Generating Binary Species Range Maps

要約

種の地理的範囲を正確に予測することは、保全活動を支援するために非常に重要です。
従来、範囲マップは専門家によって手動で作成されていました。
ただし、種分布モデル (SDM)、そして最近では深層学習ベースのバリアントは、潜在的な自動化された代替手段を提供します。
深層学習ベースの SDM は、特定の場所での種の存在予測を表す連続確率を生成します。バイナリ範囲マップを取得するには、種ごとのしきい値を設定してこの確率を 2 値化する必要があります。
ただし、種が異なれば個別のしきい値が必要になる場合があるため、これらの予測を二値化するための適切な種ごとのしきい値を選択することは簡単ではありません。
この研究では、存在のみのデータを使用して範囲マップを二値化するための最適なしきい値を自動的に特定するためのさまざまなアプローチを評価します。
これには、存在データのみを必要とするアプローチだけでなく、追加の擬似不在データの生成を必要とするアプローチも含まれます。
また、外れ値に対してより堅牢な既存の存在のみの手法の拡張も提案します。
私たちは、バイナリ範囲推定と大規模で詳細な視覚分類のタスクに対してさまざまなしきい値処理技術の詳細な評価を実行し、私たちの方法を使用して既存の擬似不在のないアプローチよりもパフォーマンスが向上していることを実証します。

要約(オリジナル)

Accurately predicting the geographic ranges of species is crucial for assisting conservation efforts. Traditionally, range maps were manually created by experts. However, species distribution models (SDMs) and, more recently, deep learning-based variants offer a potential automated alternative. Deep learning-based SDMs generate a continuous probability representing the predicted presence of a species at a given location, which must be binarized by setting per-species thresholds to obtain binary range maps. However, selecting appropriate per-species thresholds to binarize these predictions is non-trivial as different species can require distinct thresholds. In this work, we evaluate different approaches for automatically identifying the best thresholds for binarizing range maps using presence-only data. This includes approaches that require the generation of additional pseudo-absence data, along with ones that only require presence data. We also propose an extension of an existing presence-only technique that is more robust to outliers. We perform a detailed evaluation of different thresholding techniques on the tasks of binary range estimation and large-scale fine-grained visual classification, and we demonstrate improved performance over existing pseudo-absence free approaches using our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google