論文の概要: Overview of GeoLifeCLEF 2023: Species Composition Prediction with High Spatial Resolution at Continental Scale Using Remote Sensing

• arxiv url: http://arxiv.org/abs/2509.25816v1
• Date: Tue, 30 Sep 2025 05:49:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.032651
• Title: Overview of GeoLifeCLEF 2023: Species Composition Prediction with High Spatial Resolution at Continental Scale Using Remote Sensing
• Title（参考訳）: GeoLifeCLEF 2023の概要:リモートセンシングによる大陸規模の高分解能種組成予測
• Authors: Christophe Botella, Benjamin Deneu, Diego Marcos, Maximilien Servajean, Theo Larcher, Cesar Leblanc, Joaquim Estopinan, Pierre Bonnet, Alexis Joly,
• Abstract要約: 私たちはGeoLifeCLEF 2023というオープン機械学習チャレンジを組織しました。 トレーニングデータセットは、ヨーロッパに分布する500万種の植物からなる。 標準化された調査に基づいて,2万2千個の小型プロットで種を予測できるモデルを評価した。
• 参考スコア（独自算出の注目度）: 9.66382598562254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the spatio-temporal distribution of species is a cornerstone of ecology and conservation. By pairing species observations with geographic and environmental predictors, researchers can model the relationship between an environment and the species which may be found there. To advance the state- of-the-art in this area with deep learning models and remote sensing data, we organized an open machine learning challenge called GeoLifeCLEF 2023. The training dataset comprised 5 million plant species observations (single positive label per sample) distributed across Europe and covering most of its flora, high-resolution rasters: remote sensing imagery, land cover, elevation, in addition to coarse-resolution data: climate, soil and human footprint variables. In this multi-label classification task, we evaluated models ability to predict the species composition in 22 thousand small plots based on standardized surveys. This paper presents an overview of the competition, synthesizes the approaches used by the participating teams, and analyzes the main results. In particular, we highlight the biases faced by the methods fitted to single positive labels when it comes to the multi-label evaluation, and the new and effective learning strategy combining single and multi-label data in training.
• Abstract（参考訳）: 種の時空間分布を理解することは生態学と保全の基盤となる。 地理的および環境予測器と種観測を組み合わせることで、研究者はそこで見つかる可能性のある種と環境の関係をモデル化することができる。 深層学習モデルとリモートセンシングデータによってこの分野の最先端を推し進めるため,GeoLifeCLEF 2023というオープン機械学習チャレンジを組織した。 トレーニングデータセットは、ヨーロッパ全域に分布する500万の植物種(サンプルあたりの1つの正のラベル)からなり、リモートセンシング画像、土地被覆、標高、さらには気候、土壌、ヒトのフットプリント変数などの粗大なデータを含む、高解像度のラスタの大部分をカバーしている。 この多ラベル分類課題では,標準化された調査に基づいて,2万2千個の小区画で種組成を予測できるモデルを評価した。 本稿では,コンペの概要を述べるとともに,参加チームによるアプローチを合成し,主な結果について分析する。 特に、マルチラベル評価において、単一の正のラベルに適合する手法が直面するバイアスと、トレーニングにおけるシングルラベルとマルチラベルのデータを組み合わせた新しい効果的な学習戦略を強調した。

関連論文リスト

• Overview of PlantCLEF 2025: Multi-Species Plant Identification in Vegetation Quadrat Images [2.526933812879881]
  PlantCLEF 2025の課題は、専門家によって注釈付けされ、約400種をカバーする2,105個の高解像度のマルチラベル画像の新たなテストセットに依存している。 目標は、シングルラベルのトレーニングデータを用いて、四角形画像に存在する全ての種を予測することである。
  論文  参考訳（メタデータ） (2025-09-22T11:21:53Z)
• SSL4Eco: A Global Seasonal Dataset for Geospatial Foundation Models in Ecology [3.743127390843568]
  自己教師付き学習は、ラベルのないデータからの学習表現を可能にした。 これらのモデルは、高い人間の活動領域に偏ったデータセットに基づいて訓練されることが多い。 植生の季節性を世界規模でより正確に把握するために, 簡易な表現インフォームドサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-25T10:58:44Z)
• 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)
• 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)
• 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)
• 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。