Plodnost tla ključna je za produktivnost poljoprivredne  proizvodnje, a željezo (Fe) je ključni  mikroelement nužan  za uspješan  razvoj  usjeva.  Ova  studija  istražuje  potencijal kombinacije  metoda  strojnoga učenja u geoprostornome  predviđanju  Fe u tlu u  Hrvatskoj.  Korištenjem  skupa  podataka  od  686 uzoraka  tla, tri pojedinačne metode strojnoga učenja, uključujući  extreme gradient boosting (XGB), support vector machine (SVM) i Cubist, kao i njihova kombinacija, evaluirani su za predviđanje Fe u tlu. Metoda kombinacije nadmašila je pojedinačne  modele, pokazujući  veću  točnost  predviđanja  izraženu koeficijentom  determinacije  (R2  = 0,578), s nižom srednjom kvadratnom pogreškom (RMSE = 0,837) i srednjom apsolutnom pogreškom (MAE = 0,550). Sadržaj gline u tlu pokazao se najutjecajnijim prediktorom, a slijede ga sadržaj pijeska, pH vrijednosti i odabrane bioklimatske varijable.  Rezultati ove studije pokazuju učinkovitost kombinacije strojnoga učenja u  točnome  predviđanju  sadržaja  Fe u tlu, čime doprinose informiranomu donošenju odluka  u planiranju  i upravljanju održivim poljoprivrednim zemljištem. Uključivanjem  komplementarnih metoda strojnoga učenja u  skup  s  reprezentativnim   ekološkim  kovarijatama,  geoprostorno  predviđanje   pomaže    pri pouzdanomu razumijevanju svojstava tla i njihove prostorne varijabilnosti.