激光诱导荧光（LIF）技术是一种主动式的遥感光学探测技术。土壤是常见的天然多孔介质，与石油混合后油滴会进入其孔隙内部，其独特的结构可以使光线发生多次反射和吸收，这种现象导致LIF探测土壤石油污染物获得的荧光分布具有差异性。笔者根据土壤含油量的多少以及分布特点，将土壤石油污染物分为油泥与含油土壤，基于蒙特卡罗方法和多孔介质的隐函数表示法，分别建立油泥和含油土壤的荧光仿真模型，采用荧光转换效率（接收荧光功率与发射激光功率的比值）表征荧光强度，从不同出射方向分析发射出土壤的荧光分布情况。通过模拟不同油品污染的油泥和含油土壤在不同入射天顶角、孔隙率、孔隙密度下的荧光转换效率，分析不同油品、LIF系统参数和土壤因素对荧光分布的影响。仿真结果表明：对于同种石油污染的油泥和含油土壤，油泥因较高的含油量导致荧光信号强于含油土壤；当激光垂直入射时，LIF系统收集的荧光信号强度最高，入射角度增大会导致荧光信号强度逐渐减弱；土壤石油污染物的荧光强度会随着孔隙率的增大而增大，随着孔隙密度的增大而减小；在激光照射下，轻质原油污染的土壤由于吸收系数较低，产生的荧光信号要弱于重质石油污染的土壤。本研究为LIF探测陆地溢油污染提供了理论和技术支持。

针对高寒高纬度地区不同冻土厚度下爆破块度大块率高的难题，在乌努格吐山铜钼矿冬季低温下进行爆破漏斗试验。根据试验结果利用利文斯顿爆破漏斗理论确定了冻土装药参数与爆破漏斗参数之间的关系，计算出冻土层的变形能系数，分析了不同冻土层厚度的爆破漏斗特性曲线。在装药量为4 kg时，冻土临界深度为1.3 m，最佳埋置深度为0.84 m，变形能系数为1.06; 在装药量为8 kg时，冻土临界深度为1.7 m，最佳埋置深度为1.2 m，变形能系数为1.05; 在装药量为12 kg时，冻土临界深度为2.2 m，最佳埋置深度为1.34 m，变形能系数为0.95。根据爆破立方根定律，推导出适用于现场冻土区的最佳装药参数，经过对不同冻土层厚度多种爆破参数下爆破效果对比分析，采取“分区域，分阶段”原则优化爆破效果，对于弱冻层区域采用减小堵塞长度并增加装药高度的方法提高爆破质量; 对于强冻土区主爆孔周围增加辅助孔来降低冻土层大块率。总结出适用于高寒地区随冻土层厚度变化的爆破参数优化方案，爆破效果改善明显，在很大程度上降低了冻土层爆破后的大块率产出，提高供矿率。

针对现有卷积神经网络土壤有机质(SOM)预测模型用在小样本数据集存在建模效果差, 预测精度不够高等问题, 为更加精准预测土壤SOM含量, 以广西国有黄冕林场和国有雅长林场采集的206个土壤样品为研究对象, 提出了一种改进时间卷积网络(SATCN)的红壤有机质高光谱预测模型。 对土壤样品进行Savitaky-Golay(SG)平滑以及一阶微分(1DR)、 二阶微分(2DR)、 标准正态变量(SNV)和多元散射校正(MSC)四种变换, 对比分析长短记忆网络(LSTM)、 偏最小二乘回归(PLSR)和支持向量机(SVM)在不同光谱预处理下的建模效果, 结果表明, 采用SG处理后的光谱一阶微分预处理方法, 建模效果最好; 在时间卷积网络(TCN)架构上, 采用浅层网络结构, 在TCN残差结构中加入自注意力层, 提高模型特征学习能力; 每个卷积核权重加入L2正则化, 防止过拟合; 选取一阶微分作为光谱预处理, 建立ResNet-13、 VGGNet-7、 时间卷积网络(TCN)和改进时间卷积网络(SATCN)四种模型, 对比分析四种模型建模效果, 以及SATCN模型在不同网络深度下模型建模效果。 结果表明, 在一阶微分光谱预处理的情况下, 浅层SATCN模型建模效果优于深层模型; SATCN模型中的自注意力残差结构, 不仅能够强化光谱序列重要特征, 模型特征学习能力和预测精度也有显著提高。 相比于CNN、 TCN等建模方法, 提出的SATCN模型建模效果最好, 拥有更高的精确度和极好的模型估测能力, 验证集的决定系数(R2)为0.943, 均方根误差(RMSE)为3.042 g·kg-1, 相对分析误差(RPD)为4.273。 综上所述, SOM含量的最佳预测模型是采用SG平滑后一阶微分光谱预处理基础上建立的SATCN预测模型, 对广西林地土壤有机质含量进行更加了精准预测。

