Plankton icmasının strukturu və qida axını məlumatları əsasında qlobal dəniz ekoloji əyalətlərini (eko-vilayətlər) müəyyən etmək üçün nəzarətsiz öyrənmə metodu təklif olunur.Sistematik inteqrasiya olunmuş ekoloji əyalət (SAGE) metodu yüksək qeyri-xətti ekosistem modellərində ekoloji əyalətləri müəyyən edə bilər.Verilənlərin qeyri-Qauss kovariasiyasına uyğunlaşmaq üçün SAGE ölçüsünü azaltmaq üçün t təsadüfi qonşu yerləşdirmədən (t-SNE) istifadə edir.Sıxlığa əsaslanan məkan klasterləşdirmə (DBSCAN) alqoritminə əsaslanan səs-küy tətbiqinin köməyi ilə yüzdən çox ekoloji əyaləti müəyyən etmək olar.Məsafə ölçüsü kimi ekoloji fərqləri olan əlaqə xəritəsindən istifadə edərək, möhkəm birləşdirilmiş ekoloji əyalət (AEP) iç-içə ekoloji əyalətlər vasitəsilə obyektiv şəkildə müəyyən edilir.AEP-lərdən istifadə edərək, icma strukturunda qida maddələrinin tədarük dərəcəsinə nəzarət tədqiq edilmişdir.Eko-vilayət və AEP unikaldır və modelin şərhinə kömək edə bilər.Onlar modellər arasında müqayisələri asanlaşdıra və dəniz ekosistemlərinin başa düşülməsini və monitorinqini gücləndirə bilər.
Əyalətlər dənizdə və ya quruda mürəkkəb biocoğrafiyanın ardıcıl və mənalı ərazilərdə təşkil olunduğu bölgələrdir (1).Bu vilayətlər yerləri müqayisə etmək və təzad yaratmaq, müşahidələri xarakterizə etmək, monitorinq və mühafizə üçün çox vacibdir.Bu əyalətləri yaradan mürəkkəb və qeyri-xətti qarşılıqlı təsirlər nəzarətsiz maşın öyrənməsi (ML) üsullarını əyalətləri obyektiv olaraq təyin etmək üçün çox uyğun edir, çünki verilənlərdəki kovariasiya mürəkkəb və qeyri-qaussdur.Burada Darvinin qlobal üçölçülü (3D) fiziki/ekosistem modelindən sistematik olaraq unikal dəniz ekoloji əyalətlərini (eko-vilayətlər) müəyyən edən ML metodu təklif olunur (2).“Unikal” termini müəyyən edilmiş ərazinin digər ərazilərlə kifayət qədər üst-üstə düşmədiyini göstərmək üçün istifadə olunur.Bu üsul Sistem İnteqrasiya edilmiş Ekoloji Əyalət (SAGE) metodu adlanır.Faydalı təsnifatı yerinə yetirmək üçün alqoritm metodu (i) qlobal təsnifata və (ii) məkan və zamana uyğunlaşdırıla/toplana bilən çoxmiqyaslı təhlilə imkan verməlidir (3).Bu araşdırmada ilk olaraq SAGE metodu təklif edilmiş və müəyyən edilmiş ekoloji əyalətlər müzakirə edilmişdir.Eko-vilayətlər icma strukturuna nəzarət edən amillərin başa düşülməsini təşviq edə, monitorinq strategiyaları üçün faydalı fikirlər təqdim edə və ekosistemdəki dəyişiklikləri izləməyə kömək edə bilər.
Quru əyalətləri adətən iqlim (yağış və temperatur), torpaq, bitki örtüyü və fauna oxşarlığına görə təsnif edilir və köməkçi idarəetmə, biomüxtəlifliyin tədqiqi və xəstəliklərlə mübarizə üçün istifadə olunur (1, 4).Dəniz əyalətlərini müəyyən etmək daha çətindir.Əksər orqanizmlər maye sərhədləri olan mikroskopikdir.Longhurst və başqaları.(5) Okeanoqrafiya Nazirliyinin ətraf mühit şəraitinə əsaslanan ilk qlobal təsnifatlarından birini təqdim etmişdir.Bu “Longhurst” əyalətlərinin tərifinə qarışma dərəcəsi, təbəqələşmə və şüalanma kimi dəyişənlər, eləcə də Longhurst-un dəniz ekosistemləri üçün digər vacib şərtlərə malik olan dəniz okeanoqrafı kimi geniş təcrübəsi daxildir.Longhurst, məsələn, ilkin hasilatı və karbon axınlarını qiymətləndirmək, balıq ovuna kömək etmək və in situ müşahidə fəaliyyətlərini planlaşdırmaq üçün geniş şəkildə istifadə edilmişdir (5-9).Vilayətləri daha obyektiv müəyyən etmək üçün qeyri-səlis məntiq və regional nəzarətsiz klasterləşmə/statistika kimi üsullardan istifadə edilmişdir (9-14).Bu cür metodların məqsədi mövcud müşahidə məlumatlarında əyalətləri müəyyən edə bilən mənalı strukturları müəyyən etməkdir.Məsələn, dinamik dəniz əyalətləri (12) səs-küyü azaltmaq üçün özünü təşkil edən xəritələrdən istifadə edir və regional peyklərdən [xlorofil a (Chl-a), normallaşdırılmış Flüoresan xəttinin hündürlüyü və rəngli həll olmuş üzvi maddələr] və fiziki sahə (dəniz səthinin temperaturu və duzluluğu, mütləq dinamik topoqrafiya və dəniz buzu).
Planktonun icma quruluşu narahatlıq doğurur, çünki onun ekologiyası daha yüksək qida səviyyəsinə, karbonun udulmasına və iqlimə böyük təsir göstərir.Buna baxmayaraq, plankton icma quruluşuna əsaslanan qlobal ekoloji əyalətin müəyyən edilməsi hələ də çətin və çətin bir məqsəddir.Dəniz rəngli peykləri potensial olaraq fitoplanktonun qaba dənəli təsnifatı ilə bağlı məlumat verə bilər və ya funksional qrupların üstünlüklərini təklif edə bilər (15), lakin onlar hazırda icma quruluşu haqqında ətraflı məlumat verə bilmirlər.Son tədqiqatlar [məsələn, Tara Okeanı (16)] icma strukturunun görünməmiş ölçülərini təmin edir;hazırda qlobal miqyasda yalnız seyrək in-situ müşahidələr mövcuddur (17).Əvvəlki tədqiqatlar əsasən biokimyəvi oxşarlıqların (məsələn, ilkin istehsal, Chl və mövcud işıq) müəyyən edilməsinə əsaslanan “Biogeokimyəvi Əyalət”i (12, 14, 18) müəyyən etmişdir.Burada [Darvin(2)] çıxarmaq üçün ədədi modeldən istifadə edilir və ekoloji əyalət icma quruluşuna və qida axınına uyğun olaraq müəyyən edilir.Bu tədqiqatda istifadə edilən ədədi model qlobal əhatəyə malikdir və mövcud sahə məlumatları (17) və uzaqdan zondlama sahələri (Qeyd S1) ilə müqayisə edilə bilər.Bu tədqiqatda istifadə edilən ədədi model verilənləri qlobal əhatə üstünlüyünə malikdir.Model ekosistem 35 növ fitoplankton və 16 növ zooplanktondan ibarətdir (xahiş olunur material və üsullara istinad edin).Model plankton növləri qeyri-qauss kovariasiya strukturları ilə qeyri-xətti qarşılıqlı əlaqədə olur, ona görə də sadə diaqnostik üsullar yaranmaqda olan icma strukturlarında unikal və ardıcıl nümunələri müəyyən etmək üçün uyğun deyil.Burada təqdim olunan SAGE metodu mürəkkəb Darvin modellərinin çıxışını yoxlamaq üçün yeni bir yol təqdim edir.
