論文の概要: StatEcoNet: Statistical Ecology Neural Networks for Species Distribution
Modeling
- arxiv url: http://arxiv.org/abs/2102.08534v1
- Date: Wed, 17 Feb 2021 02:19:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 07:12:13.648577
- Title: StatEcoNet: Statistical Ecology Neural Networks for Species Distribution
Modeling
- Title（参考訳）: StatEcoNet: 種分布モデルのための統計生態ニューラルネットワーク
- Authors: Eugene Seo, Rebecca A. Hutchinson, Xiao Fu, Chelsea Li, Tyler A.
Hallman, John Kilbride, W. Douglas Robinson
- Abstract要約: 本稿では、計算持続可能性と統計生態学におけるコアタスクである種分布モデリング(SDM)に焦点を当てる。
SDMでは、景観上の種の発生パターンは、一連の場所における観察に基づいて環境特性によって予測される。
本稿では,SDMのユニークな課題を解決するため,StatEcoNetというフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.534315844706367
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper focuses on a core task in computational sustainability and
statistical ecology: species distribution modeling (SDM). In SDM, the
occurrence pattern of a species on a landscape is predicted by environmental
features based on observations at a set of locations. At first, SDM may appear
to be a binary classification problem, and one might be inclined to employ
classic tools (e.g., logistic regression, support vector machines, neural
networks) to tackle it. However, wildlife surveys introduce structured noise
(especially under-counting) in the species observations. If unaccounted for,
these observation errors systematically bias SDMs. To address the unique
challenges of SDM, this paper proposes a framework called StatEcoNet.
Specifically, this work employs a graphical generative model in statistical
ecology to serve as the skeleton of the proposed computational framework and
carefully integrates neural networks under the framework. The advantages of
StatEcoNet over related approaches are demonstrated on simulated datasets as
well as bird species data. Since SDMs are critical tools for ecological science
and natural resource management, StatEcoNet may offer boosted computational and
analytical powers to a wide range of applications that have significant social
impacts, e.g., the study and conservation of threatened species.
- Abstract（参考訳）: 本稿では、計算持続可能性と統計生態学のコアタスクである種分布モデリング(SDM)に焦点を当てる。
SDMでは、景観上の種の発生パターンは、一連の場所における観察に基づいて環境特性によって予測される。
最初は、SDMはバイナリ分類の問題であるように見え、それに取り組むために古典的なツール(例えば、ロジスティック回帰、サポートベクターマシン、ニューラルネットワーク)を採用する傾向があります。
しかし、野生動物調査は、種の観察に構造化ノイズ(特にアンダーカウント)を導入します。
これらの観測誤差はSDMを体系的にバイアスする。
本稿では,SDMのユニークな課題を解決するため,StatEcoNetというフレームワークを提案する。
具体的には、統計生態学におけるグラフィカルな生成モデルを用いて、提案した計算フレームワークの骨格として機能し、ニューラルネットワークを慎重に統合する。
関連するアプローチに対するstateconetの利点は、鳥種データと同様にシミュレーションデータセット上で実証されている。
SDMは生態学と天然資源管理にとって重要なツールであるため、StatEcoNetは、脅威のある種の研究と保全など、社会的に重大な影響を与える幅広いアプリケーションに、計算および分析能力の増強を提供する可能性がある。
関連論文リスト
- Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。
我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。
また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
論文 参考訳（メタデータ） (2024-10-14T17:22:55Z) - Learning to learn ecosystems from limited data -- a meta-learning approach [0.0]
我々は,時間遅延フィードフォワードニューラルネットワークを用いたメタラーニングフレームワークを開発し,生態系の長期的挙動を予測する。
この枠組みは、限られたデータで生態系の「動的気候」を正確に再構築できることを示す。
論文 参考訳（メタデータ） (2024-10-02T16:23:34Z) - Deep learning-based ecological analysis of camera trap images is impacted by training data quality and size [11.153016596465593]
アフリカサバンナとアジア亜熱帯乾燥林のカメラトラップデータの解析を行った。
我々は、専門家による種同定から得られた重要な生態指標と、深層ニューラルネットワークから生成された指標を比較した。
その結果、モデルアーキテクチャは最小限の影響しか与えないが、大量のノイズとデータセットサイズがこれらの指標に大きく影響していることが判明した。
論文 参考訳（メタデータ） (2024-08-26T15:26:27Z) - Enhancing Ecological Monitoring with Multi-Objective Optimization: A Novel Dataset and Methodology for Segmentation Algorithms [17.802456388479616]
オーストラリア, ニューサウスウェールズ州ベガバレーで, 外来種および外来種を捉えた6,096個の高分解能空中画像のユニークなセマンティックセマンティックセマンティクスデータセットを導入した。
このデータセットは、草種の重複と分布のため、困難な課題を示す。
データセットとコードは公開され、コンピュータビジョン、機械学習、生態学の研究を促進することを目的としている。
論文 参考訳（メタデータ） (2024-07-25T18:27:27Z) - GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳（メタデータ） (2024-06-01T08:01:05Z) - LD-SDM: Language-Driven Hierarchical Species Distribution Modeling [9.620416509546471]
我々は,世界規模の存在のみのデータを用いた種分布モデリングの問題に焦点をあてる。
種間の強い暗黙の関係を捉えるため,大きな言語モデルを用いて,種の分類学的階層を符号化した。
そこで本研究では,種分布モデルの評価が可能な近接認識評価指標を提案する。
論文 参考訳（メタデータ） (2023-12-13T18:11:37Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳（メタデータ） (2023-11-02T02:00:27Z) - Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。
従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。
本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文 参考訳（メタデータ） (2023-06-05T03:36:01Z) - Species Distribution Modeling for Machine Learning Practitioners: A
Review [23.45438144166006]
種分布モデリング(SDM)は、種の発生の空間的(時空間的)パターンを予測しようとする。
その重要性にもかかわらず、SDMはコンピュータ科学コミュニティから比較的注目を集めていない。
特に、主要なSDM概念と用語を導入し、標準モデルをレビューし、データ可用性について議論し、技術的な課題と落とし穴を強調します。
論文 参考訳（メタデータ） (2021-07-03T17:50:34Z) - Statistical model-based evaluation of neural networks [74.10854783437351]
ニューラルネットワーク(NN)の評価のための実験装置を開発する。
このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。
これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
論文 参考訳（メタデータ） (2020-11-18T00:33:24Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。