土壤有机质（SOM）是指土壤中的动物、植物及微生物残体不同分解与合成阶段的各种含碳有机化合物，具有提供作物养分、土壤保水保肥、土壤缓冲、促进土壤团粒结构形成等生物、化学和物理作用^[1]。SOM含量是衡量土壤肥力高低的重要指标，也是进行耕地质量评价、土壤碳循环、土壤污染治理等研究的重要参数，快速准确地获得SOM含量对于保持和改善农田土壤质量、研究土壤气候碳库功能等方面具有重要意义。传统实验室SOM含量测定方法为重铬酸钾容量法（NY/T1121.6-2006）^[2]，土壤有机碳含量（SOC=SOM/1.724）测定方法为重铬酸钾氧化-分光光度法（HJ 615-2011）^[3]、燃烧氧化-滴定法（HJ 658-2013）^[4]等。这些方法测定的SOM或SOC含量精度较高，目前仍是土壤测土配方施肥的常规有效方法。但传统实验室测定法需要将土样从野外运到实验室，并需要使用化学试剂滴定，对于分析大量样本比较费时费力，也不能短时间内获取研究区域SOM含量空间分布信息。因此，发展准确、环保、快速、低成本的SOM含量定量分析方法已成为土壤科学的一个重要研究领域。

中红外（MIR）光谱对SOM内部分子振动高度敏感，对土壤光谱反射或吸收有强烈的影响已为各国学者公认^[5]，基于MIR光谱技术快速获取SOM含量的研究，受到众多学者的青睐。20世纪80年代开始，MIR主要用于SOM结构分析，但由于SOM的复杂性以及当时使用的色散型仪器本身分辨率、信噪比和灵敏度等的限制，MIR应用并未使SOM含量估测的研究取得大的进展^[6]。20世纪90年代起，随着漫反射傅里叶变换红外光谱仪（DRIFT）技术的完善，MIR漫反射技术在土壤方面的研究兴起，促进了SOM含量的MIR光谱估测，但很多研究的MIR漫反射光谱测量都需要通过溴化钾（KBr）固体压片或液膜法实现，使得该技术仅局限于室内MIR的SOM含量估测分析^[7-8]，无法在野外实现快速测量。21世纪以来，随着手持式傅里叶变换红外光谱仪（FITR）的研制，应用MIR漫反射技术估测土壤属性的研究日益增多。已有研究表明，MIR估测SOM含量的能力强于可见光-近红外（VNIR）光谱和近红外（NIR） 光谱^[9-17]。随着MIR高光谱传感器技术的发展，如美国空间增强宽带阵列光谱仪系统（SEBASS， 120个通道，2.5～13.5 µm）、加拿大Hypercam（2.5～15 µm）、芬兰AisaOWL（96个波段， 7.6～12.4 µm，光谱分辨率100nm）、TASI～600机载高光谱热成像系统（64个通道，8～11.5 µm，光谱分辨率55nm）等，基于MIR光谱技术的SOM含量估测和制图日益被学者关注^[18-19]，进一步扩宽了MIR光谱技术的研究范围，使其成为未来发展趋势。

本文综述了基于MIR光谱技术的SOM含量估测研究进展，介绍了MIR光谱响应与SOM分子结构的相关性研究，简述了室内台式、手持式和机载式等不同MIR光谱设备估测SOM含量的研究现状，对比分析了MIR与VNIR、NIR及其VNIR-MIR、 NIR-MIR组合估测SOM含量的模型精度和稳定性研究，总结了基于MIR光谱技术的SOM含量估测模型构建方法研究进展，以及土样制备、光谱数学变换、敏感波段选择等前处理对SOM含量估测精度的影响研究，最后提出了基于MIR光谱技术的SOM含量估测需要解决的问题和展望。

