Las predicciones de sedimentos del lecho marino a escalas regional y nacional en Australia se basan principalmente en variables relacionadas con la batimetría debido a la falta de datos derivados de retrodispersión. En este estudio, aplicamos bosques aleatorios (RF), métodos híbridos de RF y geoestadística, y modelado de regresión aumentada generalizada (GBM), a datos puntuales de contenido de arena del lecho marino y datos acústicos de multihaz y sus variables derivadas, para desarrollar un modelo preciso que prediga el contenido de arena del lecho marino a escala local. También abordamos cuestiones relevantes sobre la selección de variables. Se encontró que: (1) las variables relacionadas con la retrodispersión son más importantes que las variables relacionadas con la batimetría para la modelización predictiva de arena; (2) la inclusión de predictores altamente correlacionados puede mejorar la precisión predictiva; (3) los órdenes de clasificación de la importancia promedio de las variables (AVI) y la contribución a la precisión cambian con los predictores de entrada para RF y no necesariamente coinciden; (4) se recomienda un método AVI informado por el conocimiento (KIAVI2) para RF; (5) los métodos híbridos y su promediado pueden mejorar significativamente la precisión predictiva y se recomiendan; (6) las relaciones entre la arena y los predictores son no lineales; y (7) los métodos de selección de variables para GBM necesitan más estudio. Se generan predicciones de contenido de arena con precisión mejorada a alta resolución, lo que proporciona información de referencia importante para la gestión ambiental y la conservación.