When Does Feature Engineering Matter? A Multi-Algorithm Comparison of Sentinel-2 Classifiers for Coastal and Mangrove Mapping in the Persian Gulf

Le littoral est un lieu de négociation constante. C'est là que la terre rencontre la mer, une frontière mouvante qui abrite certains des écosystèmes les plus vitaux de la Terre, des forêts de mangroves qui protègent les rivages aux vasières qui nourrissent d'innombrables espèces marines. Pourtant, ces zones sont également soumises à la pression du développement humain, de la montée des eaux et de l'activité industrielle. Pour les protéger, les scientifiques doivent savoir exactement ce qui se passe sur le terrain : où se trouvent les arbres, où l'eau est peu profonde et où la terre est nue. Depuis des décennies, le principal outil pour observer ces vastes étendues difficiles d'accès depuis le ciel est l'imagerie satellitaire. Ces satellites capturent la lumière réfléchie par la surface de la Terre, créant une image que les ordinateurs peuvent analyser pour classer le paysage en différentes catégories, telles que la forêt, l'eau ou la ville. Cependant, transformer ces images brutes en cartes précises n'est pas une tâche simple. La lumière qui rebondit sur un arbre de mangrove est différente de celle qui rebondit sur une étendue de boue, mais la différence peut être subtile, et les programmes informatiques utilisés pour les distinguer doivent être choisis avec soin. Si le mauvais programme est utilisé, ou si les données injectées dedans ne sont pas préparées correctement, la carte résultante pourrait être trompeuse, menant potentiellement à de mauvaises décisions sur la gestion de ces environnements fragiles.

Dans le golfe Persique, une région où les forêts de mangroves font face à une pression intense des infrastructures pétrolières et gazières, un chercheur nommé Keivan Kabiri s'est donné pour mission de trouver la méthode la plus fiable pour cartographier ces paysages côtiers. Il s'est concentré sur cinq sites spécifiques le long de la côte sud de l'Iran, allant de massifs de mangroves relativement intacts à des zones fortement influencées par des installations industrielles. Pour tester la meilleure approche, il a rassemblé des images satellites à haute résolution provenant de la mission Sentinel-2 de l'Agence spatiale européenne. Ces images offrent une vue claire de la Terre avec une résolution de dix mètres, ce qui signifie que chaque pixel de l'image représente un carré de dix mètres sur dix au sol. Le défi consistait à déterminer quel algorithme informatique pouvait le mieux classer ces pixels en huit catégories distinctes : mangrove, vasière, sol, eau peu profonde, eau profonde, terrain stérile, zones bâties et végétation générale. Pour ce faire, Kabiri a comparé quatre méthodes différentes. Deux d'entre elles étaient des outils modernes et puissants d'apprentissage automatique, connus sous le nom de Random Forest (Forêt aléatoire) et Extreme Gradient Boosting, qui apprennent à partir d'exemples pour prendre des décisions complexes. Un troisième était le Support Vector Machine (Machine à vecteurs de support), un autre algorithme sophistiqué souvent utilisé en télédétection. Le quatrième était le Maximum Likelihood Classification (Classification par maximum de vraisemblance), une méthode traditionnelle beaucoup plus ancienne qui repose sur des hypothèses statistiques concernant le comportement de la lumière.

L'étude a testé ces algorithmes sous deux conditions différentes pour voir à quel point la préparation des données importait. Dans le premier scénario, les ordinateurs n'ont reçu que les six bandes de lumière brutes capturées par le satellite, qui correspondent à différentes couleurs de la lumière, du spectre visible à l'infrarouge. Dans le second scénario, les chercheurs ont ajouté quatre couches d'informations supplémentaires aux données. Il ne s'agissait pas de nouvelles images, mais plutôt de combinaisons mathématiques des bandes lumineuses existantes conçues pour mettre en évidence des caractéristiques spécifiques, telles que la santé de la végétation ou la clarté de l'eau. Ce processus, appelé ingénierie des caractéristiques (feature engineering), est souvent considéré comme une étape nécessaire pour améliorer la précision. Les chercheurs ont ensuite lancé la classification sur les cinq sites et ont vérifié leur travail par rapport à une référence à très haute résolution. Ils avaient préalablement fait voler des drones sur ces mêmes lieux pour créer des cartes aériennes détaillées, lesquelles servaient de vérité terrain pour vérifier quelles cartes basées sur les satellites étaient réellement correctes.

Les résultats ont révélé une distinction claire et surprenante entre les anciennes et les nouvelles méthodes. Les trois algorithmes modernes — Random Forest, Support Vector Machine et Extreme Gradient Boosting — ont performé exceptionnellement bien dans presque tous les cas. Ils ont atteint une précision globale d'environ 95 à 97 %, identifiant correctement le type de couverture terrestre pour presque chaque pixel. Remarquablement, ces outils de haute performance n'avaient pas besoin des informations supplémentaires et ingéniérées pour faire leur travail. Qu'ils reçoivent uniquement les bandes satellites brutes ou les bandes brutes plus les indices supplémentaires, leur précision est restée constamment élevée. L'ajout des données supplémentaires n'a modifié leur performance que de moins d'un point de pourcentage dans un sens ou dans l'autre, suggérant que ces outils modernes sont assez robustes pour trouver directement les motifs dont ils ont besoin à partir des images brutes.

