Integración del modelo Gamma Earth S2DR3 para la mejora superresolutiva de imágenes Sentinel-2 en agricultura digital

Fabiola Olvera-Rincón; Sergio Salgado-Velázquez; Luz del Carmen Lagunes-Espinoza; Carlos Fredy Ortiz-García; Joaquín Alberto Rincón-Ramírez; Eder Ramos-Hernández

Autores/as

Fabiola Olvera-Rincón Colegio de Postgraduados
Sergio Salgado-Velázquez Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias
Luz del Carmen Lagunes-Espinoza Colegio de Postgraduados
Carlos Fredy Ortiz-García Colegio de Postgraduados
Joaquín Alberto Rincón-Ramírez Colegio de Postgraduados
Eder Ramos-Hernández Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias

Palabras clave:

agricultura de precisión, sensores remotos, aprendizaje profundo, índices de vegetación

Resumen

La mejora de la resolución espacial de imágenes satelitales representa un avance clave en la teledetección aplicada a la agricultura de precisión. En este estudio, se implementó el modelo Gamma Earth S2DR3 (Sentinel-2 Deep Resolution 3.0), basado en redes neuronales profundas, para transformar imágenes Sentinel-2 de 10 m a 1 m de resolución en una parcela de 20 ha de limón persa. Las imágenes originales fueron descargadas y corregidas atmosféricamente en Google Earth Engine. Posteriormente, el modelo se ejecutó en Google Colab, generando composiciones RGB a 10 m y 1 m para comparación visual y cuantitativa. La validación se realizó con métricas estadísticas (RMSE, R², PSNR y SSIM), evidenciando mejoras en la fidelidad espacial y radiométrica. Además, se calcularon los índices NDVI, GNDVI y SAVI, observándose mayor variabilidad espacial a 1 m frente a patrones homogéneos a 10 m. Esto permitió identificar microzonas de estrés y heterogeneidad no detectables en resolución estándar, confirmando el potencial del modelo para mejorar la gestión agrícola.

Referencias

Atanasova, D., Bozhanova, V., Biserkov, V., & Maneva, V. (2021). Distinguishing areas of organic, biodynamic and conventional farming by means of multispectral images. A pilot study. Biotechnology & Biotechnological Equipment, 35(1), 977-993. https://doi.org/10.1080/13102818.2021.1938675

Aybar, C., Montero, D., Contreras, J., Donike, S., Kalaitzis, F., & Gómez-Chova, L. (2024). SEN2NAIP: A largescale dataset for Sentinel-2 Image Super-Resolution. Scientific Data, 11, 1389. https://doi.org/10.1038/s41597-024-04214-y

Berra, E. F., Fontana, D. C., Yin, F., y Breunig, F. M. (2024). Harmonized Landsat and Sentinel-2 data with Google Earth Engine. Remote Sensing, 16(15), 2695. https://doi.org/10.3390/rs16152695

Bui, Q.-T., Jamet, C., Vantrepotte, V., Mériaux, X., Cauvin, A., & Mograne, M. A. (2022). Evaluation of Sentinel-2/msi atmospheric correction algorithms over two contrasted French coastal waters. Remote Sensing, 14(5), 1099. https://doi.org/10.3390/rs14051099

Chanev, M., Kamenova, I., Dimitrov, P., & Filchev, L. (2025). Evaluation of Sentinel-2 deep resolution 3.0 data for winter crop identification and organic barley yield prediction. Remote Sensing, 17(6), 957. https://doi.org/10.3390/rs17060957

DigiFarm. (S. f.). AI-Powered Satellite Data for Instant Decision Making. Worldwide. DigiFarm. https://digifarm.io

Donike, S., Aybar, C., Gómez-Chova, L., & Kalaitzis, F. (2025). Trustworthy super-resolution of multispectral sentinel-2 imagery with latent diffusion. ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 18, 6940-6952. https://doi.org/10.1109/JSTARS.2025.3542220

Galar, M., Sesma, R., Ayala, C., Albizua, L., & Aranda, C. (2020). Super-resolution of sentinel-2 images using convolutional neural networks and real ground truth data. Remote Sensing, 12(18), 2941. https://doi.org/10.3390/rs12182941

Hunt, M. L., Blackburn, G. A., Carrasco, L., Redhead, J. W., & Rowland, C. S. (2019). High resolution wheat yield mapping using Sentinel-2. Remote Sensing of Environment, 233, 111410. https://doi.org/10.1016/j.rse.2019.111410

Kociszewski, K., Graczyk, A., Mazurek-Łopacinska, K., & Sobocińska, M. (2020). Social values in stimulating organic production involvement in farming-The case of Poland. Sustainability, 12(15), 5945. https://doi.org/10.3390/su12155945

Kowaleczko, P., Tarasiewicz, T., Ziaja, M., Kostrzewa, D., Nalepa, J., Rokita, P., & Kawulok, M. (2023). A real-world benchmark for Sentinel-2 multi-image super-resolution. Scientific Data, 10, 644. https://doi.org/10.1038/s41597-023-02538-9

Lanaras, C., Bioucas-Dias, J., Galliani, S., Baltsavias, E., & Schindler, K. (2018). Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network. isprs Journal of Photogrammetry and Remote Sensing, 146, 305-319. https://doi.org/10.1016/j.isprsjprs.2018.09.018

Michel, J., Vinasco-Salinas, J., Inglada, J., & Hagolle, O. (2022). Sen2venμs, a dataset for the training of Sentinel-2 super-resolution algorithms. Data, 7(7), 96. https://doi.org/10.3390/data7070096

Nadzirah, R., Qurrohman, T., Indarto, Putra, B. T. W., & Andriyani, I. (2024). Estimating harvest yield using Sentinel 2 derivative vegetation indices (Case study: Organic paddy in Candipuro, Lumajang). aip Conference Proceedings, 3176(1), 030061.

