La comprensión precisa de la distribución espacial y la variabilidad del nitrógeno total del suelo (TN) es crítica para la gestión específica del nitrógeno en el sitio. Basado en 4337 observaciones de suelo recién obtenidas y 33 covariables, este estudio aplicó el algoritmo de bosque aleatorio (RF) y un modelo de kriging de regresión modificado (RF combinado con kriging residual: RFK, en adelante) para predecir y mapear espacialmente el contenido de TN en la capa superior del suelo en áreas agrícolas de la provincia de Henan, en el centro de China. Según la predicción de RFK, el contenido de TN en la capa superior del suelo varió de 0.52 a 1.81 g kg, y las tierras agrícolas con contenidos de TN en la capa superior del suelo de 1.00-1.23 g kg y 0.80-1.23 g kg representaron el 48.2% y el 81.2% del área total de tierras agrícolas, respectivamente. Espacialmente, el TN en la capa superior del suelo en el área de estudio fue generalmente más alto en el oeste y más bajo en el este. Al utilizar el algoritmo de selección de variables Boruta, se identificaron el contenido de materia orgánica del suelo (SOM) y el contenido de potasio disponible en la capa superior del suelo, la deposición de nitrógeno, la precipitación anual promedio, las descargas de ganado y el pH de la capa superior del suelo como los principales factores que impulsan la distribución espacial y la variación del TN del suelo en el área de estudio. Los modelos RF y RFK utilizados mostraron el rendimiento esperado y lograron una precisión de predicción de TN aceptable. En comparación, RFK tuvo un rendimiento ligeramente mejor que el modelo RF. El R y el RMSE logrados por el modelo RFK mejoraron en un 4.5% y un 4.5%, respectivamente, en comparación con los del modelo RF. Sin embargo, los resultados sugieren que RFK fue inferior al modelo RF en la cuantificación de la incertidumbre de la predicción y, por lo tanto, puede tener una ligera desventaja en la fiabilidad del modelo.