1 土壤有机质MIR光谱特征分析研究

探明SOM的MIR光谱特征规律是MIR光谱技术估测SOM含量的理论基础，电磁光谱的发射区域主要与分子的振动运动相关。研究表明，VNIR（0.35～2.5 µm）、NIR（0.75～2.5 µm） 和MIR（2.5～25 µm或4000～400cm^-1）光谱波段都对SOM内部分子振动敏感，影响土壤光谱的反射和吸收^[5，20-22]。VNIR光谱吸收特征主要来自土壤中含氢基团（ 如C-H、N-H、O-H、S-H等）基本振动的倍频峰和合频峰，与电磁辐射相互作用的主要成分除了SOM外，还包括自由水以及粘土矿物中的OH、非粘土矿物（如氧化铁、碳酸盐）和盐，不同组分和官能团的谱带较易重叠且信息强度较弱，导致谱图解析相对困难^[13]。NIR光谱只能检测到它们的泛音和弱得多且重叠的泛音组合^[7]，所建SOM含量估测模型易受外界因素的影响，稳定性差。而影响MIR光谱吸收特征变化的主要是土壤中的C-H、C-O、C=O、N-H等含碳基团的强烈基本分子振动和矿物质^[14，23]，MIR光谱可检测具有强吸收性的有机物和矿物的基本振动，其信息强度较强，信息提取相对容易，因此，MIR区域比VNIR和NIR具有更好的SOM、矿物质分辨率以及更强的峰值，因为基本振动发生在MIR区域^[24]。

由于强振动的基本原理，MIR土壤光谱具有与有机物或矿物质组成相关的清晰可识别的峰特征。研究表明，MIR的前两个峰值（3800～3600cm^-1）与粘土矿物中的O-H和N-H伸缩振动有关^[14，25]； 其次是两个不太明显的峰（3000～2800cm^-1），由脂肪族C-H和C-OH伸缩振动引起^[17，26-27]； 在2000～1790cm^-1 波段，3个连续的峰值表明存在石英^[25]；1600～1500cm^-1 和1450～1400cm^-1 的峰值分别与芳香族化合物和脂肪族化合物C=C、C=O、 C-N伸缩振动以及N-H的弯曲振动有关^[28-30]；在1000cm^-1 以下，对不同峰的解释比较困难，因为光谱是由矿物和有机化合物混合而成的^[25]。对于土壤有机碳含量高的样品，Wijewardane等^[31]认为2920和2850cm^-1 处是有机物的甲基和亚甲基C-H伸缩带，1750cm^-1 处是有机物的羰基C=O带。

对比VNIR、NIR和MIR的SOM相关特征波段研究结果表明，在基团强烈基本振动的影响下， MIR光谱区域的SOM含量估测特征波段多于VNIR和NIR光谱区域，且吸收峰特征明显^[14]，并且MIR比VNIR和NIR的土壤光谱受含水量、质地的影响小，SOM的MIR光谱估测精度和实验重复性更高^[11]，因此采用MIR光谱技术估测SOM含量的机理性和解释性更强。

2 不同MIR光谱测量设备的SOM含量估测研究现状

不同MIR光谱测量设备在市场出现的时间不同，科学家们分别采用室内台式MIR光谱测量设备、手持式MIR光谱仪、机载MIR传感器获取土样或样点的MIR光谱，通过建立SOM光谱反演模型，开展SOM含量的估测和制图研究。

2.1 室内台式MIR光谱设备

室内台式MIR光谱测量设备在市场出现的时间最早。目前常用的室内台式MIR光谱设备包括：Digilab FTS-60快速扫描傅里叶变换光谱仪（4000～400cm^-1/光谱分辨率4cm^-1）^[7，11]，带有漫反射光谱测量配件的德国Bruker Tensor 27FTIR光谱仪（4000～400cm^-1/光谱分辨率4cm^-1）^[28，32-37]以及Vertex 70FTIR光谱仪（7498～600cm^-1/光谱分辨率4cm^-1）^[31，38]，带有漫反射系统的美国Nicolet 6700FTIR光谱仪（8000～400cm^-1/光谱分辨率8cm^-1）^[39-40]，带有DRIFT附件的Perkin Elmer 100傅里叶变换红外仪器（4000～450cm^-1）^[41]。

