可以快速、准确、简便、低价的测定土壤δ13(：值。
[0028] 2、操作简便，普及性强，应用范围广。
[0029] 3、有望推广至农田、草地等其他生态系统。
【附图说明】
[0030]图1是样地平谷6个不同深度土壤的中红外吸收谱图。
[0031]图2是光谱模型(包含0e和0a)交互验证不同主成分数对应的RMSECV值的示意图。 [0032]图3是光谱模型(包含0e和0a)预测值与真实值相关性的示意图。
[0033] 图4是光谱模型（不包含0e和0a)交互验证不同主成分数对应的RMSECV值的示意 图。
[0034]图5是光谱模型（不包含0e和0a)预测值与真实值相关性的示意图。
【具体实施方式】
[0035]本发明所提供的利用中红外光谱快速检测土壤的稳定碳同位素比值的方法包括 如下步骤：
[0036] (1)制备待检土样
[0037]将矿质层土壤去杂、风干、粉碎，过60目筛，干燥器保存备用；将0e和0a层土壤(两 种不同程度的未完全分解的凋落叶）于60°C烘48h以除尽水分，粉碎，过60目筛，干燥器保存 备用。共200个样品来自于七个不同地区（平谷、洪崖山、白岸、皇藏峪、信阳、黄山、云山）的 栓皮栎森林中不同深度(06、03、0-2、2-5、5-10、10-20〇11)的土壤样品。其中06表示枯枝落叶 等中度分解的有机层，〇a表示枯枝落叶等高度分解的有机层。其中待检土样被分成定标土 样和待测土样，定标土样的δ 13(：值通过稳定同位素比例质谱法准确测得。
[0038]制样细节:森林土壤样品是形状不规则的固体颗粒，颗粒的大小、形状和均匀程度 都对光谱数据产生很大的影响；通过粉碎过筛，可获得较小土壤颗粒度、增加样品的均匀 度，尽可能减小颗粒散射效应对光谱采集造成的影响。
[0039]本发明的两个创新点：一、深度，一般土壤测试都不会加入0e和0a层，但越来越多 的研究表明，〇e和〇a层因包含了大量的土壤有机质，也是森林土壤的重要组成部分;二、采 样区域，本发明采集的样品来自于一条炜度梯度上的5个省，从北到南相距1500公里，从北 部的暖温带逐渐过渡到南部的亚热带。
[0040] (2)利用稳定同位素比例质谱法测得待检土样的δ13(：值
[0041 ] (3)光谱采集
[0042]在ZnSe窗片上放置一个内径11mm的圆形不锈钢槽，其对底部射上来的红外光无遮 挡;将准确称取的200mg土样放置其内，再将一个重量为4g、直径也为11mm的小瓶，轻轻放置 在土样上，其可使样品厚度均一、有足够的装样深度、且不会压太紧产生镜面反射。利用本 发明自行设计并搭建的样品台，采集中红外波段的漫反射谱图，仪器配置为:傅立叶变换红 外光谱仪，附件为中红外积分球，红外光光源，KBr分束器，附件自带的MCT检测器;采集参数 为：以金镜为背景，扫描范围4000-650(^ 1，分辨率4cm-1，扫描64次。
[0043]关于采集装置的创新:一般大规模采集土样都有固定尺寸的自动进样装置，但其 会提高仪器价格和测试成本，且使用不够灵活。基于实用的角度，本发明自行设计并搭建了 土壤样品漫反射的样品台，其目的主要是保持样品厚度均一、有足够的装样深度、且不会压 太紧产生镜面反射。
[0044] (4)数据预处理
[0045]用仪器自带软件Omnic 8.2将原始谱图全部波段（8卩4000-650(：1^1)进行大气背景 抑制，转成吸收光谱，再进行自动基线校正。将光谱数据导入软件matlab7.8后，用Norris (7，7，1)求导平滑法处理，括号中第一个7表不7点平滑，第二个7表不7点差分宽度，1表不一 阶导数。Norris求导平滑处理可以消除噪声，尽可能去除无关的信息变量。
