Inteligencia Artificial Aplicada a los Drones: Escalado vs Super-Resolución en el Estudio de Sistemas Costeros
DOI:
https://doi.org/10.17398/3101-7177.2.124Palabras clave:
Aprendizaje Automático, Aprendizaje Profundo, Redes Neuronales, XGBoost, UAVsResumen
En la última década, la teledetección con drones (UAVs, Unmanned Aerial Vehicles) ha ganado relevancia por su papel en la observación integrada de los sistemas costeros, al complementar algunas limitaciones de la óptica satelital. La reciente irrupción de la Inteligencia Artificial (IA) ha ampliado notablemente las oportunidades para analizar la dinámica y evolución de estos sistemas, destacando los enfoques que integran datos de alta resolución espacial con métodos de aprendizaje automático. En este trabajo presentamos un estudio metodológico que compara dos técnicas emergentes de IA – el escalado (upscaling) y la super-resolución (SR) – empleando datos multiespectrales de un sensor de 10 canales (MicaSense RedEdge-MX) embarcado en un dron, con el objetivo de mejorar los registros del sensor multiespectral MSI de Sentinel-2 sobre una zona de marismas en la Bahía de Cádiz (España). Para el escalado, se desarrolla un flujo de trabajo basado en un modelo XGBoost en dos etapas para la clasificación supervisada de las clases de cobertura del suelo identificadas. En el caso de la SR, se emplea un modelo de aprendizaje profundo basado en redes generativas antagónicas (GAN), entrenado con un amplio conjunto de datos capturado con el dron, que mejora la resolución espacial de Sentinel-2 de 10 m/px a 1 m/px para su posterior clasificación mediante XGBoost. El estudio propone una metodología eficaz para la observación de las dinámicas fluctuantes de los sistemas costeros en un contexto de cambio climático global, así como de los retos ecológicos que estos enfrentan.
Descargas
Referencias
Aybar, C. et al. (2026). A radiometrically and spatially consistent super-resolution framework for sentinel-2. Remote Sensing of Environment, 334, 115222. https://doi.org/10.1016/j.rse.2025.115222
Curcio, A.C. et al. (2023). UAV-Hyperspectral Imaging to Estimate Species Distribution in Salt Marshes: A Case Study in the Cadiz Bay (SW Spain). Remote Sensing, 15(5), 1419. https://doi.org/10.3390/rs15051419
Davies, B.F.R. et al. (2024) A sentinel watching over inter-tidal seagrass phenology across Western Europe and North Africa. Communications Earth & Environment, 5, 382. https://doi.org/10.1038/s43247-024-01543-z
Haro, S. et al. (2022). Microphytobenthos spatio-temporal dynamics across an intertidal gradient using Random Forest classification and Sentinel-2 imagery. Science of the Total Environment, 804, 149983. https://doi.org/10.1016/j.scitotenv.2021.149983
Major, D. et al. (2025) A holistic approach for multi-spectral Sentinel-2 super-resolution and spectral evaluation. International Journal of Remote Sensing, 46(20). https://doi.org/10.1080/01431161.2025.2549132
Melet, A. et al. (2020). Earth Observations for Monitoring Marine Coastal Hazards and Their Drivers. Surveys in Geophysics, 41, 1489-1534. https://doi.org/10.1007/s10712-020-09594-5
Murray, N.J. et al. (2019). The global distribution and trajectory of tidal flats. Nature, 565, 222-225. https://doi.org/10.1038/s41586-018-0805-8
Román, A., et al. (2026). Unveiling the large coverage of red snow algae blooms in antarctic coastal snowfields. Communications Earth & Environment. https://doi.org/10.1038/s43247-025-03156-6
Sarmad, M. et al. (2025). DiffFuSR: Super-Resolution of all Sentinel-2 Multispectral Bands using Diffusion Models. arXiv. https://doi.org/10.48550/arXiv.2506.11764
Orth, R.J., et al. (2020). Restoration of seagrass habitat leads to rapid recovery of coastal ecosystem services. Science Advances, 6(41), eabc6434. https://doi.org/10.1126/sciadv.abc6434
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Alejandro Román, Antonio Tovar Sánchez, Roc Xanxo Prilló, Águeda Vázquez, Gabriel Navarro Almendros (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
