利用深度学习建模物种分布以预测植物灭绝风险并评估气候变化影响

2020年后全球生物多样性框架需要基于研究的宏伟目标。估计气候变化导致的加速灭绝风险至关重要。世界自然保护联盟(IUCN)衡量物种灭绝风险。已开发自动方法为评估不足的分类群提供IUCN状态信息。然而，这些补偿方法基于当前物种特征（主要是地理特征），无法用于未来预测。本文评估了一种新方法，利用基于深度学习的物种分布模型的泛化能力对物种IUCN状态进行分类。我们的方法在匹配最先进分类性能的同时，依赖于灵活的基于SDM的特征，这些特征捕捉了物种的环境偏好。交叉验证显示，状态分类的平均准确率为0.61，二分类为0.78。气候变化将重塑未来物种分布。在物种-环境平衡假设下，SDM投影近似合理的未来结果。考虑了两种极端物种扩散能力：无限或零。将投影的物种分布转化为特征，输入我们的IUCN分类方法。最后，分析受威胁物种随时间的变化趋势，并按大陆、平均纬度或海拔进行分组。全球受威胁物种比例正在增加，非洲、亚洲和南美洲的比率尤为关键。此外，受威胁物种比例预计在热带、赤道、低地和海拔800-1500米处达到峰值。