12) V =m −m ! " Met Hlucht : houtstaal luchtdroog, Honder: houtstaal onder water gedompeld, Hnat houtstaal nat, na '
onderdompeling, K: klem, eenheid F: #N%, eenheid m: #g%, eenheid g: &() *, eenheid V: #cm³%
Er diende dus vier keer een massa bepaald te worden. Eerst werden alle stalen luchtdroog gewogen op een weegschaal type a, b of c, naargelang hun gewicht (=mHlucht). Vervolgens werd de klem in de bak water gehangen (mK) en werd op de tarreertoets gedrukt. Dan werd het te meten staal in de klem geplaatst, ondergedompeld en werd deze massa afgelezen (=mHonder). Tenslotte werd het natte houtstaal afgedept met een handdoek om het geadsorbeerde water te verwijderen. De massa van het natte, afgedepte staal was mHnat. Nadat deze massa’s voor alle stalen bepaald waren, werden de stalen in de oven gedroogd volgens het schema weergegeven in Tabel 8. Zo werd de ovendroge massa bepaald (mo). Tabel 8: Droogschema voor het bekomen van ovendroge stalen (Maniatis et al., 2010) Temperatuur (°C) 60 80 103
Duur (h) 2 4 42
Het houtvochtgehalte (HV) kon dan bepaald worden via: (m − m! ) HV = ∗ 100% m!
(13)
Het volumegewicht (densiteit bij een bepaald houtvochtgehalte: rHV) werd bepaald door m r 2 = V
(14)
24
De nominale densiteit werd berekend door
nominale densiteit =
V
m!
(15)
Om na te gaan of de operator een invloed had op de metingen, werden 20 stalen opnieuw gemeten door iemand anders.
3.6. Kleurbepaling 3.6.1.
Inleiding
Van elke houtsoort werd onderzocht of kleur op kops vlak als kenmerk in de determinatiesleutel opgenomen kon worden. Het kops vlak werd gekozen uit praktische overwegingen omdat dit vlak onder de meeste omstandigheden steeds bekeken kan worden en sowieso zuiver gemaakt wordt voor macroscopische vaststelling van anatomische kenmerken. Van alle stalen werd de kleur bepaald. Zoals beschreven in 2.8.1 is de bepaling van kleur niet zo eenvoudig en daarom werd geopteerd de kleuren uit te drukken met behulp van de CIELAB kleurenruimte (zie 2.8.2). L*a*b* waarden kunnen rechtstreeks bepaald worden met behulp van spectrofotometers. Deze hebben echter het nadeel dat ze een klein meetoppervlak hebben waardoor het niet mogelijk is het totale kopse vlak op te meten en in beeld te brengen. Een ander nadeel is de kostprijs. Een flatbed scanner is goedkoper en wel in staat het volledige vlak in beeld te brengen en de kleur van elke pixel afzonderlijk te bepalen. Hierdoor is het ook mogelijk verschillende pixels met dezelfde kleurwaarden samen te voegen en zo bijvoorbeeld de kleur van het parenchym te bepalen. Een scanner meet echter wel in RGB waarden en niet in de gewenste L*a*b* waarden. Om alle voordelen van de scanner ten volle te kunnen benutten, was het dus aangewezen een model te creëren dat in staat was RGB waarden om te zetten naar L*a*b* waarden. Door het afhankelijke karakter van RGB kleurbepalingen van externe factoren, zoals de lamp van de scanner, kon de conversie van RGB waarden naar L*a*b* waarden niet gebeuren met behulp van een standaard formule. De gebruikte scanner was een flatbed scanner type Epson perfection 4990 photo. Deze scanner heeft een maximale optische resolutie van 4800 dpi en werkt met een koude-kathode fluorescentielamp. De beelden van de scanner werden gemaakt in 48 bit bij een resolutie van 4800 dpi voor de houtstalen uit het xylarium van Suriname en bij 1200 dpi voor de overige houtstalen. De gebruikte spectrofotometer was een Minolta CM-2600d spectrofotometer (Konica Minolta Sensing, Inc.). Dit is een draagbare kleurmeter waarvan de lichtbron bestaat uit drie xenon lampen die lichtpulsen genereren. De kleurmeter heeft een meetgeometrie van d/8° (“Diffuse/8°”) wat staat voor een diffuse lichtbron en een kleurwaarnemingshoek van 8° ten opzichte van het oppervlak. Het instrument kan kleur meten met of zonder glanscomponent (SCI/SCE of “Specular Component Included/Excluded”) en de meetopening kan als 3 mm of 8 mm gekozen worden.
25
De metingen met de spectrofotometer werden gedaan met een meetopening van 3 mm bij de standaard D65 lichtbron, welke overeenkomt met zonlicht bij 6500 K. De gevonden waarden werden in de CIELAB kleurenruimte uitgedrukt en de glanscomponent werd in rekening gebracht (SCI waarden). Voor het uitvoeren van de metingen werd de spectrofotometer eerst gekalibreerd met behulp van een witte en zwarte standaard welke bij het toestel bijgevoegd waren. Deze kalibratie gebeurde minstens elke 2 uur. Om strooilicht vanuit de omgeving te vermijden bij de kleine houtstalen, werden deze bij elke meting afgedekt door een zwart object. De meetgegevens werden verwerkt met de software SpectraMagicTMNX en nadien geëxporteerd naar Excel. 3.6.2.
RGB naar L*a*b* transformatie
León et al. (2006) vonden een methode om apparaatonafhankelijke L*a*b* waarden te verkrijgen van apparaatafhankelijke RGB waarden afkomstig van een digitale camera. Ze baseerden zich hierbij op het artikel van Hardeberg et al. (1996) waar de methode gebruikt werd om een scanner te kalibreren. Deze methode werd gevolgd voor het creëren van het gebruikte model in deze scriptie. De gebruikte nomenclatuur is terug te vinden in Tabel 9.
Variabele L* a* b* =* < ?* > =* @ R G B eL ea eb
Tabel 9: Gebruikte nomenclatuur Beschrijving Waarde voor L* gemeten met spectrofotometer Waarde voor a* gemeten met spectrofotometer Waarde voor b* gemeten met spectrofotometer Waarde voor L* berekend door model Waarde voor a* berekend door model Waarde voor b* berekend door model Waarde voor R van digitaal beeld van scanner Waarde voor G van digitaal beeld van scanner Waarde voor B van digitaal beeld van scanner Fout in schatting voor L* Fout in schatting voor a* Fout in schatting voor b*
Om de scanner te kalibreren werd gebruik gemaakt van 23 kleurenstandaarden, afkomstig uit de NCS kleurenatlas. Enkel kleurenstandaarden die zich in dezelfde kleurendeelruimte als de houtstalen situeerden, werden geselecteerd. Elke kleurenstandaard werd verdeeld in 10 gebieden zoals weergegeven in Figuur 9. In elk gebied werden de L*a*b* waarden door de Minolta spectrofotometer bepaald. De bekomen resultaten werden in een Excel bestand gezet, wat door Matlab (Bijlage 4 a) ingelezen kon worden.
26
Figuur 9: Kleurenstandaard (A4 formaat) verdeeld in 10 regio’s, rand van 2cm rondom vrijgelaten
Van elke standaard werd ook een digitaal RGB beeld van 48 bit en een resolutie van 120 dpi gemaakt door de scanner. Met behulp van Matlab (Bijlage 4 a, b) werden de gemiddelde R, G en B kleurwaarden voor elk van de 10 regio’s per kleurstandaard bepaald. In totaal werden dus 230 RGB waarden en de bijhorende 230 L*a*b* waarden bekomen. De methode voor de RGB naar L*a*b* transformatie bestond uit twee delen: 1) Definitie van het model: het model werkte met de parameters θ1, θ2 ,… θn : - Input: R,G,B = RGB variabelen, afkomstig van het digitale beeld gemaakt door de scanner = *,aB*, bD* = L*a*b* variabelen geschat door het model - Output: L 2) Kalibratie: de parameters θ1, θ2 ,… θn werden geschat op basis van de minimalisatie van de = *,aB*, bD* (output van het gemiddelde absolute fout tussen de geschatte variabelen L model) en de variabelen gemeten met de spectrofotometer L*, a* en b*. Eens het systeem gekalibreerd was, was het mogelijk L*a*b* waarden te verkrijgen op basis van RGB metingen van de scanner zonder het gebruik van een spectrofotometer. In het artikel van León et al. (2006) werd de gemiddelde fout voor elk model berekend door het vergelijken van de waarden van de spectrofotometer (L*, a*, b*) en de geschatte waarden van het = *,aB*, bD*): model (L J
∗
eE
1 GLH ∗ LDH G F , N ∆L
e
|aH ∗ aBH ∗ | 1 F , N ∆a
eN
1 GbH ∗ bDH G F , N ∆b
HK J HK J
(16)
∗
HK
Met N: de aantal metingen, ∆L=100, ∆a=∆b=240, ervan uitgaande dat 0≤L*≤100, -120≤a*≤120 en -120≤b*≤120 (León et al., 2006)
27
De gemiddelde fout werd berekend door: eO =
eE + e + eN 3
(17)
Het totale kleurverschil ∆E* (1) tussen de waarden van de spectrofotometer en de geschatte waarden werd ook berekend. 3.6.3.
Opbouw van de modellen
Twee modellen voor de omzetting van RGB naar L*a*b* waarden werden gebruikt, een lineair en een kwadratisch model. 3.6.3.1.
Lineair model
In het lineair model is de RGB naar L*a*b* transformatie een lineaire functie van de RGB variabelen: R M M R TGX B M 1 Voor de bepaling van het model werd eerst het volgende gedefinieerd: o De vector parameters voor het model:
o
o
M LD ∗ QaB ∗R = QM M bD ∗
M M M
M M M
M M θ=Q M
M M M
M M M
De input matrix met N metingen van R,G,B R G : X=Q : R J GJ L y = ^a b
… … …
B : BJ
LJ ∗ aJ ∗ ` bJ ∗
En de output vector met N metingen van L*, a* en b* ∗
∗
∗
M Z M R M 1 :R 1
Z
(18)
(19)
(20)
(21)
De schattingen van L*, a* en b* verkregen door de minimalisatie van de norm tussen metingen en schattingen ||a − aB|| waren dus gedefinieerd door (Söderström & Stoica, 1989):
Waar
yB = Xθ
θ = #X Z X%b X Z y
(22)
(23)
28
3.6.3.2.
Kwadratisch model
Het kwadratisch model houdt rekening met de invloed van het kwadraat van de variabelen R,G,B op = *,aB*, bD* waarden: de schatting van de L R gGk fBj f j M M M M M M M M M c M , d fRGj DL ∗ (24) M M M M M M M M c M , d ` fRBj QaB ∗R = ^M GB M M M M M M M M M c M , d f j bD ∗ f R² j f G² j f B² j e1i De schattingen van L*, a* en b* gebeurden op dezelfde manier als voor het lineaire model zoals in (22) en (23) . Hier gold: o De vector parameters voor het model:
o
o
M M M M M M M M Mc M , d Z M M M M M M M M c M , d` θ = ^M M M M M M M M M M c M , d De input matrix met N metingen van R,G,B R G B R G R B G B R ² G ² B ² 1 X=Q : : : : : : : : : :R R J GJ BJ R J GJ R J BJ GJ BJ R J ² GJ ² BJ ² 1
(25)
(26)
En de output vector met N metingen van L*, a* en b* zoals gedefinieerd in (21).
Dit alles werd geïmplementeerd in Matlab (Bijlage 4 b). 3.6.4.
Clustering van kleuren
Bij houtsoorten met een opvallend kleurverschil tussen bepaalde structuren zoals parenchym en grondweefsel, was het interessant om de kleur van deze structuren afzonderlijk te bepalen. Hiervoor werd gebruik gemaakt van de digitale beelden, bekomen met de scanner. In totaal ging dit om 10 houtsoorten en 80 beelden. Een overzicht is terug te vinden in hoofdstuk 4. 3.6.4.1.
K-means clustering
Met behulp van Matlab werd K-means clustering toegepast. Om makkelijker te werken werden de beelden eerst voor de helft verkleind. K-means clustering deelt punten van een n x p matrix X in k clusters op. Dit gebeurt via een iteratieve procedure waar punten aan een cluster toegewezen worden op basis van de afstand van het punt tot het centrum van de cluster. Per cluster wordt op basis van het gemiddelde van de toegewezen punten de locatie van het clustercentrum verplaatst en worden de punten opnieuw toegewezen. K-means clustering minimaliseert de som van de afstanden van het punt tot het centrum voor de punten binnen een cluster en voor alle clusters samen.
29
Per houtsoort werd op voorhand visueel bepaald in hoeveel clusters (en dus hoeveel te onderscheiden kleuren) de waarden verdeeld dienden te worden. De clustering werd uitgevoerd op de geschatte L*a*b* waarden bekomen door het lineaire model. Om de afstand van een punt tot een clustercentrum te bepalen werd gewerkt met het kwadraat van de Euclidische afstand. Elke clustering werd driemaal herhaald om lokale minima te vermijden. Als output werden de locaties van de clustercentra bekomen. Per cluster werden de gemiddelde L*, a* en b* waarden berekend en werd ook een figuur aangemaakt om aan te tonen met welke structuur de betreffende cluster overeenkwam. Het Matlab script is terug te vinden in Bijlage 4 c. 3.6.4.2.
Bepalen van het aantal clusters
De objectieve bepaling van het aantal clusters kan door clusteroplossingen te berekenen bij verschillende keuzes van het aantal clusters (k). De kwaliteit van een clustering kan geëvalueerd worden aan de hand van de Wilks’ Lambda waarde. Dit is een waarde tussen 0 en 1 die de variabiliteit van observaties binnen een cluster ten opzichte van deze tussen de clusters uitdrukt. Hoe dichter bij 0, hoe beter de clusters gescheiden zijn (StatSoft, 2011). Voor elke k werd de Wilks’ Lambda berekend en werd deze uitgezet t.o.v. k in een scree plot. Deze analyse werd uitgevoerd op een subset van 10 beelden (1 beeld per houtsoort) en in S-Plus toegepast. Als clustermethode werd Clustering LARge Applications (Clara) gebruikt omdat deze grote datasets kan verwerken. Terwijl K-means clustering gebaseerd is op de clustercentra van de observaties binnen een cluster, maakt Clara gebruik van de medioden of de meest representatieve observatie binnen een cluster. Het iteratief algoritme selecteert herhaaldelijk at random subsets uit de datamatrix en past op deze subsets Partitioning Around Mediods (Pam) toe. Het Pam algoritme start met k initiële medioden en kent elke observatie toe aan een cluster op basis van de afstand tot de mediode. Vervolgens zoekt het binnen elke cluster nieuwe medioden uit de observaties zodanig dat de som van de afstanden van elke observatie tot de mediode minimaal is. Het algoritme stopt wanneer er geen verandering meer optreedt. Nadat Pam is toegepast op de subset, worden vervolgens alle observaties van de volledige dataset toegekend aan de cluster met de dichtst bijgelegen mediode (StatSoft, 2011).
