Superresolución e Inteligencia Artificial: una nueva era para el monitoreo urbano

En el marco de los Viernes de Investigación del IGAC (Instituto Geográfico Agustín Codazzi), el Dr. Alexander Ariza presentó la ponencia “Superresolución e inteligencia artificial mediante integración multifuentes a la cartografía de expansión urbana”. Este trabajo representa un avance significativo en el uso de tecnologías satelitales y modelos de inteligencia artificial (IA) para comprender, analizar y anticipar los cambios en la dinámica urbana.

Contexto y relevancia

El crecimiento urbano acelerado plantea desafíos en planificación, ordenamiento territorial, catastro y gestión ambiental. Detectar nuevas construcciones, diferenciar entre zonas consolidadas y en expansión, y contar con información precisa y actualizada es fundamental para la toma de decisiones. Sin embargo, la resolución espacial de muchos satélites gratuitos, como Sentinel-2 (10 m), limita el nivel de detalle.

Aquí surge la importancia de aplicar superresolución basada en IA, una técnica que permite mejorar la definición de las imágenes y ampliar sus posibilidades de análisis. De esta forma, los satélites de acceso libre pueden alcanzar niveles de detalle comparables con sensores comerciales de alta resolución.

Objetivo del proyecto

El trabajo del Dr. Ariza forma parte de la segunda fase del proyecto SentiforCat (Sentinel para Catastro) y busca desarrollar una metodología integral de detección de nuevas construcciones y expansión urbana mediante la integración de distintas fuentes de datos:

• Sentinel 1 (radar) → Permite capturar variaciones estructurales y de humedad.
• Sentinel 2 (óptico) → Proporciona información multiespectral de vegetación, suelo, cemento, asfalto, entre otros.
• Inventario global de huellas de edificios (Microsoft Open Building Sprint) → Un insumo inicial generado con IA que permite comparar patrones.

Metodología

La investigación combina distintas técnicas de análisis remoto y procesamiento de datos, entre ellas:

1. Índices espectrales:
   • NDVI (Índice de Vegetación de Diferencia Normalizada) para distinguir vegetación activa.
   • NDBI (Índice de Construcciones) para resaltar superficies construidas.
   • Bare Soil Index para identificar áreas de suelo desnudo.
2. Procesamiento de imágenes SAR (Radar de Apertura Sintética) de Sentinel 1, lo que permite analizar retrodispersión y detectar cambios en la estructura física del terreno y edificaciones.
3. Análisis multitemporal: comparación de imágenes en intervalos de 6 meses para evaluar la aparición de nuevas construcciones.
4. Generación de capas raster y vectorización: conversión de los resultados en polígonos de 100 m², facilitando su integración en sistemas de información geográfica (SIG).

Superresolución mediante Inteligencia Artificial

Uno de los aportes más innovadores de esta investigación es el uso de redes neuronales convolucionales (CNNs) para mejorar la resolución de Sentinel 2, pasando de 10 m a 1 m de detalle aparente. Para lograrlo, los modelos son entrenados con imágenes de alta resolución (Maxar, Google Earth, entre otros).

Este proceso genera imágenes híbridas o sintéticas, que si bien no son 100% reales, mantienen la coherencia espectral y espacial, haciéndolas útiles para estudios urbanos y análisis de cambios. Se abren así nuevas posibilidades de cartografía urbana de precisión, sin depender de costosas imágenes comerciales.

Aplicaciones en Colombia

El equipo aplicó este modelo en zonas de Cundinamarca, logrando detectar nuevas edificaciones en municipios como Tavio. La validación con imágenes de muy alta resolución confirmó la coherencia de los resultados. Aunque aparecieron algunos falsos positivos (por cambios en la vegetación o rotación de cultivos), en general la metodología mostró un alto nivel de confiabilidad.

Limitaciones y retos

A pesar de los avances, aún existen desafíos:

• Complejidad en la validación de ciertas bandas espectrales sin imágenes de referencia.
• Posibilidad de falsos positivos por cambios naturales (ej. deforestación o agricultura).
• Necesidad de altos recursos de cómputo para el procesamiento.
• Dificultad en la detección de objetos pequeños (menores a 5 m).

Conclusiones y perspectivas

• La integración de IA, superresolución y datos satelitales gratuitos ofrece una vía práctica y económica para cartografiar la expansión urbana.
• El modelo propuesto es de código abierto, lo que lo hace replicable y adaptable a distintos contextos.
• El futuro apunta a la integración de estas técnicas con sensores LiDAR, drones y cámaras aéreas, que podrían complementar la validación y mejorar la precisión.

En conclusión, la investigación del Dr. Ariza muestra que la combinación de inteligencia artificial y teledetección satelital tiene el potencial de revolucionar el monitoreo urbano. Esta tecnología no solo fortalece las capacidades técnicas de investigación, sino que también democratiza el acceso a información geoespacial de alta calidad, fundamental para la gestión sostenible de las ciudades en crecimiento.

// Algoritmo mejorado para detectar nuevas construcciones
// Combinando Sentinel-1 (radar) y Sentinel-2 (óptico)
// Adaptado para Yopal, Casanare

El algoritmo desarrollado en Google Earth Engine tiene como objetivo detectar nuevas construcciones y para este post a sido adecuado para la ciudad de Yopal, Casanare, mediante la combinación de imágenes ópticas (Sentinel-2) y de radar (Sentinel-1). Para lograrlo, se definen periodos temporales de análisis (últimos 12 meses divididos en dos semestres) y se seleccionan imágenes con baja nubosidad en el caso de Sentinel-2. Estas se complementan con productos de Sentinel-1, que aportan información estructural y de superficie a través de índices como el RBI (Radar Building Index) y la relación VH/VV. Al integrar ambas fuentes, el modelo logra capturar tanto cambios espectrales (vegetación, suelo desnudo, materiales de construcción) como variaciones físicas en la superficie urbana.

El sistema también incorpora la base de datos de Open Buildings de Google, que sirve como referencia para enmascarar edificaciones existentes y evitar duplicidades en la detección. A partir de allí, el algoritmo combina evidencias ópticas (NDVI, NDBI, BSI) y radar (RBI) para generar un score de evidencia de construcción. Cuando este puntaje supera un umbral, y la zona no coincide con edificaciones registradas previamente, se marca como una nueva construcción. Finalmente, los resultados pueden visualizarse directamente en el mapa o exportarse a Google Drive para su análisis posterior, brindando una herramienta poderosa para monitoreo urbano, catastro y planificación territorial en tiempo casi real.