Olvera-Rincón, F., Salgado-Velázquez, S., Córdova-Sánchez, S., Palma-López, D. J., López-Castañeda, A., & Castañeda-Ceja, R. (2024). Defoliación del cultivo de caña de azúcar (Saccharum officinarum) en la Chontalpa, Tabasco, México. Agronomía Mesoamericana, 35, 53608. http://doi.org/10.15517/am.2024.53608

Salgado-García, S., Palma-López, D. J., Zavala-Cruz, J., Córdova-Sánchez, S., Castelán-Estrada, M., Lagunes-Espinoza, L. del C., Ortiz-García, C. F., Rivera-Cruz, M. del C., Ventura-Ulloa, F., Marín-Aguilar, Á., Moreno-Caliz, E., & Rincón-Ramírez, J. A. (2016). Programa de fertilización sustentable para plantaciones de cítricos en Tabasco, México. Ecosistemas y Recursos Agropecuarios, 3(9), 345-356.

Salgado-Velázquez, S., Salgado-García, S., Rincón-Ramírez, J. A., Rodrigues Jr, F. A., Palma-López, D. J., Córdova-Sánchez, S., & López-Castañeda, A. (2020). Spatial variability of soil physicochemical properties in agricultural fields cultivated with sugarcane (Saccharum officinarum L.) in Southeastern Mexico. Sugar Tech, 22, 65-75. https://doi.org/10.1007/s12355-019-00742-9

Salgado Velázquez, S., Becerril Hernández, H., Córdova Sánchez, S., Aceves-Navarro, L., & Rincón Ramírez J. J. A. (2023). Análisis temporal de diferentes índices de vegetación para monitorear el cultivo de caña de azúcar en la Chontalpa, Tabasco. xliii Convención y expoatam, Boca del Río, México.

Salgado-Velázquez, S., Becerril-Hernández, H., Rincón-Ramírez, J. A., Aceves-Navarro, L., & Córdova-Sánchez, S. (2025). Remote sensing and machine learning techniques used to predict sugarcane (Saccharum spp.) yield. Agro Productividad, 18(9), 229-237. https://doi.org/10.32854/dp4qtd40

Salgueiro Romero, L., Marcello, J., & Vilaplana, V. (2020). Super-resolution of sentinel-2 imagery using generative adversarial networks. Remote Sensing, 12(15), 2424. https://doi.org/10.3390/rs12152424

Sambandham, V. T., Kirchheim, K., Ortmeier, F., & Mukhopadhaya, S. 2024. Deep learning-based harmonization and super-resolution of Landsat-8 and Sentinel-2 images. isprs Journal of Photogrammetry and Remote Sensing, 212, 274-288. https://doi.org/10.1016/j.isprsjprs.2024.04.026

Servicio de Información Agroalimentaria y Pesquera. (2024). Avance de siembras y cosechas. siap. https://nube.agricultura.gob.mx/avance_agricola/

Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., & Skakun, S. (2017). Exploring Google Earth Engine platform for big data processing: Classification of multi-temporal satellite imagery for crop mapping. Frontiers in Earth Science, 5, 71. https://doi.org/10.3389/feart.2017.00017

Tarasiewicz, T., Nalepa, J., Farrugia, R. A., Valentino, G., Chen, M., Briffa, J. A., & Kawulok, M. (2023). Multitemporal and multispectral data fusion for super-resolution of Sentinel-2 images. ieee Transactions on Geoscience and Remote Sensing, 61, 5406519. https://doi.org/10.1109/TGRS.2023.3311622

Teijido-Murias, I., Barrio-Anta, M., & López-Sánchez, C. A. 2024. Evaluation of correction algorithms for Sentinel-2 images implemented in Google Earth Engine for use in land cover classification in Northern Spain. Forests, 15(12), 2192. https://doi.org/10.3390/f15122192

Vadrevu, K. P., Le Toan, T., Ray, S. S., & Justice, C. O. (2022). Remote Sensing of Agriculture and Land Cover/Land Use Changes in South and Southeast Asian Countries. Springer.

Weiss, M., Jacob, F., & Duveiller, G. (2020). Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment, 236, 111402. https://doi.org/10.1016/j.rse.2019.111402

Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M.-J. (2017). Big data in smart farming-A review. Agricultural Systems, 153, 69-80. https://doi.org/10.1016/j.agsy.2017.01.023

Xia, X., Fu, D., Fei, Y., Shao, W., & Xia, X. (2021). An improved assessment method and its application to the latest imerg rainfall product in mainland China. Remote Sensing, 13(24), 5107. https://doi.org/10.3390/rs13245107

Yang, W., Zhang, X., Tian, Y., Wang, W., Xue, J.-H., & Liao, Q. (2019). Deep learning for single image super-resolution: A brief review. ieee Transactions on Multimedia, 21(12), 3106-3121. https://doi.org/10.1109/TMM.2019.2919431

Zabalza, M., & Bernardini, A. (2022). Super-resolution of Sentinel-2 images using a spectral attention mechanism. Remote Sensing, 14(12), 2890. https://doi.org/10.3390/rs14122890