以多模态地球观测基础模型进行大陆尺度栖息地分布建模
机器学习
2025-10-28 v2 种群与进化
应用统计
摘要
栖息地整合了支持生物多样性并维持自然对人类贡献的无机条件、植被组成和结构。大多数栖息地面临来自人类活动的压力，这需要准确、高分辨率的栖息地图谱以实现有效的保育和恢复。然而，当前的栖息地图谱在主题或空间分辨率上往往不足，因为它们必须 (1) 对跨越景观的几个互斥栖息地类型的建模，以及 (2) 应对严重的类别不平衡，这使彻底的多类训练变得复杂。本文评估了高分辨率遥感数据和人工智能工具如何改进栖息地在大范围地理范围内的栖息地映射，以实现细致的空间和主题分辨率。使用来自欧洲植被档案的植被图，我们对欧洲的 Level 3 EUNIS 栖息地类型进行分布建模，并对多种建模策略进行评估，以独立于验证数据集的独立验证。利用栖息地分类层次结构的策略解决了在碎片化栖息地中的分类模糊问题。通过整合卫星载 Multispectral 和雷达图像，特别是通过地球观测基础模型 (EO-FM)，增强了形成内部的鉴别和整体性能。最终，通过纠正类别不平衡的集成机器学习进一步提升了预测精度。我们的方法学框架超越欧洲可移植，并适用于其他分类系统。未来的研究应推进栖息地动态的时空建模，扩展至栖息地分割和质量评估，并利用更高质量的现场观察数据配对下一代 EO 数据。
引用
@article{arxiv.2507.09732,
title = {Continental-scale habitat distribution modelling with multimodal earth observation foundation models},
author = {Sara Si-Moussi and Stephan Hennekens and Sander Mucher and Stan Los and Yoann Cartier and Borja Jiménez-Alfaro and Fabio Attorre and Jens-Christian Svenning and Wilfried Thuiller},
journal= {arXiv preprint arXiv:2507.09732},
year = {2025}
}