Data Science/ML texnologiyasının güclü transformativ imkanları, verilənlərin kovariantlığında mürəkkəb, lakin möhkəm strukturları aşkar etmək üçün çox mürəkkəb model həllərini təmin edə bilər.Güclü metod, müəyyən bir səhv diapazonunda nəticələri sədaqətlə təkrarlaya bilən bir üsul kimi müəyyən edilir.Sadə sistemlərdə belə, möhkəm nümunələri və siqnalları müəyyən etmək çətin ola bilər.Müşahidə olunan nümunəyə aparan əsaslandırma müəyyən edilənə qədər, yaranan mürəkkəbliyin həlli mürəkkəb/çətin görünə bilər.Ekosistemin tərkibinin qurulmasının əsas prosesi təbiətdə qeyri-xəttidir.Qeyri-xətti qarşılıqlı təsirlərin mövcudluğu möhkəm təsnifatı çaşdıra bilər, ona görə də məlumatların kovariantlığının əsas statistik paylanması haqqında güclü fərziyyələr yaradan üsullardan qaçmaq lazımdır.Yüksək ölçülü və qeyri-xətti məlumatlar okeanoqrafiyada geniş yayılmışdır və mürəkkəb, qeyri-qauss topologiyası ilə kovariasiya strukturuna malik ola bilər.Qeyri-Qauss kovariasiya strukturuna malik olan məlumatlar möhkəm təsnifata mane ola bilsə də, SAGE metodu yenidir, çünki o, ixtiyari topologiyaları olan klasterləri müəyyən etmək üçün nəzərdə tutulmuşdur.
SAGE metodunun məqsədi gələcək ekoloji anlayışa kömək edə biləcək yeni yaranan nümunələri obyektiv şəkildə müəyyən etməkdir.(19) oxşar klaster əsaslı iş axınından sonra, ekoloji və qida axını dəyişənləri məlumatda ekoloji əyalət adlanan yeganə klasteri müəyyən etmək üçün istifadə olunur.Bu işdə təklif olunan SAGE metodu (Şəkil 1) apriori müəyyən edilmiş plankton funksional qruplarını cəmləməklə ölçüləri 55-dən 11 ölçüyə qədər azaldır (bax: Materiallar və Metodlar).t-təsadüfi qonşu yerləşdirmə (t-SNE) metodundan istifadə edərək, ehtimalı 3D məkanına proyeksiya etməklə ölçü daha da azaldılır.Nəzarətsiz klasterləşmə ekoloji cəhətdən yaxın əraziləri müəyyən edə bilər [səs-küy əsaslı tətbiqlər üçün sıxlığa əsaslanan məkan qruplaşması (DBSCAN)].Həm t-SNE, həm də DBSCAN xas olmayan qeyri-xətti ekosistemin ədədi model məlumatlarına tətbiq edilir.Sonra ortaya çıxan ekoloji əyaləti yer üzünə yenidən layihələndirin.Regional tədqiqatlar üçün əlverişli olan yüzdən çox unikal ekoloji əyalət müəyyən edilmişdir.Qlobal ardıcıl ekosistem modelini nəzərdən keçirmək üçün SAGE metodu ekoloji əyalətlərin effektivliyini artırmaq üçün ekoloji əyalətləri birləşdirilmiş ekoloji əyalətlərə (AEP) birləşdirmək üçün istifadə olunur.Toplama səviyyəsi (“mürəkkəblik” adlanır) tələb olunan təfərrüat səviyyəsinə uyğunlaşdırıla bilər.Güclü AEP-nin minimum mürəkkəbliyini müəyyənləşdirin.Seçimdə diqqət mərkəzində olan SAGE metodu və fövqəladə vəziyyət icma strukturuna nəzarəti müəyyən etmək üçün ən kiçik mürəkkəblik AEP hallarının tədqiqidir.Daha sonra ekoloji anlayışları təmin etmək üçün nümunələr təhlil edilə bilər.Burada təqdim edilən üsul, həmçinin modellərin müqayisəsi üçün daha geniş şəkildə istifadə oluna bilər, məsələn, fərqli modellərdə olan oxşar ekoloji əyalətlərin yerləşdiyi yerləri qiymətləndirərək, fərqlilikləri və oxşarlıqları vurğulamaq, beləliklə, modelləri müqayisə etmək.
(A) Ekoloji əyalətin müəyyən edilməsi üçün iş axınının sxematik diaqramı;orijinal 55-ölçülü məlumatı yeddi funksional/qida planktonun biokütləsi və dörd qida tədarükü dərəcəsi daxil olmaqla, 11-ölçülü model çıxışına endirmək üçün funksional qrupdakı cəmindən istifadə etməklə.Ciddi dəyər və davamlı buz örtüyü sahəsi.Məlumatlar standartlaşdırılıb və standartlaşdırılıb.Statistik olaraq oxşar xüsusiyyət birləşmələrini vurğulamaq üçün t-SNE alqoritminə 11 ölçülü məlumat təqdim edin.DBSCAN parametr dəyərini təyin etmək üçün klasteri diqqətlə seçəcək.Nəhayət, məlumatları enlem/uzunluq proyeksiyasına qaytarın.Nəzərə alın ki, bu proses 10 dəfə təkrarlanır, çünki t-SNE tətbiq etməklə kiçik bir təsadüfilik yarana bilər.(B) (A) bəndindəki iş axınını 10 dəfə təkrarlamaqla AEP-ni necə əldə edəcəyinizi izah edir.Bu 10 tətbiqin hər biri üçün əyalətlərarası Bray-Kurtis (BC) fərqlilik matrisi 51 fitoplankton növünün biokütləsi əsasında müəyyən edilmişdir.Mürəkkəblik 1 AEP-dən tam mürəkkəblik 115-ə qədər əyalətlər arasında BC fərqini müəyyən edin. BC meyarını Longhurst əyaləti təyin edir.
