La textura del suelo es una de las propiedades físicas más importantes del suelo y desempeña un papel crucial en la determinación de su idoneidad para el cultivo de cultivos. Actualmente, los métodos de aprendizaje automático de clasificación supervisada son los más comúnmente utilizados en la cartografía digital del suelo. Sin embargo, estos métodos pueden no ofrecer un rendimiento predictivo óptimo debido al número limitado de muestras de suelo. Por lo tanto, proponemos utilizar el Agrupamiento K-Means Restringido para combinar un pequeño número de muestras etiquetadas con una gran cantidad de datos no etiquetados, logrando así una predicción mejorada en la cartografía de textura del suelo. En este estudio, nos centramos en una región montañosa típica en el norte de la ciudad de Jurong, provincia de Jiangsu, China, y utilizamos el Agrupamiento K-Means Restringido como nuestro modelo de cartografía. Se emplearon la imagen de teledetección GF-2 y el modelo digital de elevación ALOS (DEM), junto con sus variables derivadas, como variables ambientales. En el Agrupamiento K-Means Restringido, la elección del método de distancia es un parámetro clave. Aquí, utilizamos cuatro métodos de distancia diferentes (euclidiana, máxima, manhattan y canberra) y comparamos los resultados con los de los modelos de bosque aleatorio (RF) y perceptrón multicapa (MLP). Notablemente, el método de distancia euclidiana dentro del Agrupamiento K-Means Restringido logró la mayor precisión general (), coeficiente, y , con valores de 0.77, 0.68 y 0.75, respectivamente. Estos métodos fueron superiores a los obtenidos por los modelos RF y MLP en 0.12, 0.18 y 0.12, y 0.18, 0.26 y 0.18, respectivamente. Esto indica que el Agrupamiento K-Means Restringido demuestra un fuerte rendimiento predictivo en la cartografía de textura del suelo. Además, el uso del suelo (LU), la multi-resolución del índice de planitud de la cima de la cresta (MRRTF), el índice de posición topográfica (TPI) y la curvatura del plano (PlC) surgieron como las variables ambientales clave para predecir la textura del suelo. En general, el Agrupamiento K-Means Restringido demuestra ser un enfoque efectivo de cartografía digital del suelo, ofreciendo una perspectiva novedosa para la cartografía de textura del suelo con muestras limitadas.