Χάρης Αποστολίδης, Παρασκευή Κ. Καραχλέ, Σμαράγδα Δεσπότη, Αμαλία Γιαννακάκη, Αθανάσιος Τσίκληρας και Κωνσταντίνος Ι. Στεργίου
Εργαστήριο Ιχθυολογίας, Τμήμα Βιολογίας, ΑΠΘ, [email protected]
Γενικά, κατά την αλιευτική διαχείριση γίνεται χρήση εκείνων των δεδομένων (data sets) που έχουν αποκτηθεί από το μελετώμενο απόθεμα άμεσα από την αλιεία, ενώ παραβλέπονται παρόμοια δεδομένα για το ίδιο είδος από άλλες περιοχές. Σε περιπτώσεις, όμως, που δεν υπάρχουν άμεσα διαθέσιμα δεδομένα για έναν ιχθυοπληθυσμό από μια συγκεκριμένη περιοχή, και μέσα από την προληπτική προσέγγιση (precautionary approach) στη διαχείριση, χρησιμοποιούνται δεδομένα από άλλους ιχθυοπληθυσμούς του ίδιου είδους σε άλλες περιοχές. Εύλογα, λοιπόν, θα μπορούσε να αναρωτηθεί κανείς, γιατί να μη συμπεριλάβουμε στη διαχείριση ενός πληθυσμού για τον οποίο έχουμε δεδομένα και άλλες πληροφορίες από άλλες περιοχές (δηλαδή να συνδυάσουμε τη νέα με την ήδη υπάρχουσα γνώση);
Επιπλέον, κατά την εφαρμογή μεδόθων αλιευτικής διαχείρισης, ένα από τα βασικά σημεία, είναι η αντιμετώπιση της αβεβαιότητας. Δεν μπορούμε να είμαστε βέβαιοι για το μέγεθος και τις προοπτικές του διαχειριζόμενου ιχθυαποθέματος (δηλαδή πόσα ψάρια υπάρχουν στη θάλασσα ή πόσο μεγάλος είναι ένας ιχθυοπληθυσμός ή αν τα νεαρά άτομα που εισέρχονται στον πληθυσμό έχουν ικανό αριθμό και την πιθανότητα να μεγαλώσουν και να στηρίξουν μελλοντικά την αλιεία). Όμως οι παραδοσιακές τεχνικές ανάλυσης της δυναμικής των ιχθυοπληθυσμών αντιμετωπίζουν κάποιες βιολογικές και αλιευτικές παραμέτρους που επηρεάζουν τους ιχθυοπληθυσμούς (π.χ. θνησιμότητα, μέγιστη ηλικία, αλιευτική προσπάθεια, επιλεκτικότητα αλιευτικών εργαλείων) όχι ως μεταβλητές που εμπίπτουν σε ένα εύρος πιθανών και λιγότερων πιθανών τιμών (κατανομή πιθανότητας) αλλά ως σταθερές την τιμή των οποίων μάλιστα γνωρίζουμε με απόλυτη ακρίβεια.
Όλες οι παραπάνω αδυναμίες μπορούν να αντιμετωπιστούν από την Bayesian στατιστική που στις μέρες μας χρησιμοποιείται όλο και περισσότερο σε διάφορους τομείς της επιστήμης. Αξίζει να αναφερθεί ότι ολόκληρη η Bayesian στατιστική στηρίζεται αποκλειστικά στην εφαρμογή ενός απλού θεωρήματος (Θεώρημα του Bayes) που προδημοσιεύτηκε το 1763. Άρχισε όμως να χρησιμοποιείται έντονα μόλις το δεύτερο μισό του 19ου αιώνα όταν ανακαλύφθηκαν υπολογιστικές μέθοδοι ικανές να λύνουν (για την ακρίβεια να παρακάμπτουν τη λύση) τα δύσκολα ολοκληρώματα που προέκυπταν από την εφαρμογή του.
