El conocimiento de la distribución espacial del carbono orgánico del suelo (COS) es de crucial importancia para mejorar la productividad de los cultivos y evaluar el efecto de las estrategias de manejo agronómico en la respuesta de los cultivos y la calidad del suelo. Incorporar variables secundarias correlacionadas con el COS permite utilizar información que a menudo está disponible a una resolución espacial más fina, como datos de sensores proximales y remotos, y mejorar la precisión de las predicciones. En este estudio, se utilizaron dos métodos de interpolación no estacionarios para predecir el COS, a saber, kriging de regresión (RK) y splines de regresión adaptativa multivariada (MARS), utilizando como variables secundarias datos de inducción electromagnética (EMI) y radar de penetración terrestre (GPR). Se seleccionaron dos covariables de GPR, que representan dos capas de suelo a diferentes profundidades, y coordenadas geográficas X por ambos métodos con una importancia variable similar. A diferencia del modelo lineal de RK, el modelo MARS también seleccionó una covariable de EMI. Este resultado puede atribuirse a la capacidad intrínseca de MARS para interceptar las interacciones entre variables y resaltar características no lineales subyacentes en los datos. Los resultados indicaron una mayor contribución de los datos de GPR que de los de EMI debido a la diferente resolución de EMI en comparación con la de GPR. Por lo tanto, se recomienda el uso de MARS acoplado con datos geofísicos para la predicción del COS, señalando la necesidad de mejorar el manejo del suelo para garantizar la sostenibilidad de las tierras agrícolas.