近紅外光譜的油頁(yè)巖總有機(jī)碳快速檢測(cè)

李泉倫，陳爭(zhēng)光*，孫先達(dá)

1.黑龍江八一農(nóng)墾大學(xué)信息與電氣工程學(xué)院，黑龍江 大慶 163319 2.東北石油大學(xué)“陸相頁(yè)巖油氣成藏及高效開發(fā)”教育部重點(diǎn)實(shí)驗(yàn)室，黑龍江 大慶 163318

引 言

作為一種非常規(guī)石油資源，油頁(yè)巖可以作為石油的一種替代能源。世界油頁(yè)巖儲(chǔ)量豐富并分布較為廣泛。油頁(yè)巖的勘測(cè)和開采具有重要的戰(zhàn)略意義[1]。油頁(yè)巖中的總有機(jī)碳(total organic carbon, TOC)含量是評(píng)價(jià)油頁(yè)巖含油率的重要指標(biāo)之一。目前，用于檢測(cè)油頁(yè)巖總有機(jī)碳的方法主要是按照GB/T19145—2003沉積巖中總有機(jī)碳的測(cè)定方法，其檢測(cè)方法主要采取灼燒法。該方法具有準(zhǔn)確度高的優(yōu)點(diǎn)，但是容易產(chǎn)生殘留污染，檢測(cè)過程復(fù)雜繁瑣且耗時(shí)較多，操作難度大，技術(shù)要求高等不足，無(wú)法滿足快速檢測(cè)油頁(yè)巖總有機(jī)碳的要求。

近紅外光譜分析技術(shù)是用于物質(zhì)成分定量分析的一種快速檢測(cè)技術(shù)。它具有檢測(cè)速度快、無(wú)需破壞樣品、不需要檢測(cè)試劑、儀器操作簡(jiǎn)便等優(yōu)點(diǎn)。目前，近紅外光譜分析技術(shù)已經(jīng)應(yīng)用到農(nóng)業(yè)[2]、醫(yī)學(xué)[3]、食品[4]、石油[5]等領(lǐng)域。

近紅外是指波長(zhǎng)在780～2 500 nm范圍內(nèi)的電磁波，能夠反應(yīng)含氫基團(tuán)(比如N—H，C—H，O—H等)震動(dòng)的倍頻與合頻響應(yīng)情況。近年來，近紅外光譜分析逐漸應(yīng)用于巖石、土壤中有機(jī)碳等成分含量的定量檢測(cè)。申燕[6]等利用近紅外光譜分析法對(duì)東北黑土的有機(jī)碳進(jìn)行了測(cè)定，所建模型的擬合效果良好。王賽亞[7]等對(duì)煤炭和巖石的近紅外光譜曲線特征和吸收特征進(jìn)行了研究，證明了近紅外光譜分析用于測(cè)定天然巖石中各種礦物含量是可行的。李耀翔[2]等利用近紅外光譜測(cè)定了森林土壤的有機(jī)碳含量，經(jīng)過預(yù)處理后驗(yàn)證集相關(guān)系數(shù)達(dá)到0.849 4。Romeo[8]等用近紅外光譜分析了來自昆士蘭州中部斯圖爾特礦床的53個(gè)油頁(yè)巖樣品的烴(干酪根)含量。利用二階導(dǎo)數(shù)和多元散射校正預(yù)處理后建立PLS校正模型，評(píng)價(jià)指標(biāo)相關(guān)系數(shù)R2到達(dá)0.73，證明了可以使用近紅外光譜分析預(yù)測(cè)油頁(yè)巖的含油率。王宏智[9]等使用實(shí)驗(yàn)室合成樣本，研究了不同波長(zhǎng)組合選擇方法對(duì)油頁(yè)巖含油率近紅外光譜數(shù)據(jù)進(jìn)行波長(zhǎng)篩選并建立留一交互校驗(yàn)多元線性回歸模型進(jìn)行驗(yàn)證。趙振英[5]等利用近紅外光譜分析對(duì)油頁(yè)巖含油率的波長(zhǎng)選擇方法進(jìn)行了研究。由此可見，基于近紅外光譜的測(cè)量技術(shù)在巖石和土壤中碳含量檢測(cè)具有可行性。以上研究的樣本多為人工合成模擬的油頁(yè)巖樣本或經(jīng)過處理后的樣本，并非自然條件下的油頁(yè)巖樣本，所建立的模型以線性的偏最小二乘(partial least squares, PLS)模型為主，模型精度不高。由于近紅外光譜數(shù)據(jù)和理化值之間存在非線性關(guān)系[4]，因此，使用線性的PLS進(jìn)行建模不足以表達(dá)自變量和因變量之間的關(guān)系，而基于非線性建模的支持向量機(jī)(support vector machine, SVM)、隨機(jī)森林(random forest, RF)等方法在近紅外光譜建模中受到越來越多的重視。以大慶油田松遼盆地某區(qū)塊所取巖芯為研究對(duì)象，建立基于SVM和RF的油頁(yè)巖TOC含量非線性模型，并和經(jīng)典的PLS方法進(jìn)行比較，以期為油頁(yè)巖TOC含量快速檢測(cè)建立更加穩(wěn)定高效的近紅外光譜模型，為油頁(yè)巖總有機(jī)碳的檢測(cè)提供更加簡(jiǎn)便快速的方法。

