El monitoreo continuo de cultivos a menudo requiere un conjunto de imágenes satelitales de series temporales. Dado que las imágenes satelitales tienen un compromiso en la resolución espacial y temporal, se ha aplicado la fusión de imágenes espacio-temporales (STIF) para construir imágenes de series temporales a una escala consistente. Con la mayor disponibilidad de imágenes de alta resolución espacial, es necesario desarrollar un nuevo modelo STIF que pueda reflejar efectivamente las propiedades de las imágenes satelitales de alta resolución espacial para el monitoreo de campos de cultivo a pequeña escala. Este documento propone un modelo STIF avanzado utilizando un par de imágenes único, llamado fusión de imágenes de alta resolución espacial utilizando ponderación basada en objetos (HIFOW), para mezclar imágenes satelitales de alta resolución espacial. El enfoque de función ponderada de cuatro pasos de HIFOW incluye (1) modelado de la relación temporal, (2) extracción de objetos utilizando segmentación de imágenes, (3) ponderación basada en información de objetos y (4) corrección residual para cuantificar la variabilidad temporal entre las fechas base y de predicción y también representar tanto los patrones espectrales en la fecha de predicción como los detalles espaciales de imágenes a pequeña escala. Los procedimientos específicos adaptados para mezclar imágenes a pequeña escala son la extracción de información de cambio y estructural basada en objetos y su aplicación para la determinación de pesos. El potencial de HIFOW fue evaluado a partir de experimentos en sitios agrícolas utilizando imágenes de Sentinel-2 y RapidEye. HIFOW se comparó con tres modelos STIF existentes, incluido el modelo de fusión de reflectancia adaptativa espacial y temporal (STARFM), fusión de datos espacio-temporales flexibles (FSDAF) y Fit-FC. Los resultados experimentales revelaron que la predicción de HIFOW pudo restaurar patrones espaciales detallados dentro de los campos de cultivo y límites de cultivos claros con menos distorsión espectral, lo que no se representaba en los resultados de predicción de los otros tres modelos. En consecuencia, HIFOW logró el mejor rendimiento de predicción en términos de precisión y similitud estructural para todas las bandas espectrales. Además de la predicción de reflectancia, HIFOW también obtuvo un rendimiento de predicción superior para mezclar imágenes del índice de vegetación de diferencia normalizada. Estos hallazgos indican que HIFOW podría ser una solución potencial para construir imágenes de series temporales de alta resolución espacial en tierras de cultivo a pequeña escala.