論文の概要: Below-ground Fungal Biodiversity Can be Monitored Using Self-Supervised Learning Satellite Features

• arxiv url: http://arxiv.org/abs/2604.09818v1
• Date: Fri, 10 Apr 2026 18:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.692319
• Title: Below-ground Fungal Biodiversity Can be Monitored Using Self-Supervised Learning Satellite Features
• Title（参考訳）: 自己監督型学習衛星特徴を用いた地下の菌類生物多様性のモニタリング
• Authors: Robin Young, Michael E. Van Nuland, E. Toby Kiers, Tomáš Větrovský, Petr Kohout, Petr Baldrian, Srinivasan Keshav,
• Abstract要約: 衛星画像に応用した自己教師型学習は,地下の根粒菌の豊かさを予測できることを示す。 本モデルでは,ヨーロッパとアジアに分布する12,000件のフィールドサンプルにおける種多様性の多様性の半分以上を説明できる。 これらの結果から、SSL衛星は、連続した高解像度の生物多様性マップにスパース観測を拡張できるスケーラブルなツールとして確立されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Mycorrhizal fungi are vital to terrestrial ecosystem functioning. Yet monitoring their biodiversity at landscape scales is often unfeasible due to time and cost constraints. Current predictions suggest that 90\% of mycorrhizal diversity hotspots remain unprotected, opening questions of how to broadly and effectively map underground fungal communities. Here, we show that self-supervised learning (SSL) applied to satellite imagery can predict below-ground ectomycorrhizal fungal richness across diverse environments. Our models explain over half the variance in species richness across ~12,000 field samples spanning Europe and Asia. SSL-derived features prove to be the single most informative predictor, subsuming the majority of information contained in climate, soil, and land cover datasets. Using this approach, we achieve a 10,000-fold increase in spatial resolution over existing techniques, moving from 1km landscape averages to 10m habitat-scale observations with nearly no systematic bias. As satellite observations are dynamic rather than static, this enables temporal monitoring of below-ground biodiversity at landscape scales for the first time. We analyze multi-year trends in predicted fungal richness across UK National Park woodlands, finding that ancient forests may be losing ectomycorrhizal diversity at disproportionate rates. These results establish SSL satellite features as a scalable tool for extending sparse field observations to continuous, high-resolution biodiversity maps for monitoring the invisible half of terrestrial ecosystems.
• Abstract（参考訳）: 菌根菌は地球生態系の機能に不可欠である。 しかし、その生物多様性をランドスケープスケールで監視することは、時間とコストの制約のためにしばしば不可能である。 現在の予測では、菌根の多様性ホットスポットの90%が保護されていないままであり、地下の菌類群落を広く効果的にマッピングする方法に関する疑問が開かれている。 そこで本研究では,衛星画像に応用された自己教師型学習(SSL)が,多様な環境において地下の根粒菌の豊富さを予測できることを示す。 本モデルでは,ヨーロッパとアジアに分布する約12,000のフィールドサンプルにおける種多様性の多様性の半分以上を説明できる。 SSLから派生した特徴は、気候、土壌、土地被覆データセットに含まれる情報の大半を仮定して、最も情報に富む単一の予測因子であることが証明されている。 このアプローチを用いることで,従来の手法よりも空間分解能が1万倍に向上し,ランドスケープの平均値が1kmから10mに変化した。 衛星観測は静的ではなく動的であるため、初めてランドスケープスケールでの地下の生物多様性の時間的モニタリングを可能にする。 我々は、英国国立公園の森林で予測される真菌の豊かさの多年的傾向を分析し、古代の森林が不均等な速度で根粒の多様性を失っている可能性があることを発見した。 これらの結果により、SSL衛星は、地球生態系の見えない半分の生態系を監視するための、連続した高解像度の生物多様性マップにスパース観測を拡張するためのスケーラブルなツールとして確立されている。

関連論文リスト

• Continental-scale habitat distribution modelling with multimodal earth observation foundation models [0.0]
  ハビタットは、生物多様性を支援し、人々の自然への貢献を維持する、無生物的な条件、植生の構成、構造を統合する。 現在の生息地マップは、しばしばテーマや空間分解能において不足している。 我々は,高分解能リモートセンシング(RS)データと人工知能(AI)ツールが生息地マッピングをどのように改善するかを評価した。
  論文  参考訳（メタデータ） (2025-07-13T18:11:26Z)
• Multi-scale species richness estimation with deep learning [0.0]
  我々はサンプリング理論と深層学習を組み合わせて、任意に大きなサンプリング領域内の局所的な種多様性を予測する。 我々の深部SARモデルが、鍵となる生物多様性プロセスのマルチスケール効果に関する基礎的な洞察をいかに得るかを示す。
  論文  参考訳（メタデータ） (2025-07-08T19:42:33Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
  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)
• 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)
• 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。