LD-SDM: Language-Driven Hierarchical Species Distribution Modeling

要約

私たちは、地球規模の存在のみのデータを使用した種分布モデリングの問題に焦点を当てます。
これまでの研究のほとんどは、地理的および環境的特徴のみを使用して特定の種の範囲をマッピングしていました。
種間のより強力な暗黙的な関係を捉えるために、大規模な言語モデルを使用して種の分類階層をエンコードします。
これにより、追加の監視なしで、あらゆる分類ランクや未確認の種の範囲マッピングが可能になります。
さらに、グラウンドトゥルース種範囲マップのピクセルレベル表現を使用して種分布モデルを評価できる、新しい近接認識評価メトリクスを提案します。
提案されたメトリクスは、グラウンド トゥルースへの近さに基づいてモデルの予測にペナルティを与えます。
我々は、種範囲予測、ゼロショット予測、最先端技術に対する地理的特徴回帰のタスクを体系的に評価することによって、モデルの有効性を説明します。
結果は、さまざまなマルチラベル学習損失を使用してトレーニングした場合、モデルが強力なベースラインを上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

We focus on the problem of species distribution modeling using global-scale presence-only data. Most previous studies have mapped the range of a given species using geographical and environmental features alone. To capture a stronger implicit relationship between species, we encode the taxonomic hierarchy of species using a large language model. This enables range mapping for any taxonomic rank and unseen species without additional supervision. Further, we propose a novel proximity-aware evaluation metric that enables evaluating species distribution models using any pixel-level representation of ground-truth species range map. The proposed metric penalizes the predictions of a model based on its proximity to the ground truth. We describe the effectiveness of our model by systematically evaluating on the task of species range prediction, zero-shot prediction and geo-feature regression against the state-of-the-art. Results show our model outperforms the strong baselines when trained with a variety of multi-label learning losses.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google