评估 Sentinel-2 缺口填补技术以去云和重建数据

从太空清晰视野

像欧洲的 Sentinel-2 这样的卫星为农民、供水管理者和气候科学家提供了高分辨率的俯瞰地球视角。但有一个顽固的问题：云层和传感器故障会在影像中打出空洞，正当灌溉、作物健康或干旱等决策需要做出时尤为棘手。本文提出了一个具有重大粮食与水安全意义的实用问题：在众多“填补”缺失卫星像素的方法中，哪些方法在实际条件下表现最佳，又在何种情形下优劣各异？

缺失像素为何重要

高分辨率光学卫星每隔几天记录田地、森林和水体的变化。对于农业而言，这意味着可以跟踪作物生长、及早发现胁迫并在植物受损前合理安排灌溉。然而云层经常遮挡大片地面，偶发的传感器故障还会造成永久性的条带缺失。在某些地区，长时间内只有少量无云影像可用。如果不谨慎修补这些空白，作物产量、水资源使用或土地覆盖的估计可能产生严重偏差，进而削弱依赖准确连续信息的决策质量。

填补空洞的不同方法

研究人员已开发出一套缺口填补工具箱，作者将其分为四类。空间方法横向查看，利用同一影像中邻近像素来推测缺失值。时间方法沿单个像素的时间线查看，使用过去和未来日期来填补空白。时空方法同时结合空间与时间方向，学习跨时空的模式。最后，时谱方法利用图像中不同波段之间的关系，借助其他波长的信息恢复某一波段的缺失数据。本研究有意聚焦于仅使用 Sentinel-2 自身数据的方法，避免引入额外输入（如气象记录或其他卫星），以便这些解决方案能在 Sentinel-2 可用的任何地方轻松应用。

在受控云场景下的测试

为公平比较这些方法，作者在摩洛哥一片混合农区上叠加了人工云层。他们使用了 2022 年春夏的大部分无云 Sentinel-2 序列，然后“掩盖”像素以模拟不同类型的云盖。有些测试在图像中央去掉一个圆形补丁；另一些则散布数个不规则补丁以模拟更混乱的云情形。他们还制造了时间序列缺口，既有作为长时间连续缺失的块，也有散布在季节中的若干独立缺失影像。研究考察了从可见光到短波红外的六个关键 Sentinel-2 波段。对于每种方法，团队衡量了重建像素与原始无云影像的匹配程度，并评估了视觉质量与计算时间。

哪些方法胜出

简单的空间方法，如克里金插值和基于距离的插值，对于小而规则的缺口表现尚可，但随着云块变大或形状更不规则时性能迅速下降。它们在应用于整幅高分辨率影像时也可能非常缓慢。时间方法沿像素时间序列跟踪，在缺口较短且分散而非长时间连续时表现更好。不过，其成败取决于景观的稳定性：作物或水体的平滑季节性变化比降雨或灌溉后裸土的突然变化更容易处理。

结合空间、时间与波段信息的优势

最准确且稳健的结果来自同时融合多种信息的方法。一种将具有相似季节行为的像素聚类后再应用线性回归的机器学习方法（论文中称为 CLR）在多种缺口大小、形状和波段情况下始终提供较低误差。一种基于 U-Net 架构的深度学习模型在复杂空间缺口上也表现出色，但需要大量训练且在长时间缺失的情况下表现欠佳。与此同时，一种使用随机森林的时谱方法（SSRF）在保留细节和自然纹理方面表现突出，特别是在可见光和近红外波段，只要在时间上有一张相邻的无云影像可用于训练。

对现实应用的启示

对于依赖卫星产品的非专业用户——如灌溉规划者、作物保险公司和环境机构——结论很明确。没有单一技术适用于所有情形，但现今能够同时利用空间、时间和光谱信息的方法明显优于仅在单幅影像中查看邻像素的旧有简单技巧。研究表明，聚类加回归与时谱随机森林在准确性、视觉质量和计算成本之间提供了实用的平衡，而当具备强大硬件与训练数据时，深度学习则更具吸引力。通过提出透明的测试框架并公开代码，作者为选择和改进缺口填补工具提供了路线图，帮助将多云、断裂的卫星记录转化为管理土地与水资源的可靠信息。

引用: 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

关键词: Sentinel-2, 去云, 缺口填补, 遥感, 农业监测