由于土壤属性与其影响因素存在复杂的非线性关系，即使在相同的研究区域，尤其是在较大的景观异质性区内，这些因素对土壤属性的局部影响也并不相同。然而，以往的研究多是基于土壤属性与其影响因素的简单线性关系提高预测精度，忽略了这些因素对土壤属性在局部区域产生的差异性影响。因此，以土壤有机质为例，综合考虑地形、土壤类型、土壤质地、土地利用类型对其影响，采用自组织特征映射神经网络对这些因素在局部区域产生的影响进行聚类分区，并结合克立格进行预测。结果表明，自组织特征映射神经网络聚类的克立格法（ordinary kriging combined with the clustering of a self-organizing feature maps neural network，KCSOM）能够识别有机质与其影响因素的复杂非线性关系，可以有效地避免预测时高值的低估及低值的高估，进而提高预测精度。同时，通过综合考虑不同因素对局部地区变异的差异性影响，KCSOM 在不同的聚类区内及聚类之间可以更好的描述空间变异细节特征。因此，在高景观异质性区内，KSCOM 可以作为一种有效且高精度的土壤属性预测方法。
