El pH del suelo es una propiedad crítica del suelo que rige la disponibilidad de nutrientes y el funcionamiento del ecosistema. El mapeo digital de su distribución espacial es esencial para la agricultura de precisión y la gestión sostenible de la tierra. Este estudio realiza un análisis comparativo de seis modelos basados en árboles acoplados con kriging residual (RK) para el mapeo de pH del suelo con una resolución de 30 m en el condado de Shayang, China. Específicamente, se utilizaron el bosque aleatorio (RF), árboles extremadamente aleatorizados (ERT), árbol de decisión de aumento de gradiente (GBDT), aumento de gradiente extremo (XGBoost), máquina de aumento de gradiente ligero (LightGBM) y aumento categórico (CatBoost). Basado en 1343 muestras de suelo y 32 variables ambientales, los resultados experimentales demuestran que la integración de RK mejoró la precisión de predicción de todos los modelos independientes al tener en cuenta la dependencia espacial de los residuos. Entre los modelos, CatBoost-RK logró el mejor rendimiento con un R2 de 0.7265, RMSE de 0.5072 y RPD de 1.9122, seguido de cerca por ERT-RK y RF-RK. El análisis de la importancia de las variables identificó el tipo de suelo (ST) y la precipitación media anual (MAP) como los factores más críticos que afectan la distribución del pH del suelo. El mapa de pH del suelo generado con una resolución de 30 m revela patrones distintos en diferentes tipos de uso de la tierra, con tierras de cultivo mostrando un pH del suelo más bajo y pastizales exhibiendo un pH más alto con mayor variabilidad. Estos hallazgos confirman la efectividad del marco híbrido ML-RK y proporcionan valiosas ideas para seleccionar estrategias de modelado óptimas en el mapeo digital del suelo.