Predicting the conservation status of data‐deficient species

Abstract

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. Predeccion del Estado de Conservacion de Especies con Deficiencia de Datos Resumen Existe poca apreciacion del nivel de riesgo de extincion que enfrenta un sexto de las mas de 65, 000 especies evaluadas por la Union Internacional para la Conservacion de la Naturaleza. La determinacion 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 interrupcion en el conocimiento, usamos modelos predictivos incorporando la historia de vida de las especies, geografia e informacion sobre las amenazas para predecir el estado de conservacion de mamiferos terrestres con DD. Construimos los modelos con siete herramientas que aprenden de maquinas (ML, en ingles) entrenadas con especies de estado conocido. Los modelos resultantes mostraron una precision muy alta en la clasificacion 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 extincion, lo que incrementa la proporcion estimada de mamiferos terrestres amenazadas de 22% a 27%. Las regiones que se predijo tendrian un gran numero de especies con DD amenazadas ya son prioridades de conservacion, pero las especies en estas areas muestran un nivel de riesgo considerablemente mas alto que el que se reconocia 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 informacion sobre las especies con DD por lo tanto puede ayudar a aliviar la interrupcion de datos en los indicadores de la biodiversidad y a conservar a la biodiversidad de la que se conoce poco.