Όλοι γνωρίζουμε πως υπάρχουν χιλιάδες είδη ζώων και φυτών τα οποία έχουν ήδη εξαφανιστεί, αλλά και πολλά ακόμη τα οποία βρίσκονται υπό απειλή. Η κατάσταση είναι ήδη προβληματική, αλλά μια νέα μελέτη έρχεται να αναδείξει ένα ακόμη πρόβλημα: υπάρχουν πολλά περισσότερα είδη τα οποία περνούν “κάτω από τα ραντάρ” των ερευνητών, και τα οποία ήδη κινδυνεύουν. Ερευνητές χρησιμοποίησαν ένα νέο σύστημα μηχανικής μάθησης για να αναλύσουν το πόσο κινδυνεύουν όλα αυτά τα άγνωστα είδη, και τα αποτελέσματα ήταν ιδιαιτέρως ανησυχητικά.
Προτού αναρωτηθείς “μα πώς είναι δυνατόν να γνωρίζουμε αν κινδυνεύουν είδη που δεν γνωρίζουμε”, θα απαντήσουμε πως η μελέτη δεν αφορά είδη που είναι παντελώς άγνωστα, προφανώς, αλλά εστιάζει σε είδη ζώων και φυτών για τα οποία έχουμε ανεπαρκή δεδομένα. Αυτά τα είδη παίρνουν την ταμπέλα “data deficient” (ελλιπών δεδομένων) και, δυστυχώς, δεν ασχολείται κανείς μαζί τους.
Η μελέτη που πραγματοποιήθηκε από το Norwegian University of Science and Technology χρησιμοποίησε (τα όποια) δεδομένα υπάρχουν στην International Union for Conservation of Nature (IUCN – Παγκόσμια Ένωση για τη Διατήρηση της Φύσης), η οποία διατηρεί μια “κόκκινη λίστα” στην οποία όλα τα είδη ταξινομούνται ανάλογα με το πόσο απειλούνται. Δυστυχώς, τα δεδομένα δείχνουν πως το 56% των ειδών με ελλιπή δεδομένα πιθανότατα κινδυνεύουν με εξαφάνιση, έναντι του 28% των καλά μελετημένων ειδών που βρίσκονται στην κόκκινη λίστα.
Ο επικεφαλής της μελέτης, Jan Borgelt, οικολόγος του NUST και πρώτος συγγραφέας της μελέτης, πιστεύει πως τα πράγματα μάλλον είναι χειρότερα απ’ ότι πιστεύουμε, καθώς και ότι περισσότερα είδη απ’ όσα νομίζαμε βρίσκονται σε κίνδυνο.
Οι μελέτες του Borgelt εστιάζουν στην κατανόηση του πώς επηρεάζονται τα οικοσυστήματα και η βιοποικιλότητα από τις ανθρώπινες δραστηριότητες μεγάλης κλίμακας, όπως τα υδροηλεκτρικά (φράγματα) ή η μόλυνση των πλαστικών. Για αυτές τις μελέτες, η κόκκινη λίστα είναι πολύτιμη, αλλά σε αυτή βρίσκονται ήδη 20.000 είδη τα οποία εμπίπτουν στην κατηγορία ελλιπών δεδομένων, δημιουργώντας μια “μαύρη τρύπα” στα δεδομένα. Αυτή η μαύρη τρύπα μπορεί να επηρεάσει σημαντικά την ακρίβεια των μελετών που βασίζονται στη λίστα αυτή.
