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。
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。