Multi-Scale and Multimodal Species Distribution Modeling

要約

種分布モデル (SDM) は、発生データを環境変数と関連付けることによって種の分布を予測することを目的としています。
最近の深層学習の SDM への適用により、新しい手段、特にモデル予測子として空間データ (環境ラスター、衛星画像) を含めることが可能になり、モデルが各種の観察の周囲の空間コンテキストを考慮できるようになりました。
ただし、SDM ではスケールが重要な要素として認識されているため、画像の適切な空間範囲を決定するのは簡単ではなく、モデルのパフォーマンスに影響を与える可能性があります。
私たちは、シングルスケール設定とマルチスケール設定の両方でスケールの効果をテストできるようにする SDM のモジュール構造を開発します。
さらに、私たちのモデルでは、後期融合アプローチを使用して、さまざまなモダリティに対してさまざまなスケールを考慮することができます。
GeoLifeCLEF 2023 ベンチマークの結果は、マルチモーダル データを考慮し、マルチスケール表現を学習することで、より正確なモデルが得られることを示しています。

要約(オリジナル)

Species distribution models (SDMs) aim to predict the distribution of species by relating occurrence data with environmental variables. Recent applications of deep learning to SDMs have enabled new avenues, specifically the inclusion of spatial data (environmental rasters, satellite images) as model predictors, allowing the model to consider the spatial context around each species’ observations. However, the appropriate spatial extent of the images is not straightforward to determine and may affect the performance of the model, as scale is recognized as an important factor in SDMs. We develop a modular structure for SDMs that allows us to test the effect of scale in both single- and multi-scale settings. Furthermore, our model enables different scales to be considered for different modalities, using a late fusion approach. Results on the GeoLifeCLEF 2023 benchmark indicate that considering multimodal data and learning multi-scale representations leads to more accurate models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google