用于土壤有机碳估算的中红外光谱技术。第一部分：全球综述与元分析

《Soil and Tillage Research》：Mid-Infrared spectroscopy for soil organic carbon estimation. Part I: Global review and meta-analysis

　　通丽 | 安全霞 | Ram C. Dalal | Sean Manning | Deeksha Beniwal | 徐志宏 | Rajiv Pandey | 崔丽珍 | 陈松超 | 傅鹏 | 夏雨舒 | 吴金兰 | 王燕芬 | Dang Yash P.
澳大利亚昆士兰大学农业与食品可持续性学院，圣卢西亚，QLD 4072

**摘要**
准确估算土壤有机碳（SOC）对于监测农业和自然生态系统中的碳封存及减缓气候变化至关重要。中红外（MIR）漫反射光谱技术是一种成本效益高、高通量的替代方法，可替代湿化学和干燃烧法，但不同研究和地区的模型性能存在显著差异。本研究通过汇总289项研究的结果，评估了MIR光谱技术在SOC估算中的有效性。元分析结果表明，精细研磨（≤53 μm）相比仅使用≤2 mm筛分具有更高的中位数R2（约0.77 vs 0.72）和更低的RMSE，并且空气干燥样品的RMSE通常低于 oven 干燥样品。更宽的光谱范围和更高的分辨率通常与较低的SOC估算RMSE相关，但这些趋势并非适用于所有仪器和土壤类型。在预处理方法中，乘法散布校正和Savitzky–Golay导数常能改善模型拟合度，但其效果取决于数据集特性。在化学计量方法中，偏最小二乘回归（PLSR）仍被广泛使用（n = 278项研究），而Cubist仅在少数研究中显示出较高的中位数R2（n = 6项研究），且在该综合分析中并未显示出比PLSR更显著的改进。这些发现为提升SOC监测水平及支持全球碳核算工作提供了方法论启示。我们还提供了报告建议，并指出了配套论文（第二部分），该论文使用全球和国家光谱库对前述发现进行了验证性分析。

**1. 引言**
土壤有机碳（SOC）是土壤健康的关键指标，也是全球碳循环的重要组成部分（Shang等人，2026a；Sj?gersten等人，2014；Tiefenbacher等人，2021），对气候变化和生态平衡均具有重要影响（Ceddia等人，2015；Ward等人，2019）。准确量化SOC对于理解其在环境中的作用至关重要，尤其是考虑到陆地生态系统与大气之间的显著碳通量（Liu等人，2017；Yang等人，2023）。土壤具有巨大的碳封存潜力（He等人，2026；Li等人，2024a），为大气CO?的吸收及其在土壤中的稳定化提供了自然途径（Viscarra Rossel等人，2017）。这种潜力不仅有助于实现全球气候目标，还为农民通过可持续土地管理实践创造碳信用提供了机会（Li等人，2023；Li等人，2024b；Padarian等人，2022；Shang等人，2026b）。然而，仍需要可靠且成本效益高的SOC估算方法来支持这些举措并确保其可行性和可信度。尽管近年来取得了进展，但仍需开发可靠、经济且可扩展的SOC量化方法，以支持全球监测和可持续土地管理（Viscarra Rossel和Behrens，2010；Soriano-Disla等人，2014）。传统的SOC量化方法（如湿化学氧化或干燃烧）因劳动强度高、成本高昂及潜在环境风险而存在挑战（Li等人，2023；Viscarra Rossel和Brus，2018，见图1）。这些挑战凸显了迫切需要替代性的、高效且环保的分析方法。随着测量、报告和验证（MRV）要求的日益严格（FAO SDG土壤监测指南；IPCC 2019修订版），各国必须大规模、持续地监测SOC。MIR光谱技术日益成熟——社区光谱库（如Open Soil Spectral Library，OSSL）支持标准化的、基于库的建模，便携式MIR设备在受控条件下表现出可重复的性能——为可扩展、可审计的SOC量化提供了实际途径（Helfenstein等人，2021；Viscarra Rossel和Lark，2009）。

**图1. 传统化学方法与中红外（MIR）方法估算土壤有机碳（SOC）的对比，以及使用MIR光谱技术估算SOC的过程。**

土壤光谱分析，包括实验室和现场应用，逐渐被视为传统土壤表征方法的可行替代和补充方法（Terra等人，2015），常被称为非破坏性的“干化学”（Li等人，2023；Liu等人，2023；Niu等人，2023）。这种方法以其速度快、准确性高、环境安全性好、可重复性强及成本效益高等优势而著称（Sharma等人，2021）。土壤光谱技术的进步，包括可见近红外（Vis-NIR）（Liu等人，2023；Luo等人，2021；Viscarra Rossel等人，2016a）、近红外（NIR）（Chen等人，2023；Duro等人，2024；Viscarra Rossel，2011；Wang等人，2022b）以及中红外（MIR）光谱（Baldock等人，2018；Hong等人，2024；Wang等人，2022a）等技术，强调了MIR在土壤分析中的有效性（Gamagedara等人，2024；Qiao等人，2025）。MIR光谱通过针对土壤中化学键的基本吸收带，提供关于有机和无机化合物的详细准确数据（Gamagedara等人，2024；Hong等人，2024；Marmette等人，2026）。具体而言，MIR光谱覆盖2500–25,000 nm或4000–400 cm?1的范围，被认为优于Vis-NIR光谱（Li等人，2023；Tian等人，2026），后者在评估和预测土壤特性时捕捉到的次级吸收带较弱且不那么明显（Chinilin等人，2023；Qiao等人，2025）。这种优势源于中波长范围内化学键（N-H、C-H和C-O）的伸缩和弯曲振动产生的更明显的吸收带（Dudek等人，2021；Soriano-Disla等人，2014；Weldon，2014）。MIR光谱利用其中红外范围的独特吸收特性，以非破坏性方式精确同时估算多种土壤特性，包括SOC（Sanderman等人，2020；Tinti等人，2015）。通过偏最小二乘回归（PLSR）等化学计量技术，可以高效处理大规模数据并深入洞察SOC动态（Hong等人，2022）。