SAGE metodu ekoloji əyaləti müəyyən etmək üçün qlobal 3D fiziki/ekosistem ədədi modelinin çıxışından istifadə edir [Darvin (2);Baxın Materiallar və Metodlar və Qeyd S1].Ekosistemin komponentləri əvvəlcədən müəyyən edilmiş yeddi funksional qrupa malik 35 növ fitoplankton və 16 növ zooplanktondan ibarətdir: az qidalı mühitə uyğunlaşdırılmış prokaryotlar və eukariotlar, kalsium karbonat örtüyü olan koksidiyalar və azotla zəngin azot fiksasiyası (azotla zəngin qidalanma). mühüm qida maddələri), silisli örtüyə malik olmaqla, digər plankton fotosintezini və otlayan qarışıq qida flagellatları və zooplankton çobanlarını edə bilər.Ölçü aralığı 0,6 ilə 2500μm ekvivalent sferik diametrdir.Fitoplankton ölçüsünün və funksional qruplaşdırılmasının model paylanması peyk və yerində müşahidələrdə müşahidə olunan ümumi xarakteristikaları əhatə edir (bax Şəkillər S1-S3).Rəqəmsal model ilə müşahidə olunan okean arasındakı oxşarlıq onu göstərir ki, model tərəfindən müəyyən edilmiş əyalətlər in-situ okeana tətbiq oluna bilər.Nəzərə alın ki, bu model yalnız fitoplanktonun müəyyən müxtəlifliyini və in situ okeanın yalnız müəyyən fiziki və kimyəvi məcburi diapazonlarını əhatə edir.SAGE metodu insanlara model icma strukturunun yüksək regional nəzarət mexanizmini daha yaxşı başa düşməyə imkan verə bilər.
Hər plankton funksional qrupuna yalnız səth biokütləsinin cəmini (orta vaxt 20 il) daxil etməklə məlumatların ölçülərini azaltmaq olar.Əvvəlki tədqiqatlar icma strukturunun qurulmasında onların əsas rolunu göstərdikdən sonra, o, həmçinin qida axını (azot, dəmir, fosfat və silisium turşusunun tədarükü) üçün yerüstü mənbə şərtlərini də daxil etdi [məs. (20, 21)].Funksional qrupların cəmlənməsi problemi 55-dən (51 plankton və 4 qida axını) 11 ölçüyə qədər azaldır.Bu ilkin tədqiqatda alqoritmin qoyduğu hesablama məhdudiyyətlərinə görə dərinlik və zaman dəyişkənliyi nəzərə alınmamışdır.
SAGE metodu qeyri-xətti proseslər arasında mühüm əlaqələri və funksional qrup biokütləsi ilə qida axını arasında qarşılıqlı əlaqənin əsas xüsusiyyətlərini müəyyən etməyə qadirdir.Evklid distant öyrənmə metodlarına əsaslanan 11 ölçülü verilənlərdən istifadə (məsələn, K-vasitəsi) etibarlı və təkrarlana bilən əyalətlər əldə edə bilməz (19, 22).Bunun səbəbi, ekoloji əyaləti müəyyən edən əsas elementlərin kovariantlığının əsas paylanmasında heç bir Qauss formasına rast gəlinmir.Voronoi hüceyrələrinin K-vasitəsi (düz xətlər) qeyri-qauss əsas paylanmasını saxlaya bilməz.
Yeddi plankton funksional qrupunun və dörd qida axınının biokütləsi 11 ölçülü vektor x təşkil edir.Beləliklə, x model şəbəkəsindəki vektor sahəsidir, burada hər bir xi elementi modelin üfüqi şəbəkəsində müəyyən edilmiş 11 ölçülü vektoru təmsil edir.Hər bir i indeksi sferada (lon, lat) = (ϕi, θi) olan şəbəkə nöqtəsini unikal şəkildə müəyyən edir.Model şəbəkə qurğusunun biokütləsi 1,2×10-3mq Chl/m3-dən azdırsa və ya buzla örtülmə dərəcəsi 70%-i keçərsə, biokütlə məlumatlarının jurnalından istifadə edilir və atılır.Məlumatlar normallaşdırılıb və standartlaşdırılıb, ona görə də bütün məlumatlar [0-dan 1] aralığındadır, orta qiymət silinir və vahid dispersiyaya görə ölçülür.Bu, xüsusiyyətlərin (biokütlə və qida axını) mümkün dəyərlər diapazonunda kontrastla məhdudlaşmaması üçün edilir.Klasterləşmə coğrafi məsafədən çox xüsusiyyətlər arasındakı əsas ehtimal məsafəsindən dəyişiklik əlaqəsini tutmalıdır.Bu məsafələrin kəmiyyətini müəyyən etməklə, vacib xüsusiyyətlər ortaya çıxır, lazımsız detallar isə atılır.Ekoloji nöqteyi-nəzərdən bu zəruridir, çünki biokütləsi az olan fitoplanktonların bəzi növləri diazotrof bakteriyalar tərəfindən azot fiksasiyası kimi daha böyük biogeokimyəvi təsirlərə malik ola bilər.Məlumatların standartlaşdırılması və normallaşdırılması zamanı bu tip kovariativlər vurğulanacaq.
Aşağı ölçülü təsvirdə yüksək ölçülü məkanda xüsusiyyətlərin yaxınlığını vurğulamaqla, t-SNE alqoritmi mövcud oxşar bölgələri daha aydın etmək üçün istifadə olunur.Uzaqdan zondlama tətbiqləri üçün dərin neyron şəbəkələrinin qurulmasına yönəlmiş əvvəlki işdə əsas xüsusiyyətləri ayırmaq bacarığını sübut edən t-SNE istifadə edilmişdir (23).Bu, konvergent olmayan həllərdən qaçaraq xüsusiyyət məlumatlarında möhkəm klasterləşməni müəyyən etmək üçün zəruri addımdır (Qeyd S2).Gauss ləpələrindən istifadə edərək, t-SNE hər bir yüksək ölçülü obyekti 3D faza məkanında bir nöqtəyə çəkərək məlumatların statistik xüsusiyyətlərini qoruyur və beləliklə, yüksək və aşağı istiqamətlərdə oxşar obyektlərin ehtimalının yüksək səviyyədə yüksək olmasını təmin edir. ölçülü fəza (24).N ədəd yüksək ölçülü obyekt x1,…,xN dəstini nəzərə alaraq, t-SNE alqoritmi Kullback-Leibler (KL) fərqini minimuma endirərək azaldır (25).KL divergensiyası ehtimal paylanmasının ikinci istinad ehtimal paylanmasından nə qədər fərqli olduğunu göstərən ölçüdür və yüksək ölçülü xüsusiyyətlərin aşağı ölçülü təsvirləri arasında korrelyasiya imkanını effektiv şəkildə qiymətləndirə bilər.Əgər xi N-ölçülü fəzada i-ci obyektdirsə, xj N-ölçülü fəzada j-ci obyektdirsə, yi aşağı ölçülü fəzada i-ci obyektdir, yj isə aşağı ölçülü fəzada j-ci obyektdir. -ölçülü fəza, sonra t -SNE oxşarlıq ehtimalını müəyyən edir ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2) və ölçülərin azaldılması çoxluğu üçün q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
Şəkil 2A 11 ölçülü birləşmənin biokütləsi və qida axını vektorlarının 3D-yə endirilməsinin təsirini göstərir.t-SNE tətbiqinin motivasiyası məlumatların sahəsini/atributunu vurğulamaq üçün variasiya atributundan istifadə edən əsas komponent analizinin (PCA) motivasiyası ilə müqayisə oluna bilər və bununla da ölçüləri azaldır.t-SNE metodunun Eko-Nazirlik üçün etibarlı və təkrarlana bilən nəticələrin təmin edilməsində PCA-dan üstün olduğu aşkar edilmişdir (bax. Qeyd S2).Bunun səbəbi ola bilər ki, PCA-nın ortoqonallıq fərziyyəsi yüksək qeyri-xətti interaktiv xüsusiyyətlər arasında kritik qarşılıqlı əlaqəni müəyyən etmək üçün uyğun deyil, çünki PCA xətti kovariasiya strukturlarına diqqət yetirir (26).Uzaqdan zondlama məlumatlarından istifadə edərək, Lunga et al.(27) Qauss paylanmasından kənara çıxan mürəkkəb və qeyri-xətti spektral xüsusiyyətləri vurğulamaq üçün SNE metodundan necə istifadə olunacağını göstərir.
