Los mapas de susceptibilidad a la erosión de barrancos de alta precisión juegan un papel crucial en la evaluación de la vulnerabilidad a la erosión y la gestión del riesgo. El propósito principal de la presente investigación es evaluar el poder predictivo de modelos de aprendizaje automático individuales como el bosque aleatorio (RF), el árbol de decisión (DT) y la máquina de soporte vectorial (SVM), así como enfoques de aprendizaje automático en conjunto como apilamiento, votación, agrupamiento y potenciación con técnicas de remuestreo de validación cruzada k-fold para modelar la susceptibilidad a la erosión de barrancos en la cuenca de Oued El Abid en el Alto Atlas marroquí. Se utilizó un conjunto de datos que comprende 200 puntos de barrancos, identificados a través de observaciones de campo e imágenes de Google Earth de alta resolución, junto con 21 factores condicionantes de erosión de barrancos seleccionados en función de su importancia, ganancia de información y análisis de multicolinealidad. Los resultados exploratorios indican que todos los mapas de susceptibilidad a la erosión de barrancos derivados tuvieron una buena precisión tanto para los modelos individuales como para los de conjunto. Basado en la característica operativa del receptor (ROC), los modelos RF y SVM tuvieron mejores desempeños predictivos, con AUC = 0.82, que el modelo DT. Sin embargo, los modelos de conjunto superaron significativamente a los modelos individuales. Entre los conjuntos, el modelo de apilamiento RF-DT-SVM logró la mayor precisión predictiva, con un valor de AUC de 0.86, destacando su robustez y capacidad predictiva superior. Los resultados de priorización también confirmaron el modelo de conjunto RF-DT-SVM como el mejor. Estos hallazgos destacan la superioridad de los modelos de aprendizaje en conjunto sobre los individuales y subrayan su potencial para su aplicación en contextos geoambientales similares.