土地,作为陆地碳循环系统的重要组成部分,是人类进行生产生活的载体。土地质量的优良与人类社会的存续息息相关。我国是农业生产大国,有限的耕地资源是农业生产的基础与来源。松嫩平原北部,作为我国基本的农作物种植和生产基地,特别是还含括着宝贵的黑土地资源,对维持国家粮食安全和促进国民经济的发展尤为重要。然而,随着耕地资源不断地开发利用,各种自然和人为因素的综合作用造成了耕地水土流失、土壤盐碱化和沙化等一系列农业生态问题。因此,为了深入了解耕地土壤肥力水平,以采取合理的农业管理措施和构建和谐的区域生态环境,对松嫩平原北部耕地质量进行动态监测与评价,及时、准确地揭示耕地土壤养分含量的空间分布特征和时空动态变化趋势,是开展关于土壤养分属性研究的重要部分。土壤有机质（soil organic matter,SOM）,是土壤养分的根本体现,其含量的高低直接影响着土壤肥力状况和粮食产量,同时也是进行耕地质量评价的基础指标。传统的SOM含量时空分析方法,需要收集大量密集的土壤样本实测数据,以确保一个合理的反演精度。这在很大程度上限制了土壤属性反演模型精度的提升,以及进行耕地质量评价的空间范围尺度。然而,随着先进的遥感技术和高性能的算法模型的发展与应用,为运用卫星遥感影像进行SOM含量的时空动态反演研究创造了新的契机。由于遥感影像具有低成本、易更新和大范围覆盖成像的特点,从而避免了传统方法耗时、耗力和成本高的缺点。同时,运用机器学习算法可以显著地提升SOM遥感反演模型的精度。因此,利用长时间序列遥感影像结合机器学习算法,可以快速、准确地实现SOM含量的时空动态遥感反演研究,揭示耕地质量的长期动态变化趋势,为及时了解和掌握我国耕地质量状况提供了更大的可能性。本研究利用谷歌地球引擎（Google Earth Engine,GEE）平台强大的影像存储和云计算功能,获取裸土时期长时间序列MODIS影像作为遥感数据源,提取并构建分位数形式的时间光谱特征作为SOM时空反演模型的输入量,运用随机森林（Random Forest,RF）和分类回归树（Classification and regression tree,CART）两种机器学习算法构建和筛选区域SOM最优时空反演模型,进而反演松嫩平原北部2001-2018年期间耕地SOM含量的空间分布。最终,揭示研究区及其含括的黑土区域耕地SOM含量的时空分布特征和动态变化趋势。研究结果表明:（1）RF算法的反演精度要优于CART算法。RF模型获得了较高的决定系数（R~2=0.65）、较小的均方根误差（RMSE=0.75%）和平均绝对误差（MAE=0.59%）值,而CART模型获得了较低的反演精度（R~2=0.52,RMSE=0.80%,MAE=0.63%）。相比于CART模型,RF模型使SOM反演精度相对（RI）提高6.25%,并筛选为最优SOM时空反演模型。（2）运用分位数形式的时间光谱特征,使反演模型获得了较高的精度,是构建SOM时空反演模型输入量的良好选择。具有时间光谱特征的遥感波段反射率、经验光谱指数(R61)和归一化水体指数（NDWI）是裸土时期SOM遥感反演模型的关键输入量。（3）利用RF算法最优时空反演模型获取的松嫩平原北部耕地SOM含量空间分布图,准确地揭示了SOM含量的空间分布格局。SOM含量从东北到西南呈递减趋势。（4）研究区东北部的黑土区域耕地SOM含量呈下降趋势,而中部及与其相连的南部和西北部地区耕地SOM含量呈上升趋势。（5）研究区耕地SOM含量的平均值总体上呈现出略微增加趋势,最大变化值为0.09%,增长率为0.16%/年。施肥量和玉米种植面积的增加对SOM含量的提升起到了促进作用。（6）黑土区域耕地SOM含量的平均值总体上呈现出下降趋势,最大变化值为-0.08%,下降率为-0.11%/年。水土流失是造成黑土区域耕地土壤质量退化的主要原因。本研究揭示了松嫩平原北部及其含括的黑土区域耕地SOM含量的时空分布特征和动态变化趋势。研究结果可为土壤理化性质时空动态反演研究提供相应的理论基础,并为开展精准区域耕地质量评价等相关工作提供技术支持,也可为深入开展松嫩平原耕地保护和黑土地退化研究提供可靠的数据参考。因此,本研究在促进加强松嫩平原土壤生态保护、建立和实施合理的农业管理措施,以及评估土壤碳库等方面具有重要的现实意义。