La predicción del dominio alcanzable para vehículos aéreos no tripulados (UAV) de alta amenaza es crítica para permitir que los vehículos de vuelo de dominio cruzado realicen maniobras de evasión proactivas. Para abordar este desafío, este documento propone un nuevo marco genérico que integra un método pseudospectral de Radau (RPM) con una red neuronal BP, respaldado por información adquirida de satélites. El marco comienza estimando un vector de estado preliminar del objetivo no cooperativo, incluyendo su posición y velocidad aproximadas, a través de un algoritmo iterativo de Newton. Para refinar esta estimación inicial y permitir un seguimiento continuo, se fusiona un Filtro de Kalman Extendido (EKF) con un modelo de dinámica del vehículo de vuelo. Posteriormente, se emplea el RPM para resolver el problema de planificación de trayectorias, generando una base de datos integral para el entrenamiento fuera de línea. Esta base de datos se utiliza luego para entrenar una red neuronal multicapa de avance en un marco de entrenamiento fuera de línea y aplicación en línea, lo que reduce drásticamente la complejidad computacional y el tiempo. Finalmente, las simulaciones numéricas demuestran la alta precisión de predicción del método y su fuerte robustez frente a incertidumbres de seguimiento. Crucialmente, la red neuronal predice el dominio alcanzable en solo 0.01 s, lo que la hace altamente viable para aplicaciones en tiempo real.