采用室内台式MIR光谱测量设备估测SOM含量的过程通常包括：在室内将经过烘干、磨细的土样放置在测量盒中；以KBr为参考背景，消除背景环境的影响，并用漫反射傅里叶变换红外光谱（DRIFT）测量设备快速扫描土样；将获取的土样MIR漫反射光谱数据转换成光谱吸收率[log₁₀（1/R）]；然后采用偏最小二乘回归（PLSR）等线性统计建模方法构建SOM的MIR模型估测SOM含量。Janik等^[7]使用Digilab FTS-60傅里叶变换光谱仪开展澳大利亚表层土9个土壤参数反演研究，其中总有机碳（TOC）含量估测模型验证精度决定系数（R²）=0.975，均方根误差（RMSE）=0.61%。 Stumpe等^[34]对从德国北部采集的180个过2mm筛并烘干的土样进行了再磨样0、2、4min的3个前处理，分别采用Bruker Tensor 27FTIR光谱仪采集MIR光谱，与化验分析的SOC含量相比，土样再磨样2min的PLSR SOC含量估测模型验证精度最高，R²=0.9675，RMSE=0.22%，相对分析误差（RPD）=5.56。Bornemann等^[28]、Kamau-Rewe等^[33]、Paul等^[36]、Deiss等^[37] 也都采用Bruker Tensor 27测量土样MIR光谱，构建的SOC含量估测模型验证精度R²>0.87。Sanderman等^[38] 采用Bruker Vertex 70FTIR光谱仪采集建立了美国50个州0～20cm土层的土壤光谱库，基于PLSR和记忆学习模型（MBL）估测了42个土壤物理、化学、生物特性等土壤健康指标，其中这两个模型SOC含量的MIR光谱估测精度都较高，模型验证精度 R ²=0.99，RMSE<0.9%。Wijewardane等^[31] 在实验室条件下采用Bruker Vertex 70FTIR光谱仪采集土样MIR光谱，构建基于PLSR和人工神经网络（ANN）的12种土壤物理和化学参数估测模型，其中SOC含量估测模型验证精度 R ² 分别为0.95和0.99。Baldock等^[39] 采用Nicolet 6700FTIR光谱仪采集了澳大利亚农业区20495个土样的MIR光谱，分别建立了包括SOC在内的土壤参数的国家级和州级PLSR模型，结果显示，州级SOC含量估测模型精度高于国家级，模型验证精度 R ²=0.924， RMSE=0.42%，RPD=3.62。Grinand等^[42] 也采用Nicolet 6700测量法国2086个0～30cm表层土样的MIR光谱，估测SOC含量的模型验证精度 R ²=0.90，RMSE=0.28%。

台式MIR光谱设备多是在实验室进行光谱测量，不需要对土样进行化学试剂处理，测量效率比化验分析法高，估测SOC含量的精度也较高。但该方法需要KBr作为参考背景，去除背景环境噪声影响，无法在野外进行快速测量，使得该技术局限于室内MIR的SOM含量估测^[43]。

2.2 手持式MIR光谱仪

近年来，商用手持式MIR设备问世，呈现出价格低廉化和体积小型化的趋势，为将MIR土壤光谱测量从实验室带到野外现场提供了机会，手持式MIR光谱仪在室内和野外定点实时应用方面的潜力正在显现。Martinez-España等^[44] 采集了澳大利亚农田80个土样，在实验室内使用手持式Agilent ExoScan 4100（6000～650cm^-1/光谱分辨率8cm^-1，美国），对烘干研磨预处理的土样测量了MIR光谱，基于6种机器学习方法构建总碳（TC） 含量等6种土壤参数模型，结果显示，基于高斯过程回归（GPR）构建的TC含量估测模型验证精度最高，R²=0.98，RMSE=0.22%，RPD=6.68。Ji等^[43] 使用Wilks公司的手持式可变滤波器阵列（VFA）漫反射红外傅里叶变换光谱仪（1811～898cm^-1/光谱分辨率7cm^-1），野外测量了加拿大魁北克2个农田的有机土和矿质土的MIR光谱，估测包括SOM含量在内的11项土壤化学和3项土壤物理参数，结果表明，基于PLSR的SOM含量估测模型验证精度（R ²=0.86，RMSE=6.5%， RPD=2.60），略低于实验室估测精度（R ²=0.90， RMSE=5.3%，RPD=3.15），但也达到了野外MIR光谱快速估测SOM含量的精度要求。Hutengs等^[45]在德国Saxon西部盆地采集了40个农田样点0～5cm土样，在实验室将土样40℃烘干，并细磨样<100 µm，再使用Agilent 4300手持式中红外FTIR光谱仪（4000～650cm^-1/光谱分辨率4cm^-1） 测量土样MIR光谱，估测SOC含量等4种土壤参数，结果表明，基于PLSR的SOC含量验证精度为 R ²=0.78，RMSE=0.19%，RPD=2.16，比Bruker Tensor 27台式FTIR设备估测的SOC含量模型验证精度（R ²=0.73，RMSE=0.22%，RPD=1.92） 略好。因此，手持式MIR光谱仪是室内和野外定点测量土壤参数的有用设备。

