全文总字数：7610字

1. 研究目的与意义及国内外研究现状

土壤是地球临界带的核心之一(赵其国等, 2013)，定量研究土壤发生学、土壤属性和功能、土壤发生的时空变化，是当今全球变化背景下土壤科学研究面临的挑战(uwetotsche and tunega et al., 2014)。土壤有机碳对全球碳平衡具有重要的影响，在参与生物圈循环的四个碳库中，土壤有机碳库贮量最大,其积累与分解的速率决定着土壤有机碳库储量，它的释放对全球气候变暖具有重大影响。土壤有机碳的含量水平是评价土壤质量演变的重要指标之一，它直接影响土壤肥力和作物的产量，作为衡量土壤肥力的重要指标(viscarra rossel et al., 2006),其定量化快速监测成为精确农业研究的热点（刘焕军等，2007）。传统的测定方法费时、费力、费钱，且环境不友好，可见-近红外光谱的发展提供了解决方法（邬登巍等，2016），但预测局部地区土壤有机质需要合适的建模集。目前，正在建立从局部区域到全国乃至全球的土壤光谱库（rossel et al., 2016）。全球尺度的土壤光谱库建设始于2006年，由美国国家土壤调查中心 brown 牵头收集全球的土壤样本，共4184个土壤样品(brown et al., 2006)。2008年开始，由澳大利亚联邦科学与工业研究组织的viscarra rossel 组织35个大学和研究所收集了7大洲23631个土壤样本(viscarra rossel et al., 2016)。在洲和国家尺度上也建有相应的土壤光谱库。如欧洲土壤光谱库(lucas)包括了覆盖整个欧洲的20000个土壤样本(stevens et al.,2013)。美国采集了32084个土壤剖面共144833条光谱数据(usda, 2013)，澳大利亚收集了4000个土壤剖面共 21500 条光谱数据(viscarra rossel et al.,2012)。 此外 ，如法国(gog et al., 2012)、丹麦(knadel et al., 2012)、巴西(terra et al., 2015)、中国(史舟等, 2014)也都建立了土壤光谱库。

前人的研究表明,采用全局建模的效果并不理想，如何从光谱库中挑选合适的建模集以实现对任一局部地区土壤有机质的高精度预测，是一个值得研究的问题(zeng et al.,2016)。利用相似性光谱匹配所挑选的建模集可以提高预测精度，但前人的研究存在如下可改进之处：（1）研究局限在较小的光谱库（peng et al.，2013）；（2）仅使用了sam等光谱相似性指数，缺少对其他光谱相似性指数的探索，缺少各种相似性光谱指数的比较（魏昌龙等，2014）；（3）相似性光谱所挑选的建模集大小未做探索。

基于此，本研究旨在基于光谱相似性指数，探索利用全球光谱库预测局部地区土壤有机质的有效策略，以实现对局部地区有机质的高精度预测。研究目标如下：（1）比较不同的光谱相似性指数对建模精度的影响；（2）比较不同建模集大小对建模精度的影响；（3）比较不同的建模方法对建模精度的影响。

2. 研究的基本内容

（一）研究内容

1.不同光谱相似性指数对建模精度的影响研究

探究光谱角、欧式距离、马氏距离等不同光谱相似性指数所挑选的建模集，存在什么样差异，研究不同指数对建模精度的影响，拟选择最优的光谱相似性指数，为后续的建模提供研究基础。

3. 实施方案、进度安排及预期效果

1、2019年1月5日-2月15日，查阅相关文献资料；

2、2019年2月15日-3月10日，在前期查阅总结大量文献的基础上，学习r以及 unscrambler 9.7操作及编程；

3、2019年3月10日-4月20日，用已获得的资料，进行光谱匹配、建模以及进行土壤有机碳含量预测，并完成论文初稿工作；

4. 参考文献

[1] Brown D J, Shepherd K D, Walsh M G, et al. Global soil characterization with VNIR diffuse reflectance spectroscopy[J]. Geoderma, 2006, 132(3-4): 273-290.

[2] Brown D J. Using a global VNIR soil-spectral library for local soil characterization and landscape modeling in a 2nd-order Uganda watershed[J]. Geoderma, 2007, 140(4): 444-453.

[3] Goge F, Gomez C, Jolivet C, et al. Which strategy is best to predict soil properties of a local site from a national Vis-NIR database?[J]. Geoderma, 2014, 213: 1-9.

[4] Gog F, Joffre R, Jolivet C, et al. Optimization criteria in sample selection step of local regression for quantitative analysis of large soil NIRS database[J]. Chemometrics and Intelligent Laboratory Systems, 2012, 110(1): 168-176.

[5] Nocita M, Stevens A, Toth G, et al. Prediction of soil organic carbon content by diffuse reflectance spectroscopy using a local partial least square regression approach[J]. Soil Biology and Biochemistry, 2014, 68: 337-347.

[6] Peng Y, Knadel M, Gislum R, et al. Predicting Soil Organic Carbon at Field Scale Using a National Soil Spectral Library[J]. Journal of Near Infrared Spectroscopy, 2013, 21(3): 213-222.

[7] Ramirez-Lopez L, Behrens T, Schmidt K, et al. Distance and similarity-search metrics for use with soil vis-NIR spectra[J]. Geoderma, 2013, 199: 43-53.

[8] Rossel R a V, Behrens T, Ben-Dor E, et al. A global spectral library to characterize the worlds soil[J]. Earth-Science Reviews, 2016, 155: 198-230.

[9] Shi Z, Ji W, Viscarra Rossel R A, et al. Prediction of soil organic matter using a spatially constrained local partial least squares regression and the Chinese vis-NIR spectral library[J]. European Journal of Soil Science, 2015, 66(4): 679-687.

[10] UweTotsche K., Tunega, D., 2014. Modelling of Soil Properties and Processes-Challenges and Opportunities, 20th world congress of soil science, Korea.

[11] Zeng R, Zhao Y-G, Li D-C, et al. Selection of “Local” Models for Prediction of Soil Organic Matter Using a Regional Soil Vis-NIR Spectral Library[J]. Soil Science, 2016, 181(1): 13-19.

[12] Zeng R, Zhao Y-G, Wu D-W, et al.: Comparison of Different Strategies for Predicting Soil Organic Matter of a Local Site from a Regional Vis–NIR Soil Spectral Library, Digital Soil Mapping Across Paradigms, Scales and Boundaries, 2016: 319-329.