Le carbone organique du sol (SOC) est un indicateur important et fiable de la qualité du sol. Dans cette étude, les spectres du sol ont été caractérisés et analysés pour prédire la teneur spatiale en COS, en utilisant une technique de modélisation prédictive multivariée, le réseau neuronal artificiel (ANN). Des images hyper-spectrales EO1-Hyperion (400 - 2500 nm), des ensembles de données à l'échelle du terrain et du laboratoire (350 - 2500 nm) ont été générés, comprenant la teneur en SOC estimée en laboratoire des échantillons de sol prélevés (variable dépendante) et leurs données de réflexion correspondantes des bandes spectrales sensibles au SOC (variables prédictives). Pour chaque ensemble de données, des modèles prédictifs ANN ont été développés et trois ensembles de données (à l'échelle de l'image, à l'échelle du terrain et à l'échelle du laboratoire) ont révélé des performances de réseau significatives pour l'entraînement, le test et la validation, indiquant une bonne généralisation du réseau pour la teneur en SOC. L'analyse basée sur l'ANN a montré une prédiction élevée de la teneur en SOC à l'échelle de l'image (R2 = 0,93 et RPD = 3,19), du champ (R2 = 0,92 et RPD = 3,17) et du laboratoire (R2 = 0,95 et RPD = 3,16). Les résultats de la validation de l'ANN ont indiqué que les modèles prédictifs fonctionnaient bien (R2 = 0,90) avec une RMSE de 0,070. Le résultat a montré que les méthodes ANN ont un grand potentiel pour l'estimation de la teneur en SOC.
