La contaminación del aire se origina principalmente de sustancias que se emiten directamente de procesos naturales o antropogénicos, como el gas monóxido de carbono (CO) emitido en los gases de escape de los vehículos o el dióxido de azufre (SO2) liberado por las fábricas. Sin embargo, un problema importante de contaminación del aire es el material particulado (PM), que es un efecto adverso de los incendios forestales y la quema al aire libre. Han surgido herramientas de aplicación para el monitoreo de la contaminación del aire en áreas de riesgo utilizando monitoreo en tiempo real con drones. Un nuevo índice de calidad del aire (AQI) para el monitoreo y la visualización, como el mapeo tridimensional (3D) basado en la evaluación de datos, es esencial para la supervisión ambiental oportuna. El objetivo de este documento es presentar una evaluación de datos de mapeo 3D del AQI utilizando un modelo híbrido basado en un método de aprendizaje automático para el monitoreo en tiempo real de la contaminación del aire con drones (Dr-TAPM). Dr-TAPM fue diseñado equipando drones con sensores multiambientales para monóxido de carbono (CO), ozono (O3), dióxido de nitrógeno (NO2), material particulado (PM2.5,10) y dióxido de azufre (SO2), con procesamiento de datos antes y después con el modelo híbrido. El modelo híbrido para la evaluación de datos se propuso utilizando algoritmos de red neuronal de retropropagación (BPNN) y red neuronal convolucional (CNN). Experimentalmente, consideramos un estudio de caso para detectar emisiones de humo de un escenario de quema al aire libre. Como resultado, se detectaron PM2.5,10 y CO como contaminantes del aire de la quema al aire libre. Se mostraron las ubicaciones del mapa 3D del AQI y las tasas de aprendizaje de validación fueron evidentes, ya que la precisión de la evaluación de datos del AQI predicho fue del 98%.