Estimar el impacto ambiental de la aviación, en términos de ruido y emisiones, requiere un conocimiento preciso de los parámetros de vuelo, como el procedimiento de salida/llegada, la masa de la aeronave, el empuje y la configuración de los flaps. Sin embargo, estos parámetros no están disponibles a partir de datos de radar/ADS-B, que son las principales fuentes de información específica de vuelos, incluyendo la posición de la aeronave a lo largo del tiempo. Este artículo presenta un enfoque novedoso para estimar estos parámetros a partir de datos de radar/ADS-B utilizando tres modelos de redes neuronales entrenados con datos de simulador de vuelo para el avión Boeing 747-400. Los modelos se prueban en 2204 vuelos simulados que no se utilizan para el entrenamiento y que se transforman en formatos de datos de radar/ADS-B. Los modelos son capaces de predecir los parámetros desconocidos para el formato de datos ADS-B, con un error de predicción de peso del 2.63% del peso máximo de despegue, el puntaje R2 promedio para la predicción del perfil de empuje siendo del 89.90% y el perfil de configuración de flaps teniendo un puntaje R2 promedio de 84.68%, mientras que para el formato de datos similar al radar, los valores son 2.11%, 95.74% y 88.24%, respectivamente. Los parámetros predichos pueden ser utilizados para mejorar la evaluación del impacto ambiental de vuelos individuales y para apoyar la toma de decisiones en políticas y gestión. Este enfoque es una prueba de concepto basada en datos de simulación que necesitará ser validada con datos reales antes de ser aplicada en la práctica.