- 4 次围观
1. 要捕捉生态学中的空间格局，必须同时考虑粒度（即输入数据的空间分辨率）和范围（即输入数据所覆盖的区域）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（SDM），仅通过从栅格数据中导出的环境变量纳入粒度。深度学习的最新进展推动了深度物种分布模型（Deep SDM）的发展。与传统 SDM 不同，Deep SDM 直接处理代表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整粒度和范围。2. 本研究评估了粒度和窗口范围对 Deep SDM 的影响，以及粒度如何改变变量（即图像窗口中的像素）的重要性。我们使用了无人机和卫星获取的多光谱与激光雷达数据，空间分辨率范围为 31 cm 至 10 m，并将窗口范围设定在 40 m 至 100 m 之间。我们使用 Grad-CAM 评估各类数据中变量的重要性，并测量其空间一致性。作为案例研究，我们预测了石蝇目（Plecoptera）和毛翅目（Trichoptera）的陆生分布。这两个目均为羽化型水生昆虫，但扩散能力存在差异。3. 结果表明，Deep SDM 能够同时整合粒度和范围。模型表现随粒度（AUC 最高相差 0.26）和范围（AUC 最高相差 0.16）而显著变化。具体而言，对扩散能力有限的石蝇目，采用 40 m 范围的 2.5 m 分辨率多光谱数据可获得最佳预测；而对……而言，最佳预测则来自相同分辨率的多光谱数据与激光雷达数据相结合，并采用 100 m 范围。毛翅目（扩散能力较强）。结果还显示，随着分析粒度的变化，变量重要性也出现了中等程度但值得关注的变化。4. 鉴于遥感产品日益丰富，我们的研究结果支持使用深度物种分布模型（Deep SDMs）系统分析空间粒度与研究范围。这对于高效捕捉时空生态格局、深入了解所研究物种至关重要。数据集和代码均已公开获取。
利用计算机视觉推进物种分布建模中的空间格局整合：粒度与范围概念如何影响新兴水生昆虫的预测 | bioRxiv
跳转至主要内容
首页
关于
投稿
提醒 / RSS
搜索关键词
高级搜索
最新结果
利用计算机视觉推进物种分布建模中的空间格局整合：粒度与范围概念如何影响新兴水生昆虫的预测
查看 ORCID 个人资料
Augustin
de la Brosse，
Aimi
Okabayashi，
Thomas
Corpetti，
Thomas
Houet
doi：
https://doi.org/10.64898/2026.10.29.762482
Augustin de la Brosse
1
CNRS - LETG；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
Augustin de la Brosse 的 ORCID 记录
Aimi Okabayashi
2
IRISA
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
Thomas Corpetti
1
CNRS - LETG；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
Thomas Houet
1
CNRS - LETG；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本站搜索此作者
通信作者：
thomas.houet{at}univ-rennes2.fr
摘要
信息/历史
指标
数据/代码
PDF 预览
摘要
- 捕捉生态学中的空间格局，需要同时考虑粒度（即输入数据的空间分辨率）和范围（即输入数据所覆盖的区域）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（SDM），只能通过从栅格数据中提取的环境变量来整合粒度。深度学习的最新进展推动了深度物种分布模型（Deep SDM）的发展。与传统 SDM 不同，深度 SDM 直接
处理景观背景的图像窗口。因此，它们可以分别通过窗口的空间分辨率和尺寸操控粒度与范围。
- 本研究评估了粒度和窗口范围如何影响深度物种分布模型（Deep SDMs），以及粒度如何改变变量（即图像窗口中的像素）的重要性。我们使用了来自无人机和卫星获取的多光谱数据与激光雷达（LiDAR）数据，其空间分辨率范围为31 cm至10 m，并将窗口范围设置在40 m至100 m之间。采用Grad-CAM评估每种数据类型中变量的重要性，并测量其空间一致性。作为案例研究，我们预测了石蝇目（Plecoptera）和毛翅目（Trichoptera）的陆地分布。这两个类群均为羽化型水生昆虫，但具有不同的扩散能力。
