Lawrence Berkeley National Laboratory

LBL Publications

Title

Regional-scale soil carbon predictions can be enhanced by transferring global-scale 
soil–environment relationships

Permalink

https://escholarship.org/uc/item/05j3c4qt

Journal

Geoderma, 461

ISSN

0016-7061

Authors

Zhang, Lei
Yang, Lin
Ma, Yuxin
et al.

Publication Date

2025-09-01

DOI

10.1016/j.geoderma.2025.117466

Copyright Information

This work is made available under the terms of a Creative Commons Attribution 
License, available at https://creativecommons.org/licenses/by/4.0/
 
Peer reviewed

eScholarship.org

Powered by the California Digital Library

University of California

Regional-scale soil carbon predictions can be enhanced by transferring 

global-scale soil

–

environment relationships

Lei Zhang

a

,

b

, Lin Yang

a

,

*

, Yuxin Ma

c

, A-Xing Zhu

d

, Ren Wei

a

, Jie Liu

a

, Mogens H. Greve

e

,  

Chenghu Zhou

a

,

f

a

School of Geography and Ocean Science, Nanjing University, Nanjing, China

b

Climate and Ecosystem Science Division, Lawrence Berkeley National Laboratory, Berkeley, CA, USA

c

New South Wales Department of Climate Change, Energy, the Environment and Water, Parramatta, NSW, Australia

d

Department of Geography, University of Wisconsin-Madison, Madison, WI, USA

e

Department of Agroecology, Aarhus University, Tjele, Denmark

f

State Key Laboratory of Resources and Environmental Information System, Institute of Geographical Sciences and Natural Resources Research, Chinese Academy of 

Sciences, Beijing, China

A R T I C L E  I N F O

Keywords:

Soil organic carbon

Soil

–

environment relationships

Soil mapping

Pre-trained model

Model transferability

Deep learning

Global and regional scales

A B S T R A C T

Accurate  modelling  and  mapping  soil  organic  carbon  are  crucial  for  supporting  soil  health  restoration  and 

climate change mitigation at both regional and global scales. However, regional soil predictions often suffer from 

data scarcity and high prediction uncertainty. Utilizing a pre-trained global-to-regional soil carbon predictive 

model can be a potential solution to address this challenge. Despite its promise, how to construct and apply the 

global-scale model to enhance regional-scale soil carbon mapping remains largely unexplored. Here, we propose 

the  Global  Soil  Carbon  Pre-trained  Model  (GSoilCPM),  a  deep-learning-based  domain  adaptative  model,  to 

enhance  regional-scale  soil  carbon  predictions.  Based  on  large  amount  of  environmental  covariate  data  and 

106,167 soil samples across the globe, we verify our hypothesis of the effectiveness of this 

’

global-to-regional

’ 

modelling strategy. The pre-trained model can be then transferred and fine-tuned to bridge the regional- and 

global-scale soil

–

environment relationships. We applied and validated this modelling strategy in four regional- 

scale study areas, three in the Northern Hemisphere and one in the Southern Hemisphere, each with distinct 

environmental background. Compared to traditional modelling approaches as a baseline, four case studies all 

demonstrated  significant  improvement  in  prediction  accuracy  across  diverse  environments  and  varying  data 

availabilities. The average percentage improvement across all regions is 10.93% (absolute values decreased by 

1.20 g kg

−

1 

averagely) in MAE and 29.04% (absolute values increased by 0.10 averagely) in CCC. The appli-

cability and future horizons of using GSoilCPM were further discussed. We further reveal that regions with fewer 

soil samples or lower baseline accuracy benefit more from the pre-trained global model. Our findings highlight 

the advantages of leveraging the generalized knowledge from global models to enhance specifically localized soil 

modelling, positioning a potential paradigm shift in digital soil mapping, and far-reaching implications for soil 

monitoring and land management.

1. Introduction

Soil organic carbon (SOC), a critical component of the Earth

’

s carbon 

cycle, plays a fundamental role in maintaining soil fertility, regulating 

greenhouse  gas  emissions,  and  supporting  overall  ecosystem  health 

(

Tiessen et al., 1994; Schmidt et al., 2011; Sanderman et al., 2017

). 

Accurate predicting and mapping SOC are essential for understanding 

carbon dynamics at both regional and global scales, guiding sustainable 

land management practices, and contributing to climate change miti-

gation strategies (

Sanchez et al., 2009; Chen et al., 2022; Huang et al., 

2022; Zhang et al., 2025

). Nevertheless, our current understanding of 

SOC distributions is frequently impeded by high uncertainties stemming 

from  limited  sample  data  and  the  underdevelopment  of  modelling 

techniques (

Wadoux et al., 2021

).

Traditional soil mapping methods rely on experienced soil surveyors 

who are familiar with the local area and spend considerable time in field 

* Corresponding author.

E-mail addresses: 

lei.zhang.geo@outlook.com

(L. Zhang), 

yanglin@nju.edu.cn

(L. Yang). 

Contents lists available at 

ScienceDirect

Geoderma

journal homepage: 

www.elsevier.com/locate/geoderma

https://doi.org/10.1016/j.geoderma.2025.117466

Received 9 April 2025; Received in revised form 19 June 2025; Accepted 29 July 2025  

Geoderma

 

461

 (2025) 

117466

 

Available

 

online

 

5

 

August

 

2025

 

0016-7061/©

 

2025

 

The

 Author(s). 

Published

 

by

 

Elsevier

 

B.V.

 

This

 

is

 

an

 

open

 

access

 

article

 

under

 

the

 

CC

 

BY-NC-ND

 

license

 ( 

http://creativecommons.org/licenses/by- 

nc-nd/4.0/

 

). 

work,  manually  creating  maps  using  the  polygon  data  model  (lines, 

points, and polygon shapes) (

Bliss et al., 1995; Minasny and McBratney, 

2016;  Brevik  et  al.,  2017

).  Recent  advancements  in  geostatistics 

(

Heuvelink  and  Webster,  2001;  Hengl  et  al.,  2004;  Heuvelink  et  al., 

2016; Ma et al., 2017

), machine learning algorithms (

Heung et al., 2016; 

Wadoux et al., 2020; Meng et al., 2022, 2024a; Helfenstein et al., 2024; 

Guo et al., 2025; Zhang et al., 2025

), and increasingly accessible land 

surface  datasets  (e.g.,  geographical  variables  derived  from  remote 

sensing observations) (

Mulder et al., 2011; Ivushkin et al., 2019; He 

et al., 2021

) have introduced alternative ways to predict and map soil 

information with less manual labor. Data-driven approaches facilitated 

us to build soil

–

environment relationships from soil samples and envi-

ronmental  covariates,  and  then  to  apply  these  fitted  relationships  to 

generate predicted soil maps. That is where digital soil mapping (DSM) 

methods  come  into  play  (

McBratney  et  al.,  2003;  Minasny  and 

McBratney, 2016; Ma et al., 2019; Liu et al., 2022

). DSM technique has 

been widely applied to soil carbon mapping and has yielded satisfactory 

results at both global and regional scales (

Minasny et al., 2013; Huang 

et al., 2022; Wang et al., 2023; Meng et al., 2024b; Zhang et al., 2022a, 

2024, 2025

). Despite these advancements, we are still facing a ‘data 

hungry

’ 

problem in soil mapping field, especially when the soil data are 

limited in specific regions (

Zhu et al., 2015; Zhang et al., 2021; Cui et al., 

2025

). The scarcity of soil observations makes it difficult to construct 

robust  soil

–

environment  relationships,  which  hampers  the  ability  to 

accurately capture soil carbon patterns at regional scales.

A potential strategy to overcome this bottleneck is to construct a pre- 

trained domain adaptive model trained on globally available soil and 

environmental  data.  This  model  would  operate  as  a  ‘knowledge

’ 

on 

soil

–

environment  relationships  across  the  globe,  and  could  then  be 

adapted  (e.g.,  fine-tuned  or  transferred)  for  the  regional-scale  SOC 

predictions.  Given  the  success  of  pre-trained  and  transfer  modelling 

strategy in fields outside of soil mapping (

Awais et al., 2023; Moor et al., 

2023; Wu et al., 2023; Hong et al., 2024

), it is reasonable to explore 

whether such an approach could be applied for soil carbon predictions 

and whether it could help alleviate the issue of insufficient soil obser-

vations  at  regional  scales  and  improve  mapping  accuracy.  While  a 

similar ‘global-to-local

’ 

approach has been used in  soil spectroscopic 

modelling  (

Shen  et  al.,  2022;  Viscarra  Rossel  et  al.,  2024

),  a  clear 

research gap remains in applying this concept and designing appropriate 

modelling frameworks for SOC mapping.

Another motivation for this study lies in the fact that the demand for 

accurate regional-scale soil predictions is often difficult to directly fulfill 

using existing global-scale soil map products. Some efforts have pro-

duced global maps of soil carbon at medium spatial resolutions, such as 

the well-known Harmonized World Soil Database (HWSD) (

FAO, 2012

) 

and SoilGrids product (

Hengl et al., 2014, 2017; Poggio et al., 2021

). 

However,  recent studies have highlighted significant uncertainties  in 

these global soil gridded datasets (

Dai et al., 2019; Lilburne et al., 2024

). 

This is largely due to incomplete coverage of global soil profiles, limiting 

representation across all areas (

Batjes et al., 2017

). Moreover, global- 

scale  modelling  often  underestimates  or  biases  the  high  spatial  vari-

ability of soil carbon at local scales. This is because spatial predictions 

tend to smooth distribution tails (

Nussbaum et al., 2023

) and encounter 

gaps in predictor space where training sample data is insufficient (

Meyer 

and Pebesma, 2021

). In addition, models developed for global applica-

tions, such as the random forest (RF) models for producing SoilGrids, 

cannot be directly transferred to local areas. These factors impede the 

potential re-utilization of global-scale data and models, which would be 

a  valuable  foundational  resource  for  enhancing  regional-scale  SOC 

predictions.

To address this challenge, we propose leveraging a Global Soil Car-

bon Pre-trained Model (GSoilCPM), initially trained on global-scale soil 

profiles  with  SOC  observations  and  remote  sensing  derived  environ-

mental covariate datasets, to enhance regional-scale SOC mapping. The 

model architecture not only adopts soil formation theory (

Jenny, 1941; 

McBratney  et  al.,  2003

)  to  differently  process  the  environmental 

covariates  influencing  soil  by  variable  category,  but  also  uses  deep 

convolutional networks to separately extract latent feature from each 

covariate  category  with  varying  window  sizes  that  captures  spatial 

contextual information. The pre-trained model can then be fine-tuned 

with  an  additional  round  of  parameter  optimization  to  perform 

regional SOC mapping tasks.

Here, we aim to determine whether the proposed deep-learning (DL)- 

based  model  can  achieve  competitive  performance  compared  to  the 

widely  used  ensemble  machine  learning  models  at  the  global  scale. 

Then, we hypothesize that the challenges of data scarcity and complex 

nonlinear patterns in a target region can be mitigated by utilizing the 

pre-trained  global-level  model.  To  investigate  this  hypothesis,  we 

applied a transfer learning approach to bridge the gap between global 

and regional soil

–

environment relationships. This allows the generalized 

knowledge  captured  by  the  global  model  to  be  localized,  enhancing 

regional SOC modelling. Establishing this ‘global-to-regional

’ 

modelling 

strategy  is grounded  in  the idea  that, while  local soil conditions are 

shaped by site-specific processes, many underlying mechanisms driving 

soil variations are governed by universal geographical and ecological 

principles. Therefore, those macro-scale regularities captured in a global 

model  can  serve  as  a  knowledge  prior  and  can  provide  a  structured 

starting point for guiding regional soil predictions.

