Este estudio explora un método para clasificar siete especies de árboles de selva tropical a partir de datos hiperespectrales de rango completo (400-2,500 nm) adquiridos a escalas de tejido (hoja y corteza), píxel y copa utilizando sensores de laboratorio y aéreos. Se derivaron métricas que responden a la química y estructura de la vegetación utilizando índices de banda estrecha, técnicas basadas en derivadas y absorción, y análisis de mezcla espectral. Luego utilizamos el clasificador basado en árboles Random Forests para discriminar especies con métricas mínimamente correlacionadas y clasificadas por importancia. En todas las escalas, se lograron las mejores precisiones generales con métricas derivadas de las cuatro técnicas que se dirigieron a propiedades químicas y estructurales a través del espectro visible hasta el infrarrojo de onda corta (400-2500 nm). Para los espectros de tejido, las precisiones generales fueron del 86.8% para hojas, 74.2% para corteza y 84.9% para hojas más corteza. La variación en las métricas de tejido se explicó mejor por un eje de absorción roja relacionado con hojas fotosintéticas y un eje que distingue características de absorción de agua en la corteza y otros químicos. Las precisiones generales para copas de árboles individuales fueron del 71.5% para espectros de píxel, 70.6% para espectros de media de copa y 87.4% para una técnica de mayoría de píxel. A escalas de píxel y copa, la estructura del árbol y la fenología en el momento de la adquisición de la imagen fueron factores importantes que determinaron la separabilidad espectral de las especies.