中红外光谱技术在匈牙利佩斯县土壤调查中的应用：快速评估土壤有机碳与质地的创新方法

本研究针对传统土壤分析方法耗时耗力、成本高昂的问题，采用中红外光谱（MIR）结合偏最小二乘回归（PLSR）技术，对匈牙利佩斯县405份土壤样本的有机碳（SOC）、碳酸钙（CaCO3）、质地（砂粒/黏粒/粉粒）及pH等关键指标进行快速预测。结果显示，SOC和质地预测精度优异（R2=0.82-0.90），为大规模土壤调查提供了高效环保的解决方案，对可持续农业和土地管理具有重要实践意义。

　　

土壤，这颗蓝色星球上最珍贵的非可再生资源，正面临着前所未有的挑战。随着全球人口增长和气候变化加剧，如何快速、准确地获取土壤属性数据，成为实现可持续农业和生态管理的关键。然而，传统的土壤分析方法犹如"老牛拉破车"——不仅需要繁琐的样品前处理，使用危险化学试剂，还耗时耗力，难以满足大规模土壤调查的需求。这就像试图用显微镜来观测足球场，显然力不从心。

在这样的背景下，研究人员将目光投向了中红外光谱技术（MIR）。这项技术就像给土壤做"CT扫描"，通过分析土壤分子振动产生的特征光谱，就能快速获取多种土壤属性信息。特别是在2500-25000纳米的光谱范围内，MIR能够捕捉到矿物质和有机物的基础振动信号，比近红外光谱（NIR）具有更强的特异性和信息量。

为了验证这项技术在区域尺度土壤调查中的实用性，来自匈牙利的研究团队开展了一项开创性研究。他们以匈牙利佩斯县为研究对象，对该地区105个土壤剖面、405份存档样本进行了系统分析。这些样本涵盖了该地区主要的土壤类型，包括黑钙土（Chernozems）、冲积土（Fluvisols）等，具有很好的代表性。

研究人员采用布鲁克Alpha II光谱仪在漫反射红外傅里叶变换（DRIFT）模式下获取光谱数据，运用OPUS软件进行处理，并建立了PLSR预测模型。结果显示，这项技术对不同土壤属性的预测效果存在显著差异：土壤有机碳（SOC）和质地组分（砂粒、黏粒、粉粒）的预测精度最高（R²=0.82-0.90）；碳酸钙（CaCO₃）和pH预测效果中等（R²=0.71-0.74）；而阳离子交换量（CEC）的预测精度相对较低（R²=0.65）。

关键技术方法

研究团队采用DRIFT模式的中红外光谱技术，使用布鲁克Alpha II光谱仪扫描405份土壤样本（2500-25000 nm）。通过OPUS软件处理光谱数据，采用17个波段的移动平均窗口平滑处理，并运用主成分分析（PCA）和H距离计算剔除异常值。将样本按7:3分为校准集和验证集，建立PLSR模型预测7种土壤属性，以决定系数（R²）和均方根误差（RMSE）评估模型性能。

研究结果

3.1 土壤数据集特征

样本表现出显著的变异性：SOC（0.01-5.34%）、CaCO₃（0.10-67.00%）、砂粒（2.40-96.50%）等参数范围广泛，反映了佩斯县土壤的高度异质性。这种多样性为模型建立提供了理想条件。

3.2 中红外光谱特征

光谱分析揭示了明显的特征峰：3400-3800 cm^-1与黏土矿物相关，2930-2850 cm^-1对应有机物的C-H键，而1100-1000 cm^-1则反映了石英矿物的信号。这些特征峰为不同土壤组分的识别提供了"分子指纹"。

3.3 土壤属性预测

SOC预测表现出色（R²=0.86，RMSE=0.42%），这得益于含碳化合物（如C-H、C-O键）的直接光谱响应。质地预测中，黏粒精度最高（R²=0.90），砂粒次之（R²=0.89），粉粒稍逊（R²=0.82）。CaCO₃预测（R²=0.74）受其他组分干扰，而CEC预测（R²=0.65）因其间接光谱响应表现最弱。

研究意义与展望

这项研究证实了MIR-PLSR技术在区域土壤调查中的巨大潜力，特别是对SOC和质地的高精度预测，为快速、环保的土壤监测提供了可靠工具。相比传统方法，该技术可将分析效率提升数十倍，同时避免化学试剂的使用。然而，对CEC等间接相关属性的预测仍需改进，未来可通过扩大样本多样性、结合机器学习算法来优化模型。随着便携式MIR设备的发展，这项技术有望在田间地头大显身手，为精准农业和土地管理提供实时数据支持。

这项发表于《Soil Advances》的研究，不仅为匈牙利土壤监测提供了实用方案，其技术框架也可推广至全球类似地区。在应对粮食安全、气候变化等全球性挑战的今天，这种高效、绿色的土壤分析方法显得尤为重要，堪称土壤科学领域的一项重要突破。