Los humedales desempeñan un papel crítico en el mantenimiento de ecosistemas estables y productivos, y continúan estando en un riesgo elevado por la degradación antropogénica y natural, especialmente a lo largo de la rápidamente desarrollada Llanura Costera Atlántica de América del Norte. Como tal, las estrategias para desarrollar inventarios y clasificaciones de humedales actualizados y de alta resolución siguen siendo muy relevantes en el contexto del aumento acelerado del nivel del mar y los cambios costeros. Históricamente, se han utilizado datos de teledetección satelital y aérea junto con métodos tradicionales basados en el campo para la delimitación de humedales; sin embargo, más recientemente, la llegada de plataformas y sensores de Sistemas Aéreos No Tripulados (UAS) está abriendo nuevas avenidas para realizar clasificaciones de humedales de manera rápida y precisa. Para probar las ventajas y limitaciones relativas de las tecnologías UAS para el mapeo y la clasificación de humedales, desarrollamos modelos de clasificación de humedales utilizando datos multiespectrales recolectados por UAS y datos de detección y medición de luz (LiDAR) recolectados por UAS en relación con modelos de LiDAR derivados de aeronaves de tipos de humedales que van desde palustres hasta estuarinos. Los modelos fueron parametrizados a través de un algoritmo de bosque aleatorio basado en píxeles para evaluar sistemáticamente el rendimiento del modelo y establecer la importancia de las variables para un conjunto de variables que incluyen índices topográficos, hidrológicos y basados en la vegetación. Según nuestros resultados experimentales, la precisión general promedio de clasificación y los coeficientes kappa para los modelos derivados de LiDAR de UAS son del 75.29% y 0.74, respectivamente, en comparación con el 79.80% y 0.75 para los modelos derivados de LiDAR aéreo, con diferencias significativas en la representación espacial de las clases finales de humedales. Los mapas de clasificación resultantes para los modelos de UAS capturan delimitaciones de humedales más precisas que las de los modelos aéreos cuando se entrenan con datos de referencia terrestre recolectados al mismo tiempo que los vuelos de UAS. La precisión similar entre los modelos aéreos y los de UAS sugiere que el LiDAR de UAS es comparable al LiDAR aéreo. Sin embargo, dado el pobre tiempo de revisita de las encuestas aéreas y la alta resolución espacial y precisión de los datos de UAS, el LiDAR recolectado por UAS proporciona excelentes datos complementarios a las misiones aéreas estatales o para aplicaciones específicas que requieren datos hiperespaciales. Para tipos de humedales estructuralmente más complejos (como el arbusto palustre), los datos de LiDAR hiperespaciales de UAS funcionan mejor y son mucho más ventajosos de usar en modelos de delimitación y clasificación. Los resultados de este estudio contribuyen a mejorar los modelos de delimitación y clasificación de humedales utilizando datos recolectados de múltiples plataformas de UAS.