El avance de las redes 6G está impulsado por la necesidad de comunicación centrada en el cliente y control de la red, especialmente en aplicaciones como sistemas de transporte inteligente. Estas aplicaciones dependen de la comunicación exterior en bandas de frecuencia extremadamente alta (EHF), incluyendo frecuencias de onda milimétrica (mmWave) que exceden los 30 GHz. Sin embargo, las señales EHF enfrentan desafíos como una mayor atenuación, difracción y pérdidas reflectantes causadas por obstáculos en entornos exteriores. Para superar estos desafíos, las redes 6G deben centrarse en diseños de sistemas que mejoren las características de propagación al predecir y mitigar las pérdidas por difracción, reflexión y dispersión. Estrategias como transferencias adecuadas, orientación de antenas y técnicas de adaptación de enlaces basadas en pérdidas pueden optimizar el entorno de propagación. Entre los componentes de la red, las redes aéreas, incluidos vehículos aéreos no tripulados (UAV) y aeronaves eléctricas de despegue y aterrizaje vertical (eVTOL), son particularmente susceptibles a las pérdidas por difracción debido a edificios circundantes en áreas urbanas y suburbanas. Los modelos estadísticos tradicionales para estimar la altura de objetos altos como edificios o árboles son insuficientes para calcular con precisión las pérdidas por difracción debido a la naturaleza dinámica de la movilidad del usuario, lo que resulta en una latencia aumentada inadecuada para aplicaciones de ultra baja latencia. Para abordar estos desafíos, este documento propone un marco de aprendizaje profundo que utiliza imágenes fácilmente accesibles de Google Street View para estimar alturas de edificios y predecir pérdidas por difracción en diversas ubicaciones. El marco permite la toma de decisiones en tiempo real para mejorar el entorno de propagación basado en las ubicaciones de los usuarios. El enfoque propuesto logra altas tasas de precisión, con una precisión del 39% para un error relativo por debajo del 2%, 83% para un error relativo por debajo del 4%, y 96% para ambos errores relativos por debajo del 7% y 10%. En comparación con los métodos estadísticos tradicionales, el enfoque de aprendizaje profundo propuesto ofrece ventajas significativas en la precisión de la predicción de alturas, demostrando su eficacia en apoyar el desarrollo de redes 6G. La capacidad de estimar alturas con precisión y mapear pérdidas por difracción antes de la implementación de la red permite una optimización proactiva y garantiza la toma de decisiones en tiempo real, mejorando el rendimiento general de los sistemas 6G.