SEH|浙江大學羅忠奎課題組：利用可見近紅外光譜估算全剖面土壤有機碳及其組分研究

　　浙江大學羅忠奎課題組在Soil & Environmental Health（SEH，《土壤與環境健康》）期刊發表題為“使用可見-近紅外光譜技術估算土壤全剖面有機碳及其組分（Using visible-near infrared spectroscopy to estimate whole-profile soil organic carbon and its fractions；2024，2(3)：100095）”的研究論文。

　　土壤有機碳（SOC）與農田土壤的質量和肥力息息相關，是評價土壤健康狀況的重要指標。同時，在應對氣候變化這一全球性挑戰中，SOC更是起關鍵作用。顆粒有機碳（POC）和礦物結合態有機碳（MAOC）是SOC的重要功能性組分，具有不同的周轉和穩定性特征。快速、準確、經濟地測定SOC及其組分，對宏觀尺度SOC的精細管理至關重要。可見-近紅外光譜（vis-NIR）作為一種新興手段，通過捕捉SOC組分對光譜各波段的吸收和反射特征，結合機器學習，可以構建高效的SOC及其組分估算模型。但是，當前研究多關注土壤表層SOC，很少涉及將該方法運用到全剖面SOC、POC和MAOC的估算。本研究旨在揭示宏觀尺度全剖面SOC及其組分的分布規律，以及論證和提升vis-NIR在全剖面SOC及其組分含量估算中的準確性和可靠性，為全剖面SOC及其組分含量的快速獲取提供數據和技術支撐。

　　 圖文摘要（Graphic abstract）

　　主要內容

　　本研究采集中國西北、西南和華南六個研究區旱地農田183 個 0~200 cm土柱樣本，分七個土層深度，對全剖面SOC及其組分垂直分布特征的研究。研究揭示了農田全剖面SOC及其組分的垂直分布特征。隨著土層深度的增加，SOC和MAOC逐漸減少，POC在 0~50 cm 土層中隨著土層深度的增加逐漸減少，但是在 50~200 cm 的深度范圍內逐漸增加。各農業區全剖面SOC及其組分含量也呈波動下降趨勢，但黃土高原農業區SOC和POC在 30 cm 以下土層深度中輕微上升。同時，SOC及其組分含量呈明顯的空間分異和海拔梯度特征。

　　圖1 SOC及其組分沿土壤剖面垂直分布

　　利用vis-NIR數據和土層深度信息，結合偏最小二乘回歸（PLSR）、隨機森林（RF）、Cubist、基于記憶的學習算法（MBL）等四種機器學習模型，分別構建土壤有機碳及其組分預測模型，并且在模型中添加易獲得的環境變量（年均溫—MAT、年均降水量—MAP）來提升模型預測精度。結果顯示，添加了MAT和MAP后，模型對SOC及其組分含量的預測精度顯著提升。對SOC、MAOC以及MAOC/SOC預測的最優模型的驗證決定系數Rval2分別提升至 0.58、0.62 和 0.52，均方根誤差RMSEval分別降低至 0.16、0.25 和 0.25。對POC的預測能力較弱，模型Rval2依舊為 0.47，但是RMSEval降低了0.02。進一步地，將SOC作為額外的輸入變量，用以估算POC和MAOC，模型的預測精度均得到較大程度提升，其中對POC預測精度提升最多（Rval2 = 0.83，RMSEval = 0.15）；對MAOC，模型Rval2均提升至 0.65，RMSEval降低至 0.19。其中PLSR相較于其他機器學習模型，展現出較強的預測性能。

　　圖2 模型預測精度

　　總結與展望

　　該研究對中國典型農作區全剖面（0~200 cm）SOC及其組分分布規律進行了系統分析，研究結果為理解各農業區土壤健康狀況提供了數據支撐。同時，本研究利用vis-NIR結合易獲得的環境變量，實現了對大尺度、全剖面SOC及其組分含量的精準預測，極大程度地提升了實驗效率，降低了研究成本。當前針對全剖面SOC及其組分的垂直分布規律的研究仍然較少，土壤光譜結合機器學習為快速、準確預測SOC及其組分提供了一種可能。

　　該研究得到國家重點研發計劃政府間重點專項項目（2021YFE0114500）資助。