機器學習模型利用機器學習與數據挖掘方法，提取土壤屬性與環境變量之間的關系用來預測土壤屬性的空間分布，可以解決土壤屬性與環境變量的非線性問題，包括隨機森林人工神經網絡分類與回歸樹等。目前隨機森林法進行屬性制圖在數據挖掘方法中應用廣泛。

模糊推理是將土壤與環境關系表達為隸屬度值，利用單個土壤樣點在空間上的代表性推測土壤目標變量的空間變化。該方法制圖效果依賴于單個樣點的可靠性，要求對樣點的可靠性進行質量檢查。上述方法有兩個制約需要大量的土壤樣點來提取統計關系；需要具有較好的空間代表性，除機器學習模型外，其它模型制圖區域通常不宜過大。

環境變量提取柵格數據精度，要優于表1或表2的像素（像元）分辨率。其中，表1精度適用于大范圍土地利用種植結構比較單一區域，例如平原糧食作物區；表2精度適用于種植結構復雜的小范圍地區或地塊破碎區域。1不同尺度的精度要求3環境變量制備及質量檢測測試方法分區標注，對不同地區采用不同測試方法的指標，標注其所在區域，用于分別成圖。

地形因素是常用的環境變量，主要包括描述地形特征的地形屬性和描述地貌部位信息的指標。地形屬性可利用數字高程模型柵格數據（Digitalelevationmodel，DEM）提取高程坡度坡向平面曲率剖面曲率地形濕度指數與河流的距離與山脊的距離等，可通過GIS軟件計算獲得。地貌部位通常用坡位表達，可用于小流域土壤屬性的空間分布推測。也可通過基于相似度的模糊推理方法，通過計算坡面上任一位置與各類坡位的典型位置在屬性域與空間域上的相似度，對坡位在空間上的漸變信息進行定量描述。獲得研究區中每一類坡位的空間漸變圖，作為土壤制圖的環境協變量。3地形地貌變量的表征與數據處理