土壤是人类生存环境中最基本的资源条件,准确地认识和了解土壤资源的空间分布可以更合理、高效、可持续地利用土壤资源。土壤普查是了解土壤数量和分布、评价土壤质量的基本方法。随着科学技术的发展,传统的土壤普查技术因其存在不足已无法满足当前各领域的数据需求,数字土壤制图技术通过建立土壤属性信息与环境属性信息之间的定量关系以达到推理预测的目的,在更新土壤数据方面体现出了巨大的潜力。地形因子和母质信息在地形起伏明显的区域制图精度较好,但在平缓地区推理能力有限,因此,如何在平缓地区提高推理精度是当前研究的一个难点。目前,随着遥感技术的发展,数字土壤制图不再是仅依靠母质和地形因子来推理土壤属性,遥感影像数据中包含的地面植被信息,影像纹理特征是地形因子无法体现出来的,可在一定程度上提升制图准确性。因此,本研究选取湖北省黄冈市麻城市乘马岗镇小区域为研究区,利用机器学习方法挖掘研究区土壤-环境知识,并使用土壤-景观模型对研究区土种类型进行分类,获得土壤类型推理图。具体过程分为以下几个方面:（1）土壤环境因子的获取及筛选。本研究使用的环境变量有母质信息、地形属性和遥感因子。从原始土壤资料和等高线数据中可提取得到母质信息和常用的地形因子,从高分二号遥感影像中提取归一化植被指数和纹理特征组成环境因子集。使用Clementine软件计算因子重要性,对所有的环境因子进行筛选,删除重要性较低的因子后,剩下的环境因子参与建模。（2）C5.0决策树建模、获取推理规则。本研究将利用Clementine软件的C5.0决策树模型对样点数据进行机器学习,将经过重要性分析过程筛选后的环境因子作为输入变量,土壤类型作为输出变量,即可生成用于预测分类的决策树规则。（3）SoLIM计算模糊隶属度及推理制图。使用SoLIM基于规则的功能在研究区域每一个像元位置上计算其对应的环境因子组合的土壤相似度,由此得到每种土壤类型的模糊隶属度图。将每种土壤类型的模糊隶属度图综合后可得到推理后的土壤分布信息,即推理土壤图。（4）推理制图结果验证。使用144个样点对推理土壤图进行精度评估,通过混淆矩阵中的一系列精度评价指标来综合判定推理图的准确度和有效性,将研究区分区后,分析不同区域精度高低。研究表明:利用频率分布原理对样点数据进行预处理,可有效提高样点集的代表性。推理土壤图的总体精度达到了60.41%,推理图的空间分布信息在一定程度上是可靠的,Kappa系数为0.54,表明推理图与样点之间存在中等一致性。因此,将母质、地形和遥感因子应用于土种级别的土壤分类研究具有一定可行性,该研究可为后续研究提供一个发展方向,奠定良好的研究基础。