使用MIR光谱估算SOC通常涉及几个关键步骤（Bellon-Maurel和McBratney，2011，见图1）。首先，从不同地点收集土壤样本并经过干燥和研磨处理以保证均匀性。随后使用MIR光谱仪扫描样本，获取整个MIR范围（4000–400 cm?1）的光谱数据。接着对原始光谱数据进行预处理，以去除背景趋势并提高信噪比（SNR），从而优化光谱数据的质量，常用的预处理方法包括乘法散布校正（MSC）、Savitzky-Golay平滑（SG）、Savitzky-Golay平滑后进行导数计算（SGD）以及标准正态变量（SNV）（Viscarra Rossel等人，2011；Viscarra Rossel等人，2017）。这些方法有助于去除噪声并提升信号质量（Gholizadeh等人，2015）。之后将化学计量技术（如PLSR）应用于预处理后的光谱数据。这一步对于开发SOC估算预测模型至关重要（Viscarra Rossel等人，2011）。通过使用原始数据集的一个子集来验证模型，以确保其准确性和可靠性。例如，通常将数据集分为训练集（80%）和独立测试集（20%），并按照SOC范围/土壤类型进行分层抽样。潜在变量的数量通过训练集上的10折交叉验证确定，每次交叉验证均应用所有预处理步骤以避免数据泄露。使用R2、RMSE等指标在测试集上评估模型性能，并通过自助法（n = 1000）获得95%置信区间（Li等人，2023）。最后，利用验证后的模型预测目标样本中的SOC浓度（Bellon-Maurel和McBratney，2011；Sanderman等人，2021a；Sanderman等人，2021b；Viscarra Rossel和Hicks，2015）。

近年来，MIR光谱技术被广泛用于估算土壤的SOC含量。当与环境变量结合使用时，该技术在数据稀缺地区显示出较高的预测准确性。例如，在伊朗的偏远地区，Sabetizade等人（2021）通过将MIR光谱与环境变量相结合，并使用PLSR和基于规则的Cubist模型，实现了高预测准确性。然而，一些研究者发现土壤湿度显著影响MIR光谱质量，从而影响SOC预测模型的准确性，导致R2较低、RMSE值较高（Qiao等人，2025；Viscarra Rossel等人，2006；Seidel等人，2022）。他们的系统重新湿润实验表明，MIR模型在空气干燥样本上表现更好，但土壤湿度的变化会减弱SOC的关键吸收带，强调在样品制备和模型开发过程中必须控制或校正湿度（Mammadov等人，2024；Seidel等人，2022）。Vohland等人（2022）比较了基于实验室的和现场的中红外及近红外光谱技术用于SOC量化。他们发现，虽然实验室MIR数据准确性更高，但现场条件会显著降低预测性能。他们的研究强调了数据融合方法和集成平均技术在异质土壤条件下提升SOC估算准确性的优势（Vohland等人，2022）。Grinand等人（2012）使用MIR光谱预测法国表土中的有机和无机碳浓度，发现仅使用20%的样本就能获得适用于大规模土壤调查和绘图的准确预测结果。然而，含碳酸盐土壤的加入降低了预测的稳定性，影响其准确性（Grinand等人，2012）。尽管有研究指出含碳酸盐土壤会降低模型稳定性（Grinand等人，2012），但Viscarra Rossel和McBratney（1998；Viscarra Rossel等人，2006）证明，当校准集充分涵盖碳酸盐变异性和/或明确建模无机碳时，SOC预测仍然稳健（Li等人，2022a；Viscarra Rossel和McBratney，1998；Walden等人，2025）。Hong等人（2022）研究了使用MIR和VIS–NIR吸收度融合数据以提高SOC预测准确性，发现连续小波变换（CWT）和最优波段组合（OBC）算法显著提升了预测准确性。MIR和VIS–NIR光谱（700 nm – 40,000 nm）的融合达到了最高的预测准确性，显示了集成光谱数据集在SOC估算中的潜力（Hong等人，2022；Qiao等人，2025）。Semella等人（2022）发现，与VIS–NIR光谱相比，MIR光谱对校准样本的变化（即样本异质性）不那么敏感，实现了更高的SOC预测准确性，这表明MIR在提高模型稳健性方面具有潜在优势（Semella等人，2022）。然而，不能一概认为便携式MIR光谱仪总是更优：其性能取决于光谱范围和传感器类型（台式 vs 便携式ATR/漫反射）、校准库覆盖范围（如碳酸盐/黏土变异性）、预处理选择、土壤湿度以及测量设置（Gozukara等人，2025；Walden等人，2024）。实际应用中，VIS–NIR设备更为成熟且更容易在现场部署，而MIR的优势在受控实验室条件下或接触质量和湿度得到良好管理时最为明显。总体而言，现有研究表明MIR在SOC分析中的变异性及其潜力，并强调了需要解决环境影响、湿度及参考数据不确定性等问题，以及考虑数据融合策略以提高预测准确性。