3.7. Classificatie van de resultaten Om een beter overzicht in de resultaten van de kleurbepaling, de vatmetingen en de densiteitbepaling te krijgen, werden deze geclusterd. Hiervoor werd de hiërarchische clustermethode Agglomerative Nesting (Agnes) gebruikt. Met een classificatieboom kon nagegaan worden op basis van welke variabelen de clusters zich van elkaar onderscheidden. Bij Agnes vormt elk object initieel een aparte cluster. In de eerste stap van het algoritme worden de twee objecten met de grootste similariteit samengevoegd. Bij elke volgende stap worden clusters met minimale dissimilariteit samengevoegd tot één grote cluster overblijft (StatSoft, 2011). Een classificatieboom gaat in de gebruikte dataset na welke stappen gevolgd dienen te worden om bij een bepaalde cluster uit te komen. 30
4. Resultaten en discussie Alle vat-, densiteit- en kleurmetingen worden in dit hoofdstuk besproken en waar mogelijk gerelateerd aan ander onderzoek. Verbanden tussen deze variabelen krijgen ook de nodige aandacht en worden gebruikt in het uiteindelijke resultaat: de determinatiesleutel.
4.1. Vatmetingen Het overzicht van de vatmetingen, berekend op de stalen uit het xylarium van Suriname is terug te vinden in Tabel 11. Het volledige overzicht van de metingen is terug te vinden in Bijlage 5. De eigen vatdensiteitsmetingen liggen steeds binnen de waarden van zowel InsideWood als deze van het Bomenboek. Wat betreft de gemiddelde vatgrootte, ligt deze voor de meeste houtsoorten binnen het bereik van InsideWood en dat van het Bomenboek. De gemeten minimum- en maximumgrootte van de vaten van een houtsoort vallen echter vaak net buiten het bereik van het Bomenboek. Dit is waarschijnlijk te verklaren doordat het Bomenboek geen rekening heeft gehouden met outliers bij het bepalen van het bereik van de vatgrootte. De gemeten waarden wijken in mindere mate af van die van InsideWood, aangezien deze met ruimere intervallen werken. Met behulp van Agnes en een classificatieboom werden de houtsoorten opgedeeld in groepen, op basis van hun vatgrootte en vatdensiteit (Tabel 10). Hierbij werd eerst een onderscheid gemaakt in vatdensiteit en vervolgens in vatgrootte. Het is dus mogelijk de houtsoorten op te delen in soorten met kleine, medium, grote en zeer grote vaten in combinatie met lage, medium en hoge vatdensiteit (Figuur 10). Tabel 10: Indeling van de houtsoorten in groepen volgens vatdensiteit (VD) (in vaten/mm²) en vatgrootte (VG) (in µm) VD <14 VD >14 Klein Medium Groot Zeer groot VG>229 VG <123 123
5 BOL BTM KOP BBB BAS GRH DJI ING PMS BGR KAW KKP PRH SAT ZWP GKB MKB MKG RSL WPL HGR MWK SAL WAL PAK SLH WAN ROK ZWK ROK2 SMB WNK WWK
1 mm Figuur 10: Van links naar rechts: BOL, ING, KOP, GKB, MKB en SAL (5x vergroot), elke figuur stelt een groep voor van Tabel 10.
31
Tabel 11: Overzicht van de vatmetingen, berekend op de stalen uit het xylarium van Suriname i.v.m. de waarden van InsideWood en het Bomenboek voor Suriname Code Tangentiale vatdiameter Vatdensiteit Xylariumstalen Suriname InsideWood Bomenboek Xylariumstalen Suriname InsideWood Bomenboek Gem. min max Gem. min max µm µm µm µm µm vaten/mm² vaten/mm² vaten/mm² vaten/mm² vaten/mm² BAS 249 193 326 ≥ 200 150-300 4,4 3 8 ≤ 5, 5-20 0-5 BBB 190 119 296 100 - 200 80-180 4,4 3 8 ≤ 5, 5-20 <10 BGR 214 104 289 ≥ 200 150-200 3,4 3 4 ≤ 5, 5-20 3--5 BOL 81 47 127 50-200 100 13 9 17 5--20 10--30 BTM 160 100 285 100 - 200 150-200 2,6 2 3 5--20 5 DJI 97 73 129 50-200 140-170 10 8 14 5--20 <10 GKB 188 74 270 ≥ 200 200 1,6 1 2 ≤ 5, 5-20 3--4 GRH 127 87 170 100-200 100-125 17,4 14 20 5--20 12--15 HGR 190 119 252 ≥ 200 150-200 3,2 2 5 ≤ 5, 5-20 3--5 ING 156 119 207 100-200, ≥ 200 150-250 4,4 2 6 ≤ 5, 5-20 3--5 KAW 272 207 348 100-200, ≥ 200 240-290 2,6 2 3 ≤ 5, 5-20 1--3 KKP 124 97 163 100-200 100 15 12 18 5--20 10--15 KOP 181 127 221 100-200 75, 150-175 8 6 10 5-20, 20-40 5--10 MKB 270 170 400 ≥ 200 1,6 1 2 ≤5 MKG 102 70 153 100-200 75-100, tot 150 15,4 13 18 5--20 12--17 MWK 233 163 289 ≥ 200 2 1 3 ≤ 5, 5-20 PAK 265 170 396 100-200, ≥ 200 200-300 1,8 1 3 ≤ 5, 5-20 1--2 PMS 133 89 193 100-200 140-170 5,8 5 7 5--20 4--9 PRH 95 70 118 80 8 7 9 ≤ 5, 5-20 10--13 ROK 275 200 370 ≥ 200 160-280 2,4 1 3 ≤ 5, (5-20) 1--2 RSL 113 70 170 100-200 80-125 12,4 6 16 5--20 12--20 SAL 119 66 167 100-200 80-125 16,4 12 22 5--20 12--20 SAT 133 63 200 100-200 100-200 3,4 2 5 ≤ 5, 5-20 1--5 SLH 132 101 167 100-200 100-150 15,2 9 22 5--20 10 SMB 253 148 370 100-200, ≥ 200 150-200 2,2 1 3 ≤5 2 WAL 202 148 252 100-200 150-200 2,2 1 3 ≤ 5, 5-20 WAN 185 126 267 100-200, ≥ 200 150-200 4,6 4 5 ≤ 5, 5-20 5--6
32
Code
WNK WPL WWK ZWK ZWP
Tangentiale vatdiameter Xylariumstalen Suriname InsideWood Gem. min max µm µm µm µm 241 119 363 ≥ 200 162 111 222 100-200 270 141 400 ≥ 200 224 159 330 100-200 140 107 180 100-200
Bomenboek µm 200-250 150-180 100-350 200 110-200
Vatdensiteit Xylariumstalen Suriname InsideWood Bomenboek Gem. min max vaten/mm² vaten/mm² vaten/mm² vaten/mm² vaten/mm² 1,6 1 2 ≤ 5, 5-20 4--5 2,2 1 4 5--20 3--4 1,9 1 3 ≤5 2 2,6 1 4 ≤ 5, 5-20 3--4 6,8 4 9 5--20 <12
33
4.2. Densiteit Na het ovendrogen kon het houtvochtgehalte in de houtstalen bepaald worden. Dit bedroeg gemiddeld 7,8% ± 0,8% met een minimum van 4,7% en een maximum van 9,7%. Van 9 stalen gebeurden de metingen na het drogen, bij een houtvochtgehalte van gemiddeld 2,8% ± 3,0%. De bekomen densiteitswaarden lagen echter steeds binnen het bereik van de waarden van de overige houtstalen van dat species en werden daarom mee in rekening gebracht. Om na te gaan of de volumebepaling met behulp van de opstelling correct gebeurde, werden van 10 stalen de dimensies opgemeten met een schuifmaat en zo het volume berekend. Met behulp van een gepaarde two-sample t-test werd een p-waarde van 0,28 (>0,05) bekomen. Het verschil tussen de volumes berekend met de opstelling en deze berekend met de schuifmaat was dus niet significant. Om na te gaan of de operator een invloed had op de metingen, werden 20 stalen opnieuw gemeten door een andere operator die de nodige informatie kreeg rond de meetmethode. Voor het volume en de densiteit werden met een gepaarde two-sample t-test respectievelijk een p-waarde van 4,8*10-5 (<0,05) en 1,6*10-6 (<0,05) bekomen. Het verschil in metingen was voor beide dus significant volgens de t-test. De gemiddelden van operator 1 en operator 2 voor het volume en de densiteit van deze metingen bedroegen echter respectievelijk 81,92 cm³ en 80,86 cm³ en 0,80 g/cm³ en 0,79 g/cm³, wat erg kleine verschillen waren in vergelijking met het bereik van de gemeten densiteit. De invloed van de operator mag als verwaarloosbaar beschouwd worden. Geringe verschillen in houtvochtgehalte en operator vormen geen probleem. Toch bestaan nog enkele factoren die kunnen leiden tot een minder nauwkeurige meting: 1. In principe zou het gebruikte water bij elke meting zuiver moeten zijn om een densiteit van 1 g/cm³ te kunnen garanderen. In praktijk werd het water pas na 100 stalen ververst. Een gepaarde steekproef van 10 stalen toonde aan dat er geen significant verschil (p-waarde = 0,54 > 0,05) was tussen de metingen van houtstalen voor en na het verversen van het water. 2. Bij het aflezen van de massa onder water kunnen fouten optreden omdat de weegschaal niet meteen kan stabiliseren, zolang het hout nog water opneemt. Het gewicht stabiliseerde echter wel redelijk snel (na ongeveer 40 s) zodat dit geen grote bron van fouten was. Bij houtsoorten met grotere waterabsorptie werd arbitrair afgelezen na 60 s. 3. Het afdeppen van de houtstalen vormt ook een belangrijke factor bij het mogelijk optreden van fouten. Indien te weinig geadsorbeerd water wordt verwijderd door de handdoek zal een hoger gewicht worden afgelezen dan het werkelijke gewicht van het staal. Indien water uit de vaten wordt geabsorbeerd door de handdoek zal het afgelezen gewicht echter lager zijn dan het werkelijk gewicht van het staal. De stalen werden niet afgedekt met hydrostatische parafilm. Het hout kon dus wel water absorberen wat een invloed op het volume en dus ook op de densiteit had. Voor de stalen kleiner dan 100 cm³ bedroeg deze waterabsorptie gemiddeld 1,20% van het volume en voor de stalen 34
groter dan 100 cm³ bedroeg deze 1,01%. De invloed van de waterabsorptie op de volumeverandering was dus verwaarloosbaar klein. Maniatis et al. (2010) toonden eveneens aan dat densiteitsbepaling van houtstalen zonder afdekken door parafilm de voorkeur genoot t.o.v. wel afdekken. 4. De nauwkeurigheid van de weegschaal is ook een mogelijke factor. De minst nauwkeurige weegschaal kon meten tot op 0,01 g. Voor de stalen kleiner dan 100 cm³ betekende dit een gemiddelde relatieve fout van 0,0006 en een gemiddelde absolute fout van 0,0004 g/cm³. Voor de stalen groter dan 100 cm³ waren dit een gemiddeld relatieve en absolute fout van respectievelijk 0,0002 en 0,0001 g/cm³. Deze waarden zijn dus verwaarloosbaar klein. Een nauwkeurigheid van 0,01 g heeft geen significante invloed op densiteitsmetingen. Bij het gebruik van een weegschaal met een nauwkeurigheid van 1 g zou dit een gemiddelde relatieve fout van 0,06 en een gemiddelde absolute fout van 0,04 g/cm³ opleveren voor stalen kleiner dan 100cm³. Voor de stalen groter dan 100cm³ zou dit een gemiddelde relatieve en absolute fout opleveren van 0,02 g/cm³. Ook deze waarden zijn verwaarloosbaar, gezien de variatie in densiteit. In Tabel 12 is het overzicht van de gemiddelde densiteit met bijhorende standaardafwijking per houtsoort terug te vinden. Het volledige overzicht van de densiteitsbepaling is terug te vinden in Bijlage 6. Deze waarden werden bovendien vergeleken met de waarden uit de Global Wood Density Database (GWDD) (Zanne et al., 2009). Het gemiddelde van de waarden van de metingen op de stalen uit het xylarium van Tervuren werd vergeleken met het gemiddelde van de waarden uit de GWDD met een two-sample t-test. De houtsoorten waarbij het verschil significant was, werden aangeduid met een *. Voor sommige houtsoorten waren geen of slechts één staal voorhanden in het xylarium of in de GWDD en konden deze niet vergeleken worden. De resultaten van de metingen stemden grotendeels overeen met deze van de GWDD, hoewel bijna altijd een hogere gemiddelde waarde terug te vinden is ten opzichte van de gemiddelde GWDDwaarde. In de GWDD-data zit geen of weinig informatie rond het houtvochtgehalte waarbij de metingen gebeuren. Waarschijnlijk is de oorzaak van deze kleine verschillen te zoeken bij een licht verschillende meetcondities. Bij de soorten met voldoende herhalingen valt de range van de gemeten waarden van de xylariumstalen wel binnen deze van de GWDD. Hieruit kan geconcludeerd worden dat de gebruikte densiteitsopstelling wel tot goede resultaten leidt. In totaal hadden 9 van de 39 soorten een significant verschillende densiteit van deze van de GWDD. De geselecteerde stalen uit de GWDD waren afkomstig uit heel Zuid-Amerika. De densiteit van een species is afhankelijk van de groeiplaats van de boom en kan verschillen over verschillende regio’s, bodemkwaliteit en/of bostypes (Patiño et al., 2009). Densiteit kan bovendien verschillen binnenin een boom (Zobel & van Buijtenen, 1989; Nogueira et al., 2005, 2007). Van de xylariumstalen uit Tervuren is niet geweten uit welk deel van de boom ze afkomstig zijn, wat een mogelijke verklaring kan zijn voor de variaties binnen een soort.
