铁氧化物是岩石与土壤的重要组成部分,是作物生长与粮食增产的营养来源,同时也可以作为中国土壤系统分类中的诊断指标。江西省土壤风化淋溶强烈、生物循环活跃,铁锰在B层相对富集,铁氧化物含量高。传统土壤铁氧化物实验室分析费时费力,操作步骤繁琐,已经不能满足现代智慧农业发展的需求。随着便携式土壤近端传感器的不断发展,提高了我们利用光谱信息在实地评估土壤状况的能力。便携式近端传感器在获取土壤光谱信息的过程中,由于土壤成分复杂,传感器获取的土壤光谱信息之间存在差异性。这可能影响成像结果与土壤铁氧化物之间的光谱响应,从而影响模型精度。目前暂未对影响B层土壤中光谱信息的原因进行详细研究。智能手机与成像光谱仪分别作为获取可见光多光谱与高光谱数据的便携式近端传感器,也逐渐在土壤属性预测领域应用,但是目前并未对智能手机获取土壤的光谱响应进行明确分析的研究。建模方式的选取一直是土壤属性估算研究领域的热点话题,明确不同建模方式的影响因素,有利于更好地结合土壤样本数量、颜色空间模型和土壤属性特征选取相应的建模方式。随着机器学习算法在土壤属性估算领域的兴起,基于机器学习预测土壤属性含量备受关注。但是目前研究中采用机器学习算法单一,未曾对机器学习算法在土壤铁氧化物估算中进行系统性的研究。对于使用可见光多光谱与高光谱数据采用机器学习算法估算B层土壤铁氧化物的这些问题亟待解决。本文以江西省70个剖面中的B层150个土壤样本为研究对象,基于土壤氧化铁（游离氧化铁（Fed）、全铁（Fet）、铁的游离度（Fed/Fet*100%））与5款智能手机和SOC710VP成像光谱仪获取的土壤光谱信息。综合采用3种机器学习算法:BP神经网络（Back Propagation Neural Network,BPNN）、支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和1种线性模型算法:偏最小二乘回归（Partial Least Squares Regression,PLSR）。建立基于光谱信息输入变量下的土壤铁氧化物反演模型,结合决定性系数（Determination Coefficients,R~2）,均方根误差（Root Mean Squared Error,RMSE）和相对分析误差（Relative Percent Deviation,RPD）以及化学属性与土壤之间的光谱响应。揭示土壤铁氧化物光谱特性的影响因素;阐明不同近端传感器对光谱信息获取的差异性;明确机器学习对土壤铁氧化物反演结果的影响因素。主要研究结果如下:（1）在可见光范围内,土壤有机质（Soil Organic Matter,SOM）的存在会影响土壤铁氧化物的光谱响应。其中V、i、s、a*、b*、c*均与SOM表现极显著负相关,并且V与SOM之间的相关性最大。V表示土壤的明度,SOM含量越高,土壤颜色越暗;反之土壤颜色越亮。SOM与R、a*表现为极显著负相关,R表示红光波段,a*表示土壤红度。即SOM含量越低,土壤越红。SOM会降低土壤中铁氧化物的红度,由于江西省土壤中的铁氧化物主要表现为红色,因此SOM可以通过降低红度抑制土壤铁氧化物的光谱响应。（2）在可见光范围内,智能手机具有等同于或者略差于SOC710VP成像光谱仪的光谱信息采集能力。可将智能手机应用于土壤光谱数据获取,并进行土壤铁氧化物的定量反演。5款智能手机使用4种建模方式所构建模型结果依次为:Phone 5＞Phone 4＞Phone 2＞Phone 3＞Phone 1,Phone 5所构建模型的精度在5款智能手机中最优。综合智能手机与成像光谱仪的光谱响应和建模结果,可以得出仪器设备的光谱响应越强对获取土壤光谱数据越有利,光谱响应对建模精度具有直接影响。（3）铁氧化物模型估算精度为:BPNN＞PLSR＞SVM＞RF,机器学习算法略优于PLSR。无论是使用可见光多光谱或者是高光谱数据建模,BPNN均表现出其极强的容错性,再加上数千个训练步骤以减少实际输入与输出之间的差异性,其综合性能比SVM、RF、PLSR更加优越。虽然BPNN模型精度整体优于SVM、RF、PLSR,但是RF与PLSR均有某些建模精度以及稳定性在整个模型中均为最高,PLSR具有略优于或者等同于SVM的模型精度。因此在评价模型精度时需要综合考虑模型构建要素:模型自身算法特征、土壤样本数量、光谱数据以及土壤属性等多种因素。