土壤环境变量具有较强空间异质性,为空间插值精度的提升带来了困难,仅基于空间相关性和空间异质性的空间插值方法难以获得较高的插值精度.机器学习方法能够融合多维辅助变量的信息,提高土壤属性的插值精度,但是不能有效融合空间位置关系信息进一步改善插值精度.本文基于随机森林空间预测框架,将空间半变异函数与随机森林算法融合,提出了融合半变异函数的空间随机森林插值方法.应用所提出的方法对湖南省湘潭县土壤重金属数据进行空间插值,并与随机森林方法、基于距离的随机森林空间预测方法、普通克里金方法和回归克里金方法进行对比,检验了所提出方法的插值精度.结果表明,融合半变异函数的空间随机森林插值方法相较于传统克里金方法精度提升10％以上,相较于新型机器学习空间插值方法精度提升5％以上,同时基于半变异函数的空间随机森林插值方法的插值制图结果具有更加合理的空间分布和丰富的细节信息.因此,融合半变异函数的空间随机森林插值方法能够有效结合辅助变量信息与空间位置关系信息,有效提高土壤环境变量插值精度.