RS DL
论文介绍
题目：Deep learning models map rapid plant species changes from citizen science and remote sensing data
期刊：Proceedings of the National Academy of Sciences
论文：https://www.pnas.org/doi/10.1073/pnas.2318296121
代码：https://github.com/moiexpositoalonsolab/deepbiosphere
创新点
基于深度学习的植物物种变化监测：该研究开发了一个名为“Deepbiosphere”的深度学习模型，整合了公民科学数据与遥感影像，能够在高空间分辨率下（1米）检测2000多种植物的分布。 结合遥感和气候数据：创新性地将气候数据（Bioclim变量）与遥感数据结合，通过多层感知器（MLP）和残差卷积神经网络（TResNet）的多头架构，显著提升了物种分布模型（SDM）的预测精度。 抗噪能力和偏差修正：模型针对公民科学数据的噪声和系统性观测偏差，设计了“采样偏差感知的二元交叉熵损失函数”，显著提高了模型在稀有物种上的表现。 自动化空间与时间变化检测：该方法可以自动识别植物群落的快速变化，例如火灾后植物群落的动态变化。
背景
全球植物多样性面临威胁：人类活动和气候变化导致植物物种的分布发生显著变化，并威胁其生态系统功能。
植物物种监测的挑战：现有监测方法难以在高分辨率下精确追踪植物物种的动态变化。
深度学习和遥感技术的潜力：深度学习结合遥感数据可以实现高效的自动化物种分布监测。
公民科学的贡献：公民科学数据为物种监测提供了丰富的观测样本，有助于提升监测覆盖率和数据质量。
数据
1. 公民科学数据（Citizen Science Data）
来源：主要来自iNaturalist平台以及全球生物多样性信息设施（GBIF）。 数量：研究收集了超过65万条植物物种的观测数据，覆盖2221种植物。 时间范围：2015年至2022年的观测数据。 处理方式：
过滤掉了重复观测、地理坐标不准确和过度采样区域的数据。 通过邻居插补（neighbor imputation）增加了每个物种的观测密度，将重叠的256米范围内的物种添加到某个观测点中。 最终筛选后，得到了65万条、涵盖2221种植物的有效观测数据。
2. 遥感数据（Remote Sensing Data）
来源：美国国家农业影像计划（NAIP）的航空影像。 时间：2012年和2014年的遥感影像。 分辨率：1米分辨率的RGB和近红外影像，影像大小为256×256像素（约等于256米×256米的区域）。 数据特点：
影像数据与物种的地理坐标进行匹配，使得每个物种的观测点位于影像的中心。 数据涵盖了加利福尼亚州的大部分地区，为植物物种的精细空间分布预测提供了支持。
3. 气候数据（Climate Data）
来源：WorldClim 2.0。 气候变量：19个生物气候变量，主要包括降水和温度数据，这些变量具有生物学上的相关性。 时间范围：1970年至2000年之间的气候数据，数据是基于多年平均值。 分辨率：约1公里的空间分辨率。
4. 数据集成与处理
邻居插补（Neighbor Imputation）：研究通过将邻近观测点的其他物种插补到当前观测点中，增强了每个观测点的数据丰富度，尤其对于稀有物种，这种方式可以提高模型的泛化能力。
训练和测试数据划分：研究将数据分为训练集和测试集，并采用了空间交叉验证方式，以确保模型在未观测区域的泛化能力。为了避免空间自相关的影响，测试集中所有观测点与训练集中的观测点必须保持至少1300米的距离。
方法
模型设计
残差卷积神经网络（CNN）：
研究使用了TResNet，TResNet是一种专为图像分类任务优化的深度残差卷积神经网络，能够高效处理遥感影像数据。
为了提升模型的分类能力，研究在网络的输出层中增加了三个全连接层，分别用于预测植物的科、属和种。
通过预测不同分类层次（科、属、种）来共享信息，提升对物种的预测效果，尤其是稀有物种。 多层感知器（MLP）：
