Los suelos agrícolas sirven como sitios de almacenamiento crucial para el carbono orgánico del suelo (SOC). Su manejo adecuado es fundamental para mitigar el cambio climático. El monitoreo continuo es imperativo para evaluar los cambios espaciales y temporales en el SOC dentro de los campos agrícolas. Los conjuntos de datos en campo de espectros de suelo Vis-NIR fueron recopilados en un sitio experimental a largo plazo utilizando un espectrofotómetro en movimiento. El procesamiento de datos para la predicción continua de SOC implica un enfoque de modelado de dos pasos. En el Paso 1, se entrena un modelo de regresión de mínimos cuadrados parciales (PLSR) para establecer una relación entre el contenido de SOC y la información espectral, incluido el preprocesamiento espectral. En el Paso 2, el contenido de SOC predicho obtenido de los modelos PLSR se interpola utilizando kriging ordinario. Entre las técnicas de preprocesamiento espectral y los modelos de semivariograma probados, Savitzky-Golay y el preprocesamiento de derivadas de segmento de brecha junto con un modelo de semivariograma gaussiano, ofrecieron el mejor rendimiento resultando en un error cuadrático medio de 1.24 y 1.26 g kg. Un efecto de bandas debido a la recolección de datos basada en transectos se abordó probando la efectividad de extender la distancia de separación espacial, empleando la agregación de datos y definiendo la distribución basada en parcelas de tratamiento utilizando kriging de bloque. En general, los resultados resaltan el alto potencial de los datos espectrales Vis-NIR en movimiento para el monitoreo espacial-temporal a escala de campo de SOC.