土壤普查是因地制宜、合理高效利用土壤资源的基础。传统的土壤普查方法主要依赖土壤专家实地调查,结合地形图、航片等数据资料判读土壤类型的分布,这种制图方法不仅费时费力、更新周期长,且制图精度有待提高。近年来,随着现代农业等产业的蓬勃发展,传统的土壤制图结果已经难以满足要求,如何利用新技术新方法提高土壤普查效率和制图精度已成为必然趋势。数字土壤制图以土壤—景观理论为基本原理,利用数学分析方法获取土壤—环境知识,对研究区土壤类型的空间分布进行推理制图。此外,遥感影像数据因其分辨率高、成像快、丰富的下垫面详细信息也开始用于土壤制图,为土壤普查提供了新的技术手段和数据来源。本研究以湖北省红安县华家河镇滠水河流域为研究区,空间尺度较小,仅考虑母质、地形和生物因素对土壤类型形成和发育的影响,环境因子数据集主要包括母质类型、等高线数据提取的地形因子及遥感影像数据提取的光谱指数,利用图斑面积加权法设计采样点,通过数据挖掘算法获取土壤—环境知识,并进行推理制图,利用野外实地验证点数据对推理制图结果进行精度评价。研究主要分为基于单时相遥感和基于时序遥感两个层次进行。具体可以主要分为如下几部分:1)基于单时相遥感影像的土壤制图。本研究以地质图、等高线数据及高分二号遥感影像(GF-2)等为数据源,提取母质类型、高程、坡度、坡向、曲率、地形湿度指数、归一化植被指数、第一主成分、纹理信息等环境因子,并对其进行筛选降维,通过支持向量机、决策树C5.0算法、随机森林算法等数据挖掘算法,结合环境因子数据集获取土壤—环境知识,推理得到研究区土壤类型的空间分布情况,并采取实地验证点对几种算法的制图结果进行评价。对比几种数据挖掘算法的推理土壤图结果,无论是总体分类精度还是Kappa系数,随机森林算法都优于其他几种分类算法,制图结果最好。2)基于时序遥感影像的土壤制图。本研究主要以地质图、等高线数据及哨兵二号遥感影像(Sentinel-2A/B)等为数据源,提取母质类型、高程、坡度、坡向、时序归一化植被指数(12个月)等环境因子,通过随机森林算法获取土壤—环境知识,推理得到研究区土壤类型的空间分布情况,并采取实地验证点对推理土壤图结果进行评价。精度评价结果如下:总体分类精度86%,分类结果良好;Kappa系数0.83,一致性水平显著,表明两者间的吻合程度较好,更能准确的反映土壤类型的空间分布情况。3)基于单时相遥感影像和基于时序遥感影像结果对比。总体上来说,基于时序遥感影像的制图结果优于基于单时相遥感影像的制图结果。以生产精度来说,后者中浅潮沙田、林地棕色石灰土的分类精度较前者有大幅度提升;以用户精度来说,后者中棕色石灰土的分类精度优于前者。其余几种土壤类型的生产精度或用户精度,前者都优于或者接近后者。