Ihmisvaikutuksen myötä maailman luonnon monimuotoisuus vähenee kiihtyvällä tahdilla. Rajallisten suojeluresurssien vuoksi lajien uhanalaisuusaste on tärkeää määrittää, jotta suojelutoimet voidaan kohdistaa eniten suojelua tarvitseviin lajeihin. Lajien uhanalaisuuden määrittämiseen käytetään yhä enenevissä määrin kansainvälisen luonnonsuojeluliiton (IUCN) maailmanlaajuista uhanalaisuuden luokittelumenetelmää. Luokittelumenetelmä ei sellaisenaan huomioi lajien luokitteluun liittyvää epävarmuutta, mutta Bayes-menetelmien avulla epävarmuutta voidaan esittää ja tarkastella todennäköisyysmuodossa.
Tämän tutkimuksen tarkoituksena oli kuvata IUCN:n uhanalaisuusluokittelumenetelmän logiikka ja luokittelukriteerit Bayes-verkkojen avulla ja tarkastella uhanalaisuusluokitteluun liittyvän epävarmuuden esittämistä ja sen vaikutuksia lajien luokitteluun. Bayes-verkot ovat matemaattisia, verkkokaavioiden avulla kuvattavia malleja, joiden avulla voidaan mallintaa epävarmaa tietoa todennäköisyysjakaumien avulla.
Tutkimuksen myötä rakennettiin neljä erilaista eri laskentaperiaatteisiin perustuvaa IUCN:n luokittelumenetelmää kuvaavaa todennäköisyysmallia. Mallien toimivuutta tarkasteltiin haastattelemalla Suomen vuoden 2010 uhanalaisuusarvioinnissa mukana olleita eri lajityöryhmien edustajia. Asiantuntijahaastattelujen tarkoituksena oli mm. tarkastella uhanalaisiin lajeihin liittyvän epävarmuuden esittämistä mallien avulla todellisen uhanalaisuusaineiston ja asiantuntijatiedon avulla ja vertailla haastatteluissa saatavia luokittelutuloksia vuoden 2010 arvioinnin tuloksiin.
Tutkimuksessa havaittiin, että uhanalaisuusluokitteluun liittyvän epävarmuuden ilmaiseminen on tärkeää ja vaikuttaa luokittelutuloksiin. Keskeinen havainto oli, että kun uhanalaisuusluokitteluun liittyvää epävarmuutta oli mahdollista ilmaista todennäköisyysmallien avulla, luokiteltavien lajien uhanalaisuusluokka muuttui useissa tapauksissa. Kaikissa näissä tapauksissa muutos oli luokan nouseminen aiempaa uhanalaisemmaksi. Epävarmuuden ilmaisemisen tärkeyttä korostavat myös asiantuntijahaastattelujen tulokset, joiden mukaan suurin osa lajien luokitteluun liittyvästä tiedosta on jollakin tasolla epävarmaa.
Tutkimuksessa ilmeni, että Bayes-verkkojen käyttö uhanalaisuusluokittelussa epävarman tiedon tarkastelussa on hyödyllistä, sillä malleja käytettäessä uhanalaisuuden luokittelukriteereihin liittyvä epävarmuuden aste välittyy selvästi todennäköisyysmuodossa ja luokittelukriteerien keskinäisten vaikutussuhteiden hahmottaminen on selkeää. Lisäksi luokittelua kuvaavien graafisten mallien tarkastelu auttaa hahmottamaan ja ymmärtämään kriteerien avulla tapahtuvaa luokittelukäytäntöä. Uhanalaisuusmallien käyttö lisää myös luokittelun järjestelmällisyyttä ja selkeyttää ja yhdenmukaistaa käytännön luokittelutyötä, esim. luokitteluehtojen toteutuminen voidaan aiempaa paremmin varmistaa mallien avulla. Bayes-verkkojen käyttäminen uhanalaisuusluokittelussa on hyödyllistä myös siksi, että menetelmän käyttö saattaa mahdollistaa uusien lajien tarkastelun ja arvioimisen.
Haastatteluihin osallistuneiden asiantuntijoiden suhtautuminen todennäköisyysmallinnukseen oli positiivista, joten menetelmää olisi hyödyllistä soveltaa ja kehittää edelleen niin, että sitä voitaisiin jatkossa hyödyntää epävarman tiedon tarkastelussa käytännön luokittelutyössä.
