Модель на основе данных для предотвращения коллапса экосистем
Переломные точки (tipping points) означают гибель экосистем. Ученые наблюдают, как предупреждающие признаки постепенно ухудшаются, пока экосистема не достигает точки невозврата, после которой популяции животных резко сокращаются. Хотя переломные точки иногда можно предсказать, будущее за ними часто остается неясным, что мешает попыткам предотвратить надвигающуюся катастрофу.
Новое исследование ученых из Калифорнийского университета в Санта-Круз и Национального управления океанических и атмосферных исследований (NOAA) представляет метод моделирования неопределенного будущего после переломной точки.
Статья, опубликованная в PNAS, показывает, как эта модель может служить «хрустальным шаром» для предсказания будущего экосистем, предоставляя достаточно времени для вмешательства.
«Это дает нам фундаментальное понимание того, как предсказывать будущее, — сказал Эрик Палковакс, старший автор статьи. — Это позволяет либо сделать что-то, чтобы избежать перехода, либо, если он неизбежен, спланировать его и найти лучшие способы справиться».
Взгляд в будущее
В здоровых экосистемах популяции видов колеблются предсказуемо: морские ежи питаются водорослями, выдры поедают ежей, а водоросли снова отрастают. Но если экосистема теряет равновесие, может внезапно наступить катастрофа.
Если потепление воды заставляет морских ежей уничтожить лес водорослей, экосистема внезапно пересекает переломную точку, что обрекает все поддерживаемые ею виды. Результатом становится новый режим колебаний популяций, который трудно исправить.
«Есть много случаев, когда система может существовать в разных состояниях. Состояние с большим количеством водорослей и состояние без них», — сказал Лукас Медейрос, ведущий автор исследования.
Существующие методы предсказания будущего за переломной точкой имеют свои недостатки:
- Методы на основе машинного обучения требуют больших наборов данных, которых часто нет в экологических исследованиях, где данные могут собираться раз в год или реже.
- Другие методы, работающие с малыми наборами данных, требуют детальной информации об экосистеме (например, формулы динамики каждого вида) и не могут быть легко применены к разным экосистемам.
Чтобы предсказывать будущее за переломными точками для множества экосистем, опираясь на ограниченные данные, команда разработала модель, которая учится на исторических трендах экосистемы, а не на детальной информации о каждом виде.
Модель рассматривает колебания популяции одного вида (например, численность лосося) и один фактор, вызывающий эти колебания (например, интенсивность коммерческого вылова). Используя математический инструмент «lagged coordinates embedding», модель может предсказывать динамику и других видов в экосистеме.
«Взяв лаги (запаздывания) для жертвы, вы включаете информацию о том, как хищник влиял на жертву в прошлом», — пояснил Медейрос.
Способность предсказывать исход для нескольких видов в экосистеме — математическое «чудо» этой модели, отметил Стив Манч, старший автор.
От озер до пробирок
Команда применила модель к данным двух исследований о совершенно разных экосистемах:
- Озеро Цюрих: исторические тренды колебаний
популяций планктона в зависимости от уровня фосфора из-за загрязнения.
- В прошлом, при росте уровня фосфора, планктон достиг переломной точки, потребил много кислорода и задушил другие виды, включая своих хищников.
- Без хищников популяция планктона резко выросла, окрасив воду в зеленый цвет.
- Стратегии управления обратили эту переломную точку, восстановив здоровое равновесие.
- Используя исторические данные об уровне фосфора и популяции планктона, модель смогла сделать прогнозы, совпадающие с реальным восстановлением экосистемы.
«Наш подход можно применить к другим озерам, например, к озеру Клир в Калифорнии, — сказал Палковакс. — Это позволит спрогнозировать, насколько нужно снизить уровень фосфора для восстановления озера, сколько времени это займет и как озеро будет выглядеть после».
- Лабораторный эксперимент: ученые создали простые
трехвидовые экосистемы в пробирках, поместив туда протиста и два типа
бактерий, контролируя колебания популяций путем периодического
разбавления раствора.
- Модель смогла предсказать эти колебания на основе экспериментальных данных.
- Важно, что модель также может предсказать, как выглядели бы колебания при условиях, не исследованных в исходном эксперименте.
«Когда мы впервые проанализировали экспериментальные данные, мы поняли, что модель раскрывает то, что еще не происходило в эксперименте, — сказал Медейрос. — Затем исследователи могли бы провести другие эксперименты, чтобы проверить предсказания модели».
Процветающая среда для исследований
Междисциплинарные исследования в UC Santa Cruz создают плодородную почву для подобных коллабораций.
«Мы находимся на стыке прикладной математики, машинного обучения, статистики и актуальных экологических проблем. UC Santa Cruz — прекрасное место для такой работы», — сказал Манч.
Проект стал результатом тесного сотрудничества между UC Santa Cruz и NOAA Southwest Fisheries Science Center.