- 结果表明，深度物种分布模型能够整合粒度与范围。结果显示，模型性能会随粒度（AUC最高相差0.26）和范围（AUC最高相差0.16）发生显著变化。具体而言，对于石蝇目（扩散能力有限），使用空间分辨率为2.5 m的多光谱数据并采用40 m范围时，预测效果最佳；对于毛翅目（扩散能力较强），在相同多光谱分辨率下结合激光雷达数据并采用100 m范围时，预测效果最佳。结果还表明，随着粒度变化，变量重要性会发生中等程度但较为明显的变化。
- 鉴于遥感产品日益丰富，我们的研究结果提倡在使用深度物种分布模型时系统分析粒度与范围。这对于有效捕捉时空生态模式并深入理解研究物种至关重要。数据集和代码均已公开。
利益冲突声明
作者声明不存在任何利益冲突。
脚注
https://zenodo.org/records/23234877
https://github.com/augustin-delabrosse/grain-size-extent-deep-sdm
已声明的资助方信息
法国国家研究署，
，ANR-23-CE03-0006
版权
本预印本的著作权归作者／资助方所有，其已授予 bioRxiv 永久展示本预印本的许可。
本预印本依据
CC BY 4.0 国际许可协议
提供。
返回顶部
上一篇
下一篇
发布于2026年10月30日。
下载 PDF
数据／代码
电子邮件
感谢您有意帮助传播 bioRxiv 上的文章。
注意：索取您的电子邮件地址仅用于标明您是本文的发送者。
您的电子邮件地址
*
您的姓名
*
收件人
*
请输入多个地址，每行一个，或用逗号分隔。
您将通过电子邮件发送以下文章
利用计算机视觉推进物种分布建模中的空间格局整合：粒度与范围概念如何影响水生昆虫羽化的预测
邮件主题
（您的姓名）向您转发了 bioRxiv 上的一个页面
邮件正文
（您的姓名）认为您可能希望浏览 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于验证您是否为人类访客，并防止自动提交垃圾信息。
分享
利用计算机视觉推进物种分布建模中的空间格局整合：粒度与范围概念如何影响水生昆虫羽化的预测
Augustin
de la Brosse
，
Aimi
Okabayashi
，
Thomas
Corpetti
，
Thomas
Houet
bioRxiv
2026.10.29.762482；
doi：
https://doi.org/10.64898/2026.10.29.762482
分享本文：
复制
引文工具
利用计算机视觉推进物种分布建模中的空间格局整合：粒度与范围概念如何影响……的预测
新兴水生昆虫
Augustin de la Brosse、Aimi Okabayashi、Thomas Corpetti、Thomas Houet
bioRxiv
2026.10.29.762482
doi：https://doi.org/10.64898/2026.10.29.762482
引文管理器格式
BibTeX
Bookends
EasyBib
EndNote（tagged）
EndNote 8（xml）
Medlars
Mendeley
Papers
RefWorks Tagged
Ref Manager
RIS
Zotero
推文组件
Facebook 点赞
Google +1
学科领域
所有文章
动物行为与认知（8164）
生物化学（19027）
生物工程（15171）
生物信息学（45492）
生物物理学（22958）
癌症生物学（20177）
细胞生物学（27379）
临床试验（138）
发育生物学（14180）
生态学（21448）
流行病学（2067）
进化生物学（25859）
遗传学（16383）
基因组学（23885）
免疫学（19081）
微生物学（43313）
分子生物学（18405）
神经科学（95371）
古生物学（715）
病理学（3039）
药理学与毒理学（5217）
生理学（8299）
植物生物学（16318）
科学传播与教育（2119）
合成生物学（4661）
系统生物学（10418）
动物学（2432）
关键词：深度物种分布模型 · 空间粒度 · 空间范围 · 遥感数据融合 · 水生昆虫羽化 · 计算机视觉
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.29.762482v1?rss=1