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。 旨在寻求特征波段筛选的最佳算法, 以实现土壤重金属铅含量的准确监测, 为土壤污染防治提供参考。 以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源, 利用蒙特卡洛交叉验证（MCCV）算法确定92个有效土壤样品, 通过相关分析选取倒数对数一阶微分变换处理的光谱数据, 采用随机蛙跳（RF）算法, 并结合竞争性自适应重加权（CARS）算法、 迭代保留有效信息变量（IRIV）算法及连续投影算法（SPA）, 构建RF-CARS、 RF-IRIV及RF-SPA三种算法对波段进行筛选。 以倒数对数一阶微分变换处理下的特征波段反射率为自变量, 土壤重金属铅含量为因变量, 采用极端梯度提升（XGBoost）和地理加权回归（GWR）方法构建土壤重金属铅含量估测模型。 结果表明: （1）光谱变换处理可有效增强光谱与土壤铅含量的敏感性, 其中倒数对数一阶微分变换后的土壤光谱特征更为明显, 相关系数可达到0.620（p＜0.001）。 （2）RF-CARS、 RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、 9和7个特征波段, 全部位于近红外光谱区域, 3种算法具有较强的特征提取能力, 极大减少光谱数据中的冗余信息。 （3）基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型, 说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。 此外, GWR模型的性能优于XGBoost模型, 构建的RF-IRIV-GWR模型具有较好的预测能力, 可作为研究区土壤铅含量的最优估测模型, 其验证集的决定系数（R2）为0.892, 均方根误差（RMSE）为0.825 mg·kg-1, 相对分析误差（RPD）为3.09。 基于随机蛙跳（RF）与迭代保留有效信息变量（IRIV）算法, 结合地理加权回归（GWR）建模方法在快速准确估测土壤铅含量方面具有一定优势, 可进行土壤重金属污染的动态监测。

土壤全氮是重要的养分指标, 利用高光谱技术研究并构建砂姜黑土全氮含量高光谱估测模型, 为作物施肥及发展精确农业提供参考。 尝试研究离散小波估测土壤全氮含量的可行性, 以河南省商水县不同小麦氮肥处理为试验区, 采集100份0～20 cm的砂姜黑土, 土壤样本风干并经研磨过筛等处理后, 在实验室暗室内采集光谱。 利用含量梯度法, 将总样本（100个砂姜黑土）划分为建模集75个和验证集25个。 将原始光谱进行一阶导数变换, 并对一阶导数光谱分别进行相关分析和离散小波变换, 同时结合支持向量机和K邻近算法构建高光谱土壤全氮估测模型。 系统分析了原始光谱和一阶导数光谱的单波段与土壤全氮的相关性, 结果表明, 经一阶导数变换后的光谱与土壤全氮有更好的相关性, 在1 373 nm处相关系数达到最高为0.84。 利用离散小波算法对一阶导数光谱进行最佳母小波和分解层次选择, 结果显示, 经sym8函数分解的小波系数能较好的重构土壤全氮光谱信息, 进一步基于分解层L1—L11的低频系数分别建立支持向量回归和K邻近回归土壤全氮含量估测模型, 比较全部估测模型, 以分解层L5的低频系数结合K邻近构建的模型最优, 建模决定系数为0.90, 均方根偏差为0.09 g·kg-1, 相对分析误差为3.78, 验证决定系数为0.97, 均方根偏差为0.05 g·kg-1, 相对分析误差为4.30。 同时与全波段和经相关分析后挑选出的敏感波段作为输入构建的模型进行比较, K邻近模型精度提高了3.2%和9%, 支持向量机模型精度提高了6.7%和11.6%。 研究结果表明一阶导数变换与离散小波技术可有效减少噪声影响, 提高土壤全氮含量的估测精度, 又实现了光谱数据降维, 简化了模型复杂度, 为砂浆黑土全氮含量的精确估测提供参考。

