O mapeamento convencional de solos baseado em modelos mentais é uma abordagem comum para compreensão da distribuição dos solos na Antártica. No entanto, o Mapeamento Digital de Solos baseado em modelos empíricos e quantitativos tem sido escassamente aplicado no continente. As vantagens do mapeamento digital são de grande relevância em paisagens remotas como as áreas livres de gelo da Antártica, onde coletas de solos são muito limitadas. Além disso, existe uma necessidade de dados precisos de solos para a Antártica, especialmente sob as pressões impostas atualmente pelas mudanças climáticas e distúrbios antrópicos no continente. Neste trabalho foram preditas as distribuições espaciais, nas regiões da Antártica Marítima e Península Antártica, de importantes atributos físico-químicos do solo: areia, silte, argila, soma de bases, H+Al, pH, carbono orgânico total, P, Na e P remanescente; e de classes de solos identificadas com os sistemas Soil Taxonomy and World Reference Base – FAO. Para isso, foi utilizada a base de dados de solos do Grupo Terrantar da Universidade Federal de Viçosa - Brasil, compilada a partir de trabalhos de campo realizados durante 20 anos na Antártica. Também foi usado um grande conjunto de covariáveis preditoras representando os fatores do modelo scorpan: atributos do terreno gerados a partir de Modelo Digital de Elevação, dados multiespectrais Sentinel representando covariáveis de vegetação, distâncias euclidianas para geleiras, costa e pinguineiras, geologia, coordenadas e outros atributos do solo. Para a modelagem e mapeamento, técnicas de Aprendizado de Máquinas foram aplicadas e diferentes modelos foram testados, destacando-se o modelo Random Forest. Este estudo mostra o potencial da aplicação da metodologia do Mapeamento Digital de Solos para produção de mapas detalhados na Antártica, um continente geralmente negligenciado para mapeamentos devido à ausência de dados de solos robustos. Com nossos resultados, pretendemos subsidiar a tomada de decisão sobre solos na Antártica, além de fornecer dados pioneiros que podem ser incorporados em modelos ecológicos globais. Palavras-chave: Antártica. Aprendizado de Máquinas. Mapeamento Digital de Solos. Modelagem. Predição espacial.