基于漫反射光谱与机器学习的采矿后土壤稀土元素含量快速评估方法研究

为解决传统地球化学方法在稀土元素(REE)检测中存在的耗时、成本高及破坏性等问题，研究人员结合漫反射光谱(DRS)与机器学习(ML)技术，开发了一种非破坏性、快速且便携的REE含量预测方法。通过优化样本制备（2 mm筛分）、光谱数据一阶导数变换及非参数算法（随机森林RF/广义提升模型GBM），成功构建了Y、La、Ce、Pr和Nd的高精度预测模型（R2 0.840-0.890）。该研究为采矿后土壤REE资源化利用及环境修复提供了创新技术支撑。

　　

稀土元素（REE）是支撑绿色能源、高科技设备的核心战略资源，但其传统检测方法如电感耦合等离子体质谱（ICP-MS）存在耗时长、成本高且破坏样本等问题。随着全球对REE需求激增，废弃矿区土壤作为潜在二次资源库的价值凸显，亟需开发高效、低成本的现场检测技术。

针对这一挑战，某研究团队在《Environmental Technology》发表研究，提出了一种结合漫反射光谱（DRS）与机器学习（ML）的创新方法。研究选取西班牙西北部一处典型废弃矿区，采集165份不同修复状态的土壤样本（未修复/有机修复/无机修复），通过对比三种样本预处理方式（未处理/2 mm筛分/100 μm研磨）和光谱变换方法（原始反射率/吸光度/一阶导数），结合参数模型（偏最小二乘回归PLSR）与非参数模型（随机森林RF、广义提升模型GBM），建立了Y、La、Ce、Pr和Nd的预测体系。

关键技术包括：1）使用ASD FieldSpec 4光谱仪获取350-2500 nm范围高分辨率光谱；2）通过包裹法（Wrapper）筛选关键波长变量（从2150个缩减至8-20个）；3）采用10折交叉验证评估模型性能，以R²和相对均方根误差（rRMSE）为指标。

3.1 地球化学分析
样本呈现碱性（pH>7）和有机质梯度（2.08%-15.74%）。ICP-MS测定显示REE浓度低于地壳均值（除Pr外），但变异系数（CV 18.8%-26.4%）表明分布均匀，适合建模。

3.2 光谱数据处理
一阶导数变换显著提升模型性能，消除颗粒大小干扰。LNIR（1100-2500 nm）被确定为关键光谱区，1700/1900/2200 nm波长与黏土、水分和有机质特征峰相关。

3.3 预测模型
RF对La、Ce、Pr、Nd（R² 0.820-0.890），GBM对Y（R² 0.873）预测最优。2 mm筛分样本效果优于研磨样本，验证了简化前处理的可行性。

3.3.3 变量重要性
各REE呈现特异性光谱响应：Y依赖1719/1938 nm（水分子吸收带）；La在2217 nm（黏土羟基峰）和853 nm（有机质）响应强烈；Nd则与1660 nm（碳氢键）和869 nm（Nd³⁺特征峰）高度关联。

结论与意义
该研究首次系统验证了DRS-ML联用技术在采矿后土壤REE检测中的适用性。通过优化操作流程（筛分+一阶导数+RF/GBM），实现了接近实验室精度的现场快速检测（rRMSE 6.74%-10.98%）。LNIR区被证实为REE识别的"指纹窗口"，为便携式设备开发提供理论依据。该方法不仅助力废弃矿区资源评估，还可拓展至原生矿床勘探、环境修复监测等领域，推动稀土产业链的可持续发展。

局限性包括样本量较小（n=165）和REE浓度偏低，未来需在多样化地质背景中验证模型泛化能力。研究为《欧洲关键原材料法案》倡导的循环经济提供了切实可行的技术方案。