論文の概要: SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data

• arxiv url: http://arxiv.org/abs/2311.00936v1
• Date: Thu, 2 Nov 2023 02:00:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 15:19:06.840846
• Title: SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data
• Title（参考訳）: SatBird:リモートセンシングと市民科学データを用いた鳥類種の分布モデリング
• Authors: M\'elisande Teng, Amna Elmustafa, Benjamin Akera, Yoshua Bengio, Hager Radi Abdelwahed, Hugo Larochelle, David Rolnick
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.2366021016172
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Biodiversity is declining at an unprecedented rate, impacting ecosystem services necessary to ensure food, water, and human health and well-being. Understanding the distribution of species and their habitats is crucial for conservation policy planning. However, traditional methods in ecology for species distribution models (SDMs) generally focus either on narrow sets of species or narrow geographical areas and there remain significant knowledge gaps about the distribution of species. A major reason for this is the limited availability of data traditionally used, due to the prohibitive amount of effort and expertise required for traditional field monitoring. The wide availability of remote sensing data and the growing adoption of citizen science tools to collect species observations data at low cost offer an opportunity for improving biodiversity monitoring and enabling the modelling of complex ecosystems. We introduce a novel task for mapping bird species to their habitats by predicting species encounter rates from satellite images, and present SatBird, a satellite dataset of locations in the USA with labels derived from presence-absence observation data from the citizen science database eBird, considering summer (breeding) and winter seasons. We also provide a dataset in Kenya representing low-data regimes. We additionally provide environmental data and species range maps for each location. We benchmark a set of baselines on our dataset, including SOTA models for remote sensing tasks. SatBird opens up possibilities for scalably modelling properties of ecosystems worldwide.
• Abstract（参考訳）: 生物多様性は前例のないペースで減少しており、食物、水、人間の健康と幸福を確保するために必要な生態系サービスに影響を与える。 種の分布と生息地を理解することは保全政策計画に不可欠である。 しかしながら、種分布モデル(SDM)の生態学における伝統的な手法は、一般的に狭い種の集合か狭い地理的領域に焦点を合わせており、種の分布に関して重要な知識ギャップが残っている。 この主な理由は、従来のフィールド監視に必要な労力と専門知識が制限されているため、伝統的に使用されるデータの可用性が限られているためである。 リモートセンシングデータの普及と、低コストで種観測データを収集する市民科学ツールの普及により、生物多様性の監視を改善し、複雑な生態系のモデリングを可能にする機会が得られる。 本稿では,サテライト画像から種の出現率を予測することで,鳥種を生息地へマッピングする新たな課題を紹介し,夏(繁殖)と冬の季節を考慮した,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米国内の衛星データセットである SatBird について紹介する。 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。 また,環境データと種域マップを各場所に提供した。 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。 SatBirdは、世界中の生態系の性質をうまく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)
• 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)
• Bird Distribution Modelling using Remote Sensing and Citizen Science data [31.375576105932442]
  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。
  論文  参考訳（メタデータ） (2023-05-01T20:27:11Z)
• 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)
• Seeing biodiversity: perspectives in machine learning for wildlife conservation [49.15793025634011]
  機械学習は、野生生物種の理解、モニタリング能力、保存性を高めるために、この分析的な課題を満たすことができると我々は主張する。 本質的に、新しい機械学習アプローチとエコロジー分野の知識を組み合わせることで、動物生態学者は現代のセンサー技術が生み出すデータの豊富さを生かすことができる。
  論文  参考訳（メタデータ） (2021-10-25T13:40:36Z)
• Florida Wildlife Camera Trap Dataset [48.99466876948454]
  フロリダ州南西部の2つの異なる場所から収集された野生生物カメラトラップ分類データセットについて紹介する。 データセットは104,495枚の画像からなり、視覚的に類似した種、様々な照明条件、スキュードクラス分布、絶滅危惧種のサンプルを含む。
  論文  参考訳（メタデータ） (2021-06-23T18:53:15Z)
• The GeoLifeCLEF 2020 Dataset [13.274586385114622]
  我々は、高解像度のリモートセンシング画像、土地被覆データ、高度と組み合わせた190万種の観測結果からなるGeoLifeCLEF 2020データセットを提示する。 我々はまた、GeoLifeCLEF 2020コンペティションについても論じる。
  論文  参考訳（メタデータ） (2020-04-08T18:30:00Z)

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。