基于可见光/近红外反射光谱的沉积型 稀土矿La元素含量无损检测

以黔西北二叠系宣威组沉积型稀土矿中的La元素为研究对象,对其进行光谱学分析的基础上,应用机器学习中遗传算法优化的极限学习机(Genetic algorithm-extreme learning machine model,GA-ELM)建模方法对La元素进行了高光谱定量估算反演.通过多种光谱变换(Savitzky-Golay平滑、微分、倒数、连续统去除等)后,使用了光谱特征细节凸显的反射率二阶微分研究对比了变量相关性系数(Pearson相关系数)和变量重要性评价(Competitive adaptive reweighted sampling,CARS;Successive projections algorithm,SPA;Radom frog,RF)两种特征变量选取方法所建立的数学模型精度差异.结果表明,沉积型稀土矿样中La元素含量与光谱反射率是一种非线性关系,不同的光谱变换方法对La含量信息提取能力不同,每种光谱变换都对应特定的敏感波谱区间.通过变量重要性评价方法所建立的模型比变量相关性系数所建立矿样La含量反演模型精度高.变量重要性评价筛选方法提取的特征变量反演模型显示,算法筛选的12个特征波长所建立的CARS-GA-ELM模型效果最佳,R2(Determination coefficients)、RMSE(Root mean square error)和MRE(Mean relative error)分别为0.99、11.36 mg/kg、11.87％,能较好地检测La元素的含量.研究为"点"上沉积型稀土La元素的可见光-近红外光谱定量快速的反演研究提供了新的测试方法,为其它稀土土壤元素的光谱检测提供了思路,同时也为区域面积性的高光谱稀土资源的定量反演评价提供了理论依据.