El avance de la tecnología de aprendizaje profundo (DL) y la teledetección con vehículos aéreos no tripulados (UAV) ha hecho posible monitorear los humedales costeros de manera eficiente y precisa. Sin embargo, los estudios rara vez han comparado el rendimiento de DL con el aprendizaje automático tradicional (métodos basados en píxeles (PB) y análisis de imágenes basado en objetos (OBIA)) en el monitoreo de humedales costeros con UAV. Construimos un conjunto de datos basado en datos de UAV RGB y comparamos el rendimiento de los métodos PB, OBIA y DL en la clasificación de comunidades de vegetación en humedales costeros. Además, hasta donde sabemos, el método OBIA se utilizó para los datos de UAV por primera vez en este artículo basado en Google Earth Engine (GEE), y se confirmó la capacidad de GEE para procesar datos de UAV. Los resultados mostraron que en comparación con los métodos PB y OBIA, el método DL logró los resultados de clasificación más prometedores, que fueron capaces de reflejar la distribución realista de la vegetación. Además, los cambios de paradigma de PB y OBIA al método DL en términos de ingeniería de características, métodos de entrenamiento y datos de referencia explicaron los resultados considerables logrados por el método DL. Los resultados sugirieron que una combinación de UAV, DL y plataformas de computación en la nube puede facilitar el monitoreo a largo plazo y preciso de la vegetación de humedales costeros a escala local.