物种分布建模中的平衡意识存在性损失函数
内容提要
本文探讨了通过伪缺失样本和修改损失函数训练多物种神经网络，以解决物种分布建模中的类别不平衡问题。研究表明，利用大规模语言模型编码物种分类学可以更好地捕捉物种间关系，并提出了一种新评估度量，提升了模型在物种预测任务中的表现。
延伸解读
类别不平衡的应对策略
物种分布建模中，仅有存在数据导致类别极度不平衡。文章采用伪缺失样本和修改损失函数来训练多物种神经网络，并通过空间块交叉验证设置损失权重。这种方法有效缓解了不平衡问题，相比竞争方法取得了改进结果，为处理类似生态数据不平衡提供了实用思路。
语言模型编码分类学的优势
利用大规模语言模型对物种分类学阶层进行编码，能够捕捉物种间更强的隐式关系。这使得模型可以对任意分类水平和未知物种进行范围映射，而无需额外监督。这种编码方式提升了模型在零-shot预测等任务上的表现，展示了跨模态知识迁移在生态学中的潜力。
新评估度量的意义
文章提出了一种基于接近度的评估度量，能够使用任何像素级物种分布图的表示方式来评估模型。该度量惩罚模型根据其与实际情况的接近程度进行评估，提供了更细致的性能衡量。这有助于更公平地比较不同模型，推动物种分布建模的评估标准化。
全球威胁物种趋势
研究发现全球范围内威胁物种的比例在增加，尤其在非洲、亚洲和南美洲。预计在两个热带地区、赤道、低地和海拔800-1,500米处，受威胁物种比例将达到峰值。这些发现强调了生物多样性保护的热点区域，为保护策略提供了数据支持。
Q&A
如何解决物种分布建模中的类别不平衡问题？
通过使用伪缺失样本和修改损失函数训练多物种神经网络，可以显著改善类别不平衡问题。
大规模语言模型在物种分布建模中有什么作用？
大规模语言模型能够编码物种分类学，捕捉物种间的隐式关系，从而提升模型的预测能力。
新提出的评估度量是如何工作的？
新评估度量基于接近度，惩罚模型根据其与实际情况的接近程度来评估预测结果。
该研究的模型在物种预测任务中表现如何？
模型在物种范围预测、零-shot 预测和地理特征回归等任务上表现优于强基准模型。
全球范围内威胁物种的比例有什么变化？
研究发现全球范围内威胁物种的比例在增加，尤其在非洲、亚洲和南美洲。
如何利用卫星图像进行物种分布预测？
通过从卫星图像预测物种遇到率，可以将鸟类物种与其栖息地进行地图绘制。
