青蛙DeepSDM：使用多模态数据和伪缺失插值提高青蛙计数和分布预测
机器学习
2025-10-23 v1 计算机视觉与模式识别
摘要
监测物种分布对于保育工作至关重要，有助于评估环境影响并制定有效的保护策略。传统数据收集方法，包括公民科学，虽提供宝贵见解，但覆盖范围和完整性有限。物种分布模型(SDM)有助于弥补这些差距，通过使用发生数据和环境变量来预测物种在大范围内的存在。本研究通过应用深度学习和数据插值技术来提高SDM在青蛙(Anura)中的准确性，使用来自"EY - 2022生物多样性挑战"的数据。我们的实验表明，数据平衡显著改善了模型性能，将青蛙计数任务的平均绝对误差(MAE)从189降低到29。特征选择识别了影响发生的关键环境因素，在保持预测准确性的同时优化输入。多模态集成模型整合了土地覆盖、NDVI和其他环境输入，优于单个模型，并在未见区域显示出稳健的泛化。图像和表格数据的融合改进了青蛙计数和栖息地分类，实现了84.9%的准确率，AUC为0.90。这一研究突显了在数据稀缺或不完整时，多模态学习和数据预处理技术（如平衡和插值）的潜力，以提高预测生态模型的精度，为更精确和可扩展的生物多样性监测做出贡献。
引用
@article{arxiv.2510.19305,
title = {FrogDeepSDM: Improving Frog Counting and Occurrence Prediction Using Multimodal Data and Pseudo-Absence Imputation},
author = {Chirag Padubidri and Pranesh Velmurugan and Andreas Lanitis and Andreas Kamilaris},
journal= {arXiv preprint arXiv:2510.19305},
year = {2025}
}