铁矿是全球储量最高的金属矿产之一。 全铁含量是评价铁矿石、 铁矿粉品质的重要指标, 在铁矿开采、 矿石精选、 矿粉冶炼等生产环节中有特殊意义。 传统的铁矿粉全铁含量化学分析方法存在耗时久、 操作复杂、 污染严重等缺点, 因此, 探寻一种快速、 有效、 无污染的检测方法越来越成为矿山环境的研究热点。 高光谱技术具有光谱分辨率高、 曲线连续、 无损伤、 无污染、 可对物质特征或成分进行精确探测等特点。 使用铁矿粉高光谱数据, 通过建立用于光谱特征筛选的光谱特征重要性评分(SFIM)指标, 并结合随机森林回归(RFR)方法构建铁矿粉全铁含量预测的SFIM-RFR模型。 以河北省阳原县三义庄铁矿为研究区, 于2018年11月与2019年3月在研究区收集铁精粉、 铁尾砂原料, 分别制作第一批次的训练组和验证组铁矿粉试样以及第二批次的二次验证组铁矿粉试样, 并使用ASD Field Spec4型光谱仪测量试样的光谱反射率; 然后使用第一批次的训练组光谱数据训练SFIM-RFR模型, 对第一批次的验证组样本的全铁含量进行预测, 同时采用常规RFR、 线性回归(LR)预测模型来对比分析铁矿粉样本全铁含量预测结果; 最后使用二次验证组光谱数据检验多模型鲁棒性。 结果表明: SFIM-RFR, RFR和LR模型全铁含量预测结果与2018年11月采集的验证组样本全铁含量真实值的确定系数(R-Square)分别为0.991 8, 0.988 4和0.898 7, 均方根误差(RMSE)分别为0.016 9, 0.020 1和0.059 6, 多模型预测效果总体较好, SFIM-RFR模型预测结果误差最小, 说明了SFIM-RFR模型用于预测铁矿粉中全铁含量的可行性和有效性, 且SFIM-RFR模型预测效果优于常规的预测模型; SFIM-RFR, RFR和LR模型全铁含量预测结果与2019年3月采集的二次验证组样本全铁含量真实值的R-square分别为0.976 8, 0.974 5和0.914 0, RMSE分别为0.034 6, 0.036 2和0.071 9, 证明了SFIM-RFR模型的预测效果较为理想且鲁棒性很强。

近几十年来, 光谱技术在土壤科学中的应用越来越受到重视。 利用土壤反射光谱可以快速获取土壤信息, 了解土壤理化属性, 对土壤铁含量进行估算。 在已有的研究中, 土壤铁的光谱估算多选用表层土壤, 大多进行全铁的估算, 忽略了不同形态的土壤铁, 且估算结果并不十分理想。 为了得到不同形态土壤铁最佳模型的处理方法, 并探讨有机质含量和土壤深度对不同形态土壤铁估算精度的影响, 以江苏省东台市为研究区, 选取20个地点共采集了160份土壤样品, 将每份样品分别研磨至10目和100目, 在室内进行光谱数据采集之后, 在使用八种不同方法进行预处理的同时将每种方法都选取多种参数, 利用偏最小二乘回归法将全反射波段分别与土壤中的全铁、 游离铁、 无定形铁的含量进行建模回归, 并评价模型精度。 结果表明: （1）建立三种不同形态土壤铁的最优模型的处理方式都是将土壤研磨成100目, 采用多元散射矫正法, 全铁的决定系数（R2）只有0.6, 而且模型不够稳定; 游离铁和无定形铁估算结果比较好, R2分别达到了0.77和0.69, 而且误差小, 模型稳定; （2）由于全铁中的硅酸铁很容易受到外界环境的影响, 有机质和土壤深度对全铁的估算精度影响都很大, 对游离铁的估算精度影响最小; 无定形铁由于含量少, 其估算模型也比较容易受到有机质和土壤深度的影响。