土壤有机碳和全氮（Soil organic carbon和total nitrogen,SOC和STN）与农业生态系统中土壤生产力密切相关,其空间分布主要受自然特征和人类活动的影响。线性回归模型假设土壤属性与环境协变量（包括自然特征和人类活动）之间的关系是线性的。这在计量土壤学研究中存在问题,因为这种关系主要是非线性的。尽管在丘陵或山区越来越多的研究认识到利用自然特征可以提高预测土壤属性的准确性,但很少有研究考虑人类活动的影响,特别是在平原地区。为此,本研究采用一种基于农业土地利用方式修正的径向基函数神经网络模型（RBFNN_ALU）用来预测SOC和STN空间分布,从1 km×1 km网格中收集了248个不同农业土地利用方式的土壤样本,包括93个林地样点,98个水田样点和57个园地样点。将RBFNN_ALU的预测结果与径向基神经网络模型（RBFNN）、地理加权回归模型（GWR）、基于农业土地利用方式修正的多元线性回归模型（MLR_ALU）、多元线性回归模型（MLR）、基于农业土地利用方式修正的普通克里格模型（OK_ALU）和普通克里格模型（OK）进行对比。本文的主要结论如下:（1）描述性统计结果表明SOC含量范围为2.60³8.60 g kg^-1,平均含量为19.85g kg^-1,变异系数为0.45;STN含量范围为0.08³.57 g kg^-1,平均含量为1.78 g kg^-1,变异系数为0.47。不同农业土地利用方式下SOC和STN含量存在显著差异,即水田>林地>园地（p<0.05）。（2）回归分析表明,气候对SOC和STN空间变异的影响程度分别为2.7%和2.0%;生物因素对SOC和STN空间变异的影响不显著;成土母质对SOC和STN空间变异的影响程度分别为1.3%和4.2%;土壤类型对SOC和STN空间变异的影响不显著;地形对SOC和STN空间变异的影响程度分别为5.8%和18.5%;农业土地利用方式在所有潜在因素中（包括自然特征和人为活动）影响最大,独立解释SOC和STN空间变化的能力分别为38.2%和50.9%。（3）空间分布模拟结果表明RBFNN_ALU模型在预测精度方面表现出最佳性能,与OK相比较,SOC和STN的相对提高度分别为21%和19%;而MLR在预测精度方面达到最差精度,与OK相比较,SOC和STN的相对提高度均为-14%。此外,RBFNN_ALU模型提供了有关SOC和STN空间分布模式的更详细和准确的描述,而MLR提供了有限的信息和有偏的描述。结果表明,考虑土壤属性与环境协变量之间的非线性关系,以及人类活动对土壤属性的影响对于预测平原地区土壤属性空间分布至关重要。