DOI: https://doi.org/10.1038/s41598-026-39488-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41703033
تاريخ النشر: 2026-02-17
المؤلف: said grich وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تتناول هذه الدراسة تحدي فجوات البيانات في صور الأقمار الصناعية Sentinel-2 عالية الدقة الناتجة عن غطاء السحاب، والذي يؤثر بشكل كبير على التطبيقات مثل إدارة الموارد المائية وتوقع محصول المحاصيل. تم إنشاء إطار تقييم لمقارنة طرق ملء الفجوات المختلفة، بما في ذلك الأساليب المكانية، الزمنية، المكانية الزمنية، والمكانية الطيفية، باستخدام سيناريوهات سحابية محاكاة. تم تقييم أداء هذه الطرق بناءً على معامل التحديد ($R^2$)، ومتوسط الخطأ الجذري النسبي (rRMSE)، والانحياز عبر نطاقات Sentinel-2 الرئيسية (B02-B04، B08، B11، وB12).
تشير النتائج إلى أن الأساليب المكانية الزمنية، وخاصة التجميع والانحدار الخطي (CLR)، أظهرت أعلى دقة وموثوقية في ملء الفجوات، بينما كانت الأساليب المكانية الطيفية مثل SSRF تؤدي أيضًا بشكل جيد في النطاقات المرئية والقريبة من الأشعة تحت الحمراء. في المقابل، كانت الأساليب المكانية التقليدية، مثل الكريغينغ، أقل فعالية للفجوات الأكبر أو غير المنتظمة وكانت مكلفة حسابيًا. تؤكد الدراسة على الحاجة لاختيار تقنيات ملء الفجوات المناسبة بناءً على متطلبات التطبيق المحددة وتبرز إمكانيات التعلم الآلي وطرق التعلم العميق، مع الإشارة أيضًا إلى قيودها. يجب أن تركز الأبحاث المستقبلية على تطوير أساليب قابلة للتوسع وغير معتمدة على المستشعرات لتعزيز قابلية تطبيق هذه التقنيات في السيناريوهات الزمنية الحقيقية. جميع الأكواد المستخدمة في هذه الدراسة متاحة للجمهور على https://github.com/said-grich/gap-filling.
مقدمة
تسلط المقدمة الضوء على أهمية بيانات الاستشعار عن بعد متعددة الأطياف عالية الدقة عبر مجالات مختلفة، بما في ذلك الزراعة الدقيقة، ورصد البيئة، وإدارة الكوارث. يتم مناقشة بعثات الأقمار الصناعية البارزة مثل Landsat وSentinel-2، حيث توفر Landsat صورًا بدقة 30 مترًا وSentinel-2 تقدم توازنًا بين الدقة المكانية (10-20 مترًا) والزمنية (5 أيام). تجعل هذه القدرات Sentinel-2 ذات قيمة خاصة للتطبيقات الزراعية، بما في ذلك إدارة الري، وتوقع المحصول، ورسم خرائط استخدام الأراضي.
ومع ذلك، فإن استخدام بيانات الأقمار الصناعية الضوئية يعيقه تحديات مثل غطاء السحاب، الذي يعوق انتقال ضوء الشمس ويحد من توفر البيانات، خاصة في المناطق التي تشهد غيومًا متكررة. بالإضافة إلى ذلك، يمكن أن تؤدي أعطال المستشعر، كما يتضح من فشل جهاز تصحيح خط المسح في Landsat 7، إلى إنشاء فجوات بيانات كبيرة، مما يعقد جهود المراقبة المستمرة. تؤكد هذه القيود على ضرورة الحصول على صور خالية من السحب لدعم الممارسات الزراعية الدقيقة وإدارة الموارد الفعالة.
