[论文解读] Spatial Implicit Neural Representations for Global-Scale Species Mapping

Elijah Cole, Grant Van Horn+6 more|arXiv (Cornell University)|Jun 5, 2023

Species Distribution and Climate Change被引用 10

一句话总结

本文提出 Spatial Implicit Neural Representations (SINRs)，从仅有存在性数据共同学习全球尺度物种分布范围，相对于基线具有可扩展的改进，并提供四个地理空间基准测试。

ABSTRACT

Estimating the geographical range of a species from sparse observations is a challenging and important geospatial prediction problem. Given a set of locations where a species has been observed, the goal is to build a model to predict whether the species is present or absent at any location. This problem has a long history in ecology, but traditional methods struggle to take advantage of emerging large-scale crowdsourced datasets which can include tens of millions of records for hundreds of thousands of species. In this work, we use Spatial Implicit Neural Representations (SINRs) to jointly estimate the geographical range of 47k species simultaneously. We find that our approach scales gracefully, making increasingly better predictions as we increase the number of species and the amount of data per species when training. To make this problem accessible to machine learning researchers, we provide four new benchmarks that measure different aspects of species range estimation and spatial representation learning. Using these benchmarks, we demonstrate that noisy and biased crowdsourced data can be combined with implicit neural representations to approximate expert-developed range maps for many species.

研究动机与目标

• 在全球范围内从稀疏的、基于众包的存在数据中估计物种范围的动机与意义。
• 提出 SINR 作为一个联合、可扩展的模型，学习一个共享的地理空间表示，覆盖 47k 种物种。
• 研究从存在性数据中学习的损失函数，并评估它们对地理空间表示的影响。
• 提供四个地理空间基准测试，促进大规模物种分布模型（SDM）与空间表示学习的研究。

提出的方法

• 模型形式化：训练位置编码器 f_theta 与多标签分类器 h_phi，以从位置 x 预测存在性 y，得到 Spatial Implicit Neural Representation (SINR)。
• 输入编码：使用 (lon, lat) 的正弦/坐标编码，将位置映射到每个 Mac Aodha 等人 (2019) 的 4 维特征向量。
• 仅存在学习：自适应 SPML 风格的损失，处理未观测标签，包括 AN-full、AN-SSDL、AN-SLDS 以及 ME 变体，提供伪阴性与基于熵的替代方案。
• 训练数据：利用 iNaturalist 的 3550 万条存在性数据，覆盖 47,375 种物种，实验变量为每类数据量与输入类型（Coords、Env，或两者）。
• 评估：在四个任务上衡量性能（S&T、IUCN、Geo Prior、Geo Feature）以评估范围估计质量、对图像分类先验的转移，以及学习的地理空间表示。

实验结果

研究问题

• RQ1 SINRs 能否使用存在性数据联合建模大量物种的地理分布？
• RQ2 不同损失形式（负采样 vs. 最大熵）如何影响地理空间表示和下游任务？
• RQ3 输入特征（坐标与环境协变量）对 SINR 性能与转移性的影响？
• RQ4 更大训练集与跨物种数据是否改善学习到的地理空间表示与范围估计？

主要发现

损失	模型类型	# / 类	(MAP) S&T	(MAP) IUCN	(Δ Top-1) Geo Prior	(平均 R^2) Geo Feature
L_AN-full	SINR - 坐标.	1000	77.15	65.84	+6.1	0.755
L_GP	SINR - 坐标.	1000	73.14	59.51	+5.2	0.724
L_ME-full	SINR - 坐标.	1000	73.61	58.60	+1.5	0.749
L_ME-SSDL	SINR - 坐标.	1000	62.74	42.55	+1.6	0.726
L_AN-SSDL	SINR - 坐标.	1000	66.99	53.47	+4.9	0.744
L_AN-SLDS	SINR - 坐标.	1000	76.19	42.26	+6.2	0.739
L_AN-full	SINR - 环境.	1000	79.65	70.54	+6.4	-
L_AN-full	SINR - 环境 + 坐标.	1000	80.48	76.07	+6.5	-
L_AN-full	SINR - 环境.	All	80.54	69.25	+5.3	-
Best Discretized Grid (Berg et al., 2014)	最佳离散网格	All	61.56	37.13	+4.1	-

• 在使用坐标、环境特征或两者作为输入时，带有存在性数据的 SINR 模型在 S&T 和 IUCN 任务上显著优于逻辑回归基线。
• 使用深度位置编码器（SINR）相对于 LR 有显著提升，仅坐标在若干任务上接近环境特征的表现。
• AN-full 损失在主要任务上通常表现最佳，跟随数据分布的伪阴性通常比随机阴性更有帮助。
• 增加每类的训练数据量提升了性能，在跨多物种学习时可获得更丰富、空间更细致的表示。
• 环境特征有帮助但并非严格必要；坐标与学习到的地理空间表示结合可提供强大的表现与可转移性。
• 低样本 SINRs（每类仅 10 个例子）即可超越强的离散网格基线，展示了 SINR 的数据效率。