Sequential Feature Selection for Efficient Landslide Segmentation from Multi-Spectral Data

Résumé technique : Sélection séquentielle de caractéristiques pour une segmentation efficace des glissements de terrain à partir de données multispectrales

Énoncé du problème
La détection des glissements de terrain par apprentissage profond sur des images satellitaires repose de plus en plus sur de grands ensembles de caractéristiques d'entrée fortement corrélées, combinant généralement les bandes brutes Sentinel-2 et ALOS PALSAR avec de nombreux indices spectraux et structurels conçus. Les auteurs soutiennent que cette pratique consistant à ajouter systématiquement chaque bande disponible et chaque indice dérivé manque d'interprétabilité physique, alourdit la charge computationnelle et risque de dégrader les performances du modèle en raison du phénomène de Hughes (où l'augmentation de la dimensionnalité des entrées par rapport à la taille des données d'entraînement réduit la précision). De plus, les études d'ablation conventionnelles sur une seule bande ne parviennent pas à capturer les effets d'interaction entre les canaux, laissant mal comprises les indications physiques spécifiques qui sous-tendent les prédictions du modèle.

Méthodologie
L'étude propose un cadre systématique et explicable de sélection de canaux appliqué à l'ensemble de données de référence Landslide4Sense, qui contient 3 799 patches multispectraux répartis sur quatre régions géographiques distinctes. La méthodologie comprend les éléments suivants :

1. Espace d'entrée : Le groupe de candidats comprend 30 canaux : les 14 bandes natives Sentinel-2/ALOS PALSAR plus 16 caractéristiques conçues (incluant des indices de végétation comme le NDVI, des indices d'humidité comme le NDMI, des indices d'exposition du sol comme le NBR, et des caractéristiques structurelles comme les détecteurs de contours et les gradients).
2. Modèle proxy : Une architecture U-Net++ légère avec un backbone ResNet-50 est utilisée comme modèle proxy pour toutes les expériences de sélection.
3. Algorithme de sélection : Le cœur du cadre est la Sélection Séquentielle Flottante Vers l'Avant (SFFS). Contrairement à la sélection forward gourmande ou aux tests de suppression de bande unique, la SFFS ajoute itérativement la caractéristique qui maximise les performances de validation, puis effectue une étape de suppression arrière « flottante ». Cela permet à l'algorithme de supprimer les caractéristiques précédemment sélectionnées si elles deviennent redondantes en présence de nouvelles ajouts, capturant ainsi efficacement les interactions non linéaires et les redondances.
4. Protocole d'entraînement : Pour faire face au déséquilibre extrême des classes (où les pixels de glissements de terrain ne constituent que ~2,5 % des données), les auteurs emploient une entropie croisée binaire pondérée par classe combinée à une perte Dice, un échantillonnage équilibré par classe et un minage de négatifs durs. Les seuils sont optimisés via un balayage de validation (0,3–0,8) pour maximiser les scores F1.
5. Analyse d'attribution : Après la sélection du sous-ensemble optimal, des tests d'importance par permutation sont menés. Cela consiste à mélanger les valeurs de bandes individuelles pour mesurer la baisse résultante du score F1, quantifiant ainsi la contribution relative de chaque canal retenu.

Contributions clés

• Sélection systématique de caractéristiques : L'article introduit une approche fondée sur des principes pour la conception d'entrées en observation de la Terre, s'éloignant de la stratégie « ajouter tout » au profit d'une sélection pilotée par les données de caractéristiques complémentaires.
• Identification d'un sous-ensemble compact : Le cadre identifie avec succès un sous-ensemble minimal de 8 canaux qui préserve ou dépasse les performances des configurations utilisant jusqu'à 30 canaux.
• Interprétabilité physique : En isolant les entrées nécessaires, l'étude examine quelles caractéristiques spectrales et topographiques conduisent véritablement aux prédictions de glissements de terrain, distinguant les signaux informatifs du bruit.
• Validation du phénomène de Hughes : Les résultats fournissent des preuves empiriques que l'ajout d'indices conçus redondants ou fortement corrélés peut activement dégrader les performances du modèle plutôt que de les améliorer.

Résultats

• Performances : Le sous-ensemble de 8 canaux sélectionné par SFFS a obtenu un score F1 de 78,32 %. Cela surpasse la ligne de base des 14 bandes spectrales brutes (77,2 %), l'ensemble complet de 30 canaux conçus (77,3 %) et une configuration de 23 canaux référencée (78,1 %).
• Caractéristiques sélectionnées : Le sous-ensemble final de 8 canaux comprend :
  • Bandes spectrales : B4 (Rouge), B5 (Rouge bord 1), B8 (NIR), B11 (SWIR1), et des versions normalisées de B3 et B12.
  • Topographiques/Structurelles : Pente (B13) et un composite en niveaux de gris (Bande 21).
  • Caractéristiques exclues : La plupart des indices spectraux conçus (NDVI, NDMI, NBR, SAVI, EVI, NDWI, MNDWI) et les caractéristiques structurelles (gradients, détecteurs de contours) ont été systématiquement exclus, suggérant qu'ils sont redondants par rapport aux bandes brutes ou qu'ils introduisent du bruit.
• Importance des caractéristiques : L'analyse par permutation a révélé que B4 (Rouge) est le contributeur dominant aux performances du modèle, suivi par la Pente et le composite en niveaux de gris. Les autres bandes retenues (B5, B8, B11) ont montré des contributions modérées, tandis que le MNT (B14) a eu un impact limité, probablement en raison de la redondance avec la Pente.

Signification et affirmations
L'article affirme qu'une segmentation précise des glissements de terrain ne nécessite pas l'ensemble complet des entrées brutes et conçues disponibles. À la place, un sous-ensemble compact et physiquement interprétable suffit pour atteindre des performances de pointe. Les auteurs soutiennent que :

1. Efficacité : Réduire la dimensionnalité des entrées de 30 à 8 canaux offre des avantages computationnels et de stockage significatifs sans sacrifier la précision.
2. Interprétabilité : Les modèles opérant sur un petit nombre de canaux physiquement significatifs sont plus faciles à analyser et à expliquer, ce qui est crucial pour la réponse opérationnelle aux catastrophes.
3. Réévaluation des indices : L'étude remet en question l'hypothèse répandue selon laquelle les indices spectraux précalculés fournissent des informations complémentaires ; dans ce contexte, ils agissent souvent comme des transformations redondantes des bandes originales.
4. Conception de principes d'entrée : Les auteurs préconisent la SFFS comme approche standard pour la conception d'entrées en télédétection, la contrastant avec la pratique actuelle qui espère que les modèles d'apprentissage profond peuvent implicitement apprendre à ignorer les entrées non pertinentes.

Les auteurs restent modestes quant à la généralisabilité, notant que l'étude est limitée à l'ensemble de données de référence Landslide4Sense et que la transférabilité inter-capteurs et les performances à travers différentes architectures nécessitent des investigations supplémentaires.