Mesurer l’impact des changements sur la projection ACC

Afin d’évaluer l’impact des changements d’OCS sur la qualité de la projection ACC, nous proposons de supprimer les changements annuels en utilisant des demi-séries temporelles.

Nous répartissons les images en deux groupes en entrelaçant les images originales. La première demi-série temporelle regroupe toutes les images impaires de l’année (dans l’ordre d’acquisition), et la seconde toutes les images paires dans leur ordre d’acquisition. Ainsi, nous obtenons, pour chaque année, deux séries temporelles représentant la même OCS annuelle.

Nous appliquons deux traitements indépendants à ces demi-séries :

1. L’interpolation linéaire simple, afin de corriger les absences de valeurs causées par les nuages. 2. La même interpolation mais également le ré-échantillonnage temporel.

Ces deux traitements nous permettent alors de comparer la classification naïve et l’utilisation de la projection ACC. Dans cette expérimentation, nous utilisons uniquement un masque de pixels altérés puisque l’OCS ne change pas.

Durant cette expérimentation nous simulons deux conditions différentes d’utilisation de la régularisation temporelle. La première simule une donnée fournie amenant à un faible taux d’interpolation : les dates

souhaitées pour la série temporelle résultante correspondent à celles disponibles dans la première demi-série temporelle (numéro d’acquisition impair). La seconde demi-série, subit une interpolation plus forte car aucune des dates la composant ne correspond à celles demandées. Les effets varient en fonction des années puisque chacune possède sa propre répartition d’images sur l’année étudiée (cf2.2).

À partir de ce jeu de données, nous ne considérons plus toutes les combinaisons possibles entre paires d’années, mais uniquement les demi-séries d’une même année, chacune représentant à tour de rôle le domaine Source ou Cible. Grâce à ce jeu de données, nous analysons plusieurs aspects :

• l’apport de l’ACC dans le problème d’adaptation de domaine

• la cohérence de cette projection, en réalisant une classification supervisée du domaine Source projeté • l’impact du ré-échantillonnage temporel sur l’estimation de l’ACC

La table5.1 présente les performances globales obtenues dans les cinq cas d’utilisations possibles des 14 demi-séries temporelles. Dans cette table, chaque ligne correspond à une demi-série temporelle (1 pour les dates impaires et 2 pour les dates paires). Les six colonnes associées correspondent à la PG obtenue par le classifieur utilisant les échantillons de différentes origines. Le mot clef “RT” correspond à l’utilisation du Ré- échantillonnage Temporel (notre cas typique d’utilisation des séries temporelles). Les mots clefs “sup” et “naïf” indiquent que l’apprentissage exploite les échantillons provenant de la série temporelle correspondante ou de sa complémentaire. L’acronyme ACC indique l’utilisation de la projection des données avant l’apprentissage. La première colonne regroupe donc les performances obtenues en classification supervisée pour chaque demi série. Nous pouvons noter ici, l’impact de la séparation des primitives. Bien que nous ne puissions pas comparer directement ces performances aux résultats précédents, cette colonne met en évidence une différence minime de PG (< 0.01) dans les cas d’un équilibre relatif lors de la répartition des dates (voir 2.2). Cette différence est légèrement plus importante pour les années souffrant d’absence de données étendues, néanmoins ces écarts restent minimes. L’utilisation de la classification naïve sur les demi-séries après ré-échantillonnage temporel met en avant une légère baisse de performances, explicable par les taux d’interpolations différents, ainsi que la différence des dates composant les deux séries temporelles originales.

L’intérêt majeur de cette expérimentation demeure l’apport de l’ACC lorsque les changements d’OCS sont limités. Les quatre colonnes restantes de la table 5.1 représentent les performances obtenues. Les colonnes (RT +)ACC + sup (3ème _{et 5}ème_{) assurent que la projection ne dégrade pas l’information contenue dans les}

séries obtenues. Les bonnes performances, proches de celles obtenues par les séries après ré-échantillonnage temporel (1ère _{colonne) mettent en évidence la bonne conservation des caractéristiques de chaque classe.}

L’effet du ré-échantillonnage temporel s’avère minime sur les performances de la classification supervisée après projection. Les colonnes de classification naïve (4ème_{et 6}ème_{) mettent clairement en évidence l’excellent}

apport de la projection ACC pour pallier les différences entre les demi-séries temporelles. L’écart moyen mesuré entre la classification supervisée et naïve reste inférieur à 2 % pour la projection des séries sans ré- échantillonnage temporel. Celui-ci s’avère plus important lors de l’utilisation du ré-échantillonnage temporel avec un écart moyen d’environ 3 %. L’analyse du FScore n’apporte aucune information complémentaire, mais elle étaye ces constats. L’essentiel des variations entre les différentes approches se situant au niveau des classes peu représentées explique le faible taux de variation obtenu.

