Effects of modelling choices on early invasive risk assessments: lessons from the psyllid vectors of Citrus Huanglongbing
Diese Studie zeigt, dass Experten-kuratierte Daten, die Einbeziehung von Aufzeichnungen aus dem Invasionsgebiet sowie die Verwendung invasionsspezifischer Evaluationsmetriken entscheidend sind, um die Genauigkeit und politische Relevanz von Artenverteilungsmodellen zu verbessern, die zur Bewertung des frühen Invasionsrisikos von Zitrus-Psylliden-Vektoren verwendet werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Wenn eine neue Art an einem Ort ankommt, an dem sie noch nie gelebt hat, ist die erste Frage für Wissenschaftler und Landwirte einfach, aber dringlich: Wohin wird sie als Nächstes gehen? Um dies zu beantworten, nutzen Forscher Computermodelle, die wie Wettervorhersagen für Lebewesen funktionieren. Anstatt Regen oder Wind vorherzusagen, sagen diese Modelle voraus, wo eine Pflanze oder ein Tier basierend auf Temperatur, Niederschlag und anderen Bedingungen des Landes überleben könnte. Dieses Studienfeld wird als Modellierung der Artenverteilung bezeichnet. Es ist zu einem lebenswichtigen Werkzeug geworden, um biologische Invasionen zu stoppen – also nicht heimische Arten, die sich schnell ausbreiten und jedes Jahr Milliarden von Dollar an Schäden in der Landwirtschaft und in Ökosystemen verursachen. Das Ziel ist es, die Gefahrenzonen frühzeitig zu erkennen, damit Behörden sie genau beobachten oder handeln können, bevor der Eindringling Fuß fasst. Die Genauigkeit dieser Vorhersagen hängt jedoch vollständig davon ab, wie die Computermodelle aufgebaut sind. Wenn die in das Modell eingespeisten Daten fehlerhaft oder die zur Erstellung verwendete Methode zu simpel ist, kann die Vorhersage völlig falsch sein, was dazu führt, dass gefährliche Gebiete unüberwacht bleiben oder Ressourcen in sicheren Gebieten verschwendet werden.
Eine aktuelle Studie von Pedro Nunes und seinen Kollegen an mehreren Forschungsinstituten in Frankreich und Europa hat dieses Problem auf die Probe gestellt. Sie konzentrierten sich auf zwei winzige Insekten, die Asiatische Zitruspsylle und die Afrikanische Zitruspsylle. Diese Insekten sind nicht nur Schädlinge; sie sind die Überträger eines Bakteriums, das Huanglongbing verursacht, auch bekannt als Citrus-Greening. Diese Krankheit ist verheerend für die globale Zitrusindustrie und kann Bäume abtöten sowie ganze Ernten vernichten. Da sich diese Insekten bereits in neue Teile der Welt ausbreiten, mussten die Forscher wissen, welche Computermodellierungsstrategien die zuverlässigste Karte darüber liefern würden, wo sie als Nächstes zuschlagen könnten. Sie verglichen die „Best-Practice“-Methode beim Aufbau dieser Modelle mit dem „schnellen und einfachen“ Weg, der oft verwendet wird, wenn Zeit und Daten knapp sind.
Das Team stellte einen strengen Vergleich mit zwei verschiedenen Arten von Daten und mehreren verschiedenen Modellierungsansätzen auf. Am einen Ende des Spektrums erstellten sie ein Referenzmodell mit hohen Standards. Diese Version nutzte eine sorgfältig geprüfte Liste der Orte, an denen die Insekten gefunden wurden, zusammengestellt von Experten, die jeden Datensatz verifiziert und sogar Daten aus den neuen, bereits besiedelten Gebieten der Insekten einbezogen hatten. Am anderen Ende erstellten sie ein Standardmodell unter Verwendung der einfachsten verfügbaren Daten aus öffentlichen Online-Datenbanken, die oft Fehler enthalten und keine Expertenverifizierung aufweisen. Sie testeten auch Variationen, wie etwa die Verwendung von Daten ausschließlich aus den ursprünglichen Heimatgebieten der Insekten gegenüber der Einbeziehung von Daten aus den Gebieten, in denen sie bereits eingewandert sind, sowie die Verwendung eines einzelnen Computer-Algorithmus gegenüber der Kombination der Ergebnisse mehrerer verschiedener Algorithmen.
