Este artículo explora el desafío de la detección acústica de drones en escenarios del mundo real, con énfasis en el impacto de la distancia, para ver cómo la propagación del sonido afecta la detección de drones. Máquinas de aprendizaje de variada complejidad se utilizan para la detección, desde métodos más simples como discriminante lineal, perceptrón multicapa, máquinas de vectores de soporte y bosques aleatorios hasta enfoques más complejos basados en redes neuronales profundas como YAMNet. Nuestra evaluación evalúa meticulosamente el rendimiento de estos métodos utilizando una base de datos cuidadosamente seleccionada de una amplia variedad de drones y sonidos de interferencia. Esta base de datos, procesada a través de procesamiento de señales de matriz e influenciada por ruido ambiental, proporciona una base realista para nuestros análisis. Para este propósito, se exploran dos estrategias de entrenamiento diferentes. En el primer enfoque, las máquinas de aprendizaje se entrenan con señales no atenuadas, con el objetivo de preservar la información inherente de las fuentes de sonido. Posteriormente, las pruebas se llevan a cabo en condiciones atenuadas a diversas distancias, con sonidos interferentes. En este escenario, se logra una detección efectiva de hasta 200 m, lo cual es particularmente notable con el método de discriminante lineal. La segunda estrategia implica el entrenamiento y prueba con señales atenuadas para considerar diferentes distancias desde la fuente. Esta estrategia extiende significativamente los rangos de detección efectiva, alcanzando hasta 300 m para la mayoría de los métodos y hasta 500 m para el detector basado en YAMNet. Además, este enfoque plantea la posibilidad de contar con detectores especializados para rangos de distancia específicos, ampliando significativamente el rango de detección efectiva de drones. Nuestro estudio destaca el potencial de la detección acústica de drones a diferentes distancias y fomenta una mayor exploración en esta área de investigación. Las contribuciones únicas incluyen el descubrimiento de que el entrenamiento con señales atenuadas con una peor relación señal-ruido permite mejorar el rendimiento general de los detectores basados en máquinas de aprendizaje, aumentando el rango de detección efectiva logrado y la viabilidad de la detección en tiempo real, incluso con máquinas de aprendizaje muy complejas, abriendo vías para aplicaciones prácticas en escenarios de vigilancia del mundo real.