《Soil & Environmental Health》：Infrared Spectroscopy Prediction of Soil Microbial Properties across Australian Soils: Drivers and Limitations
编辑推荐：
本研究针对土壤微生物特性传统测定方法耗时费力、难以大规模应用的挑战，探讨了利用近红外（NIR）和中红外（MIR）光谱技术，并结合模型融合（GRA）策略，快速、无损预测土壤微生物特性（如DNA产量、微生物呼吸MR、N-乙酰-β-D-氨基葡萄糖苷酶NAG活性等）的潜力。研究采集了澳大利亚全国范围内的土壤样本，发现MIR光谱的预测性能普遍优于NIR，对DNA产量、MR和NAG活性的预测取得了较好效果（R2最高达0.7）。预测精度主要依赖于与土壤有机碳、水分等理化性质的相关性。该研究为利用光谱技术大规模评估土壤健康状况和碳动态监测提供了新的见解和可行方案。
在应对气候变化和追求可持续农业的背景下，土壤的健康状况至关重要。土壤不仅是植物生长的根基，更是地球上巨大的碳库，其储存的碳量远超大气和植被的总和。而在这片看似寂静的土壤之下，数以亿计的微生物正进行着繁忙的生命活动，它们驱动着有机质的分解、养分的循环以及碳的转化与固定。因此，土壤微生物的特性，如微生物生物量、呼吸速率和酶活性，已成为评估土壤健康和碳动态的关键指标。然而，一个现实困境摆在我们面前：传统的微生物特性测定方法通常操作繁琐、成本高昂且通量低，难以适应大范围、高频次的土壤监测需求。这就像试图用显微镜去观察一整片森林，细致但效率低下，导致这些宝贵的微生物指标在实际的土壤碳管理和健康评估中未被充分利用。
那么，有没有一种方法能够像“快速扫描仪”一样，高效、无损地窥探土壤的微生物世界呢？红外光谱技术提供了这样一种可能。它通过捕捉土壤样品对特定波长红外光的吸收特征，能快速获得土壤的“化学指纹”。其中，中红外（MIR）和近红外（NIR）光谱是两种常用的技术。先前研究已证明它们能有效预测土壤的许多理化性质，但将其用于预测本身不具有直接光谱活性的微生物特性，其准确性和可靠性如何？不同光谱技术孰优孰劣？其预测背后的驱动机制又是什么？这些问题在涵盖多样化土壤类型和土地利用方式的广域尺度研究中，仍缺乏清晰的答案。
为了回答这些问题，由悉尼大学Daniel Irving等人领导的研究团队在《Soil》上发表了一项研究。他们雄心勃勃地收集了横跨澳大利亚各地、涵盖森林、草地、农田和牧场等不同土地利用类型的120份土壤样本，旨在系统评估MIR和NIR光谱预测五种关键土壤微生物特性（微生物生物量碳MBC、微生物呼吸MR、β-葡萄糖苷酶BG活性、N-乙酰-β-D-氨基葡萄糖苷酶NAG活性和DNA产量）的潜力。研究还探索了将两种光谱预测结果进行融合的格兰杰-拉马纳坦平均（GRA）模型，并深入分析了影响预测精度的关键土壤理化驱动因素。
研究人员主要运用了几项关键技术方法：首先，他们采集了澳大利亚全国范围内120个地点的土壤样本，并将其区分为受干扰（农业用地）和未受干扰（森林、国家公园等）两类，以覆盖广泛的土壤和环境变异。其次，对样本进行了标准化的微生物特性参考分析，包括氯仿熏蒸法测MBC、密闭培养法测MR、荧光微孔板法测BG和NAG酶活性，以及试剂盒提取法测DNA产量。第三，使用专业的光谱仪获取了所有样本的MIR（4000–600 cm-1）和NIR（350–2500 nm）光谱数据。最后，研究采用了机器学习方法（随机森林）来建立光谱数据与微生物特性之间的预测模型，并比较了多种光谱预处理技术的效果，同时通过变量重要性投射（VIP）分析来识别对预测贡献最大的关键光谱区域。
研究结果
3.1. 土壤特性分析
研究发现，所测微生物特性的范围与既往研究基本一致。未受干扰的样地（如森林、国家公园）通常具有更高的微生物活性、有机碳含量和更酸的pH值。相关性分析显示，总有机碳（TOC）与微生物呼吸（MR）和DNA产量呈中等相关（相关系数r分别为0.56和0.55），但与两种酶活性的相关性较弱。土壤水分则与两种酶活性（BG和NAG）呈显著正相关（r=0.35-0.36）。这些关系为利用光谱间接预测微生物特性提供了基础。
3.2. 模型性能
