El aumento de la producción agrícola es una preocupación importante que tiene como objetivo aumentar los ingresos, reducir el hambre y mejorar otras medidas de bienestar. Recientemente, la predicción de la idoneidad del suelo se ha convertido en un tema principal de creciente preocupación entre académicos, responsables políticos y analistas socioeconómicos para evaluar la dinámica de la producción agrícola. Este trabajo tiene como objetivo utilizar parámetros fisicoquímicos y fenológicos detectados de forma remota para producir mapas de idoneidad del suelo (SSM) basados en Algoritmos de Aprendizaje Automático (ML) en una región semiárida y árida. Hacia este objetivo, se ha realizado un inventario de 238 puntos de idoneidad, además de 14 parámetros fisicoquímicos y 4 fenológicos que se han utilizado como entradas de enfoques de aprendizaje automático que son cinco predicciones de MLA, a saber, RF, XgbTree, ANN, KNN y SVM. Los resultados mostraron que los parámetros fenológicos resultaron ser los más influyentes en la predicción de la idoneidad del suelo. La validación del enfoque de la curva de Características Operativas del Receptor (ROC) indica un área bajo la curva y un AUC de más de 0.82 para todos los modelos. Los mejores resultados se obtuvieron utilizando el XgbTree con un AUC = 0.97 en comparación con otros MLA. Nuestros hallazgos demuestran una excelente capacidad de los modelos de ML para predecir la idoneidad del suelo utilizando parámetros fisicoquímicos y fenológicos. El enfoque desarrollado para mapear la idoneidad del suelo es una herramienta valiosa para el desarrollo agrícola sostenible, y puede desempeñar un papel efectivo en garantizar la seguridad alimentaria y llevar a cabo una evaluación agrícola del terreno.