禹粮土在蒙药中使用历史悠久, 但由于缺乏质量指标, 质量得不到保证, 极大地影响了其应用。 采用FTIR、 XRD及ICP-MS法测定9批禹粮土样品的物质组成、 结构及元素含量, 探究禹粮土的质量控制方法。 结果显示, 9批生品禹粮土在FTIR波数为3 696、 3620、 1 621、 1 164、 913、 797、 778、 695、 537和469 cm-1存在共有峰, 其中797 cm-1为Fe—O—Fe伸缩振动吸收峰, 695 cm-1为Fe—O—Fe对称伸缩振动吸收峰, 469 cm-1为Si—O—Si特征峰。 禹粮土的XRD主要物相为Fe2O3和SiO2, 并有Al4（OH）8(Si4O10)、 K(Al4Si2O9)（OH）3、 CaCO3以及一些磷酸盐等其他矿物伴生。 生品禹粮土XRD衍射光谱的衍射角度2θ中24.870、 33.116、 38.436为Fe2O3的X射线衍射峰, 衍射角度2θ中20.837、 26.608、 36.512、 39.437、 40.235、 42.423、 45.759、 50.102和54.827为SiO2的X射线衍射峰。 通过ICP-MS对禹粮土中元素进行测定, 结果显示, 禹粮土的元素组成十分丰富, 且不同产地及不同批次元素含量差异较大； 禹粮土中Fe元素含量最高, 其均值为56.9 mg·g-1, 限量标准为生品禹粮土全铁量不低于4.55%, 生品禹粮土中Pb、 As、 Hg、 Cu和Cd元素限量不得超过50 μg·g-1。 元素聚类结果显示, 在欧式距离10～15将样品S3、 S5、 S6、 S7分为一类, 将S1、 S2、 S4、 S8、 S9分为一类, 聚类分析结果表明, 不同产地禹粮土元素组成和含量存在差异, 可以将河南与内蒙古产地的禹粮土分为一类, 山东和青海的禹粮土分为一类。 生品禹粮土主成分分析筛取了4个主成分, 累计贡献率为90.462%, 筛选K、 Sr、 Be、 As作为禹粮土样品的特征元素。

