基于主动学习的物种分布范围估计

我们提出一种新的主动学习方法，用于从有限数量的实地观测中高效估计物种的地理分布范围。我们将感兴趣但未绘图的物种之分布范围建模为从一组不同物种获得的估计范围的加权组合。我们表明，可以利用在大规模弱监督的社区收集观测数据上训练的模型来生成该候选范围集合。由此，我们开发了一种新的主动查询方法，其依次选择待访问的地理位置，以最佳地降低我们对未绘图物种分布范围的不确定性。我们使用一个包含一千个物种专家绘制范围的评估数据集，对我们的方法进行了详细评估，并与现有主动学习方法进行比较。我们的结果表明，即便仅使用一小部分数据，我们的方法也优于其他主动学习方法，并接近端到端训练模型的性能。这凸显了通过迁移学习的空间表征进行主动学习对于物种分布范围估计的效用，也强调了利用新兴大规模众包数据集的价值，不仅用于建模物种分布范围，也用于主动发现它们。