Los humedales poseen un valor ecológico significativo y desempeñan un papel crucial en el medio ambiente. Los avances recientes en la tecnología de exploración remota han permitido un análisis cuantitativo de los humedales a través de encuestas sobre el tipo de cobertura presente. Sin embargo, la clasificación de tipos de cobertura complejos como tipos de cobertura terrestre en los humedales sigue siendo un desafío, lo que lleva a estudios en curso destinados a abordar este problema. Con la llegada de sensores de alta resolución en vehículos aéreos no tripulados (VANT), los investigadores ahora pueden obtener datos detallados y utilizarlos para sus investigaciones. En este artículo, buscamos establecer un método efectivo para clasificar imágenes a escala de centímetros utilizando técnicas multispectrales e hiperespectrales. Dado que existen numerosas clases de tipos de cobertura terrestre, es importante construir y extraer datos de entrenamiento efectivos para cada tipo. Además, los métodos basados en visión por computadora, especialmente aquellos que combinan aprendizaje profundo y aprendizaje automático, están atrayendo una atención considerable como métodos de alta precisión. Recoger datos de entrenamiento antes de clasificar por tipo de cobertura es un factor importante que requiere un muestreo de datos efectivo. Para obtener resultados de detección precisos, se deben probar algunas técnicas de muestreo de datos. En este estudio, empleamos dos métodos de muestreo de datos (muestreo de endmembers y muestreo de píxeles) para adquirir datos, después de los cuales se compararon su precisión y resultados de detección a través de la clasificación utilizando enfoques de mapeo de ángulo espectral (SAM), máquina de soporte vectorial (SVM) y red neuronal artificial (ANN). Nuestros hallazgos confirmaron la efectividad del método de muestreo basado en píxeles, demostrando una diferencia notable del 38.62% en comparación con el método de muestreo de endmembers. Además, entre los métodos de clasificación empleados, la técnica SAM mostró la mayor efectividad, con aproximadamente un 10% de disparidad observada en datos multispectrales y un 7.15% en datos hiperespectrales en comparación con los otros modelos. Nuestros hallazgos proporcionan información sobre la precisión y los resultados de clasificación de diferentes modelos basados en el método de muestreo empleado en imágenes espectrales.