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。

土壤有机碳含量是土壤肥力与土壤质量的主要决定因素, 与土壤生产力密切相关。 采用高光谱模型估算土壤有机碳含量成为了解土壤肥力的重要方法。 利用高光谱分析技术结合机器算法实现快速、 高精度的估算土壤有机碳含量, 对土壤肥力的可持续利用至关重要。 根据实测的土壤有机碳含量及其高光谱反射率数据, 运用Savitzky Golay方法对光谱波段进行平滑去噪, 采用连续投影算法（SPA）、 遗传算法（GA）对原始光谱及其5种不同数学变换光谱分别进行特征波段的筛选, 并基于随机森林（RF）方法构建土壤有机碳含量的高光谱估算模型。 为进一步降低模型的复杂度, 将SPA算法与GA算法相结合, 寻找最佳特征参数, 以提升土壤有机碳含量特征波段的识别率和可信度。 结果表明: （1）在原始光谱中, 基于GA算法筛选SOC含量的高光谱响应波段主要集中在350~410、 827~928、 997~1 064、 1 201~1 234、 1 541~1 574、 1 667~1 710、 2 153~2 186和2 357~2 707 nm; 当RMSE为6.09时, SPA算法筛选了11个特征变量。 （2）基于GA算法筛选特征波段时, 原始光谱R、 标准正态变量（SNV）、 多元散射校正（MSC）、 一阶微分（FD）、 对数的倒数（RL）与连续统去除（CR）的维数分别降低到407、 697、 668、 667、 493、 784维, 占全光谱波段的18.93%~36.47%; 基于GA-SPA算法筛选后, 6种光谱变量的维度介于8~17维, RMSE介于4.53~6.30。 （3）在一阶微分光谱形式下, 基于GA-SPA算法挑选的12个特征变量所构建的RF模型预测效果最好, 模型的建模集R2c为0.78, RMSEc为5.48, 验证集R2p为0.82, RMSEp为4.50, RPD为2.18。 研究表明, 光谱一阶微分可以增强土壤的光谱信息, GA算法结合SPA算法寻找光谱特征变量, 既简化了估算模型的复杂度, 又提高了估算模型的精度, 基于遗传算法—连续投影算法的高光谱模型具有较高的估算能力。

烃源岩的可溶烃含量(S1)、 热解烃含量(S2)和总有机碳含量(TOC)是进行烃源岩研究和评价的重要指标, 以往主要通过实验室分析方法获得, 时效性得不到保证。 为了探讨野外快速测量这些指标的可行性, 采集了乌兹别克斯坦克孜勒库姆地块10件烃源岩样品, 运用地面ASD光谱仪和碳硫分析仪, 分别测定了样品的可见光-近红外-短波红外(Vis-NIR-SWIR)反射光谱和S1, S2和TOC含量参数。 运用光谱拟合微分, 获得了上述样品反射光谱的一阶导数、 二价导数等微分数据; 并运用线性回归方程拟合和拟合结果统计分析, 研究了这些数据同S1, S2和TOC含量之间的相关性。 结果表明: 烃源岩S1含量与原始光谱、 光谱一阶导数、 二阶导数分别有1 973, 511和239个波段相关, 相关系数绝对值最大值分别为0.612, 0.823和0.889, 相关性程度分别为弱、 较强、 极强; 烃源岩S2含量与原始光谱、 光谱一阶导数、 二阶导数分别有2, 144和205个波段相关, 相关系数绝对值最大值分别为0.561, 0.867和0.926, 相关性程度分别为弱、 较强、 极强; 烃源岩TOC含量与原始光谱无相关性, 与光谱一阶导数、 二阶导数分别有18、 180个波段相关, 相关系数绝对值最大值分别为0.882和0.879, 相关性都极强。 此外, S1含量与光谱二阶导数的2 012 nm波段拟合优度最高, 达0.790; S2含量与光谱二阶导数的363 nm波段拟合优度最高, 达0.858; TOC含量与光谱一阶导数的2 480 nm波段拟合优度最高, 达0.777。 结果说明, 利用可见光-近红外-短波红外反射光谱反演烃源岩S1, S2和TOC含量具有比较好的效果。 为研究野外烃源岩的原位检测奠定了重要的基础。

