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)含量的明显高估，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，配置煤源碳含量不同的土壤样品，利用高光谱遥感技术分析了矿区土壤的光谱特征。综合9种光谱数学变换方法和2种光谱特征筛选方法，构建了6种矿区土壤煤源碳含量反演模型，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：350-2500 nm波长范围内，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)随煤源碳含量的增加而减小，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350-2500 nm波长范围内分布均匀。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含量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含量的估测精度进一步提升。3种机器学习模型中，1/R-CARS-RF煤源碳含量反演模型的估测精度最高，验证集R2=0.998、RMSE=0.348、RPD=29.943。适用性检验表明，1/R-CARS-RF煤源碳含量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含量。因此，高光谱遥感技术在定量识别土壤煤源碳方面具有良好的应用前景。本研究也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。

1.材料与方法
1.1研究区概况
1.2样品采集与配置
1.3光谱测定
1.4光谱数据处理
1.5建模变量优选
1.6模型构建与精度检验
2.结果与分析
2.1光谱曲线特征
2.2建模变量提取
2.3基于光谱特征指数的煤源碳含量反演模型
2.4基于机器学习的煤源碳含量反演模型
2.5模型适用性测试
3.讨论
4.结论

聂小军,赵星辉,Ammara Gill,洪雯雯,张合兵.基于光谱特征指数与机器学习的矿区土壤煤源碳含量反演[J/OL].煤炭学报:1-12[2023-06-24].DOI:10.13225/j.cnki.jccs.CN23.0329.