Medir e avaliar componentes e propriedades de solo são geralmente procedimentos que envolvem custo e consumo de tempo. A escassez de amostragem de dados em campo é geralmente compensada por resultados de predição e modelagem cujos procedimentos são conhecidos como mapeamento preditivo de solo. O objetivo deste trabalho é obter um mapa da textura superficial do solo na região de Volta Grande do Rio Uruguai (SC/RS-Brasil) por meio de amostragem granulométrica (44 pontos), reflectância espectral do solo (141 pontos) no sensor MSI (Sentinel-2), modelagem estatística preditiva (Análise Discriminante) e interpolação (IDW). A metodologia aplicada baseia-se na obtenção de funções discriminantes para aplicação de um classificador estatístico que, a partir dos dados espectrais de solo, seja capaz de discriminar a textura em areia, silte e argila. Os resultados da análise discriminante mostraram que (i) a textura do solo foi classificada no modelo a uma acurácia de 71% conforme Índice de Kappa; (ii) as frações silte e areia mostraram-se próximas tanto em termos de assinatura espectral como em teores (g/kg) obtidos em laboratório; (iii) houve predomínio de argila corroborando a característica litológica de área basáltica. Por permitir a verificação de quais variáveis independentes (reflectância) mais contribuem para a resposta da variável dependente (granulometria), este método pode ser útil para indicar as faixas espectrais que podem ser usadas na aplicação de uma técnica de regressão para predição granulométrica.Classification and Mapping of the surface-based soil texture through Remote Sensing Data and Discriminant Analysis in the region of Volta Grande do Rio Uruguai – BrazilA B S T R A C TMeasuring and evaluating soil components and properties are often costly and time-consuming procedures. Prediction and modelling, whose procedures are known as predictive soil mapping, are useful for solving the lack of field data sampling. The objective of this work is to map the surface-based soil texture in the region of Volta Grande do Rio Uruguay (SC / RS-Brazil) by using soil particle-size sampling (44 points) or soil granulometry, soil spectral reflectance (141 points) in the MSI sensor (Sentinel-2), predictive statistical modelling (Discriminant Analysis) and IDW interpolation. The methodology aims to find discriminant functions to obtain a statistical classifier that, based on soil spectral data, is able to discriminate the soil texture (surface-based) in terms of sand, silt and clay. The results showed that (i) the statistical model classified the soil texture at an accuracy of 71% according to the Kappa Index; (ii) silt and sand were similar both in terms of spectral signature and of content (g/kg); (iii) there was a predominance of clay corroborating the lithological characteristic of the basaltic area. Discriminant Analysis provides a basis to identify which independent variables (reflectance) contribute most to the response of the dependent variable (soil texture). Thus, the studied method can be useful to indicate the spectral ranges in regression models for predicting soil texture at locations not sampled.Keywords: multivariate statistics, spectral, soil particle size, Sentinel-2, interpolation.