可见-近红外光谱已被证明是一种快速、 有效的有机碳(TOC)含量预测方法。 但是, 当前利用光谱预测TOC含量的研究对象主要为土壤或湖泊沉积物, 还未见潮间带海洋沉积物的研究报道。 为了快速准确预测潮间带沉积物TOC含量, 通过异常样本剔除、 光谱特征变换、 特征波长提取相结合, 构建TOC预测模型, 即, 采集潮间带沉积物样品光谱, 采用马氏距离、 标准杠杆值和学生残差联合分析的方法剔除异常样本, 利用多元散射校正(MSC)、 平滑+微分进行光谱变换, 利用遗传算法(GA)提取特征波长, 采用偏最小二乘法(PLS)、 最小二乘支持向量机(LSSVM)和BP神经网络(BPNN)对沉积物TOC含量进行建模和预测, 通过决定系数(R2)和剩余估计偏差(PRD)来评价模型精度。 结果表明, 剔除异常样本有助于提升模型精度, BPNN模型的检验R2和PRD分别提升了28%和39%。 MSC光谱变换效果优于平滑+微分, 基于MSC光谱变换的PLS, LSSVM和BPNN模型检验R2分别为0.81, 0.86和0.78, PRD分别为2.25, 2.59和2.07, 比平滑+微分提升了9%~20%(R2)和11%~22%(PRD), 意味着MSC具有较强的TOC信息提取能力。 GA不利于增加预测模型精度, 基于GA特征波长的模型预测R2降低了9%~36%, PRD降低了18%~33%, 可能与GA提取的特征波长数量偏少有关。 BPNN模型的预测精度最低, 可能与其容易陷入局部极小点有关。 PLS模型精度较高, 可以很好的预测潮间带沉积物TOC含量。 基于异常样本剔除和MSC光谱变换, PLS模型的建模R2为0.98, 检验R2为0.81, RPD为2.25。 LSSVM模型精度更优于PLS, LSSVM模型建模R2为0.99, 检验R2和RPD分别为0.86和2.59, 显示极好的TOC定量预测能力。 总之, 针对潮间带沉积物TOC含量预测, 可以将剔除异常样本、 MSC光谱变换、 LSSVM建模结合起来, 以获得可靠、 稳定的预测模型。

碳元素是决定合金钢性能的重要元素之一。 为了提高低碳合金钢中碳元素的检测灵敏度, 在氩气氛围中利用共线双脉冲激光诱导击穿光谱(DP-LIBS)合金钢样品中的碳元素进行了检测。 首先, 使用高速相机采集双脉冲实验条件下的等离子体图像, 研究等离子体形貌随脉冲间隔时间变化的演化规律, 结合双脉冲条件下获得的光谱信息, 确立碳元素的最佳脉冲间隔时间为1 900 ns。 其次, 研究了氩气吹扫条件和氩气气室条件对碳元素光谱信号强度的影响。 氩气气室能够有效屏蔽空气中二氧化碳的影响, 从而提高合金钢中碳元素分析的准确性。 最后, 采用内标法对合金钢样品中的碳元素进行定量分析。 与单脉冲得到的结果相比, 双脉冲实验条件下, 碳元素定标曲线的R2由0.983提升至0.991, 检测限由206 μg·g-1提高至110 μg·g-1, 共线DP-LIBS技术使合金钢中碳元素检测限提高了1.87倍。 恰当的脉冲间隔时间能够有效的提高共线DP-LIBS光谱特性和设备的检测灵敏度, 同时双脉冲的二次激发效果可以进一步有效的减弱实验条件波动带来的影响, 使定标模型具有更好的线性相关性。

利用扫描电镜—能谱仪分析不同温度产生的生物质炭的化学与结构特性。 结果表明: 随温度升高, 芒草碳的平均碳含量和最大碳含量均呈现增加趋势, 平均碳含量和最大碳含量与最高处理温度之间为显著正相关关系(r值为0.76和0.86)。 平均碳含量和最大碳含量与高温灼烧法测定的碳含量之间为显著正相关关系(r值为0.83和0.91), 最大碳含量的相关性好于平均碳含量。 因此, 应用该方法获得芒草炭的碳含量与温度相关性好, 最大碳含量可以用于生物炭组分分析; 电镜扫描结果可以有效分析芒草炭的结构特性。 基于该方法快速、 简便、 稳定以及可对生物质炭的结构和组分同时分析的优点, 它是一种极具发展前途的分析方法, 有助于生物质炭等其他材料的结构特性与组分研究。

偏振反射是伴随目标双向反射产生的。为了确定无烟煤表面的偏振反射与双向反射之间的定量关系，对无烟煤表 面进行了多角度偏振反射测量，并利用偏振度对偏振反射与双向反射进行了分析。研究结果表明，光线入射天顶角对偏振度的影响受粗糙 程度与碳含量的控制；随着光线入射天顶角的增大，偏振度会在0°～60°范围内增加；随着无烟煤中碳含量的增加，偏振度也会变 大；表面光滑的无烟煤的偏振度大于表面粗糙的无烟煤的偏振度；偏振度可以定量地将反射光中的镜面反射与漫反射分量的比例关系反映出来。 通过计算偏振度可以反映出无烟煤自身的性质，也可以更详细地将偏振反射与双向反射之间的关系定量化。

以田间行走式设备获取的近红外光谱数据为基础, 利用最小二乘回归法(PLSR)建立了应用近红外光谱数据预测土壤碳含量的校正模型, 与利用原始光谱数据建立的模型相比, 应用经比值或归一化差值处理的光谱数据建立的校正模型可以提高预测精度.精度提高的原因可能是光谱数据经过波段算术组合处理后, 能降低模型建立过程中产生过配的风险, 使模型能包括更多的成分和信息.研究结果表明, 利用偏最小二乘回归法, 可以有效地建立田间近红外光谱与土壤碳含量之间的校正模型；同时, 应用比值或归一化差值这些波段算术组合方法来处理近红外光谱数据, 可以进一步提高模型的预测精度.因此, 应用行走式设备获取的近红外光谱数据来快速测定田间土壤中碳的含量是可行的.