基于人工智能的全球范围兰花群落保护状况绘制
内容提要
本文介绍了多个生物多样性机器学习数据集与项目：SatBird利用卫星图像预测鸟类分布；BIOSCAN-Insect提供百万级昆虫图像及基因条形码，呈长尾分层分类；有研究用隐式神经表示估计4.7万物种分布；Reef-insight结合遥感聚类分析珊瑚礁；有工作用大语言模型编码分类阶层进行物种分布建模；DESIS高光谱数据在预测植物丰富度上优于Sentinel-2；水下机器人可高分辨率绘制珊瑚礁热点；Herbarium Half-Earth推进植物标本数字化；并提出昆虫监测识别系统。
延伸解读
多源数据与模型互补
文章汇总的多个项目显示，生物多样性监测正结合卫星遥感、公民科学、标本图像和基因条形码等不同数据源。例如SatBird用卫星图像和少量地面数据预测鸟类分布，BIOSCAN-Insect则依赖专家标注的图像和基因信息。这种互补思路有助于覆盖不同类群和区域，但各数据集在覆盖范围和标注质量上存在差异，读者需注意其适用边界。
长尾与分层分类的挑战
BIOSCAN-Insect数据集呈现出长尾类别不平衡和分层分类标签的特点，低层级分类问题非常细粒度。这反映了生物多样性数据中常见的不均衡现象：常见物种样本多，稀有物种样本少。文章提到该数据集旨在推动基于图像的分类器进展，但长尾分布可能影响模型对稀有类别的识别效果，是实际应用中需要关注的问题。
高光谱与水下测绘的潜力
在植物丰富度预测上，DESIS高光谱数据在澳大利亚东南部两个栖息地的表现优于Sentinel-2多光谱数据，红边、红色和蓝色光谱区域更具预测力。同时，水下机器人结合视觉检测和摄影测量可高分辨率绘制珊瑚礁生物热点，并与皱度相关。这些案例表明，更高分辨率的数据和平台能提升监测精细度，但文章未涉及成本和大范围推广的可行性。
模型评估与数据偏差
有研究利用隐式神经表示联合估计4.7万物种分布，证明嘈杂且有偏差的众包数据可近似专家范围图；另一工作用大语言模型编码分类阶层，并提出基于接近度的评估度量。这些方法试图缓解数据偏差和分类层级问题，但文章未讨论模型在不同地理区域或类群上的泛化能力，读者应留意其评估仍依赖于现有基准和数据的代表性。
Q&A
SatBird数据集是用来做什么的？它覆盖了哪些地区？
SatBird通过卫星图像预测鸟类物种遇到率，将鸟类物种与其栖息地进行地图绘制。它提供了美国地区的卫星数据集（考虑夏季繁殖和冬季），以及肯尼亚代表性的低数据区域数据集。
BIOSCAN-Insect数据集有什么特点？为什么它对机器学习社区有吸引力？
BIOSCAN-Insect是一个大型手动标注昆虫图像数据集，由专家分类，并提供遗传信息（原始核苷酸条形码序列和条形码索引号）。其特点包括长尾类别不平衡分布和分层分类标签，对低层级问题提出细粒度分类挑战，因此对机器学习社区有吸引力。
如何利用隐式神经表示来估计大量物种的地理范围？
研究利用空间隐式神经表示联合估计47k个物种的地理范围，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，近似许多物种的专家开发的范围图。
Reef-insight框架在珊瑚礁研究中有什么作用？
Reef-insight是一个无人监督机器学习框架，结合遥感数据用于珊瑚礁生态系统管理和研究。它可以生成详细的礁石和地貌聚类，有助于珊瑚礁生态环境的修复项目。
使用大语言模型编码分类学阶层对物种分布建模有什么优势？
通过使用大规模语言模型对物种的分类学阶层进行编码，能够捕捉物种之间更强的隐式关系，并对任意分类水平和未知物种进行范围映射，而不需要额外监督。此外，提出了一种基于接近度的评估度量，能评估任何像素级物种分布图的表示方式。
DESIS高光谱数据在预测植物物种丰富度方面表现如何？与Sentinel-2相比有何优势？
研究表明，红边、红色和蓝色光谱区域更适合预测植物物种丰富度。相比Sentinel-2多光谱数据，DESIS高光谱数据在植物物种丰富度预测上表现更佳，为未来研究探索高光谱数据进行植物生物多样性制图提供了参考。
Herbarium Half-Earth数据集是什么？它有什么意义？
Herbarium Half-Earth是全球最大、最多样化的标本收藏数据集，旨在通过数字化技术协助自动识别和分类研究，对支持植物学研究具有重要意义。
水下机器人如何用于珊瑚礁生物热点图的绘制？
利用自主水下车辆、视觉检测器和摄影测量的方法，成功高分辨率地绘制和识别了珊瑚礁的生物热点图，并发现这些热点图与珊瑚礁生物多样性和丰富度的代理测量——皱度具有一定的相关性，为珊瑚礁保护管理提供了有价值的信息。
