2018-12-04 05:58:01
新的机器学习方法预测了对受威胁植物物种的全球清单的补充

新的机器学习方法预测了对受威胁植物物种的全球清单的补充.jpg

国际自然保护联盟(IUCN)濒危物种红色名录是研究人员和决策者努力遏制全球物种流失的有力工具。但是,即使将一个物种添加到清单中也不是一项小任务,需要花费数小时的昂贵,严谨和高度专业化的研究。

由于这些限制,自然保护联盟尚未对大量已知物种进行正式评估,并将其列为五个类别中的一个,从最不关心的是极度濒危。这种缺陷在植物中非常明显:目前已知植物物种中只有约5%以任何身份出现在IUCN的红色名录中。

由马里兰大学昆虫学助理教授AnahíEspíndola共同开发的一种新方法利用机器学习和开放获取数据的力量来预测可能符合IUCN红色名录中有风险状态的物种。该研究团队创建并培训了一种机器学习算法,用于评估来自世界各地的150,000多种植物,使其成为迄今为止最大的保护风险评估项目。根据结果,超过10%的这些物种很有可能有资格进行有风险的IUCN分类。

该算法是一种预测模型,可以应用于任何规模的任何物种分组,从整个地球到单个城市公园。 Espíndola和她的同事于2018年12月3日在线发表了“美国国家科学院院刊”。

“我们的方法并不是要用IUCN协议取代正式评估。它是一种工具,可以通过计算特定物种面临风险的概率来帮助确定过程的优先顺序,”Espíndola说。 “最终,我们希望它能帮助政府和资源管理者决定在哪里投入有限的资源进行保护。这对于未充分研究的地区尤其有用。”

Espíndola和她的合作者使用来自全球生物多样性信息机构(GBIF)和TRY植物特性数据库的开放获取数据建立了他们的预测模型。主要作者拉德福德大学生物学助理教授Tara Pelletier与Espíndola合作进行机器学习分析。

然后,Espíndola和Pelletier使用来自IUCN红色名录上相对较小的植物物种的GBIF和TRY数据训练该模型。这使研究人员能够通过检查其对所列物种已知的IUCN风险状态的预测来评估和微调模型的准确性。红色名录将未灭绝的物种分为五类分类:最不关心,近乎受威胁,脆弱,濒危和极度濒危。

研究人员随后将该模型应用于IUCN尚未列入的数千种植物物种。根据调查结果,超过15,000种物种 - 大约占该团队总体评估的10% - 至少具有接近威胁的合格概率。

Espíndola和她的同事绘制了数据并记录了该模型预测中的几个主要地理趋势。有风险的物种往往聚集在已经因其高度本土生物多样性而闻名的地区,例如中美洲热带雨林和澳大利亚西南部。该模型还标志着加利福尼亚州和美国东南部等地区,这些地区是大量特有物种的家园,这意味着这些物种不会自然地出现在地球上任何其他地方。

“当我第一次开始考虑这个项目时,我怀疑许多具有高度多样性的地区将得到很好的研究和保护。但我们发现情况正好相反,”Espíndola说。 “许多高度多样化的地区与风险概率最高的地区相对应。当我们看到这些地图时,我们很惊讶它是那么清楚。地方性物种也往往风险更大,因为它们通常局限于较小的地区。 “

该模型还标志着一些令人惊讶的地区,这些地区通常不知道其生物多样性,例如阿拉伯半岛的南部海岸,因为它们拥有大量高风险物种。 Espíndola表示,一些最危险的地区没有受到研究人员的足够重视。她希望通过识别需要进一步研究的区域和物种,她的方法可以帮助填补这些知识空白。

“假设你想要在一个大陆上评估每种野生蜜蜂。所以你做了评估,发现只有一个物种处于危险之中。现在你已经利用所有这些资源来确定一个风险较低的地区,这仍然是资源有限,但并不理想。我们希望帮助防止这种情况发生,“Espíndola说。 “我们的分析是全球性的,但该模型可以适应任何地理范围。我们所做的一切都是100%的开放访问,突出了公开数据的力量。我们希望人们会使用我们的模型 - 我们希望他们指出错误并帮助我们修复错误,使其更好。“

研究论文“在全球范围内预测植物保护优先事项”,Tara Pelletier,Bryan Carstens,David Tank,Jack Sullivan和AnahíEspíndola,于2018年12月3日在线发表在“美国国家科学院院刊”上。

猜您喜欢的其它内容