Las calles de vórtices de Kármán son fenómenos fundamentales en la dinámica de fluidos, manifestados por la liberación periódica de vórtices a medida que el flujo de aire interactúa con obstáculos. La génesis y las características de estas estructuras de vórtices están significativamente influenciadas por varios parámetros atmosféricos, incluyendo temperatura, humedad, presión y velocidades del viento, que en conjunto dictan sus condiciones de formación, disposición espacial y comportamiento dinámico. Aunque las metodologías de aprendizaje profundo han avanzado en la detección automatizada de calles de vórtices de Kármán en imágenes de teledetección, los enfoques existentes enfatizan en gran medida la extracción de características visuales sin incorporar adecuadamente variables atmosféricas críticas. Para superar esta limitación, este estudio presenta un innovador marco de red auxiliar que integra parámetros físicos atmosféricos esenciales para mejorar el rendimiento de detección de las calles de vórtices de Kármán. Utilizando datos de reanálisis del Centro Europeo para Pronósticos Meteorológicos a Medio Plazo (ECMWF-ERA5), se extraen características atmosféricas representativas y se someten a un análisis de importancia de permutación de características (PFI) para evaluar cuantitativamente la influencia de cada parámetro en la tarea de detección. Este análisis identifica cinco variables clave: geopotencial, humedad específica, temperatura, velocidad del viento horizontal y velocidad del aire vertical, que se emplean posteriormente como entradas para la tarea auxiliar. Basándose en el modelo de detección de objetos YOLOv8s, la red auxiliar propuesta examina sistemáticamente el impacto de varias combinaciones de variables atmosféricas en la eficacia de detección. Los resultados experimentales demuestran que la integración de la velocidad del viento horizontal y la velocidad del aire vertical logra las métricas de detección más altas (precisión de 0.838, recuperación de 0.797, mAP50 de 0.865 y mAP50-95 de 0.413) en escenarios críticos de precisión, superando el método de detección tradicional basado solo en imágenes (precisión de 0.745, recuperación de 0.745, mAP50 de 0.759 y mAP50-95 de 0.372). La selección optimizada de parámetros atmosféricos mejora notablemente las métricas de detección y la fiabilidad de las calles de vórtices de Kármán, subrayando la eficacia y la practicidad del marco metodológico propuesto. Este avance allana el camino para un análisis automatizado más robusto de fenómenos de dinámica de fluidos atmosféricos.