Résumé technique : Quantification de l'incertitude pour les tâches de régression en observation de la Terre (EO)

Énoncé du problème

Les tâches de régression en observation de la Terre (EO), plus précisément l'estimation de la hauteur des bâtiments, de la hauteur de la canopée et de la biomasse aérienne (AGB), sont cruciales pour l'urbanisme, la surveillance des forêts et les politiques climatiques. Cependant, les modèles de deep learning standards produisent généralement des prédictions déterministes (valeurs scalaires uniques par pixel) sans indiquer la fiabilité ou la confiance de ces prédictions. Ce manque de quantification de l'incertitude est particulièrement problématique en EO en raison de défis inhérents tels que l'hétérogénéité des surfaces terrestres, les distributions cibles asymétriques, le bruit des capteurs, les interférences atmosphériques et la saturation du signal pour les valeurs cibles élevées.

Bien que l'estimation de l'incertitude soit bien établie en vision par ordinateur (souvent via des approximations bayésiennes ou des ensembles), son application systématique à la régression en EO reste limitée. De plus, les tâches de régression présentent des difficultés uniques par rapport à la classification : les espaces cibles continus avec des distributions asymétriques ou à queues lourdes rendent difficile la définition de mesures d'incertitude calibrées. Les hypothèses gaussiennes standards peuvent échouer à capturer les incertitudes asymétriques courantes dans les données EO, nécessissant des approches alternatives.

Méthodologie

Les auteurs proposent de modéliser l'incertitude aléatoire (bruit irréductible dans les données) en utilisant des séries temporelles d'un an d'imagerie Sentinel-1 SAR et Sentinel-2 MSI (12 mois, résolution de 10 m). Ils introduisent deux approches de deep learning complémentaires partageant un squelette (backbone) commun mais différant par leurs têtes d'incertitude :

1. Architecture du réseau

• Squelette (Backbone) : Un encodeur CNN partagé basé sur ResNet50 traite la série temporelle de 12 mois (T=12, C=9 canaux). Les caractéristiques sont projetées dans un espace latent et traitées par deux blocs de Swin Transformer consécutifs utilisant une attention par fenêtre décalée (shifted window attention) pour capturer les dépendances spatio-temporelles.
• Décodeur : Un décodeur multi-niveaux (L1, L2, L3) améliore les caractéristiques avec une attention temporelle et les suréchantillonne pour générer des prédictions par pixel.

2. Incertitude Gaussienne (Gaussian UC)

• Formulation : Une approche paramétrique supposant que la cible suit une distribution gaussienne. Le modèle prédit conjointement la moyenne ($\mu$) et le logarithme de l'écart-type ($\eta = \log \sigma$).
• Fonction de perte : Entraînée à l'aide d'une somme pondérée de :
  • Log-vraisemblance négative (NLL) : La perte principale, privilégiant les pixels de vérité terrain non nuls.
  • Perte de bord de Sobel (Sobel Edge Loss) : Préserve les contours et supprime le flou.
  • RMSE : Agit comme un régularisateur pour la prédiction de la moyenne.

3. Incertitude par Quantiles (Quantile UC)

• Formulation : Une approche non paramétrique estimant les 10e, 50e et 90e quantiles conditionnels ($Q_{10}, Q_{50}, Q_{90}$). Cela permet des intervalles de prédiction asymétriques, mieux adaptés aux distributions asymétriques.
• Fonction de perte : Entraînée à l'aide d'une somme pondérée de :
  • Perte de Pinball (Quantile Loss) : Minimise l'erreur à travers les trois quantiles.
  • Termes de régularisation :
    • Déficit de couverture (Coverage Shortfall) : Encourage la couverture empirique de $[Q_{10}, Q_{90}]$ à se rapprocher d'un taux nominal de 80 %.
    • Non-croisement (Non-Crossing) : Impose $Q_{10} \leq Q_{50} \leq Q_{90}$.
    • Écart adaptatif à la confiance (Confidence-Adaptive Spread) : Réduit la largeur de l'intervalle lorsque la prédiction médiane est précise.
  • Sobel et RMSE : Appliqués à la médiane ($Q_{50}$) pour préserver les bords et stabiliser les estimations.

