Effects of modelling choices on early invasive risk assessments: lessons from the psyllid vectors of Citrus Huanglongbing
Deze studie toont aan dat door experts gecureerde gegevens, de inclusie van gegevens uit invasiegebieden en het gebruik van invasie-specifieke evaluatiemetrieken cruciaal zijn voor het verbeteren van de nauwkeurigheid en beleidsrelevantie van soortverdelingsmodellen die worden gebruikt om het vroege invasierisico van citruspsyllidenvectoren te beoordelen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Wanneer een nieuwe soort arriveert op een plek waar deze nog nooit heeft geleefd, is de eerste vraag voor wetenschappers en boeren simpel maar dringend: waar gaat het vervolgens naartoe? Om dit te beantwoordenen, gebruiken onderzoekers computermodellen die fungeren als weersvoorspellingen voor levende wezens. In plaats van regen of wind te voorspellen, voorspellen deze modellen waar een plant of dier zou kunnen overleven op basis van de temperatuur, neerslag en andere omstandigheden van het land. Dit studieveld wordt soortverdelingsmodellering genoemd. Het is een essentieel instrument geworden om biologische invasies te stoppen, waarbij niet-inheemse soorten zich snel verspreiden en elk jaar miljarden dollars aan schade veroorzaken aan de landbouw en ecosystemen. Het doel is om de gevarenzones vroegtijdig te signaleren, zodat autoriteiten ze nauwlettend kunnen bewaken of kunnen ingrijpen voordat de indringer zich echt heeft gevestigd. De nauwkeurigheid van deze voorspellingen hangt echter volledig af van hoe de computermodellen zijn gebouwd. Als de gegevens die in het model worden gevoed rommelig zijn of de methode die wordt gebruikt om het te bouwen te eenvoudig is, kan de voorspelling er volledig naast zitten, waardoor gevaarlijke gebieden onbewaakt blijven of middelen worden verspild aan veilige gebieden.
Een recente studie door Pedro Nunes en zijn collega's aan verschillende onderzoeksinstituten in Frankrijk en Europa onderwierp dit probleem aan een test. Ze richtten zich op twee minuscule insecten, de Aziatische citruspsyllid en de Afrikaanse citruspsyllid. Deze insecten zijn niet alleen plagen; ze zijn de dragers van een bacterie die Huanglongbing veroorzaakt, ook wel bekend als citrusgroening. Deze ziekte is verwoestend voor de wereldwijde citrusindustrie en is in staat om bomen te doden en hele oogsten te ruïneren. Omdat deze insecten zich al naar nieuwe delen van de wereld verspreiden, moesten de onderzoekers weten welke computermodelleringsstrategieën de meest betrouwbare kaart zouden geven van waar ze als volgende toeslaan. Ze vergeleken de "best practice"-methode voor het bouwen van deze modellen met de "snelle en gemakkelijke" manier die vaak wordt gebruikt wanneer tijd en gegevens schaars zijn.
Het team zette een strikte vergelijking op met behulp van twee verschillende soorten gegevens en verschillende verschillende modelleringsbenaderingen. Aan de ene kant bouwden ze een referentiemodel met een hoge standaard. Deze versie gebruikte een zorgvuldig gecontroleerde lijst van waar de insecten zijn aangetroffen, samengesteld door experts die elk record hebben geverifieerd en zelfs gegevens hebben opgenomen uit de nieuwe, geïnvasde gebieden van de insecten. Aan de andere kant bouwden ze een standaardmodel met behulp van de meest basale beschikbare gegevens uit publieke online databases, die vaak fouten bevatten en geen expertverificatie missen. Ze testten ook variaties, zoals het gebruik van alleen gegevens uit de oorspronkelijke leefgebieden van de insecten versus het opnemen van gegevens uit de gebieden waar zij al zijn geïnvadeerd, en het gebruik van één enkel computeralgoritme versus het combineren van de resultaten van verschillende algoritmen.
