Publicado por: Edwin Calle Condori – Máster en Geomática Aplicada

Introducción

Las imágenes del satélite Sentinel-2, parte del programa Copernicus de la Agencia Espacial Europea (ESA), han transformado el monitoreo ambiental y territorial. Sin embargo, una limitación importante es su resolución espacial, que varía entre 10 m, 20 m y 60 m según la banda espectral.

¿Qué pasaría si pudiéramos llevar esas imágenes a 2 metros o incluso 1 metro de resolución?

La respuesta está en la superresolución basada en inteligencia artificial, una técnica que reconstruye imágenes de mayor detalle a partir de información de baja resolución. Hoy te cuento cómo hacerlo tú mismo.

¿Qué es la superresolución?

La superresolución (Super-Resolution, SR) es una técnica que utiliza redes neuronales profundas para aumentar artificialmente la resolución de una imagen, creando detalles más finos de manera plausible.

En el contexto de Sentinel‑2, esto significa generar imágenes sintéticas con mayor nivel de detalle que no está presente en los datos originales, pero que conserva coherencia espectral y espacial.

Modelos que puedes usar

1. LDSR-S2 (Latent Diffusion for Sentinel-2)

Desarrollado por el equipo de OpenSR, este modelo permite superresolución de imágenes Sentinel‑2 de 10 m hasta ~2 m. Utiliza técnicas de difusión latente y se basa en arquitectura UNet con autoencoders.

  • Ventajas:

    • Preserva la coherencia espectral

    • Soporta 4 bandas (B02, B03, B04, B08)

    • Ideal para clasificación y visualización

  • Repositorio: openS2DR3-model

    • Repositorio: openS2DR4-model

2. S2DR2 y S2DR3

Estos modelos son desarrollos recientes que llegan hasta 1 metro de resolución, utilizando arquitectura tipo Residual Dense Networks (RDN) y Diffusion + Transformer.

¿Cómo implementarlo?

🔧 Herramientas necesarias:

  • Google Colab o PC con GPU

  • Python 3.8+

  • Librerías: PyTorch, rasterio, scikit-image, opensr-model

Flujo básico:

  1. Sube tus imágenes Sentinel-2 (por ejemplo, B02-B03-B04-B08).

  2. Carga el modelo preentrenado LDSR-S2 en Google Colab.

  3. Ejecuta el proceso de superresolución.

  4. Evalúa el resultado usando métricas como PSNR y SSIM.

  5. Exporta tu nueva imagen con mayor resolución.

¿Cómo validar la calidad?

  • PSNR (Peak Signal-to-Noise Ratio): mide la fidelidad de la imagen reconstruida.

  • SSIM (Structural Similarity Index): evalúa la similitud estructural con la imagen de referencia.

  • También se pueden aplicar validaciones espectrales y métricas especializadas como las del paquete opensr-test.

Aplicaciones reales

  • Detección de objetos pequeños (casas, vehículos, caminos)

  • Mapeo urbano detallado

  • Estimación de biomasa y agricultura de precisión

  • Seguimiento de deforestación a microescala

¿Es confiable para análisis científico?

La superresolución no reconstruye detalles reales, sino que sintetiza detalles “plausibles” basados en patrones aprendidos. Por lo tanto:

Útil para:

  • Visualización

  • Preprocesamiento para clasificación

  • Delimitación morfológica

Precaución en:

  • Análisis cuantitativo

  • Estudios donde se requiera precisión métrica en objetos pequeños

Próximo paso: ¡Prueba tú mismo!

Estoy preparando un notebook de Google Colab gratuito, donde puedes:

  • Subir tu imagen Sentinel-2

  • Aplicar superresolución (modelo LDSR-S2)

  • Validar con métricas PSNR y SSIM

  • Descargar el resultado georreferenciado

¿Te interesa recibirlo? ¡Déjame un comentario o escríbeme!

Conclusión

La superresolución es una herramienta poderosa para potenciar el uso de imágenes Sentinel-2, especialmente cuando se busca mayor nivel de detalle sin recurrir a imágenes comerciales costosas. Gracias al desarrollo de modelos abiertos como LDSR-S2 o S2DR, hoy es posible aplicar esta técnica desde Google Colab y sin pagar un centavo.

¿Quieres aprender más?

Próximamente estaré lanzando un curso completo sobre IA aplicada a la teledetección, con ejercicios prácticos en Google Earth Engine y superresolución satelital. ¡Sígueme para no perdértelo!