基于光谱特征指数与机器学习的矿区土壤煤源碳质量分数反演

摘要：

煤颗粒作为一种高碳有机质,即使少量扩散至土壤中便会以煤源碳的干扰形式导致土壤有机碳(植物源碳)质量分数的明显高估,从而增加土壤碳固存评估的不确定性.然而,目前缺少土壤煤源碳定量评估的有效方法.本研究以具有100多年无烟煤开采历史、土壤中煤颗粒累积(煤累积土壤)普遍的河南焦作矿区为研究区,采集当地的煤粉与不含煤颗粒的土壤,配置煤源碳质量分数不同的土壤样品,利用高光谱遥感技术分析了矿区土壤的光谱特征.综合8种光谱数学变换方法和2种光谱特征筛选方法,构建了 6种矿区土壤煤源碳质量分数反演模型,包括3种光谱特征指数(弓曲差、差值指数、比值指数)、3种机器学习(偏最小二乘回归(PLSR)、支持向量机(SVM)与随机森林(RF))模型.本研究也对最优反演模型的适用性进行了检验.研究发现:波长350～2 500 nm内,煤的光谱曲线特征明显不同于植物源有机质与不含煤颗粒的土壤,煤累积土壤的光谱反射率(R)随煤源碳质量分数的增加而减小,这为高光谱遥感技术定量反演土壤煤源碳提供了理论基础.在光谱特征筛选方面,综合竞争性自适应重加权采样法(CARS)提取出的煤源碳特征波段数远高于光谱特征指数相关系数法,而且特征波段在波长350～2 500nm内分布均匀.原始光谱R经光谱数学变换后,构建的弓曲差、差值、比值光谱特征指数反演模型对土壤煤源碳质量分数的估测精度明显提升,其中,基于倒数1/R变换的差值指数模型反演效果最好.相较于光谱特征指数模型,结合CARS的机器学习模型对煤源碳质量分数的估测精度进一步提升.3种机器学习模型中,1/R-CARS-RF煤源碳质量分数反演模型的估测精度最高,验证集R2m=0.998、RMSE=0.348、RPD=29.943.适用性检验表明,1/R-CARS-RF煤源碳质量分数反演模型的适用性良好(RMSE=1.88％、RPD=4.97),可以较准确地估测焦作矿区土壤中的煤源碳质量分数.本研究可为矿区土壤煤源与植物源碳区分、土壤碳固存精确评估提供方法支撑.

关键词：煤源碳、土壤有机碳、高光谱反演、碳固存、煤矿区

所属期刊栏目：48

分类号：TD88(矿山开采)

资助基金：国家自然科学基金;河南省科技攻关资助项目

在线出版日期：2023-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：2869-2880