完整的土柱是生态系统高度动态的组成部分。土壤有机碳（Soil organic carbon,SOC）的变化过程具有明显的深度依赖性,碳在地面上累积和损失与地面下的变化是在不同时间轨迹上进行的。但是许多研究没有考虑土壤属性在垂直方向上的空间变异,尤其在青藏高原,在这种高寒山区采集土壤样本并将其运输到实验室难度较大且费用昂贵。利用SOC与可见近红外（vis-NIR）光谱波段之间的特定关系建立光谱预测模型定量反演SOC含量,成为一种日趋流行的快速测定方法。与实验室内光谱采集相比,野外原位直接采集光谱免去了土壤样本运输、预处理等环节,但野外环境下以水分为主的外部环境因素对光谱产生影响,降低光谱建模预测SOC的精度。采用水分校正算法去除野外原位光谱中的水分影响,能够有效的提高野外原位光谱预测精度,但其在野外原位土柱上的表现还不得而知。本研究以青藏高原色季拉山的50个1 m深土柱为样本,沿深度以5 cm × 5 cm为测量单元,从各单元中心采集共计735个野外原位湿样vis-NIR光谱,并在实验室内测得相应735个干样vis-NIR光谱以及SOC含量。湿样光谱和干样光谱均采用吸收率转换、Savitzky-Golay平滑、导数变换、重采样进行预处理,采用广义最小二乘加权算法（generalized least squares weighting,GLSW）,额外参数正交化法（external parameter orthogonalization,EPO）、直接标准化（direct standardization,DS）以及分段标准化（piecewise direct standardization,PDS）,并在校正前分别进行了参数优化。基于偏最小二乘回归（partial least-squares regression,PLSR）和随机森林（random forest,RF）建立湿样、干样以及四种方法校正后的光谱与SOC的定量预测模并进行精度评价,使用装袋法评估模型的不确定性。结果表明:（1）野外光谱与室内光谱差异显著,前者较后者反射率低,在1400 nm、1900 nm、2200 nm处呈现更宽的水分吸收带。两者巨大差异导致干样光谱精度高于湿样,非线性模型精度高于线性模型。（2）确定GLSW的最优正则化参数α为0.02,EPO的维数为4,DS中函数组分数为1,PDS选择pls函数组分数为3,转换窗口为21。（3）水分校正算法的对土地利用方式以及模型有一定的依赖性,水分校正后进行非线性建模的精度高于线性建模,四种水分校正算法的预测精度相比,农田、林地、草地三种土地利用方式下,将湿样光谱经PDS校正后进行RF建模的精度均最高。GLSW算法对与草地样本预测精度优速提高,EPO和DS对于土柱样本的校正效果不明显,PDS算法结合非线性模型的校正效果优于非线性模型。对于农田样本,将湿样光谱经PDS校正后进行RF建模的精度最高,R2为0.69,RMSE为6.91 g/kg,RPIQ为1.48;林地样本中,湿样光谱经PDS校正后进行RF建模的精度最高,R2为0.81,RMSE为11.75 g/kg,RPIQ为2.16;草地样本中,湿样光谱经PDS校正后进行RF建模的精度最高,R2为0.75,RMSE为8.23 g/kg,RPIQ为1.99。PDS算法结合RF模型能够有效校正1 mm深土柱土壤光谱中的水分影响,提高土柱样本光谱预测SOC含量的精度。（4）不同水分校正算法在土柱样本上的垂直表现来看,水分校正方法对土地利用方式和土层深度的具有依赖性。PDS算法水分校正后进行RF建模在各深度层的表现最佳。土柱深层（70～100 cm）的预测精度均不高,预测值高于实测值,农田0～20 cm,林地0～30 cm,草地0～10 cm预测值为低估的情况。