La condición del suelo representa un factor crítico para garantizar el desarrollo agrícola sostenible y la seguridad alimentaria. En este estudio, examinamos el contenido de propiedades clave del suelo y sus patrones utilizando un marco de aprendizaje automático interpretable en combinación con datos de teledetección (Sentinel-2A) en varios tipos de uso del suelo en el noroeste de Rusia. Las propiedades del suelo analizadas en 64 muestras incluyeron carbono orgánico del suelo (Corg), nitrógeno total (N), fósforo móvil (Pmob), fósforo total (Ptot) y potasio móvil (Kmob) muestreados en tres tipos de uso del suelo: tierras de cultivo, praderas y bosques. Para la interpretabilidad del aprendizaje automático, se utilizaron métodos independientes del modelo, incluyendo permutación y explicaciones aditivas de Shapley (SHAP) con visualización espacial. Nuestros resultados revelaron las concentraciones más altas de Corg (6.1 +/- 4.3%), Kmob (78.3 +/- 42.1%) y N (31.2 +/- 14.5 mg/100 g) en áreas boscosas, mientras que ambos tipos de fósforo (Ptot y Pmob) alcanzaron su punto máximo en tierras de cultivo (0.075 +/- 0.024 y 0.023 +/- 0.015%, respectivamente). Los valores más bajos de Corg se observaron en praderas, y los valores más bajos de Kmob y N en tierras de cultivo. La validación del modelo demostró que Corg y N fueron predichos con mayor precisión (R2 = 0.53 y 0.55, respectivamente), donde las bandas SWIR de las imágenes satelitales de Sentinel-2A fueron predictores clave. Los mapas de propiedades del suelo generados y los valores espaciales de SHAP mostraron claramente patrones distintos correlacionados con los tipos de uso del suelo debido a procesos biogeoquímicos distintos a través de los paisajes. Nuestros hallazgos demuestran cómo las prácticas de manejo de la tierra alteran fundamentalmente los parámetros del suelo, creando firmas espectrales diagnósticas que pueden ser capturadas a través de aprendizaje automático interpretable y teledetección.