Los efectos del cambio climático están causando un aumento en la frecuencia y extensión de desastres naturales. Debido a sus características morfológicas, los ríos pueden provocar importantes eventos de inundación. De hecho, pueden estar sujetos a variaciones en el caudal en respuesta a fuertes lluvias y fallos en las orillas. Entre las metodologías emergentes que abordan el monitoreo de inundaciones fluviales, aquellas que incluyen la combinación de Vehículos Aéreos No Tripulados (VANT) y técnicas fotogramétricas (es decir, Estructura a partir del Movimiento - SfM) aseguran la adquisición de datos espaciales de alta resolución y alta frecuencia en amplias áreas y, por lo tanto, la generación de ortomosaicos, útiles para la extracción automática de características. La Segmentación Weka Entrenable (TWS) es una herramienta de extracción automática de características de código abierto. Se desarrolló principalmente para cumplir con propósitos de clasificación supervisada de imágenes de microscopio biológico, pero su utilidad ha sido demostrada en varias cadenas de imágenes. Al mismo tiempo, hay una falta significativa de estudios publicados sobre la aplicabilidad de TWS con la identificación de una combinación universal y eficiente de clasificadores de aprendizaje automático y enfoque de segmentación, en particular con respecto a la clasificación de imágenes de VANT en entornos ribereños. En esta perspectiva, presentamos un estudio que compara la precisión de nueve combinaciones, clasificador más filtro de segmentación de imágenes, utilizando TWS, también con respecto a la interpretación fotográfica humana, con el fin de identificar un enfoque supervisado efectivo para la extracción automática de características fluviales a partir de ortomosaicos multi-temporales de VANT. Los resultados, que son muy cercanos a la interpretación humana, indican que el enfoque propuesto podría resultar ser una herramienta valiosa para apoyar y mejorar las evaluaciones hidro-geomorfológicas y de riesgo de inundaciones en entornos ribereños.