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。

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

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350~2 500 nm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R_(m)~2=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。