<\/div>Example<\/div>
<\/div><\/div>
<\/strong><\/p>\n\n\n\n
import numpy as np\nimport matplotlib.pyplot as plt\n\nx = np.linspace(0, 10, 100)\ny = np.sin(x)\n\nplt.plot(x, y)\nplt.title(\"Courbe du sinus\")\nplt.show()\n<\/code><\/pre>\n\n\n\n<\/div><\/div><\/strong><\/p>\n\n\n\n El gr\u00e1fico se mostrar\u00e1 directamente debajo del c\u00f3digo.<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\n \n\n\n\n<\/span>Copia de seguridad<\/span><\/h3>\n\n\n\n\nSus cuadernos se guardan autom\u00e1ticamente en su Google Drive.<\/li>\n\n\n\nTambi\u00e9n puede importar\/exportar archivos .ipynb o .py.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>S2DR3 (Sentinel-2 Deep Resolution 3.0<\/em>)<\/span><\/h2>\n\n\n\n<\/span>Descripci\u00f3n general<\/span><\/h3>\n\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n<\/figure>\n\n\n\n\nS2DR3 es un modelo de superresoluci\u00f3n mediante inteligencia artificial aplicado a las im\u00e1genes del sat\u00e9lite Sentinel-2 (misi\u00f3n del programa Copernicus). (Medium<\/a>)<\/li>\n\n\n\n Su objetivo: tomar las bandas multiespectrales de Sentinel-2 (resoluciones nativas de 10 m, 20 m y, en ocasiones, 60 m) y \u00abmejorarlas\u00bb hasta \u2248 1 m\/p\u00edxel para todas las bandas. (LinkedIn<\/a>)<\/li>\n\n\n\n Esto permite acceder a detalles espaciales mucho m\u00e1s precisos (carreteras, edificios, objetos peque\u00f1os, heterogeneidades en los cultivos…) que los que permite la resoluci\u00f3n est\u00e1ndar de Sentinel-2. (MalaGIS<\/a>)<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Por qu\u00e9 es interesante<\/span><\/h3>\n\n\n\nAlgunos puntos fuertes:<\/p>\n\n\n\n\nMejor resoluci\u00f3n espacial: pasar de 10 m a 1 m supone un salto en el detalle visible. Esto abre usos que antes requer\u00edan datos comerciales muy costosos. (data jungle adventures<\/a>)<\/li>\n\n\n\n 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 (\u00fatil para la agricultura, la vegetaci\u00f3n, el agua, etc.). (Medium<\/a>)<\/li>\n\n\n\n Aplicaciones variadas: agricultura de precisi\u00f3n, cartograf\u00eda urbana detallada, seguimiento medioambiental, infraestructuras. Por ejemplo, un estudio muestra que los \u00edndices de vegetaci\u00f3n derivados de S2DR3 tienen mejores correlaciones con el rendimiento de los cultivos que los de la versi\u00f3n est\u00e1ndar de 10 m. (MDPI<\/a>)<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Funcionamiento simplificado<\/span><\/h3>\n\n\n\nSe parte de una escena Sentinel-2 (nivel L1C o L2A) que contiene bandas con una resoluci\u00f3n de 10 m, 20 m y 60 m. (MDPI<\/a>)<\/p>\n\n\n\n El modelo (red neuronal profunda) aprende a \u00absuperresolver\u00bb cada banda: es decir, a predecir una versi\u00f3n m\u00e1s detallada de la imagen a partir de la original, al tiempo que intenta conservar las firmas espectrales correctas. (data jungle adventures<\/a>)<\/p>\n\n\n\n El resultado: una imagen multiespectral georreferenciada a ~1 m\/p\u00edxel, incluyendo todas las bandas.<\/p>\n\n\n\n El script siguiente utiliza este modelo a trav\u00e9s de un paquete Python s2dr3.inferutils, para automatizar la llamada, la recuperaci\u00f3n de la escena, el procesamiento, la exportaci\u00f3n a Google Drive, etc.<\/p>\n\n\n\n \n\n\n\n<\/span>Usos pr\u00e1cticos en un script<\/span><\/h2>\n\n\n\nVeamos c\u00f3mo encaja el c\u00f3digo en este marco:<\/p>\n\n\n\n <\/div>Example de code S2DR3<\/div><\/div><\/div><\/strong><\/p>\n\n\n\n# Lien vers le dossier Drive\n!ln -s \/content\/drive\/MyDrive\/Sentinel2_1m \/content\/output\n\n# Installation du paquet S2DR3\n!pip -q install https:\/\/storage.googleapis.com\/...\/s2dr3-20250905.1-cp312-cp312-linux_x86_64.whl\n\nimport s2dr3.inferutils\n\n# Coordonn\u00e9es (Loja, \u00c9quateur)\nlonlat = (-79.203, -4.008)\n\n# Date de l\u2019image\ndate = '2024-08-23'\n\n# Traitement\ns2dr3.inferutils.test(lonlat, date)\n<\/code><\/pre>\n\n\n\n<\/div><\/div><\/strong><\/p>\n\n\n\n \nUsted indica una zona de inter\u00e9s (longitud\/latitud): esto activa la recuperaci\u00f3n de la escena Sentinel-2 m\u00e1s cercana a la fecha, que cubre esa zona.<\/li>\n\n\n\n A continuaci\u00f3n, el modelo genera la versi\u00f3n de 1 m del conjunto de bandas a partir de la imagen original.