南非土壤有机碳近红外光谱校准算法开发：区域适用性与局部精准预测研究

本研究针对南非缺乏土壤有机碳(SOC)近红外(NIR)光谱预测模型的问题，开发了60种区域尺度校准算法，发现样本量不足(n=238)导致区域模型(RMSE=0.39%)不适用，但Tsitsa流域和Ottosdal农田的局部模型表现优异(RMSE<0.1%)。研究证实全球开放土壤光谱库(OSSL)因南非样本不足(仅64个)预测效果差(R2=-0.83)，揭示了样本状态(干湿)和采样设计(cLHS最优)对模型精度的关键影响，为碳信用核算提供了低成本检测方案。

　　

在全球碳减排背景下，土壤有机碳(SOC)封存已成为应对气候变化的关键策略。农民通过土壤固碳获取碳信用额度的商业模式，使得SOC精准量化需求激增。然而传统检测方法如Walkley-Black湿氧化法和干燃烧法(TDC)存在成本高、耗时长等缺陷。近红外(NIR)光谱技术虽具快速、低成本优势，但南非一直缺乏国家尺度的SOC预测模型，且全球开放土壤光谱库(OSSL)中南非样本严重不足，导致现有模型预测失真。

针对这一技术空白，南非研究团队在《Soil Advances》发表研究，系统评估了样本状态、光谱预处理、采样设计和机器学习模型等参数对NIR校准算法的影响。研究采集了5个典型区域(2个农田+3个流域)的238份土壤样本，使用手持式NeoSpectra NIR光谱仪(1350-2550nm)分别扫描原始状态和实验室干燥筛分后的样品，并通过TDC法获取基准SOC数据。团队创新性地构建了60种参数组合的校准算法，采用条件拉丁超立方采样(cLHS)、随机采样(RS)和K均值聚类三种样本划分策略，结合偏最小二乘回归(PLSR)、随机森林(RF)、支持向量机(SVM)、Cubist和人工神经网络(ANN)五种机器学习模型进行系统比较。

样本特征与光谱响应
研究发现不同站点的SOC含量差异显著(0.14%-5%)，Tsitsa流域因土壤侵蚀导致中位数最低(1.04%)。原始状态样品的光谱吸收值普遍高于实验室处理样品，尤其在1400nm、1900nm和2200nm处出现明显水分特征峰。这表明土壤水分会显著干扰NIR光谱对SOC的响应，为后续模型差异提供了物质基础。

全球模型的本地化失效
OSSL全球模型对南非样本的预测出现严重偏差(RMSE=1.23%，R2=-0.83)，PCA分析显示仅少数样本被数据库覆盖。这一结果直接证实了地理代表性不足会导致模型迁移失败，凸显了建立本地化光谱库的必要性。

区域模型的参数优化
通过Kruskal-Wallis检验发现，采样设计对RMSE的影响最显著(χ2=24.28)，其中cLHS方法因能全面覆盖属性空间而表现最优。样本状态位列第二影响因素(χ2=13.35)，干燥处理样品模型精度显著优于原始状态。令人意外的是，Cubist模型在多数场景下超越传统PLSR和RF，其规则回归与实例学习的混合机制更适合处理复杂光谱-SOC关系。最佳区域算法(P-Raw-RS-Cubist)虽达到RMSE=0.39%、RPIQ>2，但仍未达实用标准，研究者将其归因于样本量不足。

局部模型的突破性表现
在流域尺度，Tsitsa catchment的cLHS-Cubist组合展现出惊人精度(RMSE=0.09%，ρ_c=0.99)。农田尺度中Ottosdal地块的干燥样品模型同样优异(RMSE=0.05%)，但湿润样品模型精度下降，证实水分干扰仍是原位检测的主要障碍。这些成功案例为南非碳监测提供了可立即应用的解决方案。

方法论启示与技术展望
研究团队建议采用"由点到面"的策略：先积累高质量局部模型，逐步构建国家光谱库。针对手持设备的田间应用，提出需重点攻克水分干扰消除技术。值得注意的是，可见光波段(Vis)的缺失可能限制了模型性能，后续研究可尝试Vis-NIR联用提升预测力。

这项研究不仅填补了南非土壤光谱学的技术空白，更为全球发展中国家建立本土化碳监测体系提供了范式。其揭示的"样本量-模型精度"阈值规律，以及cLHS采样与Cubist模型的组合优势，对全球土壤光谱研究具有普适指导意义。随着碳交易市场的发展，这项成果将直接助力非洲农业实现"测碳-固碳-售碳"的绿色经济闭环。