手持式MIR光谱仪在室内条件下可作为台式MIR设备测量土壤SOM和SOC含量的替代方法。尽管野外测量的土壤MIR光谱受土壤质地、含水量等因素影响，估测SOM和SOC含量的精度略低于室内，但其具有野外快速、准确定位测量SOM和SOC含量的潜力，应用前景较大。但对于大区域范围的MIR光谱的SOC含量估测，仍有人力、物力、时间等局限性，还达不到快速SOM和SOC制图能力。

2.3 机载MIR传感器

随着MIR高光谱传感器技术的发展，基于MIR高光谱SOM含量估测和制图日益被学者关注，进一步扩宽了MIR技术的研究范围。Pascucci等^[19] 利用机载高光谱热成像仪（TASI-600，8～11.5 µm），在意大利南部农田裸露土壤上获得了热红外的机载高光谱图像，并采用PLSR和Cubist回归模型估测SOC含量，结果为 R ²=0.53，RMSE=0.26%， RPD=1.46，低于实验室采用FTIR光谱的SOC含量估测结果，但该实验表明MIR遥感数据在定量估算表土SOC含量方面有应用潜力。Eisele等^[18] 使用傅里叶辐射计（TIR）中的定向发射率光谱仪（µFTIR），在实验室中获得了土壤表面光谱，将光谱重采样为成像光谱传感器（HyMAP和TASI-600）模拟数据，进行基于PLSR的SOC含量估测，结果显示，中红外波段SOC含量模型验证精度（R ²=0.90，RMSE=0.08%）较高，并且如果将可见光、近红外和中红外光谱组合在一起，SOC含量估测精度（R ²=0.95，RMSE=0.04%）大大提高。

成像高光谱遥感较高的光谱分辨率、连续的地物光谱信息，提高了SOM含量的探测能力，加强了区域尺度SOM含量空间分布差异精细化表达，日益受到人们的关注。但因受到大气、地形、植被、地表粗糙度、土壤水分等因素影响，成像高光谱影像SOM含量估算精度低于室内光谱，真正实现SOM含量遥感的制图应用还需要更多研究。

3 MIR与VNIR、NIR及其组合的SOM或SOC含量估测比较研究

MIR、VNIR和NIR包含不同的光谱信息。科学家们做了许多不同光谱波段及其组合估测SOM或SOC含量的对比研究，以便明确哪些光谱区域估测SOM或SOC含量的模型精度最可靠和稳定。光谱范围对比可以划分为4类：MIR与VNIR，MIR与NIR，MIR、VNIR与VNIR-MIR，MIR、NIR与NIR-MIR。

3.1 MIR与VNIR

多数研究认为MIR的SOM或SOC含量估测能力和稳定性普遍高于VNIR。Vohland等^[46] 在实验室内分别采用VNIR设备（FOSS XDS含量快速分析光谱仪）和MIR设备（Bruker Tensor 27红外光谱仪）获取土样光谱数据，基于PLSR模型估测土壤TOC含量，结果表明，MIR的TOC含量估测精度（R ²=0.91，RMSE=0.19%，RPD=3.37） 高于VNIR的估测精度（R ²=0.60，RMSE=0.41%， RPD=1.58），MIR估测TOC含量的模型性能比VNIR好。Terra等^[47] 分别采用VNIR设备（ASD FieldSpec Pro光谱仪）和Nicolet 6700红外光谱仪，基于支持向量机模型（SVM）估测了巴西1256个土样的SOC含量，MIR的SOC含量估测精度（R ²=0.77，RMSE=0.13%，RPD=3.01） 高于VNIR（R ²=0.65，RMSE=0.16%，RPD=2.49）。 Suzana等^[48] 采用ASD FieldSpec Pro光谱仪和Nicolet 6700红外光谱仪测量了巴西亚马逊黑土光谱，基于PLSR估测土壤SOC含量，结果表明， MIR的SOC含量估测精度（R ²=0.94，RMSE=3.7%） 高于VNIR（R ²=0.72，RMSE=7.9%）。Hutengs等^[17] 比较了手持式MIR设备（Agilent 4300） 和ASD FieldSpec等光谱设备在野外和室内SOC含量估测能力，评价了野外原位/室内风干/室内磨样3种土样处理对SOC含量估测模型的影响，结果表明， MIR的SOC含量估测能力（R ²=0.63/0.77/0.86）高于VNIR（R ²=0.27/0.66/0.70）。Allo等^[49]分别采用便携式可见光-近红外光谱仪（LabSpec 5000）和手持式Agilent 4300红外光谱仪测量法国火山灰土、始成土和铁铝土3种土样光谱，基于PLSR的SOC含量估测精度表明，MIR和VNIS的估测精度都较高，采用哪种光谱范围估测SOC含量都可行。

