تقييم تقنيات ملء الفجوات في Sentinel-2 لإزالة السحب وإعادة تركيب البيانات

إزالة العوائق من منظور الفضاء

توفر أقمار صناعية مثل Sentinel-2 الأوروبية للمزارعين ومديري الموارد المائية وعلماء المناخ رؤية شاملة للأرض بتفاصيل عالية. لكن هناك مشكلة مزمنة: السحب وأعطال المستشعر تترك فراغات في هذه الصور، تمامًا عندما تُتخذ قرارات حول الري أو صحة المحاصيل أو الجفاف. يطرح هذا البحث سؤالًا عمليًا له عواقب كبيرة على أمن الغذاء والمياه: من بين الطرق العديدة "لملء" البكسلات المفقودة من صور الأقمار، أيها تعمل فعليًا بأفضل شكل وتحت أي ظروف؟

لماذا تهم البكسلات المفقودة

تسجل الأقمار البصرية عالية الدقة كيف تتغير الحقول والغابات والمسطحات المائية كل عدة أيام. وللزراعة، يعني هذا تتبع نمو المحاصيل، واكتشاف الإجهاد مبكرًا، وتخطيط الري قبل أن تتأثر النباتات. ومع ذلك، غالبًا ما تخفي السحب أجزاء كبيرة من الأرض، وقد تتسبب أعطال المستشعر العرضية في شرائط دائمة من البيانات المفقودة. في بعض المناطق، تمر فترات طويلة ولا تتوفر سوى صور قليلة صافية. إذا لم تُصلاح هذه الفجوات بعناية، يمكن أن تتأثر تقديرات محصول المحاصيل أو استخدام المياه أو تغطية الأراضي بتحيز كبير، مما يقوض القرارات التي تعتمد على معلومات دقيقة ومستمرّة.

طرق مختلفة لترقيع الفجوات

طور العلماء مجموعة أدوات من طرق ملء الفجوات، التي صنفها المؤلفون في أربع عائلات. تنظر الطرق المكانية جانبًا، مستفيدة من البكسلات المجاورة في نفس الصورة لتقدير القيم المفقودة. تنظر الطرق الزمنية على طول خط الزمن لكل بكسل، مستخدمة تواريخ سابقة ومقبلة لملء الفجوات. تجمع الطرق المكانية-الزمنية بين الاتجاهين، متعلمة الأنماط عبر المكان والزمان معًا. وأخيرًا، تستفيد الطرق المكانية-الطيفية من العلاقات بين الأشرطة اللونية المختلفة في الصورة، مستخدمة معلومات من أطوال موجية أخرى لاستعادة ما فقد في شريط واحد. تركز هذه الدراسة عمدًا على طرق تستخدم بيانات Sentinel-2 نفسها فقط، متجنبة المدخلات الإضافية مثل سجلات الطقس أو أقمار صناعية أخرى، حتى تكون الحلول سهلة التطبيق في أي مكان يتوفر فيه Sentinel-2.

الاختبار في سيناريوهات سحابية مضبوطة

لمقارنة هذه الأساليب بشكل عادل، أنشأ المؤلفون سحبًا صناعية فوق منطقة زراعية مختلطة في المغرب. استخدموا سلسلة Sentinel-2 كانت إلى حد كبير خالية من السحب خلال ربيع وصيف 2022 ثم "قاموا بتغطية" بكسلات لمحاكاة أنواع مختلفة من الغطاء السحابي. أزال بعض الاختبارات بقعة مستديرة واحدة في وسط الصورة؛ أما أخرى فوزعت عدة بقع غير منتظمة لتقليد سحب أكثر اضطرابًا. كما أنشأوا فجوات زمنية، سواء ككتل طويلة من التواريخ المفقودة أو كصور منفصلة مفقودة متناثرة عبر الموسم. فُحصت ستة أشرطة رئيسية من Sentinel-2، من الألوان المرئية إلى الأشعة تحت الحمراء ذات الموجة القصيرة. ولكل طريقة، قاس الفريق مدى تطابق البكسلات المعاد إنشاؤها مع الصورة الأصلية الخالية من السحب، كما قيَّموا الجودة البصرية ووقت الحوسبة.