模型性能比较揭示了几个关键结论：
- •
预处理至关重要：采用一阶导数Savitzky-Golay滤波（SG1）的预处理方法在大多数情况下能产生最有效的预测模型。
- •
MIR表现更优：在预测所有五种微生物特性时，MIR光谱模型的表现一致且显著地优于NIR光谱模型。
- •
预测精度差异：不同特性的预测难度不同。DNA产量、MR和NAG活性的预测效果最佳，使用最佳MIR模型获得的决定系数R2分别达到0.70、0.63和0.62。而微生物生物量碳（MBC）和β-葡萄糖苷酶（BG）活性的预测则较为有限，最佳R2分别为0.46和0.49。
- •
数据融合价值有限：结合MIR和NIR预测结果的GRA融合模型，其性能通常与单独的MIR模型相当，仅对MBC的预测有轻微提升（R2从0.46提高至0.52）。
3.3. 光谱诊断
通过分析对预测贡献最大的关键光谱区域（VIP > 1），研究人员揭示了红外光谱预测微生物特性的潜在驱动因素：
- •
MIR光谱：多个对预测至关重要的波数区域与已知的土壤成分吸收峰重合。例如，3700-3500 cm-1区域与粘土矿物相关，3500-3200 cm-1的宽峰与土壤水分（O-H伸缩）有关，3000-2800 cm-1的尖锐峰与烷基（C-H伸缩，代表有机质）有关。这些区域在多个微生物特性的预测中都显得重要。
- •
NIR光谱：重要的波长区域较为分散，但也在1710-1740 nm等区域观察到与有机成分和水分相关的重叠信号。
- •
间接预测的本质：这些关键光谱区域并不直接对应微生物本身，而是对应了那些调控微生物生存环境（如粘土矿物、水分）和底物供应（如有机质）的土壤理化性质。这证实了红外光谱是通过与这些理化性质的相关性来间接预测微生物特性的。
研究结论与讨论
本研究系统评估了在广域尺度上利用红外光谱预测土壤微生物特性的可行性与局限性。主要结论是：中红外（MIR）光谱能够为DNA产量、微生物呼吸（MR）和NAG酶活性提供中等精度的可靠预测，展现出应用于大规模土壤微生物特性快速筛查的潜力。然而，对于微生物生物量碳（MBC）和β-葡萄糖苷酶（BG）活性的预测则相对有限，表明当前技术对这类特性的适用性可能不足。
研究的深入分析指出了几个核心要点与未来方向。首先，预测的准确性根本上是间接依赖于微生物特性与某些“光谱活性”土壤性质（尤其是总有机碳TOC和水分）之间的统计相关性。例如，NAG和BG的预测与水分峰（3500-3200 cm-1）紧密关联，而MBC、MR和DNA的预测则与代表有机质的烷基峰（3000-2800 cm-1）相关。这引出了一个关键方法学局限：用于建立预测模型的光谱数据来自经预处理的、风干的土壤样本，而微生物特性的测定却在新鲜土壤上进行。这种水分状态的差异，特别是对依赖于水分的酶活性预测而言，可能限制了模型在真实田间条件下的外推能力。
其次，MIR光谱之所以普遍优于NIR，可能源于其包含更丰富、更明确的土壤化学成分（如粘土矿物、有机官能团）的“指纹信息”，这些成分与微生物栖息地质量密切相关。而NIR光谱信息相对重叠和宽泛。因此，简单的模型融合（GRA）并未带来显著效益，说明两种光谱在预测微生物特性方面提供的信息可能存在大量冗余。
展望未来，为了提升光谱预测的稳健性与实用性，需要在多个层面持续推进。在技术层面，需要探索如何将田间湿度条件的光谱有效纳入建模，并测试激光诱导击穿光谱（LIBS）等其他快速分析技术。在模型层面，应尝试更先进的机器学习算法和特征选择方法，以更好地捕捉复杂的光谱-生物学关系。在数据层面，至关重要的是扩展光谱库，纳入更多样化的土壤类型、气候区和土地利用方式下的样本及其微生物特性数据，这是提高模型普适性的基础。最后，在指标层面，未来研究应纳入更广泛的微生物功能指标（如更多种类的酶、基于16S rRNA的群落组成）和更精细的土壤碳氮组分，以更全面地揭示土壤微生物功能及其与光谱信息的联系。
总之，这项研究为利用红外光谱，特别是MIR光谱，作为一项辅助工具来快速评估与土壤碳循环相关的关键微生物指标，提供了坚实的证据和清晰的路线图。它标志着我们在开发高效、可扩展的土壤健康诊断技术道路上迈出了重要一步，对于支持全球范围内的土壤碳管理和可持续土地利用实践具有积极意义。
