Denetimsiz yöntemlerle tür yaygınlığı ve prevalansının tahmini

Yaygın ve nadir türleri saymanın önemi

Doğanın tehlikede olduğunu düşündüğümüzde genellikle yok olma tehlikesindeki nadir hayvanları hayal ederiz. Oysa çevremizdeki canlı dokunun büyük kısmı ya çok sıradan ya da kimsenin farkına varmadan yavaşça yok olan türlerden oluşur. Bir türün belirli bir yerde gerçekten ne kadar yaygın olduğunu söyleyebilmek, ekosistemlerin kirlilik, arazi kullanımı veya iklim değişikliğine nasıl tepki vereceğini öngörmek için esastır. Bu makale, yalnızca mevcut gözlem kayıtlarını ve modern veri analizini kullanarak birçok türün aynı anda ne kadar yaygın veya nadir olduğunu tahmin etmenin bir yolunu sunuyor. Amaç, türlerin şimdi ve gelecekte nerede yaşayabileceğini tahmin eden bilgisayar modelleri için daha nesnel girdiler sağlamaktır.

Basit gözlemlerden büyük ekolojik sorulara

Ekologlar rutin olarak bir tür için hangi ortamların uygun olduğunu belirlemek amacıyla ekolojik niş modelleri adı verilen bilgisayar modelleri kullanır. Bu modeller, bir türün değişen iklimde veya yeni bölgelerde nerede ortaya çıkabileceğini tahmin etmeye yardımcı olur. Kritik bir bileşen “prevalans”tır — kabaca, bir anket yapılan alanların ne kadarında bir türün bulunduğunun payı. Bu, yeni anketler yapılmadan önce bir türün yaygın mı yoksa nadir mi beklendiğini kodlar. Bu ön beklenti, modellerin ham uygunluk puanlarını varlık olasılıklarına nasıl çevirdiğini ve harita üzerinde “var” ile “yok” arasındaki sınırları nasıl çizdiğini güçlü biçimde şekillendirir. Özellikle nadir türler için prevalans yanlış tahmin edilirse, öngörüler yanıltıcı olabilir ve koruma planları yanlış yerlere odaklanabilir.

Yüzlerce tür için verinin konuşmasına izin vermek

Prevalansı doğrudan ölçmek zordur çünkü saha verileri yamalı ve yanlıdır. Bazı alanlar yoğun şekilde çalışılmış, bazı türler görülmesi daha kolaydır ve birçok kayıt düzensiz çaba gösteren vatandaş bilimi projelerinden gelir. Her tür için uzman görüşüne veya ayrıntılı bilgiye dayanmak yerine yazarlar, tür gözlemlerinin büyük açık veritabanı olan Global Biodiversity Information Facility’den yararlanır. Seçilen bir bölgedeki her tür için ham kayıtları birkaç basit, karşılaştırılabilir sayıya özetlerler: bir gözlem başına genellikle kaç birey rapor edildiği, türün kaç farklı veri kümesi veya sulak alanda bulunduğu, bu sulak alanlarda ne kadar yaygın olduğu ve zaman içinde ne sıklıkla gözlemlendiği; ayrıca sıkça çok sayıda gözlemle görülen patlamaların varlığı gibi ölçütler.

Türleri yaygın ve nadir olarak sınıflandırmayı makinelere öğretmek

Bu özet özelliklerle ekip, önceden hangi türlerin yaygın ya da nadir olduğunu söylemeden desen arayan üç denetimsiz öğrenme aracını uygular — iki kümeleme yöntemi ve varyasyonel autoencoder olarak bilinen bir derin öğrenme modeli. Kümeleme yöntemleri, benzer bolluk, yayılım ve gözlem sıklığı paylaşan türleri gruplar. Autoencoder ise “tipik” bir tür kaydının nasıl göründüğünü öğrenir ve nadir veya kötü gözlemlenmiş türlere karşılık gelen sıra dışı desenleri anomali olarak işaretler. Modeller daha sonra her türü üç sezgisel sınıfa atar — çok yaygın, oldukça yaygın veya nadir — ve bu sınıfları ekolojik niş modellerine öncelikli olasılıklar olarak doğrudan sokulabilecek sayısal prevalans değerlerine dönüştürür.

