Machine Learning for Biodiversity Monitoring from Remote Sensing and Citizen Science Data

Rolnick, David (Supervisor) La perte de la biodiversité se produit à un rythme sans précédent, menaçant les services écosystémiques essentiels à la nourriture, à l'eau, et à la santé et au bien-être humains. Comprendre la distribution des espèces est crucial pour la politique de conservation. Cependant, les méthodes traditionnelles de modélisation de la distribution des espèces (SDM) se concentrent sur des espèces ou des régions limitées, laissant d'importantes lacunes dans nos connaissances. Un obstacle clé est l'effort considérable nécessaire pour la surveillance traditionnelle. La télédétection et la science citoyenne offrent des opportunités pour transformer la surveillance de la biodiversité et permettre la modélisation d'écosystèmes complexes.Cette thèse introduit la tâche de cartographier les espèces d'oiseaux dans des habitats en prédisant les taux de rencontre à partir d'images satellites et de données de science citoyenne. Nous créons un ensemble de données avec des images satellites des États-Unis et du Kenya, avec des étiquettes dérivées des données d'observation de présence-absence provenant de la base de données de science citoyenne eBird. Nous formons des modèles de base et démontrons que nous pouvons apprendre des schémas de distribution spécifiques à partir de ces données. Nous montrons également que nous pouvons utiliser les modèles formés pour améliorer les prédictions dans les zones où les données pourraient être limitées, en particulier là où les listes de contrôle eBird sont limitées. L'ensemble de données publié - SatBird et les modèles pré-entraînés permettent une modélisation écosystémique évolutive à l'échelle mondiale Biodiversity loss is occurring at an unprecedented rate, threatening ecosystem services critical to food, water, and human health and well-being. Understanding species distributions is crucial for conservation policy. However, traditional species distribution modeling (SDM) methods focus on limited species or regions, leaving major knowledge gaps. A key barrier is the extensive effort needed for traditional monitoring. Remote sensing and citizen science offer opportunities to transform biodiversity monitoring and enable modeling complex ecosystems.This thesis introduces the task of mapping bird species to habitats by predicting encounter rates from satellite images and crowd-sourced citizen science data. We create a dataset with satellite images from the US and Kenya with labels derived from presence-absence observation data from citizen science database eBird. We train baseline models and show that we can learn specific distribution patterns from these data. We also show that we can utilize the trained models to improve predictions in areas where data may be limited, specifically, where eBird checklists are limited. The released dataset - SatBird and pre-trained models enable scalable ecosystem modeling worldwide