Uncertainty-Aware Spatial Mixture Classification of Imbalanced CO₂ Plume States: Application to the Sleipner 2019 Benchmark

Résumé Technique : Classification de Mélanges Spatiaux Sensible à l'Incertitude pour les États de Panaches de CO₂ Déséquilibrés

Énoncé du Problème
La surveillance du stockage géologique de dioxyde de carbone (CO₂) nécessite une classification fiable des états de panache (par exemple, hors du panache, bordure de panache, intérieur du panache) à travers des réservoirs spatialement hétérogènes. Les jeux de données de référence, tels que le modèle Sleipner 2019, présentent des défis statistiques importants :

1. Déséquilibre de Classe Sévère : La grande majorité des cellules de la grille (environ 87 % dans l'étude) représente la classe de fond « hors panache », tandis que les états de bordure et d'intérieur, scientifiquement critiques, sont des minorités rares.
2. Hétérogénéité Spatiale et Stratigraphique : La relation entre les prédicteurs du réservoir (profondeur, vitesse, propriétés pétrophysiques) et l'état du panache varie selon les couches géologiques et les régimes spatiaux. Un classificateur global unique ne parvient pas à capturer ces variations locales.
3. Colinéarité et Instabilité : Les prédicteurs du réservoir sont souvent fortement corrélés en raison de processus géologiques partagés. Dans les modèles de mélange, où les données sont partitionnées en composantes latentes, la taille d'échantillon effective pour chaque composante peut être faible, entraînant des estimations locales mal conditionnées et des coefficients de logit multinomial instables.
4. Absence de Quantification de l'Incertitude : Les approches classiques d'apprentissage automatique prédictif fournissent souvent des estimations ponctuelles sans incertitude postérieure ou identification de régimes latents interprétables.

Méthodologie
Les auteurs proposent un modèle de Mélange de Logit Multinomial à Poids de Grappe Informé Spatialement. Ce cadre intègre trois éléments méthodologiques distincts :

1. Modélisation par Poids de Grappe (Cluster-Weighted Modeling - CWM) : Contrairement aux mélanges finis standards qui modélisent uniquement la distribution marginale des covariables, le CWM factorise la distribution jointe des covariables ($X$) et de la réponse ($Y$). Le modèle suppose $G$ régimes statistiques latents, où chaque régime $g$ possède :

   • Une densité de covariables spécifique à la composante $f_g(s_i, x_i, c_i)$, qui inclut les coordonnées spatiales (est, nord, profondeur) pour garantir que les régimes occupent des régions spatiales distinctes.
   • Un modèle de réponse conditionnelle spécifique à la composante $q_g(y_i | x_i, c_i)$, implémenté sous forme de régression logistique multinomiale.
   • Des poids de mélange $\pi_g$ constants à travers le domaine (l'hétérogénéité spatiale est pilotée par les densités de covariables, et non par les poids).

2. Estimation Pondérée par Classe : Pour traiter le déséquilibre de classe sévère, la partie réponse conditionnelle de la vraisemblance est ajustée à l'aide de poids de classe dérivés d'une transformée de puissance inverse des fréquences de classe. Cela déplace l'objectif d'optimisation de la précision globale vers un recouvrement équilibré des classes minoritaires.

3. Mise à Jour par Contraction à Deux Paramètres : Pour stabiliser l'algorithme d'espérance-maximisation (EM) lors de l'étape M sous l'effet de la colinéarité et des petites tailles d'échantillon effectives, les auteurs remplacent la mise à jour standard par l'estimation du maximum de vraisemblance (MLE) des coefficients de logit multinomial par une mise à jour par contraction à deux paramètres spécifique à la composante :
   $$\hat{\beta}_{g, TPE} = (A_g + I_r)^{-1}(A_g + d_g I_r)(A_g + k_g I_r)^{-1} b_g$$
   où $A_g$ et $b_g$ sont la matrice d'information et le vecteur de travail, et $k_g, d_g$ sont des paramètres de contraction sélectionnés via le pseudo-BIC local ou la validation croisée. Cette mise à jour généralise les estimateurs de type Ridge et Liu, permettant au degré de régularisation de s'adapter au conditionnement de chaque régime latent.

