机器学习模型利用机器学习与数据挖掘方法，提取土壤属性与环境变量之间的关系用来预测土壤属性的空间分布，可以解决土壤属性与环境变量的非线性问题，包括随机森林人工神经网络分类与回归树等。目前随机森林法进行属性制图在数据挖掘方法中应用广泛。
模糊推理是将土壤与环境关系表达为隶属度值，利用单个土壤样点在空间上的代表性推测土壤目标变量的空间变化。该方法制图效果依赖于单个样点的可靠性，要求对样点的可靠性进行质量检查。上述方法有两个制约需要大量的土壤样点来提取统计关系；需要具有较好的空间代表性，除机器学习模型外，其它模型制图区域通常不宜过大。
气候因素在较大范围内主要考虑大气候，通常选择年均温年降水积温或相对湿度等因子，并根据制图比例尺选用，或利用气象站点生成相应像素分辨率的气象因子栅格数据。1气候变量的表征与数据选取目前常用的环境变量主要包括
】土壤母质是土壤形成的物质基础，通常直接获得母质信息非常困难，实际制图中，常以地质图或地貌图来代替土壤母质分布图，这些地图上的信息通常为矢量化表达的地质类型。也可以从分级到土种的例尺土壤图中，通过土壤类型信息提取，提取方法参考5。2母质变量的表征与数据处理而在较小的气候范围内，大气对土壤的影响基本是均值的，可以忽略。相比之下，小范围内的地形地貌信息可体现小气候对土壤的影响。
地形因素是常用的环境变量，主要包括描述地形特征的地形属性和描述地貌部位信息的指标。地形属性可利用数字高程模型栅格数据（Digitalelevationmodel，DEM）提取高程坡度坡向平面曲率剖面曲率地形湿度指数与河流的距离与山脊的距离等，可通过GIS软件计算获得。地貌部位通常用坡位表达，可用于小流域土壤属性的空间分布推测。也可通过基于相似度的模糊推理方法，通过计算坡面上任一位置与各类坡位的典型位置在属性域与空间域上的相似度，对坡位在空间上的渐变信息进行定量描述。获得研究区中每一类坡位的空间渐变图，作为土壤制图的环境协变量。3地形地貌变量的表征与数据处理
