La síntesis de imágenes de suelo desnudo en regiones con vegetación compleja es un desafío, lo que dificulta la precisión en la predicción del carbono orgánico del suelo (COS) en áreas específicas. En este estudio, se desarrolló un modelo de predicción de COS integrando algoritmos de red neuronal convolucional y de memoria a largo y corto plazo (CNN-LSTM), teniendo en cuenta factores formadores del suelo como el clima, la vegetación y la topografía en Hainan. En comparación con modelos algorítmicos comunes (bosque aleatorio, CNN, LSTM), el modelo de predicción de COS basado en el algoritmo CNN-LSTM logró una alta precisión (R2 = 0.69, RMSE = 6.06 g kg-1, RPIQ = 1.96). El modelo predijo que el contenido de COS variaba de 5.49 a 36.68 g kg-1, con Hainan en las partes central y sur de la región con altos valores de COS y las áreas circundantes con bajos valores de COS, y que el COS se distribuía aproximadamente de la siguiente manera: alto en las áreas montañosas y bajo en las áreas planas. Entre los cuatro modelos, CNN-LSTM superó a los modelos LSTM, CNN y bosque aleatorio en términos de precisión R2 en un 11.3%, 23.2% y 53.3%, respectivamente. El modelo CNN-LSTM demuestra su aplicabilidad en la predicción del contenido de COS y muestra un gran potencial en áreas complejas donde obtener datos de muestra es un desafío y donde el COS está influenciado por múltiples factores interactuantes. Además, muestra un potencial significativo para avanzar en el campo más amplio de la cartografía digital del suelo.