土壤磷素是植物最重要养分之一。 磷素在土壤中动态性强, 检测困难, 在可见-近红外光谱范围没有明显吸收波段, 因此研究基于其他光谱手段的磷素快速检测方法对于发展精细农业和智慧农业具有重要意义。 拉曼光谱具有受水分干扰小, 样本预处理小、 与红外光谱信息互补等特点, 国内外很多学者尝试了应用拉曼光谱对土壤磷素的检测。 但是, 拉曼信号弱, 稳定性差, 制约了拉曼光谱在土壤检测方面的应用。 为进一步弄清拉曼光谱与磷素的定量关系, 采用水溶性磷（KH2PO4）为研究对象, 研究了不同磷浓度的KH2PO4溶液对拉曼光谱产生的影响。 采用移动平均（MA）、 MA+基线校正（BL）、 MA+标准正态变量（SNV）、 MA+多元散射校正（MSC）对原始光谱（RS）进行预处理, 分析了低浓度（0.02~5 g·L-1）与高浓度（5.21~93.87 g·L-1）区间KH2PO4拉曼光谱的变异特性及其与磷浓度之间的关系, 建立了磷浓度含量的预测模型。 结果表明: （1）低浓度区间与高浓度区间光谱的变异系数具有显著差异, 高浓度区间光谱的离散程度较大; （2）低浓度区间的拉曼光谱未检测到明显的拉曼波峰, 浓度变化展现了明显的基线变化。 偏最小二乘（PLSR）模型决定系数R2=0.28~0.36; （3）高浓度区间的拉曼光谱在863与1 070 cm-1处检测到明显的拉曼波峰, PLSR建模结果为R2=0.65~0.7。 MA+SNV、 MA+MSC处理比MA单独处理模型预测精度高, 说明磷酸根的拉曼特征峰为模型主要贡献因子; （4）使用全浓度区间PLSR建模可增加PLSR模型精度（R2=0.73~0.89）。 使用RS建模的精度最高, 说明基线漂移对PLSR结果具有积极作用; （5）通过PLSR回归系数, 选取645、 863、 1 070和1 412 cm-1四点波段建立多元线性回归（MLR）模型, 决定系数R2接近1。 说明特征峰选取可以滤除背景光干扰, 抽取有效磷酸根浓度信号。 （6）由以上结果可知, 利用拉曼光谱定量检测水溶性磷的含量是可行的, 降低背景光干扰、 提高拉曼信号的稳定性的同时, 开发特征波段选择方法、 提高模型可重复性及抗干扰能力是高分辨率拉曼光谱检测技术的关键。

高光谱分析能够高效的估算土壤有机碳含量, 连续小波变换(CWT), 在高光谱数据的噪声去除和有效信息提取方面具有独特优势, 但是经过连续小波变换后的光谱数据被分解为多个尺度, 单一分解尺度信息不能代表不同分解尺度信息, 如何充分利用多分解尺度的小波系数, 成为高光谱估算土壤有机碳含量的难题。 博斯腾湖是我国最大的内陆淡水湖, 湖滨绿洲作为重要的水陆交错带, 具有独特的空间结构和时间结构, 在维持和恢复湖泊生态系统健康方面发挥着重要作用。 以博斯腾湖湖滨绿洲为研究区, 于2020年10月采集138份深度为0~20 cm表层土壤样本, 剔除3个异常值样品, 得到135个有效样品, 室外采集土壤样本光谱, 并通过重铬酸钾－外加热法测定土壤有机碳含量; 将土壤样本的光谱反射率进行Savitzky-Golay平滑滤波处理, 以Gaussian4为小波基函数进行连续小波变换, 将土壤高光谱数据转换为10个分解尺度的小波系数。 利用相关性分析法(CC)、 稳定自适应重加权采样(sCARS)、 竞争自适应重加权采样(CARS)、 连续投影算法(SPA)、 遗传算法(GA)等5种特种波段筛选方法进一步降低噪音, 消除冗余信息, 逐尺度计算小波系数的均方根作为小波能量特征(EF), 将10个尺度的小波能量特征组成小波能量特征向量(EFV), 基于小波能量特征向量建立BP神经网络模型(BPNN)。 结果表明, 连续小波变换可以有效提高光谱反射率与土壤有机碳含量间的相关性, 1~3分解尺度相关性较差, 4~10分解尺度的相关性较好, 相关系数平均值提升43.66%, 相关系数最大值平均提升67.93%。 CC算法筛选的特征波段主要分布于在400~1 500 nm可见光及近红外短波; sCARS、 CARS算法筛选的特征波段集中于1 500~2 500 nm近红外长波; SPA算法筛选的特征波段集中于760~2 500 nm近红外波段; GA算法得到的特征波段基本均匀分布于400~2 500 nm。 高光谱小波能量特征向量EFV可以较好估算湖滨绿洲表层土壤有机碳含量, 6种模型的训练集与验证集R2平均值分别为0.73、 0.74, RMSE平均值分别为7.64、 7.28, RPD平均值为1.95。 模型精度表现为, CC-EFV-BPNN＞sCARS-EFV-BPNN＞Full-spectrum-EFV-BPNN＞CARS-EFV-BPNN＞GA-EFV-BPNN＞SPA-EFV-BPNN。 连续小波变换结合特征变量筛选方法, 提取小波能量特征向量EFV, 有效降低光谱数据维度与高光谱小波能量特征向量模型复杂度, 对于快速估算表层土壤有机碳含量具有重要参考价值。

