Inferring biodiversity from indicator species using co-occurrence network structure

Stel je voor dat je probeert de volledige cast van een enorme, bruisende toneelvoorstelling te begrijpen door slechts naar een paar hoofdrolspelers op het podium te kijken. Meestal kun je, als je weet wie de hoofdrolspelers zijn, ook wel raden wie er verder nog meer in het stuk zitten. Maar hoe zit het met de figuranten, de onderstudies of de personages die slechts in één scène voorkomen? Traditionele methoden missen hen vaak, vooral als het stuk enorm groot is of het publiek (de data) schaars is.

Dit artikel introduceert een nieuwe, slimmere manier om de volledige castlijst te raden door te kijken naar hoe de acteurs met elkaar omgaan, in plaats van alleen maar naar hen te tellen.

Hier is de uitsplitsing van hun aanpak met behulp van eenvoudige analogieën:

1. Het Probleem: De beperking van de "Spotlight"
Ecologen gebruiken vaak "indicatorsoorten" (zoals de hoofdrolspelers) om te raden hoe de rest van het ecosysteem (de volledige cast) eruitziet. Dit faalt echter meestal voor zeldzame of moeilijk te vinden soorten (de figuranten), omdat zij niet genoeg "scènetijd" krijgen in de data.

2. De Oplossing: De "Sociale Netwerk"-kaart
In plaats van alleen te kijken naar wie aanwezig is, hebben de auteurs een co-occurrentienetwerk gebouwd. Denk aan dit als een gigantische sociale media-kaart van het bos.

• Als Soort A en Soort B bijna altijd samen worden gezien, zijn zij "vrienden" op deze kaart.
• Als Soort A een "indicatorsoort" is (een bekende ster), en het is bevriend met de zeldzame, onbekende Soort B, dan vertelt de kaart ons: "Als je de ster ziet, is de onbekende vriend waarschijnlijk ook aanwezig, zelfs als je hem nog niet hebt opgemerkt."

3. De Machine Learning "Detective"
Het team gebruikte een computerprogramma (machine learning) om de vorm en structuur van dit sociale netwerk te bestuderen. Het leerde patronen te herkennen in de manier waarop soorten samenhangen. Dit stelde hen in staat om de aanwezigheid van niet-indicatorsoorten af te leiden zonder dat ze elke enkele omgevingsfactor (zoals de pH-waarde van de bodem of de temperatuur) expliciet hoefden te meten. Het is alsof je de hele sociale kring van iemand afleidt door alleen te weten wie de beste vriend van diegene is.

4. De Drie "Regimes" van Voorspelling
De onderzoekers ontdekten dat hun methode anders werkt, afhankelijk van hoe algemeen een soort is:

• De Populaire Menigte (Overvloedige Soorten): Deze zijn makkelijk te voorspellen. Ze zijn overal, dus het netwerk ziet ze duidelijk.
• De Middengroep (Intermediaire Soorten): Dit zijn de moeilijkste om te raden. Ze zijn algemeen genoeg om opgemerkt te worden, maar niet algemeen genoeg om sterke, duidelijke verbindingen met de indicatoren te hebben.
• De Verborgen Parels (Zeldzame Soorten): Verrassend genoeg was de methode zeer goed in het vinden van deze soorten. Waarom? Omdat zeldzame soorten vaak zeer hechte, specifieke vriendschappen hebben met de indicatorsoorten. Als de "ster" aanwezig is, is de "zeldzame vriend" bijna gegarandeerd ook aanwezig. De netwerkstructuur fungeert als een vangnet dat hen opvangt.

5. Waarom het beter is
Oude methoden waren als het proberen te raden van de groepsgrootte door alleen de mensen op de voorste rij te tellen. Deze nieuwe methode is als het bekijken van de zitplaatsen en de vriendschappen tussen mensen. Het vond consequent meer soorten en was nauwkeuriger dan simpelweg willekeurige "indicatorsoorten" kiezen of simpelweg te tellen hoeveel soorten er aanwezig waren.

De Kern van het Verhaal
Deze aanpak is een "data-efficiënte" tool. Dit betekent dat wetenschappers een veel duidelijker beeld kunnen krijgen van de biodiversiteit, zelfs wanneer ze niet over perfecte of volledige data beschikken. Het bewijst dat door het begrijpen van de "sociale structuur" van de natuur — wie met wie omgaat — we de aanwezigheid van soorten kunnen voorspellen die we nog niet eens hebben gezien.