Prédictions de rendements viticoles autrichiens à l'aide de données satellitaires et météo

Extraits

[...] Les différences entre les rendements réels des Länder sont trop grandes pour que ce regroupement soit efficace. D'une année sur l'autre, les rendements ne suivent pas le même schéma, n'affichent pas les mêmes pics aux mêmes moments, etc. Finalement cela brouille plus qu'autre chose les résultats, puisque l'on se retrouve avec des valeurs complètement opposées pour chaque année, des pourcentages de corrélation élevés comme faibles, ce qui ne favorise pas la réussite des algorithmes. Impact de la configuration d'entrée Malgré un nombre de proxies et des pourcentages de corrélations très variables suivant la configuration en entrée, il ressort de ces résultats que : le système de classe n'a qu'un faible impact sur le résultat final. [...]

[...] Cela nous convainc que le problème se situe vraiment à la base, à la manière de sélectionner les pixels proxy. Se baser sur des proxies est une piste très intéressante, mais nous estimons qu'il est nécessaire de prendre en compte davantage de critères lors de leur sélection, ainsi que lors de la phase de prédiction. Nous évoquerons plus en détail les pistes d'améliorations lors du commentaire final en III.3. Choix de l'algorithme Tous les algorithmes ne sont pas aussi bien adaptés à cette méthode les uns que les autres. [...]

[...] Ce sont finalement ces pixels que nous considérerons comme proxies. En effet, rappelons que toutes ces prédictions font bien partie de la phase de sélection des proxies, et pas de la phase finale de prévision en tant que telle. L'étape de validation croisée est en quelque sorte contenue dans la sélection des proxies. Il reste donc à fixer un dernier critère : qu'appelons-nous RMSE "faible"? Quels pixels sélectionnons-nous comme proxies? Atzberger et Mello s'étaient basés sur un choix simple : les 100 pixels affichant les plus basses RMSE étaient choisis comme proxies. [...]

[...] Cet exemple est extrême, car basé sur un pixel et une classe. En réitérant le processus pour nos 5 classes (dans le système de notre exemple) avec parfois des milliers de proxies, nous obtenons pour chaque année 5 proportions, une par classe, généralement exprimée en pourcentage. Plus cette proportion, cette corrélation, avec une classe donnée est élevée, plus l'année en question est susceptible de se rapprocher des rendements de référence associés à cette classe. Ce sont donc sur ces proportions que se baseront nos prédictions. [...]

[...] Cela est donc totalement négligeable au vu de la taille de nos images. Pour chaque classe, les résultats (à savoir les positions des proxies) sont stockés sous forme d'image binaire = proxy = pixel classique). Nous pouvons donc savoir exactement si les pixels qui vont servir à prévoir les rendements vinicoles sont situés dans les Alpes, en plaine, en ville . Figure Somme NDVI (gauche) et localisation des proxies (droite : chaque pixel blanc correspond à un proxy). Élargissement des proxies L'étape précédente peut aboutir à peu voir pas de proxy détecté pour une classe donnée. [...]