論文の概要: Continental scale habitat modelling with artificial intelligence and multimodal earth observation

• arxiv url: http://arxiv.org/abs/2507.09732v1
• Date: Sun, 13 Jul 2025 18:11:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.869868
• Title: Continental scale habitat modelling with artificial intelligence and multimodal earth observation
• Title（参考訳）: 人工知能とマルチモーダル地球観測による大陸規模の生息環境モデリング
• Authors: Sara Si-Moussi, Stephan Hennekens, Sander Mucher, Stan Los, Wilfried Thuiller,
• Abstract要約: ハビタットは、生物多様性を支え、人への自然の貢献を維持する、無生物の状態と生物物理学構造を統合している。 現在の地図はしばしば、いくつかの相互排他的生息地をモデル化する必要があるため、主題的あるいは空間的解決において不足している。 本稿では、高分解能リモートセンシング(RS)データと人工知能(AI)ツールが、広範囲にわたる生息地分類をいかに改善できるかを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Habitats integrate the abiotic conditions and biophysical structures that support biodiversity and sustain nature's contributions to people. As these ecosystems face mounting pressure from human activities, accurate, high-resolution habitat maps are essential for effective conservation and restoration. Yet current maps often fall short in thematic or spatial resolution because they must (1) model several mutually exclusive habitat types that co-occur across landscapes and (2) cope with severe class imbalance that complicate multi-class training. Here, we evaluated how high-resolution remote sensing (RS) data and Artificial Intelligence (AI) tools can improve habitat classification over large geographic extents at fine thematic resolution. Using vegetation plots from the European Vegetation Archive, we modelled Level 3 EUNIS habitats across Europe and assessed multiple modelling strategies against independent validation datasets. Strategies that exploited the hierarchical nature of habitat nomenclatures resolved classification ambiguities, especially in fragmented landscapes. Integrating multi-spectral (MSI) and synthetic aperture radar (SAR) imagery, particularly through Earth Observation Foundation models, enhanced within-formation discrimination and overall performance. Finally, ensemble machine learning that corrects class imbalance boosted accuracy further. Our methodological framework is transferable beyond Europe and adaptable to other classification systems. Future research should advance temporal modelling of dynamic habitats, extend to habitat segmentation and quality assessment, and exploit next-generation EO data paired with higher-quality in-situ observations.
• Abstract（参考訳）: ハビタットは、生物多様性を支え、人への自然の貢献を維持する、無生物の状態と生物物理学構造を統合している。 これらの生態系は人間の活動からの圧力の増大に直面しているため、正確な高解像度の生息地マップは効果的な保全と復元に不可欠である。 しかし、現在の地図は、(1)ランドスケープを横断する複数の相互排他的生息地をモデル化し、(2)マルチクラスの訓練を複雑にする厳密なクラス不均衡に対処しなければならないため、主題的あるいは空間的解決において不足することが多い。 そこで本研究では,高分解能リモートセンシング(RS)データと人工知能(AI)ツールが,広範囲にわたる生息地分類を微視的解像度で改善する方法について検討した。 欧州植生アーカイブの植生プロットを用いて、ヨーロッパ各地のEUNISレベル3の生息地をモデル化し、独立した検証データセットに対する複数のモデリング戦略を評価した。 生息地命名の階層的な性質を利用した戦略は、特に断片化された風景において、分類の曖昧さを解消した。 マルチスペクトル(MSI)と合成開口レーダー(SAR)の画像の統合は、特に地球観測財団(Earth Observation Foundation)のモデルを通して、内部の識別と全体的な性能を向上させた。 最後に、クラス不均衡を補正するアンサンブル機械学習は精度をさらに高めた。 我々の方法論の枠組みはヨーロッパを超えて移動可能であり、他の分類体系にも適応可能である。 今後の研究は、動的生息地の時間的モデリングを推進し、生息域のセグメンテーションと品質評価に拡張し、高品質なその場観測と組み合わせた次世代EOデータを活用するべきである。

関連論文リスト

• BioAnalyst: A Foundation Model for Biodiversity [0.565395466029518]
  本稿では,生物多様性分析と保全計画に適した最初の基礎モデルであるBioAnalystを紹介する。 BioAnalystは、広範なマルチモーダルデータセットに基づいて事前トレーニングされた、トランスフォーマーベースのアーキテクチャを採用している。 本稿では,2つのダウンストリームユースケースにおけるモデルの性能評価を行い,既存手法と比較して汎用性を実証した。
  論文  参考訳（メタデータ） (2025-07-11T23:56:08Z)
• Deep learning-based species-area models reveal multi-scale patterns of species richness and turnover [0.0]
  サンプル面積が拡大するにつれて種多様性が増大し,種-地域関係(SAR)によって説明される現象が出現する。 そこで本研究では,サンプル理論と小規模生態調査を活用した深層学習手法を開発し,種多様性のスケール依存性を空間的に解決する。 本モデルでは,種多様性の推定値が32%向上し,2平方メートルから数百平方キロメートルまでの標本採取領域において,空間的に明らかな種多様性パターンと転倒パターンが提供される。
  論文  参考訳（メタデータ） (2025-07-08T19:42:33Z)
• Habitat Classification from Ground-Level Imagery Using Deep Neural Networks [1.3408365072149797]
  本研究では、現在最先端の深層ニューラルネットワークアーキテクチャを地上レベルの生息地画像に適用する。 我々は、畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)の2つのモデルのファミリーを評価する。 我々の結果は、ViTsがキー分類基準の最先端CNNベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-07-05T12:07:13Z)
• EUNIS Habitat Maps: Enhancing Thematic and Spatial Resolution for Europe through Machine Learning [0.0]
  EUNISの生息地分類は欧州の生息地を分類するのに重要である。 260のEUNIS生息地を階層レベル3で予測する。 欧州全体で100mの解像度で、最も可能性の高いEUNIS生息地を示す欧州の生息地マップを作成した。
  論文  参考訳（メタデータ） (2025-06-16T16:10:08Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [51.341003735575335]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• SPARTAN: A Sparse Transformer Learning Local Causation [63.29645501232935]
  因果構造は、環境の変化に柔軟に適応する世界モデルにおいて中心的な役割を果たす。 本研究では,SPARse TrANsformer World Model(SPARTAN)を提案する。 オブジェクト指向トークン間の注意パターンに空間規則を適用することで、SPARTANは、将来のオブジェクト状態を正確に予測するスパース局所因果モデルを特定する。
  論文  参考訳（メタデータ） (2024-11-11T11:42:48Z)
• 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)
• 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)
• Ensembles of Vision Transformers as a New Paradigm for Automated Classification in Ecology [0.0]
  データ効率のよい画像変換器(DeiTs)のアンサンブルが従来のSOTA(SOTA)よりも大幅に優れていたことを示す。 テストしたすべてのデータセットに対して、新しいSOTAを実現し、以前のSOTAの18.48%から87.50%の誤差を削減した。
  論文  参考訳（メタデータ） (2022-03-03T14:16:22Z)

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。