(A) t-SNE alqoritmi ilə tərtib edilmiş və DBSCAN istifadə edərək vilayətlər üzrə rənglənmiş modelləşdirilmiş qida tədarükü dərəcəsi, fitoplankton və zooplankton funksional qrup biokütləsi.Hər bir nöqtə yüksək ölçülü fəzada bir nöqtəni təmsil edir, Şəkil 6B-də göstərildiyi kimi, əksər nöqtələr tutulur.Şaftlar “t-SNE” ölçüləri 1, 2 və 3-ə aiddir. (B) Mənşənin enlik-uzunluq şəbəkəsində DBSCAN tərəfindən tapılan vilayətin coğrafi proyeksiyası.Rəng hər hansı bir rəng kimi qəbul edilməlidir, lakin (A) uyğun olmalıdır.
Şəkil 2A-dakı t-SNE səpilmə qrafasındakı nöqtələr müvafiq olaraq enlik və uzunluqla əlaqələndirilir.Şəkil 2A-dakı iki nöqtə bir-birinə yaxındırsa, bunun səbəbi coğrafi yaxınlığa görə deyil, onların biokütləsi və qida axınının oxşar olmasıdır.Şəkil 2A-dakı rənglər DBSCAN metodundan istifadə etməklə aşkar edilmiş çoxluqlardır (28).Sıx müşahidələr axtararkən DBSCAN alqoritmi 3D təsvirdə nöqtələr arasındakı məsafədən istifadə edir (ϵ = 0,39; bu seçim haqqında məlumat üçün Materiallar və Metodlara baxın) və klasteri müəyyən etmək üçün oxşar nöqtələrin sayı tələb olunur (burada 100 bal, yuxarıya baxın).DBSCAN metodu aşağıda göstərildiyi kimi verilənlərdəki klasterlərin forması və ya sayı ilə bağlı heç bir fərziyyə irəli sürmür:
3) Məsafə daxilində müəyyən edilmiş bütün nöqtələr üçün klaster sərhədini müəyyən etmək üçün 2-ci addımı təkrarlayın.Əgər xalların sayı müəyyən edilmiş minimum dəyərdən çox olarsa, o, klaster kimi təyin olunur.
Minimum klaster üzvünə və məsafə ϵ metrikasına uyğun gəlməyən məlumatlar “səs-küy” hesab edilir və rəng təyin edilmir.DBSCAN ən pis halda O(n2) performansı ilə sürətli və miqyaslana bilən alqoritmdir.Cari təhlil üçün bu, əslində təsadüfi deyil.Minimum bal sayı ekspert qiymətləndirməsi ilə müəyyən edilir.Məsafəni tənzimlədikdən sonra nəticə ≈±10 aralığında kifayət qədər sabit deyil.Bu məsafə əlaqə (Şəkil 6A) və okean əhatəsi faizindən (Şəkil 6B) istifadə edilməklə təyin edilir.Əlaqədarlıq klasterlərin ümumi sayı kimi müəyyən edilir və ϵ parametrinə həssasdır.Aşağı bağlantı qeyri-kafi uyğunlaşmanı göstərir, bölgələri bir-birinə süni şəkildə qruplaşdırır.Yüksək əlaqə həddindən artıq uyğunluğu göstərir.Daha yüksək minimumdan istifadə etmək mümkündür, lakin minimum CA-dan çox olarsa, etibarlı həllə nail olmaq mümkün deyil.135 (Ətraflı məlumat üçün Materiallara və Metodlara baxın).
Şəkil 2A-da müəyyən edilmiş 115 klaster Şəkil 2B-də yer üzünə geri proyeksiya edilmişdir.Hər bir rəng DBSCAN tərəfindən müəyyən edilmiş biogeokimyəvi və ekoloji amillərin ardıcıl birləşməsinə uyğundur.Klasterlər müəyyən edildikdən sonra, Şəkil 2A-dakı hər bir nöqtənin xüsusi enlik və uzunluqla assosiasiyası klasterləri yenidən coğrafi əraziyə proyeksiya etmək üçün istifadə olunur.Şəkil 2B bunu Şəkil 2A ilə eyni klaster rəngləri ilə təsvir edir.Oxşar rənglər ekoloji oxşarlıq kimi şərh edilməməlidir, çünki onlar alqoritm tərəfindən klasterlərin aşkar edildiyi sıra ilə təyin olunur.
Şəkil 2B-dəki sahə okeanın fiziki və/yaxud biogeokimyasında müəyyən edilmiş əraziyə keyfiyyətcə oxşar ola bilər.Məsələn, Cənub okeanında klasterlər zona-simmetrikdir, oliqotrof burulğanlar meydana çıxır və kəskin keçid ticarət küləklərinin təsirindən xəbər verir.Məsələn, ekvatorial Sakit okeanda yüksəlişlə əlaqəli müxtəlif bölgələr görünür.
Eko-Əyalətin ekoloji mühitini başa düşmək üçün klasterdəki ekologiyanı qiymətləndirmək üçün Bray-Kurtis (BC) fərq indeksinin (29) variasiyası istifadə edilmişdir.BC göstəricisi iki fərqli sayt arasında icma strukturunda fərqi kəmiyyətcə müəyyən etmək üçün istifadə edilən statistik məlumatdır.BC ölçülməsi 51 növ fitoplankton və zooplanktonun biokütləsinə tətbiq edilir BCninj = 1-2CninjSni + Snj
BCninj ni və nj kombinasiyası arasındakı oxşarlığa istinad edir, burada Cninj hər iki ni və nj kombinasiyasında mövcud olan bir növ biokütlənin minimum dəyəridir və Sni hər iki ni və Snj kombinasiyasında mövcud olan bütün biokütlələrin cəmini təmsil edir.BC fərqi məsafə ölçüsünə bənzəyir, lakin ekoloji məlumatlar və onun şərhi üçün daha uyğun olan qeyri-Evklid məkanında işləyir.
Şəkil 2B-də müəyyən edilmiş hər bir klaster üçün əyalətdaxili və əyalətlərarası BC oxşarlığı qiymətləndirilə bilər.Vilayət daxilində BC fərqi vilayətin orta dəyəri ilə əyalətdəki hər bir nöqtə arasındakı fərqə aiddir.Eramızdan əvvəl vilayətlər arasındakı fərq bir əyalətlə digər vilayətlər arasındakı oxşarlığa aiddir.Şəkil 3A simmetrik BC matrisini göstərir (0, qara: tamamilə uyğundur; 1, ağ: tamamilə fərqli).Qrafikdəki hər bir sətir verilənlərdəki nümunəni göstərir.Şəkil 3B hər bir əyalət üçün Şəkil 3A-da BC nəticələrinin coğrafi əhəmiyyətini göstərir.Aşağı qidalanma və az qidalı ərazidə yerləşən əyalət üçün Şəkil 3B göstərir ki, ekvator və Hind okeanı ətrafındakı geniş ərazilərin simmetriyası əsasən oxşardır, lakin daha yüksək enliklər və yuxarı qalxan ərazilər əhəmiyyətli dərəcədə fərqlidir.
