Оценка методов заполнения пропусков Sentinel-2 для удаления облаков и восстановления данных

Проясняя вид из космоса

Спутники, такие как европейский Sentinel-2, дают фермерам, водным менеджерам и климатологам детальный обзор поверхности Земли с высоты. Но есть упрямая проблема: облака и сбои сенсоров пробивают дыры в этих изображениях именно тогда, когда нужно принимать решения об орошении, состоянии посевов или засухе. В этой статье поставлен практический вопрос с большими последствиями для продовольственной и водной безопасности: среди множества способов «заполнить» пропавшие пиксели спутниковых снимков, какие действительно работают лучше всего и в каких условиях?

Почему пропущенные пиксели важны

Оптические спутники с высоким разрешением фиксируют, как меняются поля, леса и водоемы каждые несколько дней. Для сельского хозяйства это означает отслеживание роста культур, раннее обнаружение стресса и планирование полива до того, как растения пострадают. Однако облака часто скрывают большие участки земли, а редкие отказы сенсоров создают постоянные полосы пропусков. В некоторых регионах долгие периоды проходят с лишь несколькими чистыми снимками. Если эти пробелы не восстанавливать внимательно, оценки урожайности, водопотребления или покроя земли могут оказаться сильно смещёнными, подрывая решения, зависящие от точной и непрерывной информации.

Разные способы заклеить дыры

Учёные разработали набор методов заполнения пропусков, которые авторы объединяют в четыре семейства. Пространственные методы смотрят по соседству, используя близлежащие пиксели в том же изображении для оценки отсутствующих значений. Временные методы анализируют временную последовательность одного пикселя, используя прошлые и будущие даты для заполнения пробелов. Пространственно-временные методы объединяют оба направления, выучивая закономерности одновременно в пространстве и во времени. Наконец, пространственно-спектральные методы используют взаимосвязи между разными цветовыми каналами изображения, беря информацию из других длин волн, чтобы восстановить пропавшее в одном диапазоне. В этом исследовании специально сосредоточились на методах, использующих только данные Sentinel-2, избегая дополнительных входов, таких как метеоданные или снимки других спутников, чтобы решения можно было легко применять везде, где доступен Sentinel-2.

Тестирование в контролируемых сценариях с облачностью

Чтобы честно сравнить эти подходы, авторы создали искусственные облака над смешанным сельскохозяйственным районом в Марокко. Они использовали в основном безоблачную серию снимков Sentinel-2 весны и лета 2022 года и затем «замаскировали» пиксели, имитируя разные типы облачного покрова. В одних тестах удаляли круглую заплатку в центре изображения; в других разбросывали несколько неправильных пятен, чтобы имитировать более хаотичные облака. Также моделировали временные пропуски — как длинные блоки отсутствующих дат, так и отдельные отсутствующие снимки, вкраплённые в течение сезона. Проанализировали шесть ключевых диапазонов Sentinel-2 — от видимых цветов до ближнего инфракрасного. Для каждого метода команда измеряла, насколько восстановленные пиксели соответствуют исходному безоблачному изображению, а также оценивала визуальное качество и время вычислений.

Какие методы оказались лучшими

Простые пространственные методы, такие как кригинга и интерполяция по расстоянию, показали приемлемые результаты для маленьких аккуратных дыр, но быстро теряли эффективность по мере увеличения или усложнения облачности. Они также могли быть очень медленными при применении к полномасштабным изображениям высокого разрешения. Временные методы, отслеживающие каждый пиксель во времени, работали лучше, особенно когда пропуски были короткими и разрозненными, а не длинными непрерывными блоками. Однако их успех зависел от стабильности ландшафта: плавные сезонные изменения культур или уровня воды было легче воспроизвести, чем резкие переходы в голой почве после дождя или орошения.

Сила сочетания пространства, времени и цвета

Наиболее точные и надёжные результаты дали методы, которые объединяют несколько видов информации одновременно. Подход машинного обучения, который группирует пиксели с похожим сезонным поведением и затем применяет линейную регрессию (в статье обозначен как CLR), стабильно показывал низкие ошибки для разных размеров и форм пропусков и диапазонов. Глубокая модель на базе архитектуры U-Net также показала сильные результаты, особенно для сложных пространственных разрывов, но требовала серьёзной подготовки и испытывала трудности с длинными промежутками отсутствующих дат. Тем временем пространственно-спектральный метод на основе случайных лесов (SSRF) превосходно сохранял тонкие детали и естественную текстуру, особенно в видимых и ближнеинфракрасных диапазонах, при условии наличия поблизости чистого снимка по времени для обучения.

Что это значит для практического применения

Для неспециалистов, которые полагаются на спутниковые продукты — таких как планировщики орошения, страховые компании в сельском хозяйстве и экологические агентства — послание ясно. Нет одной методики, подходящей для всех случаев, но методы, использующие пространство, время и спектральный состав вместе, теперь явно превосходят старые, более простые приёмы, которые смотрят только на соседей в одном изображении. Исследование показывает, что комбинация кластеризации с регрессией и пространственно-спектральные случайные леса предлагают практичный компромисс между точностью, визуальным качеством и вычислительными затратами, тогда как глубокое обучение становится привлекательным, когда доступны мощное оборудование и обучающие данные. Разработав прозрачную тестовую схему и открыто поделившись кодом, авторы дают дорожную карту для выбора и улучшения инструментов заполнения пропусков, помогая превращать облачные, фрагментированные спутниковые ряды в надёжную информацию для управления землёй и водой.

Цитирование: 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

Ключевые слова: Sentinel-2, удаление облаков, заполнение пропусков, дистанционное зондирование, мониторинг сельского хозяйства