La integración de datos geoespaciales heterogéneos, específicamente imágenes de vehículos aéreos no tripulados (UAV) de bajo costo y nubes de puntos de sistemas de detección y medición de luz (LiDAR) móviles, presenta un desafío significativo debido a las discrepancias radiométricas y estructurales entre las dos modalidades. Este estudio propone un novedoso marco de coincidencia de características semánticas de aire a suelo para lograr un registro geométrico preciso entre estas fuentes de datos al incorporar de manera efectiva el emparejamiento basado en aprendizaje profundo con restricciones semánticas. La metodología transformó el desafío de alineación entre sensores en un robusto problema de coincidencia de imágenes bidimensionales. Esto se logró utilizando primero YOLOv11 para la segmentación semántica de marcas viales comunes en tanto la ortoimagen UAV como en la imagen de intensidad LiDAR convertida para generar referencias de características altamente consistentes. Posteriormente, se aplicaron el detector SuperPoint y un emparejador de red neuronal gráfica, SuperGlue, a estas imágenes semánticas para establecer puntos de correspondencia de información geomática confiables. Los resultados experimentales confirmaron que esta estrategia guiada por semántica superó consistentemente el emparejamiento basado en características tradicionales (es decir, transformada de características invariante a escala + biblioteca rápida para vecinos más cercanos aproximados), particularmente al convertir la imagen de intensidad LiDAR ruidosa en una representación semántica estabilizada. La aplicación explícita de restricciones semánticas demostró ser efectiva para eliminar coincidencias falsas entre objetos geométricamente similares pero semánticamente distintos. El análisis final específico de objetos demostró que las características con estructuras geométricas claras y complejas (por ejemplo, pasos peatonales y flechas direccionales) proporcionan el control de coincidencia más robusto. En resumen, el marco propuesto aprovecha con éxito el contexto semántico para superar la heterogeneidad entre sensores, ofreciendo una solución automatizada y precisa para la alineación geométrica de datos LiDAR móviles.