Objetos desconocidos en el suelo agrícola pueden ser importantes porque pueden afectar la salud y productividad del suelo y los cultivos que crecen en él. Los desafíos en la recolección de muestras de suelo presentan oportunidades para utilizar el procesamiento de imágenes de Radar de Penetración Terrestre (GPR) y técnicas de inteligencia artificial para identificar y localizar objetos no identificados en el suelo agrícola, lo cual es importante para la agricultura. En este estudio, utilizamos modelos simulados de dominio temporal de diferencias finitas (FDTD) para recopilar datos de entrenamiento y predecir las condiciones reales del suelo. Además, proponemos una máquina de vectores de soporte multiclase (MSVM) que emplea un algoritmo semisupervisado para clasificar materiales de objetos enterrados y localizar su posición en el suelo. Luego, extraemos señales de eco de las características electromagnéticas del modelo de simulación FDTD, incluyendo tipo de suelo, forma parabólica, ubicación y cambios en la magnitud de energía. Por último, comparamos el rendimiento de varios modelos de MSVM con diferentes funciones de núcleo (lineal, polinómica y de función de base radial). Los resultados indican que el método FDTD-Yee mejora la precisión de la simulación de suelos agrícolas reales. La tasa de reconocimiento promedio de la posición de la hipérbola formada por la señal de eco de GPR es del 91.13%, lo que se puede utilizar para detectar la posición y el material de objetos desconocidos y subterráneos. Para la identificación de materiales, el modelo de máquina de vectores de soporte de grafo acíclico dirigido (DAG-SVM) logra la mayor precisión de clasificación entre todas las capas de suelo al usar un núcleo RBF. En general, nuestro estudio demuestra que un modelo de inteligencia artificial entrenado con el modelo de simulación directa FDTD puede detectar efectivamente objetos en el suelo de tierras de cultivo.