Ny forskning tyder på at utryddelseskrisen kan være enda verre enn vi trodde. Mer enn halvparten av artene som så langt har sluppet unna enhver formell vernevurdering er det Truetifølge spådommer fra forskere fra Norges teknisk-naturvitenskapelige universitet.

Bevaringsressursene er begrenset, og det er verken mulig eller logisk å beskytte hver kvadratkilometer land og hav.Så, for å redusere det raske tapet av biologisk mangfold, hvor bør våre bevaringsressurser gå? For å svare på dette spørsmålet må vi først vite hvilken art vi skal beskytte.

International Union for Conservation of Nature koordinerer et nettverk av forskere som har vurdert den biologiske informasjonen som er tilgjengelig for alle slags arter rundt om i verden i mer enn 50 år, og publiserer funnene sine i Rødliste over truede arter. Målet har vært å identifisere arter som trenger beskyttelse med en tildelt bevaringskategori av utryddelsesrisiko.

Det var rødlisten som bekreftet at tigre er offisielt truetfor eksempel, eller at gigantiske pandabestander har kommet seg nok til å gå fra en truet art til rett og slett sårbar.

Men mens arter som pandaer og tigre er godt studert, vet forskerne ikke nok om noen arter til å vurdere deres bevaringsstatus på riktig måte. Disse «datamangelfulle» artene representerer omtrent 17 % av de nesten 150 000 artene som for tiden er vurdert.

Når man analyserer bevaringsdata, er det vanlig at forskere undertrykker eller undervurderer trusselhypoteser for disse artene, for å kontrollere for ukjent variasjon eller feilvurdering. Nå har disse norske forskerne forsøkt å kaste lys over det sorte hullet med ukjent utryddelsesrisiko ved å designe en maskinlæringsmodell som forutsier trusselen om utryddelse for disse datamangelfulle artene.

Maskinlæring for ekstinksjonsvurdering

Når man tenker på kunstig intelligens og maskinlæring, er det lett å forestille seg roboter, datasimuleringer og ansiktsgjenkjenning. I virkeligheten, i det minste innen økologisk vitenskap, er maskinlæring ganske enkelt et analytisk verktøy som brukes til å kjøre tusenvis av beregninger for å best representere de virkelige dataene vi har.

I dette tilfellet har de norske forskerne forenklet rødlisteutryddelseskategoriene til en «binær klassifiserer»-modell for å forutsi en sannsynlighet for om arter med mangelfull data sannsynligvis er «truet» eller «ikke truet» av trusselen. Modellens algoritme «lærte» fra matematiske mønstre funnet i de biologiske og bioklimatiske dataene til de artene med en bevaringskategori som allerede er tildelt på rødlisten.

De fant at mer enn halvparten (56 %) av arter med datamangel forventes å være truet, det dobbelte av 28 % av de totale artene som for øyeblikket er vurdert som truet på rødlisten. Dette forsterker bekymringen for at arter med mangel på data ikke bare understuderes, men risikerer å gå tapt for alltid.

På land finnes disse muligens truede landlevende artene på alle kontinenter, men lever i små, geografisk begrensede områder. Dette funnet bekrefter tidligere forskning med lignende funn at arter med liten utbredelse er spesielt sårbare menneskeskapt habitatforringelse, som avskoging eller urbanisering.

Amfibier i faresonen

Amfibier er den gruppen som er mest utsatt, med 85 % av disse artene som mangler data og anses som truet (sammenlignet med 41 % av de som nå er vurdert på rødlisten). Amfibier er allerede en barneplakat for utryddelseskrisen og er en nøkkelindikator for økologisk helse, da de er avhengige av både land og vann. Vi vet ikke nok om årsakene til en slik katastrofal amfibieutryddelse, og jeg er en del av en vitenskapelig initiativ prøve å løse problemet.

Det er en litt annerledes, men fortsatt tragisk, historie på havet, østlige Atlanterhavet og Middelhavet. Når arter som mangler data kombineres med fullt vurderte rødlistearter, er det en 20 % økning i sannsynligheten for utryddelse langs de østlige kysten av det tropiske Latin-Amerika.

Hva dette betyr for global bevaring

Selv om det er sannsynlig at behovet for bevaring faktisk var undervurdert i verden disse sannsynlighetsprediksjonene varierer mye mellom områder og artsgrupper, så ikke la deg lure av å overgeneralisere disse resultatene. Men disse generelle resultatene understreker hvorfor det er så viktig å undersøke arter som mangler data.

Å bruke maskinlæringsverktøy kan være en rask og kostnadseffektiv måte å forbedre rødlisten på og bidra til å overvinne den vanskelige beslutningen om hvor og hva som skal beskyttes, hjelpe målrettede bevaringshandlinger og utvide de beskyttede områdene i disse sorte hullene med biologisk mangfold.

Denne artikkelen er publisert på nytt fra Samtalen under Creative Commons-lisens. Lese det original artikkel.