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。
