La contaminación por metales pesados en tierras agrícolas representa amenazas significativas tanto para el medio ambiente ecológico como para la salud humana. Por lo tanto, la predicción rápida y precisa del contenido de metales pesados en el suelo agrícola es crucial para la protección ambiental y la remediación del suelo. Reconociendo las limitaciones de los modelos tradicionales de aprendizaje automático lineales o no lineales en términos de precisión de predicción, este estudio desarrolló un modelo de aprendizaje en conjunto que integra múltiples modelos de aprendizaje lineales o no lineales con un modelo de bosque aleatorio (RF) para mejorar tanto la precisión como la fiabilidad de la predicción. En este estudio, seleccionamos un área típica contaminada por cobre (Cu) en el Delta del Río Perla de la provincia de Guangdong como sitio de investigación y recopilamos datos de contenido de Cu y datos espectrales de reflectancia del suelo en interiores de 269 muestras de suelo superficial. Primero, los datos espectrales del suelo se preprocesaron utilizando suavizado de Savitzky-Golay (SG), corrección de dispersión multiplicativa (MSC) y transformada de wavelet continua (CWT) para reducir la interferencia del ruido. A continuación, se empleó el análisis de componentes principales (PCA) para reducir la dimensionalidad de los datos espectrales preprocesados, eliminando características redundantes y disminuyendo la complejidad computacional. Finalmente, con base en los datos de dimensionalidad reducida y el contenido de Cu, establecimos un modelo de aprendizaje en conjunto apilado, donde los modelos base incluían SVR, PLSR, BPNN y XGBoost, con RF sirviendo como el meta-modelo para estimar el contenido de metales pesados en el suelo. Para evaluar el rendimiento del modelo de apilamiento, comparamos su precisión de predicción con la de modelos individuales. Los resultados indican que, en comparación con los modelos tradicionales de aprendizaje automático, la precisión de predicción del modelo de apilamiento fue superior (R2 = 0.77; RMSE = 7.65 mg/kg; RPD = 2.29). Esto sugiere que el algoritmo integrado demuestra una mayor robustez y capacidad de generalización. Este estudio presenta un método para mejorar la estimación del contenido de metales pesados en el suelo utilizando tecnología hiperespectral, asegurando un modelo robusto que apoya a los responsables de la formulación de políticas en la toma de decisiones informadas sobre el uso de la tierra, la agricultura y la protección ambiental.