小编按：
应Soil & Environmental Health（中文《土壤与环境健康》，英文SEH）编辑部提议，环境人Environmentor将与SEH期刊合作，推出“SEH专栏”，将期刊上的优质论文及时推送给各位读者，欢迎大家关注！
S
EH
是由朱利中院
士和朱永官院士担任主编、浙江大学主办、浙江大学环境与资源学院承办、
国际知名出版集团Elsevier合作出版的全英文开放获取国际学术期刊。SEH欢迎并鼓励同“土壤与环境健康”相关的新颖原创综述、研究文章、研究简报等，特别是跨学科的土壤健康与环境健康研究，既欢迎从健康的视角讨论土
壤与环境领域相关现象的研究，也欢迎从土壤与环境的视角探索绿色与再
生农业、人体与星球健康以及全球可持续发展的研究。
以色列国家农业研究院（ARO）Mikhail Borisover团队在Soil & Environmental Health（SEH-《土壤与环境健康》）期刊发表题为“利用中红外吸收光谱和非负MCR-ALS模型测定土壤有机碳含量（Modeling soil organic carbon content using mid-infrared absorbance spectra and a nonnegative MCR-ALS analysis; 2025, 3(1): 100123）”的研究论文。
土壤总有机碳（TOC）
指土壤中含碳有机物质的总和。土壤有机碳对土壤肥力和地球碳循环具有极其重要的意义。TOC含量被认为是最常用的表征土壤质量的属性。因此，简单快速测定和预测土壤中的TOC含量至关重要。本探究提出了一种基于中红外吸光度光谱的土壤总有机碳含量建模新方法。
该方法首次采用非负多变量曲线分辨率（MCR）和交替最小二乘（ALS）算法对土壤中红外吸光度光谱进行双线性分解
，建立了一个新的机理模型，将土壤成分（以基于MCR-ALS识别的成分浓度分数比率表示）与土壤总有机碳值联系起来。对以色列北部和南部采集的213个土壤样本的中红外吸收光谱进行了非负MCR-ALS分解，得出了四个成分。将机理模型得出的总有机碳与实验总有机碳值进行拟合，发现总有机碳含量阈值会影响模型的性能。TOC含量小于1.0 %（w/w）时，均方根偏差为0.18%，方差
解释率
62%，而TOC值增大，模型性能就会急剧下降。这一TOC临界值的存在表明，成功的TOC建模（低于1%）可能是间接的，与矿物结合土壤有机质的红外光谱指纹有关。因此，在一组特定的土壤样本中，与土壤矿物相互作用较弱的土壤有机质部分没有得到很好的解释。
图文摘要（Graphic abstract）
使用MCR-ALS方法并结合奇异值分解（SVD）算法对213个土壤样品的红外吸光度光谱进行初步检验发现四个能够合理描述土壤成分的红外光谱特征成分，其中红外光谱载荷见图 1。成分1、2和3的差异主要是与无机成分（如粘土矿物）、可能的含铁相（如氧化物和氧氢氧化物）和有机物相关的吸光度峰的组合比例不同。第4种成分在3000 cm
-1
以上和600 cm
-1
以下的吸光度带与第1~3种成分相似。然而，在1000~2000 cm
-1
范围内，光谱变得复杂，呈现出更多的“噪声”形状，尤其是在1500~2000 cm
-1
范围内的吸光度。
图1
利用MCR-ALS 分析的四种土壤中红外光谱，其吸光度最大值归一化后整合为全土壤中红外光谱。
在对整个数据集的TOC含量进行建模时，与目前基于MCR分解的方法相比，常用的PLS回归更为成功。实测TOC值与拟合TOC值分布表明，基于MCR-ALS的模型在TOC含量较高的土壤样本中失效。
随着土壤样品中TOC含量的增加，实验值与拟合TOC值之间的偏差呈明显增加趋势
（图 2）。
这表明，在TOC含量较高的样品中，部分有机质与测量的土壤中红外光谱的关系较弱。
图2
（a）MCR-ALS预测的土壤总有机碳含量（TOC
fit
）与实验值（TOC
exp
）的对比图。(b)TOC
fit
与TOC
exp
