El carbono orgánico del suelo (SOC) es un indicador crítico de la salud del suelo y del potencial de secuestro de carbono. La estimación precisa, eficiente y escalable del SOC es esencial para la gestión sostenible de huertos y la agricultura resiliente al clima. Sin embargo, la espectroscopía tradicional visible-cercano-infrarrojo (Vis-NIR) a menudo sufre de una especificidad química limitada y una débil adaptabilidad en entornos de suelo heterogéneos. Para superar estas limitaciones, este estudio desarrolla un marco de modelado de cinco etapas que integra sistemáticamente la espectroscopía de Transformada de Fourier Infrarroja (FTIR) con técnicas híbridas de aprendizaje automático para la predicción no destructiva del SOC en suelos de huertos de cítricos. El marco propuesto incluye (1) adquisición espectral FTIR; (2) una evaluación comparativa de nueve técnicas de preprocesamiento espectral; (3) reducción de dimensionalidad a través de tres algoritmos de selección de características representativas, a saber, el Algoritmo de Proyecciones Sucesivas (SPA), Muestreo Competitivo Adaptativo Ponderado (CARS) y Análisis de Componentes Principales (PCA); (4) modelado de regresión utilizando seis algoritmos de aprendizaje automático, a saber, Bosque Aleatorio (RF), Regresión de Vector de Soporte (SVR), SVR Optimizado por Lobo Gris (SVR-GWO), Regresión de Mínimos Cuadrados Parciales (PLSR), Regresión de Componentes Principales (PCR) y la Red Neuronal de Retropropagación (BPNN); y (5) evaluaciones de rendimiento exhaustivas y la identificación de la vía de modelado óptima. Los resultados mostraron que el preprocesamiento de segunda derivada (SD) mejoró significativamente la relación señal-ruido espectral. Entre los métodos de selección de características, el SPA redujo más de 300 bandas espectrales a 10 longitudes de onda informativas, lo que permitió un modelado eficiente con una pérdida mínima de información. La tubería SD + SPA + RF logró el mejor rendimiento de predicción (R = 0.84, RMSE = 4.67 g/kg y RPD = 2.51), superando a los modelos PLSR y BPNN. Este estudio presenta una estrategia de modelado FTIR reproducible y escalable para la estimación de SOC en suelos de huertos. Su preprocesamiento adaptativo, selección efectiva de variables e integración de aprendizaje de conjunto ofrecen una solución robusta para el monitoreo de carbono en tiempo real, rentable y transferible, avanzando en la detección precisa del suelo en los ecosistemas de huertos.