הערכת טכניקות מילוי רווחים ב‑Sentinel-2 להסרת עננים ושחזור נתונים

לנקות את המבט ממעל

לוויינים כמו Sentinel-2 של אירופה מספקים לחקלאים, למנהלי מים ולמדעני אקלים מבט ציפור על פני כדור הארץ ברזולוציה גבוהה. אבל יש בעיה עיקשת: עננים ותקלות חיישן יוצרים חורים בתמונות בדיוק ברגעים שבהם יש לקבל החלטות לגבי השקיה, בריאות היבול או בצורת. מאמר זה שואל שאלה מעשית בעלת השלכות גדולות על ביטחון מזון ומים: מתוך הדרכים הרבות "למלא" פיקסלים חסרים מלוויין, אילו מהן אכן עובדות הכי טוב ובאילו תנאים?

למה פיקסלים חסרים חשובים

לוויינים אופטים ברזולוציה גבוהה מתעדים כיצד שדות, יערות ומקווי מים משתנים כל כמה ימים. עבור חקלאות, משמעות הדבר היא מעקב אחרי גדילת היבול, זיהוי מתח מוקדם ותכנון השקיה לפני שהצמחים יסבלו. עם זאת, עננים מסתירים לעתים חלקים נרחבים של הקרקע, ותקלות סנסוריות מזדמנות יכולות ליצור פסים קבועים של נתונים חסרים. באזורים מסוימים עוברים מרווחי זמן ארוכים עם מעט תמונות נקיות. אם רווחים אלה לא מתוקנים בקפידה, הערכות של תפוקת יבול, שימוש במים או כיסוי קרקע עלולות להיות משוחדות במידה רבה, ולפגוע בהחלטות התלויות במידע מדויק ורציף.

דרכים שונות לתיקון החורים

מדענים פיתחו ארגז כלים של שיטות מילוי רווחים, שהמחברים מקבצים לארבע משפחות. שיטות מרחביות מסתכלות לצדדים, משתמשות בפיקסלים סמוכים באותה תמונה כדי לנחש ערכים חסרים. שיטות זמניות מסתכלות לאורך הזמן של פיקסל יחיד, משתמשות בתאריכים עבריים ועתידיים כדי למלא חורים. שיטות מרחב‑זמניות משלבות את שתי הכיוונים, ולומדות דפוסים במרחב ובזמן יחד. ולבסוף, שיטות מרחב‑ספקטרליות מנצלות יחסים בין רצועות צבע שונות בתמונה, משתמשות במידע מאורכי גל אחרים כדי לשחזר מה שחסר ברצועה אחת. המחקר מתמקד במתודולוגיות המשתמשות רק בנתוני Sentinel-2 עצמם, ומטמיעות הימנעות מקלטי עזר כמו רשומות מזג אוויר או לוויינים אחרים, כדי שהפתרונות יהיו קלים ליישום בכל מקום בו Sentinel-2 זמין.

בדיקה בתרחישי עננות מבוקרים

כדי להשוות בין הגישות באופן הוגן, המחברים יצרו עננים מלאכותיים מעל אזור חקלאי מעורב במרוקו. הם השתמשו בסדרת Sentinel-2 יחסית נטולת עננים מאביב וקיץ 2022 ואז "הסוו" פיקסלים כדי לחקות סוגים שונים של כיסוי ענני. בחלק מהמבחנים הוסרו כתם עגול יחיד במרכז התמונה; אחרים פיזרו כמה כתמים בלתי סדירים כדי לדמות עננים כאוטיים יותר. הם גם יצרו פערים בסדרות הזמן, הן כחסרים ארוכים של תאריכים והן כתמונות חסרות מפוזרות לאורך העונה. נבדקו שישה רצועות מרכזיות של Sentinel-2, מצבעים נראים ועד אינפרה‑אדום קצר. עבור כל שיטה, הצוות מדד עד כמה הפיקסלים המשוחזרים התאימו לתמונה המקורית נטולת העננים, וכן שפטו איכות ויזואלית וזמן חישוב.

אילו שיטות מובילות

שיטות מרחביות פשוטות, כגון קריגינג ואינטרפולציה על בסיס מרחק, עבדו סביר עבור רווחים קטנים ומסודרים אך קרסו במהירות ככל שהעננים הפכו לגדולים או לא סדירים יותר. הן עלולות להיות גם איטיות מאוד כשמיישמים אותן על תמונות ברזולוציה גבוהה שלמות. שיטות זמניות, העוקבות אחרי כל פיקסל לאורך הזמן, הציגו ביצועים טובים יותר, במיוחד כאשר הרווחים היו קצרים ומפוזרים ולא חסרי־רצף ארוכים. עם זאת, הצלחתן תלויה ביציבות הנוף: שינויים עונתיים חלקים ביבולים או במים היו קלים יותר לטיפול מאשר קפיצות פתאומיות בקרקע חשופה לאחר גשם או השקיה.

כוח השילוב של מרחב, זמן וצבע

התוצאות המדויקות והעמידות ביותר הגיעו משיטות שמשלבות כמה סוגי מידע בו־זמנית. גישה של למידת מכונה שמקטלגת פיקסלים עם התנהגות עונתית דומה ואז מיישמת רגרסיה לינארית (המכונה CLR במאמר) סיפקה בעקביות שגיאות נמוכות על פני גדלים, צורות ורצועות שונות של רווחים. מודל למידה עמוקה המבוסס על ארכיטקטורת U‑Net גם הוא הציג ביצועים חזקים, במיוחד עבור חורים מרחביים מורכבים, אך דרש אימון כבד ונאבק עם חסרים של תקופות זמן ארוכות. בינתיים, שיטת מרחב‑ספקטרלית המשתמשת ביער אקראי (SSRF) הצטיינה בשימור פרטים עדינים ומרקמים שנראים טבעיים, בייחוד ברצועות הנראות והאינפרה‑אדום הקרוב, כל עוד הייתה תמונה נקייה בסמוך בזמן לשימוש באימון.

מה משמעות הדבר לשימוש במציאות

עבור משתמשים שאינם מומחים ותלויים במוצרים מבוססי לוויין — כמו מתכנני השקיה, מבטחי יבולים וסוכנויות סביבתיות — המסר ברור. אין שיטה אחת שמתאימה לכל מצב, אבל שיטות שמנצלים יחד מרחב, זמן וצבע ספקטרלי עוברות כעת בברור את הטריקים הישנים והפשוטים שבודקים רק שכנים באותה תמונה. המחקר מראה כי שילוב של קיבוץ פלוס רגרסיה ויערות אקראיים מרחב‑ספקטרליים מציעים איזון מעשי בין דיוק, איכות ויזואלית ועלות חישוב, בעוד שלמידה עמוקה הופכת מושכת כאשר יש חומרה חזקה ונתוני אימון זמינים. על‑ידי הצגת מסגרת בדיקה שקופה ושיתוף קוד באופן פתוח, המחברים מספקים מפת דרכים לבחירה ולשיפור כלי מילוי הרווחים, ועוזרים להפוך רשומות לוויין מעוננות ושבורות למידע אמין לניהול קרקע ומים.

ציטוט: 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

מילות מפתח: Sentinel-2, הסרת עננים, מילוי רווחים, חישה מרחוק, ניטור חקלאי