UNIVERSIDAD DE OHIO
MADRID, 4 Dic. (EUROPA PRESS) -
La Lista Roja de Especies Amenazadas de la Unión Internacional para la Conservación de la Naturaleza (UICN) es una herramienta poderosa para contener la pérdida de especies en todo el mundo.
Pero agregar una sola especie a la lista no es tarea fácil, ya que exige innumerables horas de investigación costosa, rigurosa y altamente especializada.
Como resultado de estas limitaciones, un gran número de especies conocidas aún no han sido evaluadas formalmente por la UICN y clasificadas en una de las cinco categorías, desde la de menor preocupación hasta la de peligro crítico. Este déficit es bastante evidente en las plantas: solo alrededor del 5 por ciento de todas las especies de plantas conocidas actualmente aparecen en la Lista Roja de la UICN.
Un nuevo método desarrollado conjuntamente por Anahí Espíndola, profesor asistente de Entomología en la Universidad de Maryland (Estados Unidos), utiliza el poder del aprendizaje automático y los datos de acceso abierto para predecir las especies que podrían ser candidatas para ubicar en un estado de riesgo en la Lista Roja de la UICN.
El equipo de investigación creó y entrenó un algoritmo de aprendizaje automático para evaluar más de 150.000 especies de plantas de todos los rincones del mundo, haciendo de su proyecto una de las evaluaciones más grandes de riesgos de conservación hasta la fecha. De acuerdo con los resultados, más del 10 por ciento de estas especies es altamente probable que se clasifique en el apartado de riesgo de la UICN.
El algoritmo es un modelo predictivo que se puede aplicar a cualquier agrupación de especies en cualquier escala, desde todo el mundo hasta un solo parque de la ciudad. Espíndola y sus colegas detallan sus hallazgos en un artículo que se publica en la edición digital de este lunes de 'Proceedings of the National Academy of Sciences'.
"Nuestro método no pretende reemplazar las evaluaciones formales que utilizan los protocolos de la UICN. Es una herramienta que puede ayudar a priorizar el proceso, al calcular la probabilidad de que una determinada especie esté en riesgo", dice Espíndola en un comunicado. "En última instancia, esperamos que ayude a los gobiernos y a los gestores de recursos a decidir dónde dedicar los limitados recursos para la conservación. Esto podría ser especialmente útil en las regiones que están poco estudiadas", añade.
Espíndola y sus colaboradores construyeron su modelo predictivo utilizando datos de acceso abierto de la Instalación de Información de Biodiversidad Global (GBIF, por sus siglas en inglés) y la Base de Datos de Características de las Plantas TRY. La autora principal, Tara Pelletier, profesora asistente de Biología en la Universidad de Radford, trabajó junto con Espíndola para realizar el análisis de aprendizaje automático.
MÁS DE 15.000 ESPECIES PODRÍAN CLASIFICARSE COMO CASI AMENAZADAS
Espíndola y Pelletier luego entrenaron el modelo empleando los datos de GBIF y TRY del grupo relativamente pequeño de especies de plantas que ya estaban en la Lista Roja de la UICN. Esto permitió a los científicos evaluar y ajustar la precisión del modelo al verificar sus predicciones contra el estado de riesgo conocido de la UICN de las especies enumeradas. La Lista Roja clasifica las especies no extinguidas en una de las cinco categorías de clasificación: menos preocupante, casi amenazada, vulnerable, en peligro y en peligro crítico.
Entonces, los investigadores aplicaron el modelo a los miles de especies de plantas que no están incluidas en la lista de la UICN. Según los resultados, más de 15.000 de las especies, aproximadamente el 10 por ciento del total evaluado por el equipo, tienen una alta probabilidad de ser clasificadas como casi amenazadas, como mínimo.
Espíndola y sus colegas trazaron un mapa de los datos y señalaron varias tendencias geográficas importantes en las predicciones del modelo. Las especies en riesgo tendían a agruparse en áreas ya conocidas por su alta biodiversidad nativa, como las selvas tropicales de América Central y el suroeste de Australia. El modelo también señala regiones como California y el sureste de Estados Unidos, que albergan una gran cantidad de especies endémicas, lo que significa que estas especies no se encuentran naturalmente en ningún otro lugar de la Tierra.
"Cuando empecé a pensar en este proyecto, sospeché que muchas regiones con gran diversidad estarían bien estudiadas y protegidas. Pero encontramos que ocurre lo contrario --dice Espíndola--. Muchas de las áreas de alta diversidad correspondían a las regiones con mayor probabilidad de riesgo. Cuando vimos los mapas, nos sorprendió que quedara claro. Las especies endémicas también tienden a estar en mayor riesgo porque generalmente están confinadas a áreas más pequeñas".
El modelo también identificó algunas áreas sorprendentes que no son conocidas por su biodiversidad, como la costa sur de la Península Arábiga, por tener un alto número de especies en riesgo. Algunas de las regiones más en peligro no han recibido suficiente atención de los científicos, según Espíndola. Espera que su método pueda ayudar a llenar algunos de estos vacíos de conocimiento al identificar las regiones y las especies que necesitan más estudios.
