Une carte devrait montrer son incertitude

Une carte de classification paraît souvent plus certaine que les données qui la soutiennent. Chaque pixel reçoit une couleur, chaque parcelle une catégorie, et le résultat visuel peut dissimuler que le modèle a été entraîné sur peu de champs, que la saison actuelle est inhabituelle ou qu’une grande partie de la série temporelle a été reconstruite plutôt qu’observée. Dans un verger, l’incertitude n’est pas un défaut à supprimer de l’interface ; c’est une information dont le producteur a besoin avant de mobiliser du temps de terrain.

Plusieurs solutions permettent de rendre cette incertitude utile. Le modèle peut fournir des probabilités calibrées au lieu de retourner uniquement la classe la plus probable. Le résultat par parcelle peut indiquer la couverture d’observation valide, la proportion de pixels qui a changé et la distance entre la courbe actuelle et la distribution de référence. Une étude de cartographie nationale des vergers en Italie a combiné un XGBoost probabiliste avec une calibration bayésienne fondée sur les statistiques nationales ; c’est un exemple concret de probabilités que l’on cherche à vérifier plutôt qu’à supposer. La classification hiérarchique offre une autre voie : lorsque la classe fine est incertaine, le système peut encore retourner une catégorie plus fiable comme « verger ». Voir Lodato et al. et l’étude temporelle hiérarchique.

L’incertitude modifie aussi la manière de valider le modèle. Une séparation aléatoire de pixels voisins peut donner une impression de performance excessive parce que les ensembles d’apprentissage et de test contiennent presque les mêmes morceaux d’une même parcelle. Un test plus honnête réserve des parcelles entières, des saisons ou des régions, puis montre où la performance diminue. Le résultat est moins flatteur, mais il indique si la carte peut servir une nouvelle parcelle, une nouvelle année ou seulement le territoire sur lequel elle a été entraînée. La confiance est utile lorsqu’elle réduit la prochaine question ; elle devient dangereuse lorsqu’elle habille une réponse fragile.