为了整合气候数据，文章设计了一个多层感知器（MLP）网络，单独处理气候数据。该网络主要用于从19个气候变量中提取植物分布的相关特征。 Deepbiosphere模型（组合架构）：
将TResNet和MLP组合成一个多头神经网络架构，称为Deepbiosphere。
TResNet处理遥感影像，MLP处理气候数据，两者的输出共同用于预测植物物种的存在与分布。
这种多模态架构使模型能够同时利用气候和遥感数据，从而提升对物种分布的综合预测能力。
抗噪声与偏差处理
公民科学数据往往存在采样偏差，常见物种和在人口稠密地区的物种观测较多，而稀有物种或偏远地区的观测较少。为了减轻这种偏差，研究者设计了一种“采样偏差感知的二元交叉熵损失函数”。
该损失函数根据每个位置的物种缺失程度，适当降低未观测到物种的负样本权重，从而减小偏差的影响。
该损失函数提高了模型在稀有物种上的表现。
模型训练
训练集与测试集划分：数据集通过空间交叉验证进行训练和测试，以确保模型能够在未观测到的区域进行泛化。具体而言，使用10折交叉验证，并确保每个观测点与其最近的训练点保持1300米的距离。
结果和精度
高精度物种预测：Deepbiosphere在加利福尼亚州的植物物种分布预测上表现优异，AUC-ROC均值达到了0.95，显著超越了传统的物种分布模型（如Maxent），特别是在复杂栖息地（如红杉林地）中，对稀有和常见物种均表现出高精度预测。 生态系统变化的时间监测：模型能够有效检测生态系统的动态变化，如2013年Rim Fire森林火灾后植物群落的恢复。通过对比火灾前后遥感影像，模型揭示了社区结构的显著变化，特别是在火灾严重影响区域，物种分布的时间变化预测与传统火灾严重度指数（dNBR）高度相关。 空间变化预测：Deepbiosphere模型在空间上也展现了对植物物种变化的灵敏度，能够识别破碎化栖息地中的细微物种变化。通过计算多个物种的空间社区变化，模型显示出优于传统方法的预测能力，尤其是在复杂环境中的物种迁移和分布变化。 稀有物种和栖息地的外推能力：通过空间交叉验证，Deepbiosphere展示了良好的泛化能力，不仅可以在已观测区域表现出色，还能够外推到未观测区域，并对稀有物种的预测也有较好的效果，减轻了传统模型因数据不平衡带来的问题。
精度对比
可视化
图2展示了Deepbiosphere模型对沿海红杉森林（Sequoia sempervirens）的预测结果
A：加利福尼亚红杉国家公园Tall Trees红杉树林的NAIP航空影像，显示了老红杉遗迹。
B：基于人工注释的红杉林覆盖图，区分了成熟和年轻的红杉林。
C：Deepbiosphere模型预测红杉的分布情况，包括成熟和再生林。
D：美国国家公园管理局的植被图，标注了成熟红杉林（深红色）和再生红杉林（蓝色）。
E：Deepbiosphere对两种红杉林下层植物物种的预测，分别是喜好成熟红杉林的Oxalis oregana和喜好次生林的Rubus ursinus。
图3展示了Deepbiosphere模型检测生态系统在空间和时间上的社区变化
A：北部Marin县的NAIP航空影像，显示了栖息地的破碎化。
B：使用Deepbiosphere模型计算的空间社区变化，基于221个植物物种的预测。
C：对比基于细尺度植被类型与Deepbiosphere的空间社区变化预测。
D：对比NAIP原始影像的边缘检测与细尺度植被类型的独特性。
E：2013年Rim Fire森林火灾后的NAIP影像。
F：Deepbiosphere计算的时间社区变化，比较2012年和2014年的物种预测。
G：与基于火灾严重程度的dNBR（归一化火烧指数差异）对比。
H：2012年和2014年NAIP原始影像计算的欧几里得距离与dNBR对比。
更多图表分析可见原文
因配置了AI回复功能，除关键词自动回复外，号内信息主要由AI大模型回复。如需资源、投稿、合作等，请直接联系小助手微信（添加请备注：咨询、投稿、合作、加群，加群需备注姓名/昵称，单位和研究方向）。
公众号欢迎优秀作者投稿！可加入优秀论文作者群：欢迎加入AI遥感优秀论文作者群！
问题及讨论可直接在文章下方留言
相关链接：
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
