面向概念驱动的 XAI 的高分辨率景观数据集及其在物种分布模型中的应用
计算机视觉与模式识别
2026-04-16 v1 机器学习
摘要
映射物种的空间分布是保育政策和外来种管理的关键任务。物种分布模型（SDMs）是主要工具，既要实现稳健的预测性能，又要提供关于分布驱动因素的生态学洞见。然而，深度学习 SDMs 的日益复杂，使得提取这些洞见更加具挑战性。为此，我们提出了首个针对 SDMs 的概念驱动可解释人工智能（XAI）实现方案。我们利用鲁棒 TCAV（Robust TCAV）方法量化景观概念对模型预测的影响。为支持此需求，我们提供了一个新建构的、基于高分辨率多光谱和激光LiDAR无人机影像衍生的开放景观概念数据集。该数据集包含 653 个切片，覆盖 15 个不同的景观概念，以及 1,450 个随机参考切片，旨�适用于广泛的物种。我们通过两种水生昆虫（Plecoptera 和 Trichoptera）的案例研究演示了此方法，分别使用两个卷积神经网络和一个视觉转换器。结果表明，概念驱动的 XAI 有助于验证 SDMs 与专家知识，同时发现产生新生态假设的新关联。鲁棒 TCAV 还提供了面向政策制定和土地管理的景观层级信息。代码和数据集均公开可用。
引用
@article{arxiv.2604.13240,
title = {A High-Resolution Landscape Dataset for Concept-Based XAI With Application to Species Distribution Models},
author = {Augustin de la Brosse and Damien Garreau and Thomas Houet and Thomas Corpetti},
journal= {arXiv preprint arXiv:2604.13240},
year = {2026}
}