Η Ευρωπαϊκή Ένωση χρηματοδοτεί, μέσα από το 7ο πλαίσιο, το πρόγραμμα με τίτλο ECOKNOWS – Αποτελεσματική χρήση της γνώσης από την οικολογία και βιολογία στην αλιεία, το οποίο θα διαρκέσει μέχρι το 2014 (περισσότερες πληροφορίες στο διαδικτυακό τόπο: www.ecoknows.eu). Το πρόγραμμα αυτό έχει ως στόχο την ανάπτυξη μοντέλων, ώστε να αντιμετωπιστεί η αβεβαιότητα στην αλιευτική διαχείριση, να αξιολογηθούν διάφορα διαχειριστικά σενάρια και τέλος να διερευνηθεί ποιες παράμετροι επηρεάζουν περισσότερο το αποτέλεσμα ή με άλλα λόγια σε ποιες παραμέτρους θα πρέπει να επενδύσουμε χρόνο και χρήμα συλλέγοντας δεδομένα. Το τελευταίο μπορεί να αποτελέσει και τη βάση του σχεδιασμού της επιστημονικής χρηματοδότησης. Στους συμμετέχοντες περιλαμβάνονται 13 ερευνητικοί οργανισμοί από όλον τον κόσμο, με το Πανεπιστήμιο του Ελσίνκι (Φινλανδία), να έχει το γενικό συντονισμό. Για να επιτευχθεί αυτό θα χρησιμοποιηθούν μαθηματικές προσεγγίσεις, με τη χρήση Bayesian μεθόδων, όπου: 1) θα αξιοποιηθεί η ήδη διαθέσιμη πληροφορία, όπως αυτή είναι καταχωρημένη στη FishBase (www.fishbase.org), τη μεγαλύτερη ηλεκτρονική βάση δεδομένων για τα ψάρια, 2) θα συγκεντρωθεί επιπλέον πληροφορία από την ήδη υπάρχουσα βιβλιογραφία και 3) θα γίνει εξαγωγή (elicitation) και ποσοτικοποίηση της γνώσης των ειδικών (π.χ. αλιευτικοί επιστήμονες και ψαράδες).
Οι Bayesian στατιστικές μέθοδοι και η εφαρμογή τους στην αλιευτική διαχείριση
Οι παραδοσιακές στατιστικές μέθοδοι ανάλυσης βασίζονται στην αντιμετώπιση των επιστημονικών ερωτημάτων ως de novo διαδικασία χωρίς να λαμβάνουν καθόλου υπόψη προηγούμενες μελέτες και εμπειρίες, στηριζόμενες στην παραδοχή ότι τα νέα δεδομένα προς ανάλυση καλύπτουν τις απαιτήσεις των αναλύσεων. Έτσι, παραβλέπεται η προϋπάρχουσα γνώση, ενώ οι επιστήμονες δελεάζονται στο να επιδεικνύουν υπερβάλλουσα βεβαιότητα. Επιπλέον, στην απουσία πρωτογενών δεδομένων οι παραδοσιακές μέθοδοι δεν μπορούν να φτάσουν σε κανένα συμπέρασμα και οι επιστήμονες απλά σηκώνουν τα χέρια ψηλά.
Αντίθετα, η Bayesian μεθοδολογία, ένας κλάδος της στατιστικής που εφαρμόζεται ιδιαίτερα σε περιπτώσεις αβεβαιότητας, συμπεριλαμβάνει στις αναλύσεις την ήδη υπάρχουσα γνώση. Συνοπτικά η Bayesian ανάλυση δεδομένων μπορεί να περιγραφεί ως εξής: η προγενέστερη γνώση ποσοτικοποιείται με τη μορφή μιας προγενέστερης (prior) κατανομής και στη συνέχεια εφαρμόζοντας το θεώρημα του Bayes, ανανεώνεται με βάση το πόσο πιθανά είναι τα πρωτογενή στοιχεία (likelihood), δίνοντας μια μεταγενέστερη (posterior) κατανομή, που αποτελεί και την τελική πιθανολογική εκτίμηση των παραμέτρων. Αυτή η διαδικασία συνδυασμού προγενέστερης και νέας πληροφορίας ονομάζεται επιστημονική μάθηση (scientific learning).
