La cartografía de especies de vegetación invasora en regiones áridas es una tarea crítica para la gestión de recursos hídricos y la comprensión de las amenazas a los servicios ecosistémicos. Las plataformas tradicionales de teledetección, como Landsat y MODIS, son inadecuadas para distinguir entre especies de vegetación nativa y no nativa en regiones áridas debido a sus grandes píxeles en comparación con los tamaños de las plantas. Los sistemas de aeronaves no tripuladas, o UAS, ofrecen el potencial de capturar imágenes de alta resolución espacial necesarias para diferenciar especies. Sin embargo, para extraer los mayores beneficios de estas plataformas, es necesario desarrollar flujos de trabajo más eficientes y efectivos. Este documento presenta un flujo de trabajo espectral-estructural integrado para clasificar especies de vegetación invasora en la región del Lower Salt River en Arizona, que ha sido el sitio de incendios e inundaciones, lo que ha llevado a una proliferación de especies de vegetación invasora. Se capturaron y procesaron imágenes visibles (RGB) y multiespectrales siguiendo una estructura típica de flujo de trabajo de estructura a partir de movimiento, y los conjuntos de datos derivados se utilizaron como entradas en dos clasificaciones de aprendizaje automático: una que incorpora solo información espectral y otra que utiliza tanto datos espectrales como capas estructurales (por ejemplo, modelo digital del terreno (MDT) y modelo de altura del dosel (MAD)). Los resultados muestran que incluir capas estructurales en la clasificación mejoró la precisión general del 80% al 93% en comparación con el modelo solo espectral. Las características más importantes para la clasificación fueron el MAD y el MDT, con la banda azul y dos índices espectrales (índice de diferencia normalizada de agua (IDNA) e índice de diferencia normalizada de salinidad (IDNS)) contribuyendo con información espectral importante a ambos modelos.