Obwohl Korallenriffe weniger als 2 % der Ozeane der Erde ausmachen, spielen sie eine entscheidende Rolle für die Gesundheit der Ozeane und gehören zu den vielfältigsten Ökosystemen der Erde. Sie beherbergen nicht nur zahlreiche Meeresarten, sondern ihre immensen Auswirkungen erstrecken sich auch auf die lokale Wirtschaft, unterstützen die Fischerei, fördern den Tourismus und schützen die Küsten vor Erosion – eine Auswirkung, die sich jedes Jahr auf Milliarden von Dollar beläuft. Mit einer übergroßen Rolle sowohl für den ökologischen als auch für den wirtschaftlichen Erfolg sollte der Schutz dieser empfindlichen Riffe eine globale Priorität sein, doch die Gesundheit der Korallenriffe auf der ganzen Welt nimmt weiter ab. Insbesondere der Klimawandel hat den Abbau von Riffen beschleunigt, und Wissenschaftler schätzen jetzt, dass mehr als die Hälfte der Korallenriffe der Welt in den letzten vier Jahrzehnten aufgrund des Klimawandels und anderer vom Menschen verursachter Faktoren verloren gegangen sind. Obwohl Wissenschaftler die Ursachen des Ausbleichens und (späteren) Todes von Korallenriffen weitgehend verstehen, gehört die Vorhersage, welche Riffe am stärksten gefährdet, welche am widerstandsfähigsten sind und welche für den Schutz priorisiert werden sollten, weiterhin zu den größten Herausforderungen auf diesem Gebiet. Organisationen wie die Khaled bin Sultan Living Oceans Foundation suchen nach Antworten auf diese Fragen, und Meereswissenschaftler auf der ganzen Welt investieren in internationale Bemühungen zur Erforschung, Erhaltung und Wiederherstellung von Korallenriffen. Mit ihrer Unterstützung hat Dr. Anderson Mayfield, PhD, seine Karriere dem Studium der Physiologie von Riffkorallen gewidmet und argumentiert, dass Wissenschaftler einen strengeren, statistisch basierten Ansatz benötigen, wenn sie den Zusammenbruch von Korallen als Reaktion darauf verstehen – und eindämmen wollen Umweltveränderungen, bevor es zu spät ist. Statistische Ansätze beschleunigen die Forschung in einem Bereich, in dem Wissenschaftler gegen die Zeit kämpfen Auf dem Gebiet der Meeresbiologie – wo so vieles dem flüchtigen Blick verborgen ist – besteht die erste Herausforderung für Wissenschaftler darin, zu beobachten und zu verstehen, wie viele Korallen dort draußen sind und wo sie sich befinden , wie gesund sie sind und welchen Risikofaktoren sie ausgesetzt sind. Die Dokumentation von Veränderungen der Riffgesundheit im Laufe der Zeit ist von größter Bedeutung, um zu verstehen, wie dieses fragile Ökosystem durch mit dem Klimawandel verbundene Faktoren wie Anstiege der Meerwassertemperatur und des Säuregehalts beeinflusst wird. Aber angesichts der unmittelbaren Bedrohung, der Korallenriffökosysteme auf der ganzen Welt ausgesetzt sind, glaubt Dr. Mayfield – ein Assistenzwissenschaftler am Atlantic Oceanographic and Meteorological Laboratory der National Oceanic and Atmospheric Administration in Miami –, dass es notwendig ist, proaktiver in der Meereswissenschaft vorzugehen , und insbesondere Bemühungen zum Schutz der Meere. Deshalb plädieren er und seine Mitarbeiter für einen statistischen Ansatz. Predictive Modeling, sagt er, kann dabei helfen, zu bestimmen, welche Riffe anfälliger für Umweltstress sind – und welche am widerstandsfähigsten sind – und es so den Geldgebern für den Naturschutz ermöglichen, gezielte Minderungsbemühungen zu priorisieren. Gesunde Korallenpolypen sind auf eine endosymbiotische Beziehung mit mikroskopisch kleinen Algen angewiesen, die in ihrem Gewebe leben. Diese Algen verleihen der Koralle ihre Farbe und dienen als Hauptnahrungsquelle. Wenn die Wassertemperaturen jedoch steigen, gerät die symbiotische Beziehung unter Stress und die Algen beginnen sich zu entfernen, wodurch die Korallen weiß werden oder „bleichen“ und verhungern. „Einige Korallen werden trotzdem bleichen“, erklärt Dr. Mayfield. „Aber es gibt andere Riffe, wo sie eher überleben werden, wenn wir einige der lokalen Belastungen lindern.