クラウド除去とデータ再構築のためのSentinel-2ギャップ埋め手法の評価

宇宙からの視界をクリアにする

欧州のSentinel-2のような衛星は、農業従事者、水管理者、気候科学者に高解像度で地球の俯瞰像を提供します。しかし問題が一つあります：雲やセンサーの不具合が画像に穴を空け、灌漑や作物の健康状態、干ばつに関する意思決定が必要なタイミングでデータが欠落してしまうのです。本論文は実践的で影響の大きい問いを投げかけます。多数ある「欠損ピクセルの埋め方」のうち、どの手法が実際に最も有効で、どのような条件下でそうなのか？

欠損ピクセルが重要な理由

高解像度の光学衛星は、数日に一度、畑や森林、水域の変化を記録します。農業にとっては、作物の生育追跡、早期のストレス検出、植物が損なわれる前の灌漑計画が可能になるという意味です。しかし、雲はしばしば地表の大部分を隠し、センサーの一時的な故障は恒久的な欠損ストライプを生むことがあります。ある地域では、晴れた画像がほとんど得られない長期間が続くこともあります。こうしたギャップが慎重に補完されないと、収量や水利用、土地被覆の推定が大きく偏り、正確で継続的な情報に依存する意思決定を損なう恐れがあります。

穴を埋めるさまざまな方法

研究者たちはギャップ埋めの手法を多数開発しており、著者らはそれらを大きく四つの系統に分類しています。空間手法は同一画像内の近傍ピクセルを参照して欠損値を推定します。時間手法は単一ピクセルの時系列をたどり、過去と未来の日時を用いてギャップを埋めます。時空間手法は空間と時間の両方向を組み合わせ、同時にパターンを学習します。最後に時空間スペクトル（spatio-spectral）手法は、異なる波長バンド間の関係を利用して、あるバンドで失われた情報を他の波長から復元します。本研究は意図的にSentinel-2データのみを用いる手法に焦点を当て、気象記録や他衛星などの追加入力を避けています。これにより、Sentinel-2が利用できるどこでも適用しやすい解法を目指しています。

制御下での雲シナリオによるテスト

各手法を公正に比較するため、著者らはモロッコの混合農地地域に人工的な雲を作成しました。2022年春夏のほぼ雲のないSentinel-2時系列を用い、さまざまな種類の雲被覆を模倣するためにピクセルを「マスク」しました。あるテストでは画像中央に単一の丸いパッチを除去し、別のテストでは不規則な複数のパッチを散在させてより混沌とした雲を模しました。また、時系列のギャップも作成し、長い連続欠損ブロックやシーズン中に点在する個別の欠損画像などを再現しました。可視光から短波赤外までの主要なSentinel-2の6バンドを検討し、各手法について再構築されたピクセルが元の雲のない画像とどれだけ一致するか、視覚的な品質や計算時間も評価しました。

どの手法が優れていたか

クリギングや距離に基づく補間のような単純な空間手法は、小さく整ったギャップではまずまずの結果を示しましたが、雲が大きくなったり不規則になったりすると急速に性能が低下しました。高解像度画像全体に適用すると非常に遅くなることもありました。時間手法は各ピクセルを時間方向に追うため、特にギャップが短く断続的な場合により良好に機能しました。ただし、成功は景観の安定性に依存します。作物や水域の緩やかな季節変化は扱いやすい一方で、雨や灌漑後の裸地の急激な変化は困難でした。

空間・時間・スペクトルを組み合わせる力

最も正確でロバストな結果を出したのは、複数の情報を同時に組み合わせる手法でした。季節的挙動が似たピクセルをクラスタリングして線形回帰を適用する機械学習アプローチ（論文中ではCLRと呼ばれる）は、さまざまなギャップのサイズや形状、バンドにわたって一貫して低誤差を示しました。U-Netアーキテクチャに基づく深層学習モデルも、特に複雑な空間ギャップに対して強い性能を発揮しましたが、学習に大きなコストがかかり、長期間にわたる欠損には苦戦しました。一方、ランダムフォレストを用いた時空間スペクトル手法（SSRF）は、可視光や近赤外バンドで細部や自然なテクスチャを保持するのに優れており、時系列上の近傍の晴天画像が学習用に利用可能であれば特に有効でした。

実運用への示唆

灌漑計画者、作物保険会社、環境機関など衛星ベースのプロダクトに依存する非専門家に向けたメッセージは明確です。すべての状況に最適な単一の手法は存在しませんが、空間・時間・スペクトルの情報を組み合わせる手法が、単一画像内の近傍のみを見る古い単純な手法よりも明らかに優れています。本研究は、クラスタリング＋回帰や時空間スペクトルのランダムフォレストが精度、視覚品質、計算コストのバランスにおいて実用的であることを示しており、強力なハードウェアと学習データが利用できる場合は深層学習が魅力的な選択肢になります。透明なテストフレームワークを示し、コードを公開することで、著者らはギャップ埋めツールの選択と改善のためのロードマップを提供し、雲で途切れた衛星記録を土地と水の管理に役立つ信頼できる情報へと変える助けとなっています。

引用: 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

キーワード: Sentinel-2, 雲除去, ギャップ埋め, リモートセンシング, 農業モニタリング