La asignación explícita del pH del suelo espacial es beneficiosa para evaluar los efectos de los cambios en el uso del suelo en la calidad del suelo. Los métodos digitales de mapeo de suelos basados en aprendizaje automático se han considerado una forma efectiva de predecir la distribución espacial de los parámetros del suelo. Sin embargo, seleccionar variables ambientales óptimas con un método de selección de características apropiado es un trabajo clave en el mapeo digital. En este estudio, evaluamos el rendimiento de los métodos de selección de características de eliminación recursiva de características de la máquina de vectores de soporte (SVM-RFE) con cuatro métodos comunes de aprendizaje automático en la predicción y mapeo del pH del suelo espacial de un área urbana en Fuzhou, China. Treinta variables ambientales fueron recopiladas de las 134 muestras que cubrían toda el área de estudio para la selección de características de SVM-RFE. Los resultados identificaron las cinco variables ambientales más críticas para el valor del pH del suelo: temperatura media anual (MAT), pendiente, Índice de Humedad Topográfica (TWI), índice de vegetación ajustado al suelo modificado (MSAVI) y Banda5. Además, el algoritmo de selección de características SVM-RFE podría mejorar efectivamente la precisión del modelo, y el modelo de aumento de gradiente extremo (XGBoost) después de la selección de características de SVM-RFE tuvo los mejores resultados de predicción (R = 0.68, MAE = 0.16, RMSE = 0.26). Este trabajo combina la selección de características RFE-SVM con modelos de aprendizaje automático para permitir el mapeo rápido y económico del pH del suelo, proporcionando nuevas ideas para predecir el pH del suelo a pequeña y mediana escala, lo que ayudará con la conservación y gestión del suelo en la región.