在R统计绘图中，利用leaps包进行多元线性回归的最优子集法特征筛选及模型构建的步骤如下：
数据准备和探索：
确保数据满足线性回归分析的假设条件，包括正态性、独立性、线性性、同方差性、不存在多重共线性以及不存在异常值。若自变量间存在显著的线性相关关系，考虑通过PCA等方法进行降维。
安装并加载leaps包：
在R中安装并加载leaps包，该包提供了进行最优子集特征筛选的功能。
进行最优子集特征筛选：
使用leaps包中的函数对自变量进行最优子集筛选。该函数会考虑所有可能的特征组合，并通过分析选择最佳模型。
确定最佳特征组合：
根据筛选结果，确定最佳的特征组合。这些特征将用于构建最终的线性回归模型。在给出的例子中，最终确定了8个最佳特征：grazingLG、grazingMG、grazingHG、depth2030cm、AP、AK、OM、OC。
构建线性回归模型：
使用确定的最佳特征组合构建线性回归模型。在R中，可以使用lm函数来构建线性回归模型。
模型检验：
对构建的模型进行检验，包括模型的拟合度、参数的显著性以及变量间的相互影响。可以利用统计检验和可视化方法来评估模型的假设条件是否得到满足。在给出的例子中，通过假设检验验证了模型的有效性，并分析了偏回归系数来解释自变量对因变量的影响。
综合验证：
可利用gvlma包中的gvlma函数对线性模型假设进行综合检验，确保模型的统计假设得到满足。
注意事项： 在进行特征筛选和模型构建时，应始终关注数据的假设条件和模型的解释性。 若数据不满足假设条件，可能需要采取适当的数据转换、删除异常点、添加或删除变量等改进措施。