RS DL
论文介绍
题目：GeoPlant: Spatial Plant Species Prediction Dataset
会议：Conference on Neural Information Processing Systems 2024
论文：https://arxiv.org/abs/2408.13928
Kaggle：https://www.kaggle.com/datasets/picekl/geoplant
创新点
该研究创建了GeoPlant数据集，这是一个涵盖欧洲10公里空间分辨率的植物物种分布数据集。GeoPlant结合了存在-缺失(PA)和仅存在(PO)数据，填补了当前物种分布数据集的空白，允许模型评估的更全面性。 GeoPlant覆盖了欧洲的广泛区域，包括38个国家，涵盖了整个欧洲大陆的主要生物地理区域（如阿尔卑斯、北大西洋和北极地区）。 数据集包含多模态信息，包括多光谱卫星图像、气候和环境栅格数据，为研究物种分布建模(SDM)提供丰富的数据支持。 数据集附带Kaggle基准和预训练模型、基线模型，使研究者可以快速上手并进行新模型的评估。
数据
本文的数据集GeoPlant是一个欧洲尺度的植物物种分布数据集，它包含多个类型的数据，涵盖环境变量、遥感影像、气候数据等。
GeoPlant数据集的主要任务是物种分布建模（Species Distribution Modeling，SDM），具体目标是预测特定位置的植物物种组成。简单来说就是，给定某个地理坐标，利用环境特征和遥感数据，模型需要预测该位置可能存在的植物物种。
1. 物种观察数据
存在-缺失（Presence-Absence, PA）数据：约9万条记录，由专业植物学家在指定小区域内（通常10-400平方米）采集。这些数据通过标准化调查方法记录了某区域内的物种出现与否，代表一个完整的物种清单。 仅存在（Presence-Only, PO）数据：约500万条记录，来源于公民科学平台（如iNaturalist、Pl@ntNet），具有地理坐标，但未提供物种缺失信息。这些记录由于缺乏标准化采样协议而存在偏差，且主要集中在易访问和人口密集的区域。
2. 环境栅格数据
土地利用和人类足迹：包括中分辨率土地覆盖数据和低分辨率人类活动影响数据。土地利用数据源自MODIS，提供欧洲范围的土地覆盖类型及其变化；人类足迹数据则包含不同年份（1993和2009）的人口密度、道路、耕地等指标，能够反映人类活动对物种分布的影响。 土壤属性：来自SoilGrids数据库，包含了pH值、土壤颗粒构成等9种土壤属性的低分辨率栅格，分辨率约1公里。 高程：采用ASTER全球数字高程模型（DEM）提供的高分辨率数据，涵盖整个数据集的空间范围，用于分析地形对物种分布的影响。
3. 卫星图像数据
Sentinel-2图像：每个物种观测点周围128×128像素的10米分辨率RGB和NIR图像，用于捕捉该位置的植被和地表信息。图像经过预处理，去除了云和阴影干扰，并使用gamma校正以提高可视化效果。 Landsat时间序列：覆盖1999至2020年的每季多光谱数据（包括红、绿、蓝、近红外、短波红外1和2波段），用于追踪植被季节性变化和重大环境事件（如火灾）。
4. 气候数据
月度气候时间序列：2000年至2019年间的气候变量（包括平均温度、最高温度、最低温度和降水量），分辨率约为1公里。 长期气候均值数据：基于1981至2010年的19项气候变量统计数据，如年均温度、降水季节性等，以捕捉长时间气候趋势对物种分布的影响。
5. 数据格式和分布
所有数据均以标准化格式（GeoTIFF和CSV）提供，空间坐标系为WGS84，确保跨数据类型的兼容性。 数据覆盖整个欧洲的38个国家，数据集按10×10公里的网格划分，确保数据在空间上的平衡性，以避免因偏差引起的模型误差。
6. 额外资源
GeoPlant还在Kaggle上提供了数据集的基准测试，并发布了用于深度SDM的预训练模型、基线模型等资源，方便研究者在不同数据模态和模型架构之间进行比较和验证。
GeoPlant 基准
GeoPlant数据集在Kaggle上提供了一个基准测试平台，方便研究人员进行物种分布建模（SDM）的评估。这个基准测试具备以下特点：
平台优势：在Kaggle上进行托管，提供了便捷的模型分享和代码开发环境，并且支持免费GPU资源，便于社区成员参与。 评价指标：主要使用样本平均的F1分数作为模型性能的衡量指标。该指标评估了预测的物种集合与实际存在的物种集合的重叠情况，确保测试集上的预测与真实数据一致。 资源支持：除了数据集，基准测试还提供了一系列资源，包括用于深度SDM训练的PyTorch框架（Malpolon）、数据加载器、基准测试的Jupyter Notebook，以及预训练模型。研究者可以直接在Kaggle上使用这些资源进行模型训练和评估。
基准测试
在基准测试中，作者提供了多种不同的基线模型，涵盖了从简单到复杂的模型架构，展示了多模态数据在SDM任务中的潜力，鼓励进一步创新模型的开发
简单基线（Naive Baseline）：采用最常见物种的方法，通过选择某一生物地理区的前25个最常见物种进行预测。 PA数据实验：使用了三种架构和数据模态，测试了ResNet18、定制的ResNet6、和多层感知器（MLP）在不同模态下的表现。结果表明，定制的轻量级CNN在各项评价指标上表现最佳，尤其在多模态输入（如气候数据、卫星时间序列和图像数据）组合下，取得了更高的F1分数。 Top-K预测：开发了一种简单的多标签分类方法，通过引入一个回归步骤来估计每个样本中的物种数，使用最可能的K个物种进行预测。
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！
相关链接：
论文赏读 | CVPR24 | 多模态学习用于遥感植被状态预测 (NDVI预测)
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)。
