La gestión sostenible del paisaje agrícola necesita mapas de suelo fiables y precisos, así como información geoespacial del suelo actualizada. Recientemente, los modelos de aprendizaje automático (ML) se han utilizado comúnmente en la cartografía digital del suelo, junto con datos limitados, para varios tipos de paisajes. En este estudio, probamos modelos de ML lineales y no lineales para predecir y mapear las propiedades del suelo en un paisaje agrícola de tierras bajas de la región de Lombardía, Italia. Además, evaluamos la capacidad de un modelo de aprendizaje en conjunto, basado en un enfoque de apilamiento, para predecir la variación espacial de las propiedades del suelo, como los contenidos de arena, limo y arcilla, el contenido de carbono orgánico del suelo, el pH y la profundidad del suelo superficial. Por lo tanto, combinamos las predicciones de los aprendices base (modelos de ML) con dos meta-aprendices. Las precisiones de predicción se evaluaron utilizando un procedimiento de validación cruzada anidada. No obstante, los modelos individuales no lineales generalmente tuvieron un buen desempeño, siendo RF el que obtuvo los mejores resultados; los modelos de apilamiento no superaron a todos los aprendices base individuales. Los predictores topográficos más importantes de las propiedades del suelo fueron la distancia vertical a la red de canales y el nivel base de la red de canales. Los resultados proporcionan información valiosa para el uso sostenible de la tierra en un área con un ciclo de agua del suelo particular, así como para futuros cambios climáticos y socioeconómicos que influyen en el contenido de agua, la dinámica de la contaminación del suelo y la seguridad alimentaria.