《Soil and Tillage Research》：A global synthesis of spectroscopy-based prediction accuracy for soil carbon fractions: A systematic review
编辑推荐：
丁思成|徐毅|埃夫根尼奥斯·阿加托克勒乌斯|李彤|郑海峰|冯照中国家气候系统预测与风险管理重点实验室，气象灾害预测与评估协同创新中心（CIC–FEMD），南京信息科技大学，江苏南京210044，中国摘要红外光谱结合机器学习（ML）为大规模空间尺度上量化颗粒有机碳（POC）和矿物相
丁思成|徐毅|埃夫根尼奥斯·阿加托克勒乌斯|李彤|郑海峰|冯照中
国家气候系统预测与风险管理重点实验室，气象灾害预测与评估协同创新中心（CIC–FEMD），南京信息科技大学，江苏南京210044，中国
摘要 红外光谱结合机器学习（ML）为大规模空间尺度上量化颗粒有机碳（POC）和矿物相关有机碳（MAOC）提供了一种快速且经济有效的方法。然而，其预测准确性尚未在不同ML模型、气候区和土壤类型中进行系统评估。通过对Web of Science和Google Scholar（2024年12月之前）的系统性搜索，我们发现了27项符合条件的研究中的108个观测数据，这些研究使用ML模型对矿物土壤样本进行了中红外（MIR）或近红外（NIR）光谱分析，并报告了POC和/或MAOC的预测性能和样本量。本研究采用三级随机效应模型和Fisher的Z变换效应大小，未检测到发表偏倚（Egger检验，P = 0.71）。我们的综合分析显示，这两种成分的预测能力均较强，汇总相关系数分别为r = 0.88（95% CI:0.85–0.90）和0.83（95% CI:0.78–0.87）。在各种光谱类型和模型家族中，MIR光谱和偏最小二乘回归（PLSR）对POC和MAOC的预测性能最高。元回归分析表明，土壤质地和纬度是影响POC预测的主要因素，表明预测性能随纬度升高而提高。对于MAOC，没有发现单一主导因素，表明其预测性能受多种相互作用因素的影响。由于农业研究占主导地位以及次级矿物（如Fe/Al氧化物）的报告较少，识别这些因素仍然具有挑战性。MIR光谱在MAOC预测中显示出优势，而POC预测性能受光谱类型的影响较小，并且在不同土壤质地中表现出更一致的趋势。这些发现支持采用特定光谱策略来改进大尺度SOC储量估计。
引言 土壤有机碳（SOC）是最大的有机碳（C）库，通过矿化作用调节陆地生态系统的碳循环和生态系统功能（Smith等人，2020年）。根据其物理性质、生物来源和周转率，SOC可以分为颗粒有机碳（POC）和矿物相关有机碳（MAOC）（Lavallee等人，2020年；Zhou等人，2024年）。POC主要来源于植物残体分解产生的有机物质。它对植被变化、气候和管理措施的变化反应迅速，是一个相对动态的碳库（Cambardella和Elliott，1992年；Jakab等人，2023年；Leuthold等人，2024年）。相比之下，MAOC是由微生物残体与活性矿物表面和金属氧化物结合形成的，具有更长的周转时间和更高的稳定性（Sokol等人，2022年；Manzoni和Cotrufo，2024年）。这两种成分共同调节短期碳循环和长期碳封存之间的平衡。具体来说，POC维持微生物活动、养分循环和土壤团聚，而MAOC通过其持久的碳储存能力确保长期养分保留和生态系统韧性（Huys等人，2022年；Yang等人，2025年）。土壤质地、矿物组成和环境因素共同决定了SOC库中这两种成分的组成和周转（Liu等人，2022年；Zhou等人，2024年）。因此，定量评估陆地生态系统中的这两种碳库尤为重要。
尽管湿化学分级仍是SOC分离的基准方法，但其劳动密集、破坏性和昂贵的过程限制了其大规模应用（Briedis等人，2020年）。相比之下，近红外（NIR）和中红外（MIR）技术提供了一种高通量、非破坏性的替代方法。因此，近年来应用这些方法进行POC和MAOC的定量预测和方法学评估的研究迅速增加，尽管与传统湿化学方法相比，这类研究的数量仍然有限（图1）。这种方法可以快速估计土壤碳成分，并支持大尺度稳定土壤碳库的评估（Dai等人，2025年；Viscarra Rossel等人，2019年）。大量研究证实了在不同空间尺度和各种土壤类型中预测特定SOC成分的潜力（Vasques等人，2009年；St. Luce等人，2014年）。在温带地区的局部田间研究（Bornemann等人，2010年）、热带土壤的区域应用（Ramifehiarivo等人，2023年）以及欧洲和美国的大陆尺度研究（Ramírez等人，2021年；Sanderman等人，2021年）都报告了较高的预测性能。
