Contribution des différentes sources d’informations

Etant donné que la génération automatique des règles par apprentissage permet de supprimer ou d’intégrer facilement un ou plusieurs indicateurs d’entrée, nous pouvons évaluer la contribution des différentes sources aux performances du système.

L’isolement de la contribution du modèle, pour son évaluation, est facile à réaliser ; il suffit d’ignorer les indicateurs qui sont liés directement au modèle et de générer ensuite une base de règles en utilisant les autres indicateurs.

Concernant la contribution des connaissances expertes, l’évaluation de son intégralité est impossible. En effet, ces connaissances interviennent dans différentes parties du système :

# dans le choix des indicateurs utiles pour répondre à la problématique ; # dans la définition des partitions de ces indicateurs ;

# dans l’intégration de certaines informations sur le cycle de culture ; # dans la définition des règles de décision (le cas de la première version).

CemOA

: archive

ouverte

d'Irstea

Système à base de règles induites par apprentissage

Par conséquent, nous nous sommes limités à l’évaluation de la partie des connaissances expertes que nous avons pu isoler facilement : il s’agit de l’information liée à la longueur du cycle nominal d’une parcelle de canne à sucre.

Etant donné que les indicateurs liés au MIR ont été ignorés dans la première version du système (leur information nous semblait redondante avec celles issue du NDVI), nous sommes également intéressés à l’évaluation de leur contribution spécifique.

Figure 56. Performances de la deuxième version du système pour les différentes fréquences d’acquisition en utilisant les différentes combinaisons de sources d’informations (SAT : série temporelle d’images satellite ; SAT* : idem que SAT mais sans les indicateurs liés au Moyen Infra rouge; MOD : modèle de

CemOA

: archive

ouverte

d'Irstea

Ainsi, nous avons appliqué le système sur les différentes séries d’images, en 2003 et 2004, en considérant cinq combinaisons de sources d’informations (SAT pour série d’images, MOD pour modèle de canne et EXP pour la partie des connaissances expertes) :

# la première combinaison (SAT + MOD + EXP) tient compte de tous les indicateurs issus des trois sources ;

# la deuxième combinaison (SAT + EXP) ignore les indicateurs liés au modèle de culture (i.e. In13 et In14) ;

# la troisième combinaison (SAT + MOD) ignore l’indicateur lié directement aux connaissances expertes sur la longueur nominal du cycle de la canne (i.e. In 12) ;

# la quatrième combinaison (SAT* + MOD + EXP) ignore, comme lors de la construction de la base de règles experte de la première version, les indicateurs liés au MIR issus de la série temporelle (i.e. In3, In4 et In6) ;

# La cinquième combinaison considère seulement les indicateurs provenant de SAT. La Figure 56 montre les performances, en termes de taux d’omission et de commission des décisions « Coupe » et « Non Coupe », obtenues avec les cinq combinaisons de sources d’information. Plus le point est proche de zéro, meilleurs sont les résultats. En ce qui concerne

la classe «Coupe », nous pouvons constater, en comparant les résultats de SAT avec ceux des autres combinaisons, que :

# MOD réduit le taux de commission (entre 1,5% et 3,1%) et surtout le taux d’omission (entre 1,6% et 6,4%) quel que soit le nombre d’images par an ;

# EXP diminue le taux de commission (entre 0,8% et 2,9%) et tend à augmenter le taux d’omission (entre 0,9% et 3,4%) pour un nombre d’images par an inférieure ou égale à 5 ;

# L’intégration simultanée de MOD et d’EXP avec SAT réduit le taux de commission (entre 2,2% et 4,1%) et d’omission (entre 4,3% et 7,8%, sauf pour 3 images par an). # La contribution du MIR est quasi#nulle voire négative dans le taux de commission (entre

#1,1% et 0,5) et positive dans le taux d’omission (entre 0,3% et 2%).

CemOA

: archive

ouverte

d'Irstea

Système à base de règles induites par apprentissage

Pour la classe « Non Coupe » :

# MOD réduit à la fois le taux de commission (entre 0,4% et 1,3%) et d’omission (entre 0,4% et 1,3%) quel que soit le nombre d’images par an ;

# EXP contribue faiblement (inférieure à 1%) mais positivement dans la réduction des taux d’omission et de commission avec 9 images par. Pour des fréquences d’acquisition inférieurs ou égales à 5, elle réduit le taux d’omission (entre 0,1% et 0,7%) mais augmente le taux de commission (entre 0,2% et 2,6%) ;

# L’intégration simultanée de MOD et d’EXP avec SAT réduit le taux d’omission (entre 0,6% et 2,3%) et de commission (entre 1,1% et 2%, sauf pour 3 images par an).

# La contribution du MIR est très faible et parfois négative dans le taux de commission (entre #0,2% et 0,9%), et quasi#nulle dans le taux d’omission.

La Figure 57 illustre la contribution du modèle de canne, de la partie des connaissances expertes liée au cycle de la canne et du MIR dans la précision globale du système. En ce qui concerne la contribution du modèle de canne, nous remarquons que sa moyenne (pour toutes les configurations d’apprentissage) est positive quel que soit le nombre d’images par an : elle varie entre 1,27% (3 images par an) et 2,5% (4 images par an). Au delà de 4 images par an, cette contribution baisse jusqu’à 1,44% (avec 9 images par an).

Figure 57. Contributions du modèle de canne à sucre, d’une partie des connaissances expertes et du MIR dans la précision globale (PG) du système à base de règles induites par apprentissage.

CemOA

: archive

ouverte

d'Irstea

Quant à la contribution de la partie des connaissances expertes, sa moyenne est faible, voire parfois négative (avec 5 images par an). Cette moyenne varie entre #0,07% et 0,29%. L’écart#type de cette contribution par rapport aux différentes configurations d’apprentissage est relativement important, et ce quelle que soit la fréquence d’acquisition ; sa valeur varie entre 0,24% et 0,68%.

La contribution du MIR dans la précision globale est très faible et aléatoire : sa moyenne varie entre #0,25% et 0,23%, et son écart#type entre 0,20% et 0,51%. Cette contribution quasi nulle du MIR est due au fait que l’information apportée par le NDVI dans les zones qui ne subissent pas de stress hydrique est suffisante (le cas de nos exploitations). Dans les zones où ce facteur est présent, l’apport du MIR peut devenir important (Bégué et al., 2008).

Analysons maintenant la contribution du modèle de canne à sucre dans la précision de chacune des deux classes « Coupe » et « Non coupe » séparément (Figure 58). Nous constatons que pour la classe « Coupe » la contribution est positive quel que soit le rythme d’acquisition : elle varie entre 1,57% (pour 3 images par an) et 6,39% (5 images par an). Cette contribution est en effet primordiale pour une utilisation opérationnelle du système car elle permet de passer en dessous du seuil des 5% d’erreur sur les surfaces attendu par la filière. Pour la classe « Non coupe » la contribution est toujours positive mais moins importante : sa valeur varie entre 0,4% (5 images par an) et 1,28% (4 images par an).

Figure 58. Contribution du modèle de canne à sucre dans les précisions du producteur pour la classe « Coupe » (PP Coupe) et « Non Coupe ». Les barres d’histogramme correspondent à la moyenne obtenue pour les différentes configurations d’apprentissage ; la barre d’erreur représente l’écart type.

CemOA

: archive

ouverte

d'Irstea

Système à base de règles induites par apprentissage