In this study, we first introduced the GSoilCPM model and trained it 

using the latest global soil profile database from the World Soil Infor-

mation Service (WoSIS), integrated with various environmental cova-

riates, including reflectance bands from satellite observations, climate, 

topography,  vegetation  and  parent  materials.  We  then  applied  the 

GSoilCPM model to generate SOC maps in four regions with four distinct 

landscape  backgrounds  and  varying  data  availabilities.  These  results 

were  compared  with  predictions  from  SoilGrids,  RF  models,  and  DL 

models without pre-training. Finally, we examined the advantages of 

using the global-scale model to enhance regional soil carbon modelling, 

supported  by  varying  sizes  of  sample  data  in  each  case  study  areas, 

thereby  illustrating  the  applicability  and  prospects  of  this  modelling 

strategy.

2. Materials and methods

2.1. Global-scale datasets

2.1.1. Soil samples

The  global-scale  soil  sample  data  were  sourced  from  the  WoSIS 

database  (

Batjes  et  al.,  2020,  2024

),  one  of  the  largest  and  most 

comprehensive repositories of harmonized soil profile data worldwide. 

For this study, we used the 

“

WoSIS snapshot 

– 

September 2019

”

, which 

comprises  196,498  geo-referenced  soil  profiles  worldwide  with  over 

832,000 soil layers or horizons. We filtered the profiles to include only 

those with measurements of SOC content (g kg

−

1

), and then checked for 

the layer observations up to a depth of 0.3 m. The profiles with low 

accuracy of the geographical coordinates (i.e., missing the information 

of degree, minute or second data) and those flagged as containing sur-

face litter were excluded. A total number of 106,167 global soil samples 

were finally obtained for this study. To estimate the mean SOC content 

in topsoil (0

–

0.3 m), we employed the equal-area spline algorithm to fit 

multiple SOC observations at different depth intervals. This method has 

been proven to be superior to alternative functions (

Bishop et al., 1999; 

Malone et al., 2009

). The average of the fitted SOC values from 0 to 0.3 

m was calculated as SOC content in topsoil for each sample location. 

After above data processing, the global soil profile locations, along with 

their topsoil organic carbon content values are shown in 

Fig. 1

a

. These 

profiles provide a broad geographic coverage, ensuring a representative 

sample  set of  global  soil  distributions across different  environmental 

conditions.

2.1.2. Environmental covariates that related with SOC

The  environmental  covariates  contain  a  series  of  variables  that 

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

2

 

influence soil carbon variations (

Table 1

). As one of the aims of this 

study is to build a pre-trained large-scale model that links SOC with 

environmental conditions, we selected most basic environmental vari-

ables as covariates, according to the concepts of soil formation factors 

and soil

–

landscape relationships (

Jenny, 1941; Hudson, 1992; Zhu et al., 

2001; McBratney et al., 2003; Zhu et al., 2018

). These covariates include 

climate, topography, vegetation, and parent material. We also collected 

remote-sensing-based surface reflectance information with seven spec-

tral  bands  from  the  moderate-resolution  imaging  spectroradiometer 

(MODIS) data product. Details of these covariates are shown in 

Table 1

and 

Table S1

, and are also described as follows.

The remote sensing images that include multiple reflectance bands 

can  be  used  as  important  predictors  for  soil  mapping.  Different  soil 

properties, such as soil texture, moisture content, organic matter and 

mineral composition, reflect and absorb light differently across various 

wavelengths (

Viscarra Rossel et al., 2006a, 2006b; Mulder et al., 2011

). 

Thus, it is useful to feed the spectral bands into the model for analyzing 

reflectance patterns and inferring soil characteristics. We collected the 

reflectance data with seven bands (620

–

670 nm, 841

–

876 nm, 459

–

479 

nm, 545

–

565 nm,1230

–

1250 nm, 1628

–

1652 nm, and 2105

–

2155 nm) 

from  the  Moderate  Resolution  Imaging  Spectroradiometer  (MODIS) 

MCD43A4 (version 6.1) data product (

Schaaf and Wang, 2021

). This 

dataset provides Nadir Bidirectional Reflectance Distribution Function 

(BRDF)-Adjusted  Reflectance  (NBAR)  values,  with  a  500  m  spatial 

resolution.

The temperature and precipitation variables obtained from World-

Clim (version 2) (

Fick and Hijmans, 2017

) were used to represent the 

climate condition for each sample location. In addition to the annual 

mean temperature and annual precipitation, the variables of tempera-

ture seasonality and precipitation seasonality (calculated as coefficient 

of variation for annual range of temperature and precipitation) were 

also adopted for reflecting the seasonal variations of these two climatic 

factors. The spatial resolution of these climatic factors is 1 km.

Five  important  topographic  variables,  including  elevation,  slope, 

aspect, vector ruggedness measure, stream power index, were collected 

from  the  Multi-Error-Removed  Improved  Terrain  (MERIT)  DEM  data 

product  (

Yamazaki  et  al.,  2017

)  and  Geomorpho90m  global  dataset 

(

Amatulli et al., 2020

). The spatial resolution of these topographic fac-

tors is 90 m.

The  variables  representing  vegetation  growth  were  obtained  by 

using vegetation indices derived from the satellite sensors of the MODIS. 

The MODIS Vegetation Indices product (MOD13A1 v061) (

Didan, 2021

) 

was  adopted  for  extracting  annual  mean  Enhanced  Vegetation  Index 

(EVI),  annual  minimum  EVI,  annual  maximum  EVI  values  at  each 

sample location. The spatial resolution of the vegetation index value for 

each pixel is 500 m.

The bedrock property plays a key role in many processes at the Earth 

surface, and it is also an important influencing factor for soil predictions. 

We collected the rock property information from a global lithological 

map database (GLiM) with a resolution of 0.5 degree (

Hartmann and 

Moosdorf, 2012

), and extracted the value of basic lithological class at 

each soil sample location.

The integration  of  above  datasets allows for  the  establishment of 

relationships  between  SOC  and  environmental  covariates  at  a  global 

scale, providing a solid foundation for the development and training of 

our deep learning model. It is noted that the set of covariates collected 

above for modelling was not designed to be too large for exhaustively 

covering all surface information, such as more different combinations of 

features across the spectra. The reason to reduce this complexity is that 

the goal of our modelling at the global scale is to generate a pre-trained 

large  model  reflecting  the  basic  soil

–

environment  relationships.  Our 

emphasis  is  on  constructing  a  foundational  global-to-regional  soil 

Fig. 1.

Spatial distributions of global and regional soil sample data. a, A total number of 106,167 sampling sites (soil profiles) including soil organic carbon (SOC) 

observations in topsoil were collected from WoSIS database. b-e, Four regional-scale study areas with SOC sample data that are not included in WoSIS database. These 

study areas are located in Anhui province, China (region 1, 

n 

=

819) (b), Switzerland (region 2, 

n 

=

150) (c), Skjern river catchment, Denmark (region 3, 

n 

=

317) 

(d), and New South Wales, Australia (region 4, 

n 

=

490) (e).

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

3

 

mapping  approach  that  is  transferable  across  regions  and  built  on 

covariates that are widely recognized as core drivers of soil formation, 

broadly available and minimally uncertain. In this sense, we intention-

ally  designed  the  scope  of  input  variable  set  to  include  the  most 

fundamental  and  widely  accessible  environmental  covariates  as 

described above. This way can make it easier for any modelers or users 

to first collect the same set of basic covariate data to re-utilize the pre- 

trained model we presented here, and then to adjust or extending the 

model by using their local-specific datasets.

2.2. Regional-scale study areas and datasets

To evaluate the transferability of the global-scale pre-trained model, 

four distinct regional-scale study areas were selected in consideration of 

their varying environmental backgrounds and SOC gradients. Three of 

these study areas are located in the Northern Hemisphere, and one is in 

the Southern Hemisphere (

Fig. 1

b-e

). These regions were chosen for 

representing  different  climates,  biomes  and  land  covers,  thereby 

providing a robust test for applying the proposed modelling strategy 

across different regional scales.

Region  1  represents  the  coverage  of  Anhui  province  in  central- 

eastern China, characterized by a subtropical humid monsoon climate 

(

Yang et al., 2021b

). The elevation is roughly from 0 to 1806 m with flat 

plains in the north, low hills in the middle and rugged mountainous 

terrain in the south. The average annual temperature in Anhui is around 

15 

◦

C, with annual precipitation ranging from 750 to 2000 mm. The land 

cover types mainly consist of croplands, forests and grass and shrub-

lands. Our research group has collected 819 soil samples with SOC ob-

servations in this area (

Fig. 1

b

) (

Zhang et al., 2022b

). Region 2 covers 

the entire country of Switzerland. The climate in this region is generally 

temperate but varies greatly across localities, ranging from the near- 

Mediterranean climate at the southern tip to the glacial conditions on 

the mountaintops. More than half of this region is dominated by the 

Swiss Alps with rugged peaks, deep valleys and numerous glaciers. The 

remaining areas are broadly categorized into the Swiss plateau and the 

Jura mountains. The two primary terrestrial ecoregions in this region are 

the western European broadleaf forests and the conifer and mixed for-

ests of the Alps (

Dinerstein et al., 2017

). There are 150 soil samples 

collected  from  the  EU  project  Land  Use/Cover  Area  Frame  Survey 

(LUCAS) (

Orgiazzi et al., 2018

) in this region (

Fig. 1

c

). Region 3 is the 

Skjern  river  catchment  located  in  Western  Jutland,  Denmark.  The 

climate in this area is temperate maritime, with a mean annual tem-

perature of approximately 8 

◦

C and annual precipitation around 990 

mm. The land surface elevations are from sea level at the coast to 125 m 

above sea level in the eastern area (

Jensen and Illangasekare, 2011

). The 

land use is mainly agriculture, followed by grasslands and forests. There 

are 317 soil samples collected in this area (

Peng et al., 2015

) (

Fig. 1

d

). 

Notably,  the  soil  samples  from  the  above  three  study  areas  are  not 

included in the WoSIS database. Region 4 is New South Wales in eastern 

Australia. The climate varies from warm temperate in the north and east 

to hot arid in the far west and subalpine in the southeastern highlands. 

Annual rainfall ranges from less than 200 mm to over 2,000 mm, with 

average  daily  maximum  temperatures  between  12 

◦

C  and  30 

◦

C. 

Elevation goes from sea level along the coast to over 2,000 m inland. The 

land is used for large-scale agriculture (crops and livestock), forestry 

(native forests and plantations), urban development in major cities, and 

conservation areas like national parks (

Wang et al., 2022

). In this region, 

490 soil samples were collected, with half included in the WoSIS data-

base and half not (

Fig. 1

e

).

The environmental covariates in these four regions were collected 

and processed to align with the datasets and variables used in the global 

dataset. The water bodies and urban areas in these study areas were 

excluded when applying models to generate the predicted maps of SOC. 

The  descriptive statistics  of  the  soil  and environmental  covariates in 

these regions are shown in 

Table S2-S5

.

Table 

1 

Description 

of 

environmental 

covariates 

associated 

with 

soil 

organic 

carbon 

variations 

used 

as 

inputs 

to 

train 

the 

global-scale 

pre-trained 

deep 

learning 

model.

