Chapitre 2 Validation dynamique des détections par score
2.3 La matrice de score dynamique
Après avoir déterminé les scores par pixel, en fonction du capteur et du seuil, les scores sont combinés de manière séquentielle pour obtenir une matrice de score dynamique. Cette matrice de score dynamique représente le résultat de l’addition des scores dans une période de temps. Nous détaillerons ci-dessous le choix lié à la période de traitement, puis la méthode d’addition et d’ajustement des scores.
2.3.1 Période d’intérêt
Nous avons précédemment déterminé (section 1.5.2.) que la première image après l’événement de déforestation ne déclenche pas systématiquement une alerte. En moyenne, la première détection s’enclenche au bout de 8 ± 4,6 jours (erreur standard). Un nuage, une ombre, ou la végétation qui reste encore sur le sol peut entraver la détection des capteurs optiques. La présence d’humidité, ou de textures de sol différentes après déforestation peut restreindre la détection par le capteur radar. Dans le précédent chapitre, nous avons aussi démontré que les déboisements sont détectés plus efficacement durant les 100 premiers jours (section 1.5.3.), c’est le temps nécessaire pour que des légumineuses recouvrent le sol nu. Dans la section 1.5.4, nous avons conclu qu’une accumulation de 3 détections permettait de sensiblement réduire l’erreur de commission. La période de temps à prendre en compte doit être assez grande pour récolter un nombre suffisant de détections pour confirmer ou contredire la conversion de la forêt en plantation de palmier. Nous avons donc choisi de faire fonctionner le système d’alerte sur 3 mois, ce qui correspond aux 100 jours avant que le sol nu ne soit recouvert.
2.3.2 Ajustement du score dynamique
Le diagramme dans la figure 17, présente les étapes de la combinaison des résultats. Pour conserver l’information de précision, les scores obtenus par chaque image sont ajoutés entre eux, comme indiqué dans l’équation (4).
𝑃 = 𝑃𝑖+ 𝑝𝑖+1 (4)
avec 𝑃 le score dynamique du pixel au temps t+1, 𝑃𝑖 le score dynamique au temps t et 𝑝𝑖+1 le score du pixel
obtenu au temps t+1.
A maintes reprises, une image acquise après le moment où un événement de déforestation est détecté ne présente plus de détections. L’absence de détection peut être expliquée par, soit la présence d’un nuage ou d’une ombre qui couvre la déforestation, soit par la présence d’un pixel associé à de la forêt encore intacte. Notre approche utilise les images subséquentes à la détection initiale d’un évènement de déforestation pour augmenter ou diminuer le niveau de certitude associé à la détection de cet événement. Dans le cas où une parcelle dans l’image est obstruée par un nuage ou bien affectée par l’ombre projetée par un nuage, nous considérons la parcelle comme étant non observée par cette image. Si la parcelle n’est pas observée, l’information fournie par l’image en question ne peut être utilisée pour influencer le niveau de certitude associé à la détection de l’événement de déforestation. Dans le cas où la parcelle correspond toujours à de la forêt intacte, le score sera ajusté à la baisse. Pour identifier la raison de l’absence de détection, nous déterminons l’état du pixel à partir de la longueur des vecteurs de changement provenant des images optiques.
Un nouveau jeu de données composé de 483 pixels de nuages et ombres, et 341 pixels de forêt répartis sur 2 images Sentinel-2 et 2 images Landsat-8 ont été étudiés pour connaitre les spécificités des longueurs de vecteur de changement des pixels de forêt, des nuages ou des ombres projetées (figure 18). Cette analyse nous permet de reconnaitre un pixel de forêt intacte par rapport à un pixel représentant un nuage ou de l’ombre. Plus il est évident que le pixel est caractéristique de la forêt intacte, plus le score dynamique devra être réduit. Puisque la longueur de vecteur de changement entre forêt, ombre ou nuage est légèrement superposée, nous cherchons les valeurs qui sont manifestement de la forêt intacte pour ne pas malencontreusement supprimer un pixel de déforestation. Nous avons établi 3 seuils de valeurs de longueur de vecteur, qui amèneront à réduire le score, en fonction de la probabilité de détecter un nuage. Le zoom de la figure 18 nous indique que seulement 0,03 % de nos échantillons de nuages ont des longueurs de vecteur de changement inférieur à 0,05. Si un pixel a une longueur de vecteur de changement inférieure à 0,05, nous réduisons son score de 5 points, puisqu’il s’agit probablement d’une forêt intacte. Moins de 0,02 % des échantillons de nuages ont des longueurs de vecteur
vecteur de changement est inférieure à 0,03, les possibilités de détecter un nuage sont de 0,01 %, il est encore plus probable que le pixel soit associé à une forêt intacte, le score dynamique est donc réduit de 20 points.
