Der organische Bodenkohlenstoff (SOC) ist ein wichtiger Indikator für die Bodenqualität der Wälder, der das Wachstum der Bäume im Wald wesentlich beeinflusst und eine sehr wichtige Rolle in der nachhaltigen Entwicklung der Wälder spielt. Die Erforschung der Möglichkeit zur Verwendung von hyperspektralen Bildern zur Abschätzung des organischen Kohlenstoffgehalts im Boden natürlicher Sekundärwälder ist entscheidend und kann die technische Unterstützung für die Langzeit- und Großmaßstabsschätzung des organischen Kohlenstoffgehalts im Boden der Wälder liefern. Diese Studie konzentriert sich auf den SOC der natürlichen Sekundärwälder, wobei 67 zufällige Stichprobenpunkte im experimentellen Waldgebiet Ma'ershan der Nordost-Forstuniversität entnommen wurden. Boden wurde in Tiefen von 0 bis 5 cm, 5 bis 15 cm und 15 bis 30 cm gesammelt, und der SOC-Gehalt in jedem von ihnen gemessen, wobei der Dreischicht-Durchschnitt als SOC-Gehalt von 0 bis 30 cm verwendet wurde. Basierend auf dem hyperspektralen Bild des Ressource 1F wurden Spektralmerkmale berechnet und in Kombination mit dem digitalen Höhenmodell (DEM), der Bodenfeuchtigkeit und den Daten der oberirdischen Biomasse (AGB) unter Verwendung der rekur siven Merkmalsauswahlmethode verwendet. Die Anwendung des Random-Forest-Modells, des extremen Gradienten-Boostings, der Support-Vector-Regression und der gewöhnlichen Kleinste-Quadrate-Regression zur Schätzung des SOC, und die Auswahl des besten Modells zur Abschätzung des SOC-Gehalts in unterschiedlichen Tiefen im experimentellen Waldgebiet von Ma'ershan.

Natürliche Sekundärwälder; SOC; Hyperspektralbild; Maschinelles Lernen; Merkmalsauswahl