全球海洋鱼类物种灭绝风险大幅上升！基于数据挖掘与模型的综合预测
全球海洋鱼类物种灭绝风险大幅上升！基于数据挖掘与模型的综合预测
全球海洋生态系统正面临着生物多样性迅速丧失的危机。由于气候变化、过度捕捞、栖息地破坏和污染等因素，许多海洋物种的数量正在急剧下降。近日，一项令人震惊的研究表明，全球海洋鱼类灭绝的风险远高于之前的估计。
上图：东沙魟鱼。王敏幹于1980年代中拍摄。©绿会融媒·“海洋与湿地”（OceanWetlands）
研究背景与方法
硬骨鱼类作为海洋生态系统中的重要组成部分，其灭绝风险的增加对整个生态系统的稳定性和功能性产生了深远影响。尽管世界自然保护联盟濒危物种红色名录（IUCN RedList）等提供了大量关于物种保护状态的数据，但仍有大量鱼类物种由于数据不足，而未被评估。这些数据不足的物种，往往是最易受到威胁的，因为缺乏足够的科学信息来制定有效的保护措施。
近日，一项令人震惊的研究表明，全球海洋鱼类灭绝的风险远高于之前的估计。“海洋与湿地”（OceanWetlands）小编注意到《公共科学图书馆生物学》（PLOS Biology）期刊2024年8月29日发表的一篇最新研究，敲响了警钟——海洋生态系统正面临着前所未有的危机。研究人员利用机器学习算法，预测了全球海洋鱼类的灭绝风险，为制定海洋鱼类保护策略提供了重要依据。
（根据IUCN红色名录的最新评估，全球有超过45,300种物种面临灭绝风险，占所有被评估物种的比例高达28%。上图来源：世界自然保护联盟濒危物种红色名录）
上图：根据IUCN2024年的评估，物种状态被划分为三个主要类别：受威胁（包括极危、濒危、易危）、非威胁（近危、无危），以及数据不足与未评估。由于部分物种尚未被纳入IUCN红色名录，研究团队通过国际鸟盟、爬行动物数据库、哺乳动物多样性网和全球两栖动物网等资源更新了物种列表。图源：Loiseau, Nicolas, et al.（2024）
根据IUCN的分类，海洋鱼类中有38%（约4,992种）被列为数据不足或未评估物种（DDNE），这使得现有的保护措施难以全面覆盖所有面临威胁的物种。为了填补这些数据空白并为全球保护优先级提供更科学的依据，Nicolas Loiseau及其团队开展了这项研究。
研究发现与意义
为了解决这一问题，Nicolas Loiseau及其团队利用先进的机器学习技术展开了这项研究。他们结合了随机森林模型（RF）和人工神经网络（ANN），对4,992种数据不足或未评估的海洋鱼类物种进行灭绝风险预测。这项研究旨在解答几个关键问题，包括哪些物种特征最能预测灭绝风险，受威胁物种的分布如何影响灭绝风险热点区域，现有的海洋保护区网络是否覆盖了这些受威胁物种，以及如何调整保护优先级以实现“30 × 30”目标，即到2030年全球至少保护30%的海洋面积。
鲸鲨是软骨鱼纲须鲨目鲸鲨科的鱼类。作为地球上最大的鱼类，鲸鲨在生物分类学上独树一帜。摄影师：宋刚 ©绿会融媒·“海洋与湿地”（OceanWetlands）获授权使用 （图文无关）
该研究团队使用了现有的物种分布数据、生物学特征、分类信息和人类利用情况等数据，通过RF和ANN模型对4,992种数据不足或未评估的海洋鱼类物种的IUCN状态进行了预测。研究结果显示，海洋鱼类的灭绝风险远高于IUCN的初步估计，从2.5%增加到12.7%。预测为受威胁的物种，通常具有较小的地理分布范围、大体型和低增长率。这些特征表明，这些物种可能面临更大的环境压力和更高的灭绝风险。受威胁物种的热点区域主要集中在南海、菲律宾海、苏禄海、澳大利亚西海岸和北美洲西海岸。
上图：研究人员对4,992种数据不足和未评估的海洋鱼类进行IUCN状态推断的建模框架如上图所示。首先，他们利用现有的物种出现数据、生物学特征、分类学信息和人类利用情况（图A），建立了一个集成学习模型，结合了随机森林（RF）和人工神经网络（ANN）（图B），以预测海洋鱼类的IUCN状态。通过将ANN和RF的预测结果进行互补性决策（图C），进一步探讨了将预测出的受威胁物种纳入当前保护规划优先区域的可能影响（图D）。图源：Loiseau, Nicolas, et al.（2024）
该研究还发现，当前的海洋保护区网络可能未能覆盖所有受威胁的物种。因此，研究建议根据预测结果调整保护区的划定，以更好地保护这些受威胁的鱼类物种。同时，研究提出，将多因素集成学习方法应用于物种灭绝风险评估，可以提供对濒危分类群的更全面的视角，有助于实现《昆明-蒙特利尔全球生物多样性框架》（GBF）中有关全球生物多样性保护的“30 × 30”目标。
通过这项研究，科学家们填补了海洋鱼类保护中的数据空白，为全球保护优先级的调整提供了新的视角。研究表明，海洋鱼类的灭绝风险比此前估计的更高，未来的保护工作需要更加关注数据不足的物种和关键热点区域，以便更加精准和有效地应对全球生态危机。
感兴趣的读者可以参看原文：
Nicolas Loiseau, David Mouillot, Laure Velez, Raphaël Seguin, Nicolas Casajus, Camille Coux, Camille Albouy, Thomas Claverie, Agnès Duhamet, Valentine Fleure, Juliette Langlois, Sébastien Villéger, Nicolas Mouquet. Inferring the extinction risk of marine fish to inform global conservation priorities. PLOS Biology, 2024; 22 (8): e3002773 DOI: 10.1371/journal.pbio.3002773
思考题
【Q1】如果您看这项研究的过程，会发现他们使用了随机森林（RF）模型与人工神经网络（ANN）模型。考虑到研究中这些模型的预测精度差异，那么，如何结合这两种模型的优势，并利用数据融合技术进一步提升对稀有或数据不足物种的风险评估准确性？
【Q2】研究结果揭示了新的预测数据对海洋保护优先级产生了显著影响。例如，西澳大利亚和北美西海岸的新兴受威胁物种热点已被发现。那么，基于这些发现，如何重新审视全球保护网络的有效性，并制定具体的行动计划，以应对这些新出现的保护热点？
【Q3】根据研究发现，受威胁物种的地理分布在预测后发生了显著变化，例如在南中国海、菲律宾海和日本南部海域的新受威胁物种聚集。那么，可以怎样来利用这些地理数据变化，用来评估气候变化对物种灭绝风险的影响，并将这些评估结果融入未来的气候适应性保护策略中呢？
【Q4】如何根据这些新的数据，更新和校正IUCN濒危物种红色名录，以更准确地反映物种面临的实际威胁？此外，如何通过调整红色名录中的物种状态，优化现有的保护策略，以应对新兴的热点区域？
【Q5】在使用先进数据挖掘技术和深度学习模型来预测鱼类保护状态时，如何有效地平衡数据质量和模型预测的准确性，以应对数据不完整和偏差问题？在进行海洋鱼类保护优先级排序时，如何确保所采用的保护目标和方法能够公平地考虑到所有物种的保护需求，尤其是那些分布范围狭小但生态重要性高的物种？