Die Ergebnisse zeigten eine klare und besorgniserregende Lücke zwischen dem, was auf dem Papier gut aussieht, und dem, was in der realen Welt funktioniert. Als die Forscher die Standardwerte betrachteten, die messen, wie gut ein Modell die Daten weltweit abbildet, schnitten viele der einfacheren Modelle fast so gut ab wie das komplexe, durch Experten kuratierte Modell. Ein Modell, das mit schnellen, unverifizierten Daten und einem einzelnen Algorithmus erstellt wurde, erzielte oft hohe Werte bei diesen allgemeinen Tests. Doch als die Forscher spezifisch untersuchten, wie gut die Modelle die Präsenz der Insekten in den Gebieten vorhersagten, in denen sie bereits eingewandert waren, änderte sich das Bild grundlegend. Die einfachen, schnellen Modelle konnten einen signifikanten Teil der bekannten besiedelten Gebiete nicht identifizieren. Für die Asiatische Zitruspsylle übersah das Basismodell mehr als ein Viertel der bestätigten Standorte, an denen das Insekt bereits etabliert war. Im Gegensatz dazu identifizierte das hochstandardisierte Modell, das Experten-verifizierte Daten und Aufzeichnungen aus dem besiedelten Bereich verwendete, fast alle diese Standorte korrekt.
Die Studie ergab auch, dass die Wahl der Daten entscheidender war als die Wahl des Computer-Algorithmus. Die Verwendung von Daten ausschließlich aus den ursprünglichen Heimatgebieten der Insekten – eine gängige Praxis, wenn Daten zur Invasion knapp sind – führte zu Modellen, die unterschätzten, wo die Insekten überleben könnten. Dies deutet darauf hin, dass sich diese Insekten an neue Bedingungen angepasst haben oder dass ihr ursprüngliches Heimatgebiet durch Faktoren begrenzt war, die in den neuen Gebieten nicht existieren. Darüber hinaus entdeckten die Forscher, dass die Standardwerte, die zur Beurteilung dieser Modelle verwendet werden, irreführend waren. Ein Modell konnte einen hohen Wert erzielen, der es als „gut“ auswies, während es dennoch daran scheiterte, die gefährlichsten, besiedelten Gebiete vorherzusagen. Um dies zu beheben, führte das Team eine neue Methode zur Erfolgsmessung ein, die sich spezifisch auf die versäumten Chancen im besiedelten Bereich konzentrierte. Diese neue Metrik, die zählt, wie viele bekannte Invasionsstandorte das Modell nicht vorhergesagt hat, erwies sich als essenziell, um die schwachen Modelle aufzuspüren, die die Standardtests übersehen hatten.
Die von den verschiedenen Modellen erstellten Karten zeigten dramatische Unterschiede in der realen Welt. Während alle Modelle sich einig waren, wo die Insekten in ihren nativen Regionen lebten, unterschieden sie sich drastisch darin, wohin sie sich als Nächstes ausbreiten könnten. Die hochstandardisierten Modelle identifizierten große Gebiete in Orten wie Portugal und Südamerika als geeignet für die Insekten, und tatsächlich wurden diese Insekten dort gefunden. Die einfacheren Modelle hingegen übersahen diese Gebiete oft vollständig und sagten voraus, dass die Insekten dort nicht überleben könnten. Umgekehrt prognostizierten einige einfache Modelle, dass die Insekten in weiten, trockenen Regionen Afrikas leben könnten, in denen sie noch nie gesehen wurden, was einen Fehlalarm auslöste. Diese Diskrepanzen verdeutlichen, dass ein Modell, das statistisch perfekt erscheint, dennoch eine gefährlich ungenaue Karte für Entscheidungsträger liefern kann.
Letztendlich zeigt die Studie, dass sich die Bemühungen um die Bereinigung und Verifizierung von Daten in der Genauigkeit der endgültigen Vorhersage auszahlen. Sich auf rohe, unverifizierte Internetdaten zu verlassen oder Aufzeichnungen aus Gebieten, in denen die Arten bereits eingewandert sind, zu ignorieren, führt zu Modellen, die daran scheitern, vulnerable Gebiete zu schützen. Die Forscher schlagen vor, dass für frühe Risikobewertungen von Invasionen der beste Ansatz darin besteht, Experten-kuratierte Daten zu verwenden, alle verfügbaren Aufzeichnungen sowohl aus den nativen als auch aus den besiedelten Gebieten einzubeziehen und eine Kombination verschiedener Modellierungs-Algorithmen zu nutzen, um Unsicherheiten zu reduzieren. Sie argumentieren auch, dass Wissenschaftler aufhören müssen, sich allein auf allgemeine Leistungsbewertungen zu verlassen, und statlich Metriken verwenden müssen, die spezifisch prüfen, ob das Modell bekannte Invasionsstandorte übersieht. Durch die Einführung dieser klareren Standards können Behörden besser antizipieren, wo die nächste Bedrohung entstehen wird, und sicherstellen, dass Ressourcen an die Orte gelenkt werden, die sie wirklich benötigen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.