Evaluación de técnicas de relleno de huecos en Sentinel-2 para eliminación de nubes y reconstrucción de datos

Despejando la vista desde el espacio

Satelites como Sentinel-2 de Europa ofrecen a agricultores, gestores de recursos hídricos y científicos climáticos una visión aérea de la Tierra con gran detalle. Pero hay un problema persistente: las nubes y las fallas del sensor abren huecos en estas imágenes justo cuando deben tomarse decisiones sobre riego, salud de los cultivos o sequía. Este artículo plantea una pregunta práctica con grandes consecuencias para la seguridad alimentaria y del agua: entre las muchas formas de “rellenar” píxeles satelitales faltantes, ¿cuáles funcionan mejor realmente y en qué condiciones?

Por qué importan los píxeles faltantes

Los satélites ópticos de alta resolución registran cómo cambian los campos, los bosques y las masas de agua cada pocos días. Para la agricultura, esto permite seguir el crecimiento de los cultivos, detectar el estrés de forma temprana y planificar el riego antes de que las plantas sufran. Sin embargo, las nubes a menudo ocultan amplias zonas del terreno, y fallos puntuales del sensor pueden crear franjas permanentes de datos perdidos. En algunas regiones pasan largos periodos con solo unas pocas imágenes despejadas. Si estos huecos no se reparan con cuidado, las estimaciones de rendimiento de cultivos, uso de agua o cobertura del suelo pueden resultar muy sesgadas, minando decisiones que dependen de información continua y precisa.

Diferentes formas de parchear los huecos

Los científicos han desarrollado una caja de herramientas de métodos de relleno de huecos, que los autores agrupan en cuatro familias. Los métodos espaciales miran lateralmente, usando píxeles cercanos en la misma imagen para estimar valores faltantes. Los métodos temporales examinan la línea temporal de un mismo píxel, utilizando fechas pasadas y futuras para completar vacíos. Los métodos espacio‑temporales combinan ambas direcciones, aprendiendo patrones en espacio y tiempo simultáneamente. Finalmente, los métodos espacio‑espectrales aprovechan las relaciones entre diferentes bandas de color en la imagen, usando información de otras longitudes de onda para restaurar lo que falta en una banda. Este estudio se centra deliberadamente en métodos que usan solo datos de Sentinel-2, evitando entradas adicionales como registros meteorológicos u otros satélites, de modo que las soluciones sean fáciles de aplicar dondequiera que Sentinel-2 esté disponible.

Pruebas bajo escenarios controlados de nubes

Para comparar estos enfoques de forma justa, los autores crearon nubes artificiales sobre una región de agricultura mixta en Marruecos. Utilizaron una serie de Sentinel-2 mayormente libre de nubes de la primavera y el verano de 2022 y luego enmascararon píxeles para imitar distintos tipos de cobertura nubosa. Algunas pruebas eliminaron un parche redondo único en el centro de una imagen; otras dispersaron varios parches irregulares para imitar nubes más caóticas. También crearon huecos en la serie temporal, tanto como bloques largos de fechas faltantes como imágenes individuales ausentes repartidas a lo largo de la temporada. Se examinaron seis bandas clave de Sentinel-2, desde colores visibles hasta el infrarrojo de onda corta. Para cada método, el equipo midió cuánto coincidían los píxeles reconstruidos con la imagen original sin nubes, y también evaluaron la calidad visual y el tiempo de cálculo.

Qué métodos resultan mejores

Los métodos espaciales sencillos, como el kriging y la interpolación basada en distancia, funcionaron razonablemente bien para huecos pequeños y ordenados, pero se degradaron rápidamente a medida que las nubes eran mayores o más irregulares. Además, podían ser muy lentos cuando se aplicaban a imágenes completas de alta resolución. Los métodos temporales, que siguen cada píxel a lo largo del tiempo, se comportaron mejor, especialmente cuando los huecos eran cortos y fragmentados en lugar de bloques continuos largos. Sin embargo, su éxito dependió de la estabilidad del paisaje: los cambios estacionales suaves en cultivos o cuerpos de agua fueron más fáciles de manejar que los cambios bruscos en suelos desnudos tras lluvia o riego.

Poder de combinar espacio, tiempo y color

Los resultados más precisos y robustos provinieron de métodos que combinan varios tipos de información a la vez. Un enfoque de aprendizaje automático que agrupa píxeles con comportamiento estacional similar y luego aplica regresión lineal (denominado CLR en el artículo) ofreció de forma consistente errores bajos en muchas tamaños y formas de huecos y en varias bandas. Un modelo de aprendizaje profundo basado en una arquitectura U‑Net también rindió con fuerza, especialmente para huecos espaciales complejos, pero requirió entrenamiento intensivo y tuvo dificultades con tramos largos de fechas faltantes. Mientras tanto, un método espacio‑espectral que usa bosques aleatorios (SSRF) destacó por preservar el detalle fino y texturas de aspecto natural, particularmente en bandas visibles y del infrarrojo cercano, siempre que existiera una imagen clara cercana en el tiempo para el entrenamiento.

Qué significa esto para el uso en el mundo real

Para los no especialistas que dependen de productos basados en satélite —como planificadores de riego, aseguradoras agrícolas y agencias ambientales— el mensaje es claro. Ninguna técnica es la mejor en todas las situaciones, pero los métodos que aprovechan conjuntamente espacio, tiempo y espectro ahora superan claramente a los trucos más antiguos y simples que solo miran vecinos en una sola imagen. El estudio muestra que la combinación de agrupamiento más regresión y los bosques aleatorios espacio‑espectrales ofrecen un equilibrio práctico entre precisión, calidad visual y coste computacional, mientras que el aprendizaje profundo resulta atractivo cuando se dispone de hardware potente y datos de entrenamiento. Al presentar un marco de pruebas transparente y compartir su código abiertamente, los autores proporcionan una hoja de ruta para elegir y mejorar herramientas de relleno de huecos, ayudando a convertir registros satelitales nublados y fragmentados en información fiable para gestionar suelo y agua.

Cita: 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

Palabras clave: Sentinel-2, eliminación de nubes, relleno de huecos, teledetección, seguimiento agrícola