論文の概要: Bird Distribution Modelling using Remote Sensing and Citizen Science data

• arxiv url: http://arxiv.org/abs/2305.01079v1
• Date: Mon, 1 May 2023 20:27:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-03 16:11:00.827948
• Title: Bird Distribution Modelling using Remote Sensing and Citizen Science data
• Title（参考訳）: リモートセンシングと市民科学データを用いた鳥の分布モデリング
• Authors: M\'elisande Teng, Amna Elmustafa, Benjamin Akera, Hugo Larochelle, David Rolnick
• Abstract要約: 気候変動は生物多様性の喪失の主要な要因である。 種の分布には大きな知識ギャップがある。 本稿では,コンピュータビジョンを利用した種分散モデルの改良手法を提案する。
• 参考スコア（独自算出の注目度）: 31.375576105932442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Climate change is a major driver of biodiversity loss, changing the geographic range and abundance of many species. However, there remain significant knowledge gaps about the distribution of species, due principally to the amount of effort and expertise required for traditional field monitoring. We propose an approach leveraging computer vision to improve species distribution modelling, combining the wide availability of remote sensing data with sparse on-ground citizen science data. We introduce a novel task and dataset for mapping US bird species to their habitats by predicting species encounter rates from satellite images, along with baseline models which demonstrate the power of our approach. Our methods open up possibilities for scalably modelling ecosystems properties worldwide.
• Abstract（参考訳）: 気候変動は生物多様性の損失の主要な要因であり、多くの種の地理的範囲や存在量を変化させている。 しかし、種の分布に関する重要な知識のギャップは、主に従来のフィールドモニタリングに必要な労力と専門知識の量によって残っている。 そこで本稿では, 遠隔センシングデータと低速な地上市民科学データを組み合わせることで, 生物分布モデリングの改善にコンピュータビジョンを活用したアプローチを提案する。 衛星画像から種の出現率を予測することによって,アメリカ産鳥類を生息地へマッピングするための新しいタスクとデータセットと,我々のアプローチの力を実証するベースラインモデルを導入する。 当社の手法は,世界中のエコシステム特性をスカラにモデル化する可能性を開く。

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)
• GeoPlant: Spatial Plant Species Prediction Dataset [4.817737198128259]
  種分布モデル (SDM) は空間的特徴から空間を横断する種を予測する。 我々は、空間分解能(10-50m)の高いSDMのための新しいヨーロッパ規模のデータセットを設計、開発してきた。 このデータセットは、5Mの不均一なPresence-Onlyレコードと90kの徹底的なPresence-Absenceサーベイレコードで構成されている。
  論文  参考訳（メタデータ） (2024-08-25T20:09:46Z)
• Predicting Species Occurrence Patterns from Partial Observations [21.009271008147785]
  本稿では,(a)衛星画像を用いた種発生パターンの予測と,(b)他の種の発生に関する既知の情報を紹介する。 この課題に対して,衛星画像,環境データ,蝶の観察データのデータセットであるSatButterflyを導入する。 そこで本研究では,見つからない部分的な観測データの利用を可能にする種発生パターンを予測するための一般モデルR-Tranを提案する。
  論文  参考訳（メタデータ） (2024-03-26T18:29:39Z)
• Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
  我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。 このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
  論文  参考訳（メタデータ） (2024-03-22T17:11:47Z)
• 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)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)

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。