Un cefalofo di Weyns fotografato da una trappola fotografica. Credito:Jennifer Moore
Un nuovo modello sviluppato dai ricercatori della MSU sta estraendo più informazioni che mai da trappole fotografiche e altre fonti di dati a basso costo per aiutare a informare gli studi di ecologia e gli sforzi di conservazione
Gli ecologisti della Michigan State University hanno sviluppato un quadro matematico che potrebbe aiutare a monitorare e preservare la biodiversità senza spendere troppo.
Questo framework o modello prende dati a basso costo su specie relativamente abbondanti in una comunità e li usa per generare preziose informazioni sui loro vicini più difficili da trovare. La rivista Biologia della conservazione ha pubblicato la ricerca come articolo Early View il 25 agosto.
"Una delle maggiori sfide nel monitoraggio della biodiversità è che le specie che ti preoccupano di più tendono ad essere meno abbondanti o sono le specie più difficili da osservare durante la raccolta dei dati", ha affermato Matthew Farr, l'autore principale del nuovo rapporto . "Questo modello può essere davvero utile per quelle specie rare ed elusive."
Farr, ora ricercatore post-dottorato presso l'Università di Washington, ha contribuito a sviluppare il modello come studente di dottorato presso il Quantitative Ecology Lab di Elise Zipkin presso il College of Natural Science presso MSU.
"Ci sono molte specie nel mondo e molte di esse sono carenti di dati", ha affermato Zipkin, professore associato di biologia integrativa e direttore del programma di ecologia, evoluzione e comportamento della MSU, o EEB. "Stiamo sviluppando approcci per stimare più rapidamente cosa sta succedendo con la biodiversità, quali specie sono in difficoltà e dove, a livello spaziale, dobbiamo concentrare i nostri sforzi di conservazione".
Dopo aver convalidato il modello con l'aiuto dell'antilope che vive nelle foreste in Africa, i ricercatori affermano che potrebbe essere applicato a una varietà di altri animali che soddisfano determinati criteri.
"Il modello non funziona per tutti i tipi di specie. Non è una panacea", ha detto Zipkin. "Ma quando funziona per una comunità, possiamo imparare molto di più sulle specie membri senza molti dati."
La 'magia' del modello
Per il suo modello più recente, il team di Zipkin si è concentrato sui cosiddetti dati di rilevamento-non rilevamento che tengono traccia del rilevamento o meno di un determinato animale in un determinato habitat, il che in genere consente solo la stima della presenza di specie o dei modelli di distribuzione.
"Sono fondamentalmente i dati più economici e i più facili da raccogliere", ha affermato Zipkin. "Vai in un posto, aspetti e vedi quali animali ci sono e devi solo registrare quali specie vengono viste."
I ricercatori raccolgono questi dati visivamente di persona o con trappole fotografiche a basso costo che rilevano il movimento che scattano foto quando vengono attivate da un animale. I ricercatori quindi analizzano le foto per registrare i dati di rilevamento-non rilevamento nel tempo.
Ci sono dei compromessi, però. Sebbene relativamente economici e facili da raccogliere, i dati di rilevamento-non rilevamento non forniscono tutte le informazioni che vogliono i ricercatori e gli ambientalisti. Storicamente, ciò ha richiesto approcci di osservazione intensivi come l'etichettatura e il monitoraggio degli animali.
"Il monitoraggio intensivo ci consente di calcolare ogni sorta di cose sugli animali e sulle loro comunità, ma quei dati sono costosi e difficili da ottenere", ha affermato Zipkin. "Per alcune specie è impossibile."
Il team della MSU si è reso conto che, per gli animali giusti, potevano utilizzare la comprensione del comportamento e delle statistiche degli animali per colmare il divario di informazioni spremendo più informazioni dai dati di rilevamento-non rilevamento.
"Per alcune specie, questi sono i migliori dati che puoi ottenere", ha detto Farr. "Ora possiamo ottenere di più da esso. Il nostro modello consente di stimare le tendenze di abbondanza, i tassi di riproduzione e le probabilità di sopravvivenza delle specie, il tutto utilizzando solo dati di rilevamento-non rilevamento".
Può sembrare una magia, alcuni dei colleghi di Zipkin lo hanno persino detto, ma non c'è nulla di soprannaturale nel modello. Come gran parte della scienza, è il risultato di un duro lavoro, della collaborazione e della costruzione di precedenti sforzi sul campo.
La storia del nuovo modello ha le sue radici nel 2003 con i ricercatori J. Andrew Royle e James D. Nichols. Il duo ha escogitato un legame matematico tra l'abbondanza di una specie e la probabilità di rilevarla.
A quel tempo, Royle era un ricercatore presso l'US Fish and Wildlife Service e Nichols era con l'US Geological Survey. Entrambi sono ex studenti della MSU:Royle si è laureato nel 1990 e Nichols ha conseguito il dottorato nel 1976.
"È interessante", ha detto Farr, la cui attuale consulente, Sarah Converse, si è anche laureata presso lo stato del Michigan prima di diventare professore associato all'Università di Washington. "Ovunque tu vada in questo campo, le persone hanno qualche legame con lo Stato del Michigan."
