Relacionar fotografías terrestres con ortomosaicos de UAV es un vínculo clave necesario para un mapeo preciso de líquenes a múltiples escalas. Los métodos convencionales de mapeo de líquenes a múltiples escalas, como los modelos de bosques aleatorios y las redes neuronales convolucionales, dependen en gran medida de los valores de DN de los píxeles para la clasificación. Sin embargo, el rango espectral limitado de las fotos terrestres requiere características adicionales para diferenciar los líquenes de objetos espectralmente similares, como troncos brillantes. Al aplicar una red neuronal a los mosaicos de un ortomosaico de UAV, se pueden utilizar características adicionales, como la textura de la superficie y los patrones espaciales, para hacer inferencias. Nuestra metodología utilizó una red neuronal (UAV LiCNN) entrenada en mosaicos de fotos terrestres para predecir líquenes en los mosaicos de ortomosaicos de UAV. El UAV LiCNN logró precisiones medias de usuario y productor del 85.84% y 92.93%, respectivamente, en la clase de alto líquen a través de ocho ortomosaicos diferentes. Comparamos los porcentajes de líquenes conocidos encontrados en 77 microparcelas de vegetación con el porcentaje de líquenes predicho calculado a partir del UAV LiCNN, resultando en una relación R2 de 0.6910. Esta investigación muestra que los modelos de IA entrenados con fotografías terrestres clasifican eficazmente los líquenes en ortomosaicos de UAV. Los factores limitantes incluyen la mala clasificación de objetos espectralmente similares a los líquenes en las bandas RGB y las sombras oscuras proyectadas por la vegetación.