Predicting the conservation status of data-deficient species

Abstract

en

There is little appreciation of the level of extinction risk faced by one-sixth of the over 65,000 species assessed by the International Union for Conservation of Nature. Determining the status of these data-deficient (DD) species is essential to developing an accurate picture of global biodiversity and identifying potentially threatened DD species. To address this knowledge gap, we used predictive models incorporating species’ life history, geography, and threat information to predict the conservation status of DD terrestrial mammals. We constructed the models with 7 machine learning (ML) tools trained on species of known status. The resultant models showed very high species classification accuracy (up to 92%) and ability to correctly identify centers of threatened species richness. Applying the best model to DD species, we predicted 313 of 493 DD species (64%) to be at risk of extinction, which increases the estimated proportion of threatened terrestrial mammals from 22% to 27%. Regions predicted to contain large numbers of threatened DD species are already conservation priorities, but species in these areas show considerably higher levels of risk than previously recognized. We conclude that unless directly targeted for monitoring, species classified as DD are likely to go extinct without notice. Taking into account information on DD species may therefore help alleviate data gaps in biodiversity indicators and conserve poorly known biodiversity.

Predección del Estado de Conservación de Especies con Deficiencia de Datos

Resumen

es

Existe poca apreciación del nivel de riesgo de extinción que enfrenta un sexto de las más de 65, 000 especies evaluadas por la Unión Internacional para la Conservación de la Naturaleza. La determinación el estado de estas especies con deficiencia de datos (DD) es esencial para desarrollar una imagen precisa de la biodiversidad global e identificar a las especies con DD potencialmente amenazadas. Para enfocarnos en esta interrupción en el conocimiento, usamos modelos predictivos incorporando la historia de vida de las especies, geografía e información sobre las amenazas para predecir el estado de conservación de mamíferos terrestres con DD. Construimos los modelos con siete herramientas que aprenden de máquinas (ML, en inglés) entrenadas con especies de estado conocido. Los modelos resultantes mostraron una precisión muy alta en la clasificación de especies (hasta 92%) y una habilidad muy alta para identificar correctamente centros de riqueza de especies amenazadas. Al aplicar el mejor modelo a las especies con DD, pronosticamos que 313 de las 493 especies con DD (64%) se encuentran en riesgo de extinción, lo que incrementa la proporción estimada de mamíferos terrestres amenazadas de 22% a 27%. Las regiones que se predijo tendrían un gran número de especies con DD amenazadas ya son prioridades de conservación, pero las especies en estas áreas muestran un nivel de riesgo considerablemente más alto que el que se reconocía previamente. Concluimos que a menos que sean objetivo directo de monitoreo, las especies clasificadas como especies con DD probablemente se extingan sin que nos enteremos. Tomar en cuenta la información sobre las especies con DD por lo tanto puede ayudar a aliviar la interrupción de datos en los indicadores de la biodiversidad y a conservar a la biodiversidad de la que se conoce poco.