Résumé technique : Hedgementation = Hedgerow Segmentation : Un benchmark pour la télédétection

Problématique

Les haies — de petites parcelles d'habitat naturel dans les paysages agricoles — sont cruciales pour la biodiversité, le stockage du carbone et les services écosystémiques. Cependant, leur étendue est en déclin, et les données d'inventaire existantes sont géographiquement et temporellement limitées, souvent restreintes à des régions spécifiques comme la France ou l'Angleterre et ne couvrant que quelques années. La collecte de données à grande échelle manuellement est coûteuse. Bien que l'imagerie satellite combinée au deep learning offre une solution potentielle, les progrès sont entravés par la rareté des étiquettes (labels), la faible transférabilité des modèles à de nouvelles régions et l'absence de benchmarks reproductibles. Le défi spécifique réside dans la détection de caractéristiques linéaires à petite échelle (les haies) qui varient considérablement selon les zones climatiques et agricoles.

Méthodologie

Le benchmark Hedgementation

Les auteurs proposent Hedgementation, un nouveau benchmark pour évaluer les modèles d'apprentissage automatique sur la cartographie des haies à l'échelle d'un pays (la France) avec une résolution spatiale de 10 m². Le benchmark intègre trois sources de données primaires :

1. Imagerie : Données Sentinel-2 harmonisées de réflectance de surface (résolution de 10 m, intervalles de 5 jours) de septembre illes 2021 à octobre 2022, accédées via Google Earth Engine.
2. Embeddings : Embeddings annualisés du modèle Alpha Earth Foundations (AEF), fournissant des représentations apprises à une résolution de 10 m.
3. Vérité terrain (Ground Truth) : Étiquettes issues de l'inventaire BD Haie (Version 2) de l'institut IGN. Ces étiquettes sont dérivées de l'interprétation de photos aériennes, validées par des agriculteurs dans les zones agricoles, et complétées par une segmentation automatique ailleurs.

Traitement des données :

• Rasterisation : Puisque les étiquettes BD Haie sont des géométries de lignes sans largeur, les auteurs les ont rasterisées en appliquant un tampon (buffer) de 7 m (basé sur la largeur moyenne des haies en Allemagne et les normes comptables françaises), une rasterisation à une résolution de 0,5 m, puis un sous-échantillonnage à 10 m par moyenne.
• Génération de patchs : Les données nationales sont divisées en patchs carrés de 1,28 km x 1,28 km (128x128 pixels).
• Stratification : Les patchs sont assignés à des zones climatiques (Tempérée vs Subtropicale) basées sur les données des zones agro-écologiques mondiales et catégorisés par statut agricole à l'aide des limites de parcelles agricoles françaises.

Design expérimental

Le benchmark évalue la généralisation des modèles selon deux dimensions :

1. Généralisation spatiale : La France est divisée en grandes tuiles séparées par un tampon de 28 km. Les patchs sont assignés à des ensembles de test "Proches" (potentiellement adjacents aux données d'entraînement) et "Lointains" (à au moins 28 km de tout patch d'entraînement) pour mesurer la transférabilité selon la distance.
2. Généralisation climatique : Les modèles sont testés sur des zones tempérées et subtropicales, incluant des scénarios d'entraînement inter-zones (ex: entraînement uniquement sur des données tempérées et test sur des données subtropicales).

Baselines évaluées :

• Modèles de Deep Learning :
  • PASTIS U-TAE : Un U-Net avec un encodeur à attention temporelle (Temporal Attention Encoder), entraîné de zéro sur des images satellites brutes.
  • FTW (Fields of The Worlds) : Un modèle utilisant moins de bandes spectrales et deux images saisonnières.
• Modèles basés sur les embeddings :
  • k-Plus Proches Voisins (kNN) : Appliqué aux embeddings AEF avec un contexte spatial de 3x3 et une pondération centrale.
  • Forêt Aléatoire (Random Forest) : Appliquée aux embeddings AEF.
  • Régression Logistique : Appliquée aux embeddings AEF.

Métrique d'évaluation :
La performance est mesurée par l'Intersection over Union (IoU), une métrique standard pour la classification par pixel qui est invariante à l'échelle et à la parcimonie.

Résultats clés

Performance des baselines

• Deep Learning : Le modèle PASTIS U-TAE a obtenu la meilleure performance, avec un IoU moyen de 41,0 % sur les tests proches et de 38,9 % sur les tests lointains. Le modèle FTW est moins performant, avec un IoU moyen d'environ 31 % (proche) et 29 % (lointain).
• Modèles d'embeddings : Les modèles utilisant les embeddings AEF (Random Forest, kNN, Régression Logistique) ont montré une précision absolue plus faible (IoU allant de ~15 % à ~24 %) mais ont fait preuve d'une robuste généralisation spatiale. Notamment, le modèle Random Forest a montré une performance presque identique sur les tests proches et lointains, suggérant que les embeddings AEF capturent efficacement les caractéristiques globales.

Analyse de la généralisation

• Distance spatiale : Comme prévu, les modèles de deep learning (PASTIS, FTW) ont légèrement mieux performé sur les patchs "Proches" que sur les patchs "Lointains" (un écart de ~2-5 % d'IoU). Cependant, les modèles basés sur les embeddings ont montré une dégradation négligeable avec la distance.
• Zones climatiques : Les patchs subtropicaux étaient systématiquement plus difficiles à prédire que les patchs tempérés. Les modèles entraînés exclusivement sur des données subtropicales ont mal performé sur les données tempérées, et inversement, bien que l'entraînement sur l'ensemble du jeu de données ait produit la meilleure généralisation globale.
• Agricole vs Non-agricole : La prédiction était nettement plus facile dans les paysages agricoles. Le modèle PASTIS U-TAE a atteint un IoU de 45,9 % sur les pixels agricoles contre 41 % pour l'ensemble du jeu de données. Cela est attribué à une meilleure qualité des étiquettes dans les zones agricoles (validation par les agriculteurs) et à la prévalence des haies dans ces zones.

Signification et affirmations

L'article positionne Hedgementation comme une étape nécessaire vers une recherche reproductible et comparable en matière de surveillance écologique par télédétection. Ses principales contributions sont :

1. Un nouveau benchmark : Il fournit un jeu de données standardisé et un protocole d'évaluation pour la segmentation des haies à l'échelle nationale, répondant au manque de benchmarks accessibles et de haute qualité pour les caractéristiques agricoles à petite échelle.
2. Focus sur la généralisation : Contrairement à de nombreux benchmarks qui se concentrent uniquement sur la précision au sein d'une seule région, Hedgementation teste explicitement la généralisation spatiale et climatique, soulignant les défis du transfert de modèles à travers diverses zones agro-écologiques.
3. Reproductibilité : Les auteurs fournissent le code pour créer automatiquement le benchmark et répliquer les résultats des baselines, visant à dépasser la nature "boîte noire" des études précédentes en télédétection.
4. Baselines modestes : Les auteurs reconnaissent que si la meilleure baseline (PASTIS U-TAE) atteint un IoU > 40 %, cela reste insuffisant pour une analyse agricole et écologique précise. Le benchmark sert de fondation pour stimuler de nouveaux progrès dans les architectures de modèles, les stratégies de pré-entraînement et l'efficacité des données.

L'article conclut que, bien que des améliorations significatives soient nécessaires, la version actuelle de Hedgementation parvient à éclairer le développement des modèles en quantifiant les difficultés de la généralisation spatiale et agricole dans la cartographie des haies.