土壤三普歷時四年，對象為肅北縣全域耕地、園地、林地，草地等農用地和部分未利用地的土壤。其中：林地、草地重點調查與食物生產相關的土地；未利用地重點調查與可開墾耕地資源相關的土地，如鹽堿地等。普查內容為土壤性狀、類型、立地條件、利用狀況等。布設到肅北縣的調查采樣點共2989個，其中耕地23個、林地256個、草地2303個、荒地3個、鹽堿地14個、剖面樣389個。

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。

表2制圖比例尺及對應的柵格數據像素分辨率小比例尺1100萬1000150萬250中比例尺125萬90110萬5015萬30例尺11萬5建議像素分辨率m比例尺類型成圖比例尺柵格數據（適用于大范圍土地利用種植結構比較單一區域）表1制圖比例尺及對應的柵格數據像素（像元）分辨率

利用土壤屬性與環境輔助變量之間的相關性模型，需使用環境變量數據。目前主要利用除時間因素外的成土因素信息。特別是在地面有起伏的區域，因樣點數量的局限，可采用此類模型提高制圖精度。這類模型均需提取柵格格式圖層數據參與模型制圖。2環境變量的提取1400萬1000小比例尺1100萬250150萬90中比例尺125萬3015萬10例尺11萬5（適用于小范圍種植結構復雜或地塊破碎區域）