Faire des prédictions à l’échelle mondiale sur les espèces de plantes à protéger

Le statut de conservation de la majorité des espèces de plantes est aujourd’hui inconnu, malgré la place fondamentale des plantes dans les écosystèmes. Pour faciliter la définition des priorités en matière de conservation, une équipe de chercheurs de l’Université d’État de l’Ohio a développé un protocole de prédiction utilisant le machine-learning pour définir le statut de conservation d’environ 150 000 espèces de plantes. Cette étude utilise des données open-source concernant la géographie, l’environnement et la morphologie des plantes.

Les résultats suggèrent que plus de 15 000 espèces sont probablement considérées comme quasi menacées, vulnérables, en voie de disparition ou gravement menacées.

Cette approche permettra aux défenseurs de l’environnement et aux chercheurs d’identifier les espèces les plus menacées et de déterminer les zones géographiques dans lesquelles ces espèces sont fortement concentrées.

« Les plantes constituent l’habitat de base dont toutes les espèces dépendent. Il était donc logique de commencer par elles », a déclaré Bryan Carstens, professeur en évolution, écologie et biologie des organismes au sien de l’Université de l’Ohio. « Souvent, en matière de conservation, les gens se concentrent sur les gros animaux charismatiques, mais c’est l’habitat qui compte. Nous pouvons protéger tous les lions, les tigres et les éléphants que nous voulons, mais ils doivent avoir un endroit où vivre. »

« The conservation status of most plant species is currently unknown, despite the fundamental role of plants in ecosystem health. To facilitate the costly process of conservation assessment, we developed a predictive protocol using a machine-learning approach to predict conservation status of over 150,000 land plant species. Our study uses open-source geographic, environmental, and morphological trait data, making this the largest assessment of conservation risk to date and the only global assessment for plants. Our results indicate that a large number of unassessed species are likely at risk and identify several geographic regions with the highest need of conservation efforts, many of which are not currently recognized as regions of global concern. By providing conservation-relevant predictions at multiple spatial and taxonomic scales, predictive frameworks such as the one developed here fill a pressing need for biodiversity science. »