Explorar novas tecnologias e abordagens em mapeamento de solos que permitam a produção de mapas de alta resolução a baixo custo é um desafio contínuo. Nesse contexto, o uso de abordagens que concentrem as observações de campo em áreas menores pode gerar bons resultados em comparação com métodos que utilizam a área total para amostragem. Neste estudo foi apresentada e testada a abordagem denominada Área de Referência, que permite gerar mapas de atributos químicos do solo com menor custo, alta resolução espacial e elevada acurácia em grandes extensões territoriais. Este estudo está dividido em dois capítulos, sendo o primeiro capítulo com objetivo de mapear a variabilidade espacial do SOCS nas profundidades de 0-30 cm e 0-100 cm, no semiárido baiano e o segundo capítulo modelar e mapear o atributo porcentagem de saturação por sódio (PST) em cinco profundidades utilizando algoritmos de machine learning e testar três métodos de seleção de covariáveis, para uma área de estudo localizada no município de Sátiro Dias região norte do estado da Bahía. Nos dois capítulos foram testadas e comparadas duas abordagens diferentes, a abordagem de Área de Referência (AR) e de Área Total (AT), três modelos de machine learning Random Forest (RF), Cubist e Support Vector Machine (SVM), e ainda, três métodos de seleção de covariáveis, todas covariáveis (TC), Recursive Feature Elimination (RFE)e Expert Knowleadge (EK). A área estudada está localizada na região norte do estado da Bahia no Brasil e abrange uma área total de 900km2, onde foi previamente selecionada uma área menor com 200km2 para ser usada como área de referência. O banco de dados conta com 124 pontos de amostragem divididos em 2 profundidades para SOCS e 5 profundidades para PST. No primeiro capítulo ficou evidente que escolha do modelo e da técnica de seleção de covariáveis afeta consideravelmente a predição do estoque de carbono, apresentando destaque para seleção de covariáveis por EK, outro resultado importante obtido foi a respeito do uso das coordenadas como covariável, o uso da latitude e longitude confere maior acurácia para os modelos, porém geram erros na avaliação visual das predições espaciais, gerando artefatos claros nos mapas. Ainda, os resultados demonstram que, para a área de estudo, a escolha da área de referência não gerou resultados equivalentes à área total. No segundo capítulo os resultados evidenciaram a eficiência dos algoritmos de machine learning Cubist e Random Forest no mapeamento da PST em diferentes profundidades do solo na área estudada. Embora a abordagem baseada na Área de Referência tenha se mostrado promissora para modelagem e extrapolação, seus resultados não superaram os obtidos com a área total. A seleção de covariáveis também foi bem-sucedida, com a técnica Recursive Feature Elimination (RFE) se destacando pela sua eficácia.