El creciente despliegue de vehículos aéreos no tripulados (UAV) en la movilidad aérea urbana (UAM) requiere un monitoreo robusto de la integridad del Sistema Global de Navegación por Satélite (GNSS) que pueda adaptarse a las complejidades de los entornos urbanos. Los enfoques tradicionales de monitoreo de integridad luchan con los desafíos únicos que presentan los entornos urbanos, como bloqueos de señal frecuentes, reflexiones multipath y recepciones fuera de línea de vista (NLoS). Este estudio presenta un nuevo marco de monitoreo de integridad del GNSS basado en aprendizaje automático que incorpora el reconocimiento del entorno para crear modelos de error específicos del entorno. Utilizando una configuración integral de simulación Hardware-in-the-Loop (HIL), se generaron datos extensos para entornos suburbanos, urbanos y cañones urbanos para entrenar y validar los modelos. El método propuesto de Nivel de Protección de Aumento Natural (NGB-PL), aprovechando las capacidades de predicción de incertidumbre del algoritmo NGB, demostró un rendimiento superior en la estimación de niveles de protección en comparación con los métodos clásicos. Los resultados indicaron que los modelos específicos del entorno mejoraron significativamente tanto la precisión como la disponibilidad del sistema, particularmente en escenarios urbanos desafiantes. La integración del reconocimiento del entorno en el marco de monitoreo de integridad permite la adaptación dinámica a las condiciones ambientales variables, mejorando así sustancialmente la fiabilidad y seguridad de las operaciones de UAV en aplicaciones de movilidad aérea urbana. Esta investigación ofrece un nuevo método de estimación de nivel de protección (PL) y un marco adaptado al monitoreo de integridad del GNSS para UAM, que mejora la disponibilidad con márgenes de PL más estrechos sin aumentar los riesgos de integridad.