基于CWT-CARS-CNN综合方法的矿区土壤煤源碳质量分数高光谱估测

目的目前,尚无可靠方法定量识别土壤中煤源碳,为此,方法采集焦作矿区耕地土壤,配制249个不同质量分数的煤源碳土壤样品,利用ASD FieldSpec4获取样品光谱数据,采用连续小波变换(continuous wavelet transform,CWT)-竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)-卷积神经网络(convolutional neural networks,CNN)方法估测土壤中煤源碳质量分数,并对比CWT-CARS-CNN方法与传统光谱指数法构建的煤源碳估测模型估测效果,检验CWT-CARS-CNN估测模型的适用性。结果结果表明:350~2500 nm波段内,煤与土壤光谱特征截然不同,含煤土壤样品光谱反射率随煤源碳质量分数增加而降低;CWT方法提高了光谱对土壤煤源碳的敏感性,CARS方法提取的煤源碳敏感波段数量明显增加,基于CWT-CARS-CNN方法的煤源碳质量分数估测模型精度明显高于传统光谱指数法的;以L8分解尺度构建的CWT-CARS-CNN模型精度最高,验证集R2=0.9993,RPD=40.3081。结论基于CWT-CARS-CNN的高光谱估测方法能较准确地估测矿区不同土地利用类型下土壤中的煤源碳质量分数,可为“双碳”背景下矿区土壤碳固存与肥力评估提供参考。