研究高效、 准确、 便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。 由于X射线荧光光谱分析（XRF）技术具备快速、 准确、 无损检测、 样品制备简单等优势, 在土壤重元素定量检测获得广泛应用。 XRF仪器测试标准样品的荧光光谱并建立校准曲线, 通过反演计算得到待测样品的元素含量。 由于样品元素间存在基体效应, 以及荧光谱特征峰存在叠加干扰, 未经优化的校准曲线的线性度较差, 这给反演计算来困难。 为了解决上述问题, 分别利用小波变换、 非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线, 提高校准曲线的决定系数（R2）; 运用竞争性自适应重加权算法（CARS）, 针对不同目标元素优化变量选取; 进一步地, 基于选取的变量建立粒子群算法（PSO）优化的支持向量机回归（SVR）模型, 并通过该模型反演计算各元素含量, 提高定量分析的准确度和预测的泛化能力。 实验结果显示, 经过小波去噪和arPLS本底扣除后的校准曲线的决定系数（R2）有明显提升, Cr、 Cu、 Zn、 As、 Pb分别从0.965、 0.979、 0.971、 0.794、 0.915提高为0.979、 0.987、 0.981、 0.828、 0.953; 通过CARS选取的谱线变量的个数大幅度减少, 从2 048个通道降低到30个以下, 为原来变量个数的1.5%, 提高了变量选择的精准性; 与偏最小二乘法（PLS）、 未优化的SVR模型进行对比, 采用CARS变量选择和PSO优化的SVR模型进行含量预测, 训练集R2C与测试集R2P的决定系数分别在0.99、 0.90以上, 预测准确性有明显提高。 因此, 所提出的竞争性自适应重加权算法和PSO优化的SVR定量分析模型对于土壤重金属元素定量分析具有较好的理论指导和应用价值。

高光谱技术可提供近乎连续的地物光谱曲线, 对土壤组分定量反演具有极大的潜力。 针对受污染土壤, 通过综合分析实验室测定的土壤镉（Cd）含量和同期获取的高光谱数据, 提出了一种基于深度森林2021（Deep Forest 2021, DF21）算法的高光谱土壤Cd含量反演模型。 采用原始光谱数据（OS）和其经主成分分析（PCA）降维处理后的数据作为模型输入参数, 分别构建了基于原始光谱数据的DF21（OS-DF21）模型和基于PCA降维数据的DF21（PCA-DF21）模型。 随后, 基于相同训练样本, OS-DF21和PCA-DF21分别建立了土壤Cd含量和输入参量之间的关系, 并据此对检验样本土壤Cd含量进行了定量反演和对比分析。 选取决定系数（R2）、 均方根误差（RMSE）和相对分析误差（RPD）对模型反演性能进行了评估。 分析结果表明: OS-DF21模型反演精度最佳, 其R2、 RMSE和RPD分别可达0.873、 0.120和2.892。 相比而言, PCA降维处理虽可降低光谱数据的冗余度, 但PCA-DF21模型的预测能力有所下降。 尽管如此, PCA-DF21模型仍表现出较好的土壤Cd含量反演能力, 其R2、 RMSE和RPD分别为0.779, 0.159和2.190。 因此, DF21算法可作为研究区及类似环境区域的土壤重金属快速勘测的补充手段。