Un ambiente limpio es un componente esencial del desarrollo sostenible, que se basa en una comprensión integral del comportamiento del agua, el suelo y el aire. La curva de retención de agua en el suelo (SWR) es una función crucial que describe cómo el suelo retiene agua, desempeñando un papel fundamental en el riego y el drenaje, la conservación del suelo, así como en el transporte de agua y contaminantes en la zona no saturada. Este estudio evalúa la precisión, el rendimiento y las capacidades de predicción de 15 modelos de SWR. Se recolectaron un total de 140 muestras de suelo de diferentes sitios, cubriendo todas las clases texturales. Se realizaron pruebas de succión estándar, utilizando tanto columnas colgantes como extractores de placa de presión cerámica, para compilar la base de datos de SWR. Se seleccionaron 15 modelos de SWR y se ajustaron a los puntos de datos de SWR. La textura del suelo, la densidad aparente y la materia orgánica se utilizaron para determinar su efecto en el rendimiento de los modelos de SWR. Los resultados indican que los modelos de Tani y Russo exhiben los niveles más bajos de precisión y rendimiento entre los modelos seleccionados. Basado en el análisis de los criterios de información de Akaike y Bayesiano, el modelo de van Genuchten exhibe los valores más bajos entre los modelos seleccionados, con pobres capacidades de predicción en la estimación de la curva de SWR. La prueba de significancia al nivel 0.05 (intervalo de confianza del 95%) muestra que, de acuerdo con los valores p calculados para el coeficiente de correlación de Pearson entre RMSE y textura, los modelos de Brooks-Corey y van Genuchten están poco influenciados por las propiedades del suelo. El rendimiento de los modelos no se ve significativamente afectado por la materia orgánica del suelo. De manera similar, la densidad aparente no afecta significativamente el rendimiento del modelo, excepto para los modelos de Brooks-Corey, van Genuchten, Tani y Russo. Entre los modelos de SWR considerados, los modelos exponencial doble, Groenevelt y Grant, y Khlosi et al. demuestran una superior precisión y rendimiento en la predicción de la curva de SWR. Esto está respaldado por valores más bajos para RMSE, Akaike y criterios de información Bayesiana.