除了单个研究外，基于数据库的MIR应用已发展成为实用的SOC建模基础设施。关于实验室漫反射光谱库和协议的基础研究（Janik等人，2009；Shepherd和Walsh，2002）随后被大规模国家应用所证实，这些应用在新西兰、美国、巴西等地实现了对多种土壤的准确预测（Breure等人，2022；de Sousa Mendes等人，2022；Ma等人，2023；Wijewardane等人，2018），以及像OSSL这样的社区资源支持了标准化、基于库的工作流程（Safanelli等人，2025）。这些努力凸显了全球光谱库的前景，以及将其应用于区域/本地环境的实际挑战（仪器/样品制备的异质性、领域转换等问题（Dangal等人，2019；Sanderman等人，2020；Sanderman等人，2021b）及其对全球-区域-本地建模的影响。

尽管MIR光谱在SOC分析方面得到了广泛研究（Hu和Viscarra Rossel，2025；Viscarra Rossel等人，2008），但报告的模型约束条件、性能基准和关键参数的表征仍存在较大差异。这种变异性主要归因于土壤类型、环境条件以及中红外光谱（MIR spectroscopy）中使用的特定分析方法的差异（Dorantes，2022；Janik等人，2007；Viscarra Rossel等人，2006；Walden等人，2024）。然而，相关文献缺乏对这些多种方法和条件的全面比较。尽管个别研究提供了有价值的见解，但需要综合分析才能得出关于MIR光谱在土壤有机碳（SOC）分析中有效性的普遍结论。由于缺乏系统的元分析，目前还不清楚最佳的预处理方法以及实验室与现场MIR光谱之间的相对准确性。本综述的目的是进行一次全球性元分析，以评估土壤样本制备、光谱预处理和化学计量模型等方法因素如何影响使用MIR光谱估计SOC的准确性。通过确定最佳条件，本研究旨在为研究和实际应用中的SOC量化提供指导。本文是中红外光谱在SOC应用方面的两部分系列文章的第一部分。第二部分（Li等人，2026）报告了使用ISRIC全球库进行的无泄漏光谱预处理基准测试以及三个国家案例研究（中国、肯尼亚、印度尼西亚）。这两部分在科学上是独立的，并相互引用以确保完整性。

2. 材料与方法
2.1 文献搜索策略和数据提取
我们搜索了Web of Science Core Collection和Google Scholar（1900–2024年5月），结合了SOC/SOM术语和MIR光谱关键词（“Soil organic carbon”、“Soil carbon”、“soil organic matter”以及“Mid-infrared or MIR”）（Li等人，2024b）。搜索返回了450条记录；经过去重和限定为英文后，剩下430条。由两位独立评审员对标题/摘要进行了筛选，并对全文进行了评估，第三位评审员对分歧进行了裁决（Li等人，2022b；Li等人，2021a）。根据以往的研究流程（Li等人，2021b），共有289项研究被纳入定性分析；其中176项具有可比较的性能统计数据（决定系数（R2）或均方根误差（RMSE）值），被纳入非参数元分析，共产生460个模型记录。PRISMA 2020流程图见图S1。

纳入标准是那些应用MIR技术估计SOC并报告了基本方法细节的定量性能的研究。排除标准包括非英文文献、没有定量指标的研究、仅使用Vis–NIR的方法（用于元分析阶段）以及非主要文献（例如社论、论文、专利）。对于入选的论文，我们使用预先设计的表格提取了数据（作者、年份、国家/地区、土壤类型、光谱范围、样品制备——干燥/研磨、预处理、化学计量方法、验证设计以及性能指标R2和RMSE）。这些数据构成了评估方法对模型性能影响的元分析的基础（n = 176；460个模型记录）（图2）。由于不同研究中的SOC浓度范围、校准设计和验证策略存在显著差异，所报告的性能指标（R2和RMSE）被视为依赖于范围的，并在解释时保持谨慎，不假设不同研究间可以直接比较。

