deepearth/california-flourishing-pollination

该数据集名为加利福尼亚繁荣与授粉，是一个自监督空间特征数据集，专注于加利福尼亚州本土植物和飞行授粉者的生态研究。它基于iNaturalist研究级观测数据，使用DINOv3 ViT-L/16模型提取图像特征，并结合PhenoVision模型计算开花和结果的概率。数据集旨在应对气候变化、土地利用变化和入侵物种对加利福尼亚生物多样性热点地区的压力，通过大规模绑定植物开花与授粉者访问数据，为生态预测提供AI就绪的科学资产。数据集包含约1027万张图像嵌入，覆盖524万次观测和16446个物种（包括6383种加利福尼亚本土植物和10063种飞行授粉者），地理范围限定在加利福尼亚州。数据组件包括物种列表、授粉交互数据、图像清单、DINOv3和PhenoVision特征嵌入、查找表（如UMAP可视化数据）以及完整的科学溯源记录。数据集以Parquet格式存储，总大小约4.15TB，许可为MIT，但源图像遵循各自的CC许可。This dataset is named California Bloom and Pollination. It is a self-supervised spatial feature dataset dedicated to ecological research on native plants and flying pollinators in California. Utilizing research-grade observation data from iNaturalist, the dataset extracts image features via the DINOv3 ViT-L/16 model and calculates flowering and fruiting probabilities using the PhenoVision model. The dataset aims to address the pressures imposed by climate change, land use change, and invasive species on California's biodiversity hotspots. By large-scale integration of plant flowering and pollinator visitation data, it provides AI-ready scientific assets for ecological forecasting. The dataset contains approximately 10.27 million image embeddings, covering 5.24 million observations and 16,446 species, including 6,383 native plant species and 10,063 flying pollinator species, with its geographic scope restricted to the state of California. Its data components include species lists, pollination interaction data, image inventories, DINOv3 and PhenoVision feature embeddings, lookup tables such as UMAP visualization data, and complete scientific provenance records. The dataset is stored in Parquet format, with a total size of approximately 4.15 TB. It is licensed under the MIT License, while the original source images are subject to their respective Creative Commons (CC) licenses.

搜集汇总

数据集介绍

构建方式

加州繁花传粉数据集（California Flourishing & Pollination）由DeepEarth团队与UC Berkeley QED Lab联合构建，旨在为加州本土植物及其飞行传粉者提供大规模、开放许可的AI-ready特征库。数据源汇聚了iNaturalist研究级观测、GBIF分布记录、GloBi生物互作网络以及CNPS Calscape本土植物名录。团队对逾千万张图片逐一提取了Meta AI的DINOv3 ViT-L/16空间特征（含CLS令牌与14×14空间块），并整合了PhenoVision模型预测的开花与结果概率，所有特征以半精度浮点数存储于1275个Parquet分片中，总容量约4.15 TB，构建出一条从原始图像到可复用科学资产的完整管线。

使用方法

用户可通过Hugging Face Datasets库以流式方式加载嵌入分片，如`load_dataset("deepearth/california-flourishing-pollination", data_files="embeddings/embeddings_*.parquet", streaming=True)`，从而高效处理TB级特征而不必全部下载到内存。每一行包含从bytes重构的CLS与patches张量，以及开花/结果概率，可直接用于分类、聚类或时空分析任务。对于跨图像一致的可视化，可利用`lookups/umap_numpy.npz`中的最近邻映射将patch特征转化为RGB颜色空间，便于直观对比不同观测间的物候格局。数据集所有组件（嵌入、查找表、交互记录、物种清单）均采用MIT许可，用户仅需在使用时遵守各源照片的署名条款。

