Nuevas Técnicas para la Mejora Espacial de Imágenes Inter-Sensor en Datos de Teledetección

Abstract

La presente tesis doctoral presenta innovaciones en teledetección, centrándose en el realce de imágenes y la integración de datos de diferentes plataformas y sensores, especialmente de los satélites Sentinel-2 y Sentinel-3 del programa Copernicus. Las mejoras se abordan a través del uso de técnicas de pan-sharpening y super-resolución con redes neuronales convolucionales. La investigación propone un modelo de súper-resolución que fusiona datos inter-sensor para generar imágenes de alta resolución y desarrolla una arquitectura de red convolucional especializada con campo receptivo denso y mecanismo de atención residual de canales, mejorando las imágenes Sentinel-3. También se introduce un modelo innovador de pan-sharpening auto-supervisado que optimiza la fusión de imágenes de distintas plataformas, superando diferencias de resolución y deformaciones de sensores. Estos avances mejoran la calidad y utilidad de los datos de observación remota de Copernicus en aplicaciones ambientales y monitorización de la superficie terrestre.

This doctoral thesis presents an innovative approach in remote sensing, focusing on image enhancement and exploiting synergies between different platforms and sensors. It addresses spatial resolution limitations in remote observation instruments and proposes advanced solutions to improve the data quality from the Sentinel missions of the Copernicus program. Initially, a methodology combining pan-sharpening and super-resolution with convolutional neural networks is developed. Subsequently, the research evolves towards improved super-resolution schemes that integrate inter-sensor data fusion to generate high-resolution synthetic images. The thesis highlights the development of a specialized convolutional network using a dense receptive field and residual channel attention mechanism, enhancing the spatial resolution of Sentinel-3 images. Additionally, an innovative self-supervised pan-sharpening model with a double-U architecture is proposed, overcoming resolution differences and specific sensor deformations.