掌握土壤在时间和空间上的表征至关重要。研究土壤剖面及其不同层次土壤信息（如有机碳）对于土壤发生发育、土壤分类等土壤科学研究具有重要的意义。传统的土壤剖面调查研究涉及到高密度间隔采样和室内化学分析,过程耗时费力,难以量化垂直方向土壤属性的连续变异。成像光谱技术具有“谱图合一”的优势,在vis-NIR 土壤光谱定量分析功能的基础上实现了土壤属性在完整土壤剖面上的高空间分辨率制图,克服了传统土壤剖面属性分析的局限性。当前,成像光谱用于土壤属性预测与制图研究大都采用局部样本建模和预测的策略,其模型的普适性和外推效果仍不明晰,这需要大量的样本数据支持。拥有丰富且多样化信息的土壤光谱库为建立局部模型提供了大量具有丰富变异性和多样性的样本,以作为数据基础。但受限于库中土壤样本的异质性和模型的适应性,通常令区域或局部尺度模型的稳健性欠佳。本研究以1m深完整土壤剖面为研究对象,在部分目标样本入库的前提下基于土壤光谱的相异度,探究距离算法在结合土壤光谱库时构建局部预测模型预测完整土壤剖面有机碳（Soil Organic Carbon,SOC）的可行性。基于全球土壤光谱库（GSSL）的677个土柱和六个目标样本组成的土壤光谱库（SSL）,使用K-means算法从整个剖面中提取具有代表性的光谱组成局部目标测试集（Test）,分别采用欧氏距离（ED）、马氏距离（MD）、和光谱角（SAM）来分别度量Test与SSL间的光谱相异度并生成距离矩阵。按距离矩阵的前0.03%,0.1%、0.2%、0.3%、10%和50%从SSL中提取与Test最相似的光谱样本构建共计6个容量的局部建模集（Local）,使用偏最小二乘回归（PLSR）和随机森林（RF）建立vis-NIR和SOC含量的局部光谱模型并通过点状土样验证模型精度,通过光谱的主成分空间考察并解释各种距离算法下Local的“容量-精度”变化,将多种Local模型用于土壤剖面SOC含量精细表征。主要得出以下结果和结论:（1）通过光谱相异度计算,可以提高使用大型复杂土壤光谱库进行局部SOC预测的准确性。ED、MD和SAM分别建立的六个PLSR和RF Local模型,PLSR建模精度R2最高可达0.63,RF模型R2最高可达0.92。但三种算法在“容量-精度”的拐点存在显著差异,ED、SAM算法较MD相比具有明显优势,在前四个比例下的Local不仅精度最优,且所用到的库样本也较少。（2）将Local模型用于预测土壤剖面SOC含量,ED算法建立的PLSR和RF Local模型预测精度在前四个比例仅使用较少的样本时模型预测精度明显改善（PLSR:R2=0.86～0.88,RMSE=1.07%～1.37%;RF:R2=0.65～0.67,RMSE=0.77%～0.86%）;MD算法建立的PLSR和RF Local模型预测精度需使用39%以上的库样本精度略优于全库;SAM算法建立的PLSR和RF Local模型预测精度在前四个比例不仅精度较高（PLSR:R2=0.81～0.9,RMSE=1%～1.13%;RF:R2=0.74～0.8,RMSE=0.85%～0.95%）,同时所用样本数最少。（3）将多种PLSR和RF Local模型用于绘制土壤剖面SOC含量分布图发现ED和SAM的PLSR模型及MD的PLSR和RF模型均无法实现土壤剖面SOC含量分布估计。ED和SAM的前四个比例的RF模型均能使用具有合理精度的Local实现土壤剖面SOC含量的精细表征,但剖面SOC含量存在高值低估和低值高估现象。ED与SAM相比,SAM兼顾了光谱的波形和幅度特征,比ED更具优势,在使用9%的库样本时,不仅预测精度最优（R2=0.79,RMSE=0.85%）,且所用到的库样本也最少。综上,三种算法建立的RF Local模型建模精度优于PLSR,且三种算法在“容量-精度”的拐点存在显著差异,兼顾了光谱的波形和幅度的SAM和计算欧式空间距离的ED算法与计算协方差距离的MD相比,更适合用于从光谱库中构建局部模型以改善全局模型的建模精度;三种算法PLSR模型均无法实现土壤剖面SOC含量预测,PLSR精度虽高,但将其用于完整土壤剖面SOC含量分布估计时,效果欠佳,我们可以知道模型精度并不是评价模型好坏的唯一标准;MD算法PLSR和RF Local模型均无法实现土壤剖面SOC含量分布估计;综合考虑,SAM法更适用于从土壤光谱库中构建局部模型预测土壤剖面SOC含量,库的9%样本可作为局部模型的容量参考。