Utvärdering av gapfyllningstekniker för Sentinel-2 vid molnborttagning och datarekonstruktion

Rensa sikten från rymden

Satelliter som Europas Sentinel-2 ger lantbrukare, vattenförvaltare och klimatforskare en fågelperspektivvy av jorden med hög detaljrikedom. Men det finns ett envis problem: moln och sensorfel skapar hål i dessa bilder precis när beslut om bevattning, grödhälsa eller torka måste fattas. Denna artikel ställer en praktisk fråga med stora konsekvenser för mat- och vattensäkerhet: bland de många sätten att ”fylla igen” saknade satellitpixlar, vilka fungerar faktiskt bäst, och under vilka förhållanden?

Varför saknade pixlar spelar roll

Högupplösta optiska satelliter registrerar hur fält, skogar och vattenytor förändras varannan till var tionde dag. För jordbruket innebär detta att följa grödornas tillväxt, upptäcka stress tidigt och planera bevattning innan växterna tar skada. Ändå döljer moln ofta stora delar av marken, och tillfälliga sensorfel kan skapa permanenta ränder av saknade data. I vissa regioner går långa perioder förbi med bara ett par klara bilder. Om dessa luckor inte repareras noggrant kan uppskattningar av skörd, vattenanvändning eller markanvändning bli kraftigt snedvridna, vilket underminerar beslut som bygger på korrekt, kontinuerlig information.

Olika sätt att laga hålen

Forskare har utvecklat en verktygslåda med gapfyllningsmetoder, som författarna grupperar i fyra familjer. Spatiala metoder tittar åt sidan och använder närliggande pixlar i samma bild för att gissa saknade värden. Temporala metoder följer tidsserien för en enskild pixel och använder tidigare och senare datum för att fylla luckor. Spatio-temporala metoder kombinerar båda riktningarna och lär sig mönster över rum och tid samtidigt. Slutligen utnyttjar spatio-spektrala metoder relationer mellan olika färgband i bilden och använder information från andra våglängder för att återställa det som saknas i ett band. Denna studie fokuserar medvetet på metoder som endast använder Sentinel-2-data, och undviker extra indata som väderregister eller andra satelliter, så att lösningarna är lätta att använda där Sentinel-2 finns tillgängligt.

Testning under kontrollerade molnscenarier

För att jämföra dessa angreppssätt rättvist skapade författarna artificiella moln över en områdesblandning av jordbruk i Marocko. De använde en mestadels molnfri Sentinel-2-serie från våren och sommaren 2022 och "maskerade bort" pixlar för att efterlikna olika typer av molntäcke. Vissa tester tog bort en enda rund fläck i mitten av en bild; andra spred ut flera oregelbundna fläckar för att imitera mer kaotiska moln. De skapade också tidsseriegap, både som långa block av saknade datum och som separata saknade bilder utspridda över säsongen. Sex nyckelband från Sentinel-2, från synliga färger till kortvågigt infrarött, undersöktes. För varje metod mätte teamet hur väl de rekonstruerade pixlarna matchade den ursprungliga molnfria bilden, och de bedömde även visuell kvalitet och beräkningstid.

Vilka metoder kommer bäst ut

Enkla spatiala metoder, såsom kriging och avståndsbaserad interpolation, fungerade hyfsat för små, ordnade luckor men bröt snabbt ner när molnen blev större eller mer oregelbundna. De kunde också vara mycket långsamma när de tillämpades på fulla högupplösta bilder. Temporala metoder, som följer varje pixel över tid, klarade sig bättre, särskilt när luckorna var korta och spridda snarare än långa kontinuerliga block. Deras framgång berodde dock på hur stabilt landskapet var: jämna säsongsförändringar i grödor eller vatten var lättare att hantera än plötsliga skiften till bar jord efter regn eller bevattning.

Kraften i att kombinera rum, tid och färg

De mest exakta och robusta resultaten kom från metoder som blandar flera typer av information samtidigt. En maskininlärningsmetod som klustrar pixlar med liknande säsongsbeteende och sedan tillämpar linjär regression (kallad CLR i artikeln) levererade konsekvent låga fel över många gapstorlekar, former och band. En djupinlärningsmodell baserad på en U-Net-arkitektur presterade också starkt, särskilt för komplexa spatiala gap, men krävde tung träning och hade svårt med långa perioder av saknade datum. Samtidigt utmärkte sig en spatio-spektral metod med hjälp av slumpmässiga skogar (SSRF) i att bevara fin detalj och naturligt utseende texturer, särskilt i synliga och närinfraröda band, så länge en närliggande klar bild i tiden fanns tillgänglig för träning.

Vad detta betyder för verklig användning

För icke-specialister som är beroende av satellitbaserade produkter—såsom bevattningsplanerare, grödeförsäkringsgivare och miljömyndigheter—är budskapet tydligt. Ingen enskild teknik är bäst i alla situationer, men metoder som utnyttjar rum, tid och spektralfärg tillsammans överträffar nu klart äldre, enklare knep som bara tittar på grannar i en enskild bild. Studien visar att kluster-plus-regression och spatio-spektrala slumpmässiga skogar erbjuder en praktisk balans mellan noggrannhet, visuell kvalitet och beräkningskostnad, medan djupinlärning blir attraktivt när kraftfull hårdvara och träningsdata finns tillgängliga. Genom att lägga fram ett transparent testningsramverk och dela sin kod öppet ger författarna en färdplan för att välja och förbättra gapfyllningsverktyg, vilket hjälper till att förvandla molniga, fragmenterade satellitregistre till pålitlig information för förvaltning av mark och vatten.

Citering: 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

Nyckelord: Sentinel-2, molnborttagning, gapfyllning, fjärranalys, jordbruksövervakning