El monitoreo de especies de plantas raras se utiliza para confirmar su presencia, evaluar su salud y verificar las tendencias poblacionales. Los sistemas aéreos no tripulados (UAS) son herramientas ideales para monitorear plantas raras porque pueden recopilar datos de manera eficiente sin afectar a la planta ni poner en peligro al personal. Sin embargo, la planificación de vuelos de UAS puede ser subjetiva, lo que resulta en un uso ineficaz del tiempo de vuelo y una sobrecolección de imágenes. Este estudio utilizó un modelo predictivo de aprendizaje automático Maxent para crear áreas de vuelo específicas para monitorear Geum radiatum, una planta en peligro de extinción endémica de las Montañas Blue Ridge en Carolina del Norte. El modelo Maxent se desarrolló con diez capas ambientales como predictores y ubicaciones de plantas conocidas como datos de entrenamiento. Las áreas de vuelo de UAS se derivaron del ráster de probabilidad resultante como isolíneas delimitadas a partir de un umbral de probabilidad basado en parámetros de vuelo. El análisis visual de las imágenes de UAS verificó las ubicaciones de 33 plantas conocidas y descubrió cuatro ocurrencias previamente no documentadas. Se exploró la detección semi-automatizada de especies de plantas utilizando un detector de objetos de red neuronal. Aunque el enfoque fue exitoso en la detección de plantas en imágenes terrestres, no se identificaron plantas en las imágenes aéreas de UAS, lo que indica que se necesitan más mejoras tanto en la adquisición de datos como en las técnicas de visión por computadora. A pesar de esta limitación, la investigación presentada ofrece un enfoque basado en datos para planificar áreas de vuelo específicas de UAS a partir de modelado predictivo, mejorando la recopilación de datos de UAS para el monitoreo de plantas raras.