“ Obwohl es schwierig ist zu entscheiden, welche Riffe am meisten schützenswert sind, haben einige, wie eine Reihe von Riffen in Südtaiwan, angesichts zunehmender Umweltbelastungen eine hohe Widerstandsfähigkeit gezeigt. „Dies scheint mir ein guter Kandidat für ein Riff zu sein, das wir für den Schutz und die Forschung priorisieren sollten, [um festzustellen], warum es so widerstandsfähig ist“, sagt er. Die Identifizierung kritischer Überlebensfaktoren könnte es Forschern wie Dr. Mayfield ermöglichen, besser vorherzusagen, welche Riffe anfälliger für Stress sind, und zukünftiges Ausbleichen an anderer Stelle zu verhindern. Steigerung der statistischen Aussagekraft wissenschaftlicher Schlussfolgerungen Die statistischen Modelle von Dr. Mayfield stellen eine deutliche Abkehr von seiner früheren Abhängigkeit von Experimenten mit in Laborbecken gezüchteten Korallenartgenossen dar, bei denen er sagt, dass die Ergebnisse statistisch nicht ausreichend aussagekräftig waren, um die natürliche Artenvariation zu berücksichtigen. Im Gegensatz dazu ermöglicht ihm die statistische Modellierung von „Big Data“ die Nutzung weltweiter Datenerhebungen (z. B. derjenigen, die auf der kürzlich abgeschlossenen „Global Reef Expedition“ der Living Oceans Foundation durchgeführt wurden, an der er beteiligt war), die sowohl tiefer als auch weiter sind geographisch weitreichender als Daten, die von einem einzelnen Wissenschaftler angehäuft werden. Beispielsweise haben sich Dr. Mayfield und seine Co-Autoren in kürzlich in Platax (2018) und Journal of Sea Research (2019) veröffentlichten Arbeiten mit Datensätzen aus wenig erforschten Regionen des Lau-Archipels von Fidschi und dem tiefen Südpazifik (Austral Islands of French Polynesien und den Cookinseln), jeweils mit einer Kombination aus univariaten und multivariaten Methoden. Kritisch untersuchten die Forscher 12 Umweltfaktoren (z. B. Temperatur, Riffstruktur, Fischbiomasse), von denen erwartet wird, dass sie die Korallenphysiologie beeinflussen. Best-Fit-Modelle, die durch schrittweise Regression und teilweise kleinste Quadrate erstellt wurden, zeigten, dass nur eine Teilmenge solcher routinemäßig bewerteter Umgebungsparameter benötigt wurde, um einen signifikanten Teil der Variation in der physiologischen Reaktion zu erklären. Obwohl festgestellt wurde, dass mehrere der Modelle in den Studien eine relativ geringe Vorhersagekapazität haben, betont Dr. Mayfield, dass die Methode dennoch ein Machbarkeitsnachweis ist, und zeigt die Idee, dass es sich lohnt, zu versuchen, zuvor gesammelte Daten zu verwenden, um Vorhersagen über Meerestiere zu treffen Tiergesundheit. Von einem Grafikrechner zu JMP® Als Dr. Mayfield seine Ausbildung in Meeresbiologie zunächst an der Duke University und dann an der University of Hawaii, Manoa, begann, war er weit davon entfernt, der ausgesprochene Befürworter statistischer Methoden zu sein, der er heute ist. Da er noch nicht wirklich mit formaler multivariater Statistik in Kontakt gekommen war – und weil die Variablen in den Panzerexperimenten seiner frühen Karriere weitgehend bekannt und streng kontrolliert waren – scherzt Mayfield, dass seine Analyse auf das beschränkt war, was mit einem Grafikrechner möglich war ( zB einfache ANOVA). Dr. Mayfields Vertrauen in rudimentäre Tools wie Taschenrechner und Microsoft Excel musste sich jedoch ändern, als sich seine Forschung auf mehr feldbasierte Projekte ausweitete, für die ein neues Maß an statistischer Raffinesse erforderlich war. Glücklicherweise begann Mayfield ungefähr zu dieser Zeit auch mit der statistischen Erkennungssoftware von JMP. Jetzt benutzt er nichts anderes mehr. „Anfangs habe ich JMP nur verwendet, um Verteilungen zu betrachten und einfache Vergleichsanalysen durchzuführen: t-Tests, ANOVAs, lineare Regression und so weiter. Ich habe wahrscheinlich höchstens 5 % dessen genutzt, was JMP leisten konnte“, erinnert er sich. Schließlich beschloss Dr. Mayfield jedoch, die anderen 95 % zu verfolgen – ein Schritt, dem er zuschreibt, dass er nicht nur die Art und Weise, wie er Daten analysiert, sondern auch die Art und Weise, wie diese Daten gesammelt werden, verändert hat. „Selbst wenn ich draußen am Riff bin, sehe ich JMP-Tabellen und -Abbildungen und denke darüber nach, wie ich die meisten Informationen aus einer Probe herausholen kann“, sagt er. Da er die Statistiken und Möglichkeiten kennt, die ihm durch JMP zur Verfügung stehen, sagt Dr. Mayfield, dass er strategische Entscheidungen darüber treffen kann, worauf er seine Aufmerksamkeit richten und welche Proben er sammeln soll, während er unter Wasser ist. „Das sind Dinge, die ich mit JMP im Voraus direkt testen kann“, sagt er. Darüber hinaus behauptet Dr. Mayfield, dass mit JMP „selbst mit der gleichen Datenmenge die Menge [der Informationen], die es uns mitteilt, exponentiell zugenommen hat“. Indem er die Statistiken ins Haus bringt, schränkt er auch seine Abhängigkeit von externen statistischen Ressourcen ein, was zwangsläufig mehr Zeit für den Forschungsprozess hinzufügt. Und Zeit ist angesichts der wachsenden Krise der Korallenbleiche eine kostbare Ressource. „Wir haben nicht wirklich den Luxus, fünf Jahre herumzusitzen und darüber nachzudenken, wie wir die Daten analysieren“, erklärt er. „Mir ist nie in den Sinn gekommen, dass ich einige dieser Ideen tatsächlich mit Coral verwenden könnte.“ Nachdem er sich die Zeit genommen hat, seine Modellierungsfähigkeiten innerhalb von JMP zu vertiefen, ist Dr. Mayfield in der Lage, mit seinen Datensätzen kreativ zu sein und einen statistischen Ansatz zu entwickeln, der frühere Daten extrahiert versteckte Informationen. Als Ideengeber schaut er sich nun an, wie andere Unternehmen und Institutionen mit ihren großen Datensätzen umgehen. Analysten in anderen Bereichen verwenden routinemäßig Verhaltensdaten, um Vorhersagealgorithmen über beispielsweise Einkaufspräferenzen oder Wartungspläne zu entwickeln – warum könnten dieselben Prinzipien nicht auf das Verhalten von Korallenriffen und ihr Überleben angewendet werden? „Wir können vielleicht nicht mit 100-prozentiger Sicherheit vorhersagen, ob eine Koralle sterben wird“, vermutet Dr. Mayfield, aber „wenn wir bereits genügend Daten darüber haben, wie sich Korallen in der Vergangenheit verhalten haben … könnten wir sagen, basierend auf unseren früheren Daten zufolge führt eine Temperaturerhöhung um ein Grad [Meerwasser] zu einer 30-prozentigen Veränderung des Korallenwachstums.“ Möglicherweise können er und seine Mitarbeiter die weltweite Datenerhebung nutzen, die im Rahmen der Global Reef Expedition der Living Oceans Foundation entwickelt wurde, um den Übergang von der Erklärung zur Vorhersage zu vollziehen. „Das sind die Dinge, die ich jetzt erforschen möchte, da ich mehr über das Angebot von JMP weiß“, sagt Dr. Mayfield. Er wiederholte jedoch schnell eine Schlüsselbotschaft aus der Pionierarbeit von Galit Shmueli (2011): Nur weil ein Datensatz hervorragend darin ist, vergangene Beobachtungen zu erklären, bedeutet dies nicht ipso facto, dass derselbe Datensatz dies notwendigerweise zulässt eine, um Vorhersagen über das zukünftige Verhalten der Zieltiere zu treffen. Das soll nicht heißen, dass Erklärungs- und Vorhersagefähigkeit niemals synchron sind; nur dass man diesen Zusammenhang empirisch validieren muss. Obwohl die Idee noch in den Kinderschuhen steckt, freut sich Dr. Mayfield darauf, die Möglichkeiten zu erforschen, die Big Data im Bereich der Physiologie von Riffkorallen bietet. Mit neuen Modellen, die in JMP entwickelt wurden, kann er ihre Vorhersagekraft mit einem umfangreichen Felddatensatz testen. „Wir werden es erst wissen, wenn wir [ein Modell] testen“, sagt er, aber glücklicherweise verfügt JMP über integrierte Plattformen, die diese Art von Modellgenauigkeitstests unterstützen; Wenn Sie Ihre Modelle erstellen, teilt Ihnen JMP mit, ob Ihr Modell für jedes Beispiel funktioniert hat. „Die Predictive-Modeling-Plattformen von JMP haben die Teile des Puzzles bereits an Ort und Stelle, sie warten nur darauf, dass diese Art von Daten kommen, damit wir damit herumspielen können.