【粮农组织】土壤可见近红外和中红外光谱分析入门_26页_10mb

土壤可见-近红外（vis-NIR）和中红外（MIR）光谱分析作为一种快速、低成本且无损的土壤检测方法，已逐渐成为传统实验室湿化学分析的替代方案。该技术通过分析土壤反射或吸收光谱特征，可预测多种土壤属性，包括有机质、碳酸盐、总氮、黏粒含量、pH值等，其原理基于电磁波谱与土壤成分的相互作用。

vis-NIR波段范围为350-2500nm，主要反映土壤的倍频和合频吸收特征；而MIR以波数（cm⁻¹）为单位，涵盖400-4000cm⁻¹，侧重基频吸收。MIR因能捕捉化学键的分子振动特征（如O–H、Si–OH等），在估测有机质和黏粒时具有更高精度。但两种光谱的吸收波段通常需结合多元模型和机器学习分析，而非单一波段预测。

土壤光谱分析流程包括样本制备（剔除杂质、风干研磨）、光谱测定、预处理（如标准正态变换、多元散射校正、连续统去除）、模型训练与验证（需区分训练集与验证集）、以及模型评估。模型训练时需注意平衡预测能力与过拟合风险，常用方法如偏最小二乘回归（PLSR）和主成分回归（PCR），其通过降维提取关键信息。模型性能评估指标包括偏差（ME）、均方根误差（RMSE）、相关系数（r）和决定系数（R²），数值越接近理想值（如R²=1）表明模型越可靠。

建立地区、国家或全球尺度的土壤光谱库是提高分析效率的关键。该库通过系统采样和历史样本分析生成，可支持快速预测。但需解决数据不一致性（因不同实验室采用不同标准方法）、土样异质性（母质、矿物差异）和仪器误差（不同型号光谱仪的影响）等挑战。标准操作流程（SOP）和模型传递（利用同一仪器校准模型校正其他设备数据）是降低误差的有效策略。

当前常用的光谱仪包括ASD系列（FieldSpec和LabSpec）用于vis-NIR分析，Bruker和ThermoNicolet的FTIR设备用于MIR分析。便携式NIR光谱仪因成本较低逐渐普及，但其波段范围有限，可能影响预测精度。此外，光谱库与模型共享可显著提升土壤分析的可比性和可重复性，但需注意样本子集的选择与优化，以提高大尺度数据库的应用效率。

总体而言，vis-NIR和MIR光谱技术在土壤分析中具有高通量和低成本优势，尤其适用于精准农业、土壤碳固存等需要大规模数据支持的领域。然而，其应用需结合土壤学知识，严格管理样本制备、预处理与模型验证流程，以确保科学性与可靠性。未来，标准化光谱库和先进机器学习方法将进一步推动该技术的普及与精准度提升。