(A) 51 planktonun qlobal 20 illik orta qlobal səth göstəricisi əsasında hər bir əyalət üçün qiymətləndirilmiş BC fərqinin dərəcəsi.Dəyərlərin gözlənilən simmetriyasına diqqət yetirin.(B) Sütun (və ya cərgənin) fəza proyeksiyası.Distrofik dairədə olan bir əyalət üçün BC oxşarlıq ölçüsünün qlobal paylanması qiymətləndirilmiş və qlobal 20 illik ortalama qiymətləndirilmişdir.Qara (BC = 0) eyni sahəni, ağ (BC = 1) isə oxşarlığın olmadığını bildirir.
Şəkil 4A Şəkil 2B-də hər bir vilayət daxilində BC fərqini göstərir.Bir klasterdəki orta sahənin orta birləşməsindən istifadə etməklə və vilayətdəki hər bir şəbəkə nöqtəsinin BC ilə ortası arasındakı fərqi təyin etməklə, SAGE metodunun ekoloji oxşarlığa əsaslanaraq 51 növü yaxşı ayıra biləcəyini göstərir. model məlumatları.Bütün 51 növün ümumi orta BC çoxluğu 0,102±0,0049-dur.
(A, B və D) Əyalət daxilində BC fərqi hər bir şəbəkə nöqtəsi icması ilə orta əyalət arasında orta BC fərqi kimi qiymətləndirilir və mürəkkəblik azalmır.(2) Qlobal orta əyalətdaxili BC fərqi 0,227±0,117-dir.Bu, bu iş tərəfindən təklif edilən ekoloji motivasiyaya əsaslanan təsnifatın etalonudur [(C)-də yaşıl xətt].(C) Orta əyalətdaxili BC fərqi: Qara xətt artan mürəkkəblik ilə əyalətdaxili BC fərqini təmsil edir.2σ eko-vilayət identifikasiyası prosesinin 10 təkrarından gəlir.DBSCAN tərəfindən aşkar edilən əyalətlərin ümumi mürəkkəbliyi üçün (A) göstərir ki, əyalətdə BC fərqliliyi 0,099 və (C) tərəfindən təklif olunan mürəkkəblik təsnifatı 12-dir, nəticədə əyalətdə BC fərqliliyi 0,200-dür.şəkildə göstərildiyi kimi.(D).
Şəkil 4B-də Longhurst əyalətində ekvivalent BC fərqini təmsil etmək üçün 51 plankton növünün biokütləsindən istifadə olunur.Hər bir vilayətin ümumi ortalaması 0,227, BC əyalətindəki fərqə istinadla şəbəkə nöqtələrinin standart sapması isə 0,046-dır.Bu, Şəkil 1B-də müəyyən edilmiş çoxluqdan daha böyükdür.Bunun əvəzinə, yeddi funksional qrupun cəmindən istifadə edərək, Longhurst-da orta mövsüm içi BC fərqi 0,232-ə yüksəldi.
Qlobal eko-əyalət xəritəsi unikal ekoloji qarşılıqlı əlaqənin mürəkkəb təfərrüatlarını təqdim edir və Longhurst əyalətinin bütün ekosistem strukturundan istifadədə təkmilləşdirmələr aparılmışdır.Ekologiya Nazirliyinin ədədi model ekosisteminə nəzarət prosesi ilə bağlı məlumat verməsi gözlənilir və bu anlayış çöl işlərinin araşdırılmasına kömək edəcək.Bu araşdırma məqsədi ilə yüzdən artıq vilayəti tam göstərmək mümkün deyil.Növbəti bölmə əyalətləri ümumiləşdirən SAGE metodunu təqdim edir.
Vilayətin məqsədlərindən biri də vilayətin yeri və idarə edilməsi haqqında anlayışı təşviq etməkdir.Fövqəladə halları müəyyən etmək üçün Şəkil 1B-dəki üsul ekoloji cəhətdən oxşar əyalətlərin yuva qurmasını göstərir.Ekoloji əyalətlər ekoloji oxşarlıq əsasında qruplaşdırılır və əyalətlərin belə qruplaşdırılması AEP adlanır.Nəzərə alınacaq əyalətlərin ümumi sayına əsasən tənzimlənən “mürəkkəblik” təyin edin.“Mürəkkəblik” termini fövqəladə halların atributlarının səviyyəsini tənzimləməyə imkan verdiyi üçün istifadə olunur.Mənalı aqreqasiyaları müəyyən etmək üçün meyar kimi Longhurst-dan 0,227-lik orta əyalətdaxili BC fərqindən istifadə edilir.Bu meyardan aşağı olan birləşmiş əyalətlər artıq faydalı hesab edilmir.
Şəkil 3B-də göstərildiyi kimi, qlobal ekoloji əyalətlər əlaqəlidir.Əyalətlərarası BC fərqlərindən istifadə edərək, bəzi konfiqurasiyaların çox "ümumi" olduğunu görmək olar.Genetika və qrafik nəzəriyyəsi metodlarından ilhamlanaraq, "əlaqəli qrafiklər" >100 əyaləti onlara ən çox bənzəyən əyalətlər əsasında çeşidləmək üçün istifadə olunur.Buradakı “əlaqə” metrikası əyalətlərarası BC fərqliliyindən istifadə etməklə müəyyən edilir (30).100-dən çox əyalətin təsnifatı üçün daha geniş məkana malik əyalətlərin sayı burada mürəkkəblik kimi qeyd edilə bilər.AEP, 100-dən çox əyaləti ən dominant/ən yaxın ekoloji əyalətlər kimi təsnif edən bir məhsuldur.Hər bir ekoloji əyalət onlara ən çox bənzəyən dominant/yüksək əlaqəli ekoloji əyalətə təyin edilir.BC fərqi ilə müəyyən edilən bu birləşmə qlobal ekologiyaya iç-içə yanaşmaya imkan verir.
