В цепи вымирания видов ИИ может предсказать следующее звено, которое оборвется

Aug 22, 2023

Около 100 лет назад программа борьбы с хищниками в Йеллоустонском национальном парке привела к вымиранию местных волков. Это положило начало постепенному ухудшению всей экосистемы. Без волков популяция лосей резко возросла, что привело к чрезмерному выпасу скота. Без деревьев и растений подходящего размера бобры не могли строить плотины. Это, в свою очередь, повлияло на поток воды в местных реках, что в конечном итоге отразилось на рыбе.

Если бы этот экологический каскад произошел в 2023 году, модель искусственного интеллекта могла бы заранее предсказать последствия.

Модель машинного обучения, разработанная учеными из Университета Флиндерса в Австралии, может предсказать, какие виды могут вымереть, если хищник или жертва будут введены в экосистему или удалены из нее. Он обучен на данных о том, как разные виды взаимодействуют друг с другом.

Исследование, опубликованное в журнале Ecoography, описывает основу для того, как сопоставлять данные о взаимодействии видов и обучать алгоритмы машинного обучения прогнозированию каскадов вымираний — вторичных вымираний, которые происходят как часть волнового эффекта первичных вымираний в экосистеме.

Модель основана на важной корреляции между взаимодействием видов и здоровьем экосистем. Чтобы экосистемы по всему миру поддерживали здоровое равновесие, важно не нарушать сложные пищевые сети, существующие внутри них.

«Многие вымирания, которые происходили в прошлом и которые произойдут в будущем, происходят в результате взаимодействия видов», — сказал Монгабаю в видеоинтервью Джон Ллевелин, ведущий автор исследования и научный сотрудник в области моделирования палеоэкологических сетей в Университете Флиндерса. «Другой пример — когда вы смотрите на инвазивные виды, перемещающиеся на новую территорию. Интродуцированный хищник может охотиться на местные виды, поэтому эти взаимодействия важно предсказать, чтобы вы могли расставить приоритеты в их сохранении».

В 2021 году Ллевелин и его команда начали собирать данные о том, как разные виды взаимодействуют друг с другом. Для каждого из этих видов они также собрали данные об их характеристиках, которые помогут определить их положение в пищевой сети. Сюда входили данные о размере тела, диете (едут ли они растения? Если нет, то едят ли они позвоночных или беспозвоночных?), времени дня, когда они активны (дневной, ночной или сумеречный?), а также их средах обитания (полог или кустарники или уровень земли?). После того, как команда обучила алгоритм, они могли «передать ему список других видов с их характеристиками и спросить модель: «Кто кого из этого списка будет есть?», — сказал Ллевелин.

Чтобы подтвердить эффективность модели, Ллевелин протестировал ее в пустыне Симпсон в Австралии, где у него уже были подробные данные о хищниках и жертвах.

«На самом деле мы очень точно предсказали взаимодействие хищник-жертва для пустыни Симпсон, в том числе для интродуцированных туда видов», — сказал он. «Лисы и кошки — хищники, завезенные в Австралию, и алгоритм может точно определить, на что охотятся эти виды».

Ллевелин сказал, что модель, если ее использовать с другими ресурсами, может стать хорошим инструментом для реализации природоохранных действий на местах.

Он привел в пример рыжих лисиц (Vulpes vulpes), инвазивный вид, завезенный в Австралию из Европы сто лет назад. Лисы очень разрушительны для растений и местных видов в стране. Однако до сих пор лисам не удавалось обосноваться в островном штате Тасмания. Ллевелин сказал, что эту модель можно использовать для понимания последствий для экологии и биоразнообразия, если популяция лисиц на Тасмании будет быстро размножаться.

«Можно предсказать, на какие виды он, скорее всего, будет охотиться», — сказал он. «Тогда вы можете использовать различные стратегии сохранения, нацеленные на эти уязвимые местные виды. Например, вы могли бы научить их избегать химических сигналов лисиц».

Однако, учитывая нехватку данных о взаимодействии видов, обучение модели является сложной задачей.