Forecasts for 80% of wild populations and communities predict no change, and why

Deze studie concludeert dat, ondanks de complexiteit van biodiversiteitstrends, statistische prognoses voor de meerderheid van de wilde populaties en gemeenschappen voorspellen dat er geen verandering optreedt, omdat de afwezigheid van directionele verandering de norm lijkt te zijn in plaats van de uitzondering.

De kern

De Grote Dier- en Plantenverwachting: Waarom "Niets Verandert" de Norm is

Stel je voor dat je een enorme bibliotheek hebt, gevuld met dagboeken van bijna elke dier- en plantensoort op aarde. Sommige dagboeken vertellen een triest verhaal van verdwijning, andere van een opbloei. Maar wat zegt de toekomst? Wat kunnen we verwachten in de komende jaren?

Een nieuw onderzoek van Claudio Bozzuto en Anthony Ives pikt deze dagboeken eruit – ongeveer 53.000 van hen – en probeert een voorspelling te doen. Het verrassende nieuws? Voor ongeveer 80% van alle populaties en gemeenschappen voorspellen de slimste statistische modellen: "Geen verandering."

Hier is wat dit betekent, vertaald naar alledaags taal en met een paar creatieve vergelijkingen.

1. De "Stilte" in de Storm

We horen vaak het verhaal van de "zesde massa-extinctie", een wereld die in chaos verandert. En dat is zeker waar voor sommige soorten. Maar als je naar alle soorten tegelijk kijkt, zie je iets anders.

Stel je voor dat je naar een drukke markt kijkt. Je ziet hier en daar een kraampje dat faalt (soorten die uitsterven) en een ander dat groeit. Maar als je de hele markt als één geheel bekijkt, verandert de totale hoeveelheid goederen op de markt vaak niet zo veel. De ene gaat omhoog, de andere omlaag, en ze balanceren elkaar uit.

De onderzoekers ontdekten dat voor de meeste soorten de toekomstige trend niet een steile bergafwaartse of bergopwaartse lijn is, maar een horizontale lijn. De gemiddelde populatie blijft stabiel. Het is alsof je een boot op een meer hebt: er zijn golven (jaarlijkse schommelingen), maar de boot zakt niet naar de bodem en drijft ook niet naar de maan. Hij blijft op hetzelfde niveau.

2. Waarom zeggen de modellen "Niets"?

Je zou denken: "Maar ik zie toch een trend in de data?" Soms wel. Maar hier komt de wiskunde om de hoek kijken.

De onderzoekers gebruikten een soort "slimme voorspellingsmachine" (statistische modellen). Deze machine kijkt naar twee dingen:

1. De trend: Gaat het echt omhoog of omlaag?
2. Het ruis: Is de beweging echt een trend, of is het gewoon toeval?

Stel je voor dat je naar een dansvloer kijkt. Als iedereen in een rechte lijn naar de dansvloer loopt, is dat een trend. Maar als mensen willekeurig heen en weer dansen, lijkt het soms alsof ze naar links gaan, en dan weer naar rechts. Als je kijkt naar de hele groep, is er geen echte richting.

De onderzoekers ontdekten dat bij de meeste soorten de "dans" (de jaarlijkse schommelingen) zo willekeurig en onvoorspelbaar is, dat het slimste antwoord is om te zeggen: "We verwachten dat het gemiddelde hetzelfde blijft."

Als je probeert een rechte lijn te trekken door een wazig, schommelend patroon, is de meest betrouwbare voorspelling vaak: "We weten het niet, dus we gaan uit van geen verandering."

3. De "Ruis" is belangrijker dan je denkt

Een van de belangrijkste ontdekkingen is dat de variatie in de schommelingen (hoe wild het jaarlijks gaat en komt) de grootste voorspeller is.

• Soorten met veel chaos: Bij soorten waar het elk jaar heel anders gaat (soms veel, soms weinig), is het bijna onmogelijk om een duidelijke trend te zien. De modellen zeggen dan: "Geen verandering."
• Soorten met rustige lijnen: Alleen bij soorten die heel rustig en voorspelbaar bewegen, kunnen we echt zeggen: "Die gaan omhoog" of "Die gaan omlaag".

