全程“质控检测”，严把质量关口
切实做好外业调查采样与内业检测工作节点的衔接，是保证“土壤三普”工作顺利开展的关键。陕西省土壤普查办通过层层筛选，选定5个实验室共同承担6个试点市县及3个盐碱地专项调查市县“土壤三普”样品制备工作，做到制样、检测分离，完成8497个土壤样品制备工作。术业有专攻，样品转码工作由3家省级质控实验室，分别负责制定针对5家制样实验室的样品流转、转码工作计划和实操演练。确定土壤三普样品转码工作统一在制样实验室实施，减少了运输环节，提高了工作效率，形成了统一的规范技术流程和要求。按照第三次土壤普查领导小组办公室公布的陕西省入围土壤三普检测实验室名单，并结合实际情况，由陕西省土壤普查办统筹安排，终确定16个检测实验室共同承担6个试点市县及3个盐碱地专项调查县“土壤三普”样品检测任务。本次试点工作涉及土壤检测样点共6092个，其中包含表层样点5939个，剖面样点153 个。参与本次试点工作的16家检测实验室，圆满完成了“土壤三普”试点市县土壤样品检测工作，形成了由外业调查采样-内业测试分析-成果汇交组成的一条龙技术模式，总结出试点检测工作全流程，实现了“大练兵”的目的，更为今后开展的“土壤三普”工作奠定了坚实基础。
机器学习模型利用机器学习与数据挖掘方法，提取土壤属性与环境变量之间的关系用来预测土壤属性的空间分布，可以解决土壤属性与环境变量的非线性问题，包括随机森林人工神经网络分类与回归树等。目前随机森林法进行属性制图在数据挖掘方法中应用广泛。
模糊推理是将土壤与环境关系表达为隶属度值，利用单个土壤样点在空间上的代表性推测土壤目标变量的空间变化。该方法制图效果依赖于单个样点的可靠性，要求对样点的可靠性进行质量检查。上述方法有两个制约需要大量的土壤样点来提取统计关系；需要具有较好的空间代表性，除机器学习模型外，其它模型制图区域通常不宜过大。
环境变量提取栅格数据精度，要优于表1或表2的像素（像元）分辨率。其中，表1精度适用于大范围土地利用种植结构比较单一区域，例如平原粮食作物区；表2精度适用于种植结构复杂的小范围地区或地块破碎区域。1不同尺度的精度要求3环境变量制备及质量检测测试方法分区标注，对不同地区采用不同测试方法的指标，标注其所在区域，用于分别成图。
