Evaluatie van gapfilling-technieken voor Sentinel-2 voor wolkenverwijdering en gegevensreconstructie

De blik vanuit de ruimte helderder maken

Satellieten zoals Europa’s Sentinel-2 geven boeren, waterbeheerders en klimaatwetenschappers een vogelperspectief op de aarde met hoge detailniveaus. Maar er is een hardnekkig probleem: wolken en storingen in sensoren veroorzaken gaten in deze beelden, precies wanneer beslissingen over irrigatie, gewasgezondheid of droogte genomen moeten worden. Dit artikel stelt een praktische vraag met grote gevolgen voor voedsel- en watervoorziening: onder de vele manieren om ontbrekende satellietpixels “in te vullen”, welke werken daadwerkelijk het beste en onder welke omstandigheden?

Waarom ontbrekende pixels ertoe doen

Hoge-resolutie optische satellieten registreren hoe akkers, bossen en waterlichamen elke paar dagen veranderen. Voor de landbouw betekent dit het volgen van gewasgroei, het vroegtijdig signaleren van stress en het plannen van irrigatie voordat planten schade oplopen. Toch verbergen wolken vaak grote delen van het aardoppervlak, en incidentele sensoruitvallen kunnen blijvende strepen met ontbrekende data veroorzaken. In sommige regio’s gaat lange tijd voorbij met slechts enkele heldere beelden. Als deze gaten niet zorgvuldig worden hersteld, kunnen schattingen van opbrengst, watergebruik of landgebruik sterk vertekend raken, en daarmee de beslissingen ondermijnen die afhangen van nauwkeurige, continue informatie.

Verschillende manieren om de gaten te dichten

Wetenschappers hebben een gereedschapskist aan gapfilling-methoden ontwikkeld, die de auteurs in vier families onderverdelen. Ruimtelijke methoden kijken zijwaarts en gebruiken nabije pixels in hetzelfde beeld om ontbrekende waarden te schatten. Temporale methoden kijken langs de tijdlijn van een enkele pixel en gebruiken eerdere en latere datums om gaten te vullen. Spatio-temporele methoden combineren beide richtingen en leren patronen in ruimte en tijd tegelijk. Tenslotte benutten spatio-spectrale methoden relaties tussen verschillende kleurbanden in het beeld en gebruiken informatie uit andere golflengten om te herstellen wat in één band ontbreekt. Deze studie richt zich bewust op methoden die alleen Sentinel-2-gegevens gebruiken, en mijdt extra invoer zoals weersgegevens of andere satellieten, zodat de oplossingen eenvoudig toepasbaar zijn waar Sentinel-2 beschikbaar is.

Testen onder gecontroleerde wolkenscenario’s

Om deze benaderingen eerlijk te vergelijken, maakten de auteurs kunstmatige wolken over een gemengd landbouwgebied in Marokko. Ze gebruikten een grotendeels wolkvrije Sentinel-2-reeks uit het voorjaar en de zomer van 2022 en “maskerden” vervolgens pixels om verschillende soorten wolkendekking na te bootsen. Sommige tests verwijderden een enkele ronde plek in het midden van een beeld; andere verspreidden meerdere onregelmatige vlekken om chaotischer wolken na te bootsen. Ze creëerden ook tijdreeks-gaten, zowel als lange blokken met ontbrekende datums als afzonderlijke ontbrekende beelden verspreid over het seizoen. Zes belangrijke Sentinel-2-banden, van zichtbare kleuren tot kortegolf-infrarood, werden onderzocht. Voor elke methode mat het team hoe goed de gereconstrueerde pixels overeenkwamen met het oorspronkelijke wolkvrije beeld, en ze beoordeelden ook visuele kwaliteit en rekentijd.

Welke methoden scoren het beste

Eenvoudige ruimtelijke methoden, zoals kriging en op afstand gebaseerde interpolatie, presteerden redelijk goed voor kleine, nette gaten maar many snel slecht wanneer wolken groter of onregelmatiger werden. Ze konden ook erg traag zijn bij toepassing op volledige hoogresolutiebeelden. Temporale methoden, die elke pixel in de tijd volgen, deden het beter, vooral wanneer gaten kort en verspreid waren in plaats van lange aaneengesloten blokken. Hun succes hing echter af van hoe stabiel het landschap was: geleidelijke seizoensveranderingen in gewassen of water waren gemakkelijker te verwerken dan abrupte verschuivingen naar kale grond na regen of irrigatie.

Kracht van het combineren van ruimte, tijd en kleur

De meest nauwkeurige en robuuste resultaten kwamen uit methoden die meerdere soorten informatie tegelijk combineren. Een machine-learningbenadering die pixels clustert met vergelijkbaar seizoensgedrag en vervolgens lineaire regressie toepast (CLR in het artikel genoemd) leverde consequent lage fouten op voor vele gapgroottes, -vormen en banden. Een deep-learningmodel gebaseerd op een U-Net-architectuur presteerde ook sterk, vooral voor complexe ruimtelijke gaten, maar vereiste intensieve training en had moeite met lange periodes van ontbrekende datums. Ondertussen blonk een spatio-spectrale methode met random forests (SSRF) uit in het behouden van fijne details en natuurlijk ogende texturen, met name in zichtbare en nabij-infrarode banden, zolang een nabijgelegen helder beeld in de tijd beschikbaar was voor training.

Wat dit betekent voor gebruik in de praktijk

Voor niet-specialisten die vertrouwen op satellietgebaseerde producten—zoals irrigatieplanners, gewasverzekeraars en milieudiensten—is de boodschap duidelijk. Er is geen enkele techniek die in alle situaties het beste is, maar methoden die ruimte, tijd en spectrale kleur samen benutten presteren nu duidelijk beter dan oudere, eenvoudigere trucs die alleen naar buren in één beeld kijken. De studie toont dat clustering-plus-regressie en spatio-spectrale random forests een praktisch evenwicht bieden tussen nauwkeurigheid, visuele kwaliteit en rekencost, terwijl deep learning aantrekkelijk wordt wanneer krachtige hardware en trainingsdata beschikbaar zijn. Door een transparant testkader te presenteren en hun code openlijk te delen, bieden de auteurs een routekaart voor het kiezen en verbeteren van gapfilling-instrumenten, waarmee bewolkte, gebroken satellietreeksen worden omgezet in betrouwbare informatie voor het beheer van land en water.

Bronvermelding: 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

Trefwoorden: Sentinel-2, wolkenverwijdering, gap filling, remote sensing, landbouwmonitoring