[論文レビュー] The GeoLifeCLEF 2023 Dataset to evaluate plant species distribution models at high spatial resolution across Europe

Christophe Botella, Benjamin Deneu+7 more|arXiv (Cornell University)|Aug 7, 2023

Species Distribution and Climate Change被引用数 6

ひとこと要約

GeoLifeCLEF 2023 データセットは、ヨーロッパ全域における高分解能植物種分布モデリングのベンチマークを提供する。GBIF から収集された 500 万件の存在のみ記録と、2017 年から 2021 年にかけて収集された 6,000 件の包括的で存在-不在両方の調査結果に加え、10 m 解像度の衛星画像、気候時系列データ、環境ラスタを統合している。空間的ブロックホールドアウト手法を用いた厳密な評価が可能で、深層学習に基づく SDM のバイアス低減と一般化性能向上に不可欠なリソースを提供する。

ABSTRACT

The difficulty to measure or predict species community composition at fine spatio-temporal resolution and over large spatial scales severely hampers our ability to understand species assemblages and take appropriate conservation measures. Despite the progress in species distribution modeling (SDM) over the past decades, SDM have just begun to integrate high resolution remote sensing data and their predictions are still entailed by many biases due to heterogeneity of the available biodiversity observations, most often opportunistic presence only data. We designed a European scale dataset covering around ten thousand plant species to calibrate and evaluate SDM predictions of species composition in space and time at high spatial resolution (~ten meters), and their spatial transferability. For model training, we extracted and harmonized five million heterogeneous presence-only records from selected GBIF datasets and 6 thousand exhaustive presence-absence surveys both sampled during 2017-2021. We associated species observations to diverse environmental rasters classically used in SDMs, as well as to 10 m resolution RGB and Near-Infra-Red satellite images and 20 years-time series of climatic variables and satellite point values. The evaluation dataset is based on 22 thousand standardized presence-absence surveys separated from the training set with a spatial block hold out procedure. The GeoLifeCLEF 2023 dataset is open access and the first benchmark for researchers aiming to improve the prediction of plant species composition at a very fine spatial grain and at continental scale. It is a space to explore new ways of combining massive and diverse species observations and environmental information at various scales. Innovative AI-based approaches, in particular, should be among the most interesting methods to experiment with on the GeoLifeCLEF 2023 dataset.

研究の動機と目的

• ヨーロッパ全域をカバーする高空間分解能（約 10 m）および大陸規模の植物種組成予測の課題に対処すること。
• 偏りの生じやすい多様で任意の存在のみ記録データに起因する種分布モデル（SDM）のバイアスを、包括的な存在-不在調査の統合によって低減すること。
• 細粒度の空間スケールにおける深層学習ベースの SDM の評価と改善を可能にする、標準化されたオープンアクセスのベンチマークデータセットを構築すること。
• 膨大で多様な生物多様性観測データとマルチスケールの環境予測子を統合する AI 駆動の手法の開発を支援すること。

提案手法

• 本データセットは、洗練された GBIF データセットから得た 500 万件の存在のみ記録と、2017 年から 2021 年にかけて収集された 6,000 件の包括的で存在-不在両方の調査結果を統合している。
• 環境予測子には、10 m 解像度の RGB および近赤外衛星画像、20 年にわたる気候変数の時系列データ、標準的なバイオクライマティックおよび土地被覆ラスタが含まれる。
• 評価のための空間的ブロックホールド手順により、22,000 件の標準化された存在-不在調査が分離され、モデルの一般化性能を的確に評価できる。
• 空間的・時間的整合性を確保するため、異種の観測源と環境変数を統一するためのデータ統合と前処理が実施されている。
• 本データセットは、特にマルチモーダル入力統合を目的とした深層学習モデルの学習と評価を支援する構造になっている。
• ベンチマークは、細粒度の空間分解能で多様なヨーロッパの生態地域にまたがる種アセンブリの予測性能を評価することを目的として設計されている。

実験結果

リサーチクエスチョン

• RQ1 融合された存在のみ記録データと存在-不在データを用いた深層学習モデルは、10 m 解像度の空間スケールで植物種組成をどの程度正確に予測できるか？
• RQ2 高分解能リモートセンシングと気候時系列データは、種分布モデルの精度と一般化性能をどの程度向上させるか？
• RQ3 任意の存在のみ記録データに起因するバイアスはモデル性能にどのように影響を及ぼし、包括的な存在-不在調査を用いることでどの程度軽減できるか？
• RQ4 このベンチマークを用いた AI モデルの予測性能は、ヨーロッパの多様な生物地理的地域における種アセンブリに対してどの程度の水準に達するか？
• RQ5 時系列的かつ多スペクトルの衛星データを統合することにより、細粒度の種分布モデリングはどの程度向上するか？

主な発見

• GeoLifeCLEF 2023 データセットには約 10,000 種の植物が含まれ、2017 年から 2021 年にかけて収集された 500 万件の存在のみ記録と 6,000 件の包括的で存在-不在両方の調査結果が含まれる。
• 本データセットには 10 m 解像度の衛星画像と 20 年にわたる気候変数の時系列データが含まれており、高分解能の空間的・時間的モデリングが可能である。
• 評価は、空間的ブロックホールドにより分離された 22,000 件の存在-不在調査に基づいており、データ漏洩のリスクを低減し、堅牢な一般化性能テストが可能である。
• 本データセットはオープンアクセスであり、ヨーロッパ全域における高分解能植物種分布モデリングのための初のベンチマークとして設計されている。
• 標準化された大規模かつマルチモーダルなデータセットを用いて、深層学習と従来の SDM アプローチの客観的比較が可能である。
• 特に高分解能リモートセンシングと時系列気候データを統合することで、予測バイアスの低減とモデル一般化性能の向上に基盤が築かれる。