El conocimiento sobre la distribución espacial del stock de carbono orgánico del suelo (SOCS) ayuda en la gestión sostenible del uso del suelo y el funcionamiento de los ecosistemas. No se ha realizado ningún estudio similar en la compleja topografía y uso del suelo de los Himalayas, que está asociado con una gran heterogeneidad espacial y incertidumbres. Por lo tanto, en este estudio se utilizó la cartografía digital del suelo (DSM) para predecir y evaluar la distribución espacial del SOCS utilizando métodos geoespaciales avanzados y un algoritmo de aprendizaje automático en la región himalaya de Jammu y Cachemira, India. Se recolectaron ochenta y tres muestras de suelo en diferentes usos del suelo. Se utilizaron variables auxiliares (índices espectrales y parámetros topográficos) derivadas de datos satelitales como predictores. Se utilizaron métodos geoespaciales: kriging ordinario (OK) y kriging de regresión (RK), y un método de aprendizaje automático: bosque aleatorio (RF), para evaluar la distribución espacial y la variabilidad del SOCS con comparación entre modelos para su rendimiento de predicción. Los criterios de validación del modelo de mejor ajuste utilizados fueron el coeficiente de determinación (R2) y el error cuadrático medio (RMSE), con mapas resultantes validados por validación cruzada. La concentración de SOCS varió de 1.12 Mg/ha a 70.60 Mg/ha. El análisis del semivariograma de OK y RK indicó una dependencia espacial moderada. RF (RMSE = 8.21) tuvo un mejor rendimiento que OK (RMSE = 15.60) y RK (RMSE = 17.73), mientras que OK tuvo un mejor rendimiento que RK. Por lo tanto, se puede concluir que RF proporciona una mejor estimación y variabilidad espacial del SOCS; sin embargo, una mayor selección y elección de variables auxiliares y una mayor densidad de muestreo de suelo podrían mejorar la precisión de la predicción de RK.