Het is alsof je probeert het weer te voorspellen. Als het vandaag regent en morgen zonnig is, en overmorgen weer storm, is het moeilijk om te zeggen dat het klimaat verandert. Maar als het 10 jaar op rij kouder wordt, is dat een trend. De natuur is vaak "stormachtig" en "zonnig" door elkaar, waardoor de lange termijn-trend vaak "geen verandering" lijkt.

4. Waarom is dit goed nieuws (en slecht nieuws)?

Het goede nieuws: Het betekent dat de natuur vaak veerkrachtig is. Veel populaties zijn niet op weg naar de ondergang; ze zijn stabiel. Ze kunnen omgaan met de drukte van de wereld.

Het slechte nieuws: Het betekent ook dat we niet kunnen wachten tot de "automatische" trends van het verleden zich blijven herhalen. Als we denken dat alles gewoon blijft zoals het is, kunnen we verrast worden. En voor de soorten die wel in gevaar zijn (zoals de monarchvlinder in het voorbeeld van de auteurs), is die stabiliteit soms een illusie die plotseling kan breken.

Conclusie: De "Stille Meerderheid"

De kernboodschap van dit papier is simpel: Verandering is niet de norm; stabiliteit is.

Hoewel we in het nieuws vaak horen over het verdwijnen van soorten, tonen deze data aan dat voor de meeste soorten in de natuur, de toekomst eruitziet als een rustige dag op het meer. Er zijn golven, maar het waterpeil blijft gelijk.

Dit is geen excuus om niets te doen. Integendeel: het betekent dat we onze aandacht moeten richten op die specifieke groepen die wel echt in gevaar zijn, en niet vergeten dat de natuur vaak harder werkt om in evenwicht te blijven dan we denken. De "stilte" in de data is geen teken van een dode natuur, maar vaak van een natuur die zich aanpast en blijft bestaan.

Technische samenvatting

Probleemstelling

Hoewel er veel retrospectieve analyses zijn die een complex beeld van biodiversiteitstrends schetsen (met zowel afname als toename), zijn prospectieve analyses (voorspellingen van korte-termijntrends) relatief zeldzaam. Bestaande studies focussen vaak op langetermijns scenario's gebaseerd op menselijke stressoren (zoals klimaatverandering), maar er is een gebrek aan een robuuste, statistische basislijn voor wat we op de korte termijn (maximaal een decennium) kunnen verwachten. Er bestaat een narratief dat biodiversiteit overal en altijd afneemt, maar de auteurs vragen zich af of deze trends in de data daadwerkelijk leiden tot een voorspelbare directionele verandering, of dat "geen verandering" de norm is.

Methodologie

De auteurs hebben een uitgebreide dataset geanalyseerd bestaande uit ongeveer 43.403 populatie-niveau en 10.409 gemeenschaps-niveau tijdsreeksen, afkomstig uit 10 verschillende databanken (zoals BioTIME, GBIF, LPI) en dekkend 64 taxonomische klassen binnen 6 rijken.

Data-voorbereiding:

• Tijdsreeksen moesten minimaal 5 jaar beslaan.
• Maximaal 25% ontbrekende waarden waren toegestaan.
• Data werden getransformeerd (inverse hyperbolische sinus) om nullen te hanteren en vervolgens genormaliseerd (z-transformatie).
• Op gemeenschapsniveau werden twee metrieken gebruikt: temporale $\alpha$-diversiteit (Hill-getallen) en temporale $\beta$-diversiteit (Ruzicka-metriek).

Statistische Modellering (UCM's):
De auteurs gebruikten Unobserved Components Models (UCM's), een type univariate state-space model, om trends te scheiden van ruis. Vier specifieke modellen werden gefit en vergeleken met AICc (Corrected Akaike Information Criterion):

1. Deterministische constante: Geen trend, alleen een constant gemiddelde.
2. Deterministische trend: Een lineaire trend zonder stochastische variatie in de helling.
3. Lokaal niveau: Een stochastisch wandelend gemiddelde (geen vaste trend), maar zonder veranderende helling.
4. Gladde trend: Een model met een stochastisch veranderende helling.

Resultaat: De modellen 1 en 2 voorspellen een constant gemiddelde (geen trend), terwijl 3 en 4 een lineaire trend voorspellen.

Predictieve Analyse:
Om te begrijpen waarom bepaalde reeksen een constante voorspelling krijgen, werd een Random Forest-classifier getraind. De doelvariabele was het type voorspelling (constante mean vs. trend).

