Los vehículos aéreos no tripulados autónomos necesitan una buena comprensión semántica de su entorno para planificar rutas seguras o encontrar sitios de aterrizaje seguros, por ejemplo, mediante una segmentación semántica de un flujo de imágenes. Actualmente, las redes neuronales a menudo ofrecen resultados de vanguardia en tareas de segmentación semántica, pero necesitan una gran cantidad de datos de entrenamiento diversos para lograr estos resultados. En la aviación, esta cantidad de datos es difícil de adquirir, pero el uso de datos sintéticos de motores de juegos podría resolver este problema. Sin embargo, trabajos relacionados, por ejemplo, en el sector automotriz, muestran una caída en el rendimiento al aplicar estos modelos a imágenes reales. En este trabajo, se investiga el uso de datos de entrenamiento sintéticos para la segmentación semántica del entorno desde la perspectiva de un UAV. Un conjunto de datos de imágenes reales desde la perspectiva de un UAV se replica estilísticamente en un motor de juego y se extraen imágenes para entrenar una red neuronal. La evaluación se lleva a cabo en imágenes reales y muestra que entrenar solo con imágenes sintéticas no es suficiente, pero que al ajustar finamente el modelo, pueden reducir significativamente la cantidad de datos reales necesarios para el entrenamiento. Esta investigación muestra que las imágenes sintéticas pueden ser una dirección prometedora para llevar redes neuronales para la percepción del entorno a aplicaciones aeroespaciales.