Para proteger efetivamente uma espécie, os conservacionistas precisam de informações importantes: onde vive e quais ameaças enfrenta. No entanto, os cientistas carecem desses dados básicos para milhares de espécies em todo o mundo, tornando impossível saber como elas estão se saindo – muito menos tomar medidas para garantir sua sobrevivência.
Para essas espécies “deficientes em dados”, um novo estudo publicado em Biologia das Comunicações em 4 de agosto sugere que nenhuma notícia é provavelmente não boas notícias. Os autores usaram métodos de aprendizado de máquina para prever o estado de conservação de 7.699 espécies com deficiência de dados – de peixes a mamíferos – e descobriu que 56% provavelmente estão ameaçados de extinção. As descobertas são especialmente preocupantes, uma vez que apenas 28% das espécies cujo estado de conservação é conhecido correm o risco de desaparecer, diz o principal autor Jan Borgelt, doutorando em ecologia industrial na Universidade Norueguesa de Ciência e Tecnologia. “As coisas podem ser muito piores do que realmente imaginamos”, acrescenta.
Borgelt e seus colegas basearam sua análise na União Internacional para a Conservação da Natureza (IUCN) Lista Vermelha de Espécies Ameaçadas, um banco de dados global que categoriza o risco de extinção de mais de 147.500 espécies. Dependendo do grupo de espécies, no entanto, cerca de 10 a 20 por cento dos animais, plantas e fungos na Lista Vermelha são listados como dados deficientes, o que significa que há informações inadequadas para determinar seu estado de conservação de uma forma ou de outra. Isso causa problemas para os cientistas que buscam entender as ameaças à biodiversidade, bem como para os formuladores de políticas que tentam elaborar estratégias eficazes de conservação locais, regionais e internacionais.
Borgelt e sua equipe construíram um modelo de aprendizado de máquina com base em dados existentes de 28.363 espécies da Lista Vermelha cujo status de conservação já havia sido avaliado. Eles incluíram informações da IUCN e outras fontes confiáveis sobre a distribuição, habitat e ameaças dessas espécies e, em seguida, usaram esses dados para treinar seu modelo para chegar a uma técnica generalizada para prever o risco de extinção de uma determinada espécie. Em seguida, os pesquisadores aplicaram o modelo para prever o status de conservação de 7.699 espécies com deficiência de dados incluídas na Lista Vermelha. O único pré-requisito era que a distribuição geográfica dessas espécies fosse conhecida.
O modelo projetou que mais da metade das espécies com deficiência de dados incluídas na análise estão ameaçadas de extinção. Alguns grupos de animais parecem estar em apuros mais terríveis do que outros. De acordo com as descobertas, 85 por cento dos anfíbios, 62 por cento dos insetos, 61 por cento dos mamíferos e 59 por cento dos répteis com deficiência de dados provavelmente correm o risco de desaparecer. Os resultados também indicaram que espécies com deficiência de dados na África Central, sul da Ásia e Madagascar enfrentam níveis especialmente altos de ameaça.
Embora haja incerteza em torno das descobertas, Borgelt e seus colegas receberam uma indicação de que suas previsões são bastante precisas. Depois de realizar a análise, mas antes de publicar seu estudo, a IUCN divulgou uma Lista Vermelha atualizada com listagens de conservação para 123 espécies anteriormente deficientes em dados. Três quartos desses status do mundo real corresponderam às previsões feitas pelo modelo dos pesquisadores.
A nova descoberta em Biologia das Comunicações que espécies com deficiência de dados podem estar mais ameaçadas do que espécies cujo status de conservação é conhecido não é necessariamente surpreendente, mas reforça a necessidade de avaliações abrangentes de risco de extinção, diz Louise Mair, bióloga conservacionista da Universidade de Newcastle, na Inglaterra, que não esteve envolvida na pesquisa. “As avaliações atualizadas da Lista Vermelha são cruciais para informar a ação e medir o progresso”, diz ela.
O maior obstáculo para realizar tais avaliações não é a falta de conhecimento técnico para avaliar as espécies, acrescenta Mair, mas a falta de recursos. “A conservação enfrenta um enorme déficit de financiamento globalmente”, diz ela.
Para gastar os fundos limitados da maneira mais inteligente possível, Borgelt sugere que modelos preditivos possam ser usados para identificar e priorizar espécies que parecem enfrentar as maiores ameaças. “Essas novas tecnologias de aprendizado de máquina não substituiriam especialistas, mas ajudariam na orientação e alocação de recursos”, diz ele. “Alguns grupos de espécies são realmente muito mais urgentes do que outros.”
Discussion about this post