气候变化与土壤有机碳（SOC）含量的变化密切相关，它影响着陆地碳循环。因此，准确预测SOC含量对碳核算和可持续土壤管理至关重要。尽管在预测SOC含量方面已经广泛利用了光学遥感数据和环境因素，但很少有研究探讨它们在岩溶地区的适用性。因此，如何准确模拟这些地区的SOC含量仍不清楚。在这项研究中，160个土壤样本、8个环境协变量和14个光学遥感变量被用来建立SOC含量预测模型。三种机器学习模型，包括支持向量机（SVM）、随机森林（RF）和极端梯度提升（XGBoost），分别应用于三个土地利用类别，包括整个研究区域以及农田和森林区域。影响最大的变量是森林地区的光学遥感波段、衍生指数以及降水和温度，以及农田的光学遥感波段11和人口密度。本研究的结果表明，RF和XGBoost在预测精度上优于SVM。此外，RF模型对林区的模拟精度（R2=0.32，RMSE=6.81，MAE=5.63）和XGBoost模型对农田的模拟精度（R2=0.28，RMSE=4.03，MAE=3.27）最大。基于不同土地利用类型的预测模型可以获得比整个研究区更高的模拟精度。这些发现为岩溶地区高精度地估计SOC含量提供了新的启示。
Key words： 土壤有机碳；复杂地表；遥感检索；机器学习；喀斯特槽谷地区

土壤有机碳;复杂地表;遥感反演;机器学习;喀斯特槽谷区