35
Tabel 12: Densiteit (in g/cm³) van de gemeten stalen van het xylarium KMMA per houtsoort, vergeleken met de densiteitswaarden uit de GWDD. De densiteitswaarden van GWDD zijn deze van houtsoorten uit heel Zuid-Amerika. Een significant verschil (p<0,05) tussen het gemiddelde van de gemeten stalen en het gemiddelde van de soorten uit de GWDD wordt aangeduid met een *. Soort #
Gem. nominale densiteit ± stdev
BAS *
7
BBB
6
BGR
6
BOL
4
BTM
5
DJI
1
GKB
1
GRH *
4
HGR
7
1
6
2
8
3
ING
2
ING4
2
KAW *
3
KKP *
Xylarium KMMA Range nominale Gem. luchtdroge densiteit densiteit ± stdev
#
GWDD Gem. densiteit ± stdev
Range densiteit
± 0,05
0,73 - 0,88
9
0,61 ± 0,09
0,45 - 0,68
0,74 ± 0,04 0,72 ± 0,05
0,69 - 0,81 0,64 - 0,79
0,78 ± 0,05
0,70 - 0,85
6
0,74 ± 0,09
0,65 - 0,91
0,63 ± 0,11 1,01 ± 0,11 0,57 ± 0,19
0,42 - 0,71
0,68 ± 0,11
0,46 - 0,77
5
0,58 ± 0,06
0,51 - 0,65
0,86 - 1,10
1,06 ± 0,09
0,93 - 1,13
13
0,87 ± 0,08
0,77 - 1,06
0,40 - 0,90
0,61 ± 0,20
0,43 - 0,96
1
0,47
0,88
8
0,62 ± 0,06
0,50 - 0,70
0,80
7
0,67 ± 0,07
0,56 - 0,75 0,81 - 1,08
0,81 0,74 1,12 ± 0,11 0,57 ± 0,05
0,80
Range luchtdroge densiteit
1,01 - 1,24
1,17 ± 0,10
1,07 - 1,26
13
0,92 ± 0,06
0,53 - 0,66
0,62 ± 0,05
0,57 - 0,71
1
0,57
0,57 ± 0,06 0,60 ± 0,02 0,75 ± 0,01
0,47 - 0,65
0,62 ± 0,07
0,51 - 0,71
7
0,51 ± 0,08
0,34 - 0,62
0,56 - 0,64
0,64 ± 0,02
0,61 - 0,66
4
0,45 ± 0,06
0,36 - 0,49
0,74 - 0,75
0,81 ± 0,01
0,80 - 0,82
-
0,92 - 1,56
1,33 ± 0,49
0,98 - 1,68
7
0,63 ± 0,06
0,53 - 0,74
0,82 - 0,90
0,93 ± 0,05
0,87 - 0,97
8
0,71 ± 0,07
0,65 - 0,82
7
1,24 ± 0,45 0,86 ± 0,04 0,89 ± 0,08
0,75 - 0,98
0,96 ± 0,09
0,81 - 1,06
6
0,77 ± 0,05
0,68 - 0,82
KOP *
10
0,82 ± 0,09
0,74 - 1,03
0,87 ± 0,10
0,77 - 1,10
16
0,73 ± 0,13
0,32 - 0,94
MKB
1
4
0,71 ± 0,16
0,59 - 0,95
MKG
2
1,03 - 1,14
1,16 ± 0,07
1,11 - 1,21
3
0,87 ± 0,04
0,90 - 0,97
MWK
7
0,73 1,09 ± 0,08 0,50 ± 0,03
0,45 - 0,53
0,55 ± 0,03
0,49 - 0,58
12
0,52 ± 0,09
0,41 - 0,75
PAK *
11
0,78 ± 0,05
0,71 - 0,88
0,84 ± 0,05
0,76 - 0,93
7
0,72 ± 0,05
0,68 - 0,83
PMS
2
0,61 ± 0,01
0,60 - 0,61
0,64 ± 0,02
0,62 - 0,65
7
0,68 ± 0,12
0,51 - 0,86
PRH
4
0,96 ± 0,05
0,91 - 1,01
1,03 ± 0,04
0,98 - 1,07
7
0,80 ± 0,06
0,72 - 0,89
ROK1 *
9
0,80 ± 0,11
0,54 - 0,93
0,86 ± 0,12
0,59 - 1,00
9
0,70 ± 0,06
0,65 - 0,82
ING
ING *
0,79
36
Soort # 2
Gem. nominale densiteit ± stdev
Xylarium KMMA Range nominale Gem. luchtdroge densiteit densiteit ± stdev
Range luchtdroge densiteit
#
GWDD Gem. densiteit ± stdev
Range densiteit
ROK
2
0,86 ± 0,01
0,85 - 0,86
0,94 ± 0,01
0,93 - 0,94
4
0,66 ± 0,14
0,46 - 0,78
RSL
2
0,69 ± 0,08
0,63 - 0,75
0,74 ± 0,08
0,68 - 0,79
7
0,71 ± 0,05
0,61 - 0,75
SAL
4
0,84 ± 0,06
0,77 - 0,91
0,90 ± 0,06
0,83 - 0,97
2
0,72 ± 0,04
0,69 - 0,75
SAT
5
1,03 ± 0,13
0,91 - 1,23
1,10 ± 0,13
0,98 - 1,32
14
0,83 ± 0,10
0,67 - 0,98
SLH *
5
0,65 ± 0,05
0,58 - 0,70
0,70 ± 0,05
0,63 - 0,76
3
0,56 ± 0,02
0,54 - 0,59
SMB
10
0,38 ± 0,06
0,29 - 0,48
0,41 ± 0,07
0,32 - 0,52
16
0,38 ± 0,04
0,34 - 0,50
WAL
7
0,83 ± 0,12
0,71 - 1,06
0,90 ± 0,13
0,76 - 1,15
7
0,72 ± 0,07
0,57 - 0,78
WAN
13
0,59 ± 0,07
0,40 - 0,71
0,62 ± 0,08
0,43 - 0,76
-
WNK
6
0,43 ± 0,07
0,36 - 0,57
0,46 ± 0,08
0,39 - 0,62
4
0,38 ± 0,02
0,36 - 0,40
WPL
2
0,84 ± 0,13
0,75 - 0,93
0,91 ± 0,13
0,81 - 1,00
2
0,84 ± 0,02
0,83 - 0,85
WWK
4
0,56 ± 0,04
0,51 - 0,60
0,61 ± 0,04
0,56 - 0,65
10
0,51 ± 0,09
0,36 - 0,65
ZWK
15
0,83 ± 0,07
0,70 - 0,94
0,89 ± 0,08
0,75 - 1,01
12
0,78 ± 0,09
0,57 - 1,00
2
ZWP 5 0,54 ± 0,11 0,42 - 0,66 0,59 ± 0,11 0,46 - 0,72 5 0,51 ± 0,09 0,42 - 0,65 1 2 3 4 1 2 ING : Couratari guianensis, ING : Couratari multiflora, ING : Couratari spp, ING : Couratari stellata, ROK : Andira spp, ROK : Andira inermis, 1 2 SAL : Tetragastris panamensis, SAL : Tetragastris hostmannii
37
Uit de resultaten kan afgeleid worden dat BGR, BTM, KOP, ROK, SAT, WAL en ZWP de soorten zijn met de grootste variatie in densiteit en dat ING2, MWK, BAS, BBB, HGR, PAK en SLH deze zijn met weinig variatie. Hiervoor werd rekening gehouden met een standaardafwijking groter dan 0,10 g/cm³ respectievelijk kleiner dan 0,05 g/cm³ op de luchtdroge densiteit, bepaald op basis van minstens vijf stalen. De overige soorten hebben standaardafwijkingen kleiner dan 0,10 g/cm³ wat overeenkomt met een verschil van minder dan 100g op 1m³. De berekende gemiddelde densiteit kan aangewend worden om bepaalde houtsoorten van elkaar te onderscheiden. Met behulp van Agnes en een classificatieboom werden de gemiddelde densiteitswaarden per houtsoort in groepen verdeeld (Tabel 13), zonder hierbij rekening te houden met de standaardafwijking op de gemiddelde densiteit per houtsoort. Tabel 13: Indeling van de houtsoorten volgens densiteit (ρ ρ, in g/cm³) Zeer licht ρ<0,51
Licht 0,51<ρ ρ<0,66
Medium 0,66<ρ ρ<0,83
Zwaar 0,83<ρ ρ<1,0
Zeer zwaar ρ>1,0
SMB
BTM
BAS
DJI
BOL
WNK
HGR 1 ING ING2 MWK PMS WAN WWK ZWP
BBB BGR GKB ING3 MKB RSL SLH
KAW GRH KKP ING4 KOP MKG PAK PRH ROK1 SAT ROK2 SAL WAL WPL ZWK 1 2 ING : Couratari guianensis, ING : Couratari multiflora, ING3: Couratari spp, ING4: Couratari stellata, ROK1: Andira spp, ROK2: Andira inermis
Wanneer rekening gehouden wordt met de mogelijke variatie in densiteit, kunnen bepaalde houtsoorten ook bij een van de aangrenzende groepen onderverdeeld worden. De onderverdeling in groepen is echter wel nuttig aangezien het verschil tussen een (zeer) lichte en een zware houtsoort louter op gevoel bepaald kan worden. Zo kan twijfel tussen een bepaalde Ingipipa soort mogelijk opgehelderd worden op basis van de densiteit.
4.3. Kleurbepaling 4.3.1.
Evaluatie van de modellen voor RGB naar L*a*b* transformatie
In totaal werden 279 houtstalen gescand. Hiervan werden met behulp van Matlab de RGB waarden berekend, die vervolgens met de ontworpen modellen in L*a*b* waarden werden omgezet. Om na te gaan hoe goed deze modellen werkten, werd elk van deze stalen ook met de spectrofotometer opgemeten. De gemiddelde fout per model werd berekend zoals in het artikel van León et al. (2006) door de vergelijkingen (16) en (17) (zie 3.6.2).
38
Voor het lineaire model gaf dit eE = 0,0039, e = 0,0012, eN = 0,0027 en een gemiddelde fout van eO=0,0026. Voor het kwadratische model gaf dit eE = 0,014, e = 0,0035, eN = 0,0078 en een gemiddelde fout van eO=0,0083. Volgens de foutberekening van León et al. (2006) betekende dit dat de modellen beide goed waren, het lineaire al iets beter dan het kwadratische. In hun artikel was het kwadratische model echter beter dan het lineaire. De gevonden fouten moeten echter omzichtig geïnterpreteerd worden. León et al. (2006) werken immers met genormaliseerde fouten en delen hierbij door wat zij aanschouwen als het bereik van L*, a* en b*. Voor L geldt effectief een bereik van 100 aangezien 0 ≤ L* ≤ 100. De a* en b* waarden hebben in theorie geen limiet, terwijl León et al. (2006) stellen dat -120 ≤ a* ≤ 120 en -120 ≤ b ≤ 120. In de L*a*b* kleurenruimte kan de fout ook berekend worden met behulp van de ∆E (1). Voor het lineaire model was de gemiddelde ∆E=2,72 en voor het kwadratische model was de gemiddelde ∆E=2,90. Dit zijn beduidend hogere fouten, aangezien de meeste bronnen (zoals aangehaald in 2.7.2) stellen dat een ∆E waarde gelijk aan 2 volstaat om kleurverschillen visueel op te merken. Bovenvermelde fouten zijn deze van de uiteindelijk gebruikte modellen. Deze werden ontworpen a.d.h.v. 23 kleurenstandaarden. De houtstalen werden bij het scannen niet afgedekt en het volledige gescande beeld werd in rekening gebracht. De spectrofotometer werkte met een meetopening van 3 mm en de stalen werden met een zwarte doek bedekt tijdens de metingen. Deze manier van werken werd bekomen door volgende aanpassingen t.o.v. de initiële kalibratie uit te testen en al dan niet door te voeren. Initieel werd gestart met 34 kleurenstandaarden, van welke de L*a*b* waarden zich in dezelfde deelruimte als deze van de houtstalen situeerden. Dit leverde gemiddeld een ∆E= 3,30 en ∆E=3,47 op voor respectievelijk het lineaire en het kwadratische model. Na een plot van de L*a*b* waarden van zowel de standaarden als de houtstalen werden 11 standaarden verwijderd op basis van hun ligging t.o.v. de houtstalen in de ruimte, wat leidde tot de reeds vermelde gemiddelde ∆E=2,72 en ∆E=2,90. Verder werd getest of het afdekken van de houtstalen tijdens het scannen een verschil uitmaakte, wat niet het geval was. Ook werd een rand van 3 mm van de gescande blokjes niet in rekening gebracht, aangezien de spectrofotometer wel 6 mm belichtte, maar slechts 3 mm doorsnede opmat. Ook dit leverde geen verbetering op. De tamelijk hoge ∆E waarden zijn mogelijk te verklaren door een aantal redenen. Een spectrofotometer is in staat metingen te doen door een ronde meetopening. De spectrofotometer kan dus nooit een staal over het volledige oppervlak opmeten zonder overlapping van metingen. Door de grootte van de houtstalen was het bovendien nodig om te werken met een meetopening van 3 mm. Een opening van 8 mm levert echter betere resultaten op voor het bepalen van gemiddelde kleurwaarden. Onderzoek van Winnock (2010) toonde aan dat metingen met een opening van 3 mm 39
grotere standaardafwijkingen vertonen dan metingen met 8 mm voor het bepalen van de kleur van hout. Een scanner meet in tegenstelling tot een spectrofotometer de kleurwaarden van het totale staal op over een rechthoekige vorm, zonder overlappende waarden. De kleurmetingen waren gebaseerd op gemiddelde waarden waardoor het overslaan van een deel van een houtstaal met de spectrofotometer tot erg andere waarden leidde dan deze gemeten met de scanner. De grootste ∆E waarden waren het vaakst terug te vinden bij houtsoorten met veel kleurvariatie op het kopse vlak. Omwille van deze redenen werd aangenomen dat de modellen wel degelijk aanvaardbare resultaten opleverden. Omwille van de lagere ∆E waarden werd het lineaire model gebruikt voor het bepalen van de gemiddelde L*a*b* waarden per houtsoort en ook voor de clustering. 4.3.2.
