El artículo presenta un modelo híbrido de aprendizaje automático para la segmentación espacial de suelos por salinidad utilizando datos satelitales multiespectrales de Sentinel-2 y parámetros climáticos del modelo ERA5-Land. El método propuesto tiene como objetivo resolver el problema de la segmentación precisa de la cobertura del suelo bajo el cambio climático y la alta heterogeneidad espacial de los datos. El enfoque incluye la aplicación secuencial de algoritmos de aprendizaje no supervisado (K-Means, agrupamiento jerárquico, DBSCAN), el modelo XGBoost y una red neuronal multitarea que realiza clasificación y regresión simultáneas. En la primera etapa, se forman pseudolabels utilizando K-Means, luego se realiza una evaluación probabilística de la pertenencia de objetos a clases y un voto conjunto de algoritmos de agrupamiento. El modelo final se entrena en un espacio de características extendido y muestra resultados mejorados en comparación con enfoques tradicionales. Los experimentos en una muestra de 33,624 observaciones (23,536 muestra de entrenamiento, 10,088 muestra de prueba) mostraron un aumento en el valor del Índice de Silueta de 0.7840 a 0.8156 y una disminución en el Índice de Davies-Bouldin de 0.3567 a 0.3022. La precisión de clasificación fue del 99.99%, con solo un error en más de 10,000 objetos de prueba. Los resultados confirmaron la alta eficiencia y aplicabilidad del método propuesto para monitoreo remoto, análisis ambiental y gestión sostenible de tierras.