GeoPlant: 大型植物物种预测数据集

本文的数据集GeoPlant是一个欧洲尺度的植物物种分布数据集，它包含多个类型的数据，涵盖环境变量、遥感影像、气候数据等。

GeoPlant数据集的主要任务是物种分布建模（Species Distribution Modeling，SDM），具体目标是预测特定位置的植物物种组成。简单来说就是，给定某个地理坐标，利用环境特征和遥感数据，模型需要预测该位置可能存在的植物物种。

1.物种观察数据

存在-缺失（Presence-Absence, PA）数据：约9万条记录，由专业植物学家在指定小区域内（通常10-400平方米）采集。这些数据通过标准化调查方法记录了某区域内的物种出现与否，代表一个完整的物种清单。

仅存在（Presence-Only, PO）数据：约500万条记录，来源于公民科学平台（如iNaturalist、Pl@ntNet），具有地理坐标，但未提供物种缺失信息。这些记录由于缺乏标准化采样协议而存在偏差，且主要集中在易访问和人口密集的区域。

2.环境栅格数据

土地利用和人类足迹：包括中分辨率土地覆盖数据和低分辨率人类活动影响数据。土地利用数据源自MODIS，提供欧洲范围的土地覆盖类型及其变化；人类足迹数据则包含不同年份（1993和2009）的人口密度、道路、耕地等指标，能够反映人类活动对物种分布的影响。

土壤属性：来自SoilGrids数据库，包含了pH值、土壤颗粒构成等9种土壤属性的低分辨率栅格，分辨率约1公里。

高程：采用ASTER全球数字高程模型（DEM）提供的高分辨率数据，涵盖整个数据集的空间范围，用于分析地形对物种分布的影响。

3.卫星图像数据

Sentinel-2图像：每个物种观测点周围128×128像素的10米分辨率RGB和NIR图像，用于捕捉该位置的植被和地表信息。图像经过预处理，去除了云和阴影干扰，并使用gamma校正以提高可视化效果。

Landsat时间序列：覆盖1999至2020年的每季多光谱数据（包括红、绿、蓝、近红外、短波红外1和2波段），用于追踪植被季节性变化和重大环境事件（如火灾）。

4.气候数据

月度气候时间序列：2000年至2019年间的气候变量（包括平均温度、最高温度、最低温度和降水量），分辨率约为1公里。

长期气候均值数据：基于1981至2010年的19项气候变量统计数据，如年均温度、降水季节性等，以捕捉长时间气候趋势对物种分布的影响。

5.数据格式和分布

所有数据均以标准化格式（GeoTIFF和CSV）提供，空间坐标系为WGS84，确保跨数据类型的兼容性。

数据覆盖整个欧洲的38个国家，数据集按10×10公里的网格划分，确保数据在空间上的平衡性，以避免因偏差引起的模型误差。

6.额外资源

GeoPlant还在Kaggle上提供了数据集的基准测试，并发布了用于深度SDM的预训练模型、基线模型等资源，方便研究者在不同数据模态和模型架构之间进行比较和验证。

7.GeoPlant 基准

GeoPlant数据集在Kaggle上提供了一个基准测试平台，方便研究人员进行物种分布建模（SDM）的评估。这个基准测试具备以下特点：

平台优势：在Kaggle上进行托管，提供了便捷的模型分享和代码开发环境，并且支持免费GPU资源，便于社区成员参与。

评价指标：主要使用样本平均的F1分数作为模型性能的衡量指标。该指标评估了预测的物种集合与实际存在的物种集合的重叠情况，确保测试集上的预测与真实数据一致。

资源支持：除了数据集，基准测试还提供了一系列资源，包括用于深度SDM训练的PyTorch框架（Malpolon）、数据加载器、基准测试的Jupyter Notebook，以及预训练模型。研究者可以直接在Kaggle上使用这些资源进行模型训练和评估。

Kaggle数据下载：https://www.kaggle.com/datasets/picekl/geoplant