• Aucun résultat trouvé

7.2 Modélisation des transitions de classes

7.2.3 Limitations et perspectives d’amélioration

La préservation de la continuité temporelle représente un des points les plus importants dans l’utilisation de la MT. Cependant, aucune contrainte ne relie les millésimes utilisés pour l’estimation de la MT et le millésime que l’on cherche à produire. Ce concept est très important, car il permet d’exploiter une MT provenant d’une source annexe. En effet, sous réserve que la nomenclature ainsi que la taille de la clef de transition soient cohérentes, aucun élément n’interdit d’exploiter une matrice déterminée par exemple à partir des données de référence ou deCLC, plutôt que des classifications. Elle permet également l’utilisation d’une matrice estimée à partir de cartes exploitant une résolution ou un capteur différent, car l’information de transition ne dépend pas d’un pixel mais d’une succession de classes.

Les résultats obtenus mettent en évidence, qu’une clef de transition de taille 2 correspond le mieux à notre zone d’études, car nous étudions majoritairement des rotations tri-annuelles. Les performances notamment sur les classes de cultures montrent que nous arrivons à prendre en compte ces rotations à partir des cartes produites par classification.

Cependant les performances obtenues ne représentent pas une solution viable pour la production d’une carte d’OCS sans utiliser les images et les données de référence de la période correspondante. À partir de nos résultats, nous pouvons identifier plusieurs sources d’erreur expliquant les performances.

L’absence totale de guide lors de la prédiction se ressent dans la faible capacité à prendre une décision valide. Dans les travaux présentés en introduction de ce chapitre, la matrice de transition s’associe à un

classifieur (réseau bayésien, champs de Markov, réseau de neurones), qui offrent une fonction de décision affinée.

L’accumulation des erreurs de classification représente un problème majeur. En effet, dans cette approche chaque succession de classe implique une transition unique. La moindre erreur de classification cause l’appa- rition d’une nouvelle transition. L’introduction d’un paramètre de flexibilité peut permettre d’améliorer les performances, que ce soit lors de la création de la matrice ou de son utilisation. Dans cette optique, la pré- sence des bords de parcelles mais surtout les pixels mal classés, qui participent à l’estimation des transitions constituent un facteur d’erreur important, car leur classification reste toujours problématique même dans le cas supervisé. Nous pourrions contourner ce problème à partir de trois approches différentes. La première consisterait à exploiter des données de référence, donc des polygones représentatifs du centre des parcelles. Cette solution pourrait permettre d’éliminer une grande partie des erreurs induites par les bords de celles-ci. Dans ce cas précis, nous reviendrions aux méthodes déjà proposées et implémentées, mais également plus complexes, présentées dans la première partie de ce chapitre (CropRota, CarrotAge). Une deuxième solution consisterait à effacer les pixels de bords en recourant à un algorithme de segmentation ou un opérateur mor- phologique permettant d’opérer un lissage sur la classification pixel, et ne calculer les transitions non plus à l’échelle d’un pixel mais d’un objet. Cela permettrait également d’éliminer le cas de pixels isolés résultant d’un artefact (nuage mal détecté, etc). Enfin, une troisième solution, compatible avec les deux précédentes, consisterait à exploiter la carte de confiance afin de filtrer les pixels non fiables.

Un autre problème potentiel provient du décalage entre les millésimes utilisés pour estimer la MT et ceux utilisés lors de la prédiction. En effet, certaines classes n’étant pas récurrentes annuellement, cette situation peut provoquer une absence de la transition dans la matrice (par exemple le Chanvre ou les Jachères). De la même manière, une transition impliquant ces classes, ne sera jamais vue lors de la prédiction si celles-ci n’existent pas dans les cartes supervisées. Nous avons contourné ce problème, en supposant que les transitions sont stationnaires dans le temps, cependant cette hypothèse ne peut être vérifiée.

Pour remédier à ce problème et autoriser un peu de souplesse dans la prise de décision, nous pourrions envisager un algorithme de recherche moins strict en autorisant une fausse mise en correspondance. Ce type d’approche permettrait de sélectionner une transition selon un pourcentage de correspondance entre la clef recherchée et celles existantes. Par exemple, on cherche un transition de la forme 1 → 2 → 3 → 1 qui n’existe pas dans la MT. Cependant, seules les transitions 3 → 1 → 2 → 1 et 1 → 2 → 3 → 2 existent dans la MT. Une forte contrainte sur l’exactitude de la correspondance ne permet pas de sélectionner une transition. Relâcher la contrainte, autorisant une classe différente dans la clef de transition, permet de sélectionner la transition 1 → 2 → 3 → 2. Dans le cas où plusieurs transitions correspondent, un calcul pondéré par le degré de correspondance entre les transitions pourrait être réalisé.

Dans le même esprit, au lieu de générer une MT dans laquelle toutes les clefs de transitions possèdent une taille identique, nous pourrions envisager de recenser toutes les transitions dont la taille varie entre 1 et le nombre maximal fixé par l’historique ou l’utilisateur. Dans ce cas d’utilisation, un pixel est associé à au moins une transition, et la décision est prise par une fonction d’inférence bayésienne ou un vote pondéré.

Ces approches que nous n’avons pas pu aborder au cours de cette thèse permettraient de limiter l’impact des erreurs sur la prédiction, tout en offrant une prédiction plus fine pour la production de la carte. Nous utiliserons la MT dans la suite des travaux comme source de secours en cas d’égalité dans un vote.