Dec, 2023

LD-SDM: 语言驱动的层次物种分布建模

PDF
TL;DR利用全球范围的仅有存在数据，我们解决物种分布建模问题。通过使用大规模语言模型对物种的分类学阶层进行编码，我们能够捕捉物种之间更强的隐式关系，并对任意分类水平和未知物种进行范围映射，而不需要额外监督。此外，我们提出了一种新颖的基于接近度的评估度量，能够使用任何像素级物种分布图的表示方式来评估物种分布模型。所提出的度量标准惩罚模型根据其与实际情况的接近程度对预测结果进行评估。通过在物种范围预测、零 - shot 预测和地理特征回归等任务上进行系统评估，我们论述了我们模型的有效性。结果显示，我们的模型在使用各种多标签学习损失进行训练时优于强基准模型。
species distribution modelingpresence-only datataxonomic hierarchyproximity-aware evaluation metricmulti-label learning losses
发现论文，激发创造
  • 全球物种映射的空间隐式神经表示

    本研究利用空间隐式神经表示联合估计 47k 个物种的地理范围，建立了四个新的基准模型，证明嘈杂和有偏差的众包数据可以与隐式神经表示相结合，近似许多物种的专家开发的范围图。

    Jun, 2023

  • SatBird：借助遥感和公民科学数据的鸟类分布建模

    通过从卫星图像预测物种遇到率将鸟类物种与其栖息地进行地图绘制，SatBird 提供了美国地区的卫星数据集，并考虑了夏季（繁殖）和冬季，同时提供了肯尼亚代表性的低数据区域数据集。

    Nov, 2023

  • 基于主动学习的物种分布范围估计

    提出了一种新的主动学习方法，通过使用针对大规模弱监督群体收集的观测数据进行训练的模型，以有效估计物种的地理分布范围。通过使用转移学习的空间表示，我们的方法在物种范围估计中超越了其他主动学习方法，并接近端到端训练模型的性能，突显了主动学习和利用新兴大规模众包数据集的价值。

    Nov, 2023

  • 利用深度学习模拟物种分布以预测植物灭绝风险并评估气候变化影响

    评估一种基于深度学习的物种分布模型的方法，检验其在 IUCN 物种评估中的分类效果，发现威胁物种的比例在全球范围内呈增加趋势，尤其在非洲、亚洲和南美洲，而在两个热带地区、赤道、低地和海拔 800-1,500 米处，受威胁物种的比例预计将达到峰值。

    Jan, 2024

  • 物种分布建模中的平衡意识存在性损失函数

    本研究评估了在基于大规模公众科学数据集上使用平衡的存在性损失函数训练深度学习模型的效果，证明这种处理数据不平衡的损失函数在各种数据集和任务中优于传统损失函数，特别是在精确建模稀有物种和有限观察情况下。

    Mar, 2024

  • StatEcoNet: 物种分布建模的统计生态神经网络

    本文提出了一个名为 StatEcoNet 的框架，将图形生成模型应用于统计生态学，并在该框架下巧妙地融合神经网络，以应对物种分布建模中的挑战。使用模拟数据集和鸟类数据展示了 StatEcoNet 相对于相关方法的优越性，可以对生态科学和自然资源管理等领域的研究和保护威胁物种提供提升的计算和分析能力。

    Feb, 2021

  • 基于义原专家稀疏积模型的语言建模

    该研究提出了一种用 Sememe 来驱动语言模型的方法，使得语言模型能够通过对最小语义单元的学习（Semantics）来改善预测表现、提高解释性和鲁棒性。

    Oct, 2018

  • 自适应密度判别度量学习

    本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。

    Nov, 2015

  • 自然语言模型中地理表现的缩放规律

    扩展大型语言模型 (LLM) 到研究结果，观察语言模型在扩展时地理知识是如何演变的，并显示较大的语言模型不能消除训练数据中固有的地理偏见。

    Feb, 2024

  • 利用遥感和公民科学数据的鸟类分布建模

    应用计算机视觉和遥感数据，以及少量地面公民科学数据，预测物种在美国的分布，拓展全球生态系统属性的可扩展建模方法。

    May, 2023