1 實(shí)驗(yàn)部分

1.1 樣本

實(shí)驗(yàn)用大慶油田松遼盆地某區(qū)塊采集的巖芯樣本共計(jì)230個(gè)，在對(duì)巖心樣本進(jìn)行分析和數(shù)據(jù)采集前使用液氮冷凍保存，按照GB/T19145—2003沉積巖中總有機(jī)碳的測(cè)定方法測(cè)量其總有機(jī)碳的含量。

1.2 光譜采集

使用傅里葉變換近紅外光譜儀TANGO(德國(guó)BRUKER公司)采集光譜數(shù)據(jù)，波數(shù)范圍：11 542～3 940 cm-1，分辨率為8 cm-1，掃描32次取平均值。圖1所示是全部230個(gè)油頁(yè)巖樣品的平均光譜。從光譜曲線來看，巖石樣本光譜曲線基線漂移較為嚴(yán)重，在7 300，5 200和4 500 cm-1三個(gè)波數(shù)附近有明顯的吸收峰，同時(shí)伴隨一定量的噪聲。8 800和4 200 cm-1附近有吸收峰，但不是很明顯。

圖1 原始光譜圖

1.3 異常樣本剔除

由于受到環(huán)境因素、樣本來源多樣性以及測(cè)量?jī)x器等客觀因素的影響，導(dǎo)致一些樣本的光譜偏離樣本的總體分布，這些所謂的異常樣本引入將會(huì)導(dǎo)致模型的預(yù)測(cè)精度大幅下降[10]。因此，對(duì)異常樣本進(jìn)行剔除是保證定量模型可靠的必要條件。采用蒙特卡洛交叉驗(yàn)證算法對(duì)異常樣本進(jìn)行剔除。蒙特卡洛隨機(jī)取樣(Monte Carlo sampling, MCS)法每次隨機(jī)抽取一定比例的樣本(占樣品量的80%)構(gòu)成校正集建立偏最小二乘模型，剩余的20%作驗(yàn)證集對(duì)模型進(jìn)行驗(yàn)證，計(jì)算驗(yàn)證集殘差。經(jīng)過多次抽樣建模后能夠得到多個(gè)預(yù)測(cè)殘差，計(jì)算出這些預(yù)測(cè)殘差的均值與方差，將樣本預(yù)測(cè)值誤差高于平均殘差的樣本標(biāo)記為異常樣本。最后通過校正集相關(guān)系數(shù)R2、交叉驗(yàn)證均方差RMSECV、預(yù)測(cè)均方差RMSEP對(duì)模型進(jìn)行評(píng)價(jià)，驗(yàn)證剔除異常樣本是否有利于模型精度的提高。剔除異常樣本前后的建模結(jié)果如表1所示，由表可以看出剔除異常樣本后的模型的性能參數(shù)有明顯改善。