“ Dr. Mayfield sagt, er habe nicht nur von den Modellierungsfunktionen von JMP profitiert, sondern auch von den Plattformen für neuronale Netzwerke und Ausreißeranalyse. In Bezug auf Letzteres argumentiert er, anstatt Daten von Korallen mit abweichendem Verhalten (dh den Ausreißern) zu verwerfen, dass in vielen Fällen diese seltsam funktionierenden Individuen – die in seinen Datensätzen tendenziell die stressresistentesten sind – tatsächlich könnten sind diejenigen, die für Physiologen am interessantesten sind. Mit anderen Worten, solche Funktionen von JMP ermöglichen es Dr. Mayfield, die Korallenbiopsien zu identifizieren, die er priorisieren sollte, unter der realen Einschränkung, dass in vielen Fällen nicht genügend Mittel vorhanden sind, um jede Biopsie in vollem Umfang zu analysieren. Beschleunigung der Forschung durch Datentransparenz Dr. Mayfield ist sich schmerzlich bewusst, dass zahlreiche Daten ungenutzt von Forschern dahinsiechen, denen entweder die Zeit oder das statistische Wissen fehlt, um sie zu analysieren. Angesichts des Veröffentlichungsdrucks und des Wettbewerbs zwischen Wissenschaftlern zögern die meisten, ihre Daten weiterzugeben (selbst Daten, die sie bereits in veröffentlichten Arbeiten verwendet haben). Bei einem so zeitkritischen Problem wie dem Bleichen von Korallenriffen könnte der Datenaustausch jedoch ein Schlüsselfaktor sein, um den Stand der Wissenschaft zu beschleunigen und die effektivsten Schutzstrategien zu bestimmen. „Gerade auf unserem Gebiet sollten [Wissenschaftler] offener damit umgehen, wie sie die Daten analysieren, und sich ernsthaft bemühen, sie zu veröffentlichen. Es bringt nichts, nur am Computer zu sitzen“, sagt er. Und Dr. Mayfield geht mit gutem Beispiel voran – JMP gibt ihm die Werkzeuge an die Hand, um die Transparenz seiner eigenen Forschung zu fördern, wie z. B. interaktive HTML-Funktionen, die Datenanalysen in Echtzeit ermöglichen. „JMP hat mir so viele Ideen gegeben – neue Möglichkeiten, meine Daten interaktiver zu gestalten, und zwar nicht nur in Bezug auf die Visualisierung, sondern den Leuten den Denkprozess hinter meiner Analyse zu zeigen“, sagt er. Neben der Veröffentlichung von Datensätzen auf seiner persönlichen Website coralreefdiagnostics.com verwendet Dr. Mayfield jetzt JMP Public als Mittel zur Verbreitung dynamischer Visualisierungen. Die Datenfilterfähigkeit der Software, sagt er, erlaubt es seinen Mitarbeitern und anderen interessierten Personen, Korallen zu „finden“, die bestimmte Merkmale im Datensatz aufweisen – zum Beispiel eine gebleichte Koralle aus Fidschi, die fluoreszierende Proteine überexprimiert. Diese Funktion in JMP Public wird es sowohl gegenwärtigen als auch zukünftigen Mitarbeitern ermöglichen, schnell Proben zu identifizieren, die sie genauer analysieren möchten, seien es archivierte Biopsien oder die GPS-Koordinaten der ursprünglich beprobten Korallenkolonien selbst. > Sehen Sie sich eine Hauptkomponentenanalyse in JMP Public an, die Riffdaten von Fidschi zeigt „Die meisten Leute werden einschlafen, wenn Sie ihnen einen einstündigen Vortrag über Statistik halten, aber vielleicht könnten sie nur sehen, wie Sie von dieser Datentabelle zu dieser Zahl gekommen sind ... die Zuschauer würden dann mehr Vertrauen in Ihre Daten haben.“ Dr. Mayfield hofft, dass er durch die Offenlegung der Details seiner eigenen Forschung und durch die Verbesserung der Reproduzierbarkeit seiner Methoden Kollegen zu ähnlicher Transparenz ermutigen und das Feld zusammenbringen kann, um konkrete Lösungen für den Rückgang der Korallenriffe zu finden. „Möglicherweise haben wir bereits alle Daten, die wir benötigen, um bestimmte Probleme mit Korallenriffen anzugehen“, sagt Dr. Mayfield. „Wir analysieren sie einfach nicht richtig.“ JMP könnte das ändern. Und jetzt ist Dr. Mayfields Forschung nur durch die Fragen begrenzt, die er stellt. Referenzen Mayfield AB, Dempsey AC, Inamdar J, Chen CS (2018), Eine statistische Plattform zur Bewertung der Korallengesundheit in einer Ära des sich ändernden globalen Klimas-I: Eine Fallstudie aus Fidschis Lau-Archipel.Platax 15, 1-35. Mayfield AB, Chen CS, Dempsey AC (2019), Modellierung umweltbedingter Variationen in der Physiologie von Riffkorallen.Zeitschrift für Meeresforschung 145, 44-54. Shmueli G (2011), Erklären oder vorhersagen?Statistical Science 25(3), 289-310.
