Logo
ScienceStack
Table of Contents
Fetching ...
Sign In

Interpolation pour l'augmentation de donnees : Application à la gestion des adventices de la canne a sucre a la Reunion

Frederick Fabre Ferber, Dominique Gay, Jean-Christophe Soulie, Jean Diatta, Odalric-Ambrym Maillard

TL;DR

Ce travail s’attaque au problème d’augmentation de données géoréférencées pour prédire le recouvrement de l’adventice Commelina benghalensis L. dans des parcelles de canne à sucre à La Réunion, lorsque les données sont coûteuses à collecter. Il compare des Interpolations: Processus Gaussiens (GP) avec noyaux linéaire, polynomial et RBF et leur combinaison GP-COMB, ainsi que le krigeage avec variogrammes linéaire, exponentiel, gaussien et sphérique, y compris le co-krigeage. Les résultats montrent que GP-COMB et GP-LIN offrent les meilleures performances prédictives sur plusieurs régressions (tandis que le krigeage assure une couverture spatiale plus homogène), et que l’ajout de points augmente $MSE$ et améliore les prédictions jusqu’à un plateau autour de deux cents points. Ces méthodes permettent une augmentation efficace de données et peuvent être étendues à d'autres jeux de données géoréférencés et potentiellement à des scénarios multi-variables.

Abstract

Data augmentation is a crucial step in the development of robust supervised learning models, especially when dealing with limited datasets. This study explores interpolation techniques for the augmentation of geo-referenced data, with the aim of predicting the presence of Commelina benghalensis L. in sugarcane plots in La Réunion. Given the spatial nature of the data and the high cost of data collection, we evaluated two interpolation approaches: Gaussian processes (GPs) with different kernels and kriging with various variograms. The objectives of this work are threefold: (i) to identify which interpolation methods offer the best predictive performance for various regression algorithms, (ii) to analyze the evolution of performance as a function of the number of observations added, and (iii) to assess the spatial consistency of augmented datasets. The results show that GP-based methods, in particular with combined kernels (GP-COMB), significantly improve the performance of regression algorithms while requiring less additional data. Although kriging shows slightly lower performance, it is distinguished by a more homogeneous spatial coverage, a potential advantage in certain contexts.

Interpolation pour l'augmentation de donnees : Application à la gestion des adventices de la canne a sucre a la Reunion

TL;DR

Ce travail s’attaque au problème d’augmentation de données géoréférencées pour prédire le recouvrement de l’adventice Commelina benghalensis L. dans des parcelles de canne à sucre à La Réunion, lorsque les données sont coûteuses à collecter. Il compare des Interpolations: Processus Gaussiens (GP) avec noyaux linéaire, polynomial et RBF et leur combinaison GP-COMB, ainsi que le krigeage avec variogrammes linéaire, exponentiel, gaussien et sphérique, y compris le co-krigeage. Les résultats montrent que GP-COMB et GP-LIN offrent les meilleures performances prédictives sur plusieurs régressions (tandis que le krigeage assure une couverture spatiale plus homogène), et que l’ajout de points augmente et améliore les prédictions jusqu’à un plateau autour de deux cents points. Ces méthodes permettent une augmentation efficace de données et peuvent être étendues à d'autres jeux de données géoréférencés et potentiellement à des scénarios multi-variables.

Abstract

Data augmentation is a crucial step in the development of robust supervised learning models, especially when dealing with limited datasets. This study explores interpolation techniques for the augmentation of geo-referenced data, with the aim of predicting the presence of Commelina benghalensis L. in sugarcane plots in La Réunion. Given the spatial nature of the data and the high cost of data collection, we evaluated two interpolation approaches: Gaussian processes (GPs) with different kernels and kriging with various variograms. The objectives of this work are threefold: (i) to identify which interpolation methods offer the best predictive performance for various regression algorithms, (ii) to analyze the evolution of performance as a function of the number of observations added, and (iii) to assess the spatial consistency of augmented datasets. The results show that GP-based methods, in particular with combined kernels (GP-COMB), significantly improve the performance of regression algorithms while requiring less additional data. Although kriging shows slightly lower performance, it is distinguished by a more homogeneous spatial coverage, a potential advantage in certain contexts.
Paper Structure (14 sections, 9 equations, 3 figures, 4 tables)

This paper contains 14 sections, 9 equations, 3 figures, 4 tables.

Table of Contents

  1. Introduction
  2. Interpolation par Krigeage et Processus Gaussiens
  3. Krigeage
  4. Régression par Processus Gaussien
  5. Méthode proposée
  6. Jeu de données
  7. Méthodes d'interpolation
  8. Protocole
  9. Resultats et interprétation
  10. Évaluation
  11. Performance en fonction du nombre de points rajoutés
  12. Carte de densité
  13. Résumé des résultats
  14. Conclusion

Figures (3)

  • Figure 1: Performance en terme de MSE de l'algoritme MLP pour 0 à 300 points rajoutés par différentes techniques d'interpolation.
  • Figure 2: Zones importantes de La Réunion pour l'apprition de l'espèce Commelina benghalensis L.
  • Figure 3: Carte de densité de recouvrement pour l'espèce Commelina benghalensis L. (COMBE) pour le jeu de données de base (Base) et les jeux de données augmentés par 3 méthodes d'interpolation GP-COMB,GP-LIN et GP-RBF. Nous choisissons de ne pas afficher COK-EXP et COK-SPHE, la différence de recouvrement étant minime.