El aumento de la salinidad del suelo debido a procesos inducidos por el ser humano representa una grave amenaza para la agricultura a escala regional y global. La salinización del suelo causada por factores naturales y antropogénicos es un peligro ambiental vital, específicamente en regiones semiáridas y áridas del mundo. La detección y el monitoreo de la salinidad son críticos para la sostenibilidad de la gestión del suelo. El estudio actual comparó el rendimiento de modelos de aprendizaje automático para producir mapas espaciales de conductividad eléctrica (CE) (como un proxy de salinidad) en una llanura de riego aluvial. El área de estudio actual se encuentra en la provincia de Isparta (100 km2), la cobertura del suelo es principalmente irrigada, y los suelos dominantes son Inceptisoles, Mollisoles y Vertisoles. Se utilizó la metodología de mapeo digital de suelos (MDS), refiriéndose al aumento de la representación digital de los factores de formación del suelo con los avances tecnológicos de hoy. Se utilizaron índices basados en plantas y suelos producidos a partir de la imagen del satélite Sentinel 2A, índices topográficos derivados del modelo digital de elevación (MDE) y clases de cobertura del suelo CORINE como predictores. El algoritmo de regresión de vectores de soporte (SVR) reveló las mejores relaciones en el área de estudio. Considerando las estimaciones de diferentes algoritmos, de acuerdo con la clasificación de salinidad de la FAO, un mínimo del 12.36% y un máximo del 20.19% del área de estudio puede clasificarse como ligeramente salina. La baja dependencia espacial entre los residuos del modelo limitó el éxito de los métodos híbridos. La cobertura de tierra irrigada desempeñó un papel significativo en la predicción del nivel actual de CE.