Kleurwaarden
Voor elk gescand houtstaal werden de gemiddelde L*a*b* waarden bepaald met behulp van het lineaire model. Deze waarden werden gerangschikt per houtsoort en hiervan werd het gemiddelde en de standaardafwijking berekend. Per houtsoort werden de stalen van het xylarium van Suriname, het xylarium van Tervuren en de stalen uit Suma Lumber samen in beschouwing genomen. De gemiddelde waarden per houtsoort zijn terug te vinden in Tabel 14. Het volledige overzicht van de kleurwaarden is terug te vinden in Bijlage 7. Katuščák & Kucera (2000) bepaalden de L*a*b* waarden van 25 gematigde houtsoorten en vonden hiervoor een houtkleurenruimte. Dit is een kleurenruimte waarbinnen alle kleuren van de houtsoorten te plaatsen waren. De ruimte was gelegen tussen L*min = 44,41; L*max = 90,49; a*min = 0,62; a*max = 18,4; b*min = 16,10 en b*max = 31,54. De houtkleurenruimte voor de bestudeerde houtsoorten van het Guyanabekken in deze studie bevonden zich tussen L*min = 25,23; L*max = 74,32; a*min = 2,46; a*max = 14,8; b*min = 1,31 en b*max = 27,97. Het verschil tussen beide houtkleurenruimtes is te verklaren door de houtsoorten die in acht werden genomen en door de bekeken vlakken. De L*a*b* waarden voor deze masterproef werden bepaald op het transversale vlak en deze van Katuščák & Kucera (2000) op het radiale en tangentiale vlak.
40
Tabel 14: Overzicht van de gemiddelde L*a*b* waarden, bekomen met het lineaire model, per houtsoort met standaardafwijking.
Code
# stalen
Gemiddelde L* met stand. afwijking 35,66 ± 0,77 48,13 ± 6,94 43,44 ± 6,61 32,86 ± 2,29 53,80 ± 4,90 36,65 ± 4,78 41,13 ± 1,68 31,81 ± 2,56 47,80 ± 4,00 50,69 ± 4,81 40,94 ± 6,12 40,67 ± 4,05 44,80 ± 3,01 49,08 ± 4,14 32,83 ± 1,06 46,56 ± 3,52 42,31 ± 2,55 48,66 ± 5,59 32,31 ± 1,62 41,22 ± 4,33 64,35 ± 0,64 42,51 ± 1,05 41,99 ± 3,15 31,52 ± 5,55 40,54 ± 3,33 62,82 ± 5,62
BAS 7 BBB 8 BGR 9 BOL 5 BTM 10 DJI 9 GKB 2 GRH 5 HGR 8 ING 26 KAW 11 KKP 8 KOP 17 MKB 8 MKG 3 MWK 10 PAK 12 PMS 9 PRH 4 1 ROK 10 ROK2 2 RSL 3 SAL 14 SAT 7 SLH 6 SMB 11 WAL 7 36,45 WAN 18 46,11 WNK 12 50,41 WPL 3 35,78 WWK 12 51,98 ZWK 15 37,41 ZWP 6 47,25 ROK1: Andira spp ROK2: Andira inermis
± ± ± ± ± ± ±
3,08 3,39 3,68 3,94 4,99 1,94 7,29
Gemiddelde a* met stand. afwijking 6,54 ± 0,53 11,77 ± 1,59 9,80 ± 1,67 4,88 ± 1,12 10,21 ± 1,67 6,75 ± 1,34 7,13 ± 0,48 2,81 ± 0,27 7,80 ± 0,57 9,99 ± 2,50 7,66 ± 1,43 11,06 ± 1,65 10,98 ± 1,81 10,79 ± 1,52 4,98 ± 0,69 8,66 ± 0,71 10,67 ± 1,65 8,79 ± 1,79 5,95 ± 1,26 8,54 ± 1,44 10,09 ± 0,20 8,71 ± 3,11 10,45 ± 2,01 5,91 ± 1,11 9,50 ± 1,71 9,87 ± 1,18 8,51 9,87 9,87 8,07 10,14 5,17 5,66
± ± ± ± ± ± ±
0,93 1,67 0,69 1,18 1,03 0,93 1,01
Gemiddelde b* met stand. afwijking 7,72 ± 0,55 19,16 ± 4,45 13,11 ± 3,37 3,83 ± 1,66 17,61 ± 3,64 10,31 ± 3,15 10,51 ± 0,87 2,87 ± 1,06 12,51 ± 1,11 18,16 ± 3,62 14,56 ± 5,75 12,36 ± 3,61 13,57 ± 2,16 15,38 ± 2,85 4,65 ± 0,75 12,72 ± 1,45 14,07 ± 2,78 13,94 ± 2,52 2,91 ± 1,29 9,52 ± 2,77 21,07 ± 0,72 11,25 ± 2,83 12,68 ± 3,08 4,24 ± 4,13 11,30 ± 1,63 20,28 ± 2,32 7,64 12,75 14,38 8,02 14,84 7,41 11,87
± ± ± ± ± ± ±
2,06 2,03 1,38 2,19 1,46 1,60 2,47
De grote standaardafwijkingen per houtsoort kunnen verklaard worden door de grote variabiliteit in kleur binnen in een boom. Kleur varieert over de lengte en de doorsnede van de boomstam (Wilkins & Stamp, 1990; Amusant, 2003; Drouin et al., 2010). Van de gebruikte stalen is niet geweten uit welk deel van de boom ze precies genomen zijn. Verder kan de kleur van hout ook variëren met groeisnelheid (Montes et al., 2008).
41
Bij het drogen en stockeren van het hout treden ook kleurvariaties op (Mononen et al., 2002; Rappold & Smith, 2004). Ook de leeftijd van een boom heeft een invloed op de kleur. Klumpers (1992, 1993) toonde voor eik aan dat oudere bomen bruiner er roder worden en dat jonge bomen geler en lichter van kleur zijn. Door deze variabiliteit kan een bepaalde L*a*b* waarde dus niet zomaar gelinkt worden aan een bepaalde houtsoort. Om kleur toch te betrekken in de determinatiesleutel leken kleurgroepen beter aangewezen. Met behulp van Agglomerative Nesting (Agnes) en een classificatieboom werden de houtsoorten op basis van hun gemiddelde L*a*b* waarden ingedeeld in 6 groepen (Tabel 15 en Figuur 11). Een eerste indeling gebeurde volgens de rood-groene kleurcomponent, verdere indelingen voornamelijk op basis van helderheid en geel-blauwe component. Tabel 15: Indeling van de houtsoorten volgens L*, a* en b* waarden
L<34,26 Zeer donker BOL GRH MKG PRH SAT
a<9,65 L>34,26 b<10,88 b>10,88 Donker Donker (bruine tint) (gele tint) BAS HGR DJI KAW GKB MWK ROK1 PMS WAL RSL WPL SLH ZWK ZWP
a>9,65 L<47,12 L>47,12 L<58,31 L>58,31 Medium Bleek Zeer (rode tint) (rode tint) bleek BGR BBB ROK2 KKP BTM SMB KOP ING PAK MKB SAL WNK WAN WWK
Figuur 11: Boven: van links naar rechts: BOL, BAS, HGR, KOP, BTM, SMB, onder van links naar rechts: GRH, DJI, MWK, PAK, ING, ROK2 In elke kolom staan telkens 2 soorten die tot eenzelfde kleurgroep behoren.
Bij deze indeling werd geen rekening gehouden met de standaardafwijking op de L*a*b* waarden per houtsoort. Sommige stalen van soorten die grote kleurvariaties vertonen, kunnen dus mogelijk ook bij een andere groep worden ingedeeld. Ondanks de mogelijke variatie binnen een groep naargelang de gebruikte stalen, biedt clustering toch een goede indicatie van houtsoorten die wat kleur betreft gelijkaardig zijn. Zoals Katuščák et al. (2002) hebben vastgesteld, bieden L*a*b* waarden echter wel een immense verbetering in discriminerend vermogen tussen houtsoorten t.o.v. de IAWA indeling. IAWA werkt op basis van een nominale schaal en wanneer 2 houtsoorten tot eenzelfde kleurklasse (bruin, rood, geel 42
of wit-grijs) behoren, is het dicriminerend vermogen tussen deze 2 gelijk aan 0. Volgens de IAWA indeling zijn bijvoorbeeld alle besproken houtsoorten, behalve SAT en SMB, onder te brengen in de bruine kleurklasse. Voor soorten als PRH en SAT schieten zowel de IAWA indeling als de colorimetrische indeling tekort, aangezien deze met de kleur ‘paars’ aangeduid kunnen worden. Deze kleur komt niet in de IAWA indeling voor en ook in de colorimetrische indeling worden de soorten niet onderscheiden van de overige donkere soorten. 4.3.3.
Clustering
Van 10 houtsoorten werden de L*a*b* waarden van de pixels, bekomen met het lineaire model, geclusterd zodanig dat verschillende structuren met verschillende kleuren onderscheiden konden worden. Voor de overige houtsoorten gebeurde dit niet, omdat de variatie in kleur op kops vlak erg groot was en een bepaalde kleur niet meteen overeenkwam met één type weefsel. Voor 8 van de 10 soorten werden slechts 2 clusters gekozen, namelijk parenchym en grondweefsel. Voor basralocus (BAS) werden 3 clusters gekozen: parenchym, grondweefsel en de vaten. Aangezien de vaten echter voornamelijk opgevuld waren met schuurstof werd de kleur hiervan niet vermeld. Voor slangenhout (SLH) werden eveneens 3 clusters gekozen, namelijk donker grondweefsel, licht grondweefsel en de vaten. Ook hier gold hetzelfde als bij basralocus. Per houtsoort werden de stalen van het xylarium van Suriname, het xylarium van Tervuren en de stalen uit Suma Lumber samen in beschouwing genomen. De gemiddelde L*a*b* waarden en de standaardafwijking werden per cluster en per houtsoort berekend (Tabel 16 en Tabel 17). Uit dit overzicht blijkt duidelijk dat het parenchym over een hogere L* waarde beschikt en dus lichter van kleur is dan het grondweefsel. Voor de meeste soorten is het parenchym ook roder (hogere a* waarde) en geler (hogere b* waarde) dan het grondweefsel. Enkel bij MKB is het grondweefsel roder dan het parenchym en bij ROK2 is het grondweefsel zowel roder als geler dan het parenchym (Figuur 12). Voor SLH geldt ook dat het lichtkleurige grondweefsel lichter, roder en geler is dan het donkerkleurige grondweefsel. Figuur 13 geef SLH weer met bijhorende clusterbeelden.
Figuur 12: Van links naar rechts: GKB, MKB en ROK2
Figuur 13: Links: oorspronkelijk beeld van SLH, midden: cluster 1 = licht grondweefsel, rechts: cluster 2 = donker grondweefsel (de grijze zone duidt de cluster aan)
43
Het aantal clusters werd gekozen na visuele inspectie. Wanneer bij 2 weefsels bijvoorbeeld met het blote oog duidelijk 2 verschillende kleuren te onderscheiden waren, werd gekozen voor 2 clusters. Om na te gaan of dit statistisch te staven was, werd voor elke houtsoort ook een scree plot gemaakt van Wilks’ lambda t.o.v. het aantal clusters k. De scree plots voor SLH en ROK zijn terug te vinden in Figuur 14 en Figuur 15. Bij de interpretatie van een scree plot dient gelet te worden op de ‘knik’ in de grafiek. Bij zowel SLH als WAN is deze knik waar te nemen bij k=3. Statistisch gezien zijn 3 clusters dus aangewezen. Voor SLH waren er visueel inderdaad 3 clusters waar te nemen en werden deze ook zo gekozen. Voor ROK waren visueel echter 2 clusters waar te nemen en werden 2 clusters gekozen. De keuze voor 2 clusters is verantwoord wanneer gekeken wordt naar de waarde van Wilks’ lambda bij 2 en 3 clusters. Voor SLH daalde deze van ongeveer 0,35 naar 0,15 terwijl deze voor ROK daalde van 0,15 naar ongeveer 0,07. De Wilks’ lambda of de variabiliteit bij ROK was dus al laag bij 2 clusters wat duidde op een goede scheiding van de kleurwaarden bij 2 clusters. Voor de overige soorten gold analoge redenering. Tabel 16: Overzicht van de gemiddelde L*a*b* waarden, bekomen met het lineaire model, per structuur per houtsoort met standaardafwijking
Parenchym Grondweefsel Code Gemiddelde L* Gemiddelde a* Gemiddelde b* Gemiddelde L* Gemiddelde a* Gemiddelde b* met stand. met stand. met stand. met stand. met stand. met stand. afwijking afwijking afwijking afwijking afwijking afwijking BAS 37,93 ± 0,51 GKB 54,60 ± 0,98 MKB 60,13 ± 2,51 MWK 53,21 ± 3,05 PAK 50,35 ± 3,11 1 ROK 52,57 ± 4,25 ROK2 71,18 ± 0,57 WAN 52,72 ± 2,67 WPL 44,97 ± 3,77 ZWK 49,30 ± 2,20 ROK1: Andira spp ROK2: Andira inermis
7,31 7,63 10,56 8,73 10,98 10,78 9,42 10,06 10,68 7,14
± ± ± ± ± ± ± ± ± ±
0,59 1,38 1,07 0,82 1,27 1,40 0,24 1,36 0,14 0,52
10,11 16,20 19,41 15,09 19,59 15,44 21,27 15,33 14,93 13,89
± ± ± ± ± ± ± ± ± ±
0,62 1,09 1,77 1,33 2,55 2,54 0,58 1,60 1,13 1,08
29,97 31,93 37,60 39,78 34,80 31,65 50,41 39,13 29,89 31,06
± ± ± ± ± ± ± ± ± ±
1,47 0,77 3,02 3,40 1,45 1,88 2,32 2,70 2,88 0,70
5,58 6,56 11,15 8,38 9,36 7,10 12,41 9,41 6,65 4,28
± ± ± ± ± ± ± ± ± ±
0,63 0,42 2,24 0,73 1,49 1,71 0,29 1,93 1,35 1,02
4,79 6,18 11,38 9,82 9,43 5,08 22,02 9,80 4,50 3,85
± ± ± ± ± ± ± ± ± ±
0,92 1,44 3,25 1,58 2,01 1,86 1,12 2,20 2,02 1,17
Tabel 17: Overzicht van gemiddelde L*a*b* waarden, bekomen met het lineaire model, met standaardafwijking per structuur voor SLH
Licht grondweefsel Code Gemiddelde L* Gemiddelde a* Gemiddelde b* met stand. met stand. met stand. afwijking afwijking afwijking
Donker grondweefsel Gemiddelde Gemiddelde L* Gemiddelde a* met stand. b* met stand. met stand. afwijking afwijking afwijking
SLH
34,86 ±
41,59 ±
2,91
10,06 ±
1,56
12,87 ±
1,47
4,32
8,37 ±
2,09
8,33 ±
2,58
44
0.30 0.25 0.20 0.15 0.05
0.10
Wilks Lambda
2
4
6
8
10
aantal clusters (k)
0.10 0.05
Wilks Lambda
0.15
Figuur 14: Scree plot van Wilks’ lamdba t.o.v. het aantal clusters (k) voor SLH, staal Tw13243
2
4
6
8
10
aantal clusters (k)
Figuur 15: Scree plot van Wilks’ Lambda t.o.v. het aantal clusters (k) voor ROK, staal Tw254779