Dopo aver pubblicato il modello Royle-Nichols, Royle è entrato a far parte dell'USGS, dove ha lavorato con Zipkin prima che lei entrasse a far parte della MSU nel 2014. Nel 2016, il team di Zipkin ha sviluppato il modello Royle-Nichols per stimare cose come i tassi di sopravvivenza e riproduzione per un singolo specie utilizzando il gufo barrato come caso di studio.
Lavorando nel laboratorio di Zipkin con il supporto della National Science Foundation, Farr ha compiuto il passo successivo collegando le dinamiche di popolazione di specie diverse all'interno delle stesse comunità.
"Il modello consente alle informazioni di specie più comuni di informare ciò che sta accadendo con le specie rare ed elusive", ha affermato Farr. "Il modello si basa sui punti in comune tra le specie, ma consente comunque variazioni."
Per sviluppare il modello, il team ha dovuto fare alcune ipotesi, ad esempio che le specie bersaglio fossero territoriali e non viaggiassero molto. I ricercatori hanno quindi dovuto trovare specie reali che si adattassero a tali presupposti per convalidare il loro modello.
"Sapevamo che avrebbe funzionato per alcuni tipi di comunità, ma queste comunità esistevano nella vita reale?" disse Zipkin.
"Questa è una delle maggiori sfide nello sviluppo del modello", ha affermato Farr. "Sviluppi il modello nel vuoto con simulazioni eseguite in condizioni perfette. Devi mostrare cosa può fare in una situazione reale."
"Fu allora che Tim O'Brien si avvicinò e disse:'Ho i tuoi animali'", ha detto Zipkin.
I dati del cefalofo
Timothy O'Brien è un ecologista in pensione in Kenya che ha lavorato con la Wildlife Conservation Society, un'organizzazione non governativa o ONG, ed è un esperto di trappole fotografiche. Nell'ambito del cosiddetto programma di valutazione e monitoraggio dell'ecologia tropicale, o TEAM, ha contribuito a standardizzare il modo in cui vengono utilizzate le trappole fotografiche per rendere i loro dati il più potenti possibile.
Conosceva il lavoro di Zipkin del 2016 e ha appreso che stava espandendo il modello per includere più specie su più stagioni. Sospettava che le antilopi delle foreste, in particolare quelle conosciute come cefalofo, avrebbero fornito il perfetto banco di prova.
Non solo il comportamento del cefalofo corrispondeva alle ipotesi del modello, ma O'Brien aveva aiutato a monitorare gli animali per anni usando trappole fotografiche. Duikers ha presentato un caso di conservazione interessante e importante.
"I cefalofoli che vivono nelle foreste pluviali, sono la carne selvatica più ricercata in Africa", ha detto O'Brien. "Se le popolazioni di cefalofo sono in declino, di solito è a causa delle persone che cercano carne di animali selvatici."
La carne di animali selvatici è carne di qualsiasi animale selvatico ed è un'importante fonte di cibo e reddito per molte comunità. Ma la caccia è vagamente regolamentata ed è finanziariamente incentivata dai mercati che vendono carne di animali selvatici. La combinazione può essere devastante per le popolazioni di cefalofo.
Con il modello di MSU e i dati del cefalofo di TEAM, il team ha valutato la dinamica della popolazione di un totale di 12 specie di antilopi, alcune più abbondanti di altre, in sei parchi nazionali in Africa, dove sono protetti i cefalofi. I dati coprivano periodi di tempo che andavano da quattro a 11 anni.
"Non abbiamo visto il livello di diminuzione della popolazione nel cefalofo che ti aspetti di vedere quando la caccia è un problema", ha detto O'Brien. "Direi che i parchi stanno svolgendo la loro funzione per quanto riguarda i cefalofi."
Nel complesso, le popolazioni di cefalofo erano per lo più stabili, ma i ricercatori hanno rilevato un calo della popolazione in circa il 20% delle combinazioni di specie e parchi che hanno esaminato. Ancora una volta, i cali non sono stati così sostanziali da suggerire che il cefalofo fosse stato cacciato eccessivamente nei parchi, ma i ricercatori vogliono ancora capire cosa sta succedendo in quei casi.
"Abbiamo scoperto che ciò che ha causato i cambiamenti sono state più le differenze tra i parchi che tra le specie", ha detto Zipkin. "Non abbiamo ancora individuato le cause esatte, ma i nostri risultati potrebbero aiutarci a farlo."
"Matt ed Elise hanno portato questo modello su un piano completamente nuovo", ha detto O'Brien. "Mi è davvero piaciuta la collaborazione."
Anche Charles Yackulic, uno statistico di ricerca dell'USGS, ha contribuito al progetto, che è stato sostenuto da NSF, WCS, Conservation International, Smithsonian Institution e Gordon and Betty Moore Foundation.
"Questo progetto è un ottimo esempio di università, governo e ONG che lavorano insieme", ha affermato Zipkin. + Esplora ulteriormente