الطرق
تستعرض قسم “الطرق” التقنيات المكانية والزمنية المختلفة المستخدمة في ملء الفجوات في صور الأقمار الصناعية، مع التركيز بشكل خاص على أداء الطرق المختلفة تحت ظروف متغيرة. تستفيد الطرق المكانية من الارتباط الذاتي المكاني، حيث تعتبر الكريغينغ العادي ووزن المسافة العكسية (IDW) من التقنيات البارزة. يستخدم الكريغينغ العادي نموذجًا لتقدير العلاقات المكانية، مما يوفر كل من التوقعات وتقديرات عدم اليقين، بينما يعتمد IDW فقط على المسافة لوزن البيكسلات المجاورة. تشير النتائج إلى أن الكريغينغ العادي يتفوق على الطرق الأخرى، حيث حقق متوسط خطأ جذري نسبي (rRMSE) قدره 37.27% للفجوات الدائرية بنسبة 30%، بينما أظهرت طريقة الاستيفاء الثنائي التكعيبي أسوأ أداء، حيث تجاوزت قيم rRMSE 4083.09% في أحجام الفجوات الأكبر.
أظهرت الطرق الزمنية، بما في ذلك الكريغينغ العادي وIDW، أداءً محسنًا مع الفجوات الصغيرة المنفصلة، مستفيدة من الاستمرارية الزمنية. ومع ذلك، مع زيادة أحجام الفجوات، وخاصة إلى 50%، شهدت جميع الطرق تدهورًا في الأداء، حيث أظهرت طريقة الاستيفاء التكعيبي تحديات كبيرة في سد الفجوات الزمنية الأكبر. تسلط الدراسة أيضًا الضوء على فعالية طريقة CLR، التي أظهرت باستمرار دقة عالية عبر سيناريوهات الفجوات المختلفة من خلال الاستفادة من كل من الارتباطات المكانية والزمنية. في المقابل، حافظت طرق التعلم العميق (DL) على أداء قوي ولكن واجهت قيودًا في الفجوات الزمنية المتسلسلة بسبب نقص السياق الزمني. بشكل عام، تؤكد النتائج على نقاط القوة والضعف لكل طريقة، مما يبرز الحاجة إلى النظر بعناية في خصائص الفجوات والديناميات البيئية لتعزيز دقة التوقع.
النتائج
يقيم قسم النتائج طرق ملء الفجوات المختلفة لنطاقات Sentinel-2، مع التركيز على أدائها عبر سيناريوهات الفجوات الزمنية والمكانية المختلفة. برز الكريغينغ العادي كأكثر الطرق فعالية في ملء الفجوات الزمنية، حيث حقق قيم rRMSE منخفضة قدرها 5.44% لتغطية النباتات عند فجوة زمنية متسلسلة بنسبة 30%، متفوقًا على طريقة وزن المسافة العكسية (IDW). مع زيادة أحجام الفجوات، أظهر أداء جميع الطرق، بما في ذلك الكريغينغ العادي وIDW، انخفاضًا تدريجيًا في الدقة، حيث ارتفعت قيم rRMSE بشكل كبير للفجوات الأكبر. من الجدير بالذكر أن الطرق أدت بشكل أفضل للفجوات المنفصلة مقارنة بتلك المتسلسلة، حيث أظهرت طريقة الاستيفاء التكعيبي عدم دقة كبيرة، خاصة للفجوات المتسلسلة.
في التقييمات المكانية الزمنية، أظهرت طريقة الانحدار الخطي الشرطي (CLR) أداءً متسقًا عبر أحجام الفجوات المختلفة، حيث حافظت على قيم rRMSE أقل من 7.45% للفجوات الزمنية المتسلسلة. تم تقييم طريقة الغابات العشوائية الطيفية المكانية (SSRF) أيضًا، حيث كشفت أن الجمع بين النطاقات B02 وB03 وB08 أسفر عن أعلى دقة في ملء الفجوات في النطاق B04، مع قيم rRMSE حوالي 8.9% للفجوات الدائرية. تأثر أداء طريقة SSRF بقرب الصور الزمنية، حيث تم ملاحظة أفضل النتائج عندما تم التقاط الصور المعروفة خلال خمسة أيام من الصور السحابية. بشكل عام، تسلط النتائج الضوء على فعالية طرق الكريغينغ العادي وSSRF في ملء الفجوات بدقة في صور Sentinel-2، مع أداء متنوع بناءً على نوع الفجوة وحجمها واستخدام الأراضي.
