La estimación precisa de la capacidad del espacio aéreo en las operaciones de gestión del tráfico no tripulado (UTM) es crítica para una asignación segura, eficiente y equitativa de los recursos del sistema de espacio aéreo. Si bien existen enfoques convencionales para evaluar la complejidad del espacio aéreo, estos métodos no logran capturar la verdadera capacidad del espacio aéreo, ya que no abordan varias variables importantes (como el clima). Mientras tanto, los sistemas de apoyo a la decisión basados en IA existentes muestran opacidad e inexplicabilidad, lo que restringe su aplicación práctica. Con estos desafíos en mente, los autores proponen una solución adaptada a las necesidades de los servicios de gestión de demanda y capacidad (DCM). Esta solución, al implementar un modelo basado en reglas difusas sintetizadas y aprendizaje profundo, abordará la compensación entre explicabilidad y rendimiento. Al hacerlo, generará un sistema inteligente que será explicable y razonablemente comprensible. Los resultados muestran que este sistema de asesoramiento podrá indicar las regiones más apropiadas para la operación de vehículos aéreos no tripulados (UAV), y también aumentará la disponibilidad del espacio aéreo UTM en más del 23%. Además, el sistema propuesto demuestra una ganancia máxima de capacidad del 65% y una ganancia mínima de seguridad del 35%, mientras posee un atributo de explicabilidad del 70%. Esto ayudará a las autoridades de UTM a través de una estimación más efectiva de la capacidad del espacio aéreo y la formulación de nuevas regulaciones operativas y requisitos de rendimiento.