El carbono orgánico del suelo (COS) es ampliamente reconocido como un indicador esencial de la calidad de los suelos cultivables y la salud de los ecosistemas. Además, una comprensión precisa de la distribución espacial del contenido de carbono orgánico del suelo para la agricultura digital de precisión es importante. En este estudio, se determinó la distribución espacial del carbono orgánico en la capa superior del suelo utilizando cuatro métodos comunes de aprendizaje automático, a saber, el modelo de red neuronal de retropropagación (BPNN), el modelo de algoritmo de bosque aleatorio (RF), el modelo de regresión ponderada geográficamente (GWR) y el método de interpolación de Kriging ordinario (OK), teniendo como área de estudio el condado de Helan. Se compararon las precisiones de predicción de los cuatro modelos diferentes en conjunto con múltiples fuentes de variables auxiliares. Las precisiones de predicción para los cuatro modelos fueron BPNN (MRE = 0.066, RMSE = 0.257) > RF (MRE = 0.186, RMSE = 3.320) > GWR (MRE = 0.193, RMSE = 3.595) > OK (MRE = 0.198, RMSE = 4.248). Además, las tendencias de distribución espacial para el contenido de COS predicho con los cuatro modelos diferentes fueron similares: alto en el área occidental y bajo en el área oriental de la región de estudio. El modelo BPNN manejó mejor la relación no lineal entre el contenido de COS y las variables auxiliares multifuente y presentó información más detallada para la diferenciación espacial. Estos resultados proporcionan una base teórica importante y un soporte de datos para explorar la tendencia de distribución espacial del contenido de COS.