Quelle est la précision de la classification LiDAR par IA ? Mesurer et valider les résultats

Demandez quelle est la précision de la classification LiDAR par IA, et la première réponse honnête est une autre question : sur quelle classe, à quelle densité de points, sur quel terrain ? Un seul pourcentage écrase tout cela en un nombre, et un nombre sans son contexte ne peut être ni vérifié, ni comparé, ni reproduit. Voici comment mesurer l'exactitude d'une classification pour que le chiffre veuille vraiment dire quelque chose.

Pourquoi un seul pourcentage ne dit presque rien

L'exactitude globale est la proportion de points qui ont reçu la bonne classe. Facile à calculer, facile à citer, facile à se laisser berner. Le sol et la végétation haute contiennent la plupart des points d'un bloc aéroporté typique. Un modèle peut bien étiqueter ceux-là, rater presque chaque poteau et chaque parcelle de végétation basse, et afficher quand même un chiffre impressionnant, parce que les classes difficiles comptent trop peu de points pour faire bouger la moyenne. Le même modèle obtient aussi des scores différents selon les classes comptées, la densité du nuage et l'allure du terrain. Seule une ventilation par classe montre où vivent réellement les erreurs.

Les métriques, définies correctement

Toute vraie mesure d'exactitude part de la matrice de confusion. Les lignes sont la classe de référence, ce qu'un point est réellement. Les colonnes sont la classe que le modèle a attribuée. La diagonale est l'accord, et tout ce qui en sort est une erreur dont la position indique la direction de la faute. Voici un exemple travaillé pour une tuile :

• Exactitude du producteur : de tout ce qui était vraiment du sol, combien le modèle en a-t-il trouvé ? Les outils d'IA appellent cela le rappel.
• Exactitude de l'utilisateur : de tout ce que le modèle a étiqueté sol, combien était vraiment du sol ? Les outils d'IA appellent cela la précision.
• Exactitude globale : la diagonale sur tout le bloc. L'exemple affiche 93,8 % au global alors que le bâtiment est à 91,5 %, un écart qu'un livrable de toitures ressentirait.

Les données de référence : la vérité de mesure

Un chiffre d'exactitude ne vaut que ce que vaut sa référence. Deux sources font l'essentiel du travail. Les tuiles de référence vérifiées manuellement sont des sous-ensembles qu'un humain a édités selon les définitions de classes du projet, puis figés comme vérité. Les points de contrôle indépendants sont des positions arpentées séparément du LiDAR pour tester la géométrie. L'emplacement des tuiles de référence compte autant que la métrique. Une tuile de contrôle posée uniquement sur un sol dégagé et facile flattera n'importe quel modèle. Placez les tuiles de référence là où le travail est difficile.

Ce qui dégrade réellement l'exactitude

Un modèle n'échoue pas au hasard. Les mêmes conditions font grimper les erreurs sur chaque projet, et elles indiquent exactement où placer vos tuiles de référence :

• Densité de points. L'USGS 3DEP l'exprime en niveaux de qualité : QL2 fait environ 2 points par mètre carré, QL1 environ 8. Les objets minces comme les poteaux et les câbles ont besoin d'assez de retours pour former une forme.
• Occlusion. La canopée dense et les murs bloquent le faisceau ; le sol sous couvert épais est bâti sur très peu de retours.
• Motif de retours. Le dernier retour sous la canopée porte souvent le sol. Quand un seul retour revient, séparer le sol de la végétation basse devient bien plus dur.
• Angle de balayage. Les points en bord de fauchée frappent les surfaces de biais et sont plus bruités qu'au centre.
• Avec ou sans feuilles. Les vols hors feuillaison laissent plus de faisceaux atteindre le sol. Le couvert en feuilles le cache et brouille les bandes de végétation.
• Les limites. L'intérieur d'une classe est facile. Rives, lignes de toit et transitions sol-mur concentrent les erreurs ; c'est là que l'exactitude devrait être mesurée.

Valider sur vos propres données

Un nombre produit par un fournisseur sur les données du fournisseur est un point de départ, pas une réponse. La vraie validation se fait sur votre propre bloc, avec une méthode que vous pourriez remettre à un auditeur :

1. 01Échantillonnez par classe, pas uniformément, pour que les classes rares comme les poteaux et les câbles aient assez de points pour être mesurées.
2. 02Ré-étiquetez à l'aveugle. Faites ré-étiqueter un sous-ensemble par un réviseur sans qu'il voie la sortie du modèle, puis comparez. Cela attrape les erreurs qu'un réviseur rationaliserait s'il voyait d'abord la réponse du modèle.
3. 03Suivez les erreurs par classe et par direction avec la matrice de confusion, à travers les tuiles, pour que les fautes systématiques ressortent au lieu de se moyenner.
4. 04Vérifiez l'accord entre réviseurs. Faites étiqueter le même sous-ensemble par deux personnes. Là où des humains divergent, cet écart est le plancher de toute affirmation d'exactitude.

Puis rapportez par livrable, et non comme une seule affirmation globale. Donnez les chiffres par classe avec la référence décrite, un décompte de classes avant et après révision pour que le client voie ce qui a bougé, la part du bloc vérifiée manuellement, et les endroits où les données se corsent : densité faible, canopée épaisse. Rédigée ainsi, une affirmation d'exactitude peut être inspectée au lieu d'être crue sur parole.

À quoi s'attendre, classe par classe

Certaines classes sont fiablement faciles et d'autres fiablement difficiles, et le dire d'emblée vaut mieux qu'un chiffre mélangé. Le sol sur terrain dégagé, la végétation haute aux forts retours de canopée et les bâtiments aux plans de toiture nets sont les valeurs sûres. Les poteaux et les structures minces portent peu de points. La végétation basse chevauche le sol et le bruit. Chaque limite de classe est plus dure que l'intérieur de la classe. Ces motifs tiennent quel que soit l'algorithme ; la méthode change l'effort, pas les classes intrinsèquement ambiguës.

Vecten Desktop est conçu pour ce cadre. Il s'exécute localement sur votre propre poste de travail : le nuage de points et les tuiles de référence dont dépend une évaluation de l'exactitude ne quittent jamais votre contrôle. Et parce que VGround, VClassify et VUtilities sont des modules distincts, chacun peut être validé contre ses propres tuiles de référence plutôt que fondu dans un seul nombre.

Un chiffre d'exactitude ne vaut que la méthode derrière lui. Définissez la métrique, bâtissez des références honnêtes, sachez ce qui dégrade le résultat, validez sur votre propre bloc, rapportez par classe. Faites cela, et « quelle est sa précision ? » cesse d'être une question de marketing pour devenir une question à laquelle vous pouvez répondre et que vous pouvez défendre.