<\/li>\n\n\n\n El resultado se guarda en \/content\/output (que est\u00e1 vinculado a su Google Drive) para su acceso\/copia de seguridad.<\/li>\n<\/ul>\n\n\n\n<\/a><\/figure>\n\n\n\n \n\n\n\n<\/span>L\u00edmites y puntos a tener en cuenta<\/span><\/h2>\n\n\n\nEs importante conocer tambi\u00e9n las limitaciones:<\/p>\n\n\n\n \nCalidad variable seg\u00fan la zona\/fecha: el modelo supone que la imagen contiene pocas nubes, pocos oscurecimientos y que las superficies est\u00e1n bien representadas. En determinadas condiciones (demasiada sombra, nubes, zonas muy particulares), la superresoluci\u00f3n puede producir artefactos.<\/li>\n\n\n\n Datos generados, no \u00abreales\u00bb 1 m comerciales: aunque la resoluci\u00f3n es de ~1 m, sigue siendo una estimaci\u00f3n realizada por un modelo, no una adquisici\u00f3n nativa a 1 m. Por lo tanto, hay que ser prudente con usos muy cr\u00edticos (por ejemplo, legales o de ingenier\u00eda).<\/li>\n\n\n\n Recursos de c\u00e1lculo: el procesamiento puede ser exigente (GPU, memoria). Los port\u00e1tiles gratuitos (por ejemplo, Colab) tienen limitaciones (v\u00e9ase en el siguiente art\u00edculo c\u00f3mo configurar el procesamiento con GPU T4).<\/li>\n\n\n\n Validaciones necesarias: como toda IA, los resultados deben validarse seg\u00fan la aplicaci\u00f3n. Un estudio muestra que, para algunos cultivos, la ventaja es real, pero no autom\u00e1tica. (MDPI)<\/li>\n\n\n\n Coste\/licencia posible: Algunas versiones comerciales o a gran escala pueden implicar un coste o condiciones de uso. (data jungle adventures)<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Recomendaciones de uso<\/span><\/h2>\n\n\n\n\nA continuaci\u00f3n se ofrecen algunos consejos para sacar el m\u00e1ximo partido a S2DR3 en sus scripts:<\/li>\n\n\n\n Compruebe que la fecha elegida tenga una buena cobertura (pocas nubes) para la zona de inter\u00e9s.<\/li>\n\n\n\n Despu\u00e9s del procesamiento, compruebe visualmente el resultado (por ejemplo, en QGIS o en un cuaderno) para detectar posibles artefactos.<\/li>\n\n\n\n Compare (si es posible) con la versi\u00f3n original de resoluci\u00f3n est\u00e1ndar de Sentinel-2 para ver qu\u00e9 aporta el modelo.<\/li>\n\n\n\n Si realiza an\u00e1lisis (por ejemplo, de vegetaci\u00f3n, clasificaci\u00f3n), realice pruebas en un peque\u00f1o lote antes de procesar grandes \u00e1reas.<\/li>\n\n\n\n Documente bien la procedencia: \u00abimagen superresolvida mediante S2DR3 el XX\/XX\/XXXX\u00bb para mayor transparencia.<\/li>\n\n\n\n Para usos de producci\u00f3n o comercializaci\u00f3n, compruebe las condiciones de la licencia de uso del modelo o de los productos generados.<\/li>\n<\/ul>\n\n\n\n \n\n\n\nEn el pr\u00f3ximo art\u00edculo, TUTORIAL: Utilizar S2DR3 en Google Colab para el estudio de los corales en Mauricio, veremos un caso concreto de uso de este procedimiento.<\/p>\n\n\n\n \n","protected":false},"excerpt":{"rendered":"En primer lugar, \u00a1demos al C\u00e9sar lo que es del C\u00e9sar! Descubr\u00ed esta t\u00e9cnica gracias al blog de Franz, al que os invito a visitar para descubrir sus numerosas riquezas. Para procesar las im\u00e1genes Sentinel 2…<\/p>\n","protected":false},"author":1,"featured_media":15855,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[3821],"tags":[3825,1956,3823,3827,3829],"class_list":["post-15907","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-images-es","tag-google-colab-es","tag-imagenes","tag-resolucion","tag-s2dr3-es","tag-sentinel-2-es"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2025\/10\/article_sd3.jpg?fit=846%2C393&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-48z","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/15907","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=15907"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/15907\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/15855"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=15907"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=15907"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=15907"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}