La rápida propagación de plantas invasoras presenta desafíos significativos para la gestión de los pastizales. Los vehículos aéreos no tripulados (UAV) ofrecen una solución prometedora para el monitoreo rápido y eficiente, aunque las metodologías óptimas requieren un mayor refinamiento. El objetivo de esta investigación fue establecer un método asistido por computadora, rápido, repetible y rentable para extraer Pedicularis kansuensis (P. kansuensis), una especie de planta invasora. Para lograr este objetivo, se llevó a cabo una investigación sobre cómo diferentes fondos (pradera pantanosa, estepa alpina, cobertura del suelo) impactan la detección de plantas invasoras en el pastizal de Bayanbuluk en Xinjiang utilizando Random Forest (RF), Support Vector Machine (SVM) y eXtreme Gradient Boosting (XGBoost) con tres combinaciones de características: banda espectral, índice de vegetación (IV) y banda espectral + IV. Los resultados indican que las tres combinaciones de características lograron una precisión general que varía de 0.77 a 0.95. Entre los tres modelos, XGBoost demuestra la mayor precisión, seguido por Random Forest (RF), mientras que Support Vector Machine (SVM) exhibe la menor precisión. Las bandas de características más significativas para las tres parcelas de campo, así como las especies invasoras y la cobertura del suelo, se concentraron en 750 nm, 550 nm y 660 nm. Se encontró que la banda verde resultó ser la más influyente para mejorar la extracción de plantas invasoras, mientras que la banda del borde rojo de 750 nm ocupó el primer lugar en precisión de clasificación general entre estas combinaciones de características. Los resultados demuestran que P. kansuensis es altamente distinguible de las especies de pasto nativas que coexisten, con precisiones que varían de 0.9 a 1, excepto para SVM con seis bandas espectrales, lo que indica una alta variabilidad espectral entre sus flores y las de las especies nativas de fondo que coexisten.