Category

Covariate 

name

Abbreviation

Spatial 

resolution

Window 

size 

(default)

Data 

source

Reference

Reflectance 

bands

NBAR 

band1 

(620

–

670 

nm)

BAND1

500 

m

5 

×

5

MODIS 

BRDF/Albedo 

products 

(MCD43A4 

v061)

(

Schaaf 

and 

Wang, 

2021

)

NBAR 

band2 

(841

–

876 

nm)

BAND2

NBAR 

band3 

(459

–

479 

nm)

BAND3

NBAR 

band4 

(545

–

565 

nm)

BAND4

NBAR 

band5 

(1230

–

1250 

nm)

BAND5

NBAR 

band6 

(1628

–

1652 

nm)

BAND6

NBAR 

band7 

(2105

–

2155 

nm)

BAND7

Climate

Annual 

mean 

temperature

BIO01

1 

km

3 

×

3

WorldClim 

(version 

2)

(

Fick 

and 

Hijmans, 

2017

)

Temperature 

Seasonality

BIO04

Annual 

Precipitation

BIO12

Precipitation 

Seasonality

BIO15

Topography

Elevation

ELEV

90 

m

7 

×

7

Geomorpho90m

(

Amatulli 

et 

al., 

2020

)

Slope

SLP

Aspect

ASP

Vector 

ruggedness 

measure

VRM

Stream 

power 

index

SPI

Vegetation

Annual 

mean 

EVI

EVI_mean

500 

m

5 

×

5

MODIS 

Vegetation 

Indices 

product 

(MOD13A1 

v061)

(

Yamazaki 

et 

al., 

2017; 

Didan, 

2021

)

Annual 

minimum 

EVI

EVI_min

Annual 

maximum 

EVI

EVI_max

Parent 

material

Bedrock 

type

BEDROCK

0.5

◦

1 

×

1

GLiM

(

Hartmann 

and 

Moosdorf, 

2012

)

Note: 

Moderate 

Resolution 

Imaging 

Spectroradiometer 

(MODIS); 

Nadir 

Bidirectional 

Reflectance 

Distribution 

Function 

(BRDF)-Adjusted 

Reflectance 

(NBAR); 

Enhanced 

Vegetation 

Index 

(EVI); 

Global 

Lithological 

Map 

Database 

(GLiM).

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

4

 

2.3. Architecture of ‘GSoilCPM

’ 

deep learning model

The proposed GSoilCPM model is built on a deep learning framework 

to capture the complex relationships between SOC and environmental 

covariates. The model uses a deep neural network architecture, specif-

ically a convolutional neural network (CNN), to extract important fea-

tures from the input data, connect and fuse these features, and finally 

generate the predicted values. The overall architecture of the model is 

shown in 

Fig. 2

.

The model inputs are separated by the category of covariate, with 

each category having a pre-defined 2-D (dimensional) input size. This 

input consists of a set of pixels in square shape with a center pixel where 

a  soil  sample  located  in,  and  then  includes  pixels  within  a  window 

expanding outward from the center point, with a specific spatial reso-

lution for matching the original imagery dataset. This allows the model 

to  process  covariates  separately  by  considering  their  varying  spatial 

contexts and resolutions. For example, the climatic variables are often 

not necessary to have a high resolution like topographic variables, as the 

magnitude  of  variations  in  spatial  neighborhood  information  is  rela-

tively smaller in climatic variables than that in topographic variables. 

Therefore,  different  covariates  need  be  processed  with  their  specific 

window sizes and resolutions before being used as model inputs.

Each category of covariates includes multiple 2-D input variables 

with the same window size and resolution, allowing them to be com-

bined into a 3-D input for that category. The CNNs were adopted to 

process these inputs separately and extract their latent features. This 

includes multiple times of convolutional and pooling operations, which 

are effective in feature extraction (

LeCun et al., 2015

). More details on 

the operations in CNNs refer to Appendix A1. Each category of cova-

riates can  be processed to  produce a vector  of  extracted  feature. All 

feature vectors  are  then concatenated into a single, longer vector.  A 

second  round  of  CNN  processes  this  combined  vector  to  extract  the 

Fig. 2.

Architecture of the Global Soil Carbon Pre-trained Model (GSoilCPM). This global-scale model for predicting soil organic carbon (SOC) is designed by using a 

deep learning framework with a structure that allows for differentiated processing environmental covariates influencing SOC based on soil formation theory. The 

model uses convolutional networks to extract the latent features from multiple 2-D covariate data for each input category separately, with adjustable window size to 

account for spatial context and resolution of inputs. These extracted features are concatenated together and processed through convolution and fully connected layers 
to extract their interactions, and then output the final predicted SOC (

̂

SOC

). The global soil profile observations and remote sensing derived environmental covariates 

are collected as the global-scale database to support the training procedure of the model. The lighted arrow lines in orange represent that using backpropagation to 

optimize model parameters by minimizing the loss function generated from comparing the difference between predicted and observed SOC values. (For interpretation 

of the references to color in this figure legend, the reader is referred to the web version of this article.)

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

5

 

interactions among these features. The dropout layers are included to 

prevent overfitting. We call this the feature fusion process, which sup-

ports the subsequent stage that uses a multilayer neural network (Ap-

pendix A2) for continued forward computation. Finally, fully connected 

layers perform the regression to output the predicted SOC (

̂

y

).

2.4. Global-to-regional training strategy

Different from the usual way of regional soil predictions and soil 

mapping based on data only in those regions, in this study, the regional 

soil predictive mapping task is performed by using the regional data 

with the support of global data. This modelling idea can be called as a 

‘global-to-regional

’ 

model  training  strategy.  The  basic  concept  to 

implement it is using domain adaptation via transfer learning. It aims to 

adapt a deep learning model trained on a source domain (i.e., global- 

scale  soil  prediction)  to  perform  well  on  a  target  domain  (i.e., 

regional-scale soil prediction), when data distribution in the two do-

mains are different but the prediction tasks are similar. Based on the 

deep learning architecture, domain adaptation can be done by reusing 

the learned feature representations from a data-rich source domain and 

fine-tuning the model using relatively limited data from target domain 

(

Ganin et al., 2016; Farahani et al., 2021

). The specific methodology and 

implementation of the above basic concept are described as follows.

Typically, DSM relies on datasets in a certain study area. A data- 

driven  approach  is  often  adopted,  employing  a  machine  learning 

model  to  establish  a  soil

–

environment  relationship  (

f

)  based  on  soil 

samples  and  environmental  covariate  datasets  only  from  that  region 

(

Fig. 3

a

). This conventional approach can generate a predictive model 

(

f

θ

r

:

X

r

↦

y

r

) for a region as follows: 

̂

y

r

=

f

θ

r

(

X

r

)

(1) 

where 

X

r 

represents  the  environmental  covariates  in  the  region; 

̂

y

r 

represents  the  predicted  SOC  values  in  the  region; 

θ

r 

represents  the 

model parameters (e.g., the weights that are parameterized in a deep 

neural network), which can be trained by minimizing the loss function 

as follows: 

̂

θ

r

=

argmin

θ

r

L

(

y

r

,

f

θ

r

(

X

r

)

)

=

argmin

θ

r

1

n

r

∑

n

r

i

=

1

(

y

(

i

)

r

−

f

θ

r

(

x

(

i

)

r

) )

2

(2) 

where 

L

( • )

is the loss function measuring the mean squared difference 

between the predicted values 

f

θ

r

(

X

r

)

and observed SOC values (

y

r

); 

n

r 

is 

the number of samples in the region; 

x

(

i

)

r 

and 

y

(

i

)

r 

represent the envi-

ronmental covariates and the observed SOC values for the 

i

-th sample in 

the  regional  data,  respectively.  Here, 

θ

r 

is  optimized  from  random 

starting values, without any prior support from the data out of the re-

gion.  The  backpropagation  procedure  is  adopted  to  compute  the 

gradient of the loss function with respect to the model parameters to 

train the model (Appendix A3).

In  this  study,  the  global-to-regional  training  strategy  is  shown  in 

Fig.  3

b

.  We  first  fit  a  global-level  soil

–

environmental  relationship 

(

f

θ

g

:

X

g

↦

y

g

), which is trained by minimizing the loss function on the 

global dataset: 

̂

θ

g

=

argmin

θ

g

L

(

y

g

,

f

θ

g

(

X

g

) )

=

argmin

θ

g

1

n

g

∑

n

g

j

=

1

(

y

(

j

)

g

−

f

θ

g

(

x

(

j

)

g

) )

2

(3) 

where 

X

g 

and 

y

g 

represent  the  environmental  covariates  and  the 

observed  SOC  values  for  all  global  samples,  respectively; 

n

g 

is  the 

number of global samples (generally 

n

g

≫

n

r

); 

x

(

j

)

g 

and 

y

(

j

)

g 

represent the 

environmental  covariates  and  the  observed  SOC  values  for  the 

j

-th 

sample in the global data, respectively.

Then, the global model can be fine-tuned using the dataset in a target 

regional area to obtain the regional-level soil

–

environment relationship 

(

f

θ

g

→

r

). Therefore, to transfer the global model to a regional setting, we 

define an adaptation procedure 

F

adapt 

that transforms the pre-trained 

global  model  into  a  regional  model  by  considering  limited  regional 

sample data: 

f

θ

g

→

θ

r

=

F

adapt

(

f

θ

g

;

X

r

,

y

r

)

(4) 

Alternatively,  the  adaptation  can  be  expressed  as  optimizing  the 

regional-specific parameter shift 

Δ

θ

: 

θ

r

=

θ

g

+

Δ

θ

(5) 

̂

Δ

θ

=

argmin

θ

g

L

(

y

r

,

f

θ

g

+

Δ

θ

(

X

r

)

)

(6) 

This formalism explicitly reflects that the regional model can be built 

upon the global model and optimized further with regional data, via a 

training procedure of adaptation. It is noted that this training strategy 

allows the regional model parameters 

θ

r 

to be initialized and further 

optimized from the pre-trained global parameters. This training strategy 

is  particularly  valuable  for  DSM,  where  regional  datasets  are  often 

sparse,  but  global  datasets  are  more  comprehensive.  By  employing 

domain adaptation via transfer learning, it enables knowledge reuse of 

the  generalized  soil

–

environment  relationships  learned  globally, 

thereby  reducing  local  data  requirements  and  enhancing  predictive 

Fig. 3.

The difference of basic concepts between the conventional and the proposed new soil mapping methods. (a) The conventional data-driven approach which 

trains a soil

–

environmental relationship (

f

r

) at the regional level only using the soil sample and environmental covariate datasets in a certain region. (b) The proposed 

new soil prediction/mapping approach first fits a global-level soil

–

environment relationship (

f

g

) (it can be fitted by the proposed GSoilCPM that is illustrated in 

Fig. 2

), and then fine-tunes the model by using the dataset in a target regional area to obtain the regional-level soil

–

environment relationship (

f

g

→

r

). An adaptation 

procedure 

F

adapt 

is used to transform the pre-trained global model into a regional model by considering limited regional sample data (

Data

r

).

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

6

 

performance.

The previously described global soil profile data with SOC observa-

tions and remote sensing derived environmental covariates, serve as the 

global- and regional scale database to support this training process. The 

backpropagation is used to optimize model parameters based on the loss 

function, which is represented as the lighted arrow lines in orange color 

in 

Fig. 2

.

2.5. Evaluation of SOC predictions

A ten-fold cross-validation was adopted to assess the prediction ac-

curacy by using different modelling methods. This approach helps pre-

vent bias in evaluation caused by the possible overfitting of the model to 

a single validation set. In each region, all samples were partitioned into 

ten subsets. Nine subsets were used as the training data to fit the model, 

and the model performance was validated on the remaining fold. The 

final assessment of the model was based on the mean accuracy across the 

ten validation sets. To ensure a representative spatial distribution of the 

training and validating sample sets, we adopted a global grid with 5-by- 

5-degree latitude-longitude space, covering the globe, and then split the 

training and validating sample sets in each grid cell for ensuring uniform 

spatial coverage. This procedure was repeated ten times, and each time 

using a different subset for validation. The accuracy metrics of the mean 

absolute error (MAE) and the concordance correlation coefficient (CCC) 

were computed on the validation samples to assess the model perfor-

mance: 

MAE

=

∑

n

i

=

1

|

y

i

−

̂

y

i

|

n

(7) 

CCC

=

2

r

σ

y

σ

ˆ

y

σ

2

y

+

σ

2

ˆ

y

+ (

y

−

̂

y

)

2

(8) 

where 

n 

is the number of validation samples; 

y

i 

and 

̂

y

i 

are 

i

-th observed 

and predicted SOC value respectively; 

y 

and 

̂

y 

are the averages of the 

observed and predicted values; 

σ

y 

and 

σ

ˆ

y 

are the corresponding standard 

deviations; and 

r 

is the correlation coefficient value between the pre-

dicted and observed values. A smaller value of MAE or a larger value of 

CCC means a higher prediction accuracy.