Figure 18. Répartition des échantillons de 341 pixels de forêt, et de 483 de pixel d’ombre et de nuage d’images Sentinel-2 et Landsat 8, en fonction de la longueur du vecteur de changement (µ). Le graphique de droite représente le zoom entre une longueur de 0 et 0,05. Les aplats de couleur représentent les seuils utilisés pour ajuster le score dynamique des pixels probablement situé sur la forêt intacte les fausses détections. 𝑃 est le score dynamique du pixel au temps t+1.
2.3.3. Évaluation de la précision des détections en fonction des scores
dynamiques
Nous analysons les résultats du score dynamique, sur les parcelles de calibration, 3 mois après la date de leur déboisement. La figure 19 montre les intervalles de score obtenus par les 518 pixels associés à des événements de déforestation. On observe que 15 % de ces pixels n’ont pas été détectés, et 78 % des pixels ont obtenu des scores supérieurs à 10 points. Sur les 70 parcelles de déforestation étudiées, 4 n’ont pas été détectées dans les 3 premiers mois après la perte du couvert forestier. La modification de la méthode par rapport au chapitre 1, en limitant la période de temps ainsi qu’en ajustant les scores par la présence de forêt a donc omis 2 événements de déforestation, puisqu’auparavant, seuls 2 des parcelles de calibrations n’avaient pas été détectées. La figure 19 montre également les intervalles de score obtenus par les 98 polygones de forêt intacte, correspondant à plus de 28 000 pixels. Elle indique que 0,4 % des pixels ont obtenu un score supérieur ou égal à 1 point. Seul 1 des pixels a obtenu un score dynamique de 10 points.
Figure 19. Histogramme représentant le pourcentage de pixel de calibration détecté par intervalle de score, pour les pixels associés à un événement de déforestation ou associé à la forêt intacte.
La figure 20 représente les erreurs de commission et d’omission, en fonction du score obtenu par les pixels de
15% 2% 20% 17% 17% 24% 99,6% 0,4% 0,004% 0% 0% 0%
0%
20%
40%
60%
80%
100%
0
1-9
10-19
20-29
30-39
≥40
Pour
cen
tag
e
d
e pix
el
Intervalle de score
de commission. Au-delà d’un score de 11 points, il n’y a plus d’erreurs de détection, et les erreurs d’omission augmentent à 22 %.
Figure 20 : Représentation des erreurs de commission et d’omission obtenues par les pixels en fonction du score dynamique obtenu 3 mois après la perte du couvert forestier.
2.3.4. Caractérisation des niveaux de confiance
Les résultats précédents signifient qu’un pixel avec un score de 11 points a 100 % de chance d’être effectivement une déforestation. Nous utilisons l’erreur de commission en tant qu’indicateur de fiabilité, et nous instaurons 3 classes de niveau de confiance. Pour le niveau de confiance le plus élevé, nous voulons être certains qu’il n’y aura jamais de fausse détection, nous préférons donc prendre une limite de 20 points pour permettre une marge d’erreur. Ainsi, si le pixel est caractérisé par un score supérieur à 20 points, il indique un fort niveau de confiance qu’il s’agisse bien d’une déforestation. Néanmoins, au-delà de 20 points, le niveau d’omission est très élevé, il est donc nécessaire de prendre en compte des niveaux de confiance moins ambitieux. Entre 10 et 19 points, nous obtenons 0,4 % d’erreur de commission, il y a très peu d’erreurs, puisqu’elle ne concerne qu’un seul pixel. Ce résultat nous indique une faible possibilité d’erreur, que nous devons prendre en compte. Le score dynamique entre 10 et 19 points est alors qualifié comme un niveau de confiance moyen. Finalement entre 1 et 9 points l’erreur de commission est de 6 %, les chances que le pixel indique une fausse détection sont non négligeables. Le score dynamique inférieur ou égal à 9 est caractérisé
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% ≥1 ≥2 ≥3 ≥4 ≥5 ≥6 ≥7 ≥8 ≥9 ≥10 ≥20 ≥30 ≥40 Erre u r %
Score par pixel
par un niveau de confiance faible. Dans le cas d’un niveau de confiance faible, il est prudent d’attendre la confirmation d’une nouvelle observation.