Le carbone organique du sol (SOC) est un indicateur important de la qualité du sol des forêts, qui a un impact important sur la croissance des arbres en forêt et joue un rôle très important dans le développement durable des forêts. L'exploration de la possibilité d'utiliser des images hyperspectrales pour estimer le contenu en carbone organique du sol des forêts naturelles secondaires est cruciale et peut fournir un support technique pour l'estimation à long terme et à grande échelle du carbone organique du sol des forêts. Cette étude porte sur le SOC des forêts naturelles secondaires, avec 67 points d'échantillonnage aléatoires prélevés dans la station expérimentale de Ma'ershan de l'Université forestière du Nord-Est. La terre a été collectée à des profondeurs de 0 à 5 cm, de 5 à 15 cm et de 15 à 30 cm, et le contenu en SOC a été mesuré dans chacun d'entre eux, en prenant la moyenne des trois couches comme contenu en SOC de 0 à 30 cm. Basé sur l'image hyperspectrale de la ressource 1F, les caractéristiques du spectre ont été calculées, et combinées avec le modèle numérique de terrain (MNH), l'humidité du sol et les données de biomasse aérienne (AGB), en utilisant la méthode de sélection de caractéristiques récursives. L'application de la forêt aléatoire (Random Forest), du boosting extrême de gradient (extreme Gradient Boosting), de la régression par vecteurs de support (Support Vector Regression) et de la régression des moindres carrés (Ordinary Least Squares Regression) pour estimer le SOC, et la sélection du meilleur modèle pour estimer le contenu en SOC à différentes profondeurs de la station expérimentale de Ma'ershan.

Forêts secondaires naturelles; SOC; Image hyperspectrale; Apprentissage automatique; Sélection de caractéristiques