A High-Resolution Landscape Dataset for Concept-Based XAI With Application to Species Distribution Models

Resumo Técnico: Dataset de Alta Resolução para XAI Baseado em Conceitos em Modelos de Distribuição de Espécies

1. Problema e Motivação

Os Modelos de Distribuição de Espécies (SDMs) são ferramentas essenciais para políticas de conservação e gestão de espécies invasoras. Tradicionalmente, eles buscam um equilíbrio duplo: alta performance preditiva e insights ecológicos sobre os fatores que impulsionam a distribuição das espécies.

• O Desafio: O aumento da complexidade dos SDMs baseados em Deep Learning (aprendizado profundo) melhorou a precisão preditiva, mas tornou a extração de conhecimento ecológico extremamente difícil. Modelos profundos aprendem características abstratas em milhões de parâmetros, funcionando como "caixas pretas".
• Limitação das Técnicas Atuais: Métodos de IA Explicável (XAI) tradicionais, como LIME ou SHAP, operam no nível de pixels, o que é difícil de interpretar para ecologistas e não fornece explicações globais de alto nível (ex: "presença de floresta" vs. "presença de pixel verde").
• O Gap: Não existia um conjunto de dados dedicado para aplicar métodos de XAI baseados em conceitos (que alinham a IA ao raciocínio humano usando conceitos ecológicos) especificamente para SDMs.

2. Metodologia

A proposta do artigo é preencher essa lacuna através da criação de um novo dataset e da aplicação da metodologia Robust TCAV (Testing with Concept Activation Vectors).

A. Criação do Dataset de Conceitos (Novo Contributo)

• Fonte de Dados: Imagens multiespectrais e LiDAR de alta resolução (8 cm/pixel) capturadas por drones (UAV) em cinco sítios de estudo na França.
• Conceitos Definidos: Seleção de 15 conceitos de paisagem relevantes ecologicamente, incluindo:
  • Naturais: Sebes (Hedgerows), Árvores isoladas, Florestas, Corpos de água lineares e superficiais, Zonas húmidas, Pastagens permanentes/temporárias.
  • Antropogénicos: Estradas, Edifícios.
  • Agrícolas: Trigo, Milho, Outros cereais, Culturas orgânicas vs. convencionais.
• Estrutura do Dataset:
  • 653 patches de conceitos (512x512 pixels), centrados em vetores de pontos mapeados manualmente ou via registros oficiais.
  • 1.450 patches de referência aleatória.
  • Dados incluem 5 bandas multiespectrais e 2 modelos de elevação (LiDAR), totalizando 7 canais de entrada.

B. Modelos de Distribuição de Espécies (SDMs)

• Alvo: Duas ordens de insetos aquáticos emergentes: Plecoptera e Trichoptera.
• Dados de Treino: 234 armadilhas adesivas distribuídas nos sítios de estudo (Presença/Ausência).
• Arquiteturas Testadas:
  1. CerberusCNN: Arquitetura personalizada com três ramos paralelos para capturar características espaciais em múltiplas escalas.
  2. ARN-50: ResNet-50 adaptada (com camadas iniciais modificadas para 7 canais) e pré-treinada no ImageNet.
  3. PicoViT: Vision Transformer (ViT) de pequena escala adaptado para o tamanho do dataset.

C. Interpretabilidade (Robust TCAV)

• Utilização do Robust TCAV para quantificar a influência dos 15 conceitos nas previsões do modelo.
• O método calcula vetores de ativação de conceito (CAV) comparando as ativações médias dos patches de conceito vs. patches aleatórios no espaço latente do modelo.
• O escore TCAV mede a proporção de exemplos onde o conceito influencia positivamente a previsão da classe (Presença ou Ausência).

3. Principais Contribuições

1. Dataset Aberto: Lançamento do primeiro dataset público de conceitos de paisagem de alta resolução (multiespectral + LiDAR) para XAI em ecologia.
2. Implementação Pioneira: Primeira aplicação de XAI baseada em conceitos (Robust TCAV) em SDMs de Deep Learning.
3. Validação de Modelos: Desenvolvimento e treino de três novos SDMs para insetos aquáticos, demonstrando que CNNs superam Transformers em dados limitados de alta resolução.
4. Framework de Interpretação: Demonstração de como alinhar a lógica do modelo com o conhecimento de especialistas, validando hipóteses ecológicas e gerando novas.

4. Resultados

A. Performance Preditiva

• CerberusCNN e ARN-50 (pré-treinado) alcançaram resultados confiáveis (AUC > 0.80 para Plecoptera e > 0.70 para Trichoptera).
• PicoViT teve desempenho inferior, especialmente para Trichoptera (AUC 0.66), sugerindo que vizinhanças locais de pixels (CNNs) são mais informativas para estes insetos do que as relações de longo alcance capturadas por Transformers neste contexto.
• A pré-treinagem do ARN-50 melhorou significativamente a performance.

B. Interpretação via Robust TCAV

• Consistência: A maioria dos escores TCAV foi consistente entre as arquiteturas (CNNs), validando a robustez do método.
• Fatores Naturais: Conceitos naturais (floresta, zonas húmidas, árvores isoladas, pastagens permanentes) mostraram forte influência positiva na Presença de ambas as espécies (escores > 0.85).
• Fatores Antropogénicos: Culturas (trigo, milho) e infraestrutura (estradas, edifícios) influenciaram negativamente a Presença (escores < 0.16), alinhando-se com a literatura sobre o impacto de pesticidas e fragmentação.
• Descobertas Nuances:
  • Culturas orgânicas tiveram escores de influência negativa, mas consistentemente superiores às convencionais, indicando que práticas orgânicas sustentam melhor a biodiversidade, embora ainda não sejam ideais em escala de paisagem.
  • Inconsistências: O modelo PicoViT produziu escores próximos de zero, indicando que modelos não confiáveis geram insights ecológicos sem sentido.
  • Surpresa: Para Trichoptera, estradas e edifícios mostraram influência positiva em alguns modelos, um resultado contra-intuitivo que abre novas hipóteses de pesquisa.

5. Significado e Conclusão

O trabalho demonstra que é possível reconciliar a alta performance preditiva com a interpretabilidade ecológica em modelos de Deep Learning.

• Validação: O XAI baseado em conceitos valida a lógica dos modelos contra o conhecimento de especialistas, aumentando a confiança na adoção de SDMs complexos.
• Políticas Públicas: Ao fornecer explicações em nível de conceitos de paisagem (e não apenas pixels), o método empodera gestores de terras e formuladores de políticas a tomar decisões informadas sobre uso do solo e conservação.
• Futuro: O dataset e o código são públicos, servindo como catalisador para a adoção de XAI baseado em conceitos na comunidade de ecologia e sensoriamento remoto.

Em suma, o artigo estabelece um novo padrão para a explicabilidade de modelos de distribuição de espécies, transformando "caixas pretas" em ferramentas transparentes que geram hipóteses ecológicas acionáveis.