3.2 MIR与NIR

一些研究认为MIR的SOC含量估测能力和稳定性与NIR相比有高有低，需要进一步研究探索。 Mccarty等^[9] 比较了美国NIR设备（NIR Systems model6500） 和MIR设备（DigiLab FTS-60）光谱估测土壤SOC含量的能力，结果显示MIR估测SOC含量的精度（R ²=0.98，RMSD=6.0%）高于NIR（R ²=0.98，RMSD=7.9%），但土壤碳酸盐的存在，会降低MIR估测SOC含量的能力，估测时需进行区域校正。Xia等^[16] 采用NIR设备（Cary 5E NIR光谱仪）和MIR设备（Graseby Specac），基于PLSR模型估测了美国伊利诺伊州农田包括SOC含量在内的14种土壤参数，结果表明，MIR估测SOC含量精度（R ²=0.56，RMSE=3.27%，RPD=1.45） 与NIR（R ²=0.53，RMSE=3.30%，RPD=1.43） 相当。Dong等^[50]采用NIR设备（Matrix-I，12500～4000cm^-1/光谱分辨率8cm^-1）和Tensor 27中红外设备采集了中国11个苹果产区土样光谱，基于PLSR分析估测SOC含量，结果表明，NIR的SOC含量估测精度 [R ²=0.89，预测标准误差（SEP）=0.33，RPD=1.46] 高于MIR（R ²=0.77，SEP=0.38，RPD=1.22）。

3.3 MIR、VNIR与VNIR-MIR

多数研究认为MIR和VNIR-MIR的SOC含量估测能力和稳定性普遍高于VNIR。Pirie等^[51]采用Varian Cary 500漫反射光谱仪（0.25～2.5 µm/光谱分辨率2nm） 测量UV-VIS-NIR光谱，Perkin-Elmer红外光谱仪（4000～450cm^-1/光谱分辨率2cm^-1）测量MIR光谱，比较MIR、VNIR及其VNIR-MIR估测SOC含量的能力，认为SOC含量估测精度从大到小的光谱范围为MIR（R ²=0.80，RPD=2.6）>VNIR-MIR（R ²=0.79，RPD=2.2）>VNIR（R ²=0.76， RPD=2.60）。Rossel等^[5] 进行了可见光（VIS）、 NIR、MIR和VIS-NIR-MIR光谱估测SOC含量的综合性对比分析，结果表明，SOC含量估测精度从大到小的光谱范围为MIR（R ²=0.73，RMSE=0.15%）>VNIR-MIR（R ²=0.72，RMSE=0.15%）>VNIR（R ²=0.60，RMSE=0.18%）。Knox等^[52] 采用LabSpec 5000光谱仪（0.35～2.500 µm/光谱分辨率NVIR为3nm、SWIR为10nm）和Scimitar 2000FTIR光谱仪（6000～400cm^-1/光谱分辨率4cm^-1）测量了美国佛罗里达州土样光谱，基于PLSR和随机森林法（RF） 评价了VNIR、MIR、VNIR-MIR估测SOC含量的潜力，结果显示，MIR和VNIR-MIR的SOC含量模型估测精度（R ²=0.96，RMSE=0.23%，RPD=4.7； R ²=0.95，RMSE=0.23%，RPD=4.7）大于VNIR（R ²=0.80，RMSE=0.40%，RPD=2.7）。Wartini等^[53] 利用VNIR、MIR和VNIR-MIR光谱数据，基于卷积神经网络（CNN）、PLSR、Cubist tree模型估测SOC含量，结果表明，MIR和VNIR-MIR估测SOC含量的精度（R ²>0.95）高于VNIR。Terra等^[54] 研究分析了巴西中部农业区表层和亚表层1259个热带土壤样本，分别采用ASD SPECPro和Nicolet 6700测定了土样VNIR和MIR光谱，使用外积分析方法（OPA） 融合VNIR和MIR光谱，建立了SOC含量估测模型，并与VNIR和MIR的SOC含量模型比较，结果表明，VNIR光谱的SOC含量估测精度[R ²=0.69， RMSE=0.338%，性能与四分位间距之比（RPIQ）=2]<MIR光谱（R ²=0.77，RMSE=0.29%，RPIQ=2.43）<VNIR-MIR融合光谱（R ²=0.81，RMSE=0.242%， RPIQ=2.87），利用OPA融合的VNIR和MIR光谱提高了SOC含量的估测精度。

