Performances obtenues

La table10.3présente les performances obtenues pour nos expérimentations. Dans cette table, nous trouvons les deux indices globaux : la PG et le kappa de Cohen, ainsi que le FScore minimal obtenu et la classe associée. La figure 10.3 présente sous la forme d’une matrice, le Fscore pour les différentes méthodes (en

ordonnées) en fonction des classes de la nomenclature (en abscisses). Pour des contraintes de temps, nous n’avons pas pu réaliser différents tirages aléatoires des échantillons d’apprentissage, nous privant ainsi des intervalles de confiance. Nous ne considérerons donc que les tendances observées, sans établir d’ordre strict de performances entre les méthodes.

Nous retrouvons dans la table10.3, la relative constance des résultats que nous avons observée avec le jeu Formosat. Cependant, nous notons que l’écart entre le cas supervisé et les cas naïfs se réduit considérablement. Cette amélioration peut provenir de deux sources. La première concerne la différence du nombre d’images disponibles avant ré-échantillonnage, impactant ainsi la qualité de l’information apportée par les profils temporels. La grande diversité observée sur l’ensemble d’une région éco-climatique constitue le deuxième facteur d’amélioration des performances de la classification naïve. Cette tendance semble être confirmée par les Fscore mesurés. En effet ceux-ci sont relativement stables quelque soit la méthode employée. Les colonnes de la figure10.3illustrent, par des couleurs homogènes, cette stabilité. Nous pouvons noter que, contrairement aux expérimentations Formosat-2, les performances pour les classes de cultures demeurent constantes pour toutes les méthodes.

La seule grande exception à ce constat demeure l’approche de mise à jour de la carte de l’année passée (MAJ). En effet, comme attendu, cette approche ne permet d’appréhender la rotation des cultures avec un historique aussi peu profond. Cependant, elle apporte une bonne contribution à la reconnaissance de classes pérennes comme les routes ou les vergers. Nous continuons cette analyse des performances, mais sans prendre en compte cette approche par la suite.

Pour toutes les méthodes proposées, trois classes représentent un défi : les Vergers, les Landes ligneuses et les Plages et dunes. La classe de Bâti dense ne fait pas partie de celles-ci car les performances demeurent similaires pour toutes les méthodes sans exception, avec un Fscore aux alentours de 12 %. La classe de Surfaces routes atteint des performances similaires, cependant elle ne varie pas autant en fonction des différentes méthodes. En effet, pour ces trois classes, nous observons des variations d’environ 10 % dans la mesure de Fscore. Ces variations constituent le facteur majeur de différences entre les performances globales observées dans la table 10.3. Notamment, le classifieur unique possède unePG supérieure à celles des classifications naïves, grâce à la bonne prédiction de la classe Plages et dunes avec un Fscore de 62 %, contre 33 % et 24 % pour les cas naïfs. Ces différences de Fscore semblent indiquer que le classifieur unique ne constitue pas une simple copie d’un des deux cas naïfs mais bien un classifieur différent.

La réduction de l’écart entre les classifications supervisées et naïves réduit également la marge de progres- sion apportée par les systèmes de fusion. Que ce soit le classifieur bayésien ou les votes majoritaires pondérés, ces approches fournissent des performances similaires, que ce soit en termes dePGou de Fscore. LeVMseul, et dans une moindre mesure le VC, produit de nombreux cas d’indécisions. Ceux-ci concernent essentielle- ment les classes déjà identifiées comme étant difficiles à classer (Plages et dunes, Landes ligneuses, Vergers). Nous constatons que l’apport de la matrice de transition résout ces cas d’indécisions, tout en n’offrant qu’une légère amélioration des performances par rapport aux classifications naïves.

La faible différence entre les classifications naïves et le classifieur unique, semble indiquer que la diversité spatiale fournit autant d’informations que la diversité temporelle. Cette hypothèse requiert cependant un historique plus profond (plus de domaines Source) pour être confirmée.

L’écart de performances des classifications naïves constitue un résultat intéressant. En effet, la paire d’années (2016, 2018) produit de meilleures performances que la paire (2017, 2018). Nous savons que 2016 et 2018 sont des années très similaires et qu’il y a des rotations de cultures alternant tous les deux ans comme le

