표토 유기 탄소 (SOC) 예측은 농업의 지속 가능성, 토지 이용 정책 및 시비 계획에 있어 필수적입니다. 기존 방식들은 두 가지 한계에 직면해 있습니다. 첫째, 수작업으로 제작된 공변량 (covariates)을 고전적인 머신러닝 (ML) 또는 단일 모달 (single-modal) 딥러닝 모델과 결합하여 풍부한 분광 및 시간 정보를 놓치고 있으며, 둘째, 그리드 기반 아키텍처는 필드 측정값의 불규칙한 공간 구조를 무시합니다. 우리는 이 두 가지 문제를 모두 해결하는 멀티모달 시공간 그래프 신경망인 SpTGNN을 소개합니다. SpTGNN은 토양 측정값을 세 가지 엣지 유형(공간적 근접성, 분광 유사성, 고도)을 가진 이종 그래프 (heterogeneous graph)의 노드로 표현하며, 관계별로 별도의 패턴을 학습하기 위해 관계형 그래프 어텐션 (relational graph attention)을 적용합니다. 미세 조정된 (fine-tuned) TerraMind 인코더는 Sentinel-2, Sentinel-1 및 DEM 신호로부터 노드 특징을 추출하며, 이는 샘플별 환경 공변량 및 학습된 위치 및 시간 임베딩 (embeddings)과 결합됩니다. 희소 Mixture-of-Experts (MoE) 모듈은 top-$k$ 라우팅을 통해 네 가지 스트림을 융합합니다. 불확실성 (uncertainty)은 이분산 회귀 (heteroscedastic regression, aleatoric)와 딥 앙상블 (deep ensembles, epistemic)을 결합하여 포착하며, Moran's $I$ 페널티가 공간적 자기상관 (spatial autocorrelation)을 규제합니다. 우리는 세 개의 지역적 인스턴스로 분할된 글로벌 SOC 코퍼스(전 세계 약 49k 샘플, 아프리카 약 26k, 유럽 약 14k)에서 평가를 수행했습니다. 우리의 5개 멤버 딥 앙상블은 아프리카 테스트 분할에서 $R^2=0.762$, RMSE $=3.51 ext{ extpm}0.48$ g/kg 및 MAPE $=22.9 ext{ extperthousand}$를 기록하며 표 형식의 XGBoost 베이스라인보다 성능을 개선했습니다. 최상의 단일 체크포인트는 검증 $R^2=0.864$에 도달했습니다. 절제 연구 (Ablations)를 통해 이종 그래프, MoE 융합 및 미세 조정된 백본 (backbone)이 각각 실질적으로 기여함을 확인했으며, 앙상블 UQ 스택은 사후 교정 (post-calibration) 후 ECE $0.031$ (하이브리드) 및 $0.026$ ($eta$-NLL)을 달성했습니다. 우리가 알기로, 이는 SOC 추정을 위해 파운데이션 모델 (foundation-model) 특징 추출, 이종 그래프 어텐션 및 분해된 불확실성 정량화 (uncertainty quantification)를 통합한 최초의 프레임워크입니다.