2.2 元分析（统计方法和可视化）
鉴于R2和RMSE都取决于校准数据集的SOC范围，我们明确区分了研究内部（其他条件相同）的对比和研究间分层的总结。我们根据土壤类型、光谱预处理技术、化学计量技术和验证方法对研究进行了分组。这种分组有助于更好地理解不同条件如何影响SOC的估计（Ding等人，2026）。对于粒径分组，我们根据达到的粒径截止值而非研磨工具对样品制备进行了分类（粗粒 = 仅筛分至≤2毫米的空气干燥土壤；细粒 = 研磨至可通过≤53微米的土壤，63–75微米也归类为细粒；“mortar”表示手动研磨工具，不属于一个独立的类别）。两位评审员使用预先设计的表格独立提取数据（土壤类型、预处理、化学计量、验证、性能指标），通过讨论解决分歧（第三位评审员作为仲裁者），并最终检查了数据集。为了近似其他条件相同的对比并减少研究层面的混淆，我们预先设定了严格的准则来形成研究内部的配对。这种设计限制了不同SOC范围的影响，确保观察到的R2或RMSE的差异可以归因于同一数据集内的目标方法因素。只有当数据集和划分方式（或CV方案）、仪器类别和模式（例如，台式FTIR与便携式MIR；DRIFTS/ATR/透射）、光谱窗口（例如，4000–400, 4000–600, …, 8000–400 cm?1）、光谱分辨率（4, 8, 16 cm?1）、扫描次数（16, 32, 64+）、预处理选项（无、SNV、MSC、SG、SGD固定参数）、化学计量算法（PLSR）、碳酸盐状态、样品制备类别以及参考实验室方法完全相同时，才创建配对。在这些条件下，仅允许目标因素有所不同。否则，我们在相关层内报告分层的研究间总结，这些总结被视为描述性关联而非因果效应，因为不同出版物中的SOC范围和研究设计存在不可避免的异质性。

3. 结果
3.1 土壤样品制备对模型性能的影响
图3总结了不同土壤样品制备策略下R2和RMSE的研究间分布。由于这些指标是从具有不同SOC范围、校准设计和验证策略的多个独立研究中汇总而来的，因此结果应被视为描述性关联而非因果效应。
图3a显示了使用细粒和粗粒土壤样本构建的模型的R2值分布。Kruskal-Wallis卡方值为14.598（p = 0.0001），表明两组之间的R2值存在显著差异。基于细粒样品构建的模型的中位数R2（0.79）高于基于粗粒样品的模型（0.77）。图3b显示了粗粒研磨（≤ 2毫米；仅筛分）与细粒研磨（≤ 53微米；手工研磨或机械研磨）的土壤的RMSE分布。Kruskal-Wallis卡方值为17.542（p = 2.6866e-05），表明两组之间的RMSE值存在显著差异。细粒样品的中位数RMSE（0.79）低于粗粒样品（0.98）（Δ = –0.19）。由于这些中位数来自不同的研究和数据集，这种比较是描述性的，不应将其解释为研磨的直接研究内效应。然而，这种模式与细颗粒尺寸对MIR-PLSR建模的潜在优势一致，但需要在校准条件相同的情况下进行进一步的内部研究比较才能确认。
图3c显示了在不同温度（32–40°C、60°C、105°C、冷冻干燥和空气干燥）下干燥的土壤样本构建的模型的R2值分布。Kruskal-Wallis卡方值为5.8173（p = 0.3244），表明不同干燥温度下的模型R2值没有显著差异。中位数R2分别为32–40°C下的0.8、60°C下的0.86、105°C下的0.76和空气干燥下的0.77。这表明在汇总的研究证据中，不同干燥温度下的R2没有统计学上的显著差异；然而，因果推断需要控制内部研究比较。
图3d显示了使用在不同温度下干燥的土壤样本构建的模型的RMSE值分布。然而，Kruskal-Wallis卡方值为39.385（p = 1.98e-07），表明不同干燥温度下的RMSE值存在显著差异。由于RMSE对SOC范围和验证设计敏感，这种研究间的差异应谨慎解释。

3.2 光谱范围、分辨率和扫描次数对SOC估计模型性能的影响
如2.2节所述，我们优先考虑了研究内部（其他条件相同）的对比；只有在无法进行研究间分层的情况下，结果才被视为关联而非因果效应，并在图4中相应标记为“研究间”。这种区分尤为重要，因为R2和RMSE都取决于校准数据集的SOC范围，这限制了直接的研究间性能比较。因此，光谱设置下的R2和RMSE的绝对差异应被视为指示性模式，而非跨研究的定量性能排名。然而，RMSE值在不同分辨率之间存在显著差异（p = 6.296e-08），在4 cm-1和16 cm-1的分辨率之间以及8 cm-1和16 cm-1的分辨率之间观察到了显著的成对差异（见图4d）。更高的分辨率（4–8 cm-1）与较低的RMSE相关。图4(e)和4(f)显示了每次扫描数量对模型性能的影响。Kruskal-Wallis卡方检验结果显示R2值没有显著差异（p = 0.1326）。然而，图4(f)显示RMSE值存在显著差异（p = 8.924e-08），在64次扫描与16次扫描和32次扫描之间，以及32次扫描与16次扫描之间观察到了显著的成对差异。通常来说，更多的扫描次数会导致更低的RMSE，在其他条件相同的情况下提高精度。

