Valutazione delle tecniche di riempimento dei gap di Sentinel-2 per la rimozione delle nuvole e la ricostruzione dei dati

Schiarire la vista dallo spazio

Satelliti come il Sentinel-2 europeo offrono ad agricoltori, gestori idrici e scienziati climatici una vista dall’alto della Terra ad alta risoluzione. Ma c’è un problema persistente: nuvole e malfunzionamenti del sensore creano buchi in queste immagini, proprio quando devono essere prese decisioni su irrigazione, salute delle colture o siccità. Questo articolo pone una domanda pratica dalle grandi conseguenze per la sicurezza alimentare e idrica: tra i molti modi per “riempire” i pixel mancanti dei satelliti, quali funzionano meglio e in quali condizioni?

Perché i pixel mancanti contano

I satelliti ottici ad alta risoluzione registrano come cambiano campi, foreste e specchi d’acqua ogni pochi giorni. Per l’agricoltura, questo significa monitorare la crescita delle colture, individuare stress precocemente e pianificare l’irrigazione prima che le piante soffrano. Eppure le nuvole spesso nascondono vaste porzioni del suolo e guasti occasionali dei sensori possono creare bande di dati permanenti mancanti. In alcune regioni passano lunghi periodi con poche immagini senza copertura. Se questi gap non vengono ricostruiti con cura, le stime di resa delle colture, uso dell’acqua o copertura del suolo possono risultare fortemente distorte, compromettendo decisioni che si basano su informazioni continue e accurate.

Diversi modi per rattoppare i buchi

Gli scienziati hanno sviluppato una cassetta degli attrezzi di metodi per il riempimento dei gap, che gli autori raggruppano in quattro famiglie. I metodi spaziali guardano lateralmente, usando pixel vicini nella stessa immagine per stimare i valori mancanti. I metodi temporali seguono la linea temporale di un singolo pixel, usando date passate e future per colmare i gap. I metodi spazio-temporali combinano entrambe le direzioni, apprendendo modelli nello spazio e nel tempo contemporaneamente. Infine, i metodi spazio-spettrali sfruttano le relazioni tra diverse bande cromatiche dell’immagine, usando informazioni da altre lunghezze d’onda per ripristinare ciò che manca in una banda. Questo studio si concentra deliberatamente su metodi che utilizzano solo dati Sentinel-2, evitando input aggiuntivi come dati meteorologici o altri satelliti, così le soluzioni sono facili da applicare ovunque Sentinel-2 sia disponibile.

Test in scenari controllati di copertura nuvolosa

Per confrontare questi approcci in modo equo, gli autori hanno creato nuvole artificiali su una regione di agricoltura mista in Marocco. Hanno usato una serie Sentinel-2 prevalentemente senza nuvole della primavera-estate 2022 e poi hanno “mascherato” pixel per imitare diversi tipi di copertura nuvolosa. Alcuni test hanno rimosso una singola macchia circolare al centro di un’immagine; altri hanno disperso più macchie irregolari per imitare nuvole più caotiche. Hanno anche creato gap nella serie temporale, sia come lunghi blocchi di date mancanti sia come immagini singole mancanti sparse nella stagione. Sono state esaminate sei bande chiave di Sentinel-2, dai colori visibili al vicino infrarosso a onde corte. Per ogni metodo, il team ha misurato quanto bene i pixel ricostruiti corrispondevano all’immagine originale senza nuvole, valutando inoltre la qualità visiva e i tempi di calcolo.

Quali metodi emergono vincitori

I metodi spaziali semplici, come il kriging e l’interpolazione basata sulla distanza, hanno funzionato discretamente per gap piccoli e regolari ma si sono degradati rapidamente all’aumentare delle dimensioni o irregolarità delle nuvole. Possono inoltre risultare molto lenti se applicati a immagini ad alta risoluzione complete. I metodi temporali, che seguono ogni pixel nel tempo, si sono comportati meglio, specialmente quando i gap erano brevi e frammentati piuttosto che blocchi continui lunghi. Tuttavia, il loro successo dipendeva dalla stabilità del paesaggio: variazioni stagionali regolari di colture o specchi d’acqua erano più facili da gestire rispetto a cambiamenti bruschi di suolo nudo dopo pioggia o irrigazione.

Potere della combinazione di spazio, tempo e colore

I risultati più accurati e robusti sono derivati dai metodi che combinano più tipi di informazioni contemporaneamente. Un approccio di machine learning che raggruppa pixel con comportamento stagionale simile e poi applica regressione lineare (chiamato CLR nell’articolo) ha fornito costantemente errori bassi su molte dimensioni, forme e bande di gap. Un modello di deep learning basato su architettura U-Net ha mostrato buone prestazioni, soprattutto per gap spaziali complessi, ma richiedeva un intenso addestramento e ha incontrato difficoltà con lunghi periodi di date mancanti. Nel frattempo, un metodo spazio-spettrale basato su foreste casuali (SSRF) ha eccelso nel preservare dettagli fini e texture dall’aspetto naturale, in particolare nelle bande visibili e nel vicino infrarosso, purché fosse disponibile un’immagine temporale vicina e libera da nuvole per l’addestramento.

Cosa significa per l’uso nel mondo reale

Per i non specialisti che si affidano a prodotti basati su satellite — come pianificatori dell’irrigazione, assicuratori agricoli e agenzie ambientali — il messaggio è chiaro. Nessuna tecnica è la migliore in assoluto per tutte le situazioni, ma i metodi che sfruttano insieme spazio, tempo e informazione spettrale ora superano chiaramente i trucchi più vecchi e semplici che guardano solo ai vicini in una singola immagine. Lo studio mostra che clustering più regressione e le foreste casuali spazio-spettrali offrono un bilancio pratico tra accuratezza, qualità visiva e costo computazionale, mentre il deep learning diventa interessante quando sono disponibili hardware potenti e dati di addestramento. Fornendo un quadro di test trasparente e condividendo il codice apertamente, gli autori offrono una roadmap per scegliere e migliorare gli strumenti di riempimento dei gap, contribuendo a trasformare registrazioni satellitari nuvolose e incomplete in informazioni affidabili per la gestione del suolo e dell’acqua.

Citazione: 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

Parole chiave: Sentinel-2, rimozione delle nuvole, riempimento dei gap, telerilevamento, monitoraggio agricolo