Las propiedades clave del suelo juegan roles fundamentales en la formación del crecimiento de los cultivos y los resultados de rendimiento. La predicción puntual precisa y la predicción por intervalos de las propiedades del suelo sirven como referencias cruciales para tomar decisiones informadas sobre la aplicación de fertilizantes. Los métodos tradicionales de análisis de suelos a menudo implican análisis químicos laboriosos y que consumen muchos recursos. Para abordar este desafío, este estudio introdujo un enfoque novedoso que aprovecha técnicas de fusión de datos espectrales para predecir propiedades clave del suelo. Los conjuntos de datos iniciales se derivaron de datos espectrales UV-visible-cercano-infrarrojo (UV-Vis-NIR) y datos espectrales de medio infrarrojo (MIR), que pasaron por etapas de preprocesamiento que involucraban técnicas de suavizado, eliminación de ruido y transformación de derivadas de orden fraccionario (FOD). Después de extraer las bandas características de ambos tipos de datos espectrales, se desarrollaron tres estrategias de fusión, las cuales se mejoraron aún más utilizando técnicas de aprendizaje automático. Entre estas estrategias, el algoritmo de fusión de análisis de producto externo resultó particularmente efectivo para mejorar la precisión de la predicción. Para predicciones puntuales, métricas como el coeficiente de determinación (R) y métricas de error demostraron mejoras significativas en comparación con predicciones basadas únicamente en datos espectrales de una sola fuente. Específicamente, los valores de R aumentaron de 0.06 a 0.41, subrayando la eficacia del enfoque de fusión combinado con regresión de mínimos cuadrados parciales (PLSR). Además, basándose en el criterio de ancho de cobertura para establecer intervalos de predicción confiables para propiedades clave del suelo, incluyendo materia orgánica del suelo (SOM), nitrógeno total (TN), nitrógeno hidrolizado (HN) y potasio disponible (AK). Estos intervalos se desarrollaron dentro del marco del modelo de predicción de intervalo de estimación de densidad de núcleo (KDE), que facilita la cuantificación de la incertidumbre en las estimaciones de propiedades. Para fósforo disponible (AP), también se proporcionó una evaluación preliminar de su concentración. Al integrar la fusión avanzada de datos espectrales con el aprendizaje automático, este estudio allana el camino para una toma de decisiones agrícolas más informada y estrategias sostenibles de manejo del suelo.