المناقشة
في قسم المناقشة من ورقة البحث، يبرز المؤلفون الأهمية الحاسمة لاستخدام مجموعات بيانات شاملة لملء الفجوات بشكل فعال في الاستشعار عن بعد الضوئي، خاصة في الزراعة الدقيقة. تطرح محدودية توفر الصور الخالية من السحب تحديات كبيرة في الكشف عن إجهاد المحاصيل في الوقت المناسب، مما يستدعي تطوير تقنيات ملء الفجوات المختلفة. تطورت الطرق المبكرة، مثل الكريغينغ ووزن المسافة العكسية (IDW)، إلى أساليب أكثر تطورًا، بما في ذلك النماذج المكانية الزمنية وخوارزميات التعلم العميق، التي تعزز دقة وكفاءة إعادة بناء البيانات من خلال الاستفادة من كل من المعلومات المكانية والزمنية.
تهدف الدراسة إلى تقييم أداء طرق ملء الفجوات المختلفة عبر سيناريوهات متنوعة، مع التركيز على قدرتها على إدارة الفجوات المكانية والزمنية المتنوعة دون الاعتماد على مصادر بيانات مساعدة. تشمل الطرق المختبرة تقنيات مكانية (مثل الكريغينغ العادي، IDW)، وطرق زمنية (مثل الانحدار الخطي)، وأساليب مكانية زمنية (مثل التجميع وتقسيم الزمن الديناميكي)، وطرق مكانية طيفية (مثل الغابات العشوائية الطيفية المكانية). تؤكد النتائج على ضرورة إجراء تحليلات مقارنة لهذه التقنيات لتحديد نقاط قوتها وضعفها، خاصة في التعامل مع أحجام الفجوات وتوزيعاتها المتنوعة، مما يسهم في تقدم تطبيقات الاستشعار عن بعد.
DOI: https://doi.org/10.1038/s41598-026-39488-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41703033
Publication Date: 2026-02-17
Author(s): said grich et al.
Primary Topic: Remote Sensing in Agriculture
Overview
This study addresses the challenge of data gaps in high-resolution Sentinel-2 satellite imagery caused by cloud cover, which significantly impacts applications such as water resource management and crop yield prediction. An evaluation framework was established to compare various gap-filling methods, including spatial, temporal, spatio-temporal, and spatio-spectral approaches, using simulated cloud scenarios. The performance of these methods was assessed based on the coefficient of determination ($R^2$), relative root mean square error (rRMSE), and bias across key Sentinel-2 bands (B02-B04, B08, B11, and B12).
The findings indicate that spatio-temporal methods, particularly clustering and linear regression (CLR), exhibited the highest accuracy and robustness in filling gaps, while spatio-spectral methods like SSRF also performed well in visible and near-infrared bands. In contrast, traditional spatial methods, such as kriging, were less effective for larger or irregular gaps and were computationally expensive. The study emphasizes the need for selecting appropriate gap-filling techniques based on specific application requirements and highlights the potential of machine learning and deep learning methods, while also noting their limitations. Future research should focus on developing scalable, sensor-independent approaches to enhance the applicability of these techniques in real-time scenarios. All codes used in this study are publicly available at https://github.com/said-grich/gap-filling.
Introduction
The introduction highlights the significance of high-resolution multispectral remote sensing data across various fields, including precision agriculture, environmental monitoring, and disaster management. Notable satellite missions such as Landsat and Sentinel-2 are discussed, with Landsat providing 30-meter resolution imagery and Sentinel-2 offering a balance of spatial (10-20 meters) and temporal (5 days) resolutions. These capabilities make Sentinel-2 particularly valuable for agricultural applications, including irrigation management, yield prediction, and land cover mapping.
However, the use of optical satellite data is hindered by challenges such as cloud cover, which obstructs the transmission of sunlight and limits data availability, particularly in regions with frequent cloudiness. Additionally, sensor malfunctions, exemplified by the Landsat 7’s Scan Line Corrector failure, can create significant data gaps, further complicating continuous monitoring efforts. These limitations underscore the necessity for reliable, cloud-free imagery to support accurate agricultural practices and effective resource management.
