Como una de las cantidades físicas involucradas en la producción agrícola, la humedad del suelo puede guiar de manera efectiva la irrigación en el campo y evaluar la distribución de los recursos hídricos para el crecimiento de los cultivos en varias regiones. Sin embargo, la variabilidad espacial de la humedad del suelo es dramática, y sus datos de series temporales son altamente ruidosos, no lineales y no estacionarios, por lo que resulta difícil predecir con precisión. En este estudio, tomando la provincia de Jiangsu en China como ejemplo, se utilizaron los datos de 70 estaciones de observación meteorológica y de humedad del suelo automáticas desde 2014 hasta 2022 para establecer modelos de predicción de la humedad relativa del suelo de 0-10 cm a través del algoritmo de extreme gradient boosting (XGBoost). Antes de construir el modelo, de acuerdo con las características físicas del suelo medido, los datos de observación de humedad del suelo se dividieron en tres categorías: suelo arenoso, suelo franco y suelo arcilloso. Basándose en los impactos de varios factores en el balance del presupuesto hídrico del suelo, se eligieron 14 predictores para construir el modelo, de los cuales 10 correspondían a factores atmosféricos y 4 a factores del suelo. Considerando las diferencias en las características físicas del suelo y los efectos rezagados de los impactos ambientales, se determinaron los mejores tiempos de influencia de los predictores para los diferentes tipos de suelo a través de un análisis de correlación para mejorar la racionalidad de la construcción del modelo. Para evaluar mejor la importancia de los factores del suelo, se diseñaron dos conjuntos de modelos (Modelo y Modelo) tomando los factores del suelo como predictores opcionales introducidos en el modelo XGBoost. Mientras tanto, las contribuciones de los predictores a los resultados de la predicción fueron analizadas con la explicación aditiva de Shapley (SHAP). Se analizaron seis indicadores de efecto de predicción, así como un proceso de sequía típico que ocurrió en 2022, para evaluar la precisión de la predicción. Los resultados muestran que el tiempo con las correlaciones más altas entre los predictores ambientales y la humedad relativa (RH) variaba pero era similar entre los tipos de suelo. Entre estos predictores, las tasas de contribución de la temperatura máxima del aire (T), la precipitación acumulativa (P) y la humedad relativa del aire (RH) en los factores atmosféricos, que funcionaban como un factor crítico que afectaba la variación en la humedad del suelo, son relativamente altas en ambos modelos. Además, agregar factores del suelo podría mejorar la precisión de la predicción de la humedad del suelo. Hasta cierto punto, el modelo XGBoost tuvo un mejor rendimiento en comparación con las redes neuronales artificiales (ANNs), los bosques aleatorios (RFs) y las máquinas de vectores de soporte (SVMs). Los valores del coeficiente de correlación (R), el error cuadrático medio (RMSE), el error absoluto medio (MAE), el error absoluto relativo medio (MARE), el coeficiente de eficiencia de Nash-Sutcliffe (NSE) y la precisión (ACC) del Modelo fueron 0.69, 11.11, 4.87, 0.12, 0.50 y 88%, respectivamente. Este estudio verificó que el modelo XGBoost es aplicable para la predicción de la humedad del suelo a nivel provincial, ya que pudo predecir razonablemente los procesos de desarrollo del evento de sequía típico.