Kako bi efikasnije zaštitili biodiverzitet u doba klimatskih promjena, ekolozi prvo moraju znati gdje se vrste nalaze, a zatim predvidjeti kako će se njihova staništa mijenjati u budućnosti.
U tu svrhu koriste se modeli distribucije vrsta, koji na osnovu posmatračkih podataka i klimatskih scenarija procjenjuju gdje bi pojedine vrste mogle živjeti.
Međutim, ovi modeli imaju važan problem, često ne znaju dobro da procijene neizvjesnost. Ako su podaci o vrsti oskudni, ako klimatski faktori nisu dovoljno poznati ili ako je model nedovoljno precizan, rezultati mogu biti nepouzdani.
Naučnici sa Univerziteta u Montrealu pokušavaju da riješe ovaj problem koristeći tehniku mašinskog učenja poznatu kao konformna predikcija, koja do sada nije bila široko korištena u istraživanju biodiverziteta.
Cilj je da se bolje procijeni kada model griješi i koliko mu možemo vjerovati.
Da bi testirali svoju metodu, istraživači su koristili neobičan skup podataka, navodna viđenja Bigfuta (Saskvača), mitskog bića za koje se tvrdi da živi u šumama Sjeverne Amerike.
Iako zvuči neozbiljno, naučnici objašnjavaju da je ovaj skup podataka koristan jer je dovoljno velik, realno neuredan i sličan stvarnim “šumskim” podacima iz prirode.
Jedan od istraživača je rekao:
„Simulirani podaci su često previše savršeni. Podaci o Bigfootu, koliko god neobični bili, bliži su stvarnim podacima koje dobijamo u ekologiji.“
Novi pristup omogućava da se unaprijed odredi nivo rizika koji je prihvatljiv.
To znači da se može birati:
- koliko smo spremni da “rizikujemo” pogrešnu procjenu
- da li želimo ranije otkriti invazivne vrste ili maksimalno zaštititi ugrožene
- kako će se neizvjesnost mijenjati u budućim klimatskim uslovima
Naučnici su otkrili da se neizvjesnost modela ne ponaša uvijek kako se očekivalo.
U nekim slučajevima, područja sa najvećim klimatskim promjenama nisu imala najveću neizvjesnost modela, što sugeriše da AI modeli mogu bolje generalizovati nego što se ranije mislilo, ali i dalje zadržavaju određene granice pouzdanosti.
Drugim riječima, čak i kada se klima značajno mijenja, modeli ponekad ostaju stabilniji nego što bi naučnici očekivali.