Είναι ιδιαίτερα σύνηθες, οι επιστήμονες που καλούνται να δώσουν κατευθύνσεις για τη λύση περιβαλλοντικών προβλημάτων να έρχονται αντιμέτωποι με ισχνά δεδομένα αλλά ταυτόχρονα να απαιτείται άμεση λήψη αποφάσεων. Ακριβώς σε τέτοιες περιπτώσεις (σε αυτήν την κατηγορία εντάσσεται και η διαχείριση των Ελληνικών ιχθυαποθεμάτων) είναι που η Bayesian μεθοδολογία ανθεί. Μέσα από το πρόγραμμα ECOKNOWS θα γίνει σύγκριση της επίδρασης prior κατανομών που βασίζονται στα στοιχεία της Fishbase πριν και μετά από την προσθήκη νέων στοιχείων που θα προκύψουν από την εκτεταμένη βιβλιογραφική έρευνα καθώς και prior κατανομών που θα εξαχθούν από ειδικούς (Παράδειγμα 1). Με αυτή τη διαδικασία θα γίνει εφικτή η αξιολόγηση της χρήσης της προγενέστερης γνώσης και του δυνητικού οφέλους από τη νέα γνώση που προήλθε από τη βιβλιογραφία και τους ειδικούς (Παράδειγμα 1).
Το ευρωπαϊκό πρόγραμμα ECOKNOWS
Το πρόγραμμα ECOKNOWS στοχεύει στην ανάπτυξη μοντέλων τέτοιων που θα συμβάλλουν στην καλύτερη διαχείριση των αποθεμάτων, χρησιμοποιώντας Bayesian στατιστικές μεθόδους. Αυτά τα μοντέλα θα αναπτυχθούν σε δύο φάσεις: (α) αρχικά τα μοντέλα θα βασίζονται στην πληροφορία που ήδη υπάρχει καταχωρημένη στη FishBase (www.fishbase.org) (prior information), και (β) σε ένα δεύτερο στάδιο, η FishBase θα εμπλουτιστεί με την προσθήκη νέας πληροφορίας από τη σχετική βιβλιογραφία, και τα μοντέλα θα ξαναναπτυχθούν. Με αυτόν τον τρόπο, θα γίνει δυνατή η εκτίμηση του αν και κατά πόσο επηρεάζονται οι νέες εκτιμήσεις των μοντέλων από την προσθήκη της νέας πληροφορίας και ποιο είναι το δυνητικό όφελος διαχείρισης μέσα από αυτήν την προσθήκη νέας γνώσης. Επιπλέον καθώς για κάποιες παραμέτρους δεν υπάρχει διαθέσιμη δημοσιευμένη επιστημονική πληροφορία θα γίνει ποσοτικοποίηση της γνώσης των ειδικών (επιστημόνων και αλιέων) με τη μέθοδο της εξαγωγής (elicitation) πληροφορίας.
ΠΑΡΑΔΕΙΓΜΑ 1: ΧΡΗΣΙΜΟΠΟΙΩΝΤΑΣ ΤΗΝ ΠΡΟΓΕΝΕΣΤΕΡΗ ΓΝΩΣΗ
Ας υποθέσουμε ότι θέλουμε να προβλέψουμε τη δυναμική του ιχθυαποθέματος του μπακαλιάρου (Merluccius merluccius) για κάποια περιοχή της Ελλάδας. Μια πολύ σημαντική βιολογική παράμετρος που επηρεάζει έντονα την ανοχή ενός πληθυσμού στην υπεραλίευση είναι το μήκος πρώτης γεννητικής ωρίμασης (Lm), παράμετρος απαραίτητη σχεδόν σε κάθε αλιευτικό μοντέλο. Δυστυχώς όμως δεν έχουμε πειραματικές μετρήσεις από την περιοχή που μελετάμε. Αντί όμως να μαντέψουμε μια σταθερή τιμή για το Lm, ή χειρότερα, να σταματήσουμε πρόωρα το εγχείρημα, θα χρησιμοποιήσουμε 3 διαφορετικούς τρόπους για να ποσοτικοποιήσουμε την ήδη υπάρχουσα γνώση με τη μορφή μιας κατανομής πιθανότητας. Ως πρώτη επιλογή στρεφόμαστε στην FishBase. Αναλύοντας τις εκεί υπάρχουσες τιμές βρίσκουμε ότι περιγράφονται ικανοποιητικά από μια κανονική κατανομή με μέση τιμή μ=34 και τυπική απόκλιση σ=4 [Ν(34,4)]. Αν έχουμε χρόνο και θεωρούμε ότι η βιβλιογραφική κάλυψη της FishBase δεν είναι εκτενής, μπορούμε να κάνουμε τη δική μας βιβλιογραφική έρευνα. Μετά την έρευνα βρίσκουμε αρκετές νέες τιμές. Το σύνολο των νέων και υπαρχόντων τιμών περιγράφεται από μια επίσης κανονική κατανομή με μέση τιμή μ=37 και τυπική απόκλιση σ=2 [Ν(37,2)]. Αν έχουμε επιπλέον πόρους μπορούμε να ρωτήσουμε τους ειδικούς. Συναντάμε λοιπόν κάποιους επιστήμονες με γνώση στην αναπαραγωγή του μπακαλιάρου. Τους ρωτάμε ποια νομίζουν ως την πιο πιθανή τιμή, καθώς και τις μέγιστες και ελάχιστες πιθανές τιμές για το μήκος πρώτης γεννητικής ωρίμασης (Lm) του μπακαλιάρου. Στη συνέχεια προσαρμόζουμε τις απαντήσεις τους σε μια κανονική κατανομή με μέση τιμή μ=39 και τυπική απόκλιση σ=1,5 [Ν(39,1,5)]. Παρατηρούμε ότι η κατανομή των ειδικών είναι πιο ακριβής στην πρόβλεψη αλλά και πιο ακριβή σε χρόνο και χρήμα σε σχέση με τις άλλες. Συνοψίζοντας λοιπόν, έχουμε τρεις διαφορετικούς τρόπους να ποσοτικοποιήσουμε τη γνώση μας και τρεις διαφορετικές προγενέστερες κατανομές (priors) που μπορούμε να εισάγουμε σε ένα Bayesian μοντέλο, στοχεύοντας να αναλύσουμε το κέρδος στην πρόβλεψη σε σχέση με το χρονικό και οικονομικό κόστος της κάθε μεθοδολογίας.
|
|
Τα παραπάνω μοντέλα θα αναπτυχθούν σε συγκεκριμένα είδη-στόχους έρευνας (case-study species). Αυτά τα είδη-στόχοι είναι: η ρέγκα (Clupea harengus) στη Βαλτική και τη Βόρεια Θάλασσα, ο σολομός (Salmo salar) στον Ατλαντικό και τη Βαλτική, ο γάβρος (Engraulis encrasicolus) στη Δυτική Μεσόγειο και τον παρακείμενο Ατλαντικό, τα αποθέματα του μπακαλιάρου (Merluccius merluccius) στο βόρειο Ατλαντικό, η Βόρεια γαρίδα (Pandalus borealis) στο Skagerrak και στα βαθιά νερά της Νορβηγίας, πέντε είδη στη Μεσόγειο (ο μπακαλιάρος (Merluccius merluccius), το μπαρμπούνι (Mullus surmuletus), ο μαυροσκορπιός (Scorpaena porcus), ο σπάρος (Diplodus annularis) και ο χάνος (Serranus cabrilla)), και πέντε είδη στη Βαλτική (ο κορήγονος (Coregonus lavaretus), η τούρνα (Esox lucius), το περκί (Perca fluviatilis), η θαλασσοπέστροφα (Salmo trutta) και το ποταμολαύρακο (Sander lucioperca)). Στις δύο τελευταίες περιοχές (δηλαδή τη Μεσόγειο και τη Βαλτική Θάλασσα) η αλιεία χαρακτηρίζεται ως πολυειδική. Στο πλαίσιο του προγράμματος, για τα παραπάνω είδη, συγκεντρώθηκε πληροφορία πάνω σε έξι βασικές κατηγορίες (Πίνακας 1), τις εξής:
- παράμετροι αύξησης Von Bertalanffy &σχέσεις βάρους-μήκους
- αναπαραγωγή (ωρίμαση, γονιμότητα, αναπαραγωγική περίοδος)
- κατά μήκος συνθέσεις
- επιλεκτικότητα
- διατροφή & θηρευτές
- γενετική
Πίνακας 1. Αριθμός δημοσιεύσεων που συλλέχθηκαν, ανά κατηγορία περιεχόμενης πληροφορίες, για τα 13 είδη-στόχους μελέτης του προγράμματος ECOKNOWS. Τα Μεσογειακά είδη-στόχοι δίνονται με έντονα γράμματα. L-W: σχέσεις βάρους-μήκους.
