Este estudio tuvo como objetivo (i) desarrollar, evaluar y comparar el rendimiento de máquinas de soporte vectorial (SVM), árboles de regresión aumentada (BRT), bosques aleatorios (RF) y modelos de regresión logística (LR) en la cartografía de la susceptibilidad a la erosión de barrancos, y (ii) determinar los factores condicionantes importantes de la erosión de barrancos (GECFs) en un paisaje semiárido de Kenia. Se recopilaron un total de 431 puntos de erosión de barrancos geo-referenciados a través de una encuesta de campo e interpretación visual de imágenes satelitales de alta resolución en Google Earth, mientras que se recuperaron 24 GECFs basados en ráster de las bases de datos geográficas existentes para modelado y predicción espacial. Los modelos resultantes mostraron un rendimiento excelente, aunque los modelos de aprendizaje automático superaron la técnica de referencia LR. Específicamente, los modelos RF y BRT devolvieron el área más alta bajo la curva de características operativas del receptor (AUC = 0.89 cada uno) y la precisión general (OA = 80.2%; 79.7%, respectivamente), seguidos por los modelos SVM y LR (AUC = 0.86; 0.85 & OA = 79.1%; 79.6%, respectivamente). Además, la importancia de los GECFs varió entre los modelos. El modelo RF de mejor rendimiento clasificó la distancia a un arroyo, la densidad de drenaje y la profundidad del valle como los tres GECFs más importantes en la región. Los mapas de susceptibilidad a la erosión de barrancos generados pueden apoyar la asignación eficiente de recursos para la gestión sostenible de la tierra en el área.