A partir da análise de um conjunto de dados estatísticos, o aprendizado de máquina consegue detectar padrões e prever, por exemplo, as preferências musicais de uma pessoa. Aproveitando essa possibilidade de antecipação, pesquisadores do Laboratório de Ecologia Global da Flinders University têm usado a inteligência artificial (IA) para identificar interações entre espécies, antever quais delas têm maior probabilidade de extinção e, assim, planejar intervenções protetivas eficazes.
O algoritmo utilizado pela equipe, chamado Random Forest, aprende características relacionadas às espécies a partir de informações de como elas interagem. Para testar a IA, os pesquisadores avaliaram se ela conseguiria prever, com precisão, a relação predador-presa entre duas classes de vertebrados terrestres: aves e mamíferos. A solução previu corretamente de 67% a 88% da relação das interações e não interações nos conjuntos de dados globais analisados.
A expectativa é de que a ferramenta possa ajudar a entender como se dá às relações de cadeia alimentar nos ecossistemas terrestres de forma realista, minimizando o risco de extinção em cascata. “Ao saber quais espécies interagem, podemos identificar como distúrbios ambientais, como mudanças climáticas e espécies introduzidas, podem ter efeitos em cascata nas comunidades ecológicas. Isso nos permite entender como as extinções acontecem”, explica, em nota, John Llewelyn, primeiro autor do estudo, publicado na revista Ecography.
Coextinção
Além disso, eles avaliam que o Random Forest poderá ajudar a evitar coextinções, que são fenômenos de perda ou declínio de uma espécie por consequência do desaparecimento de outra, como um predador que se extingue após a perda de sua presa. “Muitas dessas extinções são mediadas por interações de espécies, desencadeadas pela perda ou ganho. Descobrimos que o aprendizado de máquina pode prever quem come quem em um mundo de espécies conectadas”, afirma Llewelyn.
Há ainda a possibilidade de a ferramenta ajudar a encontrar respostas sobre como se relacionaram animais antigos e já extintos. “Podemos usar esse método para preencher as muitas lacunas que temos em nosso conhecimento sobre as interações das espécies”, aposta Llewelyn. Em estudos anteriores, em que o algoritmo foi aplicado em comunidades aquáticas e de invertebrados, os resultados apontaram desempenho superior ao da análise mais recente. Por isso, a equipe deseja expandir o banco de dados de aves e mamíferos para que o algoritmo possa ser aprimorado quanto à precisão de identificação.