4. Métriques d'évaluation

• Précision : RMSE, $R^2$, MAPE, nMAD (Déviation Absolue Médiane Normalisée) et IoU.
• Calibration de l'incertitude :
  • ErrorCoverage : Pour la Gaussian UC, mesure le pourcentage de résidus tombant dans $k\sigma$ ($k=1, 2, 3$).
  • DataCoverage : Pour la Quantile UC, mesure le pourcentage de valeurs de vérité terrain tombant dans l'intervalle $[Q_{10}, Q_{90}]$.

Principales contributions

1. Cadre comparatif : Le papier compare systématiquement les formulations Gaussienne et par Quantiles pour l'incertitude aléatoire dans la régression EO.
2. Évaluation multi-tâches : Les deux approches sont évaluées sur trois tâches à fort impact : l'estimation de la hauteur des bâtiments (BHE), l'estimation de la hauteur de la canopée (CHE) et l'estimation de la biomasse aérienne (AGB), en utilisant des séries temporelles fusionnées SAR et multispectrales.
3. Métriques de calibration : Les auteurs démontrent l'utilisation de "ErrorCoverage" et "DataCoverage" pour évaluer rigoureusement la calibration des intervalles d'incertitude prédits.
4. Référencement de performance : L'étude montre que les modèles conscients de l'incertitude peuvent atteindre une précision comparable aux références déterministes tout en fournissant des estimations de confiance interprétables.

Résultats

Les modèles ont été testés sur des jeux de données couvrant l'Estonie, la Finlande, l'Allemagne, les Pays-Bas et la Suisse.

• Précision : Les deux modèles ont obtenu des résultats compétitifs.
  • Hauteur de la canopée et Biomasse : Le modèle Gaussian UC a obtenu les meilleurs résultats, la CHE atteignant un RMSE de 2,33 m et l'AGB un RMSE de 30,14 tonnes/pixel. Les scores $R^2$ étaient élevés (0,80–0,90), indiquant un apprentissage efficace des variations de la végétation.
  • Hauteur des bâtiments : Le modèle Quantile UC a légèrement surpassé le modèle Gaussien (RMSE 2,37 m contre 2,56 m, $R^2$ 0,50 contre 0,42). Les auteurs attribuent cela à l'hétérogénéité des environnements urbains, où les intervalles asymétriques capturent mieux les biais localisés et les distributions non gaussiennes.
• Calibration :
  • Gaussian UC : Les taux de couverture d'erreur étaient proches des attentes gaussiennes nominales (ex: ~68 % dans $\pm1\sigma$, ~95 % dans $\pm2\sigma$). Cependant, dans certaines régions à haute valeur, le modèle a gonflé l'incertitude pour compenser les écarts de queue de distribution.
  • Quantile UC : La couverture des données pour l'intervalle $[Q_{10}, Q_{90}]$ était d'environ 80 % pour toutes les tâches (0,79–0,82), indiquant des intervalles asymétriques bien calibrés.
• Caractéristiques de distribution : Les résultats ont souligné que les erreurs de hauteur de bâtiment et de biomasse présentent souvent des distributions asymétriques à droite (sous-estimation systématique aux valeurs élevées), ce que le modèle Quantile a capturé efficacement via des intervalles supérieurs plus larges ($Q_{50}$–$Q_{90}$) par rapport aux intervalles inférieurs.

Signification et affirmations

Le papier affirme que la modélisation explicite de l'incertitude aléatoire est indispensable pour une inférence fiable en EO, particulièrement compte tenu du bruit et de la saturation inhérents aux données satellitaires. Les auteurs affirment que :

• Les modèles d'estimation d'incertitude peuvent égaler ou surpasser les références déterministes en précision tout en fournissant des estimations de confiance opérationnellement utiles.
• Le choix entre les formulations Gaussienne et par Quantiles dépend du domaine cible : les hypothèses gaussiennes fonctionnent bien pour les cibles de végétation plus lisses, tandis que la régression par quantiles est supérieure pour les environnements urbains complexes et asymétriques.
• Les modèles proposés surpassent l'état de l'art actuel à 10 m pour l'estimation de la hauteur de la canopée.
• Ce travail comble une lacune critique en EO en allant au-delà des prédictions de valeur unique pour fournir des cartes d'incertitude calibrées et interprétables, essentielles pour la prise de décision dans les politiques climatiques et l'urbanisme.

L'implémentation est mise à disposition de la communauté pour faciliter la recherche ultérieure dans ce domaine.