土壤不仅是人类赖以生存的物质基础和宝贵财富的源泉,又是人类最早开发利用的生产资料,同时,土壤还维持着地球上多种生命的生息繁衍。要充分利用土壤资源,服务于农业生产、生态环境改善、耕地保护等各种与土壤资源密切相关领域,则必须了解土壤资源的性质、数量以及空间分布情况。随着科技的进步,人们对土壤的认识程度更加深刻,同时已经渐渐不在满足于以分类形式展现的土壤信息。只有更高精度的土壤信息才能满足现代精细农业、环境保护等领域的要求。为实现这一目标,土壤学家提出并发展了众多预测模型,希望借助数字地形分析技术、3S技术、计算机技术等提高土壤信息预测的精度、加快更新速度、降低所需成本。如经典统计学方法、地统计学方法、机器学习方法等,越来越多以及越来越复杂的数学方法被应用于土壤信息获取。支持向量机(Support vector machine, SVM)是机器学习方法中的一种,避免了神经网络网络结构难于确定、过学习或欠学习以及容易陷入局部最优等缺点,具有较强的泛化能力。目前,将支持向量机应用于土壤信息获取的研究主要集中于土壤分类以及土壤水相关研究,对于土壤养分的预测制图研究较少,本文将研究区设定在重庆市江津区永兴镇,面积约2平方公里,以高程、地形湿度指数、相对位置指数、坡长4种地形因子为输入变量,探讨支持向量机在有机质、碱解氮、有效磷、速效钾及中微量元素有效铜、有效铁、有效锰等7种土壤养分制图方面的适用性。主要结论如下：(1)对研究区7种土壤养分进行统计描述分析：其中,有效铁具有强变异性,有机质、碱解氮、有效磷、速效钾、有效铜、有效锰均为中等变异性；整体变异性由大到小顺序为：有效铁>有效铜>有效磷>有效锰>速效钾>碱解氮>有机质。(2)地形在土壤形成过程中,通过对物质与能量的再分配起间接作用。地形的变化能够引起其他成土因素的变化从而影响土壤的形成和分布。研究区土壤养分除有效磷外均与地形因子之间存在显著相关性。(3)将采集的265个土壤样本随机分为训练集(样本数为165个)和测试集(样本数为100个),使用训练集用于支持向量机模型拟合,使用测试集对拟合模型进行精度验证。对于每种土壤养分,使用训练集分别建立不同地形因子组合的支持向量机模型,其中单个地形因子的模型4种,双地形因子组合的模型6种,三地形因子组合的模型4种,最后建立使用全部四种地形因子的模型,即共建立15种模型。通过比较15种模型在测试集上的精度得到研究区土壤养分制图的最佳SVM模型。按照有机质、碱解氮、有效磷、速效钾、有效铜、有效铁、有效锰的顺序,所选择的最佳地形因子组合分别为：(地形湿度指数,相对位置指数)、(高程,地形湿度指数,相对位置指数)、(地形湿度指数,相对位置指数,坡长)、(高程,地形湿度指数)、(高程,地形湿度指数,相对位置指数)、(地形湿度指数,相对位置指数)、(高程,地形湿度指数,相对位置指数)。在选出的最优模型中,地形湿度指数出现频率最高,表明地形湿度指数在4种地形因子中对土壤养分分布影响最大。对比每种土壤养分的SVM预测模型,为4种地形因子按照影响程度排序如下：地形湿度指数>相对位置指数>高程>坡长。(4)在回归克里格的基础上,提出使用支持向量机代替多元线性回归,用以拟合土壤属性与环境因子间的非线性关系,得到支持向量回归克里格法。在选取最优地形因子组合下土壤养分的SVM模型后,利用同样的地形因子组合建立普通克里格、多元线性回归、回归克里格以及支持向量回归克里格模型,在测试集上检验了几种模型的精度。结果表明,支持向量机在土壤养分制图方面能够拟合地形因子与土壤养分之间的非线性关系,得到比多元线性回归更高的精度,且适用范围更广泛。同时,应用SVM替换回归克里格流程中常用的多元线性回归后,部分养分的预测精度得到进一步提升,在研究区多种养分的分布预测中可作为最佳预测方法。综上所述,本文通过建立支持向量机模型,并与多种常见模型进行比较,肯定了支持向量机在土壤养分预测性制图研究的可行性及优越性,为支持向量机在土壤养分预测性制图提供了新的案例支持,为更准确迅速的获取土壤养分分布状况提供了合理的依据及方法支持。