Advancing Spatial Pattern Integration in Species Distribution Modelling With Computer Vision: How Grain Size and Extent Concepts Shape Predictions of Emerging Aquatic Insects

方法

无人机与卫星多光谱及LiDAR数据，Grad-CAM分析，粒度31cm-10m、

发现

粒度与范围显著影响预测精度（AUC差达0.26/0.16），不同扩散力物种最优配置不同。

机会点

可将粒度-范围系统分析引入农业害虫或天敌分布预测，结合多源遥感优化深度学习模型配置。

1. 在生态学中捕捉空间格局，必须同时考虑粒度（即输入数据的空间分辨率）和范围（即输入数据覆盖的区域）这两个概念。依赖传统机器学习模型（如随机森林、MaxEnt）的物种分布模型（SDMs）仅通过源自栅格数据的环境变量来整合粒度。深度学习的近期进展促成了深度物种分布模型（Deep SDMs）的发展。与传统SDMs不同，Deep SDMs直接处理表征景观背景的图像窗口。因此，它们能够分别通过窗口的空间分辨率和大小来调控粒度与范围。2. 本研究评估粒度与窗口范围如何影响Deep SDMs，以及粒度如何改变变量（即图像窗口的像素）的重要性。我们使用了来自无人机和卫星采集的多光谱与LiDAR数据，空间分辨率范围为31厘米至10米，并将窗口范围在40米至100米之间变化。采用Grad-CAM评估各数据类型变量的重要性并测量其空间一致性。作为案例研究，预测了襀翅目（Plecoptera）和毛翅目（Trichoptera）——两个扩散能力对比鲜明的水生昆虫目——的陆域分布。3. 结果证明了Deep SDMs整合粒度与范围的能力。研究强调了性能随粒度（高达0.26 AUC）和范围（高达0.16 AUC）的显著变化。具体而言，襀翅目（扩散能力有限）在40米范围下使用2.5米多光谱数据获得了最佳预测，而毛翅目（扩散能力较强）在100米范围下结合相同多光谱分辨率与LiDAR获得了最佳预测。结果还显示，变量重要性随不同粒度发生中度但显著的变化。4. 鉴于遥感产品日益丰富，我们的发现倡导利用Deep SDMs对粒度和范围进行系统分析。这对于高效捕捉空间生态格局和更好地理解所研究的物种至关重要。数据集和代码已公开可用。