El sector agrícola es uno de los sectores más significativos de la economía global, pero al mismo tiempo es una industria altamente intensiva en energía. El problema de optimizar las operaciones en el campo en términos de consumo de energía es, por lo tanto, una consideración clave para la agricultura sostenible, y la solución a este problema conduce tanto a beneficios ambientales como financieros. El objetivo de este estudio fue estimar el consumo de energía durante la labranza del suelo utilizando datos de escaneo geofísico y algoritmos de aprendizaje automático (ML). Esto incluyó determinar el conjunto óptimo de variables independientes y el método ML más adecuado. Los parámetros del suelo, como la conductividad eléctrica, la susceptibilidad magnética y la reflectancia del suelo en espectros infrarrojos, fueron mapeados utilizando datos de los escáneres Geonics EM-38 y Veris 3100. Estos datos, junto con la textura del suelo, sirvieron como entradas para predecir el consumo de combustible y la productividad en el campo. Se probaron tres algoritmos de aprendizaje automático: máquinas de vectores de soporte (SVM), perceptrón multicapa (MLP) y redes neuronales de función de base radial (RBF). De estos, SVM logró el mejor rendimiento, mostrando un MAPE del 4% y una fuerte correlación (R = 0,97) entre los valores de productividad predichos y reales. Para el consumo de combustible, el método óptimo fue MLP (MAPE = 4% y R = 0,63). Los hallazgos demuestran la viabilidad del escaneo geofísico y el aprendizaje automático para predecir con precisión el uso de energía en las operaciones de labranza. Este enfoque apoya una agricultura más sostenible al permitir un uso optimizado del combustible y reducir el impacto ambiental a través de un manejo de campos basado en datos. Se necesita más investigación para obtener datos de entrenamiento para diferentes parámetros del suelo y tratamientos agrotécnicos con el fin de desarrollar modelos más universales.