The random forest (RF) model was taken as a reference model for 

comparing  with  our  proposed  modelling  approach.  As  an  ensemble 

model,  RF  generates  random  subsets  of  data  to  train  different  base 

learners and then aggregates their predictions, which allows it to have a 

good  ability  in  generalization.  Considering  RF  has  been  tested  to  be 

superior to many other conventional machine learning models for soil 

mapping tasks (

Brungard et al., 2015; Heung et al., 2016; Zhang et al., 

2021

), it is reasonable and more challenging to adopt it as an reference 

model or a baseline to evaluate the performance of the proposed deep 

learning  model.  The  RF  model  was  trained  only  on  regional  data, 

considering it exemplifies a conventional 

“

local-only

” 

machine learning- 

based modelling strategy, which is commonly used in many regional 

DSM  tasks.  To  illustrate  the  efficiency  and  advantages  of  using  pre- 

trained  global-scale  model  for  enhancing  regional-scale  SOC  pre-

dictions, the deep learning model with the same architecture and built 

on regional data but without using the pre-training was also taken for 

comparing.  The  data  split  for  training  and  validation  in  the  cross- 

validation  was  identical  for  both  the  RF  and  DL  models,  ensuring  a 

consistent  basis  for  model  evaluation  and  comparison.  We  further 

compared our regional modelling results with the SoilGrids product to 

highlight how widely used global soil data products suffer from potential 

biases in regional-scale predictions.

To test how modelling improvement (measured as the percentage 

improvement of prediction accuracy from GSoilCPM versus the baseline 

RF model) changes in response to different regional sample sizes and 

baseline accuracies, we determined different numbers of sample data for 

training  models  and  thus  to  detect  the  potential  relationships.  We 

randomly selected different proportions of sample data (ranging from 

10% to 100% with an interval of 10%) to the total available training data 

in each region. For each sample size, we repeated the random sampling 

process 100 times, allowing us to observe statistical differences in the 

modelling  results  across  sample  sizes.  We  further  aggregated  all 

modelling results to analyze the relationship between model improve-

ments and changes in the baseline accuracy of SOC prediction in each 

study area.

3. Results and Discussion

3.1. Assessment of global-scale modelling

The  global-scale  deep  learning  model  (GSoilCPM)  exhibited 

competitive model performance of SOC compared with the widely used 

RF model at the global scale (

Fig. 4

), both of which were trained on the 

same  WoSIS  global  soil  sample  data  and  environmental  covariates. 

Specifically,  cross-validation  results  illustrate  that  the  deep  learning 

model  achieved  an  accuracy  of  7.15  g  kg

−

1 

in  mean  absolute  error 

(MAE) and 0.57 in concordance correlation coefficient (CCC), while the 

RF model had a MAE of 7.56 g kg

−

1 

in and a CCC of 0.57. The RF model 

is  well-known  for  its  strong  generalization  capability  and  has  been 

widely  used.  While  previous  studies  have  showed  challenges  in  sur-

passing  RF  performance  with  deep  learning  models  (

Wadoux,  2019; 

Yang et al., 2021a

), our results indicate that deep learning model can 

achieve  a  comparable  or  slightly  better  prediction  accuracy  in  both 

metrics  when  large  amounts  of  global-scale  data  are  available.  Both 

models effectively captured the global variability in SOC by modelling 

the  complex  relationships  between  SOC  and  various  environmental 

covariates.

3.2. Global-scale pre-trained GSoilCPM allows enhancement in regional- 

scale SOC predictions

SOC prediction accuracies for different models across the four re-

gions were assessed using ten-fold cross-validation (

Fig. 5

). For com-

parison,  we  also  evaluated  the  accuracy  of  the  SoilGrids  product, 

validated by our regional sample data (column 1 in 

Fig. 5

). In general, 

across  all  four  study  areas,  models  trained  on  regional  sample  data 

produced significantly better predictions than using SoilGrids directly. 

This is because SoilGrids was derived from a model trained on a global 

soil sample database (i.e., WoSIS data) that does not include samples 

from our study areas. While previous studies have shown that SoilGrids 

can provide good SOC predictions (

Hengl et al., 2017; Poggio et al., 

2021

),  our  findings  suggest  that  its  global  model  cannot  guarantee 

acceptable accuracy in regions lacking WoSIS sample data.

Comparing the baseline RF model with the DL model without pre- 

training (i.e., models are trained only based on the data in a region) 

(columns 2 and 3 in 

Fig. 5

), we found that the proposed DL model ar-

chitecture (without pre-training) achieved competitive result compared 

to RF, even with limited regional sample data. More importantly, we 

found that when we used the DL model with pre-training, which means a 

pre-trained GSoilCPM was constructed and then it was transferred into 

these regional study areas, model performance shows a large improve-

ment (column 4 in 

Fig. 5

). These results support our hypothesis that the 

regional-scale soil carbon predictions can be enhanced by transferring 

global-scale  soil

–

environment  relationships  via  using  a  DL-based 

modelling approach. Specifically, in four case studies from Region 1 to 

Region 4, the metrics of MAE (unit: g kg

−

1

) decreased by 0.13, 0.14, 0.08 

and 0.04, and the metrics of CCC increased by 0.43, 2.23, 1.75 and 0.40 

when comparing the RF and fine-tuned pre-trained DL models, respec-

tively. Similar improvements in accuracy metrics were observed in all 

other study areas. In general, the percentage improvements are 10.21%, 

12.92%, 11.25% and 9.32% in MAE and 41.94%, 32.56%, 36.36% and 

5.33% in CCC for Regions 1

–

4, respectively. The average improvement 

across all regions is 10.93% (decreased by 1.20 g kg

−

1

) in MAE and 

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

7

 

29.04% (increased by 0.10) in CCC. These results substantiate that, by 

leveraging the GSoilCPM deep learning model pre-trained based on a 

vast repository of global SOC data, the model can effectively transfer its 

nuanced  understanding  of  complex  global  soil

–

environment  relation-

ships to capture regional soil variations.

When comparing mapping results from SoilGrids, RF models, and 

pre-trained DL models, similar general pattern of SOC variation across 

space are observed in each region. However, substantial differences in 

value ranges and some local details of SOC distributions are observed 

(

Fig. 6

). It shows that SoilGrids tend to overestimate SOC in regions with 

lower SOC (relative to the global mean), and underestimate SOC in re-

gions with higher SOC. For example, across the mountainous areas of 

Switzerland (Region 2) and arid areas in New South Wales, Australia 

(Region  4),  SoilGrids  shows  a  large  bias  compared  to  the  prediction 

maps generated using local sample data (

Fig. 6

d-f, j-l

). This bias may 

result from the RF model

’

s tendency to compress the range of predicted 

values due to its intrinsic method of averaging multiple predictions from 

individual trees, smoothing out extremes and reducing variability in the 

predictions (

Nussbaum et al., 2023

). This problem is more prominent 

when  comparing  the  regional  and  global  mapping  results,  as  the 

regionally extreme low and high SOC values might be compressed to 

reduce the global-level bias in average.

The mapping results from RF and GSoilCPM (pre-trained DL model) 

also  show  notable  differences.  The  SOC  maps  derived  from  the  pre- 

trained DL model show more detailed spatial heterogeneity, especially 

can be found in mountainous and rugged areas across the southern part 

in Region 1 and 2. This can be partly explained by the fact that the 

proposed DL model can produce a higher spatial resolution of mapping 

results.  This  advantage  comes  from  the  GSoilCPM  model

’

s  ability  to 

incorporate covariate data with different spatial contexts and different 

original  resolutions,  whereas  traditional  models  usually  require  all 

covariates  to  be  pre-processed  to  the  same  resolution.  This  pre- 

processing step may lead to the loss of detailed information from local 

neighborhood pixels (

Wadoux, 2019; Yang et al., 2021a; Zhang et al., 

2022a

),  such  as  high  resolution  topographic  variables.  Due  to  that 

different factors may influence SOC at different spatial scales (

Behrens 

et al., 2010; Tan et al., 2024

), resampling all the covariates into a same 

fixed resolution may cause mismatches between the affecting scale of 

environmental  factors  on  SOC.  Moreover,  the  density  distribution  of 

SOC values mapped by the pre-trained DL model better matches the 

sample-level SOC distribution than that from RF model (

Fig. S1

), and 

the DL model also demonstrated higher validation accuracy. Therefore, 

the prediction maps of SOC generated by the pre-trained DL models can 

be considered more reliable. By combining global and regional soil and 

environmental datasets via transferring a pre-trained DL model, the final 

prediction maps reconciled the global knowledge of soil

–

environment 

relationships extracted from global databases with the region-specific 

SOC patterns derived from local observations.

3.3. Modelling improvement related with sample size and baseline 

accuracy

The relationships between model improvement (i.e., the accuracy 

improvement of the pre-trained DL model over the baseline as repre-

sented by the RF model), regional sample size, and baseline accuracy are 

crucial for understanding how the performance of GSoilCPM changes 

under different conditions. In our analysis, we observed that applying 

GSoilCPM in all four regions consistently resulted in better performance 

on average, compared to the baseline (

Fig. 7

a

). More importantly, it 

shows that the degree of enhancement in SOC prediction particularly 

became greater as the number of samples in a region decreased (

Fig. 7

a

). 

This trend highlights the advantages of transferability and robustness of 

the GSoilCPM, particularly when regional sample data are limited. For 

instance, in Region 2 and 3, models trained with less than half the total 

sample size reported an over 50% model improvement on average. This 

trend was less evident in Region 1, where the degree of improvement 

remained  relatively  consistent  across  different  sample  sizes.  This  is 

mainly  because  Region  1  has  the  largest  number  of  sample  data 

compared to the other three regions, leading to less contrast in model 

performance when using samples sizes greater than ten percentage of 

the total. In addition, it also indicates that a larger number of available 

regional  samples  may  sometimes  continuously  contribute  to  further 

improvement in DL model fitting.

The observed improvements are also closely linked to baseline ac-

curacy 

— 

specifically,  the  prediction  accuracy  derived  from  the  RF 

model. In cases where baseline accuracy was lower, the degree of pre-

diction  enhancement  when  utilizing  GSoilCPM  tended  to  be  higher 

(

Fig.  7

b

).  Conversely,  in  areas  with  a  higher  baseline  accuracy,  the 

relative improvements were more modest. This phenomenon was found 

in  all  four  study  areas.  Interestingly,  the  slope  of  this  negative  rela-

tionship was more pronounced when the mean prediction accuracy of 

the baseline RF model was low, such as the steep slope shown in Region 

2  and 3  when  the  CCC of  RF  model result  was  below  0.3 (

Fig. 7

b

). 

Generally, these results demonstrate that as the number of soil samples 

decreases,  incorporating  a  pre-trained  DL  model,  such  as  GSoilCPM 

proposed in this study, not only enhances SOC prediction accuracy but 

does so more effectively where the model performance is relatively low 

when only using regional sample data.

3.4. Modelling from globe to regions: A new paradigm for soil mapping

The modelling strategy employed in this study represents a potential 

Fig. 4.

The validation accuracies of modelling soil organic carbon content (SOC) by using random forest model (a) and the proposed GSoilCPM deep learning model 

(b) at the global scale. All dots are the observed and predicted SOC values for all validation samples from ten-fold cross-validation.