Για να παρακάμψουν το πρόβλημα, οι ερευνητές της ομάδας του Borgelt στράφηκαν στο machine learning. Για την ακρίβεια, εκπαίδευσαν ένα τέτοιο σύστημα ώστε να προβλέπει τον κίνδυνο εξαφάνισης για είδη ελλιπών δεδομένων. Χρησιμοποίησαν πληροφορίες από 28.363 διαφορετικά είδη ζώων για τα οποία υπάρχει ήδη εκτίμηση αυτού του κινδύνου εξαφάνισης (από την IUCN), και με αυτό τον τρόπο το σύστημα μπόρεσε να αρχίσει να “καταλαβαίνει” παράγοντες οι οποίοι επηρεάζουν τους κινδύνους για ένα είδος, όπως η κλιματική αλλαγή, η μόλυνση, ή άλλα χωροκατακτητικά ξένα είδη.
Το επόμενο βήμα ήταν να χρησιμοποιήσουν το – πλέον εκπαιδευμένο – σύστημα σε 7.669 είδη ελλιπών δεδομένων, το οποίο αντιστοιχεί σε περίπου το 1/3 όλων των ειδών ελλιπών δεδομένων. Οι ερευνητές διάλεξαν αυτά τα είδη διότι το σύστημα μπορεί να αξιολογήσει είδη για τα οποία γνωρίζουν τη γεωγραφική τους διασπορά. Το σύστημα προέβλεψε πως το 56% αυτών των ειδών είναι πιθανώς υπό τον κίνδυνο αφανισμού!
Περαιτέρω ανάλυση έδειξε πως κάποια είδη κινδυνεύουν πολύ περισσότερο. Για παράδειγμα, το 85% των αμφίβιων ελλιπών δεδομένων κινδυνεύουν με εξαφάνιση, στα οποία περιλαμβάνονται διάφορα είδη βατράχων.
Η αξιοπιστία της μελέτης ενισχύθηκε περαιτέρω μετά τη δημοσίευση της ενημερωμένης κόκκινης λίστας της IUCN για τον χρόνο που πέρασε, με την προσθήκη 123 νέων ειδών για τα οποία το σύστημα είχε ήδη προβλέψει πως απειλούνται. Οι προβλέψεις του συστήματος ήταν σωστές κατά 76%.
Οι ίδιοι οι ερευνητές γνωρίζουν πολύ καλά πως το σύστημά τους απλώς κάνει (πολύ καλές) προβλέψεις, αλλά δε μπορεί να αντικαταστήσει τους εξειδικευμένους ερευνητές. Οι πραγματικοί αριθμοί διαφόρων ειδών μπορεί να είναι πολύ διαφορετικοί από αυτούς που καταγράφονται, για διάφορους λόγους. Ένας λόγος μπορεί να είναι το ότι κάποια είδη απαντώνται σε ιδιαιτέρως απομακρυσμένες και δυσπρόσιτες περιοχές. Για παράδειγμα, η όρκα (φάλαινα δολοφόνος) μπορεί να είναι γνωστή ως είδος εδώ και αιώνες, οι επιστήμονες όμως ακόμη δεν είναι σίγουροι για το αν πρόκειται για ένα είδος ή για περισσότερα! Άλλα είδη μπορεί να ζουν σε περιοχές οι οποίες δεν έχουν μελετηθεί συστηματικά, ενώ ακριβώς αυτοί οι λόγοι που κάνουν τη μελέτη τους δύσκολη μπορεί να συμβάλλουν και στο να τα κάνουν πιο ευάλωτα.
Η αναγκαιότητα της μελέτης όλων αυτών των ειδών είναι τεράστια. Το machine learning μπορεί να βοηθήσει στην κρούση του κώδωνα του κινδύνου, καθώς δε μπορούμε να πάρουμε μέτρα για την προστασία ειδών που δεν γνωρίζουμε αν απειλούνται. Αυτό που δε μπορεί να αντικαταστήσει είναι η επιτόπια έρευνα. Για αυτήν, οι επιστήμονες πρέπει να ταξιδέψουν και να μελετήσουν αυτά τα απειλούμενα είδη σε ζούγκλες, ερήμους, ωκεανούς, βουνά. Για να μπορούμε να γλυτώσουμε όσο το δυνατόν περισσότερα είδη από την εξαφάνιση.