Principales Contributions
Le papier positionne cette contribution comme une intégration de techniques établies plutôt que la proposition de nouvelles théories statistiques entièrement inédites. Les contributions spécifiques sont :

• Intégration pour la Surveillance des Réservoirs : Combinaison du CWM spatialement informé, des réponses logit multinomiales et de la contraction à deux paramètres spécifiquement pour les données de réservoir discrétisées et déséquilibrées.
• Stabilisation Spécifique aux Composantes : Intégration d'une mise à jour par contraction à deux paramètres au sein de l'algorithme EM pour gérer les ajustements locaux mal conditionnés causés par la colinéarité et les classes rares au sein de régimes latents spécifiques.
• Protocole de Validation Rigoureux : Distinction entre la performance apparente sur l'échantillon (in-sample) et la performance prédictive honnête en utilisant une validation croisée par blocs spatiaux (pour gérer l'autocorrélation spatiale) et des tests de transfert de type « leave-one-layer-out » (exclusion d'une couche). Les auteurs rapportent explicitement le « pseudo-BIC » et le « pseudo-ICL » lorsque des poids de classe sont utilisés, reconnaissant ainsi l'écart par rapport à la théorie de vraisemblance standard.
• Analyse d'Ablation : Isolation systématique des contributions de la pondération de classe, des covariables spatiales, des mélanges latents et de la contraction pour déterminer les moteurs de la performance.

Résultats Empiriques (Benchmark Sleipner 2019)
Le modèle a été appliqué à un tableau de 200 mètres comprenant 3 409 cellules sur 9 couches.

• Régimes Latents : Le modèle a identifié trois régimes latents interprétables et organisés par profondeur. Un régime dominait la pile de réservoir plus profonde, tandis que les deux autres partitionnaient les couches plus superficielles, ce qui est cohérent avec la stratigraphie connue d'Utsira.
• Conditionnement : Les trois régimes présentaient un mauvais conditionnement sévère (nombres de condition $\sim 10^9$). Les paramètres de contraction se sont adaptés en conséquence, appliquant une forte contraction au régime le plus mal conditionné et des mises à jour proches de la MLE aux régimes mieux conditionnés.
• Métriques de Performance :
  • Référence (Baseline) : Une référence basée sur la classe majoritaire a obtenu une précision équilibrée de 0,333. Un logit multinomial global non pondéré a atteint 0,343.
  • Modèle Proposé : Le CWM spatial proposé avec contraction à deux paramètres a atteint une précision équilibrée en validation croisée de 0,561 (É-type 0,093).
  • Analyse d'Ablation : L'amélioration par rapport à la référence a été principalement pilotée par la pondération de classe (faisant passer la MLE globale de 0,343 à ~0,548) et l'inclusion de covariables spatiales (le mélange non spatial tombant à 0,422).
  • Gains Marginaux : L'ajout de la structure de mélange latent et de la contraction à deux paramètres a apporté des gains faibles, statistiquement indiscernables, par rapport à un logit multinomial global pondéré par classe (0,548–0,550) ou un mélange régularisé par Ridge. Dans les tests de type « leave-one-layer-out », le mélange non régularisé a même légèrement surpassé la variante avec contraction.

Signification et Revendications
Les auteurs font preuve d'une grande modestie dans leurs affirmations, précisant explicitement que leur cadre ne surpasse pas de manière significative les alternatives plus simples de pondération de classe en termes de précision prédictive brute sur ce benchmark spécifique.

• Valeur Primaire : La signification du cadre réside dans l'interprétabilité et la quantification de l'incertitude. Le modèle fournit :
  • L'identification de régimes statistiques latents organisés par profondeur.
  • Des cartes d'incertitude a posteriori pour chaque cellule, mettant en évidence les zones de transition entre les régimes.
  • Une stabilisation adaptative des coefficients locaux par contraction, ce qui est crucial pour une inférence robuste dans des contextes de colinéarité, même si cela n'augmente pas la précision globale.
• Leçons Méthodologiques : Le papier souligne que pour les données spatiales déséquilibrées, une évaluation « honnête » (CV par blocs spatiaux) est critique, car la performance sur l'échantillon (précision équilibrée de 0,732) est trop optimiste. Il souligne également que la correction de la fonction objectif (via la pondération de classe) est souvent plus impactante que l'augmentation de la complexité du modèle.
• Conclusion : Ce travail offre une « approche interprétable et sensible à l'incertitude pour le recouvrement des états de panache minoritaires sous un déséquilibre sévère », plutôt que de prétendre que la régularisation à deux paramètres améliore fondamentalement la précision de la classification par rapport aux bases plus simples. Le mécanisme de stabilisation est présenté comme un outil pour une inférence locale fiable dans les régimes mal conditionnés.