La transición de la cartografía de suelos convencional (CSM) a la cartografía digital de suelos (DSM) no solo afecta los productos finales del mapa, sino que también impacta los conceptos de escala, resolución e intensidad de muestreo. Esto es crítico porque en el enfoque CSM, la intensidad de muestreo está intrínsecamente vinculada a la escala deseada de publicación del mapa de suelos, lo que proporcionó estandarización del muestreo. Este no es el caso para DSM, donde el tamaño de la muestra varía ampliamente según el proyecto, y los estudios de diseño de muestreo se han centrado en gran medida en dónde muestrear sin la debida consideración del tamaño de la muestra. Utilizando un conjunto de datos de encuestas de suelos regionales con 1791 perfiles de suelo muestreados y descritos, primero extrajimos un conjunto de datos de validación externa utilizando el algoritmo de muestreo de hipercubo latino condicionado (cLHS) y luego creamos planes de muestreo repetidos (n = 10) de tamaño creciente a partir de los sitios de calibración restantes utilizando cLHS, muestreo de cobertura del espacio de características (FSCS) y muestreo aleatorio simple (SRS). Luego entrenamos modelos de bosque aleatorio (RF) para cuatro propiedades del suelo: pH, CEC, contenido de arcilla y SOC a cinco profundidades diferentes. Identificamos el tamaño de muestra efectivo basado en las curvas de aprendizaje del modelo y lo comparamos con el tamaño de muestra óptimo determinado a partir de la divergencia de Jensen-Shannon (DJS) aplicada a las covariables ambientales. Luego se generaron mapas a partir de modelos que utilizaron todos los puntos de calibración (mapas de referencia) y de modelos que utilizaron el tamaño de muestra óptimo (mapas óptimos) para comparación. Nuestros hallazgos revelaron que los tamaños de muestra óptimos basados en el análisis DJS estaban estrechamente alineados con los tamaños de muestra efectivos de las curvas de aprendizaje del modelo (815 para cLHS, 832 para FSCS y 847 para SRS). Además, la comparación de los mapas óptimos con los mapas de referencia mostró poca diferencia en las estadísticas globales (coeficiente de correlación de concordancia y error cuadrático medio) y tendencias espaciales de los datos, confirmando que el tamaño de muestra óptimo era suficiente para crear predicciones de precisión similar al conjunto de datos de calibración completo. Finalmente, concluimos que el proyecto de encuesta de suelos de Ottawa podría haber ahorrado entre CAD 330,500 y CAD 374,000 (CAD = dólares canadienses) si las herramientas para la determinación del tamaño de muestra óptimo presentadas aquí hubieran existido durante la fase de planificación del proyecto. Esto ilustra claramente la necesidad de una investigación adicional para determinar un tamaño de muestra óptimo para DSM y demuestra que la operacionalización de DSM en instituciones públicas requiere una base científica sólida para determinar el tamaño de la muestra.