Las imágenes de Observación de la Tierra (EO) de alta calidad son esenciales para un análisis preciso y una toma de decisiones informada en diversos sectores. Sin embargo, la escasez de datos causada por condiciones atmosféricas, variaciones estacionales y una cobertura geográfica limitada obstaculiza la aplicación efectiva de la Inteligencia Artificial (IA) en EO. Las técnicas tradicionales de aumento de datos, que se basan en transformaciones de imagen parametrizadas básicas, a menudo no logran introducir suficiente diversidad en los ejes semánticos clave. Estos ejes incluyen cambios naturales como la nieve y las inundaciones, impactos humanos como la urbanización y las carreteras, y desastres como incendios forestales y tormentas, lo que limita la precisión de los modelos de IA en aplicaciones de EO. Para abordar esto, proponemos un enfoque de aumento de datos en cuatro etapas que integra modelos de difusión para mejorar la diversidad semántica. Nuestro método emplea meta-prompts para la generación de instrucciones, modelos de visión-lenguaje para un enriquecimiento de los subtítulos, ajuste fino de modelos de difusión específicos de EO y aumento de datos iterativo. Experimentos extensivos utilizando cuatro técnicas de aumento demuestran que nuestro enfoque supera consistentemente a los métodos establecidos, generando imágenes de EO semánticamente diversas y mejorando el rendimiento de los modelos de IA.