1.一种喀斯特槽谷区土壤有机碳高精度估算方法，其特征在于，包括以下步骤：

步骤S1，首先采集喀斯特区域的Sentinel‑2影像数据，并对影像数据进行预处理；采集Sentinel‑1的VV和VH极化数据，地表温度LST数据，年平均气温和降水量数据；从12.5m的数字高程模型DEM中提取地形指标；

步骤S2，根据预处理后的Sentinel‑2数据分别计算研究喀斯特流域的光谱指数；

步骤S3，采用围绕中心分区PAM的聚类算法将研究区域划分为三个不同的区域；在这种划分之后，使用遗传算法GA对每个区域的辅助变量的组合和选择进行优化；

步骤S4，基于聚类分析后的区域划分结果和遗传算法的因子筛选结果，采用两种机器学习算法分别在不同的子区域以及整个区域建立土壤有机碳含量预测模型；根据不同模型的预测精度对比，生成喀斯特槽谷区土壤有机碳含量的空间分布图。

2.根据权利要求1所述的一种喀斯特槽谷区土壤有机碳高精度估算方法，其特征在于，步骤S1中，预处理包括对Sentinel‑2影像数据进行辐射定标、大气校正、影像拼接及裁剪处理。

3.根据权利要求1所述的一种喀斯特槽谷区土壤有机碳高精度估算方法，其特征在于，步骤S1中，从12.5m的数字高程模型DEM中提取地形指标，包括高程、地形起伏、坡度、坡向和地形湿度指数TWI。

4.根据权利要求1所述的一种喀斯特槽谷区土壤有机碳高精度估算方法，其特征在于，步骤S2中喀斯特流域的光谱指数，包括亮度指数BI、第二亮度指数BI2、颜色指数CI、粘土指数CI1、绿‑红植被指数GRVI、绿归一化差异植被指数GNDVI、地表水指数LSWI、二次修正土壤校正植被指数MSAVI2、水分胁迫指数MSI，红度指数RI、土壤调整后的总植被指数SATVI、土壤校正后的植被指数SAVI、转化植被指数TVI和植被指数V，总计15个指数。

5.根据权利要求1所述的一种喀斯特槽谷区土壤有机碳高精度估算方法，其特征在于，步骤S4中，两种机器学习算法分别为随机森林、极端梯度提升决策树。