煤炭学报

作者：彭思涵, 包妮沙, 雷海梅, 刘善军, 杨天鸿,

关键词：成像高光谱技术, 干旱半干旱露天煤矿, 复垦土壤, 土壤剖面, 有机碳, 全氮,

露天煤矿区复垦土壤在经过开采—剥离—覆盖过程后，其有机碳(SOC)和全氮(TN)的垂直分布发生巨大变化，并且直接决定植被恢复物种的选择和生态恢复效果。因此，在双碳目标下，复垦SOC和TN在0～100 cm剖面的监测及制图，是评估矿区生态恢复及复垦工程固碳的重要基础。相比于传统的化学方法，高光谱技术是一种快速而且无损，已经广泛应用于土壤属性估测的技术，成像高光谱技术相比于点位光谱测量具有图谱合一的优势。因此以我国北方干旱半干旱草原大型露天煤矿复垦土壤为研究对象，采集不同复垦工程、复垦年限的土壤剖面样本，揭示不同复垦年限和复垦方式下土壤剖面SOC和TN垂直分布规律和高光谱特征，通过深度挖掘和筛选SOC和TN特征波段和指数，构建可解释性机器学习模型，从而实现土壤剖面SOC和TN的制图，结果表明：① 土壤光谱反射率随SOC和TN质量分数的增加而降低，通过集成皮尔森相关性分析和选择连续投影算法，对点状高光谱数据进行降维和去冗余，最终明确表征SOC质量分数的30个特征波段和表征TN质量分数的18个特征，并基于特征波段建立了SOC和TN三维光谱特征指数；② 通过对比偏最小二乘回归(PLSR)、随机森林模型(RF)和径向基函数(RBF)神经网络预测模型，发现对光谱数据进行特征波段筛选和变换，可以提高预测精度，其中随机森林模型预测SOC和TN的精度最高，对SOC的预测结果为R2=0.97、RMSE=7.5 g/kg、LCCC=0.84、bias=3.70，TN预测结果为 R2=0.78、RMSE=0.33 g/kg、LCCC=0.74、bias=0.19；③ 利用SHAP可解释机器学习模型方法对输入特征进行重要度排序，发现提出的三维光谱指数对模型预测的贡献大于大部分特征波段；④ 使用最佳模型可以快速绘制出成像高光谱图像中每个像素的SOC和TN质量分数，实现矿山土壤剖面中SOC和TN质量分数的制图和可视化。基于成像高光谱技术绘制露天煤矿区复垦土壤剖面可以揭示复垦土壤形成和演化过程，阐明复垦年限、复垦植被类型在剖面演替过程中的驱动力，为露天煤矿区复垦土壤碳汇潜力的动态监测以及土壤固碳技术的效益评价提供重要的数据来源和技术支持。

来源：2023年第7期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2023年第7期