Mapear con precisión el carbono orgánico del suelo (SOC) es esencial para la gestión sostenible de los recursos del suelo. Los datos hiperespectrales, una herramienta vital para el mapeo de SOC, se obtienen a través de fuentes tanto de laboratorio como de satélite. Mientras que los datos de laboratorio se limitan al monitoreo de puntos de muestra, las imágenes hiperespectrales de satélite cubren regiones enteras, aunque son susceptibles a interferencias ambientales externas. Este estudio, realizado en la Cuenca de Yuncheng de la Cuenca del Río Amarillo, comparó la precisión predictiva de los datos hiperespectrales de laboratorio (ASD FieldSpec4) y la imaginería hiperespectral de satélite GF-5 para el mapeo de SOC. Aprovechando derivadas de orden fraccional (FODs), varios métodos de reducción de ruido, selección de bandas características y el modelo de Bosques Aleatorios, la investigación reveló que los datos hiperespectrales de laboratorio superan a los datos satelitales en la predicción de SOC. El procesamiento de FOD mejoró la información espectral, y la transformada discreta de ondícula (DWT) resultó efectiva para la reducción de ruido de la imaginería satelital GF-5. El muestreo adaptativo reponderado competitivo estable (sCARS) surgió como el algoritmo óptimo de selección de bandas características. El modelo de predicción hiperespectral de laboratorio 0.6FOD-sCARS RF fue identificado como el óptimo para SOC, mientras que el modelo 0.8FOD-DWT-sCARS RF fue considerado óptimo para la predicción hiperespectral satelital. Esta investigación, que ofrece información sobre el monitoreo de la calidad del suelo agrícola y estrategias para el uso sostenible del suelo, es significativa para mejorar la eficiencia de la producción agrícola.