Recientemente, se han desarrollado numerosos métodos de predicción espacial con diversas características. Seleccionar un método de predicción espacial apropiado, junto con su preprocesamiento de datos y configuraciones de parámetros, presenta una tarea desafiante para muchos usuarios, especialmente para los no expertos. Este artículo aborda este desafío al explorar el potencial del método de aprendizaje automático automatizado propuesto en el ámbito de la inteligencia artificial para determinar automáticamente el método más adecuado entre varios métodos de aprendizaje automático. Como estudio de caso, se aplicó el método de aprendizaje automático automatizado para predecir la distribución espacial de subgrupos de suelo en la granja Heshan. Se utilizaron un total de 110 muestras de suelo y 10 variables de terreno en los experimentos diseñados. Para evaluar el rendimiento, se comparó el método propuesto con cada método de aprendizaje automático con valores de parámetros predeterminados o parámetros determinados por el conocimiento experto. Los resultados mostraron que el método propuesto generalmente logró puntuaciones de precisión más altas que los dos métodos alternativos. Esto sugiere que el aprendizaje automático automatizado funciona de manera efectiva en escenarios donde hay numerosos métodos de aprendizaje automático disponibles y ofrece utilidad práctica al reducir la dependencia de la experiencia de los usuarios en la predicción espacial. Sin embargo, se debería desarrollar un marco automatizado más robusto para abarcar una gama más amplia de métodos de predicción espacial, como los métodos estadísticos espaciales, en lugar de centrarse únicamente en los métodos de aprendizaje automático.