Seçilmiş mürəkkəblik 1-dən Şəklin tam mürəkkəbliyinə qədər istənilən dəyər ola bilər.2A.Daha aşağı mürəkkəblikdə AEP ehtimal ölçüsünün azaldılması addımı (t-SNE) səbəbindən degenerasiya ola bilər.Degenerasiya o deməkdir ki, ekoloji əyalətlər iterasiyalar arasında müxtəlif AEP-lərə təyin edilə bilər və bununla da əhatə olunan coğrafi ərazi dəyişdirilə bilər.Şəkil 4C 10 həyata keçirmə üzrə artan mürəkkəbliyə malik AEP-lərdə əyalətlər daxilində BC fərqliliklərinin yayılmasını təsvir edir (Şəkil 1B-də təsvir).Şəkil 4C-də 2σ (mavi sahə) 10 tətbiqdə deqradasiya ölçüsüdür və yaşıl xətt Longhurst etalonunu təmsil edir.Faktlar sübut etdi ki, 12-nin mürəkkəbliyi əyalətdə BC fərqini bütün tətbiqlərdə Longhurst etalonundan aşağı saxlaya bilər və nisbətən kiçik 2σ deqradasiyası saxlaya bilər.Xülasə, minimum tövsiyə olunan mürəkkəblik 12 AEP-dir və Şəkil 4D-də göstərildiyi kimi, 51 plankton növündən istifadə etməklə qiymətləndirilən orta əyalətdaxili BC fərqi 0,198±0,013 təşkil edir.Yeddi plankton funksional qrupunun cəmindən istifadə etməklə, əyalət daxilində orta BC fərqi 0,198±0,004 əvəzinə 2σ təşkil edir.Yeddi funksional qrupun ümumi biokütləsi və ya bütün 51 plankton növünün biokütləsi ilə hesablanmış BC fərqlərinin müqayisəsi göstərir ki, SAGE metodu 51 ölçülü vəziyyətə tətbiq oluna bilsə də, yeddi funksional qrupun ümumi biokütləsinə aiddir. Təlim üçün.
İstənilən tədqiqatın məqsədindən asılı olaraq müxtəlif mürəkkəblik səviyyələri nəzərə alına bilər.Regional tədqiqatlar tam mürəkkəblik tələb edə bilər (yəni, bütün 115 əyalət).Nümunə olaraq və aydınlıq üçün minimum tövsiyə olunan 12 mürəkkəbliyi nəzərdən keçirin.
SAGE metodunun faydalılığına misal olaraq, burada fövqəladə hallar icmasının strukturuna nəzarəti araşdırmaq üçün minimum mürəkkəbliyi 12 olan 12 AEP istifadə olunur.Şəkil 5 AEP (A-dan L-ə qədər) qruplaşdırılmış ekoloji anlayışları göstərir: Redfild stoxiometriyasında coğrafi miqyas (Şəkil 5C), funksional qrup biokütlə tərkibi (Şəkil 5A) və qida təchizatı (Şəkil 5B) N Zoomed tərəfindən həyata keçirilir.Nisbət (N:Si:P:Fe, 1:1:16:16×103) göstərilir.Sonuncu panel üçün P 16-ya vurulur və Fe 16 × 103-ə vurulur, beləliklə bar qrafiki fitoplanktonun qida tələblərinə bərabərdir.
Əyalətlər 12 əyalətdəki ekosistemlərin (A) biokütləsi (mgC/m3) üzrə 12 AEP-ə təsnif edilir.(B) Həll olunmuş qeyri-üzvi azotun (N), dəmirin (Fe), fosfatın (P) və silisium turşusunun (Si) qida axınının sürəti (ildə mmol/m3).Fe və P müvafiq olaraq 16 və 16×103-ə vurulur ki, zolaqlar fitoplankton stokiometriya tələblərinə uyğunlaşdırılsın.(C) Qütb bölgələri, subtropik siklonlar və əsas mövsümi/yüksək bölgələr arasındakı fərqə diqqət yetirin.Monitorinq stansiyaları aşağıdakı kimi qeyd olunur: 1, SEATS;2, ALOHA;3, P stansiyası;və 4, YARASALAR.
Müəyyən edilmiş AEP unikaldır.Atlantik və Sakit Okeanlarda ekvator ətrafında müəyyən simmetriya var və oxşar, lakin genişlənmiş sahə Hind okeanında mövcuddur.Bəzi AEP-lər yüksəlişlə əlaqəli qitənin qərb tərəfini əhatə edir.Cənub qütbünün dairəvi qütb cərəyanı böyük zonal xüsusiyyət kimi qəbul edilir.Subtropik siklon oliqotrofik AEP-in mürəkkəb seriyasıdır.Bu əyalətlərdə planktonun üstünlük təşkil etdiyi oliqotrof burulğanlar və diatomla zəngin qütb bölgələri arasında biokütlə fərqlərinin tanış nümunəsi göz qabağındadır.
Çox oxşar ümumi fitoplankton biokütləsinə malik AEP-lər çox fərqli icma strukturlarına malik ola bilər və oxşar ümumi fitoplankton biokütləsinə malik olan D, H və K kimi müxtəlif coğrafi əraziləri əhatə edə bilər.AEP H əsasən ekvatorial Hind okeanında mövcuddur və diazotrof bakteriyalar daha çoxdur.AEP D bir neçə hövzədə rast gəlinir, lakin o, xüsusilə Sakit okeanda ekvatorial yüksəliş ətrafında yüksək məhsuldar ərazilər ətrafında özünü göstərir.Sakit okeanın bu əyalətinin forması planetar dalğa qatarını xatırladır.AEP D-də az sayda diazobakteriya və daha çox konus var.Digər iki əyalətlə müqayisədə, AEP K yalnız Şimal Buzlu Okeanın yüksək dağlıq ərazilərində rast gəlinir və diatomlar daha çox və planktonlar daha azdır.Qeyd etmək lazımdır ki, bu üç bölgədə planktonun miqdarı da çox fərqlidir.Onların arasında AEP K-nin plankton bolluğu nisbətən aşağı, AEP D və H isə nisbətən yüksəkdir.Buna görə də, biokütlələrinə baxmayaraq (və buna görə də Chl-a-ya bənzəyir), bu əyalətlər tamamilə fərqlidir: Chl-əsaslı əyalət testi bu fərqləri tutmaya bilər.
Çox fərqli biokütləli bəzi AEP-lərin fitoplankton icma quruluşu baxımından oxşar ola biləcəyi də aydındır.Məsələn, bu, AEP D və E-də görünür. Onlar bir-birinə yaxındır, Sakit Okeanda isə AEP E yüksək məhsuldar AEPJ-ə yaxındır.Eynilə, fitoplankton biokütləsi ilə zooplankton bolluğu arasında aydın əlaqə yoxdur.
AEP onlara verilən qidalar baxımından başa düşülə bilər (Şəkil 5B).Diatomlar yalnız silisium turşusunun bol olduğu yerdə mövcuddur.Ümumiyyətlə, silisium turşusunun tədarükü nə qədər çox olarsa, diatomların biokütləsi bir o qədər yüksək olur.Diatomları AEP A, J, K və L-də görmək olar. Diatom biokütləsinin digər fitoplanktonlara nisbəti diatom tələbatına nisbətən təmin edilən N, P və Fe ilə müəyyən edilir.Məsələn, AEP L-də diatomlar üstünlük təşkil edir.Digər qida maddələri ilə müqayisədə, Si ən yüksək ehtiyata malikdir.Əksinə, daha yüksək məhsuldarlığa baxmayaraq, AEP J daha az diatomlara və daha az silikon tədarükünə malikdir (hamısı və digər qida maddələrinə nisbətən).
