土壤空间预测与数字化制图的精度受预测模型应用、土壤样点规模与采样策略、研究区空间尺度与地貌特征、成土环境复杂程度、协变量数据质量等多种因素共同影响与制约。本研究以河南省为案例研究区,基于9种不同土壤样点规模、5种土壤采样方法,4个研究尺度、应用6种最具代表性的机器学习（Machine learning,ML）算法对耕地表层土壤p H实施空间预测与数字化制图,用以对比分析上述各因素对ML模型性能表现及土壤p H预测精度的影响。所获结果发现:1)在省域尺度上,6种ML模型性能表现及其土壤p H预测精度存在明显差异,基于树结构的随机森林（RF）和Cubist模型表现最好,两种模型预测结果的决定系数（R~2）均可稳定在0.78以上,误差（RMSE）保持在0.5以下。2)当研究区土壤样点规模从200个经由400个、800个、1200个、1600上升到2000个时,无论使用何种采样方法,所选用的ML模型的性能表现与表层土壤p H预测精度均呈快速上升的总体趋势;当样点规模达到并超过2000个时,ML性能表现趋于稳定,预测精度上升快速趋缓,表明2000个土壤样点可能是应用这些ML模型预测研究区耕地表层土壤p H的样点阈值。3)当土壤样点规模足够大时,采样方法对ML模型性能和土壤p H预测精度的影响很小,五种采样方法的效果相差不大。当土壤样点规模小于2000个时,采样方法对模型性能与预测精度的影响逐渐凸显。比较而言,k-均值采样方法在样点规模较小时具有优势。当样点规模为1000个时,k-均值采样仍可使随机森林和Cubist预测的R~2仍能维持在0.80左右;在样点规模小至200个时,k-均值采样方法下5种ML模型预测的R~2仍在0.55以上。4)目标区域空间尺度大小对于ML模型精度存在影响,树状结构模型（RF,Cubist）在设置的四个尺度上的预测结果具有精度优势。其中,在省域和地区（黄淮海平原河南部分）尺度上,RF模型表现最优;在区域（许昌市）和县域（襄城县）尺度上,Cubist模型表现更为突出,预测结果具有更高的林氏一致性系数（LCCC）和更低的误差;使用同一套数据,RF模型在地区尺度上的性能表现（R~2=0.87）优于省域尺度（R~2=0.81）。5)不确定性分析结果显示,省域尺度上,90%预测区间宽度大小顺序如下:SVM＜ANN＜Cubist＜RF,表明RF预测的可靠性最高;平均73.9%的验证样点表层土壤p H观测值落入模型90%预测区间,表明该模型的可靠性被轻微高估,但处于可接受范畴。另外,数据显示模型预测的不确定性与样点规模无明显关联。