45
4.4. Verband tussen de verschillende variabelen 4.4.1.
Verband tussen kleur en densiteit
Met behulp van Principale Componenten Analyse (PCA) werd het verband tussen kleur en densiteit nagegaan (Figuur 16). Component 1 (27) verklaart 79% van de variantie, samen met component 2 (28) wordt 91% verklaard. (27) Comp. 1 = −0,53 ∗ L∗ − 0,47 ∗ a∗ − 0,54 ∗ b∗ + 0,46 ∗ densiteit ∗ ∗ ∗ (28) Comp. 2 = 0,13 ∗ L − 0,62 ∗ a − 0,21 ∗ b − 0,74 ∗ densiteit De verbanden tussen de verschillende variabelen werden ook nagegaan a.d.h.v. hun correlatiewaarden (Tabel 18). L*,a* en b* zijn significant positief met elkaar gecorreleerd en alle drie significant negatief met de densiteit. Tabel 18 Correlatiematrix voor L*a*b* waarden, vatgrootte (VG), vatdensiteit (VD) en densiteit (D), de waarden met een * duiden een significante correlatie aan L L 1,00* a 0,65* b 0,92* VG 0,51* VD - 0,43* D - 0,72*
a
b
VG
VD
D
0,65* 1,00* 0,80* 0,40* - 0,29 - 0,54*
0,92* 0,80* 1,00* 0,50* - 0,40* - 0,66*
0,51* 0,40* 0,50* 1,00* - 0,75* - 0,38*
- 0,43* - 0,29 - 0,40* - 0,75* 1,00* 0,40*
- 0,72* - 0,54* - 0,66* - 0,38* 0,40* 1,00*
Een hogere densiteit komt overeen met lagere L* waarden en omgekeerd, wat betekent dat donkere houtsoorten in het algemeen een hogere densiteit bezitten en bleke houtsoorten een lagere. De houtsoorten links van de streepjeslijn in Figuur 16 zijn bleke soorten met een lage densiteit en die rechts ervan donkere soorten met hoge densiteit. De soorten gelegen op of net naast de streepjeslijn zijn soorten die voor beide kenmerken tot de mediumklasse behoren. Voor de soorten boven de stippellijn afgebeeld, geldt deze negatieve correlatie ook tussen a*b* waarden en densiteit. De houtsoorten onder de stippellijn afgebeeld hebben echter een positieve correlatie tussen a*b* waarden en densiteit. Nishino et al. (2000) onderzochten de relatie tussen colorimetrische waarden op transversaal vlak en densiteit bij spint van 26 gematigde hardhoutsoorten afkomstig uit het zuiden van Japan. In deze studie werd een negatieve correlatie tussen L*waarden en densiteit en een positieve tussen a*b* waarden en densiteit aangetoond. Algemeen kan dus een negatieve correlatie tussen L* en densiteit besloten worden, de correlatie tussen a*b* waarden en densiteit is eerder soortafhankelijk.
46
Figuur 16: PCA van L*a*b* waarden en densiteit. Component 1 verklaart 79% van de variantie in combinatie met component 2 geeft dit 91%.
4.4.2.
Verband tussen vatgrootte, vatdensiteit en densiteit
Met behulp van Principale Componenten Analyse (PCA) werd het verband tussen vatgrootte, vatdensiteit en densiteit nagegaan (Figuur 17). Component 1 (29) verklaart 68% van de variantie, samen met component 2 (30) wordt 92% verklaard. Comp. 1 0,62 ∗ vatgroote 0,63 ∗ vatdensiteit 0,47 ∗ densiteit (29) Comp. 2 0,36 ∗ vatgroote 0,31 ∗ vatdensiteit 0,88 ∗ densiteit (30) Uit zowel component 1 als component 2 blijkt een sterk negatieve relatie tussen vatgrootte en vatdensiteit. De soorten links van de streepjeslijn afgebeeld zijn soorten met grote vaten en lage vatdensiteit, die rechts afgebeeld zijn soorten met kleine vaten en een hoge vatdensiteit. De soorten boven de stippellijn hebben een hoge densiteit, deze eronder een lage. Algemeen kan geen vaste relatie vastgesteld worden tussen vatkenmerken en densiteit die geldig is voor alle soorten. De soorten in de linker bovenhoek hebben weinig grote vaten en een hoge densiteit, terwijl deze in de linker benedenhoek ook weinig grote vaten hebben, maar wel een lage densiteit. De soorten rechts van de streepjeslijn afgebeeld hebben veel kleine vaten en een hoge densiteit. Preston et al. (2006) onderzochten de vatkenmerken en houtdensiteit bij 51 angiospermen, gaande van struiken tot bomen. Ze gebruikten hierbij vatoppervlakte i.p.v. vatbreedte om vatdimensies te bepalen. Ze stelden een significant negatief verband (r= – 0,557, p < 0,0001) tussen vatdensiteit en gemiddelde vatoppervlakte vast. In voorgelegde studie was ditzelfde verband ook significant (r = - 0,751, p = < 0,0001, Tabel 18), zij het met vatbreedte als parameter voor de vatdimensie. In beide gevallen gingen grote vaten dus gepaard met een lage vatdensiteit en omgekeerd. Ze stelden ook een negatieve relatie tussen vatgrootte en densiteit en ook een minder sterk negatieve relatie
47
tussen vatdensiteit en densiteit vast. In deze studie bestond een significant negatieve relatie tussen vatgrootte en densiteit en een significant positieve relatie tussen vatdensiteit en densiteit (Tabel 18). Ze constateerden dat een groot deel van de variatie in densiteit verklaard kon worden door de variatie in vatkenmerken, voornamelijk vatgrootte. Niet alle variatie kon hierdoor echter verklaard worden, waardoor ze concludeerden dat naast de vaten ook de matrix van vezels, celwanden, parenchym en overige cellen een belangrijke invloed op densiteit uitoefenden.
Figuur 17: PCA van vatgrootte, vatdensiteit en densiteit. Component 1 verklaart 68% van de variantie, in combinatie met component 2 geeft dit 92%.
4.4.3.
Verband tussen vatgrootte, vatdensiteit en kleur
Uit de correlatiewaarden (Tabel 18) bleek een significant positieve correlatie te bestaan tussen L*a*b* waarden en vatgroottes en een significant negatieve correlatie tussen L*,b* waarden en vatdensiteit. Lichtgekleurde houtsoorten hebben volgens deze resultaten grote vaten en een lage vatdensiteit. De correlatiewaarden tussen deze variabelen waren echter laag en wanneer het verband met PCA werd nagegaan konden geen eenduidige conclusies getrokken worden.
4.5. Determinatiesleutel De determinatiesleutel werd opgemaakt in Excel en is terug te vinden op de DVD in Bijlage 8. Deze sleutel kwam tot stand op basis van de kenmerken van de IAWA lijst die nuttig waren voor macroscopisch onderzoek (IAWA Committee, 1989; Bijlage 2) op transversaal vlak. Het enige kenmerk dat niet op kops, maar op tangentiaal vlak bekeken dient te worden, is etagebouw. Dit werd ook opgenomen in de sleutel omdat het toch doorslaggevend bij determinatie kan zijn en bij de betreffende soorten makkelijk te zien is. 48
De IAWA lijst is voornamelijk gebaseerd op microscopische kenmerken op zowel transversaal, radiaal als tangentiaal vlak, waardoor vele niet gebruikt konden worden in de macroscopische sleutel. Enkele opvallende visuele kenmerken kwamen bovendien niet aan bod in de IAWA lijst waardoor deze zelf zijn toegevoegd aan de sleutel. Deze kenmerken zijn: 1) haltervormige radiale groepering vaten: het bovenste en het onderste vat van de radiale groepering zijn groter dan die ertussen zodanig dat de groep de vorm van een halter heeft (Figuur 18, a), 2) vaten opvallend ellipsvormig (Figuur 18, b), 3) parenchym is te zien met het blote oog 4) axiaal parenchym confluent, slechts enkele vaten tangentiaal of schuin verbindend (Figuur 18, c), 5) axiaal parenchym confluent, bijna alle vaten tangentiaal verbindend, lange banden creërend (Figuur 18, i), 6) axiaal parenchym confluent, verbindt de vaten in zigzag effect (Figuur 18, d), 7) indien parenchymbanden: breedte parenchymbanden > houtstralen (Figuur 18, g ), 8) indien parenchymbanden: breedte parenchymbanden < houtstralen (Figuur 18, e) 9) indien parenchymbanden: breedte parenchymbanden = houtstralen (Figuur 18, f), 10) indien parenchymbanden: breedte parenchymbanden > radiale breedte vaten (Figuur 18, g: volle pijl), 11) indien parenchymbanden: breedte parenchymbanden < radiale breedte vaten (Figuur 18, g: gestreepte pijl), 12) bredere houtstralen met radiale harsgangen (Figuur 18, h), 13) axiale kanalen in tangentiale 'lijnen', dit kenmerk is niet altijd in elk staal te zien (Figuur 18, j), Bij de meeste dichotome sleutels wordt gestart met een vast kenmerk en komen vervolgens andere kenmerken in een vaste volgorde aan bod. Indien een van deze kenmerken niet duidelijk te zien is op het te determineren staal, kan dit het determineren erg bemoeilijken. De sleutel van Lindeman & Mennega (1963) start bijvoorbeeld met de aan- of afwezigheid van ingesloten floeem, een niet zo voor de hand liggend kenmerk voor een ongetraind persoon. Ook komt het kleurverschil tussen kern en spint vroeg in de sleutel aan bod en kan dit problemen opleveren bij het niet voorhanden zijn van zowel spint als kernhout. In de ontworpen determinatiesleutel worden deze problemen omzeild door het simultaan aanbieden van alle kenmerken. De sleutel bestaat uit een tabel met in de eerste 5 kolommen de gebruikte commerciële code, de Surinaamse naam, de wetenschappelijke naam, de familie en de eventuele subfamilie. De eerste 4 rijen van de tabel omvatten informatie over en een beschrijving van de kenmerken. Naast elke houtsoort staat aangeduid of een kenmerk al dan niet aanwezig is (ja/nee) of tot welke groep (afhankelijk van het kenmerk) de soort behoort. Met behulp van de ‘filter’ functie in Excel is het mogelijk om elk kenmerk te voorzien van een filter. De persoon die een houtstaal wenst te determineren kan aan de hand van het in zijn of haar ogen meest voor de hand liggende kenmerk een eerste selectie in de houtsoorten maken. Dit door eenvoudigweg ‘ja’, ‘nee’ of een van de groepsmogelijkheden te selecteren. Dit kan herhaald worden tot in het beste geval slechts één houtsoort overblijft. Om zeker te zijn van de selectie, is elke houtsoort voorzien van een korte opmerking die de belangrijkste kenmerken samenvat. Op de DVD in Bijlage 9 zijn ook beelden van elke houtsoort terug te vinden.
49
Naast de duidelijke visuele kenmerken werden ook de gegevens inzake kleur en densiteit in de tabel opgenomen. Zoals eerder vermeld kunnen deze erg variëren binnen een houtsoort. Deze kenmerken dienen dus best niet als eerste geselecteerd te worden. Bij twijfel tussen enkele soorten kunnen ze mogelijk wel uitsluitsel bieden. Praktisch gezien zijn L*a*b* waarden enkel bruikbaar indien een scanner en het model voor de omzetting van RGB naar L*a*b* waarden beschikbaar zijn. Ook densiteit kan niet nauwkeurig bepaald worden, tenzij volume- en gewichtsbepaling mogelijk zijn. Het kenmerk vatgrootte kan praktisch ook problemen opleveren, aangezien het exact opmeten minstens een stereomicroscoop en een meetplaatje vereist. Het probleem van vatgrootte en kleur kan mogelijk wel opgelost worden door het gebruik van Figuur 10 (4.1) en Figuur 11 (4.3) als referentiekader om de soorten in de juiste categorie onder te brengen. Bij het gebruik van de sleutel dient erop gelet te worden dat niet in elk staal alle kenmerken aanwezig zijn die een houtsoort volgens de houtsleutel dient te bevatten, waardoor determinatie tot op soort niet altijd mogelijk is. Dit geldt ook voor commerciële soorten die uit meerdere species bestaan, zoals ingipipa. Densiteit kan hierbij eventueel nog een rol spelen, maar voor determinatie tot op species is bij deze soorten microscopie meestal aangewezen. De determinatiesleutel werd opgebouwd op basis van xylariumstalen, waarbij niet van elke soort evenveel stalen voorradig waren. Ook in xylaria kan het voorkomen dat stalen fout gedetermineerd worden. Niet elk staal wordt immers vergezeld van herbariummateriaal. Tropische bomen kunnen enorme hoogtes bereiken waardoor blad-, vrucht- en takverzameling niet evident is. Van het op de bodem gevallen materiaal kan vaak niet met volledige zekerheid bepaald worden van welke boom het afkomstig is. Uit de oorspronkelijke 196 geselecteerde stalen van het xylarium van het KMMA werden 9 stalen (4,6 %) gehaald omdat deze hoogstwaarschijnlijk incorrect gedetermineerd waren.
50
a)
b)
c)
d)
e)
f)
g)
h)
i)
j)
Figuur 18: Illustratie van de kenmerken: a) BAS (halter), b) MWK (ellipsvormige vaten), c) GKB (confluent parenchym: enkele vaten), d) WAN (confluent parenchym: zigzageffect), e) PMS (parenchymbanden < houtstralen), f) ING (parenchymbanden = houtstralen), g) MKB (parenchymbanden > houtstralen, > en < radiale breedte vaten), h) SAL (radiale harsgang in houtstraal), i) BTM (confluent parenchym: concentrische cirkels), j) WNK (axiale kanalen in tangentiale ordening). De schaal die erbij wordt aangegeven is 1 mm.
