Новый метод на основе ИИ для предотвращения биологических инвазий
Некоторые интродуцированные виды растений, получив конкурентное преимущество, быстро распространяются, вытесняют местную растительность и трансформируют целые экосистемы. Такие виды называются инвазивными.
Междисциплинарная команда исследователей из UConn разработала каркасную модель на основе ИИ, чтобы предсказать, какие виды растений с наибольшей вероятностью станут инвазивными ещё до их появления в новом регионе. Работа опубликована в Journal of Applied Ecology.
Как работает метод
Исследователи объединили десятилетия экологических данных с методами машинного обучения. Алгоритмы анализируют паттерны из предыдущих интродукций видов в паре с характеристиками растений, которые могут позволить им стать инвазивными.
Для анализа использовались три набора данных:
- Экологические и биологические характеристики растений (стратегии размножения, форма роста).
- История инвазий (становился ли вид инвазивным ранее и где).
- Признаки, связанные с предпочтениями среды обитания для каждого вида.
Ключевые факторы риска
Анализ выявил несколько значимых тенденций:
- Предыдущая история инвазий: если растение было проблемным в нескольких регионах, высока вероятность, что оно станет проблемным и на новых территориях.
- Пластичность размножения: способность размножаться разными способами (семенами, черенками и др.) даёт преимущество.
- Количество поколений за один вегетационный сезон: помогает закрепиться в новой среде.
Преимущества подхода
Традиционные оценки риска, основанные на экспертных опросах, часто применяются после интродукции вида, когда он уже укоренился. Новый метод предлагает прогнозировать инвазивность до того, как растение попадет в новую область.
«С этими новыми инструментами машинного обучения наши модели, основанные на данных, могут достигать точности прогнозирования успеха инвазии более 90%. Это помогает устранить предвзятость в оценках и повысить их прогностическую силу», — говорит Джулисса Рохас-Сандоваль, ведущий автор исследования.
Будущее разработки
Модели были обучены на данных по островам Карибского бассейна. Следующий шаг — обучение моделей на данных для других регионов, чтобы проверить их универсальность.
«Мы не пытаемся заменить традиционные оценки риска... Это новая стратегия, позволяющая использовать замечательные наборы данных и инструменты машинного обучения, чтобы дополнить прежние методы и стать более эффективными в предотвращении новых инвазий», — подчеркивает Рохас-Сандоваль.