3.3 光谱预处理方法对SOC估算模型性能的影响
光谱预处理技术在提高预测模型的准确性方面起着关键作用，通过减少噪声、增强相关光谱特征和校正基线偏移，从而实现对复杂数据集的更稳健和可靠的分析。由于以下综合结果涵盖了不同SOC范围、仪器和验证设计的独立研究，因此报告的差异应被视为描述性模式，而不是预处理选择的直接因果效应。在SOC研究中经常引用的光谱数据预处理技术包括Savitzky-Golay平滑处理后进行导数计算（SGD，在66项研究中被引用）和标准正态变量（SNV）标准化（在45项研究中被引用）。Savitsky-Golay过滤后转换为吸光度，或SNV标准化后转换为吸光度（A），在有26项研究中被使用（表1）。乘法散点校正（MSC）与其他方法（如SNV和SGD）结合使用，在19篇论文中被报道。Savitsky-Golay平滑处理后进行导数计算并与其他预处理方法结合使用，在14篇论文中被使用。移动平均过滤（MA）与其他预处理方法结合使用，在16篇论文中被使用。SNV与其他方法结合使用，在13篇论文中被使用（SNV*）。

表1. SOC预测中使用的光谱预处理方法的频率和描述

预处理方法 研究数量(n) 描述
A 29 转换为吸光度（A = log(1/R)
A* 26 Savitzky-Golay过滤后转换为吸光度
C* 14 SNV标准化后转换为吸光度
DT 32 去趋势（从光谱中去除任何线性趋势）
FD 12 一阶导数计算
MA* 16 移动平均过滤与其他预处理方法结合
MSC 50 乘法散点校正
MSC* 19 乘法散点校正与其他方法（如SNV和SGD）结合
R 38 原始光谱数据
SD 4 二阶导数计算
SG 66 Savitzky-Golay平滑
SG* 14 Savitzky-Golay平滑与其他预处理方法（如SNV）结合
SGD 66 Savitzky-Golay平滑后进行导数计算
SGD* 14 Savitzky-Golay平滑后进行导数计算并结合其他方法
SNV 45 标准正态变量标准化
SNV* 13 SNV与其他方法结合

图5a展示了不同光谱预处理对预测模型性能的影响。Kruskal-Wallis卡方检验表明，在各种预处理方法中，R2值（卡方 = 49.612，自由度 = 15，p = 1.393e-5）和RMSE值（卡方 = 28.309，自由度 = 15，p = 0.0197）存在显著差异。对于R2值，结果显示几种预处理方法之间存在显著差异：A和MSC*（p = 0.0006），A*和MSC*（p = 0.0071），DT（去趋势（从光谱中去除任何线性趋势）和MSC*（p = 0.0006），MSC和MSC*（p = 0.0029），MSC*和R（p = 0.000002），以及R和SNV*（p = 0.0217）。

下载：下载高分辨率图像（429KB）
下载：下载全尺寸图像

图5. 不同光谱预处理方法对SOC估算模型性能的影响。(a) 各种预处理方法下的R2值分布。(b) 各种预处理方法下的RMSE值分布。跨研究总结；解释为关联关系，而非因果效应。组间显著差异用*（p < 0.05）、**（p < 0.01）和***（p < 0.001）表示。对于RMSE，Dunn检验调整后的p值突显了A和MSC之间的显著差异（p = 0.01972），表明光谱预处理方法的选择与预测结果的差异有关。具体来说，SG*方法提供了显著较低的RMSE值，从而提高了预测准确性。这些发现强调了光谱预处理方法在提高SOC模型性能中的关键作用。不同预处理方法在R2和RMSE值上的显著差异也强调了选择适当预处理技术以实现最佳模型性能的重要性。MSC*和SG*方法尤其值得注意，在回顾的研究中分别经常与较高的R2值或较低的RMSE值相关联。

3.4 化学计量方法对SOC估算模型性能的影响
与前一节类似，这里总结的结果代表了跨研究的性能指标分布，因此对SOC范围和研究设计的差异敏感。图6展示了不同化学计量方法对SOC模型预测性能的影响。PLSR是最常用的化学计量方法，在超过278项研究中被采用。其他方法的使用相对均匀。Kruskal-Wallis卡方检验结果显示，不同化学计量方法之间的R2值存在显著差异（卡方 = 67.821，自由度 = 10，p = 1.166e-10），但RMSE值没有显著差异（卡方 = 9.0389，自由度 = 10，p = 0.5284）。值得注意的比较包括涉及Cubist（例如与人工神经网络[ANN]、卷积神经网络[CNN]、多变量自适应回归样条[MARS]和基于记忆的学习[MBL]的比较），以及多重线性回归（MLR）与PLSR、主成分回归（PCR）与PLSR、随机森林（RF）与支持向量机（SVM）的比较。PLSR仍然是一个广泛使用的基准（n = 278；中位数R2 = 0.83）。Cubist在非常少的研究中显示出较高的中位数R2（n = 6；中位数R2 = 0.92），并且在我们的数据集中高于ANN/CNN，但由于研究数量较少，我们没有发现统计学上支持其优于PLSR的证据（使用Holm调整的成对Wilcoxon检验，p > 0.05）；任何明显的优势都应被视为探索性的，并可能受到特定数据集的SOC范围和验证设计的影响。对于RMSE值，包括化学计量方法PLSR以及其他方法（如ANN、SVM等），没有观察到显著差异，这由调整后的p值表明，这些p值都高于显著性阈值。

