La planificación del uso del suelo a menudo implica una toma de decisiones compleja en la que la optimización espacial desempeña un papel importante. La interacción espacial suele ser un factor relevante en la planificación territorial: el estado de una ubicación puede influir en el estado de las ubicaciones vecinas. Para identificar sitios óptimos para la reforestación dentro de una cuenca hidrográfica, desarrollamos el método CAMF (Cellular Automata-based heuristic to Minimize Flow). Utilizando una representación raster de la cuenca, CAMF minimiza la cantidad de sedimento exportado hacia celdas objetivo designadas mediante un algoritmo de ascenso más pronunciado, considerando explícitamente las interacciones espaciales entre las celdas del raster. Sin embargo, su costo computacional por iteración es alto, ya que en cada iteración recalcula el sedimento acumulado en cada celda de la cuenca. Una variante simplificada evita el proceso iterativo de selección, pero puede pasar por alto correlaciones espaciales complejas. En este contexto, el Aprendizaje Automático (ML) ofrece una alternativa para identificar sitios prioritarios. Evaluamos un clasificador Random Forest (RF) para seleccionar sitios de intervención óptimos, bajo la hipótesis de que RF puede capturar tanto relaciones lineales como no lineales entre múltiples factores. El enfoque fue probado en tres cuencas de Ecuador y Bélgica, que abarcan condiciones ambientales diversas. El modelo RF mostró un buen desempeño general, con valores F1 entre 0.77 y 0.95 y AUC ≥0.92. No obstante, surgieron limitaciones claves en la incapacidad del modelo para capturar la interacción espacial que CAMF simula de forma inherente, especialmente evidente en casos con altas diferencias relativas en la reducción de pérdida de sedimento entre los resultados de CAMF y RF. Trabajos futuros deberían explorar enfoques híbridos que combinen la eficiencia del ML con la perspectiva basada en procesos.