Avaliação de técnicas de preenchimento de lacunas do Sentinel-2 para remoção de nuvens e reconstrução de dados

Desobstruindo a visão do espaço

Sistemas por satélite como o Sentinel-2 da Europa oferecem a agricultores, gestores de recursos hídricos e cientistas climáticos uma visão detalhada da Terra. Mas há um problema persistente: nuvens e falhas dos sensores deixam buracos nessas imagens, justamente quando é preciso tomar decisões sobre irrigação, saúde das culturas ou secas. Este artigo faz uma pergunta prática com grandes consequências para a segurança alimentar e hídrica: entre as várias formas de “preencher” pixels ausentes, quais realmente funcionam melhor e em que condições?

Por que pixels ausentes importam

Sensores ópticos de alta resolução registram como campos, florestas e corpos d’água mudam a cada poucos dias. Para a agricultura, isso significa acompanhar o crescimento das culturas, detectar estresse cedo e planejar a irrigação antes que as plantas sofram. Ainda assim, nuvens frequentemente escondem grandes áreas do solo, e falhas ocasionais no sensor podem criar faixas permanentes de dados faltantes. Em algumas regiões, longos períodos passam com poucas imagens limpas. Se essas lacunas não forem reparadas com cuidado, estimativas de produtividade, uso de água ou cobertura do solo podem ficar seriamente enviesadas, comprometendo decisões que dependem de informação contínua e precisa.

Diferentes maneiras de remendar os buracos

Os pesquisadores desenvolveram um conjunto de métodos de preenchimento de lacunas, que os autores agrupam em quatro famílias. Métodos espaciais olham lateralmente, usando pixels vizinhos na mesma imagem para estimar valores ausentes. Métodos temporais acompanham a linha do tempo de um único pixel, usando datas passadas e futuras para preencher lacunas. Métodos espaço-temporais combinam ambas as direções, aprendendo padrões no espaço e no tempo ao mesmo tempo. Por fim, métodos espaço-espectrais exploram relações entre diferentes bandas de cor na imagem, usando informação de outros comprimentos de onda para restaurar o que falta em uma banda. Este estudo foca deliberadamente em métodos que usam apenas dados do próprio Sentinel-2, evitando entradas extras como registros meteorológicos ou outros satélites, de modo que as soluções sejam fáceis de aplicar onde o Sentinel-2 estiver disponível.

Testes sob cenários controlados de nuvens

Para comparar essas abordagens de forma justa, os autores criaram nuvens artificiais sobre uma região de agricultura mista no Marrocos. Usaram uma série de imagens Sentinel-2 majoritariamente sem nuvens da primavera e verão de 2022 e então “mascararam” pixels para imitar diferentes tipos de cobertura de nuvens. Alguns testes removeram um único recorte circular no centro de uma imagem; outros espalharam vários recortes irregulares para simular nuvens mais caóticas. Também criaram lacunas temporais, tanto como blocos longos de datas ausentes quanto como imagens faltantes isoladas ao longo da estação. Seis bandas-chave do Sentinel-2, desde cores visíveis até o infravermelho de ondas curtas, foram examinadas. Para cada método, a equipe mediu o quanto os pixels reconstruídos se aproximavam da imagem original sem nuvens e avaliou também a qualidade visual e o tempo de processamento.

Quais métodos se destacam

Métodos espaciais simples, como krigagem e interpolação baseada em distância, funcionaram razoavelmente bem para lacunas pequenas e regulares, mas rapidamente falharam conforme as nuvens aumentavam ou se tornavam mais irregulares. Eles também podiam ser muito lentos quando aplicados a imagens completas em alta resolução. Métodos temporais, que seguem cada pixel ao longo do tempo, tiveram desempenho melhor, especialmente quando as lacunas eram curtas e fragmentadas em vez de blocos contínuos e longos. Contudo, seu sucesso dependia da estabilidade da paisagem: mudanças sazonais suaves em culturas ou corpos d’água eram mais fáceis de tratar do que mudanças abruptas em solo exposto após chuva ou irrigação.

Força de combinar espaço, tempo e cor

Os resultados mais precisos e robustos vieram de métodos que combinam vários tipos de informação simultaneamente. Uma abordagem de aprendizado de máquina que agrupa pixels com comportamento sazonal similar e então aplica regressão linear (chamada CLR no artigo) apresentou consistentemente baixos erros em diversos tamanhos e formatos de lacunas e em várias bandas. Um modelo de aprendizado profundo baseado na arquitetura U-Net também teve bom desempenho, especialmente para lacunas espaciais complexas, mas exigiu treinamento intensivo e apresentou dificuldades com longos períodos de datas ausentes. Enquanto isso, um método espaço-espectral usando florestas aleatórias (SSRF) destacou-se por preservar detalhes finos e texturas com aparência natural, particularmente em bandas visíveis e do infravermelho próximo, desde que uma imagem clara próxima no tempo estivesse disponível para treinamento.

O que isso significa para o uso no mundo real

Para não-especialistas que dependem de produtos baseados em satélite — como planejadores de irrigação, seguradoras agrícolas e agências ambientais — a mensagem é clara. Não existe uma técnica única que seja a melhor para todas as situações, mas métodos que exploram espaço, tempo e cor espectral juntos superam claramente as abordagens mais antigas e simples que consideram apenas vizinhança em uma única imagem. O estudo mostra que agrupamento mais regressão e florestas aleatórias espaço-espectrais oferecem um equilíbrio prático entre precisão, qualidade visual e custo computacional, enquanto o aprendizado profundo se torna atraente quando há hardware potente e dados de treinamento disponíveis. Ao estabelecer um quadro de testes transparente e compartilhar seu código abertamente, os autores fornecem um roteiro para escolher e aprimorar ferramentas de preenchimento de lacunas, ajudando a transformar registros satelitais nublados e incompletos em informação confiável para gerir terra e água.

Citação: 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

Palavras-chave: Sentinel-2, remoção de nuvens, preenchimento de lacunas, sensoriamento remoto, monitoramento agrícola