Este estudio investigó el impacto de la expansión de pastizales y tierras de cultivo en las emisiones de carbono (C) y óxido nitroso (NO) utilizando datos de teledetección y modelos de aprendizaje automático. La investigación se centró en los cambios en el uso de la tierra agrícola en el sur de Sumatra desde 1992 hasta 2018, utilizando imágenes de satélite Landsat y Google Earth Engine (GEE) para el análisis espacial y temporal. Se emplearon algoritmos de aprendizaje automático, incluidos árboles de refuerzo por gradiente (GBT), bosques aleatorios (RF), máquinas de soporte vectorial (SVM) y árboles de clasificación y regresión (CART), para estimar las emisiones de gases de efecto invernadero basándose en múltiples parámetros ambientales. Estos parámetros incluyen el índice de vegetación mejorado (EVI), la temperatura de la superficie terrestre (LST), el índice de diferencia normalizada de vegetación (NDVI), el albedo, la elevación, la humedad, la densidad de población, la precipitación, la humedad del suelo y la velocidad del viento. Los resultados revelaron una fuerte correlación entre la expansión agrícola y el aumento de las emisiones de C y NO, con los modelos RF y GBT demostrando una precisión predictiva superior. Específicamente, GBT y RF lograron el valor R más alto (0.71, 0.59) y las métricas de error más bajas en la modelización de emisiones, mientras que SVM tuvo un rendimiento deficiente en todos los casos. El estudio destaca la efectividad del aprendizaje automático en la cuantificación de la dinámica de emisiones y subraya la necesidad de estrategias de gestión sostenible de la tierra para mitigar las emisiones de gases de efecto invernadero. Al integrar la teledetección y metodologías basadas en datos, esta investigación contribuye a las políticas de mitigación del cambio climático y a las estrategias de agricultura de precisión destinadas a equilibrar la seguridad alimentaria y la sostenibilidad ambiental.