بر اساس تحقیقات انجام شده در دانشگاه بیرمنگام، کارشناسان می توانند با استفاده از هوش مصنوعی برای یادگیری از تغییرات محیطی گذشته، تصمیمات مهمی در مورد مدیریت تنوع زیستی در آینده بگیرند.

تیمی به رهبری دانشکده علوم زیستی دانشگاه، «چارچوب ماشین زمان» را پیشنهاد کرده‌اند که به تصمیم‌گیرندگان کمک می‌کند تا به طور موثر به گذشته برگردند تا پیوندهای بین تنوع زیستی، رویدادهای آلودگی و تغییرات محیطی مانند تغییرات آب و هوایی را در زمان وقوع و مشاهده کنند.

در مقاله جدیدی که در Trends in Ecology and Evolution منتشر شده است، تیم نشان می دهد که چگونه می توان از این بینش ها برای پیش بینی آینده خدمات اکوسیستمی مانند کاهش تغییرات آب و هوا، تهیه غذا و آب پاک استفاده کرد. با استفاده از این اطلاعات، ذینفعان می توانند اقداماتی را که بیشترین تأثیر را دارند، اولویت بندی کنند.

محقق اصلی، دکتر لویزا اورسینی، دانشیار دانشگاه بیرمنگام و عضو موسسه آلن تورینگ است. او توضیح داد: "تنوع زیستی بسیاری از خدمات اکوسیستم را حفظ می کند. با این حال، این خدمات با سرعت هشدار دهنده ای در حال کاهش هستند. همانطور که در مورد موضوعات حیاتی مانند اینها در اجلاس COP26 در گلاسکو بحث می کنیم، ممکن است بیش از هر زمان دیگری آگاه باشیم که نسل های آینده ممکن است نتوانند از طبیعت لذت ببرند. اگر نتوانیم از تنوع زیستی محافظت کنیم، خدمات ارائه می کنیم."

از دست دادن تنوع زیستی در طی سالیان متمادی اتفاق می افتد و اغلب به دلیل اثر تجمعی تهدیدات زیست محیطی متعدد ایجاد می شود.

به گفته محققان، تنها با کمی کردن تنوع زیستی قبل، در طول و بعد از رویدادهای آلودگی، می توان علل تنوع زیستی و از بین رفتن خدمات اکوسیستم را شناسایی کرد.

مدیریت تنوع زیستی در عین حصول اطمینان از ارائه خدمات اکوسیستمی یک مشکل پیچیده به دلیل منابع محدود، اهداف رقابتی و نیاز به سودآوری اقتصادی است. حفاظت از هر گونه غیرممکن است.

چارچوب ماشین زمان راهی برای اولویت بندی رویکردهای حفاظتی و مداخلات کاهش ارائه می دهد. این چارچوب از تخصص زیست شناسان، بوم شناسان، دانشمندان محیط زیست، دانشمندان کامپیوتر و اقتصاددانان استفاده می کند.

این نتیجه یک همکاری بین رشته‌ای بین دانشگاه بیرمنگام، موسسه آلن تورینگ، دانشگاه لیدز، دانشگاه کاردیف، دانشگاه کالیفرنیا برکلی، دانشگاه آمریکایی پاریس و دانشگاه گوته فرانکفورت است.

220000823.055