[论文解读] Evaluation of Deep Species Distribution Models using Environment and Co-occurrences

Benjamin Deneu, Maximilien Servajean+2 more|arXiv (Cornell University)|Sep 19, 2019

Species Distribution and Climate Change参考文献 20被引用 7

一句话总结

本文使用环境数据、空间坐标和物种种群共现信息，评估了用于植物物种分布预测的深度学习模型。提出了一种新颖的联合神经网络模型，整合环境与共现数据，在性能上显著优于仅使用环境数据的模型，证明了两类数据源之间存在互补信息。

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.

研究动机与目标

• 使用环境、空间和共现数据，评估并比较多种用于植物物种种群分布建模的深度学习方法。
• 在 GeoLifeCLEF 2018 挑战赛修正后的数据集上，重新评估环境卷积神经网络（Env-CNN）模型。
• 研究物种种群共现模式相对于环境变量在预测物种种群存在时的互补价值。
• 设计并评估一种联合神经网络模型，该模型可同时从环境和共现输入中学习。
• 评估环境与共现模型的后期融合是否能提升性能，优于单一模型。

提出的方法

• 在目标位置周围的环境图像块（如温度、土壤类型）上训练卷积神经网络（Env-CNN），以预测物种种群的存在。
• 使用已知物种种群出现位置的地理坐标作为输入，实现空间随机森林模型（Spa-RF）。
• 构建基于最近邻的分类器（Spa-CC），根据最近观测位置的物种种群列表预测目标物种种群。
• 开发一种共现神经网络（Cooc-NN），基于其他邻近物种种群的存在来预测目标物种种群的存在。
• 提出一种联合神经网络（Env-Cooc-JNN），同时输入环境图像块和共现模式，并端到端学习其联合表征。
• 构建一种后期融合模型（Env-Cooc-LF），在分别推理后将 Env-CNN 和 Cooc-NN 的预测结果进行融合。

实验结果

研究问题

• RQ1 结合环境与共现数据的联合深度学习模型是否显著优于仅使用其中一类数据的模型？
• RQ2 当 Env-CNN 模型在修正后的环境图像块上训练时，其性能相较于原始损坏数据集有何变化？
• RQ3 共现模式在物种种群分布建模中，相对于环境变量能提供多大程度的互补信息？
• RQ4 为何环境与共现模型的后期融合未能提升性能，而联合学习却能？
• RQ5 神经网络能否仅从共现模式中检测到物种种群群落特征，即使单个物种种群本身稀有？

主要发现

• 在修正后的数据集上，环境卷积神经网络（Env-CNN）表现最佳，平均倒数排名（MRR）得分为 0.0458，优于其在原始数据集上的 0.0435 分数。
• 联合模型（Env-Cooc-JNN）显著优于仅使用环境数据的 Env-CNN，证明共现数据提供了环境变量无法捕捉的互补信息。
• 后期融合模型（Env-Cooc-LF）未提升性能，表明环境与共现数据之间的互补信息需要通过联合学习而非后期集成来有效利用。
• 共现模型（Cooc-NN）的泛化能力优于最近邻分类器（Spa-CC），表明神经网络能够从共现数据中检测到群落层面的模式。
• 空间随机森林模型（Spa-RF）仅使用空间坐标即取得优异性能，凸显其在实际系统中输入需求极少时的实用价值。
• 联合模型（Env-Cooc-JNN）在所有评估指标上均表现最佳，证实通过端到端学习结合环境与共现数据，可捕捉到更丰富的生态信号。