De resultaten toonden een duidelijke en verontrustende kloof tussen wat er op papier goed uitziet en wat in de echte wereld werkt. Wanneer de onderzoekers keken naar standaardscores die meten hoe goed een model past bij de gegevens over de hele wereld, presteerden veel van de eenvoudigere modellen bijna net zo goed als het complexe, door experts gecureerde model. Een model dat gebouwd is met snelle, niet-geverifieerde gegevens en een enkel algoritme scoorde vaak hoog op deze algemene tests. Echter, toen de onderzoekers specifiek keken naar hoe goed de modellen de aanwezigheid van de insecten in de gebieden waar zij al geïnvandeerd waren, veranderde het verhaal volledig. De eenvoudige, snelle modellen slaagden er niet in een aanzienlijk deel van de bekende geïnvandeerde gebieden te identificeren. Voor de Aziatische citruspsyllid miste het basismodel meer dan een kwart van de bevestigde locaties waar het insect al gevestigd was. In tegenstelling hiertoe identificeerde het hoogwaardige model, dat gebruikmaakte van door experts geverifieerde gegevens en records uit het geïnvasteerde gebied bevatte, bijna al deze locaties correct.
De studie vond ook dat de keuze van de gegevens belangrijker was dan de keuze van het computeralgoritme. Het gebruik van alleen gegevens uit de oorspronkelijke thuisgebieden van de insecten, een gangbare praktijk wanneer invasiegegevens schaars zijn, leidde tot modellen die onderschatten waar de insecten konden overleven. Dit suggereert dat deze insecten zich hebben aangepast aan nieuwe omstandigheden of dat hun oorspronkelijke leefgebied werd beperkt door factoren die in de nieuwe gebieden niet aanwezig zijn. Bovendien ontdekten de onderzoekers dat de standaardscores die deze modellen beoordelen misleidend waren. Een model kon een hoge score hebben die aangeeft dat het "goed" is, terwijl het nog steeds faalt in het voorspellen van de meest gevaarlijke, geïnvandeerde gebieden. Om dit op te lossen, introduceerde het team een nieuwe manier om succes te meten die zich specifiek richtte op gemiste kansen in het geïnvandeerde gebied. Deze nieuwe metriek, die telt hoeveel bekende invasieplekken het model niet heeft voorspeld, bleek essentieel om de zwakke modellen op te sporen die de standaardtests misten.
De kaarten die door de verschillende modellen werden gegenereerd, vertoonden dramatische verschillen in de echte wereld. Terwijl alle modellen het eens waren over waar de insecten leefden in hun natuurlijke regio's, waren ze het fundamenteel oneens over waar zij zich als volgende zouden verspreiden. De hoogwaardige modellen identificeerden grote gebieden in plaatsen als Portugal en Zuid-Amerika als geschikt voor de insecten, en inderdaad, deze insecten zijn daar aangetroffen. De eenvoudigere modellen misten deze gebieden echter vaak volledig en voorspelden dat de insecten daar niet zouden kunnen overleven. Daarentegen voorspelden sommige eenvoudige modellen dat de insecten in uitgestrekte, droge regio's van Afrika zouden kunnen leven waar ze nog nooit zijn gezien, wat een vals alarm creëerde. Deze discrepanties benadrukken dat een model dat statistisch perfect lijkt, nog steeds een gevaarlijk onnauwkeurige kaart kan bieden aan besluitvormers.
Uiteindelijk toont de studie aan dat de inspanning die wordt geleverd in het opschonen en verifiëren van gegevens zich uitbetaalt in de nauwkeurigheid van de uiteindelijke voorspelling. Het vertrouwen op ruwe, niet-geverifieerde gegevens van het internet of het negeren van records uit de gebieden waar een soort al is geïnvandeerd, leidt tot modellen die er niet in slagen kwetsbare gebieden te beschermen. De onderzoekers suggereren dat voor vroege risicobeoordelingen van invasies de beste aanpak is om expert-gecureerde gegevens te gebruiken, alle beschikbare records uit zowel de natuurlijke als de geïnvandeerde gebieden op te nemen en een combinatie van verschillende modelleringsalgoritmen te gebruiken om onzekerheid te verminderen. Ze betogen ook dat wetenschappers moeten stoppen met het uitsluitend vertrouwen op algemene prestatiescores en in plaats daarvan metrieken moeten gebruiken die specifiek controleren of het model bekende invasieplaatsen mist. Door deze duidelijkere standaarden te adopteren, kunnen autoriteiten beter anticiperen waar de volgende dreiging zal ontstaan, waardoor ervoor wordt gezorgd dat middelen worden gericht naar de plaatsen die er werkelijk om vragen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.