【目的】通过预测模型填补土壤无机碳(soil inorganic carbon,SIC)缺失值并验证其对空间插值精度的提升效果,为快速准确揭示区域土壤属性时空变化信息提供科学依据。【方法】以四川盆地为案例区,基于1980—1985年全国第二次土壤普查获得的4 219个耕地土壤表层(0—20 cm)样点数据和2017—2019年实地对照采样获得的4 409个样点数据,结合气候、地形及SIC相关土壤属性,采用径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)模型和随机森林(Random Forest,RF)模型分别构建不同时期四川盆地6个亚流域耕地表层SIC的最佳预测模型以填补其缺失值,并对比增加SIC填补值的样点作为建模样点后对普通克里格(Ordinary Kriging,OK)方法空间插值精度的影响。【结果】RBFNN模型和RF模型有效填补了四川盆地耕地表层SIC缺失值,不同时期各亚流域的最佳预测模型有所差异,对独立验证样点的决定系数(coefficient of determination, R 2)为0.70—0.96,均方根误差(root mean square error,RMSE)为0.33—2.40 g·kg-1;而对两个时期四川盆地整体的独立验证样点,其最佳预测结果的R 2为0.76和0.86,RMSE为1.75和1.26 g·kg-1。OK方法对两个时期实测值样点的插值R 2分别为0.27和0.37,平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和 RMSE分别为2.11和1.56 g·kg-1、77.15%和65.96%、3.09和2.66 g·kg-1。将填补SIC缺失值的样点加入建模样点集后,OK方法对两个时期验证样点插值结果的R 2提高了0.10—0.14,MAE、MRE和RMSE降低了3.56%—16.36%,克里格预测方差大幅降低。基于填补数据,近40年四川盆地耕地表层SIC含量均值从2.85 g·kg-1下降至2.55 g·kg-1,下降了10.53%。SIC含量下降的区域广泛分布于盆地四周,而盆地中部SIC含量增加。在空间上,两个时期的四川盆地耕地表层SIC含量均呈中部高、四周低的空间分布格局;高值区集中分布于涪江流域和沱江流域中部,而低值区主要分布在盆地四周。【结论】结合现有土壤数据和环境数据,运用RBFNN模型和RF模型构建区域最佳预测模型能较好填补土壤属性的历史缺失值。基于填补样点,能有效提高土壤属性空间插值精度,进而实现对区域土壤属性时空变化信息的快速准确获取,为评估耕地土壤质量和制定高效管理措施提供支撑。