Der organische Kohlenstoff SOC (Soil Organic Carbon) des Waldbodens ist ein wichtiger Indikator für die Bodenqualität, der in hohem Maße das Wachstum der Waldbäume beeinflusst und eine sehr wichtige Rolle für die nachhaltige Entwicklung der Forstwirtschaft spielt. Es ist entscheidend, die Möglichkeit der Umkehrung des organischen Kohlenstoffgehalts von Böden in natürlichen Sekundärwäldern mithilfe von hyperspektralen Bildern zu erforschen, was eine technische Unterstützung für die langfristige und großflächige Schätzung des organischen Kohlenstoffs im Boden bieten kann. Diese Studie zielt auf den SOC von natürlichen Sekundärwäldern ab, indem sie zufällig 67 Probepunkte im Maershan-Versuchswald der Nordostforstuniversität auswählt, die Proben von Böden von 0-5, 5-15, 15-30 cm entnimmt und den organischen Kohlenstoffgehalt misst, und dann den Durchschnitt der drei Schichten als den Kohlenstoffgehalt von 0-30 cm nimmt, dann auf der Basis des hyperspektralen Bildes der Ressource 1F, die spektralen Merkmale der ersten Ableitung, der zweiten Ableitung, des Kehrwerts des Logarithmus und des Vegetationsindex berechnet, in Verbindung mit dem digitalen Geländemodell DGM (Digital Elevation Model), der Bodenfeuchtigkeit und dem datensatz der oberirdischen Biomasse AGB (Aboveground biomass) der Wälder, unter Verwendung der Methode der rekursiven Merkmalsauswahl. Anwenden des RandomForest RF (Random Forest), extreme Gradient Boosting XGBoost, Support Vector Regression SVR (Support Vector Regression), Ordinary Least Squares Regression OLS (Ordinary Least Squares Regression) vier Modelle,...

natural secondary forest;SOC;hyperspectral;machine learning model;feature selection