Yapıyı savunmasız bir sulakta test etmek

Bu çerçevenin pratikte ne kadar iyi çalıştığını görmek için yazarlar İtalya’nın Toskana bölgesindeki Massaciuccoli Gölü havzasına odaklanır; burası kuşlar, balıklar, böcekler ve diğer hayvanlar açısından zengin, alçak bir sulak alandır. Bu peyzaj hem bir biyoçeşitlilik merkezi hem de turist çekim merkezidir, ancak iklim değişikliği, su kıtlığı ve kirlilik gibi tehditlere de açıktır. Göl ile ilişkili 161 hayvan türü için modeller, diğer İtalyan sulak alanlarından elde edilen kayıtlarla eğitildi ve sonra her türün Massaciuccoli’de ne kadar yaygın olması gerektiğini çıkarmaları istendi. Aynı bölgedeki derin saha deneyimine sahip iki yerel uzman, aynı türleri bağımsız olarak değerlendirdi. İki taraf karşılaştırıldığında, derin öğrenme modeli türlerin yaklaşık %81–90’ı için birleşik uzman görüşüyle uyum gösterdi; kümeleme yöntemleri ve üçünün bir araya getirildiği bir topluluk modeli de iyi performans sergiledi.

Uyuşmazlıklardan ve gizli önyargılardan öğrenmek

Her durum mükemmel şekilde örtüşmedi. Göl çevresinde uzmanların bol olduğu bilinen birkaç tür, genellikle kaçakçılık, yetersiz raporlama veya bazı sulak alanlarda diğerlerine göre daha yakın gözetim gibi nedenlerle verilerde nadir görünüyordu. Bu, önemli bir sınırlamayı vurguladı: büyük veritabanları yalnızca türlerin gerçekten nerede bulunduğunu değil, insanların nerede ve nasıl doğayı aradığına dair bir aynadır. Bir duyarlılık analizi hangi özelliklerin sınıflandırmalar için en önemli olduğunu gösterdi; veri kümesi başına ortalama kayıt sayısı, gözlem başına bolluk ve yıllar içindeki gözlem tutarlılığı özellikle bilgilendirici çıktı. Kalan önyargılara rağmen, yöntem açık ve çoğaltılabilir prevalans tahminleri üretti ve modelleme ihtiyaçlarına göre daha ince veya daha kaba sınıflar kullanacak şekilde ayarlanabilir.

Gelecekteki doğa tahminleri için ne anlama geliyor

Uzman olmayanlar için ana mesaj, artık mevcut biyoçeşitlilik verilerini her vakayı elle ayarlamaya gerek kalmadan bir ortamda hangi türlerin muhtemelen yaygın, orta derecede veya nadir olacağını daha akıllıca değerlendirmek için kullanabileceğimizdir. Gürültülü gözlem kayıtlarını şeffaf, veri odaklı prevalans tahminlerine dönüştürerek bu çerçeve, ekolojik modellerin yaşam alanı uygunluğunu ve gelecekteki biyoçeşitlilik eğilimlerini daha gerçekçi tahmin etmesine yardımcı olur. Bu da, saha verileri eksik ve uzman süresi sınırlı olsa bile Massaciuccoli gibi sulak alanlar ve dünya çapındaki diğer birçok ekosistem için daha iyi planlamayı destekleyebilir.

Atıf: Bove, P., Bertini, A. & Coro, G. Estimating species commonness and prevalence through unsupervised methods. Sci Rep 16, 8331 (2026). https://doi.org/10.1038/s41598-026-38900-1

Anahtar kelimeler: tür prevalansı, biyoçeşitlilik modelleme, yazlık ekosistemleri, makine öğrenimi ekoloji, tür yaygınlığı