Diazonium bakteriyaları azotu düzəltmək qabiliyyətinə malikdir, lakin yavaş böyüyür (31).Onlar digər fitoplanktonlarla birlikdə yaşayırlar, burada dəmir və fosfor qeyri-diazonium qida maddələrinə olan tələbatdan artıqdır (20, 21).Qeyd etmək lazımdır ki, diazotrof biokütlə nisbətən yüksəkdir və Fe və P tədarükü N tədarükünə nisbətən nisbətən böyükdür. Bu yolla, AEP J-də ümumi biokütlə daha yüksək olsa da, AEP H-də diazonium biokütləsi J-dəkindən daha böyükdür. Nəzərə alın ki, AEP J və H coğrafi cəhətdən çox fərqlidir və H ekvatorial Hind okeanında yerləşir.
Unikal ekosistem strukturu əyalətlərə bölünməsə, 12 AEP-nin ən aşağı mürəkkəblik modellərindən əldə edilən anlayışlar o qədər də aydın olmayacaq.SAGE tərəfindən yaradılan AEP ekosistem modellərindən mürəkkəb və yüksək ölçülü məlumatların ardıcıl və eyni vaxtda müqayisəsini asanlaşdırır.AEP effektiv şəkildə vurğulayır ki, Chl niyə daha yüksək qida səviyyələrində icma quruluşunu və ya zooplankton bolluğunu müəyyən etmək üçün yaxşı və alternativ üsul deyil.Davam edən tədqiqat mövzularının ətraflı təhlili bu məqalənin əhatə dairəsi xaricindədir.SAGE metodu modeldə nöqtədən nöqtəyə baxışdan daha asan idarə olunan digər mexanizmləri araşdırmaq üçün bir yol təqdim edir.
SAGE metodu qlobal fiziki/biogeokimyəvi/ekosistem ədədi modellərindən son dərəcə mürəkkəb ekoloji məlumatların aydınlaşdırılmasına kömək etmək üçün təklif olunur.Ekoloji əyalət çarpaz plankton funksional qruplarının ümumi biokütləsi, t-SNE ehtimal ölçüsünün azaldılması alqoritminin tətbiqi və nəzarətsiz ML metodu DBSCAN istifadə edərək qruplaşma ilə müəyyən edilir.Yerləşdirmə metodu üçün əyalətlərarası BC fərq/qrafik nəzəriyyəsi qlobal şərh üçün istifadə edilə bilən möhkəm AEP əldə etmək üçün tətbiq edilir.Tikinti baxımından Eko-vilayət və AEP unikaldır.AEP yuvası orijinal ekoloji vilayətin tam mürəkkəbliyi ilə tövsiyə olunan minimum 12 AEP həddi arasında tənzimlənə bilər.AEP-nin yerləşdirilməsi və minimum mürəkkəbliyinin müəyyən edilməsi əsas addımlar kimi qəbul edilir, çünki t-SNE ehtimalı <12 mürəkkəblikdə AEP-ləri degenerasiya edir.SAGE metodu qlobaldır və onun mürəkkəbliyi >100 AEP-dən 12-yə qədər dəyişir. Sadəlik üçün hazırkı diqqət 12 qlobal AEP-nin mürəkkəbliyinə yönəlib.Gələcək tədqiqatlar, xüsusən də regional tədqiqatlar qlobal eko-vilayətlərin daha kiçik məkan alt çoxluğunu faydalı hesab edə bilər və burada müzakirə olunan eyni ekoloji anlayışlardan faydalanmaq üçün daha kiçik bir ərazidə birləşdirilə bilər.O, bu ekoloji əyalətlərin və onlardan əldə edilən fikirlərin daha çox ekoloji anlamaq, model müqayisəsini asanlaşdırmaq və dəniz ekosistemlərinin monitorinqini potensial olaraq təkmilləşdirmək üçün necə istifadə olunacağına dair təkliflər verir.
SAGE metodu ilə müəyyən edilmiş ekoloji əyalət və AEP ədədi modeldəki məlumatlara əsaslanır.Tərifinə görə, ədədi model hədəf sistemin mahiyyətini tutmağa çalışan sadələşdirilmiş bir quruluşdur və müxtəlif modellər planktonun fərqli paylanmasına sahib olacaqdır.Bu tədqiqatda istifadə edilən ədədi model müşahidə edilən bəzi nümunələri tam şəkildə tuta bilmir (məsələn, ekvator bölgəsi və Cənubi Okean üçün Chl təxminlərində).Həqiqi okeandakı müxtəlifliyin yalnız kiçik bir hissəsi tutulur və mezo və sub-mezomiqyaslar həll edilə bilməz, bu da qida axınına və daha kiçik miqyaslı icma quruluşuna təsir göstərə bilər.Bu çatışmazlıqlara baxmayaraq, məlum olur ki, AEP mürəkkəb modelləri başa düşməyə kömək etmək üçün çox faydalıdır.Bənzər ekoloji əyalətlərin harada olduğunu qiymətləndirərək, AEP potensial ədədi model müqayisəsi aləti təqdim edir.Cari ədədi model məsafədən zondlama fitoplankton Chl-a konsentrasiyasının ümumi modelini və plankton ölçüsünün və funksional qrupunun paylanmasını əks etdirir (Qeyd S1 və Şəkil S1) (2, 32).
0,1 mgChl-a/m-3 kontur xətti ilə göstərildiyi kimi, AEP oliqotrofik sahəyə və mezotrofik sahəyə bölünür (Şəkil S1B): AEP B, C, D, E, F və G oliqotrof sahələrdir, qalan sahələr isə Ali Chl-a yerləşir.AEP Longhurst əyaləti ilə bəzi yazışmaları göstərir (Şəkil S3A), məsələn, Cənub okeanı və ekvatorial Sakit okean.Bəzi bölgələrdə AEP çoxlu Longhurst bölgələrini əhatə edir və əksinə.Bu ərazidə və Longhurstda əyalətlərin sərhədlərinin müəyyən edilməsi niyyəti fərqli olduğundan, fərqliliklərin olacağı gözlənilir.Longhurst əyalətindəki çoxsaylı AEP-lər göstərir ki, oxşar biogeokimyaya malik müəyyən ərazilər çox fərqli ekosistem strukturlarına malik ola bilər.AEP, nəzarətsiz öyrənmə (19) vasitəsilə aşkar edildiyi kimi, fiziki vəziyyətlərlə müəyyən uyğunluq nümayiş etdirir, məsələn, yüksək yüksəlmə ştatlarında (məsələn, Cənub okeanı və ekvatorial Sakit okean; Şəkil S3, C və D).Bu yazışmalar göstərir ki, planktonun icma quruluşu okean dinamikasından güclü şəkildə təsirlənir.Şimali Atlantika kimi ərazilərdə AEP fiziki əyalətlərdən keçir.Bu fərqlərə səbəb olan mexanizm, oxşar fiziki şəraitdə belə tamamilə fərqli qidalanma proqramlarına səbəb ola bilən toz daşınması kimi prosesləri əhatə edə bilər.
