La clasificación precisa de tierras cultivables dentro de los sistemas de agricultura de pequeños agricultores es esencial para una gestión efectiva de la tierra, una asignación eficiente de recursos y una toma de decisiones agrícolas informada. Este estudio evalúa el rendimiento de la clasificación de tierras cultivables utilizando imágenes de vehículos aéreos no tripulados (UAV) en rojo, verde y azul (RGB) y multi-espectrales (azul, verde, rojo, borde rojo, infrarrojo cercano). Ambos conjuntos de datos se derivaron de imágenes adquiridas utilizando un sensor MicaSense Altum montado en un UAV DJI Matrice 300. La clasificación de tierras cultivables se realizó utilizando algoritmos de aprendizaje automático implementados en la plataforma Google Earth Engine (GEE), aplicando tanto una clasificación no binaria de cinco clases de uso del suelo como una clasificación binaria dentro de un marco probabilístico para distinguir áreas de tierras cultivables de no cultivables. Los resultados indican que las imágenes multi-espectrales lograron una mayor precisión de clasificación que las imágenes RGB para la clasificación no binaria, con precisiones generales del 75% y 68%, respectivamente. Para la clasificación binaria de tierras cultivables, las imágenes RGB lograron un área bajo la curva de características operativas del receptor (AUC-ROC) de 0.75, en comparación con 0.77 para las imágenes multi-espectrales. Estos hallazgos sugieren que, si bien los datos multi-espectrales proporcionan un mejor rendimiento de clasificación, las imágenes RGB pueden lograr una precisión comparable para la delimitación fundamental de tierras cultivables. Este estudio contribuye con evidencia básica sobre el rendimiento relativo de las imágenes UAV RGB y multi-espectrales para el mapeo de tierras cultivables en paisajes agrícolas heterogéneos de pequeños agricultores y apoya la investigación adicional de enfoques basados en RGB en contextos agrícolas con recursos limitados.