Ocena technik wypełniania luk w danych Sentinel-2 w kontekście usuwania chmur i rekonstrukcji obrazów

Oczyść widok z kosmosu

Satelity takie jak europejski Sentinel-2 dają rolnikom, zarządcom zasobów wodnych i naukowcom klimatu szczegółowy widok Ziemi z lotu ptaka. Jest jednak uporczywy problem: chmury i usterki czujników wycinają dziury w tych obrazach, właśnie wtedy gdy trzeba podejmować decyzje dotyczące nawadniania, zdrowia upraw czy suszy. Artykuł stawia praktyczne pytanie o dalekosiężnych konsekwencjach dla bezpieczeństwa żywnościowego i wodnego: spośród wielu metod „wypełniania” brakujących pikseli satelitarnych, które naprawdę działają najlepiej i w jakich warunkach?

Dlaczego brakujące piksele mają znaczenie

Satellity optyczne o wysokiej rozdzielczości rejestrują, jak pola, lasy i zbiorniki wodne zmieniają się co kilka dni. Dla rolnictwa oznacza to śledzenie wzrostu upraw, wczesne wykrywanie stresu i planowanie nawadniania, zanim rośliny ucierpią. Tymczasem chmury często zasłaniają duże obszary gruntu, a sporadyczne awarie czujników mogą tworzyć trwałe pasy brakujących danych. W niektórych regionach przez dłuższy czas dostępnych jest tylko kilka bezchmurnych obrazów. Jeśli tych luk nie naprawi się ostrożnie, oszacowania plonów, zużycia wody czy pokrycia terenu mogą być silnie obciążone, podważając decyzje oparte na dokładnych, ciągłych informacjach.

Różne sposoby załatawiania dziur

Naukowcy opracowali zestaw metod wypełniania luk, które autorzy grupują w cztery rodziny. Metody przestrzenne patrzą „bokiem”, wykorzystując pobliskie piksele w tym samym obrazie do oszacowania brakujących wartości. Metody czasowe analizują oś czasu pojedynczego piksela, używając przeszłych i przyszłych dat do wypełnienia luk. Metody spatio-temporalne łączą obie perspektywy, ucząc się wzorców jednocześnie w przestrzeni i czasie. Wreszcie metody spatio-spektralne wykorzystują zależności między różnymi pasmami kolorów w obrazie, czerpiąc informacje z innych długości fal, by odtworzyć to, czego brakuje w jednym paśmie. Badanie celowo koncentruje się na metodach wykorzystujących wyłącznie dane Sentinel-2, unikając dodatkowych źródeł jak dane pogodowe czy inne satelity, aby rozwiązania były łatwe do zastosowania wszędzie tam, gdzie dostępny jest Sentinel-2.

Testowanie w kontrolowanych scenariuszach zachmurzenia

Aby porównać podejścia w uczciwy sposób, autorzy stworzyli sztuczne chmury nad mieszanym obszarem rolniczym w Maroku. Wykorzystali przeważnie bezchmurny szereg obrazów Sentinel-2 z wiosny i lata 2022 r., a następnie „zamaskowali” piksele, by naśladować różne rodzaje pokrywy chmur. Niektóre testy usuwały pojedynczą okrągłą plamę na środku obrazu; inne rozrzucały kilka nieregularnych plam, by imitować chaotyczniejsze chmury. Stworzono też luki w szeregu czasowym, zarówno jako długie bloki brakujących dat, jak i oddzielne brakujące obrazy rozmieszczone w sezonie. Zbadano sześć kluczowych pasm Sentinel-2, od barw widzialnych po bliską podczerwień krótkofalową. Dla każdej metody zespół mierzył, jak dobrze zrekonstruowane piksele pasowały do oryginalnego obrazu bez chmur, oceniano także jakość wizualną i czas obliczeń.

Które metody wypadają najlepiej

Proste metody przestrzenne, takie jak kriging i interpolacja oparta na odległości, radziły sobie przyzwoicie przy małych, uporządkowanych lukach, ale szybko zawodziły, gdy chmury stawały się większe lub bardziej nieregularne. Mogły też być bardzo wolne przy zastosowaniu do pełnych obrazów o wysokiej rozdzielczości. Metody czasowe, które śledzą każdy piksel w czasie, wypadały lepiej, zwłaszcza gdy luki były krótkie i rozproszone, a nie długimi ciągami. Ich powodzenie zależało jednak od stabilności krajobrazu: gładkie sezonowe zmiany upraw czy wód były łatwiejsze do obsłużenia niż nagłe zmiany na gołej glebie po deszczu lub nawadnianiu.

Moc łączenia przestrzeni, czasu i barwy

Najdokładniejsze i najbardziej odporne wyniki osiągały metody łączące różne rodzaje informacji jednocześnie. Podejście uczenia maszynowego, które grupuje piksele o podobnym sezonowym zachowaniu, a następnie stosuje regresję liniową (oznaczaną w artykule jako CLR), konsekwentnie dawało niskie błędy w wielu rozmiarach, kształtach luk i pasmach. Model głębokiego uczenia oparty na architekturze U-Net również radził sobie dobrze, zwłaszcza przy złożonych lukach przestrzennych, lecz wymagał intensywnego trenowania i miał problemy z długimi okresami brakujących dat. Tymczasem metoda spatio-spektralna wykorzystująca lasy losowe (SSRF) wyróżniała się zachowaniem drobnych szczegółów i naturalnie wyglądających faktur, szczególnie w pasmach widzialnych i bliskiej podczerwieni, o ile w pobliżu w czasie dostępny był czysty obraz do treningu.

Co to oznacza w praktyce

Dla osób niespecjalizujących się, które polegają na produktach satelitarnych — takich jak planiści nawadniania, ubezpieczyciele upraw czy agencje ochrony środowiska — przesłanie jest jasne. Nie ma jednej techniki najlepszej we wszystkich sytuacjach, ale metody łączące informacje przestrzenne, czasowe i spektralne wyraźnie przewyższają starsze, prostsze triki opierające się tylko na sąsiadach w jednym obrazie. Badanie pokazuje, że klasteryzacja połączona z regresją oraz spatio-spektralne lasy losowe oferują praktyczny kompromis między dokładnością, jakością wizualną a kosztami obliczeniowymi, podczas gdy głębokie uczenie staje się atrakcyjne, gdy dostępny jest silny sprzęt i dane treningowe. Poprzez przejrzyste przedstawienie ram testowych i otwarte udostępnienie kodu, autorzy dostarczają mapę drogową wyboru i ulepszania narzędzi do wypełniania luk, pomagając przekształcać zachmurzony, niekompletny zapis satelitarny w wiarygodne informacje do zarządzania ziemią i wodą.

Cytowanie: 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

Słowa kluczowe: Sentinel-2, usuwanie chmur, wypełnianie luk, teledetekcja, monitoring rolnictwa