This study explores SR methods applied to electro-optical (EO) and synthetic aperture radar (SAR) imagery to enhance flood mapping accuracy [3-4]. Three deep learning-based SR models were evaluated: CNN-based EDSR (Enhanced Deep Residual Network for Single Image Super-Resolution), GAN-based Real-ESRGAN (Enhanced Super-Resolution Generative Adversarial Network), and Transformer-based SwinFIR (Shifted Window + Feature Interaction Residual). The datasets included EO imagery from Sentinel-2, Planetscope, and BlackSky, as well as SAR imagery from Sentinel-1, ICEYE, Capella, and Umbra. Algorithm evaluations were conducted in flood-prone study areas, comparing performance metrics such as SSIM (Structural Similarity Index Measure) and LPIPS (Learned Perceptual Image Patch Similarity). Results showed that SwinFIR achieved the highest accuracy, with SSIM scores of 0.9325 for EDSR and 0.9319 for SwinFIR, and LPIPS scores of 0.1102 for EDSR and 0.1075 for SwinFIR. SwinFIR demonstrated superior linearity in delineating water body boundaries, particularly in water regions with lower topographic diversity. Further analysis of test dataset patches divided into water and non-water regions confirmed that patches containing water bodies had higher SSIM scores (average: 0.8814) compared to non-water patches (average: 0.8395). This distinction highlights the suitability of SwinFIR for flood mapping applications, where precise delineation of water bodies is critical.