表1 剔除異常樣本前后的建模結(jié)果

1.4 光譜預(yù)處理

為了消除噪聲干擾和基線漂移對(duì)模型性能的影響，一般在建模之前對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。目前比較常用的近紅外光譜預(yù)處理方法有Savitzky-Golay(S-G)卷積平滑、基線校正(baseline correction, BSC)、標(biāo)準(zhǔn)正態(tài)變量變換(sandard normal variate correction, SNV)、一階導(dǎo)數(shù)(first derivative)、二階導(dǎo)數(shù)(second derivative)、去趨勢(shì)(detrend, DT)等。S-G能有效提高光譜的平滑性，減少高頻噪聲干擾。SNV主要是減少固體顆粒物大小不均和物體表面散射以及光程變換對(duì)光譜數(shù)據(jù)的影響，從而達(dá)到去除噪聲的目的。DT算法用來處理漫反射光譜基線漂移的問題，一般和SNV組合使用。導(dǎo)數(shù)方法用來消除背景干擾和基線校正，提高分辨率和靈敏度。通過對(duì)比不同預(yù)處理方法的效果最終確定適合油頁(yè)巖樣本的近紅外光譜預(yù)處理方法。

1.5 特征波長(zhǎng)選擇

近紅外光譜篩選波長(zhǎng)后所建立的模型相比于全光譜模型，不僅模型變量數(shù)大幅度減少，而且模型性能也有大幅提升。進(jìn)行特征波長(zhǎng)選擇可以通過簡(jiǎn)單的模型來提高模型的解釋性，通過減少噪聲或者干擾選擇出效果更好的變量，并且能夠提高模型的預(yù)測(cè)能力[11]，在眾多的波長(zhǎng)選擇算法中，連續(xù)投影(successive projections algorithm, SPA)算法，無(wú)信息變量消除(uninformative variables elimination, UVE)算法和競(jìng)爭(zhēng)自適應(yīng)重加權(quán)(competitive adaptive reweighted sampling, CARS)算法具有一定的代表性，波長(zhǎng)選擇結(jié)果較優(yōu)。

1.5.1 連續(xù)投影算法

連續(xù)投影算法是一種前向循環(huán)的特征變量選擇算法，即從一個(gè)波長(zhǎng)開始，其他波長(zhǎng)向這個(gè)波長(zhǎng)向量的法平面投影，投影長(zhǎng)度最長(zhǎng)的波長(zhǎng)向量被選擇為特征波長(zhǎng)，然后以新選擇的波長(zhǎng)為基礎(chǔ)，重復(fù)上述投影過程，直到達(dá)到指定的波長(zhǎng)個(gè)數(shù)為止。該算法可以從眾多光譜信息中篩選出重要樣本變量的波長(zhǎng)，用少數(shù)幾列光譜數(shù)據(jù)來概括大部分光譜信息，降低了模型的復(fù)雜度，有效提高建模的速度和模型的穩(wěn)定性。

1.5.2 無(wú)信息變量消除法

無(wú)信息變量消除算法是通過向樣本光譜矩陣中人為引入隨機(jī)噪聲，并在此基礎(chǔ)上建立偏最小二乘回歸交叉驗(yàn)證模型，得到的偏最小二乘回歸系數(shù)均值與標(biāo)準(zhǔn)差的商作為衡量波長(zhǎng)重要性的關(guān)鍵指標(biāo)，將噪聲矩陣的最大值作為閾值，大于閾值的變量被作為優(yōu)選的特征向量。UVE算法可以去除沒有貢獻(xiàn)的變量，減少模型的運(yùn)算量，增強(qiáng)模型的適應(yīng)性。

1.5.3 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法

競(jìng)爭(zhēng)自適應(yīng)重加權(quán)算法是將每個(gè)波長(zhǎng)變量看作是一個(gè)單位個(gè)體，將適應(yīng)力弱的個(gè)體剔除，從而保留適應(yīng)性強(qiáng)的個(gè)體。通過蒙特卡洛采樣和PLS模型的測(cè)定系數(shù)進(jìn)行特征波長(zhǎng)選擇，首先通過蒙特卡羅采樣隨機(jī)選擇校正集樣本建立PLS模型[12]。計(jì)算該模型各參數(shù)的系數(shù)權(quán)重，然后利用CARS算法篩選出PLS模型回歸系數(shù)絕對(duì)值權(quán)重大的波長(zhǎng)，去掉權(quán)重小的波長(zhǎng)，模型交叉驗(yàn)證的均方根誤差最小的波長(zhǎng)組合即為選擇的特征波長(zhǎng)。該算法可以有效保留特征變量及相關(guān)影響變量，剔除冗余及噪聲變量。

1.6 建模方法及評(píng)價(jià)指標(biāo)

1.6.1 支持向量機(jī)