3.4 MIR、NIR与NIR-MIR

Johnson等^[35] 进行了非洲撒哈拉以南NIR（0.7～2.5 µm）、MIR（2.5～16.67 µm）以及NIR-MIR组合（0.70～16.67 µm）的SOC含量估测潜力比较研究，以确定最合适的光谱范围，结果表明，SOC光谱估测精度从大到小的顺序为： NIR-MIR（R ²=0.82，RMSE=0.49%，RPIQ=2.09）>MIR（R ²=0.80，RMSE=0.52%，RPIQ=1.94）>NIR（R ²=0.78，RMSE=0.55%，RPIQ=1.86），NIR、 MIR、NIR-MIR表现出14%、21%和76%的土壤肥力估测潜力，NIR-MIR可以为评估土壤特性提供一种替代传统的方法。

综上所述，MIR及其VNIR-MIR组合对SOM或SOC含量的估测能力和稳定性普遍好于VNIR， NIR-MIR组合估测SOC含量能力好于MIR或NIR，但MIR的SOC含量估测能力和稳定性与NIR相比还不能肯定，需要进一步研究探索。

4 基于MIR光谱的SOM或SOC含量估测建模方法

4.1 线性建模方法

线性模型方法一般假设SOM或SOC含量与光谱特征呈线性关系。目前偏最小二乘回归模型（PLSR）是MIR估测SOM或SOC含量研究中使用最多的建模方法，少量研究还采用了主成分分析法（PCA）、Cubist回归树法、决策树法（DT）、多元线性回归（MLR）等模型。Kamau-Rewe等^[33] 使用红外光谱仪采集了波斯瓦纳、巴西、印度、肯尼亚、泰国等国家的淋溶土土样光谱，基于PLSR估测了SOC含量，获得了较高的估测精度（R ²=0.93，RMSE=0.2%，RPD=3.65）。Pirie等^[51] 基于PCA建立了SOC含量等11种土壤参数的VNIR、MIR及其VNIR-MIR估测模型，其中MIR估测SOC含量精度最高（R ²=0.80，RPD=2.6）。 Minasny等^[32] 比较了PLSR和Cubist模型估测中红外光谱的SOC含量精度，结果表明Cubist模型估测SOC含量精度（RMSE=0.182%）高于PLSR（RMSE=0.272%）。Sanderman等^[38] 比较了PLSR与记忆学习模型（MBL）估测中红外光谱土壤健康指标，研究表明MBL估测SOC含量的精度（R ²=0.99，RMSE=0.9%） 与PLSR模型（R ²=0.99， RMSE=0.8%） 相当。综上所述，尽管PLSR是中红外光谱估测SOM或SOC含量的常用建模方法，但其他线性模型也可以改进SOM含量的估测精度。

