La plupart des 10, 000 navires perdus au fond des Grands Lacs dans des épaves au cours des 400 dernières années sont toujours perdus – cachés quelque part dans 6 quadrillions de gallons d'eau. Trouver quelque chose dans un lac est une leçon d'humilité, donc la vie en tant que biologiste d'eau douce est toujours une leçon d'humilité. Si nous ne pouvons pas tenir compte des énormes cargos en acier, imaginez le défi de trouver un seul organisme minuscule.

Mais il est crucial de détecter les espèces envahissantes le plus tôt possible. Les espèces aquatiques envahissantes causent des milliards de dollars de dommages économiques, et les régulateurs fondent des décisions de gestion de plusieurs millions de dollars sur la capacité des scientifiques et des gestionnaires à les détecter. Il est beaucoup plus rentable d'investir dans des mesures de prévention que de réagir après l'établissement d'une espèce. Et les populations à faible densité sont plus faciles à gérer que les espèces qui ont envahi un écosystème.

Mais depuis le financement, le matériel et le temps sont limités, les scientifiques ne peuvent souvent échantillonner les espèces envahissantes que sur de petites fractions de zones vulnérables. En aggravant le défi, nos espèces cibles ont tendance à se cacher à de faibles densités - c'est-à-dire, ils sont rares dans la plupart des endroits.

J'ai passé huit ans à étudier la puce d'eau épineuse ( Bythotrephes longimanus ), un zooplancton envahissant, dans le Wisconsin. Dans une étude récente, J'ai travaillé avec mes collègues Eric Pedersen et Jake Vander Zanden pour développer un cadre théorique qui utilise les mathématiques et la modélisation informatique pour améliorer la détection des espèces envahissantes à faible densité.

Notre modèle fournit une règle empirique simple pour concevoir des programmes de surveillance sans autre information qu'une estimation des densités de population attendues. En d'autres termes, si les gestionnaires ont une compréhension approximative du nombre d'individus dans un système, nos modèles peuvent fournir des informations de base sur l'effort qu'ils doivent investir dans l'échantillonnage afin de détecter les espèces de manière fiable. Alternativement, nos modèles peuvent aider les gestionnaires à estimer si leurs efforts actuels sont efficaces pour détecter les populations au début du processus d'invasion.

Une trouvaille tardive

Pour nous, ce défi était personnel. La puce d'eau épineuse a bouleversé la chaîne alimentaire de notre propre lac Mendota à Madison, Wisconsin.

Dans la plupart des lacs, il n'est pas surprenant de manquer de nouvelles invasions biologiques. Mais le lac Mendota est l'un des lacs les plus étudiés au monde, et nous l'avons échantillonné plus de 200 fois au cours de la décennie qui a précédé la détection de la puce.

Le zooplancton est de minuscules organismes :la puce d'eau épineuse mesure moins d'un demi-pouce de long. Pour les trouver, nous traînons un filet en forme de cône dans l'eau. Le filet mesure près de 6 pieds de long, avec un cerceau d'environ un pied et demi de diamètre à une extrémité et une coupe de collecte qui piège le zooplancton capturé à l'autre. Pour chaque 10 pieds que nous tirons le filet à travers le lac, nous échantillonnons près de 160 gallons d'eau - une quantité qui serait difficile à transporter, mais ne représente qu'un milliardième du volume du lac Mendota.

En premier, l'invasion du lac Mendota par la puce d'eau épineuse semblait être le plus simple des défis de détection. Lorsque nous avons identifié sa présence pour la première fois en 2009, nos filets regorgeaient d'épines de queue de largeur rose et de taches oculaires noires de jais. Nous avons estimé que ces densités correspondraient à une population panlacustre de milliers de milliards.

Mais au fur et à mesure que nous en apprenions plus, nous avons découvert que les puces étaient probablement dans le lac depuis une dizaine d'années avant d'apparaître en masses que nous appelions « compote de pommes aux puces d'eau épineuses » dans nos pots de collecte.

Règles de base pour détecter les espèces envahissantes

Bien que cette prise de conscience ait été un choc, notre travail a révélé que ce n'était pas vraiment surprenant. Étant donné que les espèces envahissantes se cachent souvent à de faibles densités, l'absence de populations envahissantes est plus probablement la règle que l'exception, même dans des écosystèmes bien surveillés.

La détection des espèces envahissantes est la première étape de toute stratégie de gestion, et la détection précoce est difficile mais essentielle pour gérer efficacement les envahisseurs nuisibles, comme la carpe asiatique et les moules zébrées. Ne pas détecter la puce d'eau épineuse a été une pierre d'achoppement clé dans la gestion de sa propagation dans le Midwest. Une dynamique similaire se produit avec d'autres espèces envahissantes, including medflies in California and Didymo algae, also known as "rock snot, " which is causing blooms in rivers across North America.

We wanted to see whether there were ways to make detection more effective. Pour faire ça, we used theoretical models that explore detection at low densities to provide simple rules of thumb that aim to improve the process.

At low densities, detecting a small invasive organism in a large area can be nearly impossible without extraordinary effort. Even if there were one spiny water flea for every cubic meter of water in Lake Mendota, en attraper un dans un filet serait comme trouver une graine de sésame dans environ 250 gallons d'eau.

Cependant, managers can dramatically improve detection rates by targeting their sampling to areas or time periods when the target species is likely to be present at higher densities. Humans do this naturally when we have the necessary information. Par exemple, I don't search grocery stores randomly for blueberries – I look in the produce section, mainly in late summer when blueberries are in season in Wisconsin.

The spiny water flea is most abundant in fall. By doubling search efforts in the fall, we calculated that managers would improve detection as much as if they doubled efforts over the entire year.

Targeting is particularly important in multi-species surveys. Managers often look for multiple invasive species when they are sampling, but we concluded in our study that it's much more efficient to target each species separately if they differ in when or where they are most abundant. And the greater the difference, the greater the benefit from sampling for them separately.

It also helps to identify locations that are vulnerable to invasion. If a manager is tasked with monitoring a dozen lakes, she could either spread effort equally among them or use information about what kinds of lakes the invader tends to invade to target vulnerable lakes. Focusing efforts on a smaller number of vulnerable lakes, instead of sampling all 12, might be enough to overcome the challenges of detecting species at low densities.

Detection is key to control

Invasive species cause enormous ecological and economic harm. As just one example, invasive insects do some US$13 billion in damage yearly to crops in the United States.

Our rules of thumb can help scientists and managers work smarter. Finalement, bien que, the United States needs to invest much more in effective and comprehensive invasive species prevention efforts to prevent future ecological and economic harm by invasive species.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.