As Canada's vast Boreal Plains are extensively managed, predictive soil mapping could be used as an effective tool to generate high-resolution soil information for the region to inform sustainable resource management. This study aimed to investigate the use of multi-temporal remote sensing data and terrain derivatives to map soil types in the region. A method of constraining subgroup and great-group soil-type predictions based on the predictions at higher-order levels (great-group and order, respectively) was tested. Sentinel time series median values obtained by using Google Earth Engine were tested in combination with first- and second-order digital elevation model derivatives for use as predictor variables in the predictive models. A recursive feature selection process was implemented to reduce the number of predictor variables used in model training. Soil classes were predicted at the order, great-group, and subgroup levels and two approaches were tested. In the first approach, models were unconstrained based on previous predictions. In the second approach, models were constrained to predict only soil great-group classes that occur within the predicted soil order for a given location and similarly predict only soil subgroup classes that occur within the predicted soil great group for a given location. Determined through independent validation testing, the most probable predicted soil maps had overall accuracies ranging from 42% to 68% and kappa scores ranging from 0.33 to 0.48. Overall, the constrained models had the best performance of the approaches tested. Les vastes plaines boréales du Canada étant largement aménagées, une carte prédictive des sols constituerait un bon moyen pour obtenir des données à haute résolution sur les sols régionaux et ainsi faciliter la gestion des ressources durables. Les auteurs ont examiné comment des données de télédétection multitemporelles et les dérivées du terrain pourraient servir à cartographier la nature des sols locaux. Dans cette optique, ils ont testé une méthode qui contraint les prévisions du sous-groupe et du grand groupe de sols d'après les prévisions effectuées à un ordre plus élevé (ceux du grand groupe et de l'ordre, respectivement). La valeur médiane des séries chronologiques sentinelles obtenues avec le moteur Google Earth a été testée en combinaison avec les dérivées de modèles numériques des hauteurs du premier et du deuxième ordre, employées comme variables explicatives dans le modèle prédictif. Pour réduire le nombre de variables explicatives servant à former le modèle, les auteurs ont recouru à un processus récursif de sélection des propriétés du sol. Les classes de sol ont été prédites aux niveaux de l'ordre, du grand groupe et du sous-groupe, et deux approches ont été vérifiées. Dans la première, les auteurs n'ont pas contraint le modèle selon les prévisions antérieures; dans la seconde, le modèle a été contraint afin de ne prédire que les classes du grand groupe dans l'ordre des sols prévu et que celles du sous-groupe dans le grand groupe de sols prévu, pour un endroit donné. Après validation dans le cadre d'un essai indépendant, l'exactitude des cartes des sols prévus les plus probables variait de 42 à 68 % et leur note Kappa allait de 0,33 à 0,48. Les modèles contraints sont généralement ceux qui fonctionnent le mieux parmi les approches testées. [Traduit par la Rédaction] [ABSTRACT FROM AUTHOR]