下载：下载高分辨率图像（358KB）
下载：下载全尺寸图像

图6. 不同预测方法对SOC预测准确性的影响。(a) 各种化学计量方法下的R2值分布。(b) 各种化学计量方法下的RMSE值分布。跨研究总结；解释为关联关系，而非因果效应。组间显著差异用*（p < 0.05）、**（p < 0.01）和***（p < 0.001）表示。人工神经网络（ANN）；卷积神经网络（CNN）；高斯过程回归（GPR）；多变量自适应回归样条（MARS）；基于记忆的学习（MBL）；多重线性回归（MLR）；支持向量机（SVM）；偏最小二乘回归（PLSR）；随机森林回归（RF）。

4. 讨论
4.1 土壤预处理方法及其与预测性能的关联
结果表明，来自精细研磨土壤样品的测量值通常与基于MIR的SOC模型中更高的R2值和更低的RMSE值相关。如第3.1节所示，这些结果来自跨研究的综合，因此代表描述性关联而非直接因果效应。精细研磨的样品可能减少了由颗粒大小差异引起的变异性，从而可能增强模型预测SOC濃度的能力（Janik等人，2009年）。精细研磨样品的模型性能显著提高，表现为更高的R2值和更低的RMSE值，这与控制研究中报告的样品均质化对于提高光谱数据质量的重要性一致（Wehrle等人，2021年）。一些研究表明，使用轻度研磨（2分钟）的土壤样品测量的MIR SOC和pH模型比使用重度研磨（4分钟）或未研磨样品测量的模型具有更高的准确性（Stumpe等人，2011年），这表明研磨程度也可能影响模型性能。干燥温度对R2没有显著影响，但空气干燥的样品的RMSE显著低于烤箱干燥的样品。由于RMSE对SOC范围和验证设计敏感，这种跨研究差异应谨慎解释。尽管如此，这种模式与众所周知的烤箱干燥后水分的吸湿再吸附一致，这可能在处理过程中引入可变的水分，从而增加预测误差（Mammadov等人，2024年；Seidel等人，2022年）。这一观察与以往研究中的发现一致，一些研究者（Breure等人，2022年）也指出了这一点，并将其归因于潜在的水分干扰，这可能对光谱准确性产生不利影响。不同干燥温度下RMSE值的显著差异并不意味着直接的因果效应，但表明适当的样品干燥协议对于获得可靠的光谱测量至关重要。Kruskal-Wallis卡方检验表明，干燥温度对预测模型性能没有显著影响，所有测试温度下的中位数值保持一致。这些结果强调，在比较基于MIR的SOC模型时，除了光谱学和模型优化之外，仔细考虑土壤样品的处理和加工也是必不可少的。因此，重要的是提醒研究人员不仅要关注土壤光谱学或模型优化，还要关注土壤样品的处理和加工。确保实验方法符合实际土壤条件对于产生可靠和有意义的结果至关重要，同时保持土壤性质（如有机碳浓度）的完整性（Gamagedara等人，2024年）。还值得注意的是，干燥温度可能会影响通过化学分析获得的SOC测量结果，因为较高的温度可能导致有机物的部分分解。这一点突显了标准化干燥方法的重要性，以确保SOC量化的结果一致性。

4.2 光谱范围、分辨率和扫描次数可能会影响准确性
结果表明，更宽的光谱范围和更高的分辨率通常与更高的解释能力和更低的预测误差相关，这体现在R2值的增加和RMSE值的降低上。这些模式主要反映了跨研究的综合证据，不应被解释为普遍的因果效应。这与详细的光谱信息能捕捉到更多土壤成分的相关特征的事实一致（Angelopoulou等人，2020年；Song等人，2024年）。同样，增加扫描次数可以减少与更精确的SOC估计相关的噪声，特别是在其他条件相同的情况下（Hong等人，2022年）。这些发现强调了高质量光谱数据采集设置对于提高模型性能的必要性。传统上，MIR光谱范围被定义为4000–400 cm-1。这个范围已知能够捕捉与SOC相关的化学键的基本吸收带，提供关于土壤有机和无机化合物的详细信息（Sánchez–González等人，2017年）。然而，包括从8000 cm-1到7000 cm-1的光谱范围也被证明可以改善SOC估计的光谱信息（Hong等人，2022年；Viscarra Rossel等人，2017年；Wang等人，2023年）。这些有限的发现表明，更宽的光谱范围（例如扩展到8000 cm-1）往往能够获得更好的模型拟合，表现为更高的R2值和更低的RMSE值。然而，这些表面上的优势依赖于数据集和工作流程，并反映了跨研究的异质性，而不仅仅是光谱范围本身的控制效应。这表明，包含NIR区域的部分可以捕捉到额外的光谱特征，有助于更准确的SOC预测（Qiao等人，2025年；Xu等人，2020年）。相比之下，其他评估发现，当向MIR中添加NIR时，尤其是在受控实验室条件下，几乎没有好处，甚至可能降低性能（Dangal等人，2019年；Hutengs等人，2024年）。因此，任何扩展窗口（高达约8000 cm-1）的明显优势应被视为数据集和工作流程依赖的，而不是普遍的，当通过适当的特征选择/正则化处理增加维度时，以及在研究中仪器和预处理协调良好时，才会有更大的收益。我们的结果强调了结合感测技术的潜力，可以进一步改善SOC预测。通过将光谱范围扩展到传统的MIR边界之外，研究人员可以捕捉到更全面的光谱特征，从而可能提高SOC模型的准确性和可靠性（Gamagedara等人，2024年；Viscarra Rossel等人，2016b）。这种方法利用了NIR和MIR光谱的优势，为化学计量分析和模型开发提供了更丰富的数据集（Greenberg等人，2022年）。尽管扩展光谱范围通常具有优势，但在不同研究中MIR光谱的应用和有效性存在差异。这种变异性可以归因于土壤类型、环境条件以及所采用的具体分析方法的差异（Knox等人，2015年；Xu等人，2020年）。图4中的模式反映了研究之间的异质性（仪器类别、光谱范围、分辨率、扫描次数、粒径、水分控制、预处理和建模流程、校准覆盖范围以及验证设计）。因此，这些结果无法单独揭示任何单一设置的效应（Gozukara等人，2025年）。光谱范围也往往与其他选择相关（例如，台式与便携式FTIR，以及精细研磨与普通研磨的样品），这可以在一定程度上解释观察到的差异（Hutengs等人，2024年）。因此，我们将图4视为探索性证据，并在缺乏受控的内部研究比较或调整了共变因素的元回归的情况下，避免对最佳设置做出因果性结论。由于各研究间报告的局限性，我们无法进行完全调整的分析，我们认为这是一个局限，也是未来工作的机会。