Cette expérimentation ne nous permet pas de nous prononcer sur l’impact du ré-échantillonnage temporel sur la qualité de la projection ACC. Elle permet cependant de mettre en évidence les bonnes performances

Table 5.1 : PG obtenues à partir des demi-séries temporelles. “RT” indique l’utilisation du ré-échantillonnage temporel, “sup” une classification supervisée (échantillons issus de la série temporelle classée) et “naïf” une classification naïve.

ST

Méthode

RT + sup RT + naïf ACC + sup ACC + naïf ACC + RT + sup ACC + RT + naïf 20071 0.932 ± 0.030 0.786 ± 0.025 0.935 ± 0.020 0.915 ± 0.015 0.922 ± 0.030 0.832 ± 0.018 20072 0.927 ± 0.033 0.812 ± 0.016 0.935 ± 0.020 0.904 ± 0.017 0.918 ± 0.030 0.885 ± 0.018 20081 0.918 ± 0.036 0.810 ± 0.030 0.906 ± 0.043 0.850 ± 0.037 0.896 ± 0.045 0.836 ± 0.022 20082 0.897 ± 0.046 0.758 ± 0.043 0.900 ± 0.044 0.833 ± 0.048 0.908 ± 0.038 0.806 ± 0.050 20091 0.865 ± 0.044 0.808 ± 0.033 0.899 ± 0.029 0.871 ± 0.027 0.893 ± 0.029 0.868 ± 0.028 20092 0.883 ± 0.037 0.813 ± 0.047 0.889 ± 0.031 0.874 ± 0.027 0.886 ± 0.036 0.871 ± 0.029 20101 0.898 ± 0.032 0.747 ± 0.032 0.900 ± 0.036 0.872 ± 0.029 0.893 ± 0.041 0.859 ± 0.031 20102 0.890 ± 0.037 0.830 ± 0.021 0.918 ± 0.026 0.897 ± 0.021 0.903 ± 0.038 0.891 ± 0.024 20111 0.928 ± 0.027 0.771 ± 0.007 0.918 ± 0.027 0.880 ± 0.015 0.920 ± 0.026 0.872 ± 0.013 20112 0.919 ± 0.026 0.784 ± 0.020 0.917 ± 0.026 0.888 ± 0.018 0.918 ± 0.026 0.875 ± 0.015 20121 0.916 ± 0.033 0.823 ± 0.016 0.928 ± 0.028 0.908 ± 0.023 0.926 ± 0.026 0.903 ± 0.015 20122 0.924 ± 0.028 0.796 ± 0.016 0.930 ± 0.026 0.899 ± 0.015 0.936 ± 0.024 0.878 ± 0.011 20131 0.931 ± 0.022 0.900 ± 0.008 0.945 ± 0.016 0.933 ± 0.012 0.932 ± 0.019 0.914 ± 0.014 20132 0.935 ± 0.020 0.884 ± 0.016 0.941 ± 0.018 0.929 ± 0.013 0.930 ± 0.022 0.907 ± 0.014

d’une adaptation de données via l’ACC. Cependant, ces excellentes performances requièrent l’identification et l’élimination de tout changement d’OCS susceptible de perturber l’estimation de la corrélation. Il faut noter néanmoins que cette expérimentation conforte l’hypothèse selon laquelle la pertinence de l’ACC dépend du taux de changement entre les domaines considérés. Cette contrainte ne nous permet pas d’exploiter l’ACC comme approche d’adaptation de domaine dans notre contexte d’utilisation. Néanmoins il existe des approches de détection de changements, exploitant les fondements de l’ACC.