CISO：基于不完整物种观测的物种分布建模
机器学习
2025-08-12 v1
摘要
物种分布模型(SDM)广泛用于预测物种的地理分布，作为生态研究和保育规划的关键工具。通常，SDM将物种发生情况与代表无机因素(如温度、降水和土壤性质)的环境变量相关联。然而，物种分布也受与其他物种的生物相互作用的强烈影响，这些相互作用往往被忽略。虽然某些方法通过纳入生物相互作用部分解决了这一局限，但这些方法常假设物种之间呈对称的两两关系，并要求一致的共现数据。在实际情况下，物种观测稀疏，其他物种是否存在的信息在不同位置的可用性差异很大。为此，我们提出CISO方法，即基于深度学习的Conditioned on Incomplete Species Observations(不完整物种观测条件下)的物种分布建模方法。CISO能够将预测条件化为可灵活容纳不完整生物数据的多个物种观测，同时兼顾环境变量。我们使用代表不同物种组的三个数据集进行演示：分别用于植物的sPlotOpen、用于鸟类的SatBird以及全新的数据集SatButterfly用于蝴蝶。我们的结果表明，包含部分生物信息可提高在空间上独立的测试集上的预测性能。当以数据集中剩余物种的子集进行条件化时，CISO在预测剩余物种的分布方面优于其他方法。此外，我们展示了将来自多个数据集的观察结果组合可提高性能。CISO是一个有前景的生态工具，能够纳入不完整的生物信息并从不同生物学分类中识别潜在的物种间相互作用。
引用
@article{arxiv.2508.06704,
title = {CISO: Species Distribution Modeling Conditioned on Incomplete Species Observations},
author = {Hager Radi Abdelwahed and Mélisande Teng and Robin Zbinden and Laura Pollock and Hugo Larochelle and Devis Tuia and David Rolnick},
journal= {arXiv preprint arXiv:2508.06704},
year = {2025}
}