51
De huidige determinatiesleutel is beperkt tot 32 commerciële soorten. Gezien de enorme diversiteit aan Surinaamse boomsoorten zou het kunnen dat een te determineren staal niet tot een van de behandelde soorten behoort. Bij het gemeenschappelijk hebben van verschillende kenmerken met een van de 32 soorten, zou dit een foute determinatie kunnen opleveren. De sleutel kan echter zeer makkelijk uitgebreid worden. Indien voldoende stalen van een extra houtsoort voorhanden zijn, kan deze eenvoudig toegevoegd worden aan de sleutel. Onderzoek is dus aangeraden om ook de overige Surinaamse houtsoorten te kunnen determineren. Ook onderzoek op extra stalen van de huidige soorten kan de variabiliteit van de behandelde soorten beter in rekening brengen. Van sommige soorten zoals GKB waren slechts 2 stalen voorhanden, waardoor het mogelijk was dat een kenmerk dat eigen aan de houtsoort was, maar dat niet voorkwam op de 2 stalen, niet in de sleutel werd opgenomen. Hoe meer stalen beschikbaar zijn voor onderzoek, hoe dichter de gemiddelde waarden bij de werkelijkheid zullen aanleunen. Verder onderzoek zou ook gebaseerd kunnen zijn op het kwantificeren van de verhoudingen van de verschillende weefsels. De huidige determinatiesleutel houdt enkel rekening met de aan- of afwezigheid van een kenmerk, maar niet zozeer in welke mate. Zo kan aliform parenchym variëren van een zeer fijne tot een zeer dikke structuur. Bij sommige soorten overweegt het parenchym op het grondweefsel en bij andere doen de vaten dit. Met behulp van beeldverwerking zouden alle weefsels gedigitaliseerd kunnen worden en zo aan verdere analyses onderworpen kunnen worden. Zo zou ook de correlatie tussen de verschillende type weefsels, kleur en densiteit onderzocht kunnen worden. Hiernaast zouden ook de mogelijkheden van machine learning nagegaan kunnen worden voor houtidentificatie. De sleutel zou ook geïmplementeerd kunnen worden als applicatie in draagbare toestellen. Indien een handscanner voorhanden is met voldoende hoge resolutie, zou een combinatie van camera en intelligente software een mogelijke hulp kunnen bieden bij de identificatie van hout.
52
5. Conclusie Het doel van de masterproef bestond uit de ontwikkeling van een determinatiesleutel om 32 commerciële Surinaamse houtsoorten, geselecteerd door Suma Lumber N.V. Company, op een eenvoudige en snelle manier te kunnen onderscheiden. Macroscopische kenmerken leken hiervoor het meest aangewezen. Het onderzoek gebeurde op xylariumstalen en stalen uit de concessie van Suma Lumber ter aanvulling. Twee onderzoeksvragen lagen aan de basis van dit onderzoek: 1)
Is het mogelijk om de belangrijkste commerciële soorten uit Suriname macroscopisch te onderscheiden, enkel met behulp van een handloep en een determinatiesleutel? Om hierop een antwoord te vinden, werden 23 kenmerken uit de IAWA kenmerkenlijst voor microscopische identificatie van hardhout geselecteerd die ook duidelijk zichtbaar waren met het blote oog of met de loep. Na onderzoek van de houtstalen met een 10x vergrotende loep, werd een deel van de IAWA kenmerken gecombineerd met 12 zelf uitgewerkte kenmerken. Deze werden allemaal in Excel ingegeven in functie van de houtsoorten. Door de filter functie konden ze in een willekeurige volgorde aan bod komen. Het geheel van deze kenmerken bood een beschrijving per houtsoort van het grondweefsel, de vaten, het parenchym, de eventueel aanwezige kanalen en bijzonderheden als etagebouw en het voorkomen van een specifieke geur. Aan de hand van de bovenstaande 35 kenmerken, kunnen soorten met vrij zeldzame eigenschappen, zoals axiaal confluent parenchym dat de vaten in een zigzag effect verbindt, snel gedetermineerd worden. Voor houtsoorten zonder echt opvallende eigenschappen, blijkt het determineren tot op soort moeilijk. Vaak blijft er twijfel tussen enkele soorten, al dan niet van dezelfde familie. Elk staal tot op soortniveau onderscheiden is nog steeds niet mogelijk, maar de filterfunctie van deze sleutel biedt wel voordelen ten opzichte van traditionele dichotome determinatiesleutels. Zo is het eerste kenmerk waarmee een dichotome sleutel aanvangt allesbepalend, terwijl dit niet altijd even duidelijk zichtbaar is. De huidige determinatiesleutel biedt alle mogelijkheden gelijktijdig aan, waardoor de gebruiker zelf kan beslissen welk kenmerk hij eerst bekijkt. Elke houtsoort is bovendien voorzien van een korte beschrijving van de meest opvallende kenmerken om de identificatie te kunnen verifiëren. Door de eenvoudige structuur van deze sleutel kan verder onderzoek op andere soorten tot uitbreiding leiden. Gezien de enorme diversiteit aan Surinaamse boomsoorten is onderzoek voor uitbreiding aangeraden. De kans bestaat immers dat een te determineren staal niet tot een van de behandelde soorten behoort. Bij het gemeenschappelijk hebben van verschillende kenmerken met een van de 32 soorten, kan dit een foute determinatie opleveren. Daarnaast kan verder onderzoek op extra stalen van de behandelde houtsoorten de variabiliteit beter in rekening brengen. Van een soort als GKB waren bijvoorbeeld slechts 2 stalen voorhanden, waardoor de mogelijkheid bestaat dat een kenmerk, dat op die stalen niet te zien was, niet in rekening werd gebracht. Een groter aantal stalen zorgt voor gemiddelde waarden die nauwer bij de werkelijkheid aansluiten.
53
2)
Indien de middelen voor bijkomende analyse (een (stereo)microscoop, een scanner, een weegschaal, etc.) beschikbaar zijn, kunnen vatkenmerken, densiteit en kleur dan als geschikte parameters dienen om verschillende soorten of soortgroepen te onderscheiden? De minimum- en de maximumwaarde van vatgrootte en vatdensiteit kunnen bij een houtsoort redelijk ver uit elkaar liggen en variëren. Kleur is eveneens een tamelijk variabele parameter die afhankelijk is van het houtvochtgehalte, de groeisnelheid, de plaats van het genomen staal in de boom en de leeftijd. Omdat het echter toch een vaak gebruikt determinatiekenmerk is, werd de CIELAB kleurenruimte gebruikt om kleur op een objectieve manier uit te drukken in numerieke L*a*b* waarden. Ook densiteit kan variëren door de afhankelijkheid van verschillende factoren als het houtvochtgehalte, de groeiplaats, de regio, de bodemkwaliteit en de bostypes. Door de variabiliteit werd gekozen om de bekomen waarden niet rechtstreeks te linken aan een houtsoort, maar de gemiddelde waarden van de variabelen te clusteren en te classificeren en zo klassen voor elke parameter te creëren. Qua vatgrootte en vatdensiteit kunnen de soorten opgedeeld worden in groepen met kleine, medium, grote en zeer grote vaten met een lage, medium en hoge vatdensiteit. Door beelden van de houtsoorten per groep als visueel referentiemateriaal aan te bieden, kan deze indeling samen met de determinatiesleutel gebruikt worden zonder een stereomicroscoop en meetplaatje nodig te hebben. Wat densiteit betreft, kan een onderscheid tussen zeer lichte, lichte, medium, zware en zeer zware soorten gemaakt worden. Deze groepen kunnen een aanvulling zijn op de determinatiesleutel indien gewicht- en volumebepaling mogelijk is. Zonder deze mogelijkheid dient de densiteitsklasse eerder ruw geschat te worden. De houtsoorten kunnen ingedeeld worden in 6 kleurgroepen, namelijk zeer donkere, donkere met een bruine tint, donkere met een gele tint, medium met een rode tint, bleke met een rode tint en zeer bleke soorten. Hoewel ook deze groepen niet absoluut zijn door de mogelijke variabiliteit, bieden ze wel een goed referentiekader. Aan de hand van beelden van de houtsoorten behorende tot de verschillende groepen, kan een kleurenpalet ter referentie opgesteld worden om samen met de determinatiesleutel te gebruiken. Dit kan dan ook gebruikt worden zonder dat een scanner echt nodig is. Voor zowel vatkenmerken, kleurwaarden als densiteit is het dus mogelijk de houtsoorten in te delen in clustergroepen. Deze zijn echter niet dezelfde voor de 3 parameters. Enkele correlaties zijn nochtans wel aanwezig. L*a*b* waarden zijn onderling en met vatgrootte positief gecorreleerd en negatief met densiteit en vatdensiteit. Bleke soorten hebben dus algemeen grote vaten, een lage densiteit en een lage vatdensiteit, terwijl donkere soorten eerder kleine vaten, een hoge densiteit en een hoge vatdensiteit bezitten. Densiteit is negatief gecorreleerd met vatgrootte en positief met vatdensiteit. Dit laatste kan mogelijk verklaard worden door de sterk negatieve correlatie tussen vatgrootte en vatdensiteit. Zware soorten hebben dus algemeen veel kleine vaten, terwijl lichte soorten weinig grote vaten bezitten. 54
6. Literatuurlijst Adekus - Anton de Kom Universiteit van Suriname. (1 november 2006). Nationaal Herbarium van Suriname (NHS). Geconsulteerd: maart 2011, http://adekus.uvs.edu/section/sectPage.php?id=109&secID=1706&lb=Onderzoek%20.%20B otanisch%20.%20Herbarium Amusant, N. (2003). Durabilité naturelle et couleur des bois de Guyane: mesure, variabilité, déterminisme chimique. Applications à Dicorynia guianensis (Angélique), Sextonia rubra (Grignon), Eperua falcata (Wapa) et Eperua grandiflora (Wapa courbaril). Thèse de Doctorat. École Nationale du Génie Rural, des Eaux et Forêts, Paris, France. Anoniem. (1992). The Celos Management System - Treading Softly in the Forest. ITTO Forest Management Update, 2(3), 4-6. Beeckman, H. (online gezet op 16 juni 2008). A xylarium for the sustainable management of biodiversity: the wood collection of the Royal Museum for Central Africa, Tervuren, Belgium. Geconsulteerd: maart 2011, van Bulletin de l'APAD, 26 | 2003: http://apad.revues.org/3613 Belpaire, C., & Verreycken, H. (2007). Determinatiesleutel voor de zoetwatervissen van Vlaanderen. Mededelingen van het Instituut voor Natuur- en Bosonderzoek 2007 (INBO.M.2007.7), 47. Brussel: Instituut voor Natuur- en Bosonderzoek. Bianchi, A. (1956). Houtherkenning voor de praktijk; inleiding tot de herkenning van loofhoutsoorten, in het bijzonder tropische soorten, met de loupe. Amsterdam: Koninklijk Instituut voor de Tropen. Bond, B., & Hamner, P. (1995). Wood Identification for Hardwood and Softwood Species Native to Tennessee. Tennessee: University of Tennessee, Department of Forestry, Wildlife and Fisheries. Camargos, J. A. (1999). Colorimetria quantitativa aplicada na elaboração de uma tabela de cores para madeiras tropicais. Dissertaçao de Mestrado. Dep. de Eng.Florestal - UnB. Brasília, DF. CELOS. (2006, April). CMS-II: Preparing the stuy on practical scale operation of the CELOS forest Management System. http://www.celos.sr.org/downloadfiles/Workshop%20cms%20Proceedingsversie%20juli%20 2006.pdf Chrisment, A. (2004). Le Guide de la Couleur n°3 - Connaître et Comprendre la Colorimétrie. Paris: Editions 3C S.A. Control Union Certifications. (2007). Certification Report - FSC Forest Management. Geconsulteerd: april 2011, http://cogent.controlunion.com/cusi_production_files/SISI_files/FL_012010043039_8046932007-PS_NL1.pdf CSIRO Plant Industry. (2010). Australian Tropical Rainforest Plants. Geconsulteerd: 2011, van http://www.anbg.gov.au/cpbr/cd-keys/rfk/index.html 55
de Graaf, N., & van Bodegom, A. (1991). The Celos management system: a provisional manual. Wageningen, Nederland: IKC/NBLF/LNV en Sticht. Bosbouw Ontwikkelingssamenwerking BOS. de la Cerda-Lemus, M. E. (2011). La familia burseraceae en el estado de aguascalientes, México. Acta Botanica Mexicana, 94, 1-25. De Silva, M., & Liyanage, N. (2010). A multivariate approach for developing a dichotomous key for identification and differentiation of Puntius (Osteichthyes: Cyprinidae) species in Sri Lanka. Journal of the National Science Foundation of Sri Lanka, 38(1), 15-27. Détienne, P., Jacquet, P., & Mariaux, A. (1982). Manuel d’identification des bois tropicaux. Tome 3 : Guyane française. Nogent-sur-Marne: Centre technique forestier tropical. Drouin, M., Beauregard, R., & Duchesne, I. (2010). Within-tree variability of wood color in paper birch in Quebec. Wood and Fiber Science, 42(1), 81-91. Encyclopædia Britannica. (2011). Suriname. Geconsulteerd: 2011, http://www.britannica.com/EBchecked/topic/575240/Suriname FAO. (2011). Geconsulteerd: januari 2011, http://www.fao.org/countries/55528/en/sur/ FAO Forestry. (2010). Global Forest Resources Assessment 2010 - Main report. Rome. FAOSTAT. (2010). Geconsulteerd: Januari 2011, http://faostat.fao.org/DesktopDefault.aspx?PageID=550&lang=en#ancor FEPA. (2011). Geconsulteerd: Maart 2011, http://fepaabrasives.org/DesktopDefault.aspx?portalname=&language=&folderindex=0&folderid=0&he adingindex=0&headingid=0&tabindex=0&tabid=0 FSC. (2011). Geconsulteerd: 2011, http://www.fsc.org/ FSC Belgium. (2009). Geconsulteerd: 2011, http://www.fsc.be/ Gonggryp, J. (1949). Techniek en organisatie van het Botanisch bosonderzoek in Suriname. De WestIndische gids, 30, 1-18. Hardeberg, J. Y., Schmitt, F., Tastl, I., Brettel, H., & Crettez, J.-P. (1996). Color Management for Color Facsimile. Proceedings of IS&T and SID's 4th Color Imaging Conference: Color Science, Systems and Applications, (pp. 108-113). Scottsdale, Arizona. Hunt, R. W. (1991). Measuring color (2de ed.). New York: Ellis Horwood. IAWA Committee (Wheeler, E.A., Baas, P. & Gasson, P.E.). (1989). IAWA list of microscopic features for hardwood identification. IAWA Bulletin, 10(3), 219-332. Ilic, J. (1987). The CSIRO family key for hardwood identification. Leiden: EJ Brill. Ilic, J. (1990). The CSIRO Macro Key for hardwood identification. Australia: CSIRO.
