La visibilidad es una medida de la transparencia atmosférica en un punto de observación, expresada como la distancia horizontal máxima sobre la cual una persona puede ver e identificar objetos. La baja visibilidad atmosférica a menudo ocurre en conjunto con la contaminación del aire, lo que representa peligros tanto para la seguridad del tráfico como para la salud humana. En este estudio, combinamos imágenes de teledetección satelital con datos ambientales para explorar el rendimiento de clasificación de dos técnicas distintas de procesamiento de datos multimodales. El primer enfoque implica el desarrollo de cuatro modelos de clasificación de datos multimodales utilizando aprendizaje profundo. El segundo enfoque integra el aprendizaje profundo y el aprendizaje automático para crear doce clasificadores de datos multimodales. Basándonos en los resultados de un experimento de validación cruzada de cinco pliegues, la inclusión de varios datos ambientales mejora significativamente el rendimiento de clasificación de las imágenes satelitales. Específicamente, la precisión de la prueba aumentó de 0.880 a 0.903 al utilizar la técnica de fusión multimodal de aprendizaje profundo. Además, al combinar el aprendizaje profundo y el aprendizaje automático para el procesamiento de datos multimodales, la precisión de la prueba mejoró aún más, alcanzando 0.978. Notablemente, las condiciones meteorológicas, como parte de los datos ambientales, desempeñan un papel crucial en mejorar el rendimiento de la predicción de visibilidad.