El carbono orgánico del suelo (SOC) es un indicador importante y fiable de la calidad del suelo. En este estudio, se caracterizaron y analizaron los espectros del suelo para predecir el contenido espacial de SOC, utilizando una técnica de modelización predictiva multivariante: la red neuronal artificial (RNA). Se generaron imágenes hiperespectrales EO1-Hyperion (400 - 2500 nm) y conjuntos de datos a escala de campo y laboratorio (350 - 2500 nm), consistentes en el contenido de SOC estimado en laboratorio de muestras de suelo recogidas (variable dependiente) y sus correspondientes datos de reflexión de bandas espectrales sensibles al SOC (variables predictivas). Para cada conjunto de datos, se desarrollaron modelos predictivos RNA y tres conjuntos de datos (a escala de imagen, a escala de campo y a escala de laboratorio) revelaron rendimientos significativos de la red para el entrenamiento, la prueba y la validación, lo que indica una buena generalización de la red para el contenido de SOC. El análisis basado en la RNA mostró una alta predicción del contenido de SOC a escala de imagen (R2 = 0,93 y RPD = 3,19), de campo (R2 = 0,92 y RPD = 3,17) y de laboratorio (R2 = 0,95 y RPD = 3,16). Los resultados de validación de la RNA indicaron que los modelos predictivos funcionaban bien (R2 = 0,90) con RMSE 0,070.El resultado demostró que los métodos RNA tienen un gran potencial para estimar el contenido de SOC.
