Los animales excavadores son ingenieros de ecosistemas importantes que afectan las propiedades del suelo, ya que su actividad de excavación conduce a la redistribución de nutrientes y la captura de carbono en el suelo. La magnitud de estos efectos depende de la densidad espacial y la profundidad de tales túneles, pero aún falta un método para derivar este tipo de datos espaciales explícitos. En este estudio, probamos el potencial de utilizar imágenes RGB de UAV orientadas al consumidor para determinar la densidad y profundidad de los agujeros creados por animales excavadores en cuatro sitios de estudio a lo largo de un gradiente climático en Chile, combinando datos de UAV con observaciones empíricas de parcelas de campo y técnicas de aprendizaje automático. Para mejorar la información espectral limitada en las imágenes RGB, derivamos capas espaciales que representan el tipo y la altura de la vegetación y utilizamos texturas del paisaje y diversidad para predecir los parámetros de los agujeros. Los modelos entre sitios para la densidad de agujeros generalmente tuvieron un mejor desempeño que los de profundidad, donde el modelo de mejor rendimiento fue para la densidad de agujeros de invertebrados (R2 = 0.62). Los mejores modelos en sitios de estudio individuales se obtuvieron para la densidad de agujeros en la zona climática árida (R2 = 0.75 y 0.68 para invertebrados y vertebrados, respectivamente). Los modelos de profundidad de agujeros solo mostraron un rendimiento de bueno a regular. En cuanto a la importancia de los predictores, los modelos dependieron en gran medida de la altura de la vegetación, las métricas de textura y los índices de diversidad.