En primer lugar, ¡demos al César lo que es del César! Descubrí esta técnica gracias al blog de Franz, al que os invito a visitar para descubrir sus numerosas riquezas.
Para procesar las imágenes Sentinel 2 utilizaremos dos productos:
- Google Collab e
- IA S2DR3.
Google Colab
Google Colab (o Google Colaboratory) es un servicio gratuito ofrecido por Google que permite escribir y ejecutar código Python directamente en el navegador, sin necesidad de instalar nada en tu ordenador.
Estos son los puntos esenciales:
Qué es
Es un entorno Jupyter Notebook alojado en la nube.
En otras palabras, es una interfaz en la que puedes:
- escribir texto (como explicaciones o instrucciones);
- ejecutar código Python celda por celda;
- mostrar gráficos, tablas o imágenes;
- y todo ello en un simple navegador web.
Qué permite hacer
- Probar código Python fácilmente (sin configuración local).
- Realizar cálculos científicos o procesamiento de datos (con NumPy, Pandas, Matplotlib, etc.).
- Ejecutar aprendizaje automático (TensorFlow, PyTorch, Scikit-learn…).
- Utilizar una GPU o TPU gratuita para acelerar los cálculos (útil para la IA y el aprendizaje profundo).
- Colaborar en línea, de forma similar a Google Docs: varias personas pueden trabajar en el mismo cuaderno.
Ejemplo de uso
Abra una nueva página Colab:
https://colab.research.google.com
Y puede escribir, por ejemplo:
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title("Courbe du sinus")
plt.show()
El gráfico se mostrará directamente debajo del código.
Copia de seguridad
- Sus cuadernos se guardan automáticamente en su Google Drive.
- También puede importar/exportar archivos .ipynb o .py.
S2DR3 (Sentinel-2 Deep Resolution 3.0)
Descripción general
- S2DR3 es un modelo de superresolución mediante inteligencia artificial aplicado a las imágenes del satélite Sentinel-2 (misión del programa Copernicus). (Medium)
- Su objetivo: tomar las bandas multiespectrales de Sentinel-2 (resoluciones nativas de 10 m, 20 m y, en ocasiones, 60 m) y «mejorarlas» hasta ≈ 1 m/píxel para todas las bandas. (LinkedIn)
- Esto permite acceder a detalles espaciales mucho más precisos (carreteras, edificios, objetos pequeños, heterogeneidades en los cultivos…) que los que permite la resolución estándar de Sentinel-2. (MalaGIS)
Por qué es interesante
Algunos puntos fuertes:
- Mejor resolución espacial: pasar de 10 m a 1 m supone un salto en el detalle visible. Esto abre usos que antes requerían datos comerciales muy costosos. (data jungle adventures)
- Cobertura multiespectral completa: a diferencia de algunos modelos que solo se centran en unas pocas bandas (por ejemplo, RGB), S2DR3 procesa todas las bandas de Sentinel-2, lo que conserva la riqueza espectral (útil para la agricultura, la vegetación, el agua, etc.). (Medium)
- Aplicaciones variadas: agricultura de precisión, cartografía urbana detallada, seguimiento medioambiental, infraestructuras. Por ejemplo, un estudio muestra que los índices de vegetación derivados de S2DR3 tienen mejores correlaciones con el rendimiento de los cultivos que los de la versión estándar de 10 m. (MDPI)
Funcionamiento simplificado
Se parte de una escena Sentinel-2 (nivel L1C o L2A) que contiene bandas con una resolución de 10 m, 20 m y 60 m. (MDPI)
El modelo (red neuronal profunda) aprende a «superresolver» cada banda: es decir, a predecir una versión más detallada de la imagen a partir de la original, al tiempo que intenta conservar las firmas espectrales correctas. (data jungle adventures)
El resultado: una imagen multiespectral georreferenciada a ~1 m/píxel, incluyendo todas las bandas.
El script siguiente utiliza este modelo a través de un paquete Python s2dr3.inferutils, para automatizar la llamada, la recuperación de la escena, el procesamiento, la exportación a Google Drive, etc.
Usos prácticos en un script
Veamos cómo encaja el código en este marco:
# Lien vers le dossier Drive
!ln -s /content/drive/MyDrive/Sentinel2_1m /content/output
# Installation du paquet S2DR3
!pip -q install https://storage.googleapis.com/.../s2dr3-20250905.1-cp312-cp312-linux_x86_64.whl
import s2dr3.inferutils
# Coordonnées (Loja, Équateur)
lonlat = (-79.203, -4.008)
# Date de l’image
date = '2024-08-23'
# Traitement
s2dr3.inferutils.test(lonlat, date)
- Usted indica una zona de interés (longitud/latitud): esto activa la recuperación de la escena Sentinel-2 más cercana a la fecha, que cubre esa zona.
- A continuación, el modelo genera la versión de 1 m del conjunto de bandas a partir de la imagen original.
- El resultado se guarda en /content/output (que está vinculado a su Google Drive) para su acceso/copia de seguridad.
Límites y puntos a tener en cuenta
Es importante conocer también las limitaciones:
- Calidad variable según la zona/fecha: el modelo supone que la imagen contiene pocas nubes, pocos oscurecimientos y que las superficies están bien representadas. En determinadas condiciones (demasiada sombra, nubes, zonas muy particulares), la superresolución puede producir artefactos.
- Datos generados, no «reales» 1 m comerciales: aunque la resolución es de ~1 m, sigue siendo una estimación realizada por un modelo, no una adquisición nativa a 1 m. Por lo tanto, hay que ser prudente con usos muy críticos (por ejemplo, legales o de ingeniería).
- Recursos de cálculo: el procesamiento puede ser exigente (GPU, memoria). Los portátiles gratuitos (por ejemplo, Colab) tienen limitaciones (véase en el siguiente artículo cómo configurar el procesamiento con GPU T4).
- Validaciones necesarias: como toda IA, los resultados deben validarse según la aplicación. Un estudio muestra que, para algunos cultivos, la ventaja es real, pero no automática. (MDPI)
- Coste/licencia posible: Algunas versiones comerciales o a gran escala pueden implicar un coste o condiciones de uso. (data jungle adventures)
Recomendaciones de uso
- A continuación se ofrecen algunos consejos para sacar el máximo partido a S2DR3 en sus scripts:
- Compruebe que la fecha elegida tenga una buena cobertura (pocas nubes) para la zona de interés.
- Después del procesamiento, compruebe visualmente el resultado (por ejemplo, en QGIS o en un cuaderno) para detectar posibles artefactos.
- Compare (si es posible) con la versión original de resolución estándar de Sentinel-2 para ver qué aporta el modelo.
- Si realiza análisis (por ejemplo, de vegetación, clasificación), realice pruebas en un pequeño lote antes de procesar grandes áreas.
- Documente bien la procedencia: «imagen superresolvida mediante S2DR3 el XX/XX/XXXX» para mayor transparencia.
- Para usos de producción o comercialización, compruebe las condiciones de la licencia de uso del modelo o de los productos generados.
En el próximo artículo, TUTORIAL: Utilizar S2DR3 en Google Colab para el estudio de los corales en Mauricio, veremos un caso concreto de uso de este procedimiento.
