土壤属性的空间分布信息是土地资源利用、水文过程模拟以及环境资源管理与保护的重要组成部分。近年来,以地理信息系统技术为基础的数字土壤制图(Digital Soil Mapping,DSM)逐渐成为获取土壤信息的主流方法。其中,样点的获取是数字土壤制图的关键环节,由于在多数区域内存在以前采集的部分样点,因此对于在已有一定数量样点的条件下如何设计补充样点的研究是当前采样设计方法领域中迫切需要研究的重点问题。目前关于数字土壤制图补样方法的最新研究成果之—是以土壤—环境关系知识为理论基础,通过计算样点与待推测点之间的环境相似度,进而得到每个待推测点的推测不确定性。借助该推测不确定性和用户设置推测不确定性阈值,界定可推测区域和不可推测区域,依据此逐次选取最大程度上提高可推测面积并降低推测不确定性的样点作为新增的补充样点。然而,现有补样方法存在着算法设计复杂、人工主观设定参数过多等不足,造成不仅技术复杂而且补样效率不高的问题。针对该问题,本文在算法设计和参数自适应调节方面进行研究改进,提出一种不确定性指导下的自适应补样方法。具体的研究思路从以下几点展开:(1)构建基于推测不确定性的统一化补样目标函数,将原有的补样方法中扩大可推测面积和降低推测不确定性这两个独立部分合并在统一的目标函数下直接完成；(2)探究参数自适应变化方法,其中重点研究了子目标权重参数的自适应变化方法和不确定性阈值参数的自适应变化方法。为充分验证本文方法的有效性,本文选取了美国威斯康辛州Raffelson区域和中国安徽省宣城市两个研究区进行实验。实验结果表明,本文方法能够有效降低统一后的总目标函数,且在迭代过程中能够不断自适应地调整子目标权重,从而协助找到最优补充样点,实现了快速降低推测不确定性且提高可推测面积的目标,提高补样效率。本文还将所提的自适应补样方法与现有的非自适应补样方法以及分层随机补样方法进行对比分析,选取了三种较为常用土壤空间分布推测模型,分别为分类回归树模型、随机森林模型和基于样点个体代表性的推理模型,结果表明,本文所提方法在多数情况下均能够得到最优的推理精度,且能够比其它方法得到更稳定的推理结果。本文还对方法中含有的关键自适应调节参数进行了分析,结果表明这两个关键参数均存在一个“适中”的参数组合,任意一个参数设定过大或过小均会衰弱降低推测不确定性的效果,并发现最优参数组合从而给设计者提供了合理的预设参考。综上,本文提出了一种不确定性指导下的自适应数字土壤制图补样方法,通过构造统一的目标函数,将原有的非自适应补样方法改进为具有自适应的补样优化方法。并且构建了补样过程中参数的自适应函数,相比于原有方法,在保证精度略有提升的前提下,去除了原方法多次主观人工调节参数的不足,降低了设计者的使用难度,提高了方法的可用性和补样效率。