Los sistemas aéreos no tripulados (UAS) pueden ofrecer alternativas más baratas, seguras, precisas y exactas a las técnicas tradicionales de encuesta de aves acuáticas, al mismo tiempo que reducen la perturbación a estas aves. Evaluamos la disponibilidad y el sesgo de percepción basado en estimaciones de conteo de aves acuáticas no reproductoras basadas en aprendizaje automático, derivadas de imágenes aéreas recolectadas utilizando un DJI Mavic Pro 2 en Áreas de Conservación de Humedales gestionadas intensivamente por el Departamento de Conservación de Missouri. Las imágenes de los UAS se recolectaron utilizando un software propietario para la planificación automatizada de rutas de vuelo en un patrón de vuelo de transecto de ida y vuelta a distancias de muestreo en el suelo (GSD) de 0.38-2.29 cm/píxel (15-90 m de altitud). Las aves acuáticas en las imágenes fueron etiquetadas por etiquetadores capacitados y analizadas simultáneamente utilizando un algoritmo modificado de detección de objetos en imágenes YOLONAS desarrollado para detectar aves acuáticas en imágenes aéreas. Utilizamos tres modelos lineales mixtos generalizados con distribuciones de Bernoulli para modelar las probabilidades de disponibilidad y percepción (detección correcta y falsos positivos). La variación en la disponibilidad de aves acuáticas se explicó mejor por la interacción del tipo de cobertura vegetal, la condición del cielo y el GSD, siendo los tipos de cobertura vegetal más complejos y altos los que reducen la disponibilidad a GSD más bajos. La probabilidad de que el algoritmo detectara correctamente las aves disponibles no mostró un patrón en términos de tipo de cobertura vegetal, GSD o condición del cielo; sin embargo, la probabilidad de que el algoritmo generara detecciones incorrectas de falsos positivos se explicó mejor por tipos de cobertura vegetal con características similares en tamaño y forma a las aves. Utilizamos un estimador modificado de Horvitz-Thompson para tener en cuenta los sesgos de disponibilidad y percepción (incluidos los falsos positivos), lo que resultó en un error de conteo corregido del 5.59 por ciento. Nuestros resultados indican que el tipo de cobertura vegetal, la condición del cielo y el GSD influyen en la disponibilidad y detección de aves acuáticas en encuestas de UAS; sin embargo, el uso de algoritmos bien entrenados puede producir conteos precisos por imagen bajo una variedad de condiciones.