Ekologiya Nazirliyi və AEP qeyd etdi ki, yalnız Chl-dən istifadə etməklə ekoloji komponentləri müəyyən etmək mümkün deyil, çünki dəniz ekologiyası ictimaiyyəti artıq başa düşüb.Bu, oxşar biokütlə, lakin əhəmiyyətli dərəcədə fərqli ekoloji tərkibə malik AEP-lərdə (məsələn, D və E) müşahidə olunur.Bunun əksinə olaraq, D və K kimi AEP-lər çox fərqli biokütlə, lakin oxşar ekoloji tərkibə malikdir.AEP biokütlə, ekoloji tərkibi və zooplankton bolluğu arasında əlaqənin mürəkkəb olduğunu vurğulayır.Məsələn, AEP J fitoplankton və plankton biokütləsi baxımından fərqlənsə də, AEP-nin A və L-də oxşar plankton biokütləsi var, lakin A-da plankton bolluğu daha yüksəkdir.AEP vurğulayır ki, fitoplankton biokütləsi (və ya Chl) zooplankton biokütləsini proqnozlaşdırmaq üçün istifadə edilə bilməz.Zooplankton balıqçılıq qida zəncirinin əsasını təşkil edir və daha dəqiq hesablamalar resursların daha yaxşı idarə olunmasına səbəb ola bilər.Gələcək dəniz rəngli peykləri [məsələn, PACE (plankton, aerozol, bulud və dəniz ekosistemi)] fitoplanktonun icma strukturunu qiymətləndirməyə kömək etmək üçün daha yaxşı yerləşdirilə bilər.AEP proqnozunun istifadəsi kosmosdan zooplanktonun qiymətləndirilməsini potensial olaraq asanlaşdıra bilər.SAGE kimi üsullar, yeni texnologiyalar və yerüstü həqiqət tədqiqatları üçün mövcud olan getdikcə daha çox sahə məlumatı (məsələn, Tara və sonrakı tədqiqatlar) peyk əsaslı ekosistemin sağlamlığının monitorinqi istiqamətində birgə addım ata bilər.
SAGE metodu biokütlə/Chl, xalis ilkin istehsal və icma strukturu kimi əyalət xüsusiyyətlərinə nəzarət edən bəzi mexanizmləri qiymətləndirmək üçün əlverişli bir yol təqdim edir.Məsələn, diatomların nisbi miqdarı fitoplanktonun stokiometrik tələblərinə nisbətən Si, N, P və Fe tədarükündə balanssızlıq ilə müəyyən edilir.Balanslaşdırılmış tədarük nisbətində cəmiyyətdə diatomlar (L) üstünlük təşkil edir.Təchizat nisbəti balanssız olduqda (yəni, silikonun tədarükü diatomların qida tələbatından daha aşağıdır), diatomlar yalnız kiçik bir pay payını (K) təşkil edir.Fe və P tədarükü N tədarükündən çox olduqda (məsələn, E və H), diazotrof bakteriyalar güclü şəkildə inkişaf edəcəkdir.AEP tərəfindən təmin edilən kontekst vasitəsilə nəzarət mexanizmlərinin tədqiqi daha faydalı olacaqdır.
Eko-vilayət və AEP oxşar icma strukturlarına malik ərazilərdir.Ekoloji əyalət və ya AEP daxilində müəyyən bir yerdən olan zaman seriyası istinad nöqtəsi kimi qəbul edilə bilər və ekoloji əyalətin və ya AEP-in əhatə etdiyi ərazini təmsil edə bilər.Uzunmüddətli yerlərdə monitorinq stansiyaları belə vaxt sıralarını təmin edir.Uzunmüddətli in-situ məlumat dəstləri misilsiz rol oynamağa davam edəcək.İcma strukturunun monitorinqi nöqteyi-nəzərindən SAGE metodu yeni saytların ən faydalı yerini müəyyən etməyə kömək edən bir üsul kimi görünə bilər.Məsələn, uzunmüddətli oliqotrofik yaşayış mühitinin qiymətləndirilməsinin (ALOHA) zaman seriyası oliqotrofik ərazinin AEP B-də yerləşir (Şəkil 5C, etiket 2).ALOHA başqa bir AEP-in sərhədinə yaxın olduğundan, zaman seriyası əvvəllər təklif edildiyi kimi bütün ərazini təmsil etməyə bilər (33).Eyni AEP B-də SEATS (Cənub-Şərqi Asiya Vaxt Seriyası) Tayvanın cənub-qərbində (34) digər AEP-lərin hüdudlarından daha uzaqda yerləşir (Şəkil 5C, etiket 1) və monitorinq üçün daha yaxşı yer kimi istifadə edilə bilər. AEPB.AEPC-də BATS (Bermud Atlantik Zaman Seriyası Tədqiqi) zaman seriyası (Şəkil 5C, etiket 4) AEP C və F arasındakı sərhədə çox yaxındır və bu, BATS vaxt seriyasından istifadə edərək AEP C-nin monitorinqinin birbaşa problemli ola biləcəyini göstərir.AEP J-də P stansiyası (Şəkil 5C, etiket 3) AEP sərhədindən uzaqdır, ona görə də daha çox təmsil olunur.Eko-Əyalət və AEP qlobal dəyişiklikləri qiymətləndirmək üçün uyğun monitorinq çərçivəsinin yaradılmasına kömək edə bilər, çünki əyalətlərin yerində nümunə götürmənin əsas anlayışları təmin edə biləcəyini qiymətləndirməyə icazəsi.SAGE metodu vaxta qənaət edən dəyişkənliyi qiymətləndirmək üçün iqlim məlumatlarına tətbiq etmək üçün daha da inkişaf etdirilə bilər.
SAGE metodunun uğuru məlumat elminin/ML metodlarının və sahəyə aid biliyin diqqətlə tətbiqi ilə əldə edilir.Xüsusilə, t-SNE yüksək ölçülü məlumatların kovariasiya strukturunu qoruyan və kovariasiya topologiyasının vizuallaşdırılmasını asanlaşdıran ölçülərin azaldılmasını həyata keçirmək üçün istifadə olunur.Məlumatlar zolaqlar və kovaryanslar şəklində düzülür (Şəkil 2A), bu göstərir ki, sırf məsafəyə əsaslanan ölçülər (məsələn, K-vasitələr) uyğun deyil, çünki onlar adətən Qauss (dairəvi) əsas paylamadan istifadə edirlər (S2 Qeydində müzakirə olunur) .DBSCAN metodu istənilən kovariasiya topologiyası üçün uyğundur.Parametrlərin qurulmasına diqqət yetirdiyiniz müddətdə etibarlı identifikasiya təmin edilə bilər.t-SNE alqoritminin hesablama dəyəri yüksəkdir, bu da onun cari tətbiqini daha böyük həcmdə verilənlərlə məhdudlaşdırır, yəni dərin və ya zamanla dəyişən sahələrə tətbiq etmək çətindir.t-SNE-nin miqyası üzərində iş davam edir.KL məsafəsini paralelləşdirmək asan olduğundan, t-SNE alqoritmi gələcəkdə genişlənmə üçün yaxşı potensiala malikdir (35).İndiyə qədər ölçüsü daha yaxşı azalda bilən digər perspektivli ölçülərin azaldılması üsullarına vahid manifold yaxınlaşma və proyeksiya (UMAP) üsulları daxildir, lakin okean məlumatları kontekstində qiymətləndirmə zəruridir.Daha yaxşı miqyaslılığın mənası, məsələn, qlobal iqlimləri və ya müxtəlif mürəkkəbliyə malik modelləri qarışıq təbəqədə təsