[논문 리뷰] Evaluation of Deep Species Distribution Models using Environment and Co-occurrences

Benjamin Deneu, Maximilien Servajean외 2명|arXiv (Cornell University)|2019. 09. 19.

Species Distribution and Climate Change참고 문헌 20인용 수 7

한 줄 요약

이 논문은 환경 데이터, 공간 좌표, 종 공존 정보를 사용하여 식물 종 분포 예측을 위한 딥러닝 모델을 평가한다. 환경 데이터와 공존 데이터를 통합하는 새로운 공동 신경망을 제안하며, 환경 데이터만을 사용하는 모델보다 성능 향상이 뚜렷하게 나타나, 이 두 데이터 소스 간의 상호보완적 정보가 있음을 입증한다.

ABSTRACT

This paper presents an evaluation of several approaches of plants species distribution modeling based on spatial, environmental and co-occurrences data using machine learning methods. In particular, we re-evaluate the environmental convolutional neural network model that obtained the best performance of the GeoLifeCLEF 2018 challenge but on a revised dataset that fixes some of the issues of the previous one. We also go deeper in the analysis of co-occurrences information by evaluating a new model that jointly takes environmental variables and co-occurrences as inputs of an end-to-end network. Results show that the environmental models are the best performing methods and that there is a significant amount of complementary information between co-occurrences and environment. Indeed, the model learned on both inputs allows a significant performance gain compared to the environmental model alone.

연구 동기 및 목표

• 환경, 공간, 공존 데이터를 사용하여 식물 종 분포 모델링을 위한 다양한 딥러닝 접근법을 평가하고 비교하는 것.
• GeoLifeCLEF 2018 챌린지에서 수정된 데이터셋을 사용하여 환경 컨볼루션 신경망(Env-CNN)을 재평가하는 것.
• 환경 변수에 비해 종 공존 패턴이 종 존재 예측에 얼마나 상호보완적인 정보를 제공하는지 조사하는 것.
• 환경 및 공존 입력을 동시에 학습하는 공동 신경망 모델을 설계하고 평가하는 것.
• 환경 및 공존 모델의 후기 융합이 개별 모델보다 성능 향상에 기여하는지 평가하는 것.

제안 방법

• 목표 위치 주변의 환경 이미지 패치(예: 기온, 토양 유형)를 사용하여 컨볼루션 신경망(Env-CNN)을 학습시켜 종 존재 여부를 예측하는 것.
• 기존 종의 존재 위치의 지리적 좌표만을 입력으로 사용하는 공간 랜덤 포레스트 모델(Spa-RF)을 구현하는 것.
• 가장 가까운 관측 위치의 종 목록을 기반으로 종을 예측하는 최근접 이웃 기반 분류기(Spa-CC)를 구축하는 것.
• 근처의 다른 종 존재 여부를 기반으로 종 존재 여부를 예측하는 공존 신경망/신경망(Cooc-NN)을 개발하는 것.
• 환경 패치와 공존 패턴을 모두 입력으로 받아 종합적 표현을 종단 간(end-to-end)으로 학습하는 공동 신경망 모델(Env-Cooc-JNN)을 제안하는 것.
• Env-CNN와 Cooc-NN의 예측을 별도 추론 후 융합하는 후기 융합 모델(Env-Cooc-LF)을 구성하는 것.

실험 결과

연구 질문

• RQ1 환경 및 공존 데이터를 통합하는 공동 딥러닝 모델이 단일 데이터 유형을 사용하는 모델보다 성능이 뛰어나게 되는가?
• RQ2 원본 손상된 데이터셋 대비 수정된 환경 패치로 학습된 환경 컨볼루션 신경망 모델의 성능 변화는 어떻게 되는가?
• RQ3 공존 패턴이 종 분포 모델링에서 환경 변수에 비해 얼마나 상호보완적인 정보를 제공하는가?
• RQ4 왜 환경 및 공존 모델의 후기 융합은 공동 학습에 비해 성능 향상에 실패하는가?
• RQ5 개별 종이 희귀하더라도 신경망이 공존 패턴만으로 종 집단의 특징을 감지할 수 있는가?

주요 결과

• 수정된 데이터셋에서 환경 컨볼루션 신경망(Env-CNN)이 가장 높은 성능을 보였으며, 평균 역수 순위(MRR) 점수는 0.0458을 기록하여 원본 데이터셋에서의 이전 점수 0.0435보다 높았다.
• 공동 모델(Env-Cooc-JNN)은 환경 컨볼루션 신경망(Env-CNN)만을 사용하는 것보다 유의미하게 뛰어난 성능을 보였으며, 이는 공존 데이터가 환경 변수만으로는 포착되지 않는 상호보완적 정보를 제공한다는 것을 입증한다.
• 후기 융합 모델(Env-Cooc-LF)은 Env-CNN만을 사용하는 것보다 성능 향상이 없었으며, 이는 환경 및 공존 데이터 간의 상호보완적 정보가 후기 통합이 아닌 공동 학습을 통해 활용되어야 한다는 것을 시사한다.
• 공존 모델(Cooc-NN)은 최근접 위치 기반 분류기(Spa-CC)보다 더 잘 일반화되었으며, 이는 신경망이 공존 데이터로부터 공동체 수준의 패턴을 감지할 수 있음을 시사한다.
• 공간 랜덤 포레스트 모델(Spa-RF)은 입력으로 지리적 좌표만을 사용했음에도 불구하고 뛰어난 성능을 보였으며, 이는 실세계 시스템에서 최소한의 입력으로도 실용적인 유용성을 지닌다는 것을 강조한다.
• 공동 모델(Env-Cooc-JNN)은 모든 평가 지표에서 최고의 성능을 기록하여, 종단 간 학습을 통해 환경 및 공존 데이터를 통합함으로써 더 풍부한 생태적 신호를 포착할 수 있음을 확인한다.