4.2 非线性建模方法

数据挖掘的使用在土壤光谱学领域取得了显著进展，科学家们也探讨了采用支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等非线性模型估测SOM或SOC含量。Terra等^[47] 基于SVM模型对1259个土样进行MIR的SOC含量估测，模型验证精度可行（R ²=0.77，RMSE=0.13%， RPD=3.01）。Deiss等^[37] 基于MIR光谱比较了PLSR和SVM估算SOC含量的精度，结果显示SVM估测SOC含量的准确性优于PLSR模型。Knox等^[52]基于PLSR和RF构建了SOC含量估测模型，结果显示PLSR的SOC含量估测结果总体好于RF，但在2.0～6.0 µm光谱范围，RF的SOC含量估测精度高于PLSR。Wartini等^[53]比较了卷积神经网络（CNN）、PLSR和Cubist决策树模型估测SOC含量的性能，认为CNN的SOC含量估测精度（R ²=0.98， RMSE=0.2%，RPIQ=2.37）高于PLSR、Cubist模型，估测结果与实际值更接近。Martinez-Espa a等^[44] 采用手持式MIR光谱设备，比较袋回归模型（BAG）、回归规则法（RR）、RF、高斯回归（GPR）和决策树5种机器学习方法估测SOC含量，精度从大到小顺序是GPR（R ²=0.98，RMSE=0.22%，RPD=6.68）>PLSR和RF>DT、BAG和RR。 Wijewardane等^[31] 从含有2000个土样的中红外光谱库中估测SOC含量，认为ANN估测精度（R ²=0.99，RMSE=0.75%，RPD=4.66）优于PLSR。

综上所述，非线性建模方法在大型数据集建模时比线性方法表现得更好，精度更高。但非线性模型相比线性模型的应用更加复杂，参数较多，数据处理速度较慢，也会有模型参数难以解释的问题^[55]。线性模型和非线性模型各有优缺点，究竟哪个模型适用性更广、稳定性更好，哪个模型处理速度更快，还需要进行实际比较分析研究。

5 土样及MIR光谱前处理对SOM含量估测精度的影响

5.1 土样颗粒大小

野外采集的土样通常经过室内风干，过2mm筛处理。在进行室内土样MIR光谱测量之前，还需要进一步制备土样，将样品研磨成0.1～0.25mm的粒径，因为MIR光谱仪的光束孔直径一般为1～2mm^[56]。研磨使土样颗粒大小均匀化，防止了样品中大颗粒（如大石英颗粒）的镜面反射，使得光谱测量结果能够充分代表样品，因为镜面反射产生的强峰值会完全掩盖土样的漫反射光谱。一些学者探讨了土样研磨的时长和颗粒大小对MIR的SOC或SOM含量估测精度的影响，以期提高SOC含量的MIR估测精度。Stumpe等^[34]比较了不同时长（0、2、4min）土样研磨对MIR的SOC含量估测精度的影响，认为2min研磨的样品SOC含量估测效果最好，因为研磨过程改变了土样石英、粘粒矿物的颗粒大小和MIR光谱信息；未研磨的土样颗粒大小不均匀，而研磨4min对土壤性质估测并没有改善，研磨时间过短或过长都不好；建议根据使用的研磨设备，测试确定最适的磨样时长，建立内部标准化研磨方案，以确保估测结果的可比性和可靠性。Baldock等^[39]试验证明，随着研磨时间（0～180s）的增加，样品之间的光谱方差减小，研磨时间>120s的土样MIR的SOC含量估测精度得到了提高，但研磨时间在2～4min的SOC含量估测精度并没有得到大的提高，因此确定土样研磨的时间为180s。Le Guillou等^[57]比较了不同土样粒径（2、1、0.5、0.25和0.106mm）对MIR光谱及SOC含量估测精度的影响，结果表明0.106mm颗粒大小的土样会产生更细、更清晰的光谱吸收特征，其MIR的SOC含量估测精度最佳，而1、0.5和0.25mm的SOC含量估测没有显著差异。

MIR光谱测量的土样制备研磨时长和颗粒大小还没有统一的实施标准，需要根据使用的研磨设备，试验确定适宜的研磨时长，制定内部的标准化研磨方案，确保土壤性质估测结果的可比性和可靠性。

5.2 VMIR光谱数学变换预处理

MIR光谱设备所采集的光谱包含荧光背景、检测器噪声、激光器功率波动等干扰信息，并且这些干扰信息不能完全依赖设备的改进而消除。因此，在利用MIR光谱数据进行定性或定量分析之前，需要进行MIR光谱数据预处理，消除背景噪声的影响。常用的光谱数据预处理方法很多，其中，光谱反射率倒数的对数[log（1/R）]^{[35，43，58-59]}是放大噪声，Savitzky-Golay平滑算法^{[27，35，37，43]} 是平滑噪声，标准正太变换（SNV）^[19，49-50]是消除颗粒大小的影响，小波变换^[46]是平滑和压缩土壤光谱，是更简单和稳健的校准光谱。对光谱数据进行预处理可以直观地反映光谱吸收率特征，突出特征波段，提高估测精度。Kopacková等^[60] 比较了8种不同的MIR光谱预处理对MIR的SOC含量估测精度的影响，认为光谱数据平滑预处理是有益的，特别是光谱导数变换（一阶或二阶导数）可以提高SOC含量估测精度。Nocita等^[61]得出MIR光谱的Sawitzky-Golay平滑和一阶导数，可以提高SOC含量估测精度。