• Features: Variatie in veranderingssnelheid ($var(RoC)$), gemiddelde veranderingssnelheid ($mean(RoC)$), lengte van de reeks, data-kwaliteit, taxonomie, locatie en levensgeschiedenistrappen (voor amnioten).
• Interpretatie: SHAP-waarden (Shapley Additive ExPlanations) werden gebruikt om de feature-importentie te kwantificeren en niet-lineaire effecten te ontrafelen.

Belangrijkste Bijdragen

1. Grootschalige prospectieve analyse: Voor het eerst zijn tienduizenden tijdsreeksen over de hele levensboom (Tree of Life) geanalyseerd om korte-termijnvoorspellingen te genereren, in plaats van alleen retrospectieve trends te beschrijven.
2. Methodologische validatie: Het gebruik van UCM's toont aan dat visuele trends in data vaak statistisch niet significant zijn als rekening wordt gehouden met proces- en meetfouten.
3. Identificatie van de drijvende krachten: Het artikel identificeert de variatie in de veranderingssnelheid ($var(RoC)$) als de belangrijkste predictor voor het al dan niet voorspellen van een trend, en koppelt dit aan intrinsieke ecologische dynamiek in plaats van alleen meetruis.

Resultaten

• Voorspelling van geen verandering: Ongeveer 76,5% van de populaties en 84,0% van de gemeenschappen (inclusief $\alpha$- en $\beta$-diversiteit) vertoont een voorspelling van een constant gemiddelde (geen directionele trend).
• Trends: Slechts 23,5% van de populaties toont een voorspelde trend. Van deze trends zijn stijgende en dalende trends ongeveer even vaak voorkomend (ca. 12% elk).
• Modelkeuze: Het eenvoudigste model (deterministische constante mean) was het beste model voor 51,2% van de populaties en 69,6% van de gemeenschappen.
• Belangrijkste predictor: De variabiliteit in de veranderingssnelheid ($var(RoC)$) is de sterkste predictor voor een voorspelling van geen verandering. Reeksen met hoge jaarlijkse fluctuaties worden vaker als "geen trend" voorspeld.
• Biologische structuur: Taxonomie en locatie spelen een significante rol. Bijvoorbeeld, gewervelden tonen vaker voorspelde trends dan ongewervelden. Bij amnioten bleek dat levensgeschiedenistrappen (zoals leeftijd bij volwassenheid, lichaamsgewicht) belangrijker waren dan data-kwaliteitsmetrieken.
• Oorzaak van variatie: De analyse toont aan dat $var(RoC)$ sterker correleert met procesvariatie (intrinsieke ecologische dynamiek) dan met observatievariatie (meetruis). Dit suggereert dat de voorspelde stabiliteit vaak een reflectie is van de biologische realiteit en niet slechts van onnauwkeurige data.
• Tijdsreekslengte: Korte tijdsreeksen (<15 jaar) neigen vaker naar schijnbare trends (spurious trends). Langere reeksen leiden vaker tot een voorspelling van een constant gemiddelde, wat consistent is met eerdere retrospectieve studies.

Betekenis en Conclusie

De bevindingen van deze studie daagden het heersende narratief uit dat biodiversiteitstrends automatisch doorgaan en dat afname de enige realiteit is. De studie concludeert dat:

• De afwezigheid van directionele verandering de norm is in ecologische tijdsreeksen, niet de uitzondering.
• Parsimonieuze (eenvoudige) statistische modellen, die rekening houden met ruis en variabiliteit, vaak voorspellen dat er op korte termijn geen verandering optreedt, zelfs als er in de data visuele trends lijken te zijn.
• Dit betekent niet dat er geen biodiversiteitsverlies is, maar wel dat het "automatisch" voortzetten van historische trends in voorspellingen vaak onjuist is.
• Voor beheer en beleid is het cruciaal om te erkennen dat de meeste systemen op korte termijn stabiel lijken, en dat ingrijpende veranderingen vaak specifieke, lokale of taxonomisch beperkte fenomenen zijn in plaats van een universeel patroon.

De auteurs pleiten voor het gebruik van robuuste statistische modellen om realistische korte-termijnvoorspellingen te maken, in plaats van te vertrouwen op mechanistische modellen die vaak gebrek aan data hebben, of op visuele inspectie van data die door ruis kan worden vertekend.