El estudio actual evalúa el rendimiento de las funciones de pedotransferencia (PTFs) y los algoritmos de aprendizaje automático (ML) en la predicción de la densidad aparente del suelo (BD) en dos regiones distintas de Grecia-Kozani y Veroia-utilizando conjuntos de parámetros de suelo limitados y extendidos. Los resultados revelan diferencias regionales significativas en la precisión de la predicción. En el escenario del conjunto de datos completo, Veroia muestra consistentemente un rendimiento predictivo superior en todos los modelos (PDF RMSE: 0.104, ML RMSE: 0.095) en comparación con Kozani (PDF RMSE: 0.133, ML RMSE: 0.122). Generalmente, los modelos de ML superan a las PTF en términos del RMSE y MAE en ambas regiones con el conjunto de datos completo. Sin embargo, las PTF ocasionalmente muestran valores R más altos (Veroia PTF R: 0.35 vs. ML R: 0.28), lo que sugiere una mejor explicación de la varianza general a pesar de errores más grandes. Notablemente, la efectividad de ML parece estar afectada por la disponibilidad de datos. En Kozani, cuando se restringe a propiedades básicas del suelo, el rendimiento de ML (RMSE: 0.129, R: 0.16) se vuelve similar al de las PTF (RMSE: 0.133, R: 0.16). Sin embargo, la incorporación del conjunto de datos completo mejora sustancialmente el poder predictivo de ML (RMSE: 0.122, R: 0.26). Por el contrario, en Veroia, la inclusión de más variables resulta paradójicamente en un ligero declive en el rendimiento de ML (ML_min RMSE: 0.093, R: 0.31 vs. ML RMSE: 0.095, R: 0.28). Estos resultados contrastantes enfatizan la necesidad de estrategias de modelado específicas del contexto, una selección cuidadosa de características y precaución contra la suposición de que más datos o complejidad mejora inherentemente el rendimiento predictivo.