Bâtis denses Bâtis diffus Zones ind et com Surfaces routes

Colza Céréales à pailles Protéagineux Soja Tournesol Maïs Riz Tubercules/racines

Prairies Vergers Vignes

Forêts de feuillus

Forêts de coniferes

Pelouses

Landes ligneuses

Surfaces minérales Plages et dunes Glaciers ou neiges

Eau Sup Naif 16 18 Naif 17 18 SC Bayes+Région Bayes MAJ+Région MAJ VM VM+MT+Régions VM+MT VM CAN VC VC CAN Dempster-Shafer (PG) Dempster-Shafer (Précision) 0.13 0.72 0.61 0.57 0.95 0.90 0.67 0.87 0.94 0.93 0.98 0.76 0.65 0.58 0.89 0.84 0.92 0.71 0.53 0.87 0.42 0.86 0.99 0.12 0.60 0.55 0.47 0.92 0.87 0.54 0.80 0.92 0.91 0.97 0.68 0.57 0.40 0.79 0.81 0.89 0.68 0.40 0.86 0.33 0.83 0.99 0.100.57 0.54 0.47 0.92 0.85 0.53 0.80 0.92 0.90 0.97 0.58 0.52 0.36 0.73 0.79 0.88 0.66 0.37 0.84 0.24 0.75 0.99 0.11 0.62 0.57 0.51 0.93 0.87 0.57 0.81 0.92 0.92 0.98 0.66 0.56 0.43 0.80 0.81 0.89 0.67 0.42 0.88 0.62 0.82 0.99 0.11 0.61 0.56 0.50 0.92 0.86 0.50 0.81 0.92 0.91 0.97 0.57 0.59 0.44 0.83 0.82 0.90 0.70 0.46 0.87 0.34 0.88 0.99 0.11 0.61 0.56 0.50 0.92 0.86 0.49 0.82 0.92 0.91 0.97 0.56 0.59 0.44 0.83 0.82 0.90 0.70 0.46 0.87 0.34 0.88 0.99 0.14 0.68 0.59 0.590.02 0.09 0.070.250.040.66 0.780.100.69 0.65 0.91 0.86 0.93 0.78 0.64 0.88 0.53 0.88 0.99 0.14 0.68 0.59 0.590.02 0.09 0.070.250.040.66 0.780.100.69 0.65 0.91 0.86 0.93 0.78 0.64 0.88 0.53 0.88 0.99 0.090.63 0.55 0.43 0.92 0.87 0.47 0.81 0.92 0.90 0.97 0.53 0.52 0.33 0.72 0.80 0.89 0.67 0.30 0.84 0.21 0.83 0.99 0.12 0.63 0.57 0.52 0.91 0.77 0.47 0.81 0.91 0.91 0.97 0.55 0.60 0.49 0.85 0.83 0.90 0.72 0.49 0.88 0.37 0.88 0.99 0.12 0.63 0.57 0.52 0.91 0.77 0.47 0.81 0.91 0.91 0.97 0.55 0.60 0.49 0.85 0.83 0.90 0.72 0.49 0.88 0.37 0.88 0.99 0.100.57 0.54 0.47 0.92 0.85 0.53 0.80 0.92 0.90 0.97 0.58 0.52 0.36 0.73 0.79 0.88 0.66 0.37 0.84 0.24 0.75 0.99 0.11 0.60 0.55 0.48 0.93 0.87 0.56 0.82 0.93 0.92 0.97 0.66 0.56 0.39 0.79 0.81 0.89 0.68 0.40 0.87 0.29 0.86 0.99 0.11 0.60 0.55 0.48 0.93 0.86 0.56 0.82 0.93 0.92 0.97 0.66 0.56 0.39 0.79 0.81 0.89 0.68 0.40 0.87 0.29 0.86 0.99 0.12 0.60 0.55 0.47 0.92 0.87 0.54 0.80 0.92 0.91 0.97 0.68 0.57 0.40 0.79 0.81 0.89 0.68 0.40 0.86 0.33 0.83 0.99 0.100.62 0.56 0.50 0.93 0.86 0.51 0.80 0.92 0.92 0.97 0.59 0.58 0.39 0.80 0.79 0.88 0.67 0.30 0.86 0.28 0.83 0.99 0.0 0.2 0.4 0.6 0.8 1.0

Table 10.3 : Performances obtenues par les différentes méthodes proposées sur la zone Grand Sud. Cette table recense la PG, le kappa, le FScore minimal et la classe associée.

Méthode PG kappa FScore min Classe FScore min Supervisée 0.835 0.814 0.131 Bâti dense Naïve 2016 0.804 0.778 0.119 Bâti dense Naïve 2017 0.788 0.76 0.105 Bâti dense

VM 0.75 0.72 0.088 Bâti dense

VM + MT 0.82 0.796 0.120 Bâti dense VM + MT + régions 0.82 0.79 0.120 Bâti dense VM et transfert d’étiquettes 0.788 0.76 0.105 Bâti dense

VC 0.80 0.77 0.111 Bâti dense

VC et transfert d’étiquettes 0.805 0.779 0.112 Bâti dense Dempster-Shafer (PG) 0.80 0.77 0.119 Bâti dense Dempster-Shafer (précision) 0.79 0.77 0.105 Bâti dense Classifieur Unique 0.81 0.787 0.109 Bâti dense Classifieur Bayésien 0.817 0.792 0.114 Bâti dense Classifieur Bayésien + régions 0.817 0.792 0.114 Bâti dense

Mise à jour 0.759 0.728 0.015 Colza Mise à jour + régions 0.75 0.72 0.015 Colza

Tournesol et le Blé. Ces deux raisons permettent d’expliquer cette différence mais il s’agit d’une coïncidence. Celle-ci permet néanmoins de mettre en évidence l’apport des méthodes de fusion qui améliorent la précision des cartes produites, par rapport à la classification naïve 2016, malgré les fortes différentes climatiques entre 2017 et 2018.

Nous notons le manque d’influence, lors de l’utilisation de la matrice de transition, du découpage en zone éco-climatique, qui pourtant devrait avoir un fort impact. Néanmoins, la classification naïve prend déjà en compte cette stratification, ce qui peut expliquer ce manque d’impact. Une deuxième explication possible concerne la clef de transition qui ne contient qu’une classe. Un historique plus profond pourrait augmenter l’impact de la stratification lors de l’utilisation de la MT.

La stabilité des performances pour les classes annuelles constitue un résultat très intéressant. En effet, contrairement à ce que nous avons observé lors des précédentes expérimentations, les Fscore associées à celles-ci demeurent supérieurs à 80 %. Là encore, nous pouvons mettre en avant la forte diversité offerte par la couverture de la zone traitée, qui permet aux classifieurs de mieux appréhender les distorsions entre les années.