之间的差值与TOC
exp
的对比图。虚线表示TOC
fit
和TOC
exp
之间的差值为零。
将全部样品已实测TOC值（1%）为阈值，划分为“低”和“高”两个子集，利用MCR-ALS分别确定了四个成分，建立了属于这两个子集土壤样品的TOC含量拟合模型。从图3a中可以看出，整个数据集和“低”子集中得到的1-3分量的光谱基本吻合，只是第三个分量在3000 cm
-1
以上波长处的光谱有一些微小的差异。然而“高”子集中四个已识别成分的光谱与整个数据集的相关光谱显示出明显的差异。图3b比较了对“低”子集及其两个随机子集的中红外光谱进行分解时所得到的各分量的光谱载荷。在这三个数据集中，前三个分量的光谱载荷非常接近。因此，这些成分的识别在很大程度上并不取决于具体的数据集，因为它们在整个数据集、“低”子集、“高”子集和两个随机子集中都有发现（图 3）。
图3 (a) 在整个数据集及其两个子集中，包括总有机碳含量低于1%（w/w；“低”）和高于1%（“高”）的样本中，四种经MCR鉴定的土壤成分的中红外光谱。(b)在“低”子集中及其随机获得的两个半子集中的四种MCR识别土壤成分的中红外光谱。光谱归一化为最大值处的单位吸光度。
整体样本以及“高“、”低“数据子集的TOC建模发现，对整个样本集进行分离后，土壤TOC< 1%（即”低“数据子集）的建模得到了本质上的改善（图4）。基于 MCR-ALS 的预测因子与可解释的红外活性化学键和官能团相关联，MCR-ALS 成分浓度分数的变化反映了样品化学成分的变化。
图4 MCR-ALS拟合的土壤TOC值（TOC
fit
）与实测值（TOC
exp
）的对比图：(a)TOC<1%(w/w)的土壤子集（“低”）；(b)TOC>1%(w/w)的土壤子集（“高”）。直线表示线性回归。
对土壤中红外吸光度光谱进行双线性非负MCR-ALS分解，为确定土壤样品中保持恒定比例的化学键和官能团提供了一种方法。分解后的光谱成分代表了可识别的土壤成分，可与多种土壤特性联系起来，最重要的是可与土壤总有机碳含量联系起来，从而为建立机理物理化学模型提供依据。
在特定土壤样本集中，所开发的机理模型在表示土壤总有机碳值方面的性能取决于特定的总有机碳范围，并揭示了模型功效的总有机碳阈值。随着土壤TOC含量的增加，这一阈值的出现可能表明土壤有机质（
SOM
）的重要性，SOM可能是颗粒状的，也可能与矿物质有弱关联。考虑到与矿物质相关的SOM对土壤碳储存和固碳的重要性已得到普遍认可，因此确定这种阈值TOC对模型性能的影响可能非常重要。
这项研究首次尝试对土壤中红外光谱进行非负 MCR-ALS 分解，特别是将这种分解与土壤总有机碳联系起来。当然，还需要做更多的工作来扩展和验证所建议的方法是否适用于矿物成分和SOM含量不同的土壤，并研究模型表示土壤总有机碳的能力与SOM在与矿物关联不同的组分之间的分布之间的关系。
https://doi.org/10.1016/j.seh.2024.100123
Mikhail Borisover
，以色列国家农业研究院（ARO）土壤、水和环境科学研究所高级研究员，目前从事土壤有机质的光谱传感-预测模型和生物地球化学研究。主要研究兴趣为土壤环境中有机化合物的吸附-脱附滞后作用；荧光和红外光谱技术对土壤和天然有机物的分析预测应用；土壤和水生有机物的组成、转化和分子建模。
来源：
土壤与环境健康SEH
。
投稿、合作
、转载、进群，请添加小编微信Environmentor2020！环境人Environmentor是环境领
域
最大的学术公号
，拥有
20W+活跃读者
。由于微
信修改了推送规则，请大家将环境人Environmentor加为
星标
，或每次看完后点击页面下端的
“在看”
，这样可以第一时间收到我们每日的推文！
环境人Environmentor现有综合群、
期刊投稿群、基金申请群、留学申请群、各研究领域群等共20余个，欢迎大家加小编微信Environmentor2020，我们会尽快拉您进入对应的群
