机器学习有助于预测全球植物保护优先事项

有许多组织监测濒临灭绝的物种，如大象和老虎，但是地球上数以百万计的其他物种 - 大多数人从未听说过或者没有想过的物种呢?科学家们如何评估复制岩石，加勒比刺龙虾或托里松树的威胁程度?

俄亥俄州立大学共同开发的一种新方法使用数据分析和机器学习来预测全球150,000多家工厂的保护状况。结果表明，超过15,000种物种可能具有近乎濒危，脆弱，濒危或极度濒危的特征。

该方法将使保护主义者和研究人员能够识别风险最大的物种，并确定这些物种高度集中的地理区域。

该研究于今天(2018年12月3日)在线发表在“美国国家科学院院刊”上。

“植物是所有物种赖以生存的基本栖息地，因此从植物开始就是有意义的，”俄亥俄州立大学进化，生态学和生物生物学教授布莱恩卡斯滕斯说。

“很多时候，在保护方面，人们关注的是大型的，有魅力的动物，但它实际上是重要的栖息地。我们可以保护我们想要的所有狮子，老虎和大象，但它们必须有一个居住的地方。”

目前，国际自然保护联盟 - 生产世界上最全面的受威胁物种清单(“红色清单”) - 或多或少地逐个种类地开展工作，需要更多的资源和专门的工作比为每个物种准确分配保护风险类别。

在目前红色名单上的近100,000种物种中，植物是代表性最低的物种之一，目前已知物种中只占5%。

由Carstens和主要作者Tara Pelletier共同开发的新方法，前俄亥俄州立大学研究生，现在是Radford大学生物学助理教授，旨在扩大包括的植物种类数量。

研究小组利用全球生物多样性信息机构和TRY植物特性数据库的开放获取数据建立了预测模型。他们的算法将来自这些来源的数据与红色名录进行比较，以找出栖息地特征，天气模式，物理特征和可能使物种面临灭绝危险的其他标准的风险模式。

数据图显示，风险较高的植物物种往往聚集在原生生物多样性较高的地区，如澳大利亚西南部，中美洲热带雨林和美国东南沿海，更多物种争夺资源。

“这使我们能够做的基本上是预测人们没有对这些物种进行这些详细评估所面临的各种保护风险，”卡斯滕说。

“这不能替代更详细的评估，但这是第一次通过，可能有助于确定应该优先考虑的物种以及人们应该集中注意力的物种。”

Carsten说，最大的挑战是如此大规模地收集数据，并指出需要几个月的质量控制检查才能确保团队正在使用可靠的数据。

这项新技术的创建是为了让其他科学家可以重复，无论是在这个研究的全球范围内，还是在单个属或生态系统中。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！