डीप मल्टी-मोडल प्रजाति अधिभवन मॉडलिंग

अधिभवन मॉडल ऐसे उपकरण हैं जो निवास स्थान और प्रजातियों की उपस्थिति के बीच के संबंध को मॉडल करने के लिए उपयोग किए जाते हैं, जबकि यह ध्यान में रखते हुए कि प्रजातियाँ तब भी मौजूद हो सकती हैं जब वे नहीं पाई जातीं। ऐसे पारिस्थितिकी मॉडल में निवास स्थान की पहचान के लिए सामान्यतः उपयोग किए जाने वाले पर्यावरणीय चर, जैसे वर्षा या वृक्ष आच्छादन, अक्सर कम स्थानिक संकल्प वाले होते हैं, जैसे, 1 किलोमीटर के क्षेत्रफल के लिए एकल मान। यह स्थानिक पैमाना सूक्ष्म निवास स्थितियों के बारीकियों को कैप्चर करने में असफल होता है जो प्रजातियों की उपस्थिति को मजबूत तरीके से प्रभावित कर सकती हैं, और इसके अलावा, चूंकि इनमें से कई उपग्रह डेटा से प्राप्त होते हैं, इसलिए ऐसे पर्यावरण के कुछ पहलू होते हैं जिन्हें वे नहीं पकड़ सकते, जैसे वन छत के नीचे की वनस्पति की संरचना। हम उच्च-प्रस्तुति उपग्रह और भूमि स्तर की इमेजरी को मिलाकर मल्टी-मोडल पर्यावरणीय विशेषताएँ उत्पन्न करने का सुझाव देते हैं जो सूक्ष्म निवास स्थितियों को बेहतर तरीके से कैप्चर करती हैं, और इन मल्टी-मोडल विशेषताओं को पदानुक्रमित बायेसियन प्रजाति अधिभवन मॉडलों में शामिल करते हैं। हम पूर्व-प्रशिक्षित डीप लर्निंग मॉडल का लाभ उठाते हैं ताकि कच्ची इमेजरी से सीधे प्रासंगिक जानकारी को लचीले ढंग से कैप्चर किया जा सके, पारंपरिक दृष्टिकोणों के विपरीत जो निकाली गई और/या हस्तनिर्मित पारिस्थितिकी सह-संबंधों के सेट पर निर्भर करते हैं। हम पारिस्थितिकी मॉडलिंग के लिए मशीन लर्निंग और सांख्यिकी पारिस्थितिकी को जोड़ने के लिए डिज़ाइन किए गए एक नए ओपन-सोर्स पायथन पैकेज का उपयोग करके डीप मल्टी-मोडल प्रजाति अधिभवन मॉडलिंग का कार्यान्वयन करते हैं। हम Snapshot USA सर्वेक्षणों में हजारों कैमरा ट्रैप्स पर 16 स्तनधारी प्रजातियों पर एक कठोर मूल्यांकन प्रोटोकॉल के तहत अपने तरीके का परीक्षण करते हैं, और पाते हैं कि मल्टी-मोडल विशेषताएँ पारंपरिक पर्यावरणीय चर की तुलना में भविष्यवाणी की शक्ति को महत्वपूर्ण रूप से बढ़ाती हैं। हमारे परिणाम न केवल इन-सिचु नमूनों के भविष्यवाणी मूल्य और पूर्णता को उजागर करते हैं, बल्कि डीप लर्निंग मॉडल और पारंपरिक सांख्यिकीय पारिस्थितिकी मॉडल को अधिक करीबी रूप से एकीकृत करने का मामला भी प्रस्तुत करते हैं।