选用相对成熟区域较优的方法。现有方法均基于一定的数学假设，尚无单一方法或统一固定的环境辅助变量，可以适合不同地貌类型区域。因此，针对制图对象，选择适用的制图方法类别；针对具体土壤属性，根据制图区域特征和范围（尺度），结合样点的密度和均匀度，选用相对成熟的，精度检验较优的方法，且方法不宜过于繁杂。2因地制宜原则
建立制图模型前，数据检验须符合制图模型的数学假设。制图方法多采用数学模型，基于统计均值和平均关系的制图方法，要求样本符合相应的数学假设，例如符合正态分布。样本需验证并符合相关数学假设条件，方可进行模型制图。3精度保障原则
数字土壤制图结果，需要进行预测样点验证，评估模型的制图精度。随机选取20%的样点，比较实测值与预测值；也可以采取全样点交叉验证，来验证制图的精度，通过相应的验证指标评估后，制图结果方可采用作为数据成果。对于争议比较大或与经验出现巨大差异的图斑区域，需进行实地勘察验证。
数字土壤制图方法已广泛用于土壤属性制图。该方法是根据已知点的土壤信息通过数字手段推测其他点土壤特征的过程，以土壤—景观模型为理论基础，以空间分析和数学方法为技术手段，生成数字格式（栅格）的土壤属性空间分布图。2数字土壤制图的主要方法
地统计方法，包括克里格插值及其衍生方法，有普通克里格泛克里格经验贝叶斯克里格回归克里格地理加权克里格协同克里格模型等，除普通克里格泛克里格经验贝叶斯克里格外，其余的克里格衍生模型是利用所预测土壤属性与环境辅助变量（成土因素）之间的相关性（要素相关性）来提高预测精度。普通克里格应用早而广泛，但其与泛克里格反距离加权邻近法等模型均仅利用变量空间自相关关系，适合较均一土壤属性变化不强烈的环境。普通克里格会产生平滑效应，对于局部变异较大地区的预测可能会与实际情况不符。在数字土壤制图领域比较常用的方法可分为类地统计方法确定性插值数理统计机器学习和模糊推理方法。
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。