Новый метод машинного обучения предсказывает пополнение глобального списка исчезающих видов растений
Красный список Международного союза охраны природы (IUCN) — важный инструмент для исследователей и политиков, но добавление даже одного вида в список требует огромных ресурсов и специализированных исследований. Из-за этого многие известные виды, особенно растения, не имеют формальной оценки IUCN. В списке представлено лишь около 5% всех известных видов растений.
Исследователи под руководством Анахи Эспиндолы из Университета Мэриленда разработали метод, использующий машинное обучение и открытые данные, чтобы предсказать виды растений, которые могут претендовать на статус находящихся под угрозой в Красном списке. Алгоритм оценил более 150 000 видов растений по всему миру, что делает эту работу одним из крупнейших исследований рисков для сохранения видов.
Результаты показали, что более 10% этих видов с высокой вероятностью могут квалифицироваться как находящиеся под угрозой (категории от "близки к уязвимому положению" до "на грани исчезновения"). Модель, описанная в Proceedings of the National Academy of Sciences 3 декабря 2018 года, применима к любой группе видов в любом масштабе.
Как работает метод?
Модель построена на открытых данных из Global Biodiversity Information Facility (GBIF) и TRY Plant Trait Database. Её обучили на данных по тем относительно немногим видам растений, которые уже есть в Красном списке IUCN. Это позволило проверить и настроить точность алгоритма, сравнивая его предсказания с известным статусом видов. Затем модель применили к тысячам неоценённых видов.
Географические тенденции
Анализ выявил чёткие географические закономерности:
- Виды под угрозой концентрируются в регионах с высокой природной биоразнообразием (например, тропические леса Центральной Америки, юго-запад Австралии).
- Модель также выделила регионы с большим количеством эндемичных видов (Калифорния, юго-восток США), которые часто более уязвимы из-за ограниченного ареала.
- Неожиданно высокий риск был предсказан для некоторых малоизученных регионов, например, южного побережья Аравийского полуострова.
Цель и потенциал метода
"Наш метод не предназначен для замены формальных оценок по протоколам IUCN. Это инструмент, который помогает расставить приоритеты в этом процессе", — поясняет Анахи Эспиндола. Метод позволяет эффективнее направлять ограниченные ресурсы на сохранение видов и выявлять регионы, нуждающиеся в дополнительном изучении.
Вся методология и анализ являются открытыми, что подчёркивает силу публично доступных данных. Исследователи надеются, что модель будут использовать и совершенствовать.