物種滅絕風險可能比當前估計的更糟

一種機器學習演算法預測,在數千個尚未評估保護狀況的物種中,超過一半可能面臨永久消失的危險

Halimeda ghost pipefish (Solenostomus halimeda), Lembeh Strait, North Sulawesi, Indonesia.

在印度尼西亞藍碧海峽拍攝的哈利姆達幽靈海龍 (Solenostomus halimeda) 照片。沒有足夠的資料來確定該物種是否面臨滅絕威脅。

加入我們的科學愛好者社群!

為了有效保護一個物種,自然資源保護主義者需要關鍵資訊:它生活在哪裡以及面臨哪些威脅。然而,科學家缺乏關於全球數千個物種的這些基本資料,這使得我們不可能知道它們的狀況如何——更不用說採取措施確保它們的生存了。

對於這些“資料缺乏”的物種,8月4日發表在《通訊生物學》上的一項新研究表明,沒有訊息可能不是好訊息。作者使用機器學習方法預測了7,699種資料缺乏物種(從魚類到哺乳動物)的保護狀況,發現其中56%可能面臨滅絕威脅。主要作者、挪威科技大學工業生態學博士候選人揚·博格爾特說,考慮到已知保護狀況的物種中只有28%被認為有消失的風險,這一發現尤其令人擔憂。“情況可能比我們實際意識到的要糟糕得多,”他補充道。

博格爾特和他的同事的分析基於國際自然保護聯盟(IUCN)瀕危物種紅色名錄,這是一個全球資料庫,對超過147,500個物種的滅絕風險進行分類。然而,根據物種組的不同,紅色名錄上約有10%到20%的動物、植物和真菌被列為資料缺乏,這意味著沒有足夠的資訊來確定其保護狀況。這給試圖瞭解生物多樣性威脅的科學家以及試圖設計有效的當地、區域和國際保護策略的政策制定者帶來了問題。


關於支援科學新聞

如果您喜歡這篇文章,請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱,您正在幫助確保有關當今塑造我們世界的發現和思想的具有影響力的故事的未來。


博格爾特和他的團隊基於來自28,363個紅色名錄物種的現有資料構建了一個機器學習模型,這些物種的保護狀況已經評估過。他們納入了來自 IUCN 和其他可靠來源的關於這些物種的分佈、棲息地和威脅的資訊,然後使用這些資料來訓練他們的模型,以提出一種通用的技術來預測特定物種的滅絕風險。接下來,研究人員應用該模型來預測紅色名錄中包含的 7,699 種資料缺乏物種的保護狀況。唯一的前提條件是這些物種的地理範圍是已知的。

該模型預測,分析中包含的資料缺乏物種中有一半以上面臨滅絕威脅。一些動物類群的情況似乎比其他類群更糟糕。根據研究結果,在資料缺乏的兩棲動物中,有85%可能面臨消失的風險;昆蟲為62%;哺乳動物為61%;爬行動物為59%。結果還表明,中非、南亞和馬達加斯加的資料缺乏物種面臨著特別高的威脅水平。

雖然研究結果存在不確定性,但博格爾特和他的同事們已經收到一個跡象,表明他們的預測相當準確。在進行分析但在發表研究之前,IUCN釋出了更新的紅色名錄,其中包含123個以前資料缺乏物種的保護清單。四分之三的真實世界狀況與研究人員模型的預測相符。

通訊生物學》的新發現表明,資料缺乏物種可能比已知保護狀況的物種更受威脅,這並不一定令人驚訝,但它確實強調了全面滅絕風險評估的必要性,英格蘭紐卡斯爾大學的保護生物學家路易絲·梅爾說,她沒有參與這項研究。“最新的紅色名錄評估對於為行動提供資訊和衡量進展至關重要,”她說。

梅爾補充說,進行此類評估的最大障礙不是缺乏評估物種的技術專長,而是缺乏資源。“全球保護工作面臨著巨大的資金缺口,”她說。

為了儘可能明智地花費有限的資金,博格爾特建議可以使用預測模型來識別和優先考慮似乎面臨最大威脅的物種。“這些新的機器學習技術不會取代專家,但會幫助指導和分配資源,”他說。“一些物種群體確實比其他物種群體更緊急。”

© .