Diapositives principales :

Matériel d’atelier :

L’apprentissage automatique est désormais profondément intégré¹ dans les flux de travail d’observation de la Terre, de la cartographie des conditions environnementales actuelles à la prévision des changements futurs. Cependant, la qualité d’une carte de prédiction spatiale ne peut pas être jugée uniquement par les performances d’un modèle sur un échantillon test pratique. Dans les problèmes spatiaux, l’écart entre l’endroit où nous avons des observations et l’endroit où nous voulons faire des prédictions est souvent un facteur crucial pour déterminer si un modèle est fiable.

À la conférence Machine Learning for Earth Observation 2026 à Exeter²j’ai donné une conférence intitulée Repenser la validation pour l’apprentissage automatique spatial (22 juin 2026). Le lendemain, j’ai montré quelques moyens pratiques de mettre en œuvre ces idées lors d’un atelier intitulé Où vos modèles peuvent être fiables : évaluer de manière fiable l’apprentissage automatique spatial (23 juin 2026). Tous deux se sont concentrés sur la même question générale : comment pouvons-nous évaluer l’apprentissage automatique spatial d’une manière qui reflète la tâche de prédiction réelle ?

Le discours d’ouverture était structuré autour de trois hypothèses faciles à formuler, mais souvent dangereuses en matière de prévision spatiale :

• Nous pouvons prédire partout. En pratique, nous validons là où nous avons des données, mais prédisons dans des endroits qui peuvent être mal représentés par l’échantillon d’apprentissage. Des outils tels que la zone d’applicabilité (AoA) et la densité de points locaux (LPD) aident à identifier les parties du domaine de prédiction où les conditions environnementales sont plus ou moins prises en charge par les données disponibles.
• Il existe une approche de validation « correcte ». En réalité, la validation devrait suivre la tâche de prédiction. La validation croisée aléatoire peut être trop optimiste lorsque les observations sont regroupées spatialement, tandis que la validation croisée spatiale peut être trop pessimiste lorsque le scénario de prédiction prévu est plus proche de l’interpolation. Des stratégies adaptatives telles que la correspondance de distance du voisin le plus proche (kNNDM) tentent d’aligner les plis de validation avec la structure de distance du domaine de prédiction.
• Tous les points de validation sont égaux. Les conditions de prévision ne sont pas également courantes sur une carte, de sorte qu’une seule erreur moyenne non pondérée peut déformer les performances attendues sur l’ensemble du domaine de prédiction. Cela incite à réfléchir à la façon dont les échantillons de validation devraient être pondérés en fonction de leur prévalence dans les endroits où les prédictions seront utilisées.

Ensemble, ces points conduisent à l’idée de évaluation adaptative du domaine de prédiction: définissez d’abord le domaine de prédiction, puis construisez des plis de validation qui le reflètent, et enfin résumez les performances de manière à tenir compte de la fréquence des différentes conditions de prédiction. Il ne s’agit pas d’une théorie complète de l’évaluation de l’apprentissage automatique spatial, mais c’est une étape utile pour éviter de traiter la validation comme un problème uniquement de modèle. (Pour en savoir plus sur ces idées, lisez notre prépublication :

L’atelier a transformé ces idées en flux de travail R pratiques. À l’aide d’exemples synthétiques et inspirés du monde réel, nous avons utilisé et discuté des techniques de zone d’applicabilité, de densité de points locaux, comparé la validation croisée aléatoire, la validation croisée spatiale et la validation croisée kNNDM, et examiné les profils d’erreur. Le matériel pratique comprend également des exercices au cours desquels les participants peuvent comparer les stratégies de validation, cartographier les domaines d’applicabilité et explorer la manière dont l’erreur attendue varie dans l’espace.

Le principal point à retenir est simple : pour l’apprentissage automatique spatial, la question n’est pas seulement Quelle est la précision du modèle ? C’est aussi Où peut-on faire confiance au modèle ?

@online{nowosad2026,
  author = {Nowosad, Jakub},
  title = {Rethinking {Validation} for {Spatial} {Machine} {Learning:}
    {Takeaways} from the {Talk}},
  date = {2026-07-03},
  url = {
  langid = {en}
}

En rapport