Implementación de algoritmos de aprendizaje profundo para la superresolución de imágenes satelitales

Abstract

El presente proyecto aborda las limitaciones de resolución espacial inherentes a las plataformas satelitales compactas, cuyas restricciones de diseño en tamaño, peso y potencia comprometen la calidad de los datos para análisis detallados en gestión territorial y monitoreo ambiental. Si bien existen misiones de alta resolución y satélites con capacidades multiespectrales avanzadas, el despliegue masivo de constelaciones de bajo costo suele entregar imágenes con una resolución espacial insuficiente para tareas de ingeniería de precisión. Ante esta problemática, se propone el desarrollo y análisis de una solución basada exclusivamente en software, empleando algoritmos de aprendizaje profundo para la superresolución de imágenes ópticas. Esta técnica permite reconstruir texturas, bordes y patrones espaciales complejos, mitigando las restricciones físicas de los sistemas ópticos de pequeña apertura y superando las capacidades de los métodos tradicionales de procesamiento digital.

La investigación se estructura en cuatro fases metodológicas: el diseño de un protocolo de preprocesamiento de datos para la simulación de degradaciones orbitales reales, la adaptación de arquitecturas del estado del arte, el entrenamiento supervisado utilizando el lenguaje de programación Python y la evaluación cuantitativa de los resultados. Para garantizar la validez del modelo, se emplean métricas estandarizadas de calidad de imagen, específicamente PSNR y SSIM, comparando el desempeño de los algoritmos propuestos frente a métodos convencionales de interpolación bicúbica. Con este desarrollo, se busca fortalecer la autonomía técnica en el procesamiento de información geoespacial, permitiendo optimizar el aprovechamiento de datos de libre acceso y mejorar la precisión en la detección de infraestructura y coberturas terrestres a nivel global.