土壤有机质是农田肥力评估的重要指标, 要实现快速获取大面积土壤有机质的含量需要建立高效、 稳健的预测模型。 光谱技术能够快速诊断土壤有机质, 以水稻土为例, 从校正样本选择方法的对比, 研究了可见-近红外、 中红外和可见-近红外-中红外三种不同波段光谱对土壤有机质的预测能力。 可见-近红外和中红外区域的光谱反射率转换成吸收率后通过Savitzky-Golay平滑法去噪, 通过三种校正样本选择方法建立相应的偏最小二乘回归预测模型。 通过Rank-KS法建立的三种波段的有机质预测模型均优于Rank法和KS法, 中红外波段光谱的模型预测能力强于可见-近红外和可见-近红外-中红外波段的预测模型, 基于Rank-KS法建立的中红外波段有机质预测模型取得了最好的预测效果, RMSEP仅为3.25 g·kg-1, RPD达到4.24, 依据VIP得分筛选出可见-近红外和中红外波段的水稻土有机质重要建模波段。 因此, 中红外光谱建模技术能够对水稻土有机质进行快速定量分析, Rank-KS法可提高模型的预测能力, 为今后农田肥力评价和科学施肥提供技术支持。

已有土壤有机质的光谱预测模型其适用性受建模样本的采样尺度、 土壤类型及光谱参数限制, 需要在大尺度及范围上进一步检验适用性, 并比较分析不同建模方法的建模效果以寻求适用性更好、 精度更高的定量模型。 在黑河上游大尺度范围采得225个土壤样品, 进行了土壤有机质（SOC）及光谱反射率测定后将样本划分为建模集（180个土样）与验证集（45个土样）。 将土壤光谱反射率(R)变换处理后得到连续统去除(CR)、 倒数(REC)、 倒数之对数(LR)、 一阶微分(FDR)及Kubelka-Munck变换系数共6种指标, 针对建模集分别采用逐步线性回归与偏最小二乘回归方法建立12种光谱指标与SOC的数学模型, 并采用验证集进行模型预测效果评价。 结果表明: (1）采用逐步线性回归或偏最小二乘回归方法建模, LR指标对SOC变化的解释效果都是最好, 是SOC的最优预测因子。 (2）基于LR指标建立的SOC模型中, 采用偏最小二乘回归模型比逐步线性回归模型的预测精度更好, 相较于黑河上游已有的经验模型, 偏最小二乘回归法建立的模型的预测效果也更好。 (3）采用本实验的225个土壤样品对比验证了黑河上游仅有的SOC模型。 该模型的SOC预测值与实测值通过了均值T检验且Pearson相关系数达0.826, 表明在局部典型区域建立的SOC预测模型, 可以应用到更大尺度上的土壤有机质预测研究。