Las decisiones de fertilización dependen de la medición de un amplio conjunto de indicadores de fertilidad del suelo, generalmente a través de determinaciones de laboratorio, lo cual es costoso y requiere tiempo. La espectroscopía visible y de infrarrojo cercano (vis-NIR) combinada con aprendizaje automático puede predecir simultáneamente varios indicadores de fertilidad del suelo. La espectroscopía es inherentemente menos precisa que la determinación directa en laboratorio. Sin embargo, en muchos contextos de recomendación de fertilización, los agricultores fertilizan principalmente según indicadores de fertilidad clasificados, en lugar de los valores continuos de las propiedades del suelo. Estas clases tienen límites definidos de valores de propiedad. Hipotetizamos que la inexactitud adicional de la espectroscopía puede no ser importante para propiedades agrupadas en clases. Este estudio comparó la predicción indirecta y directa de clases de fertilidad del suelo. Indirectamente, mediante (1) el uso de espectros vis-NIR con aprendizaje automático para predecir 20 indicadores de fertilidad del suelo (pH, materia orgánica del suelo (SOM), capacidad de intercambio catiónico (CEC), nitrógeno total (TN), fósforo total (TP), potasio total (TK), nitrógeno alcalino-hidrolizable (AN), fósforo disponible (AP), potasio disponible (AK), calcio (Ca), magnesio (Mg), silicio (Si), azufre (S), boro (B), hierro (Fe), manganeso (Mn), cobre (Cu), zinc (Zn), molibdeno (Mo) y cloro (Cl)) y (2) asignando los indicadores a clases de fertilidad del suelo. Directamente, mediante la predicción de clases de fertilidad del suelo directamente a partir de los espectros vis-NIR utilizando aprendizaje automático. Se compararon la precisión de predicción de estos dos métodos y se determinaron las precisiones necesarias para la asignación aceptable de las clases de los indicadores de fertilidad. El conjunto de datos de ejemplo es una biblioteca espectral de suelos de la provincia de Guizhou, suroeste de China. El rendimiento del modelo se evaluó mediante la precisión general de asignación y el índice, que tiene en cuenta el desequilibrio de clases. Para la asignación directa basada en tres clases de fertilidad (baja, media y alta), la precisión general de asignación de ocho propiedades (CEC, Cu, Si, Zn, S, Mn, Ca y Mg), nueve propiedades (B, AN, TK, AK, SOM, TN, TP, Fe y Mo) y tres propiedades (Cl, AP y pH) estuvo dentro del rango de 0,80-1,0, 0,60-0,80 y 0,40-0,60, respectivamente. Para la asignación indirecta basada en las mismas clases, la precisión de asignación de nueve propiedades (TN, CEC, Cu, S, Zn, Si, Mn, Ca y Mg), nueve propiedades (B, TK, pH, TP, AK, AN, Fe, Mo y SOM) y dos propiedades (Cl y AP) estuvo dentro del rango de 0,80-1,0, 0,60-0,80 y 0,40-0,60, respectivamente. Concluimos que la espectroscopía vis-NIR fue bastante exitosa para la asignación de clases de fertilidad del suelo para la mayoría de las propiedades del suelo, utilizando modelos directos o indirectos. La ventaja de los modelos indirectos es que tanto los valores específicos de las propiedades como las clases de fertilidad del suelo se pueden obtener sin aumentar los costos, mientras que se sugieren modelos directos cuando solo se dispone de información sobre las clases de fertilidad del suelo.