أي الطرق تتصدر النتائج

أدّت الطرق المكانية البسيطة، مثل الكريغنغ والاستيفاء المعتمد على المسافة، أداءً مقبولًا للفجوات الصغيرة والمرتبة لكنها انهارت سريعًا مع اتساع السحب أو عدم انتظامها. كما أنها قد تكون بطيئة جدًا عند تطبيقها على صور عالية الدقة كاملة. أما الطرق الزمنية، التي تتبع كل بكسل عبر الوقت، فقد أظهرت أداءً أفضل، خصوصًا عندما كانت الفجوات قصيرة ومجزأة بدلاً من كتل طويلة متصلة. ومع ذلك، اعتمد نجاحها على مدى استقرار المشهد: كانت التغيرات الموسمية السلسة في المحاصيل أو المياه أسهل في المعالجة من التحولات المفاجئة في التربة العارية بعد المطر أو الري.

قوة دمج المكان والزمان واللون

جاءت أكثر النتائج دقة ومتانة من طرق تدمج عدة أنواع من المعلومات في آن واحد. قدم نهج تعلّم آلي يجمع البكسلات ذات السلوك الموسمي المماثل ثم يطبق الانحدار الخطي (المسمى CLR في الورقة) أخطاء منخفضة باستمرار عبر أحجام وأشكال وأشرطة فجوات متعددة. كما آدّت نموذج تعلّم عميق مبني على هندسة U-Net أداءً قويًا، خاصة للفجوات الفراغية المعقدة، لكنه تطلب تدريبًا مكثفًا وعانى مع الفترات الطويلة من التواريخ المفقودة. في المقابل، برع نهج مكاني-طيفي باستخدام غابات عشوائية (SSRF) في الحفاظ على التفاصيل الدقيقة والملمس الطبيعي للصور، لا سيما في الأشرطة المرئية والقريبة من الأشعة تحت الحمراء، طالما توفرت صورة صافية قريبة زمنياً للتدريب.

ما معنى هذا للاستخدام الواقعي

بالنسبة لغير المتخصصين الذين يعتمدون على منتجات قائمة على الأقمار الصناعية—مثل مخططي الري، ومؤمني المحاصيل، والوكالات البيئية—الرسالة واضحة. لا توجد تقنية واحدة هي الأفضل في كل حالة، لكن الطرق التي تستغل المكان والزمان والطيف اللوني معًا تتفوق الآن بوضوح على الحيل الأقدم والأبسط التي تنظر فقط إلى الجيران في صورة واحدة. تُظهر الدراسة أن التجميع زائد الانحدار وغابات القرار المكانية-الطيفية يقدمان توازنًا عمليًا بين الدقة والجودة البصرية وتكلفة الحوسبة، بينما يصبح التعلّم العميق جذابًا عندما تتوافر أجهزة قوية وبيانات تدريبية. من خلال وضع إطار اختبار شفاف ومشاركة الشيفرة علنًا، يوفر المؤلفون خارطة طريق لاختيار وتحسين أدوات ملء الفجوات، مما يساعد على تحويل سجلات الأقمار الصناعية الملبدة والساقطة إلى معلومات موثوقة لإدارة الأرض والمياه.

الاستشهاد: Grich, S., Elfarkh, J., Ouaadi, N. et al. Evaluating Sentinel-2 gap filling techniques for cloud removal and data reconstruction. Sci Rep 16, 9464 (2026). https://doi.org/10.1038/s41598-026-39488-2

الكلمات المفتاحية: Sentinel-2, إزالة السحب, ملء الفجوات, الاستشعار عن بعد, مراقبة الزراعة