Frente al aumento de los riesgos de inundación intensificados por el cambio climático, la cartografía precisa de inundaciones es fundamental para una gestión efectiva de desastres. Este estudio presenta una nueva arquitectura de aprendizaje profundo explicable diseñada para generar mapas de inundación precisos a partir de diversas fuentes de datos satelitales. Se lleva a cabo una evaluación exhaustiva del modelo propuesto, comparándolo con modelos de vanguardia en varias configuraciones de fusión de imágenes ópticas multiespectrales y de radar de apertura sintética (SAR). El modelo propuesto supera consistentemente a otros modelos en imágenes de Sentinel-1 y Sentinel-2, logrando una Intersección sobre la Unión (IOU) de 0.5862 y 0.7031, respectivamente. Además, el análisis de las diferentes combinaciones de fusión revela que el uso de Sentinel-1 en combinación con RGB, NIR y SWIR logra la mayor IOU de 0.7053 y que la inclusión de la banda SWIR tiene el mayor impacto positivo en los resultados. Se emplea un mapeo de activación de clase ponderado por gradiente para proporcionar información sobre sus procesos de toma de decisiones, mejorando la transparencia y la interpretabilidad. Esta investigación contribuye significativamente al campo de la cartografía de inundaciones, ofreciendo un modelo eficiente adecuado para diversas aplicaciones. Este estudio no solo avanza en la cartografía de inundaciones, sino que también proporciona una herramienta valiosa para mejorar la comprensión de la toma de decisiones en el aprendizaje profundo en esta área, contribuyendo en última instancia a mejorar las estrategias de gestión de desastres.