Pourquoi la validation croisée classique surestime vos modèles géospatiaux

Un modèle de classification d'occupation du sol affiche 94% de précision en validation croisée classique. Sur le terrain, il se plante régulièrement. Le coupable : l'autocorrélation spatiale.

Le problème

En validation croisée classique (k-fold aléatoire), des points d'entraînement et de test très proches géographiquement peuvent se retrouver de part et d'autre du split. Comme deux pixels voisins se ressemblent souvent beaucoup, le modèle "triche" sans le savoir : il n'apprend pas à généraliser, il mémorise le voisinage.

La solution : découper par blocs spatiaux

La validation croisée spatiale regroupe les données par zones géographiques (grille, bassin versant, parcelle) avant de faire les splits train/test. Aucune zone ne se retrouve à la fois en entraînement et en test.

Le score obtenu est presque toujours plus bas qu'en validation classique, mais il reflète beaucoup mieux la performance réelle sur une nouvelle zone jamais vue par le modèle.

À retenir

Si votre pipeline de classification n'utilise pas de validation spatiale et que vous prévoyez d'appliquer le modèle sur une zone géographique différente du jeu d'entraînement, méfiez-vous de vos métriques. C'est un point traité en détail dans le Module 3 (Machine Learning) de l'académie, avec un exemple appliqué à l'estimation de biomasse forestière.