Atualmente a procura do mapeamento digital de solos (MDS) tem crescido consideravelmente nos estudos ambientais. Diante dessas demandas e a falta de informações sobre os solos em escala adequada, é mais que necessário o desenvolvimento de pesquisas, técnicas e métodos que permitam auxiliar no estudo de solos e seus atributos. Este estudo foi divido em dois capítulos, a saber: O primeiro capítulo teve como objetivo avaliar a aplicação de modelos de aprendizagem de máquina (ML) na predição de estoque de carbono do solo a 30cm e 100cm de profundidade e no segundo capítulo na predição da composição granulométrica do solo em superfície e subsuperfície. Os objetivos específicos foram; Comparar duas formas de distribuição de dataset; área de referência (RA) e área total (TA), avaliar duas categorias de seleção de covariável: "método wrapper" e "seleção prévia de covariável" como etapa de pré-processamento, antes da calibração do ML e avaliar o desempenho de três algoritmos de ML: árvore de regressão (RT), floresta aleatória (RF) e máquina de vetores de suporte (SVM) na modelagem dos atributos do solo. O local do estudo foi dividido em três blocos, denominados blocos Urucu, Araracanga e Juruá. O conjunto de dados consistiu em 120 observações de estoque de carbono e 151 observações de composição granulométrica combinadas com 21 covariáveis (20 covariáveis de relevo e 1 índice derivado da banda P) que foram abordadas nos dois datasets diferentes: (RA) e (TA). A similaridade entre a RA e a paisagem dos blocos foi avaliada por meio do índice geral de Gower e a estatística descritiva das covariáveis. Os resultados mostraram que o uso da seleção de covariáveis anteriores, combinada com o uso de um conjunto de dados do RA, permitiram desenvolver modelos mais precisos para prever na maior parte dos atributos estudados. De acordo com o índice geral de Gower, a RA possui alta similaridade com os blocos Urucu, Araracanga e Juruá. Entretanto, as estatísticas mostraram que aumentando a distância do RA, algumas covariáveis de relevo são mais diferentes. No primeiro capítulo os modelos de previsão desenvolvidos para prever o SOCS100 apresentaram maior precisão e transferibilidade do que aqueles desenvolvidos para prever o SOCS30. O algoritmo RF gerou os mapas mais precisos de SOCS100 para os Blocos de Urucu e Juruá (R² = 0,70 e 0,51, respectivamente). Os valores de SOCS100 dos mapas gerados para a região do Bloco de Urucu variaram de 3,89 kg C. m-² a 10,64 kg C .m-², enquanto para o bloco Juruá variram de 4,97 kg C. m-² a 10,07 kg C. m-². No capítulo 2 o melhor desempenho também foi obtido com o algoritmo RF na predição de silte em superfície e subsuperfície para os Blocos Urucu e Juruá (R² = 0,58 e 0,52, 0,51 e 0,56 respectivamente). Os valores de silte superficial e subsuperficial dos mapas gerados para a região do Bloco Urucu variaram de 195,7 g kg-1 a 582,1 g kg-1 e 206,8 g kg-1 a 517,8 g kg-1, enquanto para o bloco Juruá variaram de 226,1g kg-1 a 560,2 g kg-1 e 222,5 g kg-1 a 462,0 g kg-1, respectivamente. Apesar da baixa densidade de observação do conjunto de dados disponível, os resultados mostram não só a importância dos algoritmos de ML para mapear os atributos do solo, mas também do uso de conhecimento pedológico especializado gerado em uma RA para apoiar uma seleção de covariáveis antes de calibrar os algoritmos de ML.