Sat-SINR: Modelos de Distribución de Especies de Alta Resolución a Través de Imágenes Satelitales

Resumen. Proponemos un enfoque de aprendizaje profundo para la modelación de distribución de especies de alta resolución (SDM) a gran escala combinando datos de observación de especies puntuales y crowdsourcing con datos ambientales y imágenes satelitales de Sentinel-2. Lo que hace que esta tarea sea desafiante es la gran variedad de factores que controlan la distribución de especies, como las condiciones del hábitat, la intervención humana, la competencia, las perturbaciones y la historia evolutiva. Los expertos incorporan estos factores en modelos mecanicistas complejos basados en datos de presencia-ausencia recolectados en campañas de campo o entrenan modelos de aprendizaje automático para aprender la relación entre datos ambientales y la ocurrencia de especies solo de presencia. Extendemos este último enfoque aquí y aprendemos SDMs profundos de extremo a extremo basados en datos de presencia única y crowdsourcing en combinación con imágenes satelitales. Nuestro método, denominado Sat-SINR, modela conjuntamente las distribuciones espaciales de 5.6k especies de plantas en toda Europa y aumenta la resolución espacial en un factor de 100 en comparación con el estado actual del arte. Probamos exhaustivamente y ablatamos múltiples variaciones de combinar datos puntuales geo-referenciados con imágenes satelitales y mostramos que nuestro método SDM basado en aprendizaje profundo muestra consistentemente una mejora de hasta 3 puntos porcentuales en tres métricas. Hacemos todo el código públicamente disponible en https://github.com/ecovision-uzh/sat-sinr.