FrogDeepSDM: Improving Frog Counting and Occurrence Prediction Using Multimodal Data and Pseudo-Absence Imputation

📄 arXiv: 2510.19305v1 📥 PDF

作者: Chirag Padubidri, Pranesh Velmurugan, Andreas Lanitis, Andreas Kamilaris

分类: cs.LG, cs.CV

发布日期: 2025-10-22

💡 一句话要点

FrogDeepSDM：利用多模态数据和伪缺失值插补提升青蛙计数和分布预测

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 物种分布模型 多模态学习 深度学习 数据插补 青蛙计数 生物多样性监测 特征选择

📋 核心要点

  1. 现有物种分布监测方法依赖人工收集，存在覆盖范围有限和数据不完整的问题，难以准确预测物种分布。
  2. FrogDeepSDM利用深度学习和数据插补技术，融合多模态数据，提升物种分布模型（SDM）的预测精度。
  3. 实验表明，数据平衡显著降低了青蛙计数任务的平均绝对误差，多模态集成模型在未见区域表现出强大的泛化能力。

📝 摘要（中文）

物种分布监测对于保护工作至关重要，它能够评估环境影响并制定有效的保护策略。传统的数据收集方法，包括公民科学，提供了宝贵的见解，但在覆盖范围和完整性方面仍然有限。物种分布模型（SDM）通过使用发生数据和环境变量来预测大范围区域内的物种存在，从而帮助弥补这些差距。本研究通过应用深度学习和数据插补技术，利用“EY - 2022生物多样性挑战赛”的数据，提高了青蛙（无尾目）的SDM精度。实验表明，数据平衡显著提高了模型性能，在青蛙计数任务中将平均绝对误差（MAE）从189降低到29。特征选择确定了影响发生的关键环境因素，优化了输入，同时保持了预测精度。多模态集成模型集成了土地覆盖、NDVI和其他环境输入，优于单个模型，并在未见区域表现出强大的泛化能力。图像和表格数据的融合提高了青蛙计数和栖息地分类，实现了84.9%的准确率和0.90的AUC。本研究强调了多模态学习和数据预处理技术（如平衡和插补）在数据稀疏或不完整时提高预测生态建模的潜力，从而有助于更精确和可扩展的生物多样性监测。

🔬 方法详解

问题定义：论文旨在解决青蛙物种分布预测中数据稀疏和不完整的问题。传统SDM方法依赖于人工收集的数据，覆盖范围有限，且容易受到人为因素的影响，导致预测精度不高。此外，单一数据源难以全面反映影响物种分布的复杂环境因素。

核心思路：论文的核心思路是利用多模态数据（包括图像和表格数据）和深度学习技术，构建更准确、更鲁棒的SDM模型。通过数据平衡和伪缺失值插补等预处理技术，解决数据稀疏和不平衡的问题。同时，利用特征选择方法，识别关键环境因素，优化模型输入。

技术框架：整体框架包括数据预处理、特征选择、模型训练和模型集成四个主要阶段。数据预处理阶段包括数据清洗、数据平衡（如使用SMOTE等方法）和伪缺失值插补。特征选择阶段利用相关性分析和特征重要性评估，选择关键环境因素。模型训练阶段训练多个深度学习模型，包括基于图像数据的CNN模型和基于表格数据的MLP模型。模型集成阶段将多个模型的预测结果进行融合，得到最终的预测结果。

关键创新：论文的关键创新在于多模态数据的融合和伪缺失值插补技术的应用。传统SDM方法主要依赖于表格数据，而论文将图像数据（如土地覆盖图）与表格数据相结合，更全面地反映了影响物种分布的环境因素。伪缺失值插补技术能够有效解决数据稀疏问题，提高模型的泛化能力。

关键设计：在数据平衡方面，论文采用了SMOTE等过采样技术，增加稀有类别的样本数量。在模型训练方面，论文采用了交叉验证方法，防止过拟合。在模型集成方面，论文采用了加权平均方法，根据不同模型的性能赋予不同的权重。损失函数使用了平均绝对误差（MAE）等回归损失函数。

📊 实验亮点

实验结果表明，数据平衡显著提高了模型性能，将青蛙计数任务的平均绝对误差（MAE）从189降低到29。多模态集成模型优于单个模型，并在未见区域表现出强大的泛化能力。图像和表格数据的融合提高了青蛙计数和栖息地分类，实现了84.9%的准确率和0.90的AUC。

🎯 应用场景

该研究成果可应用于生物多样性监测、环境保护和生态风险评估等领域。通过更准确地预测物种分布，可以帮助制定更有效的保护策略，评估环境变化对物种的影响，并预测潜在的生态风险。该方法还可以推广到其他物种的分布预测，为生物多样性保护提供技术支持。

📄 摘要（原文）

Monitoring species distribution is vital for conservation efforts, enabling the assessment of environmental impacts and the development of effective preservation strategies. Traditional data collection methods, including citizen science, offer valuable insights but remain limited in coverage and completeness. Species Distribution Modelling (SDM) helps address these gaps by using occurrence data and environmental variables to predict species presence across large regions. In this study, we enhance SDM accuracy for frogs (Anura) by applying deep learning and data imputation techniques using data from the "EY - 2022 Biodiversity Challenge." Our experiments show that data balancing significantly improved model performance, reducing the Mean Absolute Error (MAE) from 189 to 29 in frog counting tasks. Feature selection identified key environmental factors influencing occurrence, optimizing inputs while maintaining predictive accuracy. The multimodal ensemble model, integrating land cover, NDVI, and other environmental inputs, outperformed individual models and showed robust generalization across unseen regions. The fusion of image and tabular data improved both frog counting and habitat classification, achieving 84.9% accuracy with an AUC of 0.90. This study highlights the potential of multimodal learning and data preprocessing techniques such as balancing and imputation to improve predictive ecological modeling when data are sparse or incomplete, contributing to more precise and scalable biodiversity monitoring.