56
Ilic, J., CSIRO Australia . (1991). CSIRO atlas of hardwoods. Springer. InsideWood. (2004-heden). Geconsulteerd: 2011, http://insidewood.lib.ncsu.edu/search Janin, G., & Mazet, J. (1987). Mesure de la variabilité de la couleur du bois. Nouvelle méthode appliquée aux carottes de sondage. Annales des Sciences Forestières, 44(1), 119-126. Janin, G., Klumpers, J., Ducci, F., Veracini, A., Sevrin, E., & Borja de la Rosa, M. (22-23 Octobre 1990). La couleur du bois des feuillus précieux: Chênes, Noyers, Alisiers. Actes du colloque "LIGNASILVA", 111-117. Micropolis-Besançon. Katuščák, S., & Kucera, L. J. (2000). CIE orthogonal and cylindrical color parameters and the color sequences of the temperate wood species. Drevársky Výskum, 45(3), 9-22. Katuščák, S., Kucera, L. J., Varga, S., Vrska, M., Ceppan, M., Suty, S., et al. (2002). New method of recognition of wood species. Increasing the effectiveness of colorimetric recognition of Picea excelsa and Abies alba. Drevársky Výskum, 47(1), 1-12. Klumpers J., J. G. (1992). Influence of age and annual ring width on the wood colour of oaks. European Journal of Wood and Wood Products, 50(4), 167-171. Klumpers, J. (1994). Le Déterminisme de la Couleur du Bois de Chêne. Etude sur les Relations entre la Couleur et des Propriétées Physiques, Chimiques et Anatomiques ainsi que des Caractéristiques de Croissance. Thèse de doctorat. l’Ecole du Génie Rural, des Eaux et des Forêts, Paris, France. Klumpers, J., Janin, G., Becker, M., & Lévy, G. (1993). The influences of age, extractive content and soil water on wood color in oak: the possible genetic determination of wood color. Annals of Forest Science, 50, 403-409. Koehler, A. (1917). Guidebook for the identification of woods used for ties and timbers. Washington: Government Printing Office. León, K., Mery, D., Pedreschi, F., & León, J. (2006). Color measurement in L*a*b* units from RGB digital images. Food Research International(39), 1084-1091. Lindeman, J., & Mennega, A. (1963). Bomenboek voor Suriname: herkenning van Surinaamse houtsoorten aan hout en vegetatieve kenmerken. Paramaribo: Dienst 's Lands Bosbeheer Suriname. Maitland, P. (1972). A Key to the Freshwater Fishes of the British Isles with Notes on their Distribution and Ecology (Scientific Publication no. 27). Ambleside: Freshwater Biological Association. Maniatis, D., Saint-André, L., Temmerman, M., Malhi, Y., & Beeckman, H. (2010). The potential of using xylarium wood samples for wood density calculations: a comparison of approaches for volume measurement and preliminary ecological results. iForest. Mononen, K., Alvila, L., & Pakkanen, T. T. (2002). CIEL*a*b* Measurements to Determine the Role of Felling Season, Log Storage and Kiln Drying on Coloration of Silver Birch Wood. Scandinavian Journal of Forest Research, 17(2), 179 - 191. 57
Montes, C. S., Hernández, R. E., Beaulieu, J., & Weber, J. C. (2008). Genetic variation in wood color and its correlations with tree growth and wood density of Calycophyllum spruceanum at an early age in the Peruvian Amazon. New Forests, 35, 57-73. NCS. (2011). Natural Color System. Geconsulteerd: 2011, http://www.ncscolour.com/ Nishino, Y., Janin, G., Chanson, B., Détienne, Gril, J., & Thibaut, B. (1998). Colorimetry of wood specimens from French Guiana. Journal of Wood Science, 44(1), 3-8. Nishino, Y., Janin, G., Yainada, Y., & Kitano, D. (2000). Relations between the colorimetric values and densities of sapwood. Journal of Wood Science, 46(4), 267-272. Nogueira, E. M., Fearnside, P. M., Nelson, B. W., & França, M. B. (2007). Wood density in forests of Brazil's ‘arc of deforestation’: Implications for biomass and flux of carbon from land-use change in Amazonia. Forest Ecology and Management, 248(3), 119-135 . Nogueira, E. M., Nelson, B. W., & Fearnside, P. M. (2005). Wood density in dense forest in central Amazonia, Brazil. Forest Ecology and Management, 208(1-3), 261-286. Palmer, J. K. (2008). Color variation and correlations in Eucalyptus dunnii sawnwood. Journal of Wood Science, 54, 431-435. Patiño, S., Lloyd, J., Paiva, R., Baker, T. R., Quesada, C. A., Mercado, L. M., et al. (2009). Branch xylem density variations across the Amazon Basin. Biogeosciences, 6(4), 545-568. PHS. (2005). Nationaal Bosbeleid van Suriname. Geconsulteerd: 2011, Platform Houtsector Suriname: http://www.phsur.com/uploads/www.phsur.com/Image/pdf/Bosbeleid_Suriname%20final% 20version%20feb%202004.pdf Plouvier, D. (2010). Voorlopige groepenindeling van de belangrijkste Surinaamse houtsoorten op basis van houtanatomische kenmerken. Persoonlijke communicatie. Preston, K. A., Cornwell, W. K., & DeNoyer, J. L. (2006). Wood density and vessel traits as distinct correlates of ecological strategy in 51 California coast range angiosperms. New Phytologist, 170(4), 807-818. Rappold, P. M., & Smith, W. B. (2004). An investigation of the relationships between harvest season, log age, and drying schedule on the coloration of hard maple lumber. Forest Products Journal, 54(12), 178-184. Richter, H. G., & Dallwitz, M. J. (2000 - heden). Commercial timbers: descriptions, illustrations, identification, and information retrieval. Geconsulteerd: 2011, http://www.biologie.unihamburg.de/b-online/wood/english/index.htm Safdari, V., Ahmed, M., Palmer, J., & BAIG, M. B. (2008). Identification of Iranian commercial wood with hand lens. Pakistan Journal of Botany, 40(5), 1851-1864. SBB. (2010). Bosbouwstatistieken - Productie, export en import van hout en houtproducten in 2009.
58
Schoch, W., Heller, I., Schweingruber, F., & Kienast, F. (2004). Wood anatomy of central European Species. Opgehaald van online versie: www.woodanatomy.ch Singh, S. K., Chauhan, D. S., Vatsa, M., & Singh, R. (2003). A Robust Skin Color Based Face Detection Algorithm. Tamkang Journal of Science and Engineering, 6(4), 227-234. Söderström, T., & Stoica, P. (1989). System identification. New York: Prentice-Hall. StatSoft, I. (2011). Electronic Statistics Textbook. Tulsa: OK: StatSoft. Sullivan, J. (1967a). Color characterization of wood: Spectrophotometry and wood color. Forest Products Journal, 17(7), 43-48. Sullivan, J. (1967b). Color characterization of wood; Color parameters of individual species. Forest Products Journal, 17(8), 25-29. Terziev, N., & Boutelje, J. (1998). Effect of felling time and kiln-drying on colour and susceptibility of wood to mold and fungal stain during an above-ground field test. Wood and fiber science, 30(4), 360-367. Van Roy, D. (2009). Forest Management Plan Suma Lumber Co N.V. 2009-2013. Vander Haeghen, Y., Naeyaert, J. M., Lemahieu, I., & Philips, W. (2000). An Imaging System with Calibrated Color Image Acquisition for Use in Dermatology. IEEE Transactions on Medical Imaging, 19(7), 722-730. Vermeulen, H. (1999). Paddestoelen, schimmels en slijmzwammen van Vlaanderen – determinatiesleutels aan de hand van veldkenmerken. Turnhout: De Wielewaal, Natuurvereniging vzw & Natuur- & Milieu-Educatie De Wielewaal vzw. Weiner, G., & Liese, W. (1993). Generic identification key to rattan palms based on stem anatomical characters. IAWA Journal, 14(1), 55-61. Wilkins, A., & Stamp, C. (1990). Relationship between wood colour, silvicultural treatment and rate of growth in Eucalyptus grandis Hill (Maiden). Wood Science and Technology, 24(4), 297-304. Winnock, M. (2010). Het belang van kleurverschillen bij de verwerking van Europees eikenhout. Masterproef. Universiteit Gent. Wirth, L. R., Schneller, J., & Holderegger, R. (2004). Ein vereinfachter Bestimmungsschlüssel für die Farne der Schweiz. Botanica Helvetica, 35-47. Worldatlas. (2011). Geconsulteerd: 2011, http://www.worldatlas.com/ WWF Guianas. (2009). Duurzaam bosbeheer bij Suma Lumber. http://www.sumalumber.eu/categories.html?cid=2 Zamora-Cornelio, L. F., Ochoa-Gaona, S., Vargas Simón, G., Castellanos Albores, J., & de Jong, B. H. (2010). Germinación de semillas y clave para la identificación de plántulas de seis especies arbóreas nativas de humedales del sureste de México. Rev. biol. trop, 58(2), 717-732.
59
Zanne, A., Lopez-Gonzalez, G., Coomes, D., Ilic, J., Jansen, S., Lewis, S., et al. (2009). Global wood density database. Geconsulteerd: 2011, Dryad: Identifier: http://hdl.handle.net/10255/dryad.235 Zobel, B. J., & van Buijtenen, J. P. (1989). Wood variation: its causes and control. Berlijn: SpringerVerlag.
60
7. Bijlagen Deze volledige thesis is samen met alle bijlagen terug te vinden op de bijgevoegde DVD. Bijlage 8 is ook hierna terug te vinden.
Bijlage 1
FSC principes
Dit bestand bevat de 10 algemene principes en criteria voor verantwoord bosbeheer volgens het FSC.
Bijlage 2
IAWA lijst met kenmerken voor hardhoutidentificatie
Deze lijst is de IAWA kenmerkenlijst voor microscopische identificatie van hardhout. De gebruikte nummers en beschrijvingen voor de macroscopische determinatiesleutel staan in het grijs aangeduid.
Bijlage 3
Overzicht van de gebruikte houtstalen uit het KMMA
Dit Excel bestand biedt een overzicht van alle gebruikte houtstalen uit het KMMA. Het eerste tabblad bevat de stalen waarvan de metingen gebruikt zijn en het tweede tabblad deze waarvan de metingen niet gebruikt zijn. Van deze laatste wordt vermoed dat deze oorspronkelijk fout gedetermineerd zijn.
Bijlage 4
Matlab scripts
Dit document omvat de gebruikte Matlab scripts voor het ontwerp van het transformatiemodel van RGB waarden naar L*a*b* waarden. a. Matlab script voor de kalibratie van de scanner De verwerkte beelden (A) zijn de kleurenstandaarden. b. Matlab script voor de schatting van L*, a* en b* De verwerkte beelden (A) zijn de scans van houtstalen. c. Matlab script voor K-means clustering De verwerkte beelden (A) zijn de scans van houtstalen die geclusterd dienen te worden.
Bijlage 5
Overzicht van de vatkenmerken
Het volledige overzicht van alle vatmetingen is in dit bestand terug te vinden. Het eerste tabblad bevat de vatdensiteit, het tweede de vatgrootte en het derde een overzicht van de houtstalen.
Bijlage 6
Overzicht van de densiteitsberekening
Het volledige overzicht van alle metingen voor de densiteitsbepaling is terug te vinden in dit bestand. Het eerste tabblad bevat de houtstalen met de gebruikte metingen. In het tweede tabblad zijn de vermoedelijk fout gedetermineerde houtstalen terug te vinden en in het derde tabblad extra stalen waarvan de densiteit wel berekend werd, maar die niet opgenomen zijn in de sleutel.
Bijlage 7
Overzicht van de kleurwaarden
Dit bestand bevat alle gemeten kleurwaarden in RGB waarden en L*a*b* waarden, berekend door het lineaire model. Bij de houtsoorten waarvan de waarden geclusterd werden volgens weefsel staan naast hun gemiddelde waarden ook de clusterwaarden. 61
Het eerste tabblad bevat de houtstalen met de gebruikte metingen. In het tweede tabblad zijn de vermoedelijk fout gedetermineerde houtstalen terug te vinden en in het derde tabblad extra stalen waarvan de kleur wel berekend werd, maar die niet opgenomen zijn in de sleutel.
Bijlage 8
Macroscopische determinatiesleutel
Dit Excel bestand is de uiteindelijke macroscopische determinatiesleutel. De filter functie dient gebruikt te worden op elk van de kenmerken om zo een houtsoort te selecteren. De afgedrukte versie die hierna volgt, is louter ter illustratie en wordt niet als dusdanig gebruikt.
Bijlage 9
Beelden van de houtstalen
In deze map zijn alle gescande beelden terug te vinden, gerangschikt per houtsoort. Om praktische redenen werden de beelden verkleind.