En contraste frappant, la méthode traditionnelle, le Maximum Likelihood Classification, a rencontré des difficultés importantes lorsqu'elle n'était nourrie que des bandes satellites brutes. Sans les informations supplémentaires, elle n'a réussi à identifier correctement la couverture terrestre que dans environ 55 % des cas, un niveau de précision qui serait inutile pour une gestion pratique. Cependant, lorsque les chercheurs ont ajouté les indices spectraux supplémentaires aux données, cette vieille méthode s'est considérablement améliorée, bondissant à une précision moyenne de 82 %. Bien qu'il s'agisse d'une amélioration massive, elle restait loin des méthodes modernes, qui demeuraient dans les 90 %. L'étude a confirmé que la différence entre la meilleure méthode moderne et la méthode traditionnelle améliorée était statistiquement significative, ce qui signifie que l'écart était réel et non un simple hasard. Les outils modernes étaient simplement mieux adaptés à la réalité complexe et désordonnée de l'environnement côtier.

Même avec les meilleurs outils, certains défis subsistaient. Les chercheurs ont constaté que les quatre algorithmes, quelle que soit leur sophistication, éprouvaient des difficultés à distinguer trois types de terrains spécifiques : les zones bâties comme les bâtiments et les routes, le terrain stérile et le sol nu. Ces trois catégories se ressemblent souvent dans les images satellites car elles sont toutes brillantes et sèches, réfléchissant la lumière de manière presque identique. Cette confusion persistait même lorsque les données supplémentaires étaient ajoutées, suggérant que la limitation ne vient pas du programme informatique, mais du satellite lui-même. La résolution de dix mètres de l'imagerie Sentinel-2 n'est tout simplement pas assez fine pour toujours distinguer une parcelle de sol sec d'une parcelle de béton depuis cette distance. Cette conclusion suggère que pour les tâches exigeant un suivi précis de l'expansion industrielle ou de types de sols spécifiques, les données satellitaires seules pourraient ne pas suffire, et que d'autres sources de données pourraient être nécessaires.

Pour garantir la fiabilité des résultats, l'étude a employé une étape de validation unique. Après avoir classifié les images par satellite, les chercheurs ont comparé les cartes résultantes avec les photos de drones à haute résolution qu'ils avaient prises. Il s'agissait d'un contrôle indépendant, ce qui signifie que les données de drone n'ont pas été utilisées pour apprendre aux ordinateurs comment classer les images ; elles n'ont servi qu'à vérifier si les cartes finales étaient cohérentes. Les résultats de ce contrôle ont été intéressants. Alors que les tests de précision standards montraient clairement la supériorité des algorithmes modernes, le contrôle basé sur les drones présentait un tableau légèrement différent. Il ne séparait pas nettement les meilleurs performeurs des moins bons et, dans certains cas, suggérait même que la méthode traditionnelle était aussi performante que les méthodes modernes. Cela s'est produit parce que le contrôle par drone utilisait des règles larges pour juger les cartes, comme vérifier si un pixel de "sol" paraissait assez brillant pour être du sol. Puisque la méthode traditionnelle confondait souvent le sol avec des bâtiments ou du terrain stérile, et que ces trois éléments paraissent brillants sur les photos de drone, le contrôle a attribué du mérite à la méthode traditionnelle pour avoir saisi l'aspect général, même si elle s'était trompée de label spécifique. Cela a mis en lumière une leçon cruciale : si les contrôles indépendants sont précieux pour repérer les erreurs flagrantes, ils ne peuvent remplacer les tests de précision détaillés basés sur la vérité terrain lorsqu'il s'agit de classer la performance spécifique d'une méthode.

En fin de compte, cette étude offre des directives claires pour quiconque tente de cartographier ces zones côtières. Si l'objectif est de créer une carte précise des mangroves et des vasières, le choix de l'algorithme informatique importe moins qu'on ne pourrait le croire, à condition d'utiliser un outil moderne d'apprentissage automatique. Random Forest, Support Vector Machine et Extreme Gradient Boosting sont tous des choix fiables qui fonctionnent bien sans nécessiter de préparation complexe de données supplémentaires. La méthode traditionnelle n'est pas obsolète, mais elle nécessite une main attentive ; elle a besoin des informations spectrales supplémentaires pour fonctionner, et même ainsi, elle ne peut égaler la précision des nouveaux outils. L'étude sert également de rappel que la technologie a des limites. Peu importe l'intelligence de l'ordinateur, il ne peut pas toujours distinguer un bâtiment d'une parcelle de terre si l'image satellite n'est pas assez nette. Pour les scientifiques et les gestionnaires travaillant à la protection du golfe Persique, la voie à suivre consiste à utiliser les outils modernes les plus robustes disponibles, tout en restant conscients que certains détails nécessiteront toujours un examen plus approfondi depuis le sol ou depuis un drone.