4.3. 光谱预处理的重要性
我们的研究结果支持预处理在模型性能中起着关键作用的观点。在测试的方法中，SGD通常与更高的全局预测准确性相关联，而SNV和MSC在区域数据集中表现最佳。这些结果强调了需要根据土壤条件和光谱特性量身定制预处理策略。通常，光谱反射曲线非常相似，这使得检测特定土壤特征变得具有挑战性（Chinilin等人，2023年；Takele和Iticha，2020年）。因此，选择可靠的预处理方法可以显著提高目标属性的预测模型精度（Mirzaeitalarposhti等人，2015年）。预处理通常是光谱数据分析的第一步，也是关键步骤。不同的预处理方法应用于原始光谱数据，以减少噪声和伪影，最小化散射光的影响，并降低维度，从而提高信噪比（Gautam等人，2015年；Lasch，2012年）。我们的元分析表明，预处理与SOC预测准确性的差异密切相关，可能是通过增强与SOC相关的光谱特征来实现的。

对预处理方法的分析显示了其有效性的显著差异。例如，MSC和MA*在R2值上有显著提升，表明预测准确性得到了显著提高。另一方面，如SD和R等方法表现较差，反映了较高的RMSE值，从而导致预测不够准确。这种差异突显了选择适当的预处理技术对于优化MIR光谱分析中SOC预测模型的必要性（Deiss等人，2020年）。不同光谱预处理方法在R2和RMSE值上的显著差异凸显了它们在模型性能中的关键作用。MSC和SGD等方法在某些研究中表现出色，显示出一致的更高R2值或更低的RMSE值，尽管它们的有效性在不同数据集中有所不同。MSC可能通过校正散射效应来提高数据质量，而SGD则提高了信噪比。研究人员应系统地在其特定数据集上测试一系列预处理方法，而不是依赖于文献中常用的预定义技术（Datta等人，2022年；Yan，2025年）。通过使用校准和验证指标评估这些方法的性能，他们可以确定适合其数据的最优技术。我们的研究发现，最有效的预处理方法在不同数据集之间可能存在显著差异，这强调了针对数据集进行特定评估的重要性，因此不能将其普遍化为所有研究的最佳实践。我们的配套论文（第二部分）采用了这种方法，通过分层外部验证和重复交叉验证，在ISRIC全球库和三个国家子集（中国、肯尼亚、印度尼西亚）上比较了无预处理、SNV、MSC、SG以及基于SG的二阶导数（Li等人，2026年）。这些结果表明，“最佳”预处理是数据集特定的。

光谱曲线的预处理对于准确估计SOC至关重要（Bellon-Maurel和McBratney，2011年）。通常，光谱反射曲线非常相似，这使得检测特定土壤特征变得具有挑战性。选择可靠的预处理方法可以显著提高目标属性的预测模型精度（Hutengs等人，2024年；Jeon等人，2024年）。这一步是光谱分析的第一步，也是关键步骤。图5进一步展示了这些预处理方法如何帮助减少原始数据中的噪声和不规则性，从而提高特定土壤特征的可辨识度。这些预处理步骤对于准确分析和解释土壤样本的光谱数据至关重要（Ng等人，2019年），从而让我们在农业和环境科学中做出更可靠的决策。由于没有普遍接受的预处理方法标准（Breure等人，2022年），研究人员通常会测试多种方法以找到最有效的方法。