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

8

 

paradigm shift in soil mapping, wherein global-scale pre-training a DL 

model  can  serve  as  a  domain  adaptation  model  for  more  accurate 

regional-scale soil predictions. By generating the interconnectedness of 

SOC and environmental covariates on a global scale, we can establish 

frameworks that facilitate the regional application of soil mapping via 

the  GSoilCPM  architecture.  Traditionally,  regional  soil  mapping  ap-

proaches  often  rely  solely  on  limited  regional  datasets,  which  may 

introduce biases and limit the generalizability of models when regional 

sample data are insufficient. Conversely, the modelling approach based 

on GSoilCPM leverages soil

–

environment relationships obtained from 

the  vast  amount  of  globally  available  soil  and  environmental  data, 

providing a helpful foundation for regional fine-tuning.

The  proposed  ‘global-to-regional

’ 

modeling  strategy  derives  its 

effectiveness  from  the  theoretical  plausibility  of  the  following  basic 

concepts. First, soil variations are fundamentally shaped by long-term 

interactions  with  climatic,  topographic,  and  ecological  factors  that 

exhibit  consistent  patterns  across  scales.  These  broad-scale 

soil

–

environment relationships, often governed by macro geographical 

and ecological regularities, can be learned from globally distributed data 

and serve as transferable knowledge. Second, deep learning models are 

well-suited  for  capturing  such  abstract  and  hierarchical  patterns, 

enabling  them  to  inductively  generalize  from  diverse  environmental 

contexts. Thus, the integration of transferable global knowledge with 

region-specific fine-tuning offers a new solution for enhancing regional 

DSM.

Furthermore, the search process for the optimal hypothesis space (i. 

e., a set of all possible functions or models that the learning algorithm 

can produce, and each function in this space represents a potential so-

lution to the problem, such as the problem of SOC prediction) regarding 

soil

–

environment relationships can be markedly improved when using 

GSoilCPM. 

Fig.  8

conceptually  illustrates  why  GSoilCPM  offers  an 

effective modelling strategy for regional soil predictions. In traditional 

regional modelling, machine learning algorithms search for an optimal 

predictive function within a hypothesis space using only local data. This 

Fig. 5.

Comparisons of validation accuracies for predicting soil organic carbon content (SOC) using different modelling strategies across four regional-scale study 

areas. Each row represents the results for one regional study area. The cross-validation accuracies for SoilGrids (a, e, i, m), random forest (RF) models (b, f, j, n), deep 

learning (DL) models without pre-training (c, g, k, o), and pre-trained DL model (i.e., GSoilCPM) (d, h, l, p) are shown in the first, second, third and fourth columns, 

respectively.

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

9

 

process  is  prone  to  overfitting  or  convergence  to  suboptimal  local 

minima,  particularly  when  observations  are  sparse.  By  contrast,  the 

GSoilCPM framework leverages a globally pre-trained model that en-

codes  generalized  soil

–

environment  relationships.  This  global  knowl-

edge effectively constrains the hypothesis space, guiding the regional 

model initialization closer to the optimal solution. As a result, the sub-

sequent  fine-tuning  process  on  regional  data  becomes  more  stable, 

sample-efficient, and less susceptible to possible poor convergence. This 

global-to-regional transfer learning approach provides a plausible way 

to reduce optimization bias in regional-scale soil mapping.

The advantage in adopting this modelling strategy also stems from 

the  fact  that  the  environmental  conditions  in  a  certain  region  often 

overlap with those collected from the global database. Using principal 

component  analysis  (PCA)  to  transform  the  soil  and  environmental 

Fig. 6.

Mapping results of predicted soil organic carbon content (SOC) derived from SoilGrids (a, d, g, j), random forest (RF) model (b, e, h, k), and the proposed pre- 

trained deep learning (DL) model (c, f, i, l). Each row shows the comparison of SOC maps in a regional area. The spatial resolution of RF and DL model derived maps 

is 90 m, compared to the 250 m resolution for SoilGrids product.

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

10

 

covariate data into a two-dimensional feature space (

Fig. S2

) shows that 

all four regions overlap with the global data, although the extent and 

location of these overlaps vary. This suggests that some of the knowl-

edge  or  relationships  generated  from  global  data  can  complement 

regional-scale SOC modelling, thereby reducing the difficulty in estab-

lishing soil

–

environment relationships given limited samples at regional 

scales. As an illustration shown in 

Fig. 9

, by initiating the search from a 

hypothesis space generated by a pre-trained model, optimization algo-

rithms  can  converge  on  the  best-fitting  solution  more  rapidly  and 

effectively. This pre-defined space incorporates knowledge accumulated 

from global datasets, providing a robust foundation for exploring model 

parameters in a local area. It can help the model optimization start from 

a pre-trained global model, which narrows down the initial hypothesis 

space and makes it easier to find a good fit for the regional data. In 

contrast, searches originating from a random starting point in the uni-

versal space often yield longer search times and may struggle to reach 

the optimal result due to the vast number of potential configurations 

involved.  A  very  large  initial  hypothesis  space  might  lead  to  higher 

possibility of overfitting, where the model may learn the noise in the 

limited training data rather than the underlying patterns.

It is also crucial to recognize the challenges associated with directly 

relying on global soil map products such as SoilGrids for regional-scale 

studies. Our results indicate that the predicted global soil map products 

may exhibit considerable biases in regions where local sample data were 

not included in the model training process, despite it has been validated 

to have strong global-level model performance. Promisingly, GSoilCPM 

is designed to overcome these biases by effectively integrating local data 

alongside global observations.

3.5. Limitations and future horizons

The  current  implementation  of  GSoilCPM  primarily  focuses  on 

Fig. 7.

Accuracy improvement with varying sample sizes (a) and baseline accuracies (b). The accuracy improvement is calculated as the percentage increase by using 

the pre-trained deep learning model (GSoilCPM) compared to random forest (RF) model. The accuracy (using the metrics of CCC here) of RF model is adopted as the 

baseline accuracy. Error bars show 90% percentile intervals of accuracy improvement for all modelling runs for each sample size.

Fig. 8.

Why GSoilCPM offers an effective modelling strategy for regional soil predictions. The background color gradient represents the variation of model accuracy 

in the hypothesis space (a searchable space of the model function). The optimal location indicates the best model function. Building a pre-trained global model to 

capture the general soil

–

environment relationships can help narrow the scope of searching regional-scale predictive function. The global-to-regional modelling 

strategy can reduce the risk of falling into local minima when fitting a machine learning (ML) model based on region data alone.

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

11

 

predicting a single soil property, specifically SOC in the topsoil, which is 

widely concerned for soil health and carbon sequestration. While this 

model has not been applied to predict other soil properties, our bench-

mark test suggests a large potential of adopting this modelling concept 

for enhancing regional predictions of all soil properties. This prompts 

further investigation to ascertain whether similar modelling techniques 

can generalize effectively to other soil mapping tasks. Additionally, how 

to modify the model to take account for the variations of soil properties 

across different soil depths is an open question. Developing a whole- 

profile  pre-trained  model  certainly  needs  further  explored  in  future 

work. Furthermore, the next version of the GSoilCPM framework could 

be  expanded  by  adding  a  modular  sub-network  designed  to  handle 

region-specific  inputs  (e.g.,  high-resolution  agricultural  management 

data),  which  can  be  integrated  during  the  regional  fine-tuning  stage 

when reliable local data are available.

While the statistical average of model accuracy show improvement 

across all four study areas, the results reveal a high degree of variability. 

The large variance in the degree of model improvement suggest that 

enhancements cannot be consistently attained across all modelling in-

stances. Some regions or data availability conditions could exhibit less 

pronounced  gains.  This  variability  necessitates  caution  when  trans-

ferring models and suggests that further studies are needed to identify 

situations where the pre-trained model may underperform.

There are promising horizons for future research and development 

related to the GSoilCPM model. One key direction involves expanding 

the  model  to  predict  multiple  soil  properties  simultaneously.  Imple-

menting a multi-task learning framework could allow us to generalize its 

findings across various soil attributes and depths. Moreover, ongoing 

investigations into optimizing the model performance under different 

regional  conditions  should  continue.  This  includes  determining  the 

optimal sizes and resolutions of model inputs, and expanding the model 

structure to allow the inclusion of specific local dataset, such as the extra 

inputs reflecting human activities for a region. Maximizing the model 

applicability from these perspectives will be a promising development 

direction to improve GSoilCPM

’

s predictability across diverse contexts.

4. Conclusion

This study presents GSoilCPM, an innovative deep learning frame-

work designed to advance the prediction and mapping accuracy of soil 

organic carbon at regional scales. By integrating global soil datasets with 

environmental covariates derived from satellite-based observations, our 

proposed modelling strategy effectively addresses a critical knowledge 

gap  on  how  to  use  the  global-scale  soil

–

environment  relationships 

learned from global databases to enhance the regional-scale soil pre-

dictions with limited regional soil data. The results in four study areas 

prove  that  GSoilCPM,  when  fine-tuned  for  regional  contexts,  signifi-

cantly  outperforms  models  trained  exclusively  on  regional  data.  The 

relationships between model improvement, regional sample size, and 

baseline accuracy that without using pre-trained model, revealed in our 

study, are crucial for understanding how the performance of GSoilCPM 

changes under different conditions. Our analyses also indicate that, re-

gions  with  fewer  soil  samples  and/or  lower  baseline  accuracy  can 

benefit  more  from  using  the  pre-trained  global-scale  model,  under-

scoring the importance of leveraging global-scale observations to over-

come local data limitations.

In  summary,  the  insights  gained  from  this  study  are  valuable  for 

better  informing  the  next  generation  of  soil  modelling  and  mapping 

methodology. The advent of the modelling approach using GSoilCPM 

signifies a transformative advancement in soil mapping, particularly in 

enhancing regional soil predictions by bridging global- and regional- 

scale  soil

–

environment  relationships.  The  breakthroughs  offered  by 

the  ‘global-to-regional

’ 

transfer  deep  learning  model  extend  beyond 

mere predictive enhancements, it represents a potential new paradigm 

in the methodology of soil mapping itself. By embracing a model that 

synergizes local insights with global knowledge, scientists and land use 

managers can achieve a data- and model-reusable approach to under-

stand soil variations more accurate. Such integration not only optimizes 

existing information but also drastically improves the modelling effi-

ciency  in  regional  soil  predictions,  positioning  GSoilCPM  as  a  new 

pivotal  tool  in  advancing  the  field  of  soil  monitoring  and  land 

management.

CRediT authorship contribution statement

Lei  Zhang: 

Writing 

– 

review 

& 

editing,  Writing 

– 

original  draft, 

Visualization,  Validation,  Supervision,  Software,  Resources,  Project 

administration,  Methodology,  Investigation,  Funding  acquisition, 

Formal analysis, Data curation, Conceptualization. 

Lin Yang: 

Writing 

– 

review 

& 

editing,  Supervision,  Resources,  Project  administration, 

Investigation,  Funding  acquisition,  Conceptualization. 

Yuxin  Ma: 

Writing 

– 

review 

& 

editing, Validation, Resources, Investigation, Data 

curation. 

A-Xing Zhu: 

Writing 

– 

review 

& 

editing, Resources. 

Ren Wei: 

Validation,  Software,  Data  curation. 

Jie  Liu: 

Validation,  Software. 

Mogens H. Greve: 

Writing 

– 

review 

& 

editing, Resources, Investigation, 

Data curation. 

Chenghu Zhou: 

Writing 

– 

review 

& 

editing, Validation, 

Supervision, Resources, Project administration, Investigation, Funding 

acquisition, Conceptualization.

Fig. 9.

An illustration explaining the model optimization when taking advantages of GSoilCPM to search the optimal hypothesis (

H

) of regional soil

–

environment 

relationships.

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

12

 

Declaration of competing interest

The authors declare that they have no known competing financial 

interests or personal relationships that could have appeared to influence 

the work reported in this paper.

