La lixiviación de nitratos del suelo presenta una amenaza significativa para la salud del suelo, ya que puede resultar en la pérdida de nutrientes, acidificación del suelo y daños estructurales. Es crucial cuantificar la heterogeneidad espacial de la lixiviación de nitratos y sus impulsores. Se recopilaron un total de 509 puntos de datos observacionales sobre la lixiviación de nitratos en el norte de China, capturando las variaciones espaciales y temporales en cultivos como el trigo de invierno, el maíz y las verduras de invernadero. Se desarrolló un modelo de aprendizaje automático (ML) para predecir la lixiviación de nitratos, siendo el modelo de bosque aleatorio (RF) superior a los modelos de máquina de soporte vectorial (SVM), aumento extremo de gradiente (XGBoost) y red neuronal convolucional (CNN), logrando un R2 de 0.75. Sin embargo, el rendimiento mejoró significativamente después de integrar los cuatro modelos con optimización bayesiana (todos los modelos tuvieron R2 > 0.56), lo que permitió capacidades de predicción cuantitativa para las concentraciones de pérdida de nitratos. Además, el modelo XGBoost mostró la mayor precisión de ajuste y el menor error en la estimación de las pérdidas de nitratos, con un valor de R2 de 0.79 y un error absoluto medio (MAE) de 3.87 kg/ha. Los análisis de la importancia de las características y los valores SHAP en el modelo óptimo de XGBoost identificaron la materia orgánica del suelo, la entrada de fertilizantes nitrogenados químicos y la entrada de agua (incluyendo lluvia e irrigación) como los principales indicadores de la pérdida de nitratos. El método de modelado basado en ML desarrollado supera la dificultad de determinar la relación funcional entre la intensidad de pérdida de nitratos y sus factores influyentes, proporcionando una solución basada en datos para estimar la pérdida de nitrógeno-nitrato en tierras agrícolas en el norte de China y fortaleciendo las prácticas agrícolas sostenibles.