|
Όνομα είδους |
Αύξηση & L-W |
Αναπαρα-γωγή |
Κατά μήκος συνθέσεις |
Επιλεκτι-κότητα |
Διατροφή & θηρευτές |
Γενετική |
Άλλα |
|
Clupea harengus |
62 |
42 |
- |
2 |
164 |
21 |
208 |
|
Coregonus lavaretus |
69 |
59 |
- |
9 |
94 |
66 |
307 |
|
Diplodus annularis |
41 |
12 |
30 |
19 |
25 |
7 |
- |
|
Esox Lucius |
127 |
75 |
- |
39 |
221 |
24 |
674 |
|
Merluccius merluccius |
64 |
40 |
84 |
42 |
69 |
14 |
- |
|
Mullus surmuletus |
43 |
22 |
18 |
7 |
31 |
13 |
- |
|
Pandalus borealis |
29 |
15 |
- |
15 |
26 |
5 |
60 |
|
Perca fluviatilis |
44 |
51 |
49 |
15 |
107 |
28 |
- |
|
Salmo salar |
46 |
28 |
2 |
1 |
46 |
108 |
- |
|
Salmo trutta |
163 |
103 |
19 |
7 |
152 |
230 |
- |
|
Sander lucioperca |
43 |
23 |
19 |
8 |
57 |
20 |
- |
|
Scorpaena porcus |
18 |
8 |
6 |
2 |
16 |
6 |
- |
|
Serranus cabrilla |
30 |
12 |
8 |
5 |
10 |
6 |
- |
Τα Μεσογειακά είδη στόχοι: νέα πληροφορία
Όπως προαναφέρθηκε, η αλιεία στη Μεσόγειο είναι πολυεργαλειακή και πολυειδική, και για τη διαχείριση των αποθεμάτων απαιτούνται διαφορετικές προσεγγίσεις σε σύγκριση με τις μονοειδικές αλιείες άλλων περιοχών. Για το λόγο αυτό, στο πλαίσιο του προγράμματος επιλέχθηκαν πέντε είδη:
- δύο είδη μεγάλης οικονομικής αξίας, σημαντικά είδη στόχοι στην ελληνική αλιεία και για τα οποία υπάρχουν πολλά επιστημονικά δεδομένα: ο μπακαλιάρος (Merluccius merluccius) και το μπαρμπούνι (Mullus surmuletus)
- τρία είδη μικρότερης οικονομικής σημασίας, για τα οποία τα διαθέσιμα επιστημονικά δεδομένα είναι περιορισμένα και σποραδικά: ο μαυροσκορπιός (Scorpaena porcus), ο σπάρος (Diplodus annularis) και ο χάνος (Serranus cabrilla).
Συνολικά, στο πλαίσιο του προγράμματος συλλέχθηκαν 324 δημοσιεύσεις για τα πέντε Μεσογειακά είδη στόχους του προγράμματος. Η πληροφορία ήδη διαθέσιμη στη FishBase, καθώς και η νέα πληροφορία ανά είδος παρουσιάζονται στον Πίνακα 2. Γενικά, το πεδίο των σχέσεων βάρους-μήκους ήταν το πιο καλά ενημερωμένο στη FishBase, ενώ το πεδίο των κατά μήκος συνθέσεων το λιγότερο ενημερωμένο. Επιπρόσθετα, η γονιμότητα φαίνεται ότι είναι η λιγότερο μελετημένη βιολογική παράμετρος, αφού πολύ λίγη πληροφορία περιλαμβάνεται στη FishBase και η βιβλιογραφική έρευνα απέδωσε μόνο λίγες νέες δημοσιεύσεις (Πίνακας 2). Τέλος, οι εκτιμήσεις παραμέτρων επιλεκτικότητας αλιευτικών εργαλείων για τα πέντε Μεσογειακά είδη προήλθαν από 75 δημοσιεύσεις (Πίνακας 3).
Πίνακας 2: Ήδη υπάρχουσα πληροφορία στη FishBase (FB) και νέα πληροφορία που ανακτήθηκε στο πλαίσιο του προγράμματος ECOKNOWS (ECO) και θα ενσωματωθεί στη FishBase, για τα πέντε Μεσογειακά είδη στόχους μελέτης. Με έντονη γραφή δίνονται οι περιπτώσεις όπου η νέα πληροφορία είναι περισσότερη από την ήδη υπάρχουσα στη FishBase. a και b= παράμετροι της σχέσης βάρους-μήκους, Lm=μήκος πρώτης γεννητικής ωρίμασης, διατροφή=ποσοτική περιγραφή των τροφικών συνηθειών (εκφρασμένη ως βάρος και/ή όγκος λειών), θηρευτές = αριθμός καταγεγραμμένων περιπτώσεων θήρευσης του είδους από άλλους οργανισμούς.