Acknowledgements

This  work  was  supported  by  the  National  Key  Research  and 

Development Program Plan (Grant No. 2022YFC3800802), the National 

Natural Science Foundation of China (Grant No. 42471468), the Leading 

Funds  for  the  First-Class  Universities  (020914912203  and 

020914902302). Jie Liu was supported by the Postgraduate Research 

& 

Practice  Innovation  Program  of  Jiangsu  Province  (Grant  No. 

KYCX25_0209).  Lei  Zhang  acknowledges  the  support  from  the  U.S. 

Department of Energy, Office of Science, Office of Biological and Envi-

ronmental Research, under Award Number DE-AC02-05CH11231.

Appendix A. . More details of GSoilCPM

Appendix A. 1. Convolutional neural networks in GSoilCPM

The convolutional neural networks (CNNs) are adopted in the proposed GSoilCPM framework for extracting latent features from spatial infor-

mation of environmental covariates. CNNs are designed to handle grid-like data such as raster images. The convolutional layer is the most important 

building block of a CNN. The convolution operation applies a filter (kernel) over the input. For example, if there is a 2-D data used as the input, a 2-D 

kernel can be adopted to detect features of the input data (

Fig. A1

a

). The kernel is a set of weights, which allows to detect features in the input data. 

Each unit in the output is a weighted sum of a local patch of input values, defined as: 

z

i

,

j

= (

x

*

k

)

i

,

j

=

∑

h

u

=

1

∑

w

v

=

1

x

i

ʹ

,

j

ʹ

•

w

u

,

v

with

{

i

ʹ

=

u

•

s

h

+

h

−

1

j

ʹ

=

v

•

s

w

+

w

−

1

(1) 

where 

z

i

,

j 

is the output of the unit located in row 

i

, column 

j 

in feature map of a convolutional layer; 

h 

and 

w 

are the height and width of the kernel 

(receptive field); 

s

h 

and 

s

w 

are the vertical and horizontal strides; 

x

i

ʹ

,

j

ʹ 

is the unit located at row 

i

ʹ

, column 

j

ʹ 

in the input; 

w

u

,

v 

is the weight between any 

unit in feature map and its input located at row 

u

, column 

v 

(relative to the unit

’

s receptive field). The local weighted sum is then passed through a non- 

linear transfer function. The outputted units in a convolutional layer are organized and are referred to as the feature map. All units in a feature map 

share the same kernel. This shared-weights strategy was used because we consider the local statistics of input images and their signals are invariant to 

location (

Goodfellow et al., 2016; LeCun et al., 2015

). Most importantly it means once the CNN has learned to recognize a pattern in one location, it 

can recognize it in any other location. In practice, multiple kernels are used in each convolutional layer to extract different types of spatial features, 

making it capable of detecting multiple features simultaneously in the input data.

After the convolution operation, the max pooling operation is a useful further stage. The role of the pooling layer is to merge semantically similar 

features into one. This operation can reduce the computational load, the memory usage, and the number of parameters (thereby limiting the risk of 

overfitting). Max pooling slides a window over the feature map and aggregate values into the maximum value from each window (

Fig. A1

b

).

In a typical CNN architecture, two or three stages of convolution, non-linearity and pooling are stacked, then followed by more convolutional 

layers, non-linearity and pooling. In our study, CNNs allow GSoilCPM to learn spatial features from different environmental covariates that influence 

soil, such as terrain structure, vegetation patchiness, and climatic gradients, directly from raster inputs with different spatial resolutions.

Fig. A1.

The convolution layer (a) and the pooling layer (b) as the core building blocks in a convolutional neural network (CNN).

Appendix A. 2. Multi-layer neural network and forward computation

As all feature vectors extracted by CNNs are then concatenated into a single and longer vector, this allows the multi-layer neural network to process 

this vector for extracting the interactions among these features. A perceptron is a fundamental building block in multi-layer neural network (

Fig. A2

a

). 

It is essentially a single-layer neural network that can compute a weighted sum of its inputs, and then uses an activation function to produce an output: 

h

=

ϕ

(

w

T

•

x

+

b

)

(2) 

where 

x 

is the input vector; 

w 

provides the weights of a linear transformation and 

b 

is the bias; 

ϕ

( • )

represents an activation function which is often set 

to be a nonlinear function such as the rectified linear activation function (ReLU); 

h 

is the output.

A multi-layer neural network is composed of an input layer, one or more hidden layers, and a final output layer (

Fig. A2

b

). All units except a bias in 

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

13

 

a layer are fully connected to the previous layer. This multi-layer structure enables learning of abstract, hierarchical representations, essential for 

generating the complex and nonlinear relationships among multiple environmental covariates influencing soil variations.

Fig. A2.

The perceptron (a) as a fundamental building block in a multi-layer neural network (b).

Appendix A. 3. Backpropagation and gradient-based optimization

Training the deep neural network involves minimizing the error between predicted and observed SOC values using backpropagation and gradient 

descent. The prediction error can be calculated using the mean squared error which is considered as the loss function 

L 

(described in 

Section 2.4

). The 

backpropagation procedure to compute the gradient of 

L 

with respect to the weights in GSoilCPM is fundamentally an application of the chain rule for 

derivatives. The key insight is that the gradient of the loss with respect to the model parameters in a layer can be computed by working backwards from 

the gradient with respect to the output of that layer. According to Taylor

’

s theorem, for a differentiable function such as 

L

(

θ

)

, a small perturbation 

s 

leads to: 

L

(

θ

+

s

) ≈

L

(

θ

) +

s

• ∇

L

(

θ

)

(3) 

where 

∇

L 

is the gradient of 

L

. This motivates the use of gradients in minimizing 

L

. In neural networks, the chain rule of derivatives allows 

backpropagation equation can be applied repeatedly to propagate gradients through all layers. In gradient descent, the first order gradient is used, and 

we set: 

s

= −

η

• ∇

L

(

θ

)

(4) 

where 

η 

(

η

>

0) is called the 

“

step size

” 

or 

“

learning rate

”

, which is usually set to be small to ensure 

L

(

θ

+

s

) ≤

L

(

θ

)

. The direction of the negative 

gradient moves the function

’

s output toward the local minimum. Therefore, the model parameters 

θ 

can be updated by: 

θ

←

θ

−

η

•

∂

L

∂

θ

(5) 

There are some faster and more stable convergence than regular gradient descent optimizer. In this study, we adopted Adam optimizer (

Kingma and 

Ba, 2017

), which adjusts the learning rate adaptively during training.

Appendix B. Supplementary data

Supplementary data to this article can be found online at 

https://doi.org/10.1016/j.geoderma.2025.117466

.

Data availability

All data used in the analysis are publicly accessible. The WoSIS soil 

profile data were obtained from a published snapshot (September 2019) 

archived  at 

https://doi.org/10.17027/isric-wdcsoils.20190901

.  The 

SoilGrids (version 2.0) database can be accessed at 

https://soilgrids.org

. 

The climate data are available in the WorldClim version 2.0 database 

(

https://worldclim.org

). The global lithological map database is avail-

able at 

https://doi.org/10.1594/PANGAEA.788537

. The global digital 

elevation  model  (DEM)  data  are  available  at 

https://doi. 

org/10.5066/F7DF6PQS

.  The  global  dataset  comprising  of  multiple 

topographic  features  (Geomorpho90m)  is  obtained  from 

https://doi. 

org/10.5069/G91R6NPX

.  The  MODIS  BRDF/Albedo  and  vegetation 

indices products are available at 

https://ladsweb.modaps.eosdis.nasa. 

gov

.

The codes for processing data have been deposited into a repository 

at 

https://github.com/leizhang-geo/GSoilCPM.git

.  The  pre-trained 

model (GSoilCPM) is also stored in this repository.

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

14

 

References

Amatulli, G., McInerney, D., Sethi, T., Strobl, P., Domisch, S., 2020. Geomorpho90m, 

empirical evaluation and accuracy assessment of global high-resolution 

geomorphometric layers. Sci. Data 7, 162. 

https://doi.org/10.1038/s41597-020- 

0479-6

.

Awais, M., Naseer, M., Khan, S., Anwer, R.M., Cholakkal, H., Shah, M., Yang, M.-H., 

Khan, F.S., 2023. Foundational Models Defining a New Era in Vision: A Survey and 

Outlook. https://doi.org/10.48550/arXiv.2307.13721.

Batjes, N.H., Calisto, L., de Sousa, L.M., 2024. Providing quality-assessed and 

standardised soil data to support global mapping and modelling (WoSIS snapshot 

2023). Earth Syst. Sci. Data 16, 4735

–

4765. 

https://doi.org/10.5194/essd-16-4735- 

2024

.

Batjes, N.H., Ribeiro, E., Van Oostrum, A., 2020. Standardised soil profile data to support 

global mapping and modelling (WoSIS snapshot 2019). Earth Syst. Sci. Data 12, 

299

–

320. 

https://doi.org/10.5194/essd-12-299-2020

.

Batjes, N.H., Ribeiro, E., van Oostrum, A., Leenaars, J., Hengl, T., Mendes de Jesus, J., 

2017. WoSIS: providing standardised soil profile data for the world. Earth Syst. Sci. 

Data 9, 1

–

14. 

https://doi.org/10.5194/essd-9-1-2017

.

Behrens, T., Zhu, A.-X., Schmidt, K., Scholten, T., 2010. Multi-scale digital terrain 

analysis and feature selection for digital soil mapping. Geoderma 155, 175

–

185. 

https://doi.org/10.1016/j.geoderma.2009.07.010

.

Bishop, T.F.A., McBratney, A.B., Laslett, G.M., 1999. Modelling soil attribute depth 

functions with equal-area quadratic smoothing splines. Geoderma 91, 27

–

45. 

https://doi.org/10.1016/S0016-7061(99)00003-8

.

Bliss, N.B., Waltman, S.W., Petersen, G.W., 1995. Preparing a soil carbon inventory for 

the United States using geographic information systems, in: Soils and Global Change. 

CRC Press, Boca Raton, FL, pp. 275

–

295.

Brevik, E.C., Pereira, P., Mu

˜

noz-Rojas, M., Miller, B.A., Cerd

`

a, A., Parras-Alc

´

antara, L., 

Lozano-García, B., 2017. Chapter 1 - Historical Perspectives on Soil Mapping and 

Process Modeling for Sustainable Land Use Management, in: Pereira, P., Brevik, E.C., 

Mu

˜

noz-Rojas, M., Miller, B.A. (Eds.), Soil Mapping and Process Modeling for 

Sustainable Land Use Management. Elsevier, pp. 3

–

28. https://doi.org/10.1016/ 

B978-0-12-805200-6.00001-3.

Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A., Edwards, T.C., 2015. 

Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma 

239, 68

–

83. 

https://doi.org/10.1016/j.geoderma.2014.09.019

.

Chen, S., Arrouays, D., Leatitia Mulder, V., Poggio, L., Minasny, B., Roudier, P., 

Libohova, Z., Lagacherie, P., Shi, Z., Hannam, J., Meersmans, J., Richer-de-Forges, A. 

C., Walter, C., 2022. Digital mapping of GlobalSoilMap soil properties at a broad 

scale: a review. Geoderma 409, 115567. 

https://doi.org/10.1016/j. 

geoderma.2021.115567

.

Cui, W., Yang, L., Zhang, L., Yang, C., Zhu, C., Zhou, C., 2025. A novel approach of 

generating pseudo revisited soil sample data based on environmental similarity for 

space-time soil organic carbon modelling. Int. J. Appl. Earth Obs. Geoinf. 139, 

104542. 

https://doi.org/10.1016/j.jag.2025.104542

.

Dai, Y., Shangguan, W., Wei, N., Xin, Q., Yuan, H., Zhang, S., Liu, S., Lu, X., Wang, D., 

Yan, F., 2019. A review of the global soil property maps for Earth system models. 

Soil 5, 137

–

158. 

https://doi.org/10.5194/soil-5-137-2019

.

Didan, K., 2021. MODIS/Terra Vegetation Indices 16-Day L3 Global 500m SIN Grid 

V061. https://doi.org/10.5067/MODIS/MOD13A1.061.

Dinerstein, E., Olson, D., Joshi, A., Vynne, C., Burgess, N.D., Wikramanayake, E., 

Hahn, N., Palminteri, S., Hedao, P., Noss, R., Hansen, M., Locke, H., Ellis, E.C., 

Jones, B., Barber, C.V., Hayes, R., Kormos, C., Martin, V., Crist, E., Sechrest, W., 

Price, L., Baillie, J.E.M., Weeden, D., Suckling, K., Davis, C., Sizer, N., Moore, R., 

Thau, D., Birch, T., Potapov, P., Turubanova, S., Tyukavina, A., de Souza, N., 

Pintea, L., Brito, J.C., Llewellyn, O.A., Miller, A.G., Patzelt, A., Ghazanfar, S.A., 

Timberlake, J., Kl

¨

oser, H., Shennan-Farp

´

on, Y., Kindt, R., Lilles

ø

, J.-P.-B., van 

Breugel, P., Graudal, L., Voge, M., Al-Shammari, K.F., Saleem, M., 2017. An 

Ecoregion-based Approach to Protecting half the Terrestrial Realm. Bioscience 67, 

534

–

545. 

https://doi.org/10.1093/biosci/bix014

.

FAO, 2012. Harmonized World Soil Database v1.2 [WWW Document]. URL http:// 

webarchive.iiasa.ac.at/Research/LUC/External-World-soil-database/HTML/ 

(accessed 6.17.22).

Farahani, A., Voghoei, S., Rasheed, K., Arabnia, H.R., 2021. A Brief Review of Domain 

Adaptation. In: Stahlbock, R., Weiss, G.M., Abou-Nasr, M., Yang, C.-.-Y., Arabnia, H. 

R., Deligiannidis, L. (Eds.), Advances in Data Science and Information Engineering. 

Springer International Publishing, Cham, pp. 877

–

894. 

https://doi.org/10.1007/ 

978-3-030-71704-9_65

.

Fick, S.E., Hijmans, R.J., 2017. WorldClim 2: new 1-km spatial resolution climate 

surfaces for global land areas. Int. J. Climatol. 37, 4302

–

4315. 

https://doi.org/ 

10.1002/joc.5086

.

Ganin, Y., Ustinova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., March, M., 

Lempitsky, V., 2016. Domain-Adversarial Training of Neural Networks. J. Mach. 

Learn. Res. 17, 1

–

35

.

Goodfellow, I., Courville, A., Bengio, Y., 2016. Deep learning. The MIT Press, Cambridge, 

Massachusetts, Adaptive computation and machine learning

. 

Guo, M., Yang, L., Zhang, L., Shen, F., Meadows, M.E., Zhou, C., 2025. Hydrology, 

vegetation, and soil properties as key drivers of soil organic carbon in coastal 

wetlands: a high-resolution study. Environ. Sci. Ecotechnol. 23, 100482. 

https://doi. 

org/10.1016/j.ese.2024.100482

.

Hartmann, J., Moosdorf, N., 2012. The new global lithological map database GLiM: a 

representation of rock properties at the Earth surface. Geochem. Geophys. Geosyst. 

13. 

https://doi.org/10.1029/2012GC004370

.

He, X., Yang, L., Li, A., Zhang, L., Shen, F., Cai, Y., Zhou, C., 2021. Soil organic carbon 

prediction using phenological parameters and remote sensing variables generated 

from Sentinel-2 images. Catena 205, 105442. 

https://doi.org/10.1016/j. 

catena.2021.105442

.

Helfenstein, A., Mulder, V.L., Heuvelink, G.B.M., Hack-ten Broeke, M.J.D., 2024. Three- 

dimensional space and time mapping reveals soil organic matter decreases across 

anthropogenic landscapes in the Netherlands. Commun. Earth Environ. 5, 1

–

16. 

https://doi.org/10.1038/s43247-024-01293-y

.

Hengl, T., Heuvelink, G.B.M., Stein, A., 2004. A generic framework for spatial prediction 

of soil variables based on regression-kriging. Geoderma 120, 75

–

93. 

https://doi.org/ 

10.1016/j.geoderma.2003.08.018

.

Hengl, T., de Jesus, J.M., Heuvelink, G.B.M., Gonzalez, M.R., Kilibarda, M., Blagoti

´

c, A., 

Shangguan, W., Wright, M.N., Geng, X., Bauer-Marschallinger, B., Guevara, M.A., 

Vargas, R., MacMillan, R.A., Batjes, N.H., Leenaars, J.G.B., Ribeiro, E., Wheeler, I., 

Mantel, S., Kempen, B., 2017. SoilGrids250m: Global gridded soil information based 

on machine learning. PLoS One 12, e0169748. 

https://doi.org/10.1371/journal. 

pone.0169748

.

Hengl, T., de Jesus, J.M., MacMillan, R.A., Batjes, N.H., Heuvelink, G.B.M., Ribeiro, E., 

Samuel-Rosa, A., Kempen, B., Leenaars, J.G.B., Walsh, M.G., Gonzalez, M.R., 2014. 

SoilGrids1km 

— 

Global Soil Information based on Automated Mapping. PLoS One 9, 

e105992. 

https://doi.org/10.1371/journal.pone.0105992

.

Heung, B., Ho, H.C., Zhang, J., Knudby, A., Bulmer, C.E., Schmidt, M.G., 2016. An 

overview and comparison of machine-learning techniques for classification purposes 

in digital soil mapping. Geoderma 265, 62

–

77. 

https://doi.org/10.1016/j. 

geoderma.2015.11.014

.

Heuvelink, G.B.M., Kros, J., Reinds, G.J., De Vries, W., 2016. Geostatistical prediction 

and simulation of European soil property maps. Geoderma Reg. 7, 201

–

215. 

https:// 

doi.org/10.1016/j.geodrs.2016.04.002

.

Heuvelink, G.B.M., Webster, R., 2001. Modelling soil variation: past, present, and future. 

Geoderma, Developments and Trends in Soil Science 100, 269

–

301. 

https://doi.org/ 

10.1016/S0016-7061(01)00025-8

.

Hong, D., Zhang, B., Li, X., Li, Y., Li, C., Yao, J., Yokoya, N., Li, H., Ghamisi, P., Jia, X., 

Plaza, A., Gamba, P., Benediktsson, J.A., Chanussot, J., 2024. SpectralGPT: Spectral 

Remote Sensing Foundation Model. IEEE Trans. Pattern Anal. Mach. Intell. 46, 

5227

–

5244. 

https://doi.org/10.1109/TPAMI.2024.3362475

.

Huang, H., Yang, L., Zhang, L., Pu, Y., Yang, C., Wu, Q., Cai, Y., Shen, F., Zhou, C., 2022. 

A review on digital mapping of soil carbon in cropland: progress, challenge, and 

prospect. Environ. Res. Lett. 17, 123004. 

https://doi.org/10.1088/1748-9326/ 

aca41e

.

Hudson, B.D., 1992. The Soil Survey as Paradigm-based Science. Soil Sci. Soc. Am. J. 56, 

836

–

841. 

https://doi.org/10.2136/sssaj1992.03615995005600030027x

.

Ivushkin, K., Bartholomeus, H., Bregt, A.K., Pulatov, A., Kempen, B., De Sousa, L., 2019. 

Global mapping of soil salinity change. Remote Sens. Environ. 231, 111260. 

https:// 

doi.org/10.1016/j.rse.2019.111260

.

Jenny, H., 1941. Factors of Soil Formation: a System of Quantitative Pedology. Agron. J. 

33, 857

–

858. 

https://doi.org/10.2134/agronj1941.00021962003300090016x

.

Jensen, K.H., Illangasekare, T.H., 2011. HOBE: a Hydrological Observatory. Vadose Zone 

J. 10, 1

–

7. 

https://doi.org/10.2136/vzj2011.0006

.

Kingma, D.P., Ba, J., 2017. Adam: A Method for Stochastic Optimization. https://doi. 

org/10.48550/arXiv.1412.6980.

LeCun, Y., Bengio, Y., Hinton, G., 2015. Deep learning. Nature 521, 436

–

444. 

https:// 

doi.org/10.1038/nature14539

.

Lilburne, L., Helfenstein, A., Heuvelink, G.B.M., Eger, A., 2024. Interpreting and 

evaluating digital soil mapping prediction uncertainty: a case study using texture 

from SoilGrids. Geoderma 450, 117052. 

https://doi.org/10.1016/j. 

geoderma.2024.117052

.

Liu, F., Wu, H., Zhao, Y., Li, D., Yang, J.-L., Song, X., Shi, Z., Zhu, A.-X., Zhang, G.-L., 

2022. Mapping high resolution National Soil Information Grids of China. Science 

Bulletin 67, 328

–

340. 

https://doi.org/10.1016/j.scib.2021.10.013

.

Ma, Y., Minasny, B., Malone, B.P., Mcbratney, A.B., 2019. Pedology and digital soil 

mapping (DSM). Eur. J. Soil Sci. 70, 216

–

235. 

https://doi.org/10.1111/ejss.12790

.

Ma, Y., Minasny, B., Wu, C., 2017. Mapping key soil properties to support agricultural 

production in Eastern China. Geoderma Reg. 10, 144

–

153. 

https://doi.org/10.1016/ 

j.geodrs.2017.06.002

.

Malone, B.P., McBratney, A.B., Minasny, B., Laslett, G.M., 2009. Mapping continuous 

depth functions of soil carbon storage and available water capacity. Geoderma 154, 

138

–

152. 

https://doi.org/10.1016/j.geoderma.2009.10.007

.

McBratney, A.B., Mendonça Santos, M.L., Minasny, B., 2003. On digital soil mapping. 

Geoderma 117, 3

–

52. 

https://doi.org/10.1016/S0016-7061(03)00223-4

.

Meng, X., Bao, Y., Luo, C., Zhang, X., Liu, H., 2024a. SOC content of global Mollisols at a 

30 m spatial resolution from 1984 to 2021 generated by the novel ML-CNN 

prediction model. Remote Sens. Environ. 300, 113911. 

https://doi.org/10.1016/j. 

rse.2023.113911

.

Meng, X., Bao, Y., Luo, C., Zhang, X., Liu, H., 2024b. A new methodology for establishing 

an SOC content prediction model that is spatiotemporally transferable at 

multidecadal and intercontinental scales. ISPRS J. Photogramm. Remote Sens. 218, 

531

–

550. 

https://doi.org/10.1016/j.isprsjprs.2024.09.038

.

Meng, X., Bao, Y., Wang, Y., Zhang, X., Liu, H., 2022. An advanced soil organic carbon 

content prediction model via fused temporal-spatial-spectral (TSS) information 

based on machine learning and deep learning algorithms. Remote Sens. Environ. 

280, 113166. 

https://doi.org/10.1016/j.rse.2022.113166

.

Meyer, H., Pebesma, E., 2021. Predicting into unknown space? estimating the area of 

applicability of spatial prediction models. Methods Ecol. Evol. 12, 1620

–

1633. 

https://doi.org/10.1111/2041-210X.13650

.

Minasny, B., McBratney, A.B., Malone, B.P., Wheeler, I., 2013. Digital Mapping of Soil 

Carbon, in: Advances in Agronomy. Elsevier, pp. 1

–

47. 

https://doi.org/10.10 

16/B978-0-12-405942-9.00001-3

.

