BATIS：针对目标性改进物种分布模型的贝叶斯方法
机器学习
2025-11-14 v2 种群与进化
定量方法
摘要
物种分布模型（SDMs）旨在基于环境变量预测物种发生，从而广泛用于监测和应对生物多样性变化。近期深度学习方法在处理复杂异构数据方面表现良好，但其有效性仍受限于数据中的空间偏差。本文从贝叶斯视角重新审视深度SDMs，提出BATIS框架：先验预测通过有限观测数据进行迭代更新。模型必须恰当地捕捉阿尔泰尔与认识不确定性，以有效结合细粒度局部见解与更广阔的生态模式。我们在包含 eBird 平台民间科学观测的新型数据集上对广泛的不确定性量化方法进行基准测试。我们的实证研究表明，贝叶斯深度学习方法可大幅提升数据稀缺地区SDMs的可靠性，这有助于深化生态理解并促进保育努力。
引用
@article{arxiv.2510.19749,
title = {BATIS: Bayesian Approaches for Targeted Improvement of Species Distribution Models},
author = {Catherine Villeneuve and Benjamin Akera and Mélisande Teng and David Rolnick},
journal= {arXiv preprint arXiv:2510.19749},
year = {2025}
}