هزاران گونه روی زمین وجود دارد که ما هنوز چیز زیادی درباره آنها نمی دانیم – اما اکنون می دانیم که آنها در حال حاضر در آستانه انقراض هستند.. یک مطالعه جدید از یادگیری ماشینی استفاده کرد تا بفهمد این کمتر شناخته شده چقدر تهدید می شود گونه ها هستند، و نتایج تلخ بود.

برخی از گونه‌های جانوران و گیاهان با عنوان «کمبود داده» شناخته می‌شوند، زیرا حافظان محیط زیست نتوانسته‌اند اطلاعات کافی در مورد آنها جمع‌آوری کنند تا بفهمند چگونه زندگی می‌کنند یا چه تعداد از آنها باقی مانده‌اند. به نظر می رسد که متأسفانه آن گونه های «کمبود داده» حتی بیشتر از سایر گونه هایی که شناخته شده تر هستند (حداقل برای دانشمندان) در معرض تهدید هستند. داده های این مطالعه از اتحادیه بین المللی حفاظت از طبیعت (IUCN)، که یک “فهرست قرمز” جهانی دارد که گونه ها را بر اساس میزان تهدید آنها رتبه بندی می کند.

بیش از نیمی از گونه های فاقد اطلاعات موجود در این مطالعه، ۵۶ درصد، احتمالاً با خطر انقراض روبرو هستند. در مقایسه، تنها ۲۸ درصد از گونه‌های موجود در فهرست قرمز بهتر شناخته شده‌اند در خطر انقراض هستند.

یان بورگلت، بوم شناس در دانشگاه علم و صنعت نروژ و نویسنده اصلی این مطالعه که امروز در مجله منتشر شد، می گوید: همه چیز می تواند بدتر از چیزی باشد که در حال حاضر واقعاً تصور می کنیم. زیست شناسی ارتباطات. احتمالاً گونه‌های بیشتری از آنچه قبلاً تصور می‌کردیم در معرض تهدید قرار می‌گیرند.»

بیشتر کارهای بورگلت بر درک چگونگی تأثیر فعالیت های انسانی – مانند تولید برق آبی یا آلودگی پلاستیک – بر اکوسیستم ها و تنوع زیستی متمرکز است. فهرست قرمز منبع ارزشمندی برای این تلاش‌ها است. اما بیش از ۲۰۰۰۰ گونه به عنوان کمبود داده طبقه بندی می شوند. و این نقطه کور به طور بالقوه می تواند تحقیقاتی را که به فهرست قرمز متکی است کمتر دقیق کند.

بورگلت و همکارانش برای حل این مشکل به یادگیری ماشین روی آوردند. آنها الگوریتمی را برای پیش‌بینی خطر انقراض گونه‌های کمبود داده آموزش دادند. برای انجام این کار، آنها از اطلاعات ۲۸۳۶۳ نوع مختلف حیوانی استفاده کردند که IUCN قبلاً ارزیابی کرده است. به این ترتیب، الگوریتم می تواند شروع به درک عواملی کند که اغلب تعیین می کنند یک گونه چقدر در معرض خطر است – از جمله تغییرات آب و هوا، گونه های مهاجم، و آلودگی.

سپس محققان توجه خود را به ۷۶۹۹ گونه کمبود داده معطوف کردند. این مقدار کمی بیش از یک سوم تمام گونه‌های کمبود داده است، اما بورگلت و همکارانش فقط می‌توانستند با گونه‌هایی کار کنند که پراکندگی جغرافیایی حیوانات را می‌دانستند. این الگوریتم مشخص کرد که ۵۶ درصد از این گونه‌ها احتمالاً در معرض خطر انقراض هستند. اما برخی از حیوانات در مشکلات عمیق تری نسبت به دیگران هستند. به عنوان مثال، ۸۵ درصد از دوزیستان با کمبود اطلاعات در معرض خطر انقراض قرار دارند. این شامل قورباغه جیغ مالی، قورباغه دهان باریک خالدار و چندین گونه قورباغه سارق است. IUCN حتی عکسی از این موجودات در لیست قرمز خود ندارد، اما با چنین نام هایی، آیا نمی خواهید آنها را ببینید؟

تحقیقات آنها زمانی تایید شد که IUCN لیست قرمز خود را در سال گذشته به روز کرد. صد و بیست و سه گونه از گونه های موجود در به روز رسانی گونه هایی بودند که الگوریتم پیش بینی هایی در مورد آن انجام داده بود. بیش از دو سوم از پیش‌بینی‌های این الگوریتم، یعنی ۷۶ درصد، درست بود.

بورگلت می گوید: «این اطمینان بخش بود آستانه. اما او همچنین محدودیت های یادگیری ماشین را درک می کند. “در حال حاضر، [these algorithms] مطمئناً نباید جایگزین ارزیابی های کارشناسی شود.» او می گوید، زیرا ارزیابی های کارشناسی دقیق تر است.

اما چنین الگوریتم‌هایی واقعا سریع هستند. بورگلت می‌گوید، آن‌ها آنقدر زمان بر یا کار فشرده نیستند که گویی می‌خواهید گونه‌ها را به صورت جداگانه ارزیابی کنید.

تعداد این موجودات در حیات وحش ممکن است به دلایل زیادی از پژوهشگران طفره رفته باشد. به عنوان مثال، نهنگ قاتل به طور اتفاقی دارای برچسب کمبود داده است. اگرچه اورکا در فیلم مورد علاقه من در دهه ۹۰ بازی کرد و در تمام دفترهای یادداشت دوران کودکی من به شکل برچسب های لیزا فرانک زندگی کرد، دانشمندان حتی مطمئن نیستند که آیا فقط یک گونه از نهنگ قاتل وجود دارد یا چند گونه. به عنوان مثال، حیوانات دیگر را فقط در مناطق دورافتاده با محدوده محدود می توان یافت. و همان ویژگی هایی که مطالعه آنها را سخت می کند ممکن است آنها را آسیب پذیرتر کند.

این امر توجه شایسته به این گونه ها را بیش از پیش مهم می کند. بورگلت می گوید که یادگیری ماشینی جایگزینی برای ردیابی حیوانات روی زمین نیست. اما این ابزار دیگری در جعبه ابزار است و می تواند به محافظان محیط زیست کمک کند تا بفهمند به کدام گونه ها نیاز دارند مقداری TLC اضافی