生成二元物种范围图

本研究在海洋生态学中应用深度学习于两个大规模数据集，表明深度神经网络在有限数据下优于其他方法。

研究建立了四个新的基准模型，证明嘈杂和有偏差的众包数据可以与隐式神经表示相结合，近似专家开发的物种范围图。

提出了一种新的主动学习方法，通过大规模弱监督群体的观测数据进行训练，有效估计物种的地理分布范围。

利用全球存在数据，研究通过大规模语言模型编码物种分类学阶层，捕捉物种之间的隐式关系，进行范围映射。

提出了一种基于接近度的评估度量，能够评估物种分布模型的预测结果，显示模型在多标签学习损失下优于强基准模型。

使用伪缺失样本和修改损失函数训练多物种神经网络，显著改善了物种分布建模中的类别不平衡问题。

分析全球兰科植物的物种群集保护状况，指出马达加斯加及周边岛屿为最高威胁区域，提供生态保护建议。

评估基于大规模公众科学数据集的深度学习模型，证明平衡的存在性损失函数在处理数据不平衡方面优于传统损失函数。

推出FOR-species20K数据集，包含来自33种树木的20,000多个点云数据，发现基于2D图像的模型优于3D点云模型。

开发包含超过10,000种物种的新欧洲尺度高分辨率数据集，展示改进的数据可用性对物种预测的显著影响。