Bulut Giderme ve Veri Yeniden Yapılandırma için Sentinel-2 Boşluk Doldurma Tekniklerinin Değerlendirilmesi

Uzaydan Görüşü Temizlemek

Avrupa’nın Sentinel-2 gibi uyduları çiftçilere, su yöneticilerine ve iklim bilimcilere Yeryüzü’nü yüksek ayrıntıda kuşbakışı gösteriyor. Ancak inatçı bir sorun var: bulutlar ve sensör arızaları bu görüntülerde delikler açıyor; o sırada sulama, ürün sağlığı veya kuraklıkla ilgili kararlar verilmesi gerekebiliyor. Bu makale, gıda ve su güvenliği için büyük sonuçları olan pratik bir soruyu soruyor: eksik uydu piksellerini “doldurmanın” birçok yolu arasında hangileri gerçekten en iyi sonucu veriyor ve hangi koşullarda?

Neden Eksik Pikseller Önemli

Yüksek çözünürlüklü optik uydular tarlaların, ormanların ve su kütlelerinin birkaç günde nasıl değiştiğini kaydeder. Tarım için bu, ürün gelişimini izlemek, stresi erken tespit etmek ve bitkiler zarar görmeden önce sulamayı planlamak anlamına gelir. Ancak bulutlar sıklıkla zeminin büyük bölümlerini gizler ve ara sıra sensör arızaları kalıcı veri eksikliği şeritleri oluşturabilir. Bazı bölgelerde ise yalnızca birkaç açık görüntüyle uzun zaman dilimleri geçer. Bu boşluklar dikkatli bir şekilde onarılmazsa, ürün verimi, su kullanımı veya arazi örtüsü tahminleri ciddi şekilde sapabilir ve doğru, sürekli bilgiye dayanan kararları zayıflatır.

Dellikleri Yamamak İçin Farklı Yöntemler

Bilim insanları boşluk doldurma yöntemleri için bir araç seti geliştirdi ve yazarlar bunları dört ailede topluyor. Mekansal yöntemler yatay bakar; aynı görüntüdeki yakın pikselleri kullanarak eksik değerleri tahmin eder. Zaman serisi yöntemleri tek bir pikselin zaman çizelgesine bakar; geçmiş ve gelecek tarihlerden yararlanarak boşlukları doldurur. Mekansal-zamansal yöntemler her iki yönü birden birleştirir ve aynı anda uzay ve zamandaki desenleri öğrenir. Son olarak mekansal-spektral yöntemler görüntüdeki farklı renk bantları arasındaki ilişkilerden yararlanır; diğer dalga boylarından gelen bilgiyi kullanarak bir bandda eksik olanı yeniden oluşturur. Bu çalışma kasıtlı olarak yalnızca Sentinel-2 verilerini kullanan yöntemlere odaklanır; hava durumu kayıtları veya diğer uydular gibi ek girdilerden kaçınarak çözümlerin Sentinel-2’nin bulunduğu her yerde kolayca uygulanabilmesini sağlar.

Kontrollü Bulut Senaryoları Altında Test

Bu yaklaşımları adilce karşılaştırmak için yazarlar Fas’ta karma tarım bölgesi üzerinde yapay bulutlar oluşturdu. 2022 ilkbahar ve yazından genellikle bulutsuz bir Sentinel-2 serisi kullandılar ve ardından farklı bulut örtüsü türlerini taklit etmek için pikselleri “maskelendi”. Bazı testler bir görüntünün ortasında tek bir yuvarlak yama kaldırdı; diğerleri daha kaotik bulutları taklit etmek için birkaç düzensiz yama dağıttı. Ayrıca zaman serisi boşlukları da oluşturuldu; hem uzun eksik tarih blokları hem de sezon boyunca serpiştirilmiş ayrı eksik görüntüler olarak. Görünür renklerden kısa dalga kızılötesine kadar altı ana Sentinel-2 bandı incelendi. Her yöntem için ekip, yeniden yapılandırılmış piksellerin orijinal bulutsuz görüntüyle ne kadar iyi eşleştiğini ölçtü ve görsel kalite ile hesaplama süresini de değerlendirdi.

Hangi Yöntemler Öne Çıkıyor

Kriging ve uzaklığa dayalı enterpolasyon gibi basit mekansal yöntemler küçük, düzenli boşluklarda makul performans gösterdi ancak bulutlar daha büyük veya daha düzensiz hale geldikçe hızla başarısız oldu. Tam yüksek çözünürlüklü görüntülerde uygulandıklarında ayrıca çok yavaş çalışabiliyorlardı. Her pikseli zaman içinde izleyen zamansal yöntemler daha iyi performans gösterdi; özellikle boşluklar kısa ve parçalanmış olduğunda uzun sürekli bloklardan daha başarılıydılar. Ancak başarıları, peyzajın ne kadar stabil olduğuna bağlıydı: tarım veya suyun düzgün mevsimsel değişimleri, yağmur veya sulama sonrası çıplak topraktaki ani değişimlerden daha kolay yönetiliyordu.

Uzay, Zaman ve Rengin Birleştirilmesinin Gücü

En doğru ve dayanıklı sonuçlar aynı anda birkaç tür bilgiyi harmanlayan yöntemlerden geldi. Mevsimsel davranışı benzer pikselleri kümeleyen ve ardından doğrusal regresyon uygulayan bir makine öğrenimi yaklaşımı (makalede CLR olarak adlandırılmış) birçok boşluk boyutu, şekli ve bandı boyunca tutarlı şekilde düşük hata verdi. U‑Net mimarisine dayanan derin öğrenme modeli de özellikle karmaşık mekansal boşluklarda güçlü performans sergiledi, ancak yoğun eğitim gerektirdi ve uzun süreli eksik tarih bloklarıyla zorlandı. Bu arada rastgele ormanlar kullanan bir mekansal-spektral yöntem (SSRF), özellikle görünür ve yakın kızılötesi bantlarda, yakın zamanlı temiz bir görüntü eğitim için mevcut olduğu sürece ince detayları ve doğal görünümlü dokuları korumada üstünlük gösterdi.

Gerçek Dünya Kullanımı İçin Ne Anlama Geliyor

Uydu tabanlı ürünlere dayanan sulama planlayıcıları, ürün sigortacıları ve çevre ajansları gibi uzman olmayan kullanıcılar için mesaj açık. Her durum için tek bir teknik en iyi değildir, ancak uzay, zaman ve spektral rengi birlikte kullanan yöntemler artık tek bir görüntüdeki komşulara bakan eski, daha basit yaklaşımlardan açıkça daha iyi performans gösteriyor. Çalışma, kümeleme artı regresyon ve mekansal-spektral rastgele ormanların doğruluk, görsel kalite ve hesaplama maliyeti açısından pratik bir denge sunduğunu; güçlü donanım ve eğitim verisi mevcut olduğunda derin öğrenmenin cazip hale geldiğini gösteriyor. Şeffaf bir test çerçevesi sunup kodlarını açıkça paylaşarak, yazarlar bulutlu, parçalanmış uydu kayıtlarını arazi ve su yönetimi için güvenilir bilgiye dönüştürmeye yardımcı olacak boşluk doldurma araçlarını seçme ve geliştirme konusunda bir yol haritası sağlıyor.

Atıf: 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

Anahtar kelimeler: Sentinel-2, bulut giderme, boşluk doldurma, uzaktan algılama, tarımsal izleme