Methods
The section on “Methods” outlines the various spatial and temporal techniques employed for gap-filling in satellite imagery, particularly focusing on the performance of different methods under varying conditions. Spatial methods leverage spatial autocorrelation, with ordinary kriging and inverse distance weighting (IDW) being prominent techniques. Ordinary kriging utilizes a variogram to model spatial relationships, providing both predictions and uncertainty estimates, while IDW relies solely on distance for weighting neighboring pixels. The results indicate that ordinary kriging outperforms other methods, achieving a relative root mean square error (rRMSE) of 37.27% for 30% circular gaps, whereas bicubic interpolation exhibited the poorest performance, with rRMSE values exceeding 4083.09% at larger gap sizes.
Temporal methods, including ordinary kriging and IDW, showed improved performance with smaller separated gaps, benefiting from temporal continuity. However, as gap sizes increased, particularly to 50%, all methods experienced degradation in performance, with cubic spline interpolation showing significant challenges in bridging larger temporal discontinuities. The study also highlights the effectiveness of the CLR method, which consistently demonstrated high accuracy across various gap scenarios by leveraging both spatial and temporal correlations. In contrast, deep learning (DL) methods maintained strong performance but faced limitations in sequential temporal gaps due to insufficient temporal context. Overall, the findings underscore the strengths and weaknesses of each method, emphasizing the need for careful consideration of gap characteristics and environmental dynamics to enhance prediction accuracy.
Results
The results section evaluates various gap-filling methods for Sentinel-2 bands, focusing on their performance across different temporal and spatial gap scenarios. Ordinary kriging emerged as the most effective method for temporal gap filling, achieving low relative root mean square error (rRMSE) values of 5.44% for vegetation cover at a 30% sequential temporal gap, outperforming the Inverse Distance Weighting (IDW) method. As gap sizes increased, the performance of all methods, including ordinary kriging and IDW, showed a gradual decline in accuracy, with rRMSE values rising significantly for larger gaps. Notably, the methods performed better for separated gaps compared to sequential ones, with cubic spline interpolation exhibiting substantial inaccuracies, particularly for sequential gaps.
In spatio-temporal evaluations, the Conditional Linear Regression (CLR) method demonstrated consistent performance across various gap sizes, maintaining rRMSE values below 7.45% for sequential temporal gaps. The Spatial-Spectral Random Forests (SSRF) method was also assessed, revealing that the combination of bands B02, B03, and B08 yielded the highest accuracy for gap filling in band B04, with rRMSE values around 8.9% for circular gaps. The SSRF method’s performance was influenced by the temporal proximity of images, with optimal results observed when the known images were taken within five days of the cloudy images. Overall, the findings highlight the effectiveness of ordinary kriging and SSRF methods in accurately filling gaps in Sentinel-2 imagery, with varying performance based on gap type, size, and land cover.
Discussion
In the discussion section of the research paper, the authors highlight the critical importance of utilizing comprehensive datasets for effective gap filling in optical remote sensing, particularly in precision agriculture. The limited availability of cloud-free images poses significant challenges in timely crop stress detection, necessitating the development of various gap-filling techniques. Early methods, such as kriging and inverse distance weighting (IDW), have evolved into more sophisticated approaches, including spatiotemporal models and deep learning algorithms, which enhance the accuracy and efficiency of data reconstruction by leveraging both spatial and temporal information.
The study aims to evaluate the performance of different gap-filling methods across various scenarios, focusing on their ability to manage diverse spatial and temporal gaps without relying on auxiliary data sources. The methods tested encompass spatial techniques (e.g., ordinary kriging, IDW), temporal methods (e.g., linear regression), spatiotemporal approaches (e.g., clustering and dynamic time warping segmentation), and spatio-spectral methods (e.g., spatial-spectral random forests). The findings underscore the necessity for comparative analyses of these techniques to identify their strengths and limitations, particularly in handling varying gap sizes and distributions, thereby contributing to the advancement of remote sensing applications.