La erosión del suelo es un problema global, siendo la erosión por surcos reconocida como una de las formas más importantes de degradación de la tierra. El propósito de este estudio es comparar y contrastar los resultados de cuatro modelos de aprendizaje automático: Clasificación y Regresión (CART), eXtreme Gradient Boosting (XGBoost), Bosque Aleatorio (RF) y Máquina de Vectores de Soporte (SVM), utilizados para mapear la susceptibilidad a la erosión por surcos en el suelo. Los factores que controlan la erosión por surcos en la Cuenca de Drenaje Piraí, en el Valle Medio de Paraíba do Sul, fueron analizados mediante la interpretación de imágenes en Google Earth y se utilizaron muestras de erosión por surcos (n = 159) para modelado y predicción espacial. Los modelos XGBoost y RF lograron resultados idénticos para el área bajo la curva característica del receptor (AUROC = 88.50%), seguidos por los modelos SVM y CART, respectivamente (AUROC = 86.17%; AUROC = 85.11%). En todos los modelos analizados, la importancia de los principales factores de control predominó entre Lineamientos, Uso y Cobertura del Suelo, Pendiente, Elevación y Lluvia, destacando la necesidad de comprender el paisaje. El modelo XGBoost, considerando un menor número de falsos negativos en la predicción espacial, fue considerado el más apropiado en comparación con el modelo de Bosque Aleatorio. Es notable que el modelo XGBoost permitió validar la hipótesis del área de estudio, sobre la susceptibilidad a la erosión por surcos, identificando que el 9.47% de la Cuenca de Drenaje Piraí es susceptible a la erosión por surcos. Además, se evidencian metodologías replicables por su rápida aplicabilidad a diferentes escalas.