論文の概要: CISO: Species Distribution Modeling Conditioned on Incomplete Species Observations

• arxiv url: http://arxiv.org/abs/2508.06704v1
• Date: Fri, 08 Aug 2025 21:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.516135
• Title: CISO: Species Distribution Modeling Conditioned on Incomplete Species Observations
• Title（参考訳）: CISO:不完全種観測に基づく種分布モデリング
• Authors: Hager Radi Abdelwahed, Mélisande Teng, Robin Zbinden, Laura Pollock, Hugo Larochelle, Devis Tuia, David Rolnick,
• Abstract要約: 種分布モデル(SDM)は、種の地理的分布を予測するために広く用いられている。 CSISは、不完全種観測に基づく種分布モデリングのための深層学習に基づく手法である。 我々は,異なる種群を表す3つのデータセットを用いたアプローチを実証した。植物のためのsOpen,鳥類のためのSatBird,蝶のためのSatButterfly。
• 参考スコア（独自算出の注目度）: 31.010868781061006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Species distribution models (SDMs) are widely used to predict species' geographic distributions, serving as critical tools for ecological research and conservation planning. Typically, SDMs relate species occurrences to environmental variables representing abiotic factors, such as temperature, precipitation, and soil properties. However, species distributions are also strongly influenced by biotic interactions with other species, which are often overlooked. While some methods partially address this limitation by incorporating biotic interactions, they often assume symmetrical pairwise relationships between species and require consistent co-occurrence data. In practice, species observations are sparse, and the availability of information about the presence or absence of other species varies significantly across locations. To address these challenges, we propose CISO, a deep learning-based method for species distribution modeling Conditioned on Incomplete Species Observations. CISO enables predictions to be conditioned on a flexible number of species observations alongside environmental variables, accommodating the variability and incompleteness of available biotic data. We demonstrate our approach using three datasets representing different species groups: sPlotOpen for plants, SatBird for birds, and a new dataset, SatButterfly, for butterflies. Our results show that including partial biotic information improves predictive performance on spatially separate test sets. When conditioned on a subset of species within the same dataset, CISO outperforms alternative methods in predicting the distribution of the remaining species. Furthermore, we show that combining observations from multiple datasets can improve performance. CISO is a promising ecological tool, capable of incorporating incomplete biotic information and identifying potential interactions between species from disparate taxa.
• Abstract（参考訳）: 種分布モデル(SDM)は、生物の地理的分布を予測するために広く使われており、生態学的研究と保全計画の重要なツールとなっている。 典型的には、SDMは温度、降水量、土壌特性などの非生物的要因を表す環境変数に種の発生を関連付ける。 しかし、種分布は、しばしば見落とされがちな他の種との生物的相互作用にも強く影響される。 生物相互作用を組み込むことでこの制限に部分的に対処する手法もあるが、それらはしばしば種間の対称的な対関係を仮定し、一貫性のある共起データを必要とする。 実際には、種観測は希少であり、他の種の存在や欠如に関する情報の入手は、場所によって大きく異なる。 これらの課題に対処するために,不完全種数観測に基づく種分布モデリングのための深層学習に基づくCISOを提案する。 CISOは、利用可能な生物データの多様性と不完全性を調節し、環境変数と並行して、フレキシブルな数の種観測で予測できる。 我々は,異なる種群を表す3つのデータセットを用いたアプローチを実証した。植物はsPlotOpen,鳥はSatBird,蝶はSatButterflyである。 実験結果から, 部分的バイオティクス情報を含むと, 空間的に分離したテストセットの予測性能が向上することがわかった。 同じデータセット内の種のサブセットに条件付けされた場合、CISOは残りの種の分布を予測する別の方法よりも優れている。 さらに,複数のデータセットからの観測を組み合わせることで,性能が向上することを示す。 CISOは有望な生態ツールであり、不完全な生物情報を取り込んで、異なる分類群からの種間の潜在的な相互作用を特定することができる。

関連論文リスト

• 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)
• Feedforward Few-shot Species Range Estimation [61.60698161072356]
  特定の種が地球上でどこで発見できるかを知ることは、生態学の研究と保全に不可欠である。 正確な射程推定は 知られている全ての種の 比較的小さな割合でしか 利用できない 我々は、限られたデータから種の範囲を正確に推定するという課題に対処するために、数発の種範囲推定の新しいアプローチを概説する。
  論文  参考訳（メタデータ） (2025-02-20T19:13:29Z)
• Spatial Clustering of Citizen Science Data Improves Downstream Species Distribution Models [1.3931054166001273]
  生息環境選択の生物学的プロセスとは別途、観察過程をモデル化することで不完全な検出を行う。 既存の現場建設のアプローチは、いくつかの観測や/または地理的距離のみを放棄し、環境の類似性を考慮しない。 オレゴン州における31種の鳥類の下流種分布モデルへの影響について, サイト構築に対する10のアプローチを比較した。
  論文  参考訳（メタデータ） (2024-12-20T04:36:58Z)
• 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)
• 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)
• 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)

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。