Programa del congreso

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 satélite Sentinel-2 MSI 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.