土壤有机质含量是土壤综合肥力的体现,是评价土壤供养能力的重要指标。目前国内外农业生产中评价土壤有机质的采样点大多比较稀疏,这需要在有限的采样点情况下利用空间估算方法实现对土壤有机质的高精度估算。因此,本文针对稀疏样本下土壤有机质的估算问题,分析土壤有机质的主要影响因素,研究环境因素作用下的土壤耕层有机质估算方法,提出一种兼顾采样点空间自相关与采样点环境因素相似的有机质估算模型,在低采样密度下提高了土壤有机质含量值的估算精度、准确性及稳定性。利用方差分析和地理探测器分析北京大兴区南部农用地土壤有机质的主要影响因素,在该地区人为活动因素对有机质分布的影响比自然环境因素造成的影响更为深刻,该地区的影响因素主要通过土壤质地、土地利用方式和畜禽粪便利用强度三个因子进行刻画,同时以这三个因子作为环境相似性的三个维度,建立特征空间。采用 GRNN(Generalized Regression Neural Network)和 RF(Random Forest)两种机器学习方法增加优化调整机制构建土壤有机质估算模型。按MMSD准则(Minimization of the Mean of the Shortest Distances)把2007年大兴区农用地土壤有机质采样数据抽稀为8种不同采样密度的样本(分别为2703、1352、676、339、169、85、43、22个采样点),分别采用GRNN、RF和Ordinary kriging对各采样密度下的待估计点进行估算,采用交叉检验的方式验证各采样密度下待估计点的估计精度。结果表明:①随着采样点密度的下降,样点间的空间自相关性逐渐减弱,当抽稀到43和22个采样点时,样点间的空间自相关性接近歼灭。②普通克里格法和反距离权重法受到采样点数量、采样密度以及样点空间结构的影响明显,在稀疏样本情况下估算的精度不高,估算的可置信度较低,85个采样点及以下时,其估算值与观测值之间没有显著的相关性。③GRNN和RF的估算精度受采样密度的影响不大,其估算精度在一个较小的范围内波动。两种方法的估算值围绕观测值在一定阈值空间内震荡波动,具有较好的相关性,在85个采样点及以下的采样密度时,估算精度相对普通克里格法和反距离权重法有较大的提升。