完整、连贯的土壤剖面信息对研究土壤形态特征、土壤理化属性垂直变化规律和明确土壤类型十分重要。但是传统的土壤调查方法是利用有限的、不同深度上的离散样点作为数据来源进行一系列研究。由于土壤属性在垂直深度上的变异性,有限的样点得出的结论存在很强的不确定性。随着近地遥感技术的发展,近地高光谱成像系统可以获取土壤剖面的高光谱图像,用连续的光谱曲线和图像表征土壤细微的纹理差异和光谱变化情况,在反演土壤属性、识别土壤发生层和土壤类型发挥着重要作用。有机碳（soil organic carbon,SOC）是判别发生层的重要理化性质之一,发生层类型是土壤分类的重要环节,因此本文探索了可见-近红外（visible–near-infrared,Vis-NIR）成像高光谱对土壤原状剖面预测有机碳和识别发生层的能力。数据集包含中国黄河上游的5条土壤原状剖面。为减少等间距采集土壤样品的工作量,用发生层的有机碳含量建立深度方程以获得深度上的连续变化。考虑到土壤异质性,图像感兴趣区域（region of interest,ROI）内的平均光谱无法表征土壤光谱的变化,因此比较了ROI的最大值（max）、平均值（mean）、中位数（median）、众数（mode）、最小值（min）5种光谱统计量的精度差异。具体而言,建立了随机森林（random forest,RF）模型分别用于有机碳预测和发生层识别。在有机碳预测中,对比了有无深度方程建模的差异,同时比较了深度方程上1、5、10cm这3种等间距采样方案以及5种光谱统计量对精度的影响;在发生层识别中,评估了5种光谱统计量在1cm等间距上的分类精度。结果表明,成像高光谱可以对土壤剖面进行有机碳预测和发生层识别,（1）按1cm采样间距的深度方程预测有机碳的效果最好;（2）对主要发生层及其细分类别均可以很好识别,对过渡层可以识别出分布区域;（3）对感兴趣区域内光谱求众数可以获得与平均值建立的模型相当甚至更好的精度,中位数建立的模型仅次于平均值建立的模型的精度,而最大值和最小值建立的模型无法进行准确预测。利用成像高光谱可以将预测的有机碳和发生层进行高分辨率绘图,以表征土壤剖面上的精细变化,克服了传统土壤采样的局限性。