El crowdsensing ha ganado popularidad en varios dominios como el transporte urbano, la monitorización ambiental y la seguridad pública. El crowdsensing con vehículos aéreos no tripulados (VANT) es un enfoque novedoso que recopila datos extensos de entornos específicos utilizando VANT equipados con sensores integrados. A diferencia de los métodos convencionales que dependen de redes de sensores fijas o de la movilidad de los humanos, el crowdsensing con VANT ofrece alta flexibilidad y escalabilidad. Con el rápido avance de las técnicas de inteligencia artificial, el crowdsensing con VANT se está volviendo cada vez más inteligente y autónomo. Estudios previos sobre el crowdsensing con VANT se han centrado predominantemente en estrategias de detección algorítmica sin considerar el impacto de diferentes entornos de detección. Por lo tanto, existe una brecha de investigación respecto a la influencia de los factores ambientales y las estrategias de detección en este campo. Con este fin, diseñamos un estudio empírico 4x3, clasificando los entornos de detección en cuatro categorías principales: abierto, urbano, natural e interior. Realizamos experimentos para entender cómo estos entornos influyen en tres estrategias típicas de crowdsensing: oportunista, algorítmica y colaborativa. Los resultados estadísticos revelan diferencias significativas tanto en los entornos como en las estrategias de detección. Encontramos que una estrategia algorítmica (solo máquina) es adecuada para entornos abiertos y naturales, mientras que una estrategia colaborativa (humano y máquina) es ideal para entornos urbanos e interiores. Este estudio tiene implicaciones cruciales para la adopción de estrategias de detección apropiadas para diferentes entornos de tareas de crowdsensing con VANT.