El monitoreo de hábitats intermareales, como los arrecifes de ostras, los pantanos salinos y los llanos de barro, es logísticamente desafiante y a menudo intensivo en costos y tiempo. Las plataformas de teledetección, como los sistemas de aeronaves no tripuladas (UAS), presentan una alternativa a los enfoques tradicionales que pueden monitorear rápidamente y de manera económica las áreas costeras. A pesar de las ventajas que ofrecen los sistemas de teledetección, persisten desafíos en cuanto a las mejores prácticas para recopilar imágenes para estudiar estos ecosistemas. Uno de esos desafíos es el rango de resoluciones espaciales para las imágenes que son más adecuadas para el monitoreo de hábitats intermareales. Las imágenes muy finas requieren más tiempo de recolección y procesamiento. Sin embargo, las imágenes más gruesas pueden no capturar los patrones a pequeña escala necesarios para comprender los procesos ecológicos relevantes. Este estudio tomó imágenes de UAS capturadas a lo largo de la costa del Golfo de México en Florida, EE. UU., y re-muestreó el ortomosaico derivado y el modelo de superficie digital a resoluciones que van de 3 a 31 cm, que corresponden a las resoluciones espaciales alcanzables por otros medios (por ejemplo, fotografía aérea y ciertos satélites comerciales). Se aplicó un flujo de trabajo de análisis de imágenes basado en objetos geográficos (GEOBIA) a los conjuntos de datos en cada resolución para clasificar los llanos de barro, los pantanos salinos, los arrecifes de ostras y el agua. El proceso de GEOBIA se llevó a cabo dentro de R, haciendo que el flujo de trabajo sea de código abierto. Las precisiones de clasificación fueron en gran medida consistentes a través de las resoluciones, con precisiones generales que oscilan entre el 78% y el 82%. Los resultados indican que para aplicaciones de mapeo de hábitats, resoluciones muy finas pueden no proporcionar información que aumente el poder discriminativo del algoritmo de clasificación. También se realizaron clasificaciones multiescalares que produjeron precisiones más altas que los flujos de trabajo de escala única, así como una medida de incertidumbre entre las clasificaciones.