Los esfuerzos de conservación de tierras silvestres requieren mapas precisos de la distribución de especies de plantas a gran escala. El mapeo de especies de alta resolución es difícil en comunidades de plantas diversas y densas, donde las extensas encuestas en el terreno son laboriosas y pueden dañar la flora sensible. La imagen satelital de alta resolución está disponible en las escalas necesarias para la conservación de comunidades de plantas en grandes áreas, pero puede ser costosa y carecer de la resolución necesaria para identificar especies. El análisis de aprendizaje profundo de imágenes obtenidas por drones puede ayudar en la clasificación precisa de especies de plantas en estas comunidades a través de grandes regiones. Este estudio evaluó si las imágenes obtenidas por drones y los enfoques de modelado de aprendizaje profundo podrían utilizarse para mapear especies en comunidades complejas de chaparral, matorral costero y bosques de encinos. Probamos la efectividad de random forest, máquinas de soporte vectorial y redes neuronales convolucionales (CNN) acopladas con análisis de imágenes basadas en objetos (OBIA) para el mapeo en matorrales diversos. Nuestro enfoque de CNN + OBIA superó a los métodos de random forest y máquinas de soporte vectorial para identificar con precisión especies de árboles y arbustos, huecos de vegetación y comunidades, incluso distinguiendo dos especies de arbustos congéneres con características morfológicas similares. Se alcanzaron precisiones similares cuando se aplicó a sitios vecinos. Este trabajo es clave para la identificación precisa de especies y el mapeo a gran escala necesario para la investigación y el monitoreo de conservación en chaparral y otras comunidades de plantas silvestres. La incertidumbre en la aplicación del modelo está asociada con especies menos comunes y copas entremezcladas.