In der Kette des Artensterbens kann KI vorhersagen, welches Glied als nächstes zerbricht

Aug 22, 2023

Vor etwa 100 Jahren führte ein Raubtierbekämpfungsprogramm im Yellowstone-Nationalpark dazu, dass die in der Region heimischen Wölfe ausstarben. Dies löste den allmählichen Verfall des gesamten Ökosystems aus. Ohne Wölfe explodierte die Elchpopulation, was zu Überweidung führte. Ohne ausreichend große Bäume und Pflanzen konnten Biber keine Dämme bauen. Dies wiederum beeinträchtigte den Wasserfluss in den örtlichen Flüssen, was sich letztendlich auch auf die Fische auswirkte.

Hätte diese ökologische Kaskade im Jahr 2023 stattgefunden, hätte ein Modell der künstlichen Intelligenz die Auswirkungen möglicherweise schon lange im Voraus vorhersagen können.

Ein von Wissenschaftlern der Flinders University in Australien entwickeltes Modell für maschinelles Lernen kann vorhersagen, welche Arten wahrscheinlich aussterben, wenn ein Raubtier oder eine Beute in ein Ökosystem eingeführt oder daraus entfernt wird. Es basiert auf Daten darüber, wie verschiedene Arten miteinander interagieren.

Eine in der Zeitschrift Ecography veröffentlichte Studie beschreibt den Rahmen für die Zusammenstellung von Daten über Arteninteraktionen und das Training von Algorithmen für maschinelles Lernen, um Aussterbekaskaden vorherzusagen – das sekundäre Aussterben, das als Teil eines Welleneffekts des primären Aussterbens in einem Ökosystem auftritt.

Das Modell basiert auf der wichtigen Korrelation zwischen Arteninteraktionen und der Gesundheit von Ökosystemen. Damit Ökosysteme auf der ganzen Welt ein gesundes Gleichgewicht aufrechterhalten können, ist es wichtig, die darin vorhandenen komplexen Nahrungsnetze nicht zu stören.

„Viele Aussterben, die in der Vergangenheit stattgefunden haben und die auch in Zukunft passieren werden, geschehen durch Arteninteraktionen“, sagte John Llewelyn, Hauptautor der Studie und Forschungsmitarbeiter für paläoökologische Netzwerkmodellierung an der Flinders University, in einem Videointerview mit Mongabay. „Ein weiteres Beispiel ist die Ausbreitung invasiver Arten in ein neues Gebiet. Ein eingeführtes Raubtier könnte einheimische Arten jagen, daher ist es wichtig, diese Wechselwirkungen vorherzusagen, damit man deren Erhaltung priorisieren kann.“

Im Jahr 2021 begannen Llewelyn und sein Team damit, Daten darüber zu sammeln, wie verschiedene Arten miteinander interagierten. Für jede dieser Arten sammelten sie auch Daten zu ihren Merkmalen, die dabei helfen würden, ihre Position im Nahrungsnetz zu bestimmen. Dazu gehörten Daten zur Körpergröße, zur Ernährung (fressen sie Pflanzen? Wenn nicht, fressen sie Wirbeltiere oder Wirbellose?), die Tageszeit, zu der sie aktiv sind (tagaktiv, nachtaktiv oder dämmerungsaktiv?) und ihre Lebensräume (Baldachin). oder Sträucher oder Bodenniveau?). Sobald das Team den Algorithmus trainiert hatte, konnte es ihm „eine Liste anderer Arten mit ihren Merkmalen geben und das Modell fragen: ‚Wer wird wen von dieser Liste fressen?‘“, sagte Llewelyn.

Um die Wirksamkeit des Modells zu bestätigen, testete Llewelyn es in der Simpson-Wüste in Australien, wo er bereits über detaillierte Raubtier-Beute-Daten verfügte.