62
Dicorynia guianensis
Basralocus
Berg bebe
Berg gronfolo
Bolletrie
Bostamarinde
Djinda oedoe
Gele kabbes
Groenhart
Hoogland gronfolo Ruizterania albiflora
Ingipipa
Ingipipa
Ingipipa
BAS
BBB
BGR
BOL
BTM
DJI
GKB
GRH
HGR
ING
ING
ING
Aspidosperma album
Kromanti kopi
Kopi
Maka kabbes
KKP
KOP
MKB
Fabaceae
Pseudopiptadenia psilostachya
Pikien misiki
Purperhart
Rode kabbes
Rode kabbes
Rode sali
Sali
Satijnhout
Slangenhout
Soemaroeba
Walaba
PMS
PRH
ROK
ROK
RSL
SAL
SAT
SLH
SMB
WAL
Martiodendron parviflorum Fabaceae
Diplotropis purpurea
Zwarte kabbes
Zwarte pisi
ZWK
ZWP
Ocotea aurantiodora
Vochysia guianensis
WWK Wis wis kwari
Witte pinto locus
WPL
Lauraceae
Fabaceae
Vochysiaceae
Vochysiaceae
Vochysia tomentosa
WNK Wana kwari
Lauraceae
Ocotea rubra
Fabaceae
Simaroubaceae
Anacardiaceae
Moraceae
Burseraceae
Burseraceae
Fabaceae
Fabaceae
Fabaceae
WAN Wana
Eperua falcata
Simarouba amara
Loxopterygium sagotii
Brosimum rubescens
Tetragastris spp
Tetragastris altissima
Andira inermis
Andira spp
Peltogyne pubescens
Clusiaceae
Platonia esculenta
Pakuli / geelhart
PAK
Vochysiaceae
Erisma uncinatum
MWK Mawsi kwari
Bignoniaceae
Tabebuia capitata
Fabaceae
Goupiaceae
Apocynaceae
Moraceae
Lecythidaceae
Vochysiaceae
Bignoniaceae
Fabaceae
Combretaceae
Fabaceae
Sapotaceae
Vochysiaceae
Fabaceae
Fabaceae
Familie
MKG Maka grin
Hymenolobium petraeum
Goupia glabra
Bagassa guianensis
KAW Kaw oedoe
Couratari stellata
Couratari multiflora
Couratari guianensis
Tabebuia serratifolia
Vatairea guianensis
Buchenavia tetraphylla
Hydrochorea corymbosa
Manilkara bidentata
Qualea rosea
Swartzia benthamiana
Wetenschappelijke naam
Code Surinaamse naam
IAWA lijst nummer:
Papilionoideae
Caesalpinioideae
Papilionoideae
Papilionoideae
Caesalpinioideae
Mimosoideae
Papilionoideae
Mimosoideae
Papilionoideae
Caesalpinioideae
Subfamilie
JA
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
JA
JA
NEE
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
JA
NEE
JA
JA
JA
NEE
JA
NEE
JA
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
7
groeiringen (niet in elk staal even duidelijk)
NEE
9
vaten exclusief solitair (>90%)
vaten in diagonaal of radiaal patroon
1+2
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
NEE
NEE
JA
JA
JA
JA
JA
JA
JA
JA
JA
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
JA
NEE
JA
JA
NEE
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
NEE
NEE
JA
NEE
NEE
NEE
JA
JA
NEE
NEE
NEE
JA
JA
JA
<14
wit of beige
5
<14
<5
<14
<14
<14
<14
>14
<5
>14
<14
<14
<14
<14
5
<14
NEE
rood
rood
rood
rood
rood
wit
rood
geel
>14
<14
<14
wit of geel
5
>14
<14
<5
<5
<5
<14
>14
<14
<14
<5
<14
<14
wit of rood
wit
groen
wit
<14
oranje of wit
medium
medium
medium
groot
groot
klein
medium
klein
groot
groot
medium
klein
medium
medium
klein
groot
groot
medium
123
183
medium
groot
>229 zeer groot
123
>229 zeer groot
183
183
>229 zeer groot
123
<123
>229 zeer groot
>229 zeer groot
<123
123
>229 zeer groot
>229 zeer groot
>229 zeer groot
123
>229 zeer groot
123
123
123
183
183
<123
123
<123
183
183
JA
JA
JA
JA
JA
JA
JA
JA
NEE
NEE
NEE
NEE
JA
JA
JA
JA
JA
JA
NEE
JA
NEE
NEE
NEE
JA
JA
JA
JA
NEE
JA
JA
JA
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
JA
JA
NEE
JA
NEE
NEE
NEE
NEE
NEE
JA
JA
JA
NEE
JA
JA
NEE
JA
NEE
NEE
NEE
JA
JA
JA
JA
NEE
JA
JA
JA
JA
JA
JA
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
NEE
NEE
JA
JA
JA
NEE
NEE
NEE
JA
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
JA
NEE
NEE
JA
JA
JA
JA
JA
NEE
NEE
NEE
JA
NEE
JA
NEE
JA
NEE
JA
NEE
NEE
NEE
JA
JA
JA
NEE
NEE
JA
NEE
JA
NEE
NEE
NEE
NEE
JA
NEE
JA
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
JA
NEE
NEE
JA
JA
NEE
JA
JA
JA
JA
JA
NEE
JA
NEE
JA
NEE
NEE
JA
JA
JA
JA
NEE
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
JA
JA
JA
NEE
JA
NEE
NEE
NEE
JA
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
JA
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
bijna exclusief radiale groepering vaten van 4 of meer
NEE
/
(9+10)
vaten grotendeels alleenstaand, ook radiale groeperingen van 2-4 vaten
JA
/
vaten opvallend ellipsvormig
haltervormige radiale groepering vaten
NEE
(56+58)
inhoud in vaten (gommen, hars en/of thyllen)
NEE
/ kleur inhoud vaten
JA
/ vatdensiteit (vaten/mm²)
NEE
/ vatgrootte (µm)
NEE
/ vatgrootte
JA
/ parenchym te zien met blote oog
>229 zeer groot
75 axiaal parenchym afwezig of heel schaars
<14
76 axiaal parenchym diffuus (enkel te zien als stipjes)
oranje of wit
79
77 axiaal parenchym diffuus in groepjes (onderbroken tangentiële of schuine lijntjes (groter dan stipje))
JA
81 axiaal parenchym lozenge aliform
axiaal parenchym vasicentrisch (enkel ronde rond vaten)
NEE
82 axiaal parenchym gevleugeld aliform
JA
/ axiaal parenchym confluent, slechts enkele vaten tangentiaal of schuin verbindend
JA
/
/ axiaal parenchym confluent, bijna alle vaten tangentiaal verbindend, lange banden creërend
NEE
84 Axiaal parenchym unilateraal paratracheaal
axiaal parenchym confluent, verbindt de vaten in zigzag effect
10+
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
JA
NEE
JA
JA
NEE
NEE
JA
JA
JA
JA
JA
JA
JA
JA
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
JA
JA
NEE
NEE
JA
NEE
NEE
JA
JA
JA
JA
JA
NEE
NEE
NEE
NEE
NEE
JA
JA
JA
JA
JA
JA
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
JA
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
NEE
NEE
JA
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
JA
JA
JA
NEE
JA
JA
NEE
NEE
NEE
NEE
JA
JA
JA
JA
JA
JA
NEE
JA
NEE
NEE
NEE
JA
JA
JA
NEE
JA
NEE
JA
JA
JA
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
Axiaal parenchym 'reticulate' tangentiale lijnen = netvormig parenchym: parenchymbanden in continue rechte tangentiële lijnen, met dezelfde afstand als stralen
NEE
axiaal parenchym in marginale of schijnbaar marginale banden
NEE
indien parenchymbanden: breedte parenchymbanden > houtstralen JA
/ indien parenchymbanden: breedte parenchymbanden < houtstralen
JA
/ indien parenchymbanden: breedte parenchymbanden = houtstralen
NEE
/ indien parenchymbanden: breedte parenchymbanden > radiale breedte vaten
/
NEE
NEE
JA
JA
JA
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
JA
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
JA
JA
NEE
NEE
NEE
NEE
JA
JA
NEE
NEE
NEE
NEE
NEE
NEE
NEE
JA
NEE
NEE
NEE
NEE
NEE
JA
118+120 +121
/
/ indien parenchymbanden: breedte parenchymbanden < radiale breedte vaten
89
127+131
203 opvallende geur als nat
bredere houtstralen met radiale harsgangen
87
Andere vlakken
axiale kanalen in tangentiële 'lijnen'
Kanalen
etagebouw
Geur
zwaar
licht
zeer zwaar
zwaar
zwaar
zwaar
zwaar
zwaar
zeer zwaar
licht
zwaar
licht
zeer zwaar
zeer zwaar
zwaar
licht
zwaar
0,51
0,83
0,51
0,83
licht
zwaar
licht
zwaar
<0,51 zeer licht
0,51
0,83
<0,51 zeer licht
a<9,65
a<9,65
a<9,65
JA a*<9,65
JA a*<9,65
JA a*>9,65
NEE a*<9,65
JA a*>9,65
NEE a*>9,65
NEE a*<9,65
NEE a*>9,65
JA a*<9,65
NEE
JA a*>9,65
JA a*<9,65
JA a*>9,65
JA a*<9,65
NEE
JA a*<9,65
JA a*>9,65
NEE a*<9,65
NEE
JA a*>9,65
JA a*>9,65
JA a*>9,65
NEE a*<9,65
JA a*>9,65
JA a*>9,65
JA a*>9,65
0,66
>1,0
0,83
a<9,65
NEE a*<9,65
JA
NEE a*<9,65
JA a*<9,65
licht
0,66
0,83
0,83
>1,0
0,51
0,83
0,51
>1,0
a<9,65
JA a*>9,65
NEE
NEE a*>9,65
JA a*>9,65
zeer zwaar
licht
licht
zeer zwaar
0,66
0,83
0,83
0,83
>1,0
0,51
0,51
0,51
>1,0
0,66
0,83
0,51
>1,0
0,66
0,66
NEE a*<9,65
L*>34,26 b*>10,88
L*>34,26 b*<10,88
47,12
L*>34,26 b*<10,88
47,12
L*<47,12
L*>34,26 b*<10,88
L*>58,31
L*>34,26 b*>10,88
L*<34,26
L*<47,12
L*>34,26 b*>10,88
L*>58,31
L*>34,26 b*<10,88
L*<34,26
L*>34,26 b*>10,88
L*<47,12
L*>34,26 b*>10,88
L*<34,26
47,12
L*<47,12
L*<47,12
L*>34,26 b*>10,88
47,12
47,12
47,12
L*>34,26 b*>10,88
L*<34,26
L*>34,26 b*<10,88
L*>34,26 b*<10,88
47,12
L*<34,26
L*<47,12
47,12
L*>34,26 b*<10,88
Extra
kleur: grijsbruin kernhout met zwarte strepen, parenchym: axiaal parenchym donker, (gele tint) afwezig of heel zelden een fijne vasicentrische ring
kleur: bijna zwart, vaten: warrig patroon in vatordening, parenchym: opvallend, dik donker, (bruine tint) lozenge aliform
parenchym: deels enkele vaten verbindend, ook banden vormend, tamelijk fijn bleek, (rode tint) verschil met WNK: densiteit iets hoger dan WNK
parenchym: afwisselend confluent parenchym dat enkele vaten verbindt met donker, (bruine tint) confluent parenchym dat tangentiale rijen vormt, beide gevallen golvend
parenchym: deels enkele vaten verbindend, ook banden vormend, tamelijk fijn bleek, (rode tint) verschil met WWK: densiteit iets lager dan WWK
medium, (rode tint) vaten: in zigzagpatroon verbonden door parenchym = parenchymbanden
donker, (bruine tint) parenchym: met axiale kanalen in, opvallend met blote oog, kleverig door hars
kleur: heel bleek, parenchym: stralen en axiaal parenchym heel licht van kleur, zeer bleek gewicht: zeer licht
kleur: opvallend gestreept, parenchym; geen axiaal, (hier en daar plekje hars op donker, (gele tint) radiaal en tangentiaal vlak)
kleur: donkerrood/paars, parenchym: axiaal heel moeilijk te zien, stralen steken zeer donker zwart af op radiaal en tangentiaal vlak
kleur: paars, parenchym: voornamelijk unilateraal aliform, hier en daar confluent, zeer donker soms marginale band korte onderbroken lijntjes diffuus parenchym. Lijkt op MKB, maar hout van ROK is meer roodbruin dan geelbruin (zoals MKB), MKB kan strepen of donkere bruine donker, (bruine tint) vlekken vertonen parenchym: opvallend, redelijk dik lozenge aliform, hier en daar marginale banden, korte onderbroken lijntjes diffuus parenchym, uitzondering op typische ROK door zeer bleek gele kleur vaten: radiale groepering soms in haltervorm, parenchym: geen axiaal, uitzonderlijk een fijne marginale band, stralen dik en rood donker, (gele tint) vaten iets groter dan SAL (+lagere vatdensiteit) vaten: radiale groepering soms in haltervorm, parenchym: geen axiaal, uitzonderlijk een fijne marginale band, stralen dik en rood medium, (rode tint) vaten iets kleiner dan RSL (+hogere vatdensiteit)
parenchym: vnl. vasicentrische ring, licht lozenge aliform, hier en daar enkele vaten donker, (gele tint) confluent (eerder zelden), en een fijn marginaal bandje te zien
donker, (gele tint) parenchym: licht golvende parenchymbanden, redelijk dik, enkel apotracheaal parenchym: licht golvende parenchymbanden, redelijk dik, gevleugeld aliform parenchym omsluit de vaten meestal maar unilateraal (i.t.t. MWK waar vaten niet medium, (rode tint) omsloten worden door parenchym), gelig
parenchym: zeer fijne mantel (of licht aliform) rond vaten of in diffuse stipjes, niet medium, (rode tint) te zien met blote oog, wel met loep afwisselend met slechts enkele verbonden vaten. Lijkt op ROK, maar hout van MKB is meer geelbruin dan roodbruin (zoals ROK), MKB kan strepen of donkere bruine bleek, (rode tint) vlekken vertonen parenchym: fijn aliform, zeer fijne marginale band, zeer moeilijk te zien, (ook met loep) zeer donker lijkt sterk op GRH, maar de geelgroene inhoud ontbreekt
parenchym: zeer fijn, soms onvolledige mantel, fijn aliform, weinig diffuse stipjes medium, (rode tint) parenchym, niet te zien met blote oog, wel met loep
parenchym: in zeer smalle ring (soms licht aliform) rond vaten, niet te zien met blote donker, (gele tint) oog, wel met loep
bleek, (rode tint) parenchym: zeer fijn , duidelijk netvormig, heel zelden mogelijk axiale kanalen
bleek, (rode tint) parenchym: zeer fijn , duidelijk netvormig, heel zelden mogelijk axiale kanalen
bleek, (rode tint) parenchym: zeer fijn , duidelijk netvormig, heel zelden mogelijk axiale kanalen
vaten: geelgroene inhoudstof, parenchym: zeer fijn aliform en zeer fijne marginale zeer donker band, moeilijk te zien, zelfs met loep parenchym: vnl. fijn lozenge en gevleugeld aliform, weinig diffuus parenchym in lijntjes donker, (gele tint) lijkt sterk op BGR, maar minder roze
parenchym: opvallend, redelijk dik lozenge, het diffuse parenchym in groepjes is zeer donker, (bruine tint) schaars, parenchym verbindt de vaten schuin
parenchym: gevleugeld aliform, aan zonegrenzen marginale banden, het confluente donker, (bruine tint) parenchym dat vaten verbindt is erg fijn
vaten: rijtjes vaten al opvallend met blote oog, parenchym: zeer fijn, te zien met zeer donker loep, maar nauwelijks met blote oog parenchym: heel bleek, grotendeels enkel lozenge aliform, enkel aan zonegrens een marginale band van confluent parenchym van enkele of bijna alle vaten (dikke en bleek, (rode tint) dunne banden)
parenchym: vnl. fijn lozenge en gevleugeld aliform, weinig diffuus parenchym in medium, (rode tint) lijntjes
parenchym: vnl. fijne, licht golvende bandjes, unilateraal langs vaten, weinig diffuus bleek, (rode tint) parenchym in lijntjes
vaten: halters opvallend, parenchym: vnl. fijne golvende concentrische banden, donker, (bruine tint) weinig diffuus parenchym in lijntjes
densiteit (g/cm³) 0,66
/
/
/
/
201
/
Kleur
densiteit
/
Densiteit
kernhout met strepen
Parenchym
Kleurwaarde (L*a*b*)
Paratracheaal
Kleurwaarde (L*a*b*)
Apotracheaal
Kleurwaarde (L*a*b*)
Vaten
Kleurtint
Groeiringen
extra