背景与挑战

背景概述

加州作为全球生物多样性热点地区，其本土植物与传粉昆虫的互作关系正因气候变化、土地利用变迁及外来物种入侵而承受日益加剧的生存压力。现有公开数据集多聚焦于单一类群或局地尺度，缺乏将植物开花物候与传粉者访花行为在州域范围内进行规模化绑定的高质量人工智能就绪资源。为填补这一空白，由加州大学伯克利分校定量生态系统动力学实验室与DeepEarth项目主导，联合生态智能公司于2026年发布此项大规模自监督空间特征数据集。研究团队整合了iNaturalist研究级观测、全球生物互作数据库及加州本土植物学会Calscape名录等权威来源，运用Meta AI的DINOv3视觉转换器与PhenoVision物候模型，对逾千万张图像进行了特征编码与物候概率推断，构建起联结1027万张图像、涵盖16446个物种的生态计算基础设施，为区域生态预测与人工智能驱动的生物多样性监测提供了可复用的科学资产。

当前挑战

该数据集所应对的核心领域挑战在于，传统生态数据整合多受困于异构数据源的语义对齐与规模化表征缺失，难以支撑跨物种、跨时空的开花-传粉互作建模。在构建层面，团队遭遇了多重技术瓶颈：其一，数据源整合面临分布式异构系统的协调难题，需从iNaturalist、GBIF、GloBi及Calscape等平台提取并清洗千万级记录，确保地理范围精确至加州且仅含研究级观测；其二，图像特征提取阶段需处理1275个分片中超4TB的稠密张量存储，同时应对约2.4万张损坏JPEG图像与22个失效URL带来的数据缺失；其三，物候模型推理初期遭遇了标签列名与数值的互换错误，虽通过后处理脚本修正了95%的分片，但64个早期分片仍缺失PhenoVision列，构成后续再计算的遗留任务。

常用场景

经典使用场景

California Flourishing & Pollination数据集专为生态学与生物多样性领域的自监督特征学习而设计，其最经典的应用场景在于大规模植物开花状态与传粉昆虫访花行为的联合建模。研究者可借助该数据集提供的DINOv3空间特征与PhenoVision开花/结果概率，构建跨物种、跨时空的生态表型预测模型，从而深入理解气候变化与土地利用改变对加州本土植物及其传粉网络的影响机制。

解决学术问题

该数据集有效解决了生态学中长期存在的两大核心难题：一是缺乏将植物物候与传粉者互动数据在州级尺度上统一整合的公开高质量资源；二是传统生态数据难以直接适配深度学习模型所需的标准化、大规模特征表示。通过提供超过一千万张图像的预计算嵌入与物候概率，该数据集为量化气候胁迫下的花期变化、传粉网络稳定性及生物多样性丧失风险等学术议题提供了坚实的数据基础，推动了宏观生态学从描述性分析向预测性建模的范式转型。

实际应用

在实际应用中，California Flourishing & Pollination数据集可作为生态监测与农业管理的智能分析基石。例如，自然保护机构可基于其嵌入特征实时追踪加州特有植物的开花物候，优化濒危物种保护策略；农业部门则能结合传粉者分布数据，评估蜜蜂等关键传粉昆虫的服务容量，为作物授粉管理提供决策支持。此外，该数据集还可用于构建城市绿地的生物多样性评估工具，辅助城市规划者设计更具生态韧性的景观布局。

数据集最近研究

最新研究方向

该数据集聚焦于加利福尼亚州本土植物与飞行传粉者之间的物候耦合关系，利用DINOv3 ViT-L/16自监督空间特征提取与PhenoVision开花/结果概率预测，构建了跨越千万级图像的多模态生态智能资产。当前前沿方向集中于利用大规模自监督学习表征生态位动态，结合GBIF、GloBi等全球生物多样性基础设施，推动植物开花物候与传粉者访问行为的时空关联建模。此项工作紧密关联着气候变化与土地利用变迁下生物多样性保护的热点议题，为生态预警与精准保育提供了数据驱动的深度学习基准，标志着生态信息学从静态物种分布向动态相互作用图谱的范式跃迁。