„Wir haben die Interaktionen zwischen Raubtieren und Beutetieren tatsächlich sehr genau für die Simpson-Wüste vorhergesagt, auch für die dort eingeführten Arten“, sagte er. „Füchse und Katzen sind in Australien eingeführte Raubtiere, und der Algorithmus könnte genau auswählen, was diese Arten jagen.“

Llewelyn sagte, dass das Modell, wenn es mit anderen Ressourcen verwendet wird, ein gutes Instrument für die Umsetzung von Naturschutzmaßnahmen vor Ort sein könnte.

Er führte das Beispiel des Rotfüchses (Vulpes vulpes) an, einer invasiven Art, die vor einem Jahrhundert aus Europa nach Australien eingeführt wurde. Die Füchse sind äußerst zerstörerisch für Pflanzen und einheimische Arten im Land. Bisher konnten Füchse jedoch keine Populationen im Inselstaat Tasmanien aufbauen. Llewelyn sagte, das Modell könnte verwendet werden, um die Auswirkungen auf die Umwelt und die Artenvielfalt zu verstehen, wenn sich die Fuchspopulation in Tasmanien vermehren würde.

„Man konnte vorhersagen, welche Arten es am wahrscheinlichsten jagen würde“, sagte er. „Dann können Sie verschiedene Schutzstrategien anwenden, die auf diese gefährdeten einheimischen Arten abzielen. Man könnte ihnen zum Beispiel beibringen, den chemischen Reizen der Füchse auszuweichen.“

Angesichts des Mangels an Daten zu Arteninteraktionen ist das Training des Modells jedoch eine schwierige Aufgabe.

Llewelyn sagte, je mehr Daten vorhanden seien, desto besser seien die Vorhersagen des Modells. „Wir wissen sehr wenig über die Interaktionen zwischen Arten und was wir wissen, ist nur ein winziger Bruchteil der Interaktionen, die dort draußen stattfinden“, sagte er.

Während die Trainingsdaten darauf basieren, wie Arten interagieren, könnte das Fehlen von Daten darüber, welche Arten nicht miteinander interagieren, auch die Vorhersagen des Modells verfälschen. „Nur weil es nicht aufgezeichnet wurde, heißt das nicht, dass sie nicht interagieren“, sagte er. „Wie Sie Ihren Trainingsdatensatz anpassen, damit Sie keine falschen Nichtinteraktionen einbeziehen, das ist ein Bereich, in dem diese Methode verbessert werden könnte.“

Llewelyn betonte die Notwendigkeit, andere Modellierungsansätze zu integrieren und alle Ergebnisse zu kombinieren, um bessere Vorhersagen zu erhalten.

„Sie können Ensemble-Ansätze verwenden, bei denen Sie die Vorhersagen verschiedener Methoden zusammenführen“, sagte er. „Es ist ein bisschen fummelig, weil alles getrennt ist und man die Dinge getrennt ausführen und dann zusammenführen muss. Aber ich bin zuversichtlich, dass die Dinge in nicht allzu ferner Zukunft rationalisiert werden und man dann die Ensemble-Modellierung mit einem Schlag durchführen kann.“

Bannerbild: Rotfüchse (Vulpes vulpes) sind äußerst zerstörerisch für Pflanzen und einheimische Arten im Land. Bild von xulescu_g über Flickr (CC BY-SA 2.0).

Abhishyant Kidangoor ist Mitarbeiterautorin bei Mongabay. Finden Sie ihn auf Twitter @AbhishyantPK.

Maschinelles Lernen hilft Forschern, unterirdische Pilznetzwerke zu identifizieren

Zitat:

Llewelyn, J., Strona, G., Dickman, CR, Greenville, AC, Wardle, GM, Lee, MSY, … Bradshaw, CJA (2022). Vorhersage von Räuber-Beute-Interaktionen in terrestrischen Endothermen mithilfe von Zufallswäldern. Ökographie. doi:10.1111/ecog.06619