Es fundamental producir más cultivos por gota en un entorno donde la disponibilidad de agua está disminuyendo y la competencia por el agua está aumentando. Para construir sistemas de producción agrícola de este tipo, son esenciales modelos de crecimiento de cultivos bien parametrizados. Mientras que en la mayoría de las investigaciones sobre modelado del crecimiento de cultivos, el enfoque está en reunir insumos del modelo, como datos climáticos, se presta menos atención a la recopilación de los datos críticos de propiedades hidráulicas del suelo (SHPs) necesarios para operar los modelos de crecimiento de cultivos. La recopilación de datos de SHPs para la cuenca del río Zambezi (ZRB) es extremadamente laboriosa y costosa, por lo que deben explorarse tecnologías alternativas como el mapeo digital del suelo (DSM). Evaluamos cinco tipos de modelos DSM para establecer las mejores estimaciones espacialmente explícitas del contenido de agua en el suelo en pF0.0 (saturación), pF2.0 (capacidad de campo) y pF4.2 (punto de marchitez), así como de la conductividad hidráulica saturada (Ksat) en toda la ZRB utilizando estimaciones de funciones de pedotransferencia calibradas localmente de 1481 ubicaciones para entrenar y probar los modelos DSM, así como un conjunto de datos de referencia de mediciones de 174 ubicaciones para validar los modelos DSM. Produjimos coberturas de covariables ambientales a partir de varios conjuntos de datos de origen, incluyendo variables climáticas, mapas de suelo y uso de la tierra, materiales parentales y unidades litológicas, derivados de un modelo digital de elevación (DEM) e imágenes de Landsat con una resolución espacial de 90 m. Los cinco tipos de modelos incluyeron regresión lineal múltiple y cuatro técnicas de aprendizaje automático: red neuronal artificial, árboles de regresión potenciados por gradiente, bosque aleatorio y máquina de soporte vectorial. Donde los residuos de los modelos DSM iniciales estaban autocorrelacionados espacialmente, los modelos fueron extendidos/complementados con kriging de residuos (RK). Se observó autocorrelación espacial en los residuos del modelo para los cinco modelos de cada uno de los tres contenidos de agua, pero no para Ksat. En promedio, para el contenido de agua, el R2 osciló entre 0.40 y 0.80 en los conjuntos de datos de entrenamiento y prueba antes de agregar los residuos del modelo krigeados y osciló entre 0.80 y 0.95 después de agregar los residuos del modelo. En general, el mejor método de predicción consistió en el bosque aleatorio como modelo determinista, complementado con RK, donde la textura del suelo seguida de las variables climáticas y de elevación topográfica fueron las covariables más importantes. Los mapas resultantes son un recurso listo para usar para hidrólogos y modeladores de cultivos para alimentar y calibrar sus modelos hidrológicos y de crecimiento de cultivos.