Los mapas digitales de suelo existentes se caracterizan principalmente por una resolución espacial gruesa y no están actualizados; por lo tanto, no pueden apoyar los modelos basados en procesos físicos para mejorar las predicciones. El objetivo general de este trabajo está orientado hacia un enfoque basado en datos y herramientas basadas en datacube (Soil Data Cube), aprovechando los datos de imágenes de Sentinel-2, bases de datos de acceso abierto, datos de suelo de verificación en campo y arquitecturas de Inteligencia Artificial (IA) para proporcionar capas geoespaciales mejoradas en el modelo de Ecuación de Pérdida de Suelo Universal Revisada (RUSLE), mejorando tanto la fiabilidad como la resolución espacial del mapa final. La metodología propuesta se implementó en el área agrícola de la Unidad Regional de Imathia (norte de Grecia), que consiste en áreas montañosas y llanuras. Se generaron mapas de suelo mejorados de Carbono Orgánico del Suelo (COS) y textura del suelo a una resolución de 10 m a través de un análisis de series temporales de datos satelitales y un modelo XGBoost (eXtrene Gradinent Boosting). El modelo fue entrenado con 84 muestras de suelo de verificación en campo (recogidas de campos agrícolas) teniendo en cuenta también covariables ambientales adicionales (incluyendo el modelo digital de elevación y datos climáticos) y siguiendo un enfoque de Mapeo Digital de Suelos (DSM). Las capas mejoradas se introdujeron en el factor de erodibilidad del suelo (factor K) de la RUSLE, produciendo una capa de erosión del suelo con alta resolución espacial. Se logró una notable precisión de predicción por parte del modelo de IA con R2 de 0.61 para COS y 0.73, 0.67 y 0.63 para arcilla, arena y limo, respectivamente. Se encontró que la pérdida anual promedio de suelo de la unidad era de 1.76 ton/ha/año, con el 6% de la superficie agrícola total sufriendo de erosión severa (>11 ton/ha/año), que se encontró principalmente en las regiones fronterizas montañosas, mostrando la fuerte influencia de las montañas en los campos agrícolas. La metodología general podría apoyar fuertemente la toma de decisiones y la planificación regional y políticas ambientales como la Política Agrícola Común (PAC) de Europa y los Objetivos de Desarrollo Sostenible (ODS).