支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和最小化結(jié)構(gòu)風(fēng)險(xiǎn)基礎(chǔ)上的一種有監(jiān)督二分類機(jī)器學(xué)習(xí)算法。該算法的基本思想是將低維非線性問題轉(zhuǎn)換成高維線性問題來分類，通過非線性變換將輸入變量映射到一個(gè)高維的特征空間，并在新的空間中進(jìn)行線性回歸尋找一個(gè)最優(yōu)的超平面，使得所有樣本到超平面的距離最小，從而解決常規(guī)空間中樣本線性不可分的問題[13]。支持向量機(jī)能夠較好地解決高維空間中遇到的維數(shù)災(zāi)難問題，具有良好的泛化能力，在解決小樣本，非線性樣本分類以及高維模式識(shí)別中表現(xiàn)出很多特有的優(yōu)勢(shì)，并對(duì)異常樣本及噪聲具有很好的魯棒性。

1.6.2 隨機(jī)森林

隨機(jī)森林算法是基于決策樹和自助重采樣法的一種集成學(xué)習(xí)算法。它的基本思想是利用自助重采樣法不斷生成訓(xùn)練變量集和檢驗(yàn)變量集，由檢驗(yàn)變量集隨機(jī)生成多個(gè)分類決策樹，每個(gè)決策樹節(jié)點(diǎn)的分裂變量也是隨機(jī)產(chǎn)生，從而形成隨機(jī)森林。隨機(jī)森林通過對(duì)產(chǎn)生的決策樹進(jìn)行投票得出最終預(yù)測(cè)結(jié)果，其結(jié)果具有較高的準(zhǔn)確性。該算法優(yōu)點(diǎn)體現(xiàn)在訓(xùn)練速度快且不易出現(xiàn)過擬合，能夠很好的處理數(shù)量大的樣本，并且對(duì)噪聲具有較強(qiáng)的魯棒性[14]。

1.6.3 模型評(píng)價(jià)指標(biāo)

通過內(nèi)部交叉驗(yàn)證和外部驗(yàn)證對(duì)模型效果進(jìn)行檢驗(yàn)，采用模型值和真實(shí)值的相關(guān)系數(shù)R2和均方根誤差(root mean square error, RMSE)作為模型的評(píng)價(jià)指標(biāo)。R2越接近1，模型RMSE值越小，說明模型的預(yù)測(cè)效果越好。

2 結(jié)果與討論

2.1 光譜預(yù)處理和樣本劃分

針對(duì)光譜樣本的消噪和基線矯正需求，分別采用S-G卷積平滑、SNV、BSC、DT、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)6種方法以及組合處理共8種方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，并以PLS模型的模型參數(shù)作為預(yù)處理效果評(píng)價(jià)光譜預(yù)處理方法。不同的光譜預(yù)處理方法的結(jié)果如表2所示。其中，基于DT方法(DT，DT+SNV，DT+BSC等)的預(yù)處理方法模型性能優(yōu)于其他方法。這是因?yàn)?，巖石樣本近紅外光譜基線漂移較為嚴(yán)重(見圖1)，DT預(yù)處理方法能在一定程度上消除漫反射光譜的基線漂移，因此效果較好。所有預(yù)處理方法中，在去趨勢(shì)基礎(chǔ)上進(jìn)行基線校正的DT+BSC預(yù)處理方法的PLS模型性能最優(yōu)。經(jīng)過預(yù)處理之后可以看出11 541.94～8 872.71 cm-1波段共580個(gè)波長(zhǎng)點(diǎn)沒有明顯的吸收峰，且噪聲明顯。因此，在后續(xù)的研究中只對(duì)DT+BSC處理后的8 864.473～3 946.174 cm-1波段共1 265個(gè)波長(zhǎng)點(diǎn)的光譜數(shù)據(jù)進(jìn)行分析。

表2 不同預(yù)處理方法下的建模結(jié)果

圖2 DT+BSC預(yù)處理的光譜

預(yù)處理后的光譜數(shù)據(jù)采用SPXY算法按照2∶1的比例對(duì)剔除異常樣本之后的216個(gè)油頁(yè)巖樣本進(jìn)行劃分，得到校正集樣品144個(gè)，驗(yàn)證集樣品72個(gè)。樣本集劃分結(jié)果見表3，由表3可知，校正集和驗(yàn)證集樣品的分布比較均勻，校正集總有機(jī)碳樣品含量基本涵蓋了驗(yàn)證集。

