Automated conservation assessment of the orchid family with deep learning. Issue 3 (9th November 2020)

• Record Type: Journal Article
• Authors: Zizka, Alexander; Silvestro, Daniele; Vitt, Pati; Knight, Tiffany M.
• Is Part Of: Conservation biology. Volume 35:Issue 3(2021)
• Page Start: 897
• Page End: 908
• Publication Date: 2020-11-09
• Subjects: biodiversity -- data quality -- IUC‐NN -- IUCN Red List -- machine learning -- Orchidaceae -- sampling bias -- aprendizaje mecánico -- biodiversidad -- calidad de datos -- IUC‐NN -- Lista Roja UICN -- Orchidaceae -- sesgo de muestreo; Conservation biology -- Periodicals; 333.9516
• DOI: 10.1111/cobi.13616
• Languages: English
• ISSNs: 0888-8892

Abstract

Abstract: International Union for Conservation of Nature (IUCN) Red List assessments are essential for prioritizing conservation needs but are resource intensive and therefore available only for a fraction of global species richness. Automated conservation assessments based on digitally available geographic occurrence records can be a rapid alternative, but it is unclear how reliable these assessments are. We conducted automated conservation assessments for 13, 910 species (47.3% of the known species in the family) of the diverse and globally distributed orchid family (Orchidaceae), for which most species (13, 049) were previously unassessed by IUCN. We used a novel method based on a deep neural network (IUC‐NN). We identified 4, 342 orchid species (31.2% of the evaluated species) as possibly threatened with extinction (equivalent to IUCN categories critically endangered [CR], endangered [EN], or vulnerable [VU]) and Madagascar, East Africa, Southeast Asia, and several oceanic islands as priority areas for orchid conservation. Orchidaceae provided a model with which to test the sensitivity of automated assessment methods to problems with data availability, data quality, and geographic sampling bias. The IUC‐NN identified possibly threatened species with an accuracy of 84.3%, with significantly lower geographic evaluation bias relative to the IUCN Red List and was robust even when data availability was low and there were geographic errors in the input data. Overall, our results demonstrate that automated assessments have an important role to play in identifying species at the greatest risk of extinction. Abstract : Article impact statement : An automated conservation assessment with deep learning reveals global centers of orchid extinction risk. Abstract : Evaluación Automatizada de la Conservación de la Familia Orchidaceae mediante Aprendizaje Profundo Resumen: Los análisis de la Lista Roja de la Unión Internacional para la Conservación de la Naturaleza (UICN) son esenciales para la priorización de las necesidades de conservación, pero requieren de muchos recursos y por lo tanto están disponibles sólo para una fracción de la riqueza mundial de especies. Las evaluaciones automatizadas de la conservación basadas en los registros disponibles de presencia geográfica pueden ser una alternativa rápida pero no está claro cuán confiables son estas evaluaciones. Realizamos evaluaciones automatizadas de la conservación para 13, 910 especies (47.3% de las especies conocidas de la familia) de la diversa y mundialmente distribuida familia de las orquídeas (Orchidaceae), en la cual la mayoría de las especies (13, 049) no tenían una valoración previa por parte de la UICN. Usamos un método novedoso basado en una red neural profunda (IUC‐NN). Identificamos 4, 342 especies de orquídeas (31.2% de las especies evaluadas) como posiblemente amenazadas por la extinción (equivalente a las categorías de la UICN en peligro crítico [CR], en peligro [EN] o vulnerable [VU]) y a Madagascar, África Occidental, el sudeste de Asia y varias islas oceánicas como áreas prioritarias para la conservación de orquídeas. La familia Orchidaceae proporcionó un modelo con el cual probar la sensibilidad de los métodos de evaluación automatizada ante problemas con la disponibilidad de datos, la calidad de los datos y los sesgos de muestreo geográfico. La IUC‐NN identificó posibles especies amenazadas con una certeza de 84.3% con un sesgo de evaluación geográfica significativamente más bajo en relación con la Lista Roja de la UICN y mostró solidez incluso cuando la disponibilidad de datos fue baja y hubo errores geográficos en los datos de entrada. En general, nuestros resultados demostraron que las evaluaciones automatizadas tienen un papel importante que desempeñar en la identificación de especies con mayor riesgo de extinción.