Über das Potenzial von Citizen-Science-Projekten wird oft viel Lärm gemacht, aber ist das Hype oder Realität? Andrew Gaier und Julian Resasco untersuchten den Beitrag in einem Artikel mit dem Titel „Verbessert das Hinzufügen von gemeindewissenschaftlichen Beobachtungen zu Museumsaufzeichnungen die Verbreitungsmodellierung einer seltenen endemischen Pflanze?" veröffentlicht in Ecosphere. In einem seltenen Verlust für Betteridges Gesetz der Schlagzeilen, Die Antwort ist ja".
Wissenschaftler, die gefährdete Arten verstehen und schützen wollen, entwickeln oft Modelle, die vorhersagen, wo eine Art am wahrscheinlichsten zu finden ist, basierend auf Faktoren wie Klima, Gelände und Lebensraum. Diese Artenverbreitungsmodelle erfordern große Datenmengen darüber, wo die Art tatsächlich beobachtet wurde. Das Erstellen genauer Modelle kann für seltene Arten mit begrenzten Beobachtungsaufzeichnungen eine Herausforderung darstellen.
Der Aufstieg von Citizen-Science-Plattformen bietet jedoch neue Möglichkeiten. Apps und Websites wie iNaturalist ermöglichen Hobby-Naturforschern, Pflanzen- und Tierbeobachtungen zu dokumentieren. Diese Citizen Science-Aufzeichnungen werden zwar oft als von geringerer Qualität angesehen als professionelle Erhebungen, können aber die verfügbaren Daten für seltene und gefährdete Arten erheblich verbessern.
Gaier & Resasco untersuchten diesen Ansatz für die Telesonix jamesii, James's Falscher Steinbrech, eine seltene Pflanze in großer Höhe mit wenigen dokumentierten Beobachtungen. Es ist ein kleiner, bis zu 20 cm hoher Steinbrech, der in Spalten wächst die Rocky Mountains in Colorado und New Mexico. Seine Naturgeschichte muss besser bekannt sein, und das gibt es einige Unsicherheit über seine Verteilung.
Der Botaniker entwickelte fünf verschiedene Modelle, um die Verbreitung der Pflanze vorherzusagen, darunter statistische Modelle und maschinelle Lernalgorithmen. Einbeziehung von Citizen Science-Aufzeichnungen aus INaturalist die verfügbaren Daten für die Art verdoppelt.
Die Forscher fanden heraus, dass a „Random Forest“-Modell für maschinelles Lernen, die sowohl auf professionellen als auch auf bürgerwissenschaftlichen Daten trainiert wurde, schnitt mit einer Genauigkeit von 98 % (gemessen als „Fläche unter der Kurve“-Punktzahl) am besten ab. Alle Spitzenmodelle stützten sich stark auf Klimavariablen wie Durchschnittstemperatur und Niederschlag während der Vegetationsperiode, was darauf hindeutet, dass diese Pflanze in einem sich erwärmenden Klima gefährdet ist.
Die Validierung der Modelle anhand unabhängiger Beobachtungen zeigte auch die Vorteile von Citizen-Science-Daten. Modelle, die nur auf professionellen Aufzeichnungen aus Museen und Herbarien basieren, schnitten schlechter ab, wenn sie mit iNaturalist-Aufzeichnungen verglichen wurden, als solche, die iNaturalist-Daten während des Trainings enthielten. Gaier & Resasco schreiben in ihrem Artikel:
Der in dieser Studie gezeigte Datenintegrationsansatz hat einen breiten potenziellen Nutzen für die Erhaltung und Bewirtschaftung seltener Arten. Wir haben gezeigt, dass Community-Science-Daten zuverlässig sein und die Anzahl der verwendbaren Datensätze, die für die Modellierung von Verteilungen genutzt werden, erheblich erhöhen können. Sowohl Museumsaufzeichnungen als auch iNaturalist-Aufzeichnungen müssen untersucht werden, um die taxonomische und Standortzuverlässigkeit zu bestimmen. Das durch die Verwendung von iNaturalist-Daten verbesserte Modell passt nur geringfügig. Die Wahl des Modellierungsalgorithmus zeigte mehr Variation in unseren Ergebnissen als die Wahl der Datenquelle. Viele der Informationen, die für eine genaue Modellierung benötigt werden T. jamesii Verbreitung wurde bereits in den Herbardaten erfasst. Wir spekulieren daher, dass dieser Rahmen für eine Art mit mehr iNaturalist-Beobachtungen in neuen Lebensräumen nützlicher sein könnte. Es ist wichtig zu bedenken, dass dies eine artspezifische Studie ist und größere Erkenntnisse durch einen Multispezies-Ansatz gewonnen werden könnten. Ein möglicher nächster Schritt wäre die Bewertung, wie sich dieser Datenintegrationsansatz zwischen Arten unterscheidet, die unterschiedliche Seltenheitsmuster aufweisen (Rabinowitz, 1981). Ungeachtet dieser Vorbehalte können die aus unseren Modellprojektionen gewonnenen Informationen zur Erhaltung von beitragen T. jamesii zur Unterstützung zukünftiger gezielter Umfragen (Williams et al., 2009), dabei helfen, die am stärksten gefährdeten Bevölkerungsgruppen zu identifizieren und vorherzusagen, wie die Verteilung durch zukünftige Klimaveränderungen beeinflusst werden könnte (Franklin, 2013).
Gaier & Resasco 2023
LESEN SIE DEN ARTIKEL
Gaier, AG und Resasco, J. (2023) „Verbessert das Hinzufügen von gemeindewissenschaftlichen Beobachtungen zu Museumsaufzeichnungen die Verbreitungsmodellierung einer seltenen endemischen Pflanze?" Ecosphere, 14(3). Verfügbar um: https://doi.org/10.1002/ecs2.4419.