表3 樣本集劃分

2.2 波長(zhǎng)選擇結(jié)果

2.2.1 SPA算法

圖3為SPA算法提取不同數(shù)量特征波長(zhǎng)對(duì)應(yīng)的模型的RMSE，從圖中可以看出RMSE的值隨波長(zhǎng)數(shù)的增加而降低，當(dāng)選取波長(zhǎng)個(gè)數(shù)為16時(shí)，模型均方根誤差到達(dá)穩(wěn)定且最小。被選中的波長(zhǎng)分別是8 918，8 790，7 348，7 138，7 068，7 002，5 643，5 412，5 272，5 132，4 526，4 481，4 374，4 353，4 325和4 213 cm-1，其分布情況如圖4所示。這些波長(zhǎng)與芳烴和CH3伸縮振動(dòng)的倍頻峰以及CH2變形伸縮振動(dòng)的合頻峰一致。

圖3 不同特征波長(zhǎng)數(shù)的RMSE值

圖4 基于SPA算法篩選的特征波長(zhǎng)

2.2.2 UVE算法

UVE算法篩選的油頁(yè)巖TOC特征波長(zhǎng)結(jié)果如圖5所示。其中豎線左側(cè)為1265個(gè)光譜變量的穩(wěn)定性指數(shù)分布曲線，右側(cè)為UVE產(chǎn)生的同光譜變量相同數(shù)量的隨機(jī)變量穩(wěn)定性指數(shù)分布曲線。以隨機(jī)變量穩(wěn)定性指數(shù)絕對(duì)值的最大值作為篩選變量的閾值，即穩(wěn)定性指數(shù)分布曲線在兩條水平虛線以外的光譜變量被選中，共選擇出253個(gè)特征波長(zhǎng)，所有特征波長(zhǎng)點(diǎn)位于光譜吸收峰附近，其分布如圖6所示。

圖5 各波長(zhǎng)變量和隨機(jī)變量下的穩(wěn)定性指數(shù)

圖6 基于UVE算法篩選的特征波長(zhǎng)

2.2.3 CARS算法

CARS算法篩選的特征波長(zhǎng)數(shù)、RMSE以及回歸系數(shù)隨運(yùn)行次數(shù)的變化如圖7所示。從圖中可以看出，當(dāng)運(yùn)行次數(shù)從1次增加到24次，特征波長(zhǎng)數(shù)的下降由快變慢，RMSECV逐漸降低，表明在1～24次運(yùn)行過程中剔除了較多的無(wú)關(guān)光譜變量，模型精度不斷提高。隨著運(yùn)行次數(shù)的繼續(xù)增加，RMSECV緩慢或者迅速增大，回歸系數(shù)不斷變大。在運(yùn)行次數(shù)為24次時(shí)，RMSECV值最低，此時(shí)有65個(gè)波長(zhǎng)被保留下來，其中大部分波長(zhǎng)位于光譜吸收峰附近，其分布如圖8所示。

圖7 基于CARS算法篩選特征波長(zhǎng)的過程

圖8 基于CARS算法篩選的特征波長(zhǎng)

利用SPA，UVE和CARS進(jìn)行特征波長(zhǎng)篩選后，特征波長(zhǎng)數(shù)明顯少于全光譜波長(zhǎng)的1 265個(gè)波長(zhǎng)，分別是全譜波長(zhǎng)的1.26%，20%和5.14%。說明特征波長(zhǎng)篩選對(duì)于簡(jiǎn)化模型、提高模型效率能表現(xiàn)出較好的效果。此外從篩選出的波長(zhǎng)來看，有明顯吸收峰或者吸收峰附近的波長(zhǎng)被保留了下來。

2.3 不同模型的性能比較

為比較不同建模方法和不同特征波長(zhǎng)提取方法對(duì)油頁(yè)巖中有機(jī)碳含量的預(yù)測(cè)效果，分別采用PLS、SVM和RF建模方法對(duì)全光譜波段、CARS、SPA、UVE篩選出的特征波長(zhǎng)建立油頁(yè)巖TOC含量的預(yù)測(cè)模型(表3)。SVM進(jìn)行建模，以徑向基函數(shù)作為模型核函數(shù)，根據(jù)網(wǎng)格搜索法優(yōu)選懲罰因子和核函數(shù)參數(shù)。建立RF模型時(shí)，以不同特征波長(zhǎng)提取方法下驗(yàn)證集相關(guān)系數(shù)最高時(shí)的決策樹數(shù)量作為RF模型的最優(yōu)決策樹數(shù)目。

