SEH|浙江大学罗忠奎课题组：利用可见近红外光谱估算全剖面土壤有机碳及其组分研究

　　浙江大学罗忠奎课题组在Soil & Environmental Health（SEH，《土壤与环境健康》）期刊发表题为“使用可见-近红外光谱技术估算土壤全剖面有机碳及其组分（Using visible-near infrared spectroscopy to estimate whole-profile soil organic carbon and its fractions；2024，2(3)：100095）”的研究论文。

　　土壤有机碳（SOC）与农田土壤的质量和肥力息息相关，是评价土壤健康状况的重要指标。同时，在应对气候变化这一全球性挑战中，SOC更是起关键作用。颗粒有机碳（POC）和矿物结合态有机碳（MAOC）是SOC的重要功能性组分，具有不同的周转和稳定性特征。快速、准确、经济地测定SOC及其组分，对宏观尺度SOC的精细管理至关重要。可见-近红外光谱（vis-NIR）作为一种新兴手段，通过捕捉SOC组分对光谱各波段的吸收和反射特征，结合机器学习，可以构建高效的SOC及其组分估算模型。但是，当前研究多关注土壤表层SOC，很少涉及将该方法运用到全剖面SOC、POC和MAOC的估算。本研究旨在揭示宏观尺度全剖面SOC及其组分的分布规律，以及论证和提升vis-NIR在全剖面SOC及其组分含量估算中的准确性和可靠性，为全剖面SOC及其组分含量的快速获取提供数据和技术支撑。

　　 图文摘要（Graphic abstract）

　　主要内容

　　本研究采集中国西北、西南和华南六个研究区旱地农田183 个 0~200 cm土柱样本，分七个土层深度，对全剖面SOC及其组分垂直分布特征的研究。研究揭示了农田全剖面SOC及其组分的垂直分布特征。随着土层深度的增加，SOC和MAOC逐渐减少，POC在 0~50 cm 土层中随着土层深度的增加逐渐减少，但是在 50~200 cm 的深度范围内逐渐增加。各农业区全剖面SOC及其组分含量也呈波动下降趋势，但黄土高原农业区SOC和POC在 30 cm 以下土层深度中轻微上升。同时，SOC及其组分含量呈明显的空间分异和海拔梯度特征。

　　图1 SOC及其组分沿土壤剖面垂直分布

　　利用vis-NIR数据和土层深度信息，结合偏最小二乘回归（PLSR）、随机森林（RF）、Cubist、基于记忆的学习算法（MBL）等四种机器学习模型，分别构建土壤有机碳及其组分预测模型，并且在模型中添加易获得的环境变量（年均温—MAT、年均降水量—MAP）来提升模型预测精度。结果显示，添加了MAT和MAP后，模型对SOC及其组分含量的预测精度显著提升。对SOC、MAOC以及MAOC/SOC预测的最优模型的验证决定系数Rval2分别提升至 0.58、0.62 和 0.52，均方根误差RMSEval分别降低至 0.16、0.25 和 0.25。对POC的预测能力较弱，模型Rval2依旧为 0.47，但是RMSEval降低了0.02。进一步地，将SOC作为额外的输入变量，用以估算POC和MAOC，模型的预测精度均得到较大程度提升，其中对POC预测精度提升最多（Rval2 = 0.83，RMSEval = 0.15）；对MAOC，模型Rval2均提升至 0.65，RMSEval降低至 0.19。其中PLSR相较于其他机器学习模型，展现出较强的预测性能。

　　图2 模型预测精度

　　总结与展望

　　该研究对中国典型农作区全剖面（0~200 cm）SOC及其组分分布规律进行了系统分析，研究结果为理解各农业区土壤健康状况提供了数据支撑。同时，本研究利用vis-NIR结合易获得的环境变量，实现了对大尺度、全剖面SOC及其组分含量的精准预测，极大程度地提升了实验效率，降低了研究成本。当前针对全剖面SOC及其组分的垂直分布规律的研究仍然较少，土壤光谱结合机器学习为快速、准确预测SOC及其组分提供了一种可能。

　　该研究得到国家重点研发计划政府间重点专项项目（2021YFE0114500）资助。