Bewertung von Sentinel-2-Methoden zur Lückenfüllung für Wolkenentfernung und Datenrekonstruktion

Den Blick aus dem All klären

Satelliten wie Europas Sentinel-2 bieten Landwirtinnen und Landwirten, Wasserverwaltern und Klimawissenschaftlern eine detaillierte Vogelperspektive der Erde. Ein hartnäckiges Problem bleibt jedoch: Wolken und Sensorausfälle reißen Löcher in diese Bilder, genau dann, wenn Entscheidungen zu Bewässerung, Pflanzenzustand oder Dürre getroffen werden müssen. Diese Arbeit stellt eine praktische Frage mit großen Folgen für Nahrungs- und Wassersicherheit: Unter den vielen Wegen, fehlende Satellitenpixel „aufzufüllen“, welche funktionieren tatsächlich am besten und unter welchen Bedingungen?

Warum fehlende Pixel wichtig sind

Hochauflösende optische Satelliten erfassen, wie sich Felder, Wälder und Gewässer alle paar Tage verändern. Für die Landwirtschaft bedeutet das, Pflanzenwachstum zu verfolgen, Stress früh zu erkennen und die Bewässerung zu planen, bevor Ertrag verloren geht. Doch Wolken verdecken oft große Bodenflächen, und gelegentliche Sensorfehler können dauerhafte Streifen fehlender Daten erzeugen. In manchen Regionen vergehen lange Zeiten mit nur wenigen wolkenfreien Bildern. Werden diese Lücken nicht sorgfältig repariert, können Schätzungen zu Ernteerträgen, Wasserverbrauch oder Landnutzung stark verzerrt sein und Entscheidungen untergraben, die auf präzisen, kontinuierlichen Informationen beruhen.

Verschiedene Wege, die Lücken zu stopfen

Wissenschaftler haben eine Werkzeugkiste von Lückenfüllmethoden entwickelt, die die Autoren in vier Familien einteilen. Räumliche Methoden schauen seitwärts und nutzen benachbarte Pixel im selben Bild, um fehlende Werte zu schätzen. Zeitliche Methoden verfolgen die Zeitreihe eines einzelnen Pixels und verwenden vergangene und zukünftige Daten, um Lücken zu füllen. Räumlich‑zeitliche Methoden kombinieren beide Richtungen und lernen Muster über Raum und Zeit gleichzeitig. Schließlich nutzen räumlich‑spektrale Methoden Beziehungen zwischen verschiedenen Farbbändern im Bild und verwenden Informationen aus anderen Wellenlängen, um das Fehlende in einem Band wiederherzustellen. Die Studie konzentriert sich bewusst auf Methoden, die nur Sentinel-2‑Daten verwenden und auf Zusatzinputs wie Wetterdaten oder andere Satelliten verzichten, damit die Lösungen überall dort anwendbar sind, wo Sentinel-2 verfügbar ist.

Testen unter kontrollierten Wolkenszenarien

Um diese Ansätze fair zu vergleichen, erzeugten die Autoren künstliche Wolken über einer gemischten Agrarregion in Marokko. Sie nutzten eine größtenteils wolkenfreie Sentinel‑2-Serie aus Frühling und Sommer 2022 und „maskierten“ dann Pixel, um verschiedene Arten von Wolkenbedeckung zu simulieren. Einige Tests entfernten einen einzelnen runden Bereich in der Bildmitte; andere verteilten mehrere unregelmäßige Flecken, um chaotischere Wolken nachzuahmen. Sie erzeugten auch Lücken in der Zeitreihe, sowohl als lange Blöcke fehlender Daten als auch als einzelne fehlende Aufnahmen, die über die Saison verstreut waren. Untersucht wurden sechs wichtige Sentinel‑2‑Bänder, von sichtbaren Farben bis zum kurzwelligen Infrarot. Für jede Methode maß das Team, wie gut die rekonstruierten Pixel mit dem ursprünglichen wolkenfreien Bild übereinstimmten; außerdem bewerteten sie die visuelle Qualität und die Rechenzeit.

Welche Methoden sich durchsetzen

Einfache räumliche Methoden wie Kriging und abstandsbasierte Interpolation erzielten bei kleinen, sauberen Lücken vernünftige Ergebnisse, brachen jedoch schnell zusammen, sobald Wolken größer oder unregelmäßiger wurden. Sie konnten auch sehr langsam sein, wenn sie auf vollständige hochauflösende Bilder angewendet wurden. Zeitliche Methoden, die jedes Pixel über die Zeit verfolgen, schnitten besser ab, insbesondere wenn Lücken kurz und aufgeteilt statt lange zusammenhängende Blöcke waren. Ihr Erfolg hing jedoch davon ab, wie stabil die Landschaft war: gleichmäßige saisonale Veränderungen bei Kulturen oder Wasser ließen sich leichter handhaben als abrupte Veränderungen wie freier Boden nach Regen oder Bewässerung.

Kraft der Kombination von Raum, Zeit und Farbe

Die genauesten und robustesten Ergebnisse lieferten Methoden, die mehrere Informationsarten zugleich verbinden. Ein maschinelles Lernverfahren, das Pixel mit ähnlichem saisonalem Verhalten gruppiert und dann lineare Regression anwendet (im Papier als CLR bezeichnet), lieferte durchweg geringe Fehler über viele Lückengrößen, -formen und -bänder hinweg. Ein Deep‑Learning‑Modell auf U‑Net‑Architekturbasis zeigte ebenfalls starke Leistungen, insbesondere bei komplexen räumlichen Lücken, benötigte jedoch aufwändiges Training und hatte Schwierigkeiten mit lang anhaltenden Ausfällen in der Zeitreihe. Dagegen glänzte eine räumlich‑spektrale Methode auf Basis von Random Forests (SSRF) beim Erhalt feiner Details und natürlicher Texturen, besonders in sichtbaren und nahinfraroten Bändern, sofern ein nahe liegendes wolkenfreies Bild in der Zeit für das Training verfügbar war.

Was das für den praktischen Einsatz bedeutet

Für Nicht‑Spezialisten, die sich auf satellitenbasierte Produkte verlassen – etwa Bewässerungsplaner, Ernteversicherer und Umweltbehörden – ist die Botschaft klar. Keine einzelne Technik ist für jede Situation am besten, aber Methoden, die Raum, Zeit und spektrale Farbe zusammen nutzen, übertreffen inzwischen deutlich ältere, einfachere Verfahren, die nur Nachbarn im Einzelbild betrachten. Die Studie zeigt, dass Cluster‑plus‑Regression und räumlich‑spektrale Random Forests ein praktisches Gleichgewicht aus Genauigkeit, visueller Qualität und Rechenaufwand bieten, während Deep Learning attraktiv wird, wenn leistungsfähige Hardware und Trainingsdaten zur Verfügung stehen. Durch die transparente Teststruktur und die offene Bereitstellung ihres Codes liefern die Autoren eine Roadmap zur Auswahl und Verbesserung von Lückenfüllwerkzeugen und helfen so, wolkige, fragmentierte Satellitendatensätze in verlässliche Informationen für Land‑ und Wassermanagement zu verwandeln.

Zitation: 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

Schlüsselwörter: Sentinel-2, Wolkenentfernung, Lückenfüllung, Fernerkundung, landwirtschaftliche Überwachung