Desarrollar enfoques cuantitativos y objetivos para integrar datos de ecosonda multihaz (MBES) con observaciones en el suelo para la modelización predictiva es esencial para garantizar la repetibilidad y proporcionar medidas de confianza para la cartografía de hábitats bentónicos. La escala de los predictores dentro de los modelos predictivos influye directamente en los mapas de distribución de hábitats, por lo tanto, igualar la escala de los predictores con la escala de los factores ambientales es clave para mejorar la precisión del modelo. Este estudio utiliza un enfoque de clasificación jerárquica y multiescalar para mejorar la precisión de los mapas de hábitats bentónicos. Utilizamos una región de 700 km alrededor de Cape Otway en el sureste de Australia con cobertura completa de datos MBES para llevar a cabo este estudio. Además, más de 180 kilómetros lineales de datos de video remolcado recopilados en esta área fueron clasificados utilizando un enfoque de clasificación jerárquica. Usando un enfoque de aprendizaje automático, Random Forests, combinamos batimetría MBES, retrodispersión, video remolcado y exposición a olas para modelar la distribución de clases bióticas en tres niveles jerárquicos. Los resultados de la matriz de confusión indicaron que un mayor número de clases dentro de la jerarquía conducía a una menor precisión del modelo. Los predictores de escala más amplia fueron generalmente favorecidos en los tres niveles jerárquicos. Este estudio demuestra los beneficios de probar escalas de predictores a través de múltiples jerarquías para la caracterización de hábitats bentónicos.