The National Plan for the Improvement of Productivity and Sustainability of the Agricultural Sector aims to be applied in a staggered manner to the entire country, under the name of AGRINNOVACION 4.0 to promote economic recovery and job creation after the COVID-19 pandemic. The objective of this work is to analyze geospatial information of the producers of the AGRINNOVACIÓN 4.0 program using the free Google Earth Engine (GEE) platform, in order to establish the base of the digital agricultural cadastre of the North Zone of Cartago and have a system of geographic information for the application of high-precision technologies, as a basis for the identification model of productive areas with short-cycle crops developed in the North Zone of Cartago. A data acquisition methodology was generated using geographic information systems and machine learning techniques (Random Forest), with good fitting results. For the area under study, it is imperative that the information affected by cloud cover be reduced to make the classification of lands for horticultural use as accurate as possible. The tool is replicable and constitutes a support in the success of the plan for the later stages.El Plan Nacional para el Mejoramiento de la Productividad y la Sostenibilidad del Sector Agrícola pretende ser aplicado de forma escalonada a todo el país, bajo el nombre de AGRINNOVACION 4.0 para impulsar la recuperación económica y la generación de empleo posterior a la pandemia del COVID-19. El objetivo del presente trabajo es analizar información geoespacial de los productores del programa AGRINNOVACIÓN 4.0 utilizando la plataforma gratuita Google Earth Engine (GEE), con el fin de establecer la base del catastro digital agrícola de la Zona Norte de Cartago y contar con un sistema de información geográfica para la aplicación de tecnologías de alta precisión, como base del modelo de identificación de zonas productivas con cultivos de ciclo corto desarrollado en la Zona Norte de Cartago. Se generó una metodología de adquisición de datos utilizando sistemas de información geográfica y técnicas de aprendizaje automático (Random Forest), con buenos resultados de ajuste. Para la zona en estudio, es imperante que se reduzca la información afectada por nubosidad para hacer la clasificación de tierras de uso hortícola lo mas precisa posible. La herramienta es replicable y constituye un apoyo en el éxito del plan para las etapas posteriores.