4.4. 化学计量方法的差异
本研究突出了使用不同化学计量方法对SOC模型性能的影响。基于RMSE值，cubist和MBL的预测结果分布更为紧密，表明它们更为一致，PCR和GPR在某些案例研究中也是如此。对于RMSE，PCR和GPR在某些研究中显示出较低的中位误差，尽管这种模式并非在所有数据集中都是一致的。使用之前相同的综合指标可能有助于更好地理解整体排名。在审查的研究中，cubist和PLSR经常与较高的中位R2值相关联。这些发现与现有文献一致，后者报告称cubist和PLSR是预测SOC的光谱数据的可靠且有效模型，具体取决于数据集特性和建模工作流程（Dangal等人，2019年）。cubist和PLSR方法的优越性源于它们处理复杂光谱数据和有效捕捉土壤特征的能力（Sabetizade等人，2021年）。cubist方法通过结合决策树和线性回归模型，在处理非线性关系方面表现出色（Nguyen等人，2019年）。相比之下，PLSR方法通过同时考虑光谱数据和目标变量来提高模型的预测能力（Nawar等人，2023年）。这些结果强调了选择适当的化学计量方法对于获得最佳模型性能的重要性。实际应用中，采用cubist和PLSR方法是预测SOC的有希望的选择，有助于改进土壤管理和碳封存策略。

4.5. 实际意义
本研究为旨在改进SOC估计模型的研究人员和实践者提供了有价值的见解（Jia等人，2026a；Jia等人，2026b）。实施最佳的样本制备技术，如精细研磨和适当的干燥协议，可以显著提高光谱数据的质量。选择高光谱范围、分辨率和足够的扫描次数对于获取详细可靠的光谱数据至关重要。此外，选择有效的光谱预处理方法（如MSC*）和先进的化学计量分析技术（如cubist）可以显著提高模型性能，从而实现更准确的SOC估计（Li等人，2026年）。这些发现可以指导土壤科学家和农业从业者优化他们的分析协议，以实现更好的土壤管理和碳封存策略（Xia等人，2026年）。

4.6. 局限性和展望
我们的元分析依赖于使用不同仪器、制备方法、光谱窗口、学习器和验证设计的已发表研究。我们使用了非参数比较来减少模型形式的假设，但由于预处理选择、化学计量算法、仪器和校准策略之间的共变，残余混淆不可避免。一些层次（例如，便携式MIR、泥炭土壤）的代表性不足。报告的指标（R2、RMSE）受到个别研究的SOC浓度范围和数据分布的强烈影响，在内部交叉验证和外部验证设计之间没有完全标准化，也不在参考实验室方法之间标准化（例如，Walkley–Black与燃烧法）（McBride，2022年）。这一问题已在多位资深土壤光谱研究人员的最新综述文章中明确讨论，他们强调模型准确性可能部分反映了数据集特定的SOC范围和验证实践，而不是真正的方法学优势。因此，他们建议谨慎解释仅基于R2和RMSE的研究间性能比较（Shang等人，2026b；Vis carra Rossel等人，2022年）。正如之前的方法学工作所强调的，这种依赖性限制了直接研究间比较绝对R2和RMSE值的可解释性，特别是在SOC范围在不同数据集之间存在显著差异时。此外，由于本研究使用了非参数测试，它们无法单独揭示其他条件下的效应，也无法考虑多因素相互作用（Wu等人，2026年），例如光谱范围、预处理、学习器选择和土壤矿物学的共同影响。纳入研究级随机效应模型、元回归或层次混合效应框架将允许未来的综合研究明确建模这些依赖性，并调整共变因素。因此，这里呈现的结果应被视为分布关联，而不是因果或机制效应，不应被用于将方法普遍视为适用于所有土壤类型和研究设计。未来的工作应优先考虑SOC范围的标准化报告、验证策略和参考方法，以及共享的基准数据集和无泄漏的外部验证流程，以实现更严格的研究间综合和MIR基SOC估计方法的可重复比较（Tian等人，2026年）。

5. 结论
本研究强调了土壤样本制备方法、光谱范围、扫描次数、光谱预处理方法和化学计量技术与使用MIR光谱构建的SOC模型性能之间的重要关联。我们的发现表明，精细研磨的土壤样本通常与更高的模型解释能力和预测准确性相关。适当的干燥协议对于可靠的光谱测量至关重要，因为烘干样品与较高的RMSE值相关，这可能反映了水分再吸附和处理效应，而不是干燥温度的直接因果影响。先进的光谱预处理方法，特别是MSC和SGD，通常与改进的模型拟合和预测准确性相关。这突显了选择适当预处理技术的重要性。鉴于仪器、土壤和建模工作流程之间的巨大异质性，这些发现应被视为分布模式，而不是普遍的最佳实践。诚然，随着使用人工智能（AI）的先进技术和预处理软件进行的数据采集的进一步改进，以及先进模型的发展，未来在不同土壤类型和环境中实现SOC的通用校准、验证和监测是可行的。未来的研究应重点验证这些发现，探索额外的预处理和化学计量方法，并利用大型综合数据集来提高本地获取样本的预测能力。这些见解可以为国家规模的土壤监测系统提供信息，并有助于碳信用核算的方法论。此外，将MIR与遥感和AI驱动的建模相结合，有望推动多尺度数字土壤制图的进步。

这项研究得到了澳大利亚中国关系国家基金会（NSACR240313号）和联邦工业、科学、能源和资源部（SCICDD00002号）的资助。