[0046] 土壤样品中红外光谱的预处理，可以有效地减少系统偏差，噪声、颗粒度和波峰过 尖等的影响。在一些常见的光谱预处理方法中，基线校正主要是消除基线漂移;平滑处理主 要是消除噪声信息；导数处理(一阶求导或二阶求导）能有效消除基线偏移，减少峰与峰之 间的重叠，获取更多的有效信息;多元散射校正是为了消除固体颗粒大小、表面散射以及光 程变化对固体漫反射光谱的影响。
[0047]不同种预处理方法的交叉使用对其相应的预测模型有不同的改进和影响，所以本 发明比较了 Norris-阶导数滤波平滑和Norris二阶导数滤波平滑的模型效果，也比较了加 多元散射校正和不加多元散射校正时Norris-阶导数滤波平滑的模型效果。
[0048] (5)采用偏最小二乘法建立土壤中红外光谱与δ13(：值间的定量关系
[0049]将土壤δ13(：值也导入matlab软件中。用SPXY算法将试验样本按3:1的比例分别将光 谱信息和S13C值划分为校正集和验证集，分别用于模型建立和验证。
[0050]本发明关于样本划分的创新点：建模时许多研究都围绕如何选取最佳的光谱预处 理方法，较少比较校正集和验证集的划分方法，但校正集和验证集样本的选择对光谱多元 分析校正至关重要。目前常用样本选择方法主要包括随机法(RS)和K-S(Kennard-St 〇ne)法 和SPXY(sample set partitioning based on joint x_y distance)法。随机法随机性大， 并不能保证所选出的样本有足够的代表性;K-S法将光谱差异大的样本选入校正集，其余样 本归入验证集，但是对于含量低或者浓度低的范围，样本之间光谱变化很小，往往选出的样 本也不具有代表性;SPXY算法是一种基于统计基础的样本集选择方法，用光谱-理化值共生 距离作为依据以保证最大程度表征样本分布，以提高模型稳定性。本发明基于Norris-阶 导数滤波平滑处理的光谱，比较了 SPXY法和K-S法所建模型的效果。
[0051]①利用校正集中的单因变量013c值)对多自变量（中红外光谱信息)进行偏最小二 乘(partial least squares method，PLS)回归建模，其基本过程为:在光谱信息中提取主 成分tl(tl是光谱信息的线性组合），tl应尽可能多地携带光谱数据中的变异信息，且tl和 S 13C值的相关程度能够达到最大。在第一个主成分tl被提取后，偏最小二乘回归实施光谱信 息对tl的回归，如果回归方程已经达到满意的精度，则算法终止;否则，将利用光谱信息被 tl解释后的残余信息以及δ 13(：值被tl解释后的残余信息进行第二轮的主成分提取。如此往 复，直到能达到一个较满意的精度为止。若最终对光谱信息共提取了m个主成分tl，t2,…， tm，偏最小二乘回归将通过实施δ 13(：值对tl，t2，~，tm的回归，然后再表达成δ13(：值关于原 变量(即光谱信息）的回归方程。
[0052]②在分析过程中，本发明用20折交互验证法选取最佳主成分数（即保证模型较好 精度所需的主成分的数量）。"20折法"的参数设置为:对某一主成分数f(依次从1取到20)， 将校正集分成20组(一般是均分），一个单独的子样本被保留作为验证模型的数据，其他19 个样本用来训练。交互验证重复20次，每个子样本验证且只验证一次，平均20次的结果或者 使用其它结合方式，最终得到对应这一主成分数的交互验证均方根误差(RMSECVhRMSECV 值越小，说明模型的预测能力越好。一般使用RMSECV值对主成分数目作图的方法确立最佳 主成分数，RMSECV最低点对应的主成分数通常为最佳主成分数。
[0053]③以校正集中的红外光谱作为自变量，通过偏最小二乘法提取尽可能多包含光谱 信息同时又与S13c值紧密相关的一定数目的主成分(该数目由上述交互