由表4可知，基于CARS，UVE和SPA三種特征波長(zhǎng)的模型精度均高于全譜波長(zhǎng)模型的精度。這是因?yàn)槔萌庾V進(jìn)行建模時(shí)，包含的變量較多，變量間存在有冗余信息的干擾，而特征波長(zhǎng)提取可以有效去除冗余信息，提取后的波長(zhǎng)能充分代表原始光譜的有效信息，從而提高模型質(zhì)量。在三種特征波長(zhǎng)選擇方法中，基于CARS算法提取特征波長(zhǎng)之后所建立的模型效果最好，尤其是CARS-SVM模型，其驗(yàn)證集測(cè)定系數(shù)由未進(jìn)行特征波長(zhǎng)選擇時(shí)的0.793 0提升到0.906 6，均方根誤差由0.286 8降低到0.222 0，是所有模型中最優(yōu)的，該模型可以應(yīng)用于油頁(yè)巖總有機(jī)碳含量預(yù)測(cè)。

表4 不同方法建模結(jié)果

三種模型中，SVM模型的效果優(yōu)于RF模型和PLS模型，說明基于SVM法建立的預(yù)測(cè)模型能較好地應(yīng)用于近紅外光譜檢測(cè)模型，其預(yù)測(cè)精度高、實(shí)用性強(qiáng)，對(duì)快速準(zhǔn)確檢測(cè)油頁(yè)巖TOC含量有實(shí)際價(jià)值[15]。此外，相較于近紅外光譜領(lǐng)域常用的線性的PLS模型而言，SVM和RF兩種非線性的建模方法得到模型在校正集上的表現(xiàn)均有不同程度的提高，其中SVM模型無(wú)論在校正集還是在驗(yàn)證集均有明顯提升。這是因?yàn)橛晚?yè)巖樣本中的碳存在于各類烴的中，由于不同類別含烴基團(tuán)的吸收峰之間相互影響，使得油頁(yè)巖TOC含量和近紅外光譜數(shù)據(jù)之間存在著復(fù)雜的非線性關(guān)系。作為線性分析的PLS模型，其表達(dá)光譜數(shù)據(jù)和濃度數(shù)據(jù)之間的非線性關(guān)系能力不及SVM和RF，后者能夠有效地對(duì)自變量和因變量之間的非線性關(guān)系進(jìn)行描述，從而增強(qiáng)了光譜數(shù)據(jù)和樣本理化值之間的相關(guān)性，使得所建立的非線性模型效果要略優(yōu)于線性的PLS模型。該結(jié)果與陳華舟[4]等基于近紅外光譜針對(duì)魚粉蛋白進(jìn)行定量分析所建立的非線性模型SVM和RF效果優(yōu)于線性模型PLS的效果結(jié)論一致。建立非線性模型比線性模型的R2更好，準(zhǔn)確度更高[16]。因此，可以通過非線性建模近紅外光譜法實(shí)現(xiàn)油頁(yè)巖總有機(jī)碳含量快速檢測(cè)。

3 結(jié) 論

運(yùn)用近紅外光譜分析結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)油頁(yè)巖總有機(jī)碳含量進(jìn)行了定量分析，研究結(jié)果表明：去趨勢(shì)和基線校正組合的預(yù)處理方式針對(duì)油頁(yè)巖總有機(jī)碳的近紅外光譜數(shù)據(jù)建立的模型表現(xiàn)出了較好的效果。使用三種不同特征波長(zhǎng)算法進(jìn)行波長(zhǎng)提取后建立的模型精度相比于全光譜模型均有所提高，說明了進(jìn)行波長(zhǎng)篩選對(duì)近紅外光譜建模的重要性。對(duì)于油頁(yè)巖有機(jī)碳含量預(yù)測(cè)模型而言，利用非線性模型進(jìn)行預(yù)測(cè)分析得到的效果更好。使用CARS-SVM方法對(duì)油頁(yè)巖總有機(jī)碳含量進(jìn)行預(yù)測(cè)，模型能夠達(dá)到較好的效果，CARS-SVM方法在對(duì)油頁(yè)巖總有機(jī)碳含量檢測(cè)方面有著巨大潛力。本研究為油頁(yè)巖總有機(jī)碳的快速檢測(cè)提供了一種新的思路和方法。