|
Είδος |
|
D. annularis |
M. merluccius |
M. surmuletus |
S. porcus |
S. cabrilla |
|||||
|
|
|
ECO |
FB |
ECO |
FB |
ECO |
FB |
ECO |
FB |
ECO |
FB |
|
Παράμετροι αύξησης Von Bertalanffy |
K |
5 |
15 |
23 |
66 |
10 |
27 |
1 |
20 |
4 |
5 |
|
L∞ |
5 |
15 |
23 |
66 |
10 |
27 |
1 |
20 |
4 |
5 |
|
|
t0 |
5 |
11 |
15 |
27 |
8 |
18 |
1 |
13 |
4 |
5 |
|
|
Ø' |
5 |
15 |
23 |
66 |
10 |
27 |
1 |
20 |
4 |
5 |
|
|
Σχέσεις βάρους-μήκους |
a |
16 |
54 |
25 |
61 |
13 |
51 |
8 |
32 |
7 |
25 |
|
b |
18 |
54 |
25 |
61 |
21 |
51 |
8 |
32 |
7 |
25 |
|
|
Κατά μήκος συνθέσεις |
75 |
2 |
83 |
7 |
82 |
2 |
12 |
2 |
16 |
2 |
|
|
Ωρίμαση |
Lm |
5 |
6 |
2 |
9 |
3 |
10 |
- |
4 |
- |
2 |
|
Γονιμότητα |
1 |
- |
5 |
7 |
- |
- |
1 |
- |
- |
- |
|
|
Αναπαραγωγική περίοδος |
10 |
10 |
12 |
14 |
17 |
10 |
8 |
1 |
10 |
5 |
|
|
Διατροφή |
|
24 |
3 |
39 |
23 |
8 |
15 |
11 |
10 |
1 |
3 |
|
Θηρευτές |
|
6 |
3 |
17 |
17 |
7 |
8 |
3 |
2 |
1 |
- |
Πίνακας 3: Αριθμός εκτιμήσεων επιλεκτικότητας ανά διαφορετικό αλιευτικό εργαλείο για τα πέντε Μεσογειακά είδη στόχους μελέτης.
|
Είδος |
Τράτα |
Βιντζότρατα |
Παραγάδια |
Μανωμένα δίχτυα |
Απλάδια |
|
Diplodus annularis |
24 |
1 |
5 |
1 |
25 |
|
Merluccius merluccius |
49 |
- |
- |
- |
20 |
|
Mullus surmuletus |
4 |
- |
- |
4 |
10 |
|
Scorpaena porcus |
2 |
- |
- |
- |
4 |
|
Serranus cabrilla |
- |
- |
12 |
- |
7 |
|
Σύνολο |
79 |
1 |
17 |
5 |
66 |
Ο στρατηγικός αντίκτυπος του ECOKNOWS
Το ΕCOKNOWS θα έχει ουσιαστικό αντίκτυπο σε τέσσερα βασικά σημεία:
- Θα παρέχει βελτιωμένα βιολογικά σημεία αναφοράς και S/R μοντέλα για τα μελετούμενα είδη και μια μεθοδολογία με την οποία αυτά μπορούν να εκτιμηθούν για όλα τα ευρωπαϊκά αποθέματα. Αυτά τα ευρήματα μπορούν να χρησιμοποιηθούν στις τρέχουσες εκτιμήσεις του ICES (International Council for the Exploration of the Sea, www.ices.dk) καθώς και σε άλλες εκτιμήσεις.
- Θα βελτιώσει σημαντικά τα αλιευτικά Bayesian μοντέλα για να χρησιμοποιηθούν στην εκτίμηση των αποθεμάτων στην ΕΕ και παγκοσμίως.
- Θα γίνει διάχυση των αποτελεσμάτων σε όλες τις ομάδες ενδιαφερομένων, δίνοντας μεγάλο βάρος στην ακαδημαϊκή μόρφωση.
- Θα βοηθήσει τις αναπτυσσόμενες χώρες να δημιουργήσουν απλούς βιολογικούς ενδείκτες κινδύνου για τα λιγότερο μελετημένα είδη.