光谱学依赖于红外光与土壤成分中的分子振动相互作用原理，生成特定化学键和功能团的特征光谱“指纹”。这些光谱特征通过预测模型进行解释，从偏最小二乘回归（PLSR）到更复杂的机器学习（ML）方法，如随机森林（RFs）和Cubist（Ghosh等人，2020年；Rodríguez-Febereiro等人，2022年；Zhao等人，2022年）。因此，将光谱学与强大的ML模型结合使用，为量化土壤碳提供了一种快速且可扩展的解决方案。这一框架为大规模监测和碳储量不确定性评估开辟了新的机会（Vasques等人，2009年；Bornemann等人，2010年；Sanderman等人，2021年；Mishra等人，2020年；Eslamifar等人，2025年；Román Dobarco等人，2023年）。
关于POC和MAOC的文献计量趋势显示，这些成分的光谱技术应用受到了越来越多的关注。自2020年以来，相关出版物数量显著增加（图1）。值得注意的是，关于这两种成分的光谱研究在出版物数量和引用次数上存在差异。这种差异可能源于（1）POC和MAOC的形成机制不同，光谱方法对这些机制的捕捉方式不同；（2）当光谱应用于POC和MAOC时，主导因素也不同。这些形成机制和光谱行为的基本差异增加了模型性能的不确定性。目前，仍缺乏系统性的综合分析来量化这些综合因素如何影响预测性能（Ladoni等人，2010年；Gholizadeh等人，2013年）。因此，需要进行系统的元分析，以明确这些相互作用因素如何控制光谱学对POC和MAOC的预测性能，从而更好地指导高通量预测。
为了填补这一空白，我们进行了全球元分析，以评估关键SOC成分的预测性能。具体来说，我们旨在（i）评估光谱学对POC和MAOC的平均预测性能；（ii）比较不同光谱类型和模型家族的有效性；（iii）确定解释预测性能变化的关键方法学和环境因素。通过实现这些目标，我们的研究旨在为基于光谱的SOC成分评估提供数据驱动的指导，并推进对其光谱响应的机制理解。
章节摘录 文献计量分析 通过对2000年至2024年从Web of Science（
https://www.webofscience.com/ ）核心库中提取的数据进行文献计量分析，获得了POC和MAOC研究的完整而稳健的概述。分析重点是比较涉及POC和MAOC的研究，并量化光谱方法在每种成分上的具体应用。为此，数据搜索分为以下四个类别（表S1）：（i）MAOC / POC
成分、光谱类型和模型类型对预测性能的影响 我们的元分析显示，SOC成分、光谱类型和模型家族之间的预测性能存在显著差异（图3）。尽管POC的预测性能（0.88，95% CI: 0.85–0.90）在数值上高于MAOC（0.83，95% CI: 0.78–0.87），但这种差异在统计上并不显著（P > 0.05）。就光谱类型而言，MIR光谱的预测性能显著优于NIR光谱（P < 0.001）。
MAOC和POC预测的光谱机制 我们的分析表明，MIR在MAOC预测中具有优势（图6a）。MIR光谱区域能够捕捉到多种有机功能团和关键矿物特征（例如Si–O键）的基本振动，使ML模型能够区分微生物残体、粘土矿物和有机物质在有机-矿物界面处的重叠信号（Nocita等人，2015年）。酰胺I–II区域（约1660–1550 cm?1）的MIR带特别对应于微生物衍生的蛋白质和肽。
结论 我们的结果表明，在特定条件下，MIR和PLSR在测试的光谱类型和模型家族中实现了相对较高的SOC成分预测性能。对于POC预测，土壤质地和纬度比方法选择更为重要。对于MAOC预测，没有单一因素明显占主导地位，而MAOC预测对土壤质地和光谱类型的敏感性高于POC。这些结果表明，尽管基于光谱的方法
CRediT作者贡献声明 郑海峰： 撰写 – 审稿与编辑，方法学。冯照中： 撰写 – 审稿与编辑，监督，资源管理，项目协调，资金获取。埃夫根尼奥斯·阿加托克勒乌斯： 撰写 – 审稿与编辑，方法学。李彤： 撰写 – 审稿与编辑，方法学。丁思成： 撰写 – 初稿，可视化，软件，方法学，调查，正式分析，数据管理。徐毅： 撰写 – 审稿与编辑，验证，方法学，正式分析。
利益冲突声明 作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。
致谢 本工作得到了国家自然科学基金 （编号：42577023和W2532031）、江苏省科学技术厅 （编号：BK20220017和BE2023400）、江苏省研究生研究与实践创新计划 （编号：KYCX24_1523）以及南京信息科技大学人才引进创业基金会 （编号：2026r049）的资助。