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

15

 

Minasny, B., McBratney, Alex.B., 2016. Digital soil mapping: A brief history and some 

lessons. Geoderma, Soil mapping, classification, and modelling: history and future 

directions 264, 301

–

311. 

https://doi.org/10.1016/j.geoderma.2015.07.017

.

Moor, M., Banerjee, O., Abad, Z.S.H., Krumholz, H.M., Leskovec, J., Topol, E.J., 

Rajpurkar, P., 2023. Foundation models for generalist medical artificial intelligence. 

Nature 616, 259

–

265. 

https://doi.org/10.1038/s41586-023-05881-4

.

Mulder, V.L., de Bruin, S., Schaepman, M.E., Mayr, T.R., 2011. The use of remote sensing 

in soil and terrain mapping 

— 

a review. Geoderma 162, 1

–

19. 

https://doi.org/ 

10.1016/j.geoderma.2010.12.018

.

Nussbaum, M., Vogel, S., Oechslin, S., Tanner, S., Burgos, S., 2023. Smoothed predicted 

distributions in digital soil mapping 

– 

a comprehensive comparative study to predict 

soil texture for irrigation (No. EGU23-5543). Presented at the EGU23, Copernicus 

Meetings. https://doi.org/10.5194/egusphere-egu23-5543.

Orgiazzi, A., Ballabio, C., Panagos, P., Jones, A., Fern

´

andez-Ugalde, O., 2018. LUCAS 

Soil, the largest expandable soil dataset for Europe: a review. Eur. J. Soil Sci. 69, 

140

–

153. 

https://doi.org/10.1111/ejss.12499

.

Peng, Y., Xiong, X., Adhikari, K., Knadel, M., Grunwald, S., Greve, M.H., 2015. Modeling 

Soil Organic Carbon at Regional Scale by Combining Multi-Spectral Images with 

Laboratory Spectra. PLoS One 10, e0142295. 

https://doi.org/10.1371/journal. 

pone.0142295

.

Poggio, L., de Sousa, L.M., Batjes, N.H., Heuvelink, G.B.M., Kempen, B., Ribeiro, E., 

Rossiter, D., 2021. SoilGrids 2.0: producing soil information for the globe with 

quantified spatial uncertainty. Soil 7, 217

–

240. 

https://doi.org/10.5194/soil-7-217- 

2021

.

Sanchez, P.A., Ahamed, S., Carr

´

e, F., Hartemink, A.E., Hempel, J., Huising, J., 

Lagacherie, P., McBratney, A.B., McKenzie, N.J., Mendonça-Santos, M. de L., 

Minasny, B., Montanarella, L., Okoth, P., Palm, C.A., Sachs, J.D., Shepherd, K.D., 

Vågen, T.-G., Vanlauwe, B., Walsh, M.G., Winowiecki, L.A., Zhang, G.-L., 2009. 

Digital Soil Map of the World. Science 325, 680

–

681. https://doi.org/10.1126/ 

science.1175084.

Sanderman, J., Hengl, T., Fiske, G.J., 2017. Soil carbon debt of 12,000 years of human 

land use. Proc. Natl. Acad. Sci. 114, 9575

–

9580. 

https://doi.org/10.1073/ 

pnas.1706103114

.

Schaaf, C., Wang, Z., 2021. MODIS/Terra

+

Aqua BRDF/Albedo Nadir BRDF Adjusted Ref 

Daily L3 Global - 500m V061. https://doi.org/10.5067/MODIS/MCD43A4.061.

Schmidt, M.W.I., Torn, M.S., Abiven, S., Dittmar, T., Guggenberger, G., Janssens, I.A., 

Kleber, M., K

¨

ogel-Knabner, I., Lehmann, J., Manning, D.A.C., Nannipieri, P., 

Rasse, D.P., Weiner, S., Trumbore, S.E., 2011. Persistence of soil organic matter as an 

ecosystem property. Nature 478, 49

–

56. 

https://doi.org/10.1038/nature10386

.

Shen, Z., Ramirez-Lopez, L., Behrens, T., Cui, L., Zhang, M., Walden, L., Wetterlind, J., 

Shi, Z., Sudduth, K.A., Baumann, P., Song, Y., Catambay, K., Viscarra Rossel, R.A., 

2022. Deep transfer learning of global spectra for local soil carbon monitoring. ISPRS 

J. Photogramm. Remote Sens. 188, 190

–

200. 

https://doi.org/10.1016/j. 

isprsjprs.2022.04.009

.

Tan, T., Genova, G., Heuvelink, G.B.M., Lehmann, J., Poggio, L., Woolf, D., You, F., 2024. 

Importance of Terrain and climate for predicting Soil Organic Carbon is Highly 

Variable across local to Continental Scales. Environ. Sci. Technol. 58, 11492

–

11503. 

https://doi.org/10.1021/acs.est.4c01172

.

Tiessen, H., Cuevas, E., Chacon, P., 1994. The role of soil organic matter in sustaining soil 

fertility. Nature 371, 783

–

785. 

https://doi.org/10.1038/371783a0

.

Viscarra Rossel, R.A., Minasny, B., Roudier, P., McBratney, A.B., 2006a. Colour space 

models for soil science. Geoderma 133, 320

–

337. 

https://doi.org/10.1016/j. 

geoderma.2005.07.017

.

Viscarra Rossel, R.A., Shen, Z., Ramirez Lopez, L., Behrens, T., Shi, Z., Wetterlind, J., 

Sudduth, K.A., Stenberg, B., Guerrero, C., Gholizadeh, A., Ben-Dor, E., St Luce, M., 

Orellano, C., 2024. An imperative for soil spectroscopic modelling is to think global 

but fit local with transfer learning. Earth Sci. Rev. 254, 104797. 

https://doi.org/ 

10.1016/j.earscirev.2024.104797

.

Viscarra Rossel, R.A., Walvoort, D.J.J., McBratney, A.B., Janik, L.J., Skjemstad, J.O., 

2006b. Visible, near infrared, mid infrared or combined diffuse reflectance 

spectroscopy for simultaneous assessment of various soil properties. Geoderma 131, 

59

–

75. 

https://doi.org/10.1016/j.geoderma.2005.03.007

.

Wadoux, A.M.J.C., 2019. Using deep learning for multivariate mapping of soil with 

quantified uncertainty. Geoderma 351, 59

–

70. 

https://doi.org/10.1016/j. 

geoderma.2019.05.012

.

Wadoux, A.-M.-J.-C., Heuvelink, G.B.M., Lark, R.M., Lagacherie, P., Bouma, J., 

Mulder, V.L., Libohova, Z., Yang, L., McBratney, A.B., 2021. Ten challenges for the 

future of pedometrics. Geoderma 401, 115155. 

https://doi.org/10.1016/j. 

geoderma.2021.115155

.

Wadoux, A.-M.-J.-C., Minasny, B., Mcbratney, A.B., 2020. Machine learning for digital 

soil mapping: applications, challenges and suggested solutions. Earth Sci. Rev. 210, 

103359. 

https://doi.org/10.1016/j.earscirev.2020.103359

.

Wang, B., Gray, J.M., Waters, C.M., Rajin Anwar, M., Orgill, S.E., Cowie, A.L., Feng, P., Li 

Liu, D., 2022. Modelling and mapping soil organic carbon stocks under future 

climate change in south-eastern Australia. Geoderma 405, 115442. 

https://doi.org/ 

10.1016/j.geoderma.2021.115442

.

Wang, X., Li, S., Wang, L., Zheng, M., Wang, Z., Song, K., 2023. Effects of cropland 

reclamation on soil organic carbon in China

’

s black soil region over the past 35 

years. Glob. Chang. Biol. 29, 5460

–

5477. 

https://doi.org/10.1111/gcb.16833

.

Wu, T., He, S., Liu, J., Sun, S., Liu, K., Han, Q.-L., Tang, Y., 2023. A Brief Overview of 

ChatGPT: the history, Status Quo and potential Future Development. IEEE/CAA J. 

Autom. Sin. 10, 1122

–

1136. 

https://doi.org/10.1109/JAS.2023.123618

.

Yamazaki, D., Ikeshima, D., Tawatari, R., Yamaguchi, T., O

’

Loughlin, F., Neal, J.C., 

Sampson, C.C., Kanae, S., Bates, P.D., 2017. A high-accuracy map of global terrain 

elevations. Geophys. Res. Lett. 44, 5844

–

5853. 

https://doi.org/10.1002/ 

2017GL072874

.

Yang, L., Cai, Y., Zhang, L., Guo, M., Li, A., Zhou, C., 2021a. A deep learning method to 

predict soil organic carbon content at a regional scale using satellite-based 

phenology variables. Int. J. Appl. Earth Obs. Geoinf. 102, 102428. 

https://doi.org/ 

10.1016/j.jag.2021.102428

.

Yang, L., Li, X., Yang, Q., Zhang, L., Zhang, S., Wu, S., Zhou, C., 2021b. Extracting 

knowledge from legacy maps to delineate eco-geographical regions. Int. J. Geogr. 

Inf. Sci. 35, 250

–

272. 

https://doi.org/10.1080/13658816.2020.1806284

.

Zhang, L., Cai, Y., Huang, H., Li, A., Yang, L., Zhou, C., 2022a. A CNN-LSTM model for 

soil organic carbon content prediction with long time series of MODIS-based 

phenological variables. Remote Sens. (Basel) 14, 4441. 

https://doi.org/10.3390/ 

rs14184441

.

Zhang, L., Heuvelink, G.B.M., Mulder, V.L., Chen, S., Deng, X., Yang, L., 2024. Using 

process-oriented model output to enhance machine learning-based soil organic 

carbon prediction in space and time. Sci. Total Environ. 922, 170778. 

https://doi. 

org/10.1016/j.scitotenv.2024.170778

.

Zhang, L., Yang, L., Cai, Y., Huang, H., Shi, J., Zhou, C., 2022b. A multiple soil properties 

oriented representative sampling strategy for digital soil mapping. Geoderma 406, 

115531. 

https://doi.org/10.1016/j.geoderma.2021.115531

.

Zhang, L., Yang, L., Crowther, T.W., Zohner, C.M., Doetterl, S., Heuvelink, G.B.M., 

Wadoux, A.-M.-J.-C., Zhu, A.-X., Pu, Y., Shen, F., Ma, H., Zou, Y., Zhou, C., 2025. 

Mapping global distributions, environmental controls, and uncertainties of apparent 

topsoil and subsoil organic carbon turnover times. Earth Syst. Sci. Data 17, 

2605

–

2623. 

https://doi.org/10.5194/essd-17-2605-2025

.

Zhang, L., Yang, L., Ma, T., Shen, F., Cai, Y., Zhou, C., 2021. A self-training semi- 

supervised machine learning method for predictive mapping of soil classes with 

limited sample data. Geoderma 384, 114809. 

https://doi.org/10.1016/j. 

geoderma.2020.114809

.

Zhu, A., Lu, G., Liu, J., Qin, C., Zhou, C., 2018. Spatial prediction based on Third Law of 

Geography. Ann. GIS 24, 225

–

240. 

https://doi.org/10.1080/ 

19475683.2018.1534890

.

Zhu, A.-X., Hudson, B., Burt, J., Lubich, K., Simonson, D., 2001. Soil Mapping using GIS, 

Expert Knowledge, and Fuzzy Logic. Soil Sci. Soc. Am. J. 65, 1463

–

1472. 

https://doi. 

org/10.2136/sssaj2001.6551463x

.

Zhu, A.X., Liu, J., Du, F., Zhang, S.J., Qin, C.Z., Burt, J., Behrens, T., Scholten, T., 2015. 

Predictive soil mapping with limited sample data. Eur. J. Soil Sci. 66, 535

–

547. 

https://doi.org/10.1111/ejss.12244

.

L. Zhang et al.                                                                                                                                                                                                                                   

Geoderma

 

461

 

(2025)

 

117466

 

16