基于高光谱技术的磁铁矿水分含量定量反演模型构建与应用研究

为解决铁矿粉水分含量快速精准检测难题，华北理工大学团队采用高光谱技术结合CARS特征波段筛选和PSO-LSSVR优化算法，构建了20种含水量(0-40%)、9种粒径磁铁矿的反演模型，最优模型预测集R2达0.798。该研究为冶金工业实时水分监测提供了新方法。

　　

在智能矿山建设背景下，铁矿粉水分含量直接影响破碎、选矿和冶炼效率。传统检测方法难以应对复杂矿物成分干扰，而高光谱技术凭借快速无损优势在农业、土壤监测领域已有成功应用，但在矿物水分检测领域仍存在模型精度不足、矿种单一等问题。华北理工大学矿业工程学院联合应急管理与安全工程学院的研究团队，以河北地区典型磁铁矿（Fe₃O₄品位38%）为研究对象，通过系统设计不同粒径（0.045-3mm）和含水量梯度（0-40%）样本，结合先进的光谱预处理和机器学习算法，成功建立了高精度水分反演模型，相关成果发表于《Scientific Reports》。

研究团队主要采用FieldSpec4地物光谱仪获取400-2400nm波段数据，通过S-G平滑、多元散射校正(MSC)等6种预处理方法增强特征，利用竞争性自适应重加权算法(CARS)筛选关键波段，最终构建随机森林回归(RFR)、最小二乘支持向量回归(LSSVR)及其粒子群优化版本(PSO-LSSVR)三类预测模型。研究特别关注了Fe³⁺（990nm）和羟基（1440/1920nm）特征吸收峰与水分含量的关联性。

光谱曲线特征分析

研究发现所有粒径样本反射率均低于0.03，且与含水量呈负相关。

显示990nm处Fe³⁺特征吸收和1440/1920nm处羟基振动峰随水分增加而增强，其中中等粒径（0.15-2mm）样本光谱特征最显著。

预处理方法比较

MSC和标准正态变换(SNV)处理后的光谱与含水量相关性最高（|r|≈0.8），

显示这些方法能有效突出1920nm处羟基特征。连续统去除(CR)则使440nm处弱吸收峰更明显。

特征波段筛选

CARS算法将原始2151个波段压缩至关键特征子集，

表明MSC处理后特征波段集中在440nm和900nm附近，而SNV处理则优选400nm和1350nm波段。

模型性能验证

PSO-LSSVR模型表现最优，训练集R²达0.980。

显示粒径5（0.15-0.3mm）样本在MSC-CARS-PSO-LSSVR组合下预测集R²达0.798，RMSE为5.64%，显著优于传统方法。

该研究首次系统探索了磁铁矿多粒径条件下的水分光谱响应机制，建立的集成预处理-CARS-PSO-LSSVR技术路线，为工业现场实时水分监测提供了可靠方案。相比前人针对尾矿的研究（R² 0.79-0.92），该模型在保持精度的同时拓展了矿种适用性。未来可通过增加矿种类型和融合在线检测设备进一步提升模型普适性，推动智能矿山质量控制系统的实际应用。