5.3 MIR光谱全波段或敏感波段建模

大多数研究都采用MIR光谱全波段建立土壤性质估测模型，然而并非所有的光谱数据都对特定土壤属性的建模有用，通过去除无用和不可靠的变量，获得敏感光谱特征或光谱区域可以获得更好的模型拟合^[52，62]。一些学者探讨了选择MIR敏感波段是否可以提高SOC含量估测精度的研究，选择方法包括：采用相关系数法选择与SOM紧密相关的光谱区域^[63-64]；运用PCA主成分分析方法，选择具有统计意义的MIR光谱特征^[47-48，65]；采用蒙特卡罗特征方法（MCFS）选择SOM的MIR光谱敏感波段或光谱区域^[16，45]。Orr等^[64] 去除掉已知与土壤碳酸盐和背景噪声相关的两个光谱区域（2949～2699和1762～1226cm^-1），相比全波段（6000～1030cm^-1）MIR光谱，SOC含量估测精度 R ² 从0.905提高到0.932，RMSE 从0.438%下降到0.371%。Xia等^[16]采用MCFS方法选择了前200个MIR光谱特征，与MIR全波段的SOC含量估测精度（R ²=0.01，RMSE=4.83%，RPD=1.01）相比，发现采用MCFS光谱细化的SOC含量估测精度（R ²=0.60，RMSE=3.07%，RPD=1.54）得到了提高。采用MIR敏感波段建模的SOC含量估测能力优于全波段建模。当光谱变量较多时，优化去除不重要的光谱变量，可以改善模型的性能。

6 结论与展望

6.1 结论

中红外光谱波段可检测具有强吸收性的土壤有机物基本振动，估测SOM含量的特征波段多于VNIR和NIR光谱区域，并具有较强的机理性和解释性，为估测SOM含量等土壤参数信息提供了理论依据。不同MIR光谱设备为室内和野外快速、低成本获取SOM含量和制图提供了新的技术手段。虽然中红外光谱波段信息复杂，光谱野外采集过程会受到土壤水分、矿物质、光谱仪设备等的影响，并且数据处理和建模过程也有待于进一步改进，但随着科技的进步以及数据挖掘技术的提高，中红外光谱波段在估测SOM或SOC含量方面的应用将有很大的发展空间。

6.2 展望

6.2.1 存在的问题

总结以往的研究成果，基于MIR光谱技术的SOM或SOC含量估测还存在一些问题。国内对MIR光谱估测SOM或SOC含量的系统研究还很少，只有少量文章采用MIR光谱设备进行了江苏和浙江的水稻土、内蒙古灌淤土、陕西黄土的SOM含量估测研究。因此，需要加强该方面的研究工作，探究不同土壤类型和不同测量条件下MIR的SOM含量估测潜力；目前机载和星载MIR高光谱传感器较少，MIR的SOM或SOC含量估测仍局限在室内台式或手持式MIR设备；基于MIR的SOM或SOC光谱敏感波段选择、土样前处理、反演模型的选择是影响估测精度的关键，哪种方法更合适，还需要进一步探索研究。

6.2.2 未来的发展

随着MIR光谱遥感技术的发展，基于MIR光谱的SOM含量估测和制图需要在几个方面深入开展研究。针对不同的土壤类型研究手持式MIR设备估测SOM含量的实施方案，作为野外快速准确估测SOM含量的另一种替代方法；MIR光谱遥感数据具有估测和制图SOM的潜力，尽管目前MIR高光谱传感器技术发展还不太成熟，但未来该领域的发展值得期待；非线性统计模型比线性统计模型的SOM含量估测精度更高，需要进一步研究其应用潜力；深度学习擅长处理多源大量复杂数据，其不可比拟的优势为很多研究领域提供了新思路和新方法，基于深度学习的中红外SOM含量估测也值得研究和探索。

参考文献