Analyse de séries temporelles Sentinel-2 avec réseau à pyramide de caractéristiques 3D et intervalles d'activation de classe dans le domaine temporel pour la cartographie des cultures

Dans cet article, nous apportons une contribution innovante au domaine de la cartographie des cultures en exploitant des séries temporelles d’images satellites Sentinel-2, avec pour objectif spécifique d’extraire des informations sur « où et quand » les cultures sont semées. L’objectif final consiste à mettre en place un flux de traitement capable d’identifier (classifier) de manière fiable les différentes cultures présentes dans une zone donnée, en exploitant un réseau de neurones convolutif (CNN) à base d’architecture (3+2)D, destiné à la segmentation sémantique. La méthode vise également à fournir, au niveau pixel, des informations sur la période durant laquelle une culture donnée est cultivée au cours de la saison. À cet effet, nous proposons une solution appelée Intervalle d’Activation de Classe (Class Activation Interval, CAI), qui permet d’interpréter, pour chaque pixel, le raisonnement effectué par le CNN lors de la classification, en identifiant précisément l’intervalle temporel, parmi la série temporelle d’entrée, durant lequel une classe est probablement présente ou absente. Nos expérimentations, menées sur un jeu de données public, montrent que l’approche est capable de détecter avec précision les classes de cultures, avec une précision globale d’environ 93 %, et que le réseau peut identifier des intervalles temporels discriminants correspondant à la période de culture. Ces résultats présentent une double importance : (i) démontrer la capacité du réseau à interpréter correctement le processus physique étudié (condition de sol nu, croissance végétale, sénescence et récolte, selon les variétés cultivées) et (ii) fournir des informations complémentaires à l’utilisateur final (par exemple, la présence de cultures et leur dynamique temporelle).