Évaluation des techniques de comblement des lacunes de Sentinel-2 pour l’élimination des nuages et la reconstruction des données

Éclaircir la vue depuis l’espace

Des satellites comme Sentinel-2 en Europe offrent aux agriculteurs, gestionnaires de l’eau et climatologues une vue aérienne détaillée de la Terre. Mais un problème persiste : les nuages et les défaillances des capteurs créent des trous dans ces images, précisément quand il faut prendre des décisions sur l’irrigation, la santé des cultures ou la sécheresse. Cet article pose une question pratique aux conséquences importantes pour la sécurité alimentaire et hydrique : parmi les nombreuses façons de « reconstituer » les pixels satellites manquants, lesquelles fonctionnent réellement le mieux, et dans quelles conditions ?

Pourquoi les pixels manquants comptent

Les satellites optiques à haute résolution enregistrent l’évolution des champs, forêts et plans d’eau tous les quelques jours. Pour l’agriculture, cela permet de suivre la croissance des cultures, de détecter tôt des stress et de planifier l’irrigation avant que les plantes ne souffrent. Pourtant, les nuages masquent souvent de larges portions du sol, et des pannes de capteur occasionnelles peuvent créer des bandes de données manquantes permanentes. Dans certaines régions, de longues périodes ne fournissent que quelques images claires. Si ces lacunes ne sont pas réparées soigneusement, les estimations de rendement, d’utilisation de l’eau ou de couverture du sol peuvent être fortement biaisées, sapant les décisions qui reposent sur des informations précises et continues.

Différentes manières de colmater les trous

Les scientifiques ont développé une boîte à outils de méthodes de comblement, que les auteurs regroupent en quatre familles. Les méthodes spatiales regardent latéralement, en utilisant les pixels voisins dans la même image pour estimer les valeurs manquantes. Les méthodes temporelles suivent la ligne du temps d’un pixel unique, en s’appuyant sur les dates passées et futures pour combler les lacunes. Les méthodes spatio-temporelles combinent les deux directions, apprenant des motifs dans l’espace et le temps simultanément. Enfin, les méthodes spatio-spectrales exploitent les relations entre différentes bandes colorées de l’image, utilisant l’information d’autres longueurs d’onde pour restaurer ce qui manque dans une bande donnée. Cette étude se concentre volontairement sur des méthodes n’utilisant que les données Sentinel-2, évitant des entrées supplémentaires comme les relevés météorologiques ou d’autres satellites, afin que les solutions soient faciles à appliquer partout où Sentinel-2 est disponible.

Tests sous scénarios de nuages contrôlés

Pour comparer ces approches de façon équitable, les auteurs ont créé des nuages artificiels au-dessus d’une région agricole mixte au Maroc. Ils ont utilisé une série Sentinel-2 majoritairement exempte de nuages au printemps et en été 2022 puis ont « masqué » des pixels pour imiter différents types de couvert nuageux. Certains tests ont retiré une unique tache ronde au centre d’une image ; d’autres ont dispersé plusieurs taches irrégulières pour imiter des nuages plus chaotiques. Ils ont aussi créé des lacunes dans les séries temporelles, sous forme de longs blocs de dates manquantes ou d’images ponctuellement absentes tout au long de la saison. Six bandes clés de Sentinel-2, des couleurs visibles au proche infrarouge et infrarouge à ondes courtes, ont été examinées. Pour chaque méthode, l’équipe a mesuré dans quelle mesure les pixels reconstruits correspondaient à l’image originale sans nuages, et a également évalué la qualité visuelle et le temps de calcul.

Quelles méthodes se démarquent

Les méthodes spatiales simples, telles que le krigeage et l’interpolation fondée sur la distance, ont donné des résultats raisonnables pour de petites lacunes bien délimitées mais se sont rapidement détériorées lorsque les nuages sont devenus plus larges ou plus irréguliers. Elles pouvaient aussi être très lentes lorsqu’elles étaient appliquées à des images haute résolution complètes. Les méthodes temporelles, qui suivent chaque pixel dans le temps, ont mieux performé, surtout lorsque les lacunes étaient courtes et fragmentées plutôt que de longs blocs continus. Toutefois, leur succès dépendait de la stabilité du paysage : des variations saisonnières lisses des cultures ou de l’eau étaient plus faciles à gérer que des changements brusques de sol nu après une pluie ou une irrigation.

Le pouvoir de combiner espace, temps et couleur

Les résultats les plus précis et les plus robustes provenaient de méthodes qui mêlent plusieurs types d’informations à la fois. Une approche d’apprentissage automatique qui regroupe les pixels au comportement saisonnier similaire puis applique une régression linéaire (appelée CLR dans l’article) a livré de manière constante de faibles erreurs pour de nombreuses tailles et formes de lacunes et pour différentes bandes. Un modèle d’apprentissage profond basé sur une architecture U-Net a également donné de bonnes performances, en particulier pour des lacunes spatiales complexes, mais il nécessitait un entraînement intensif et peinait avec de longues périodes de dates manquantes. Par ailleurs, une méthode spatio-spectrale utilisant des forêts aléatoires (SSRF) excellait à préserver les détails fins et des textures d’apparence naturelle, particulièrement dans les bandes visibles et proche infrarouge, à condition qu’une image claire temporellement proche soit disponible pour l’entraînement.

Ce que cela signifie pour l’usage en conditions réelles

Pour les non-spécialistes qui dépendent de produits satellitaires — comme les planificateurs d’irrigation, les assureurs agricoles et les agences environnementales — le message est clair. Aucune technique unique n’est la meilleure pour toutes les situations, mais les méthodes qui exploitent conjointement l’espace, le temps et le spectre colorimétrique surpassent désormais clairement les approches plus anciennes et plus simples qui ne regardent que les voisins dans une seule image. L’étude montre que le regroupement suivi d’une régression et les forêts aléatoires spatio-spectrales offrent un compromis pratique entre précision, qualité visuelle et coût de calcul, tandis que l’apprentissage profond devient intéressant lorsqu’on dispose de matériel puissant et de données d’entraînement. En proposant un cadre de test transparent et en partageant leur code ouvertement, les auteurs fournissent une feuille de route pour choisir et améliorer les outils de comblement des lacunes, aidant à transformer des séries satellitaires nuageuses et fragmentées en informations fiables pour la gestion des terres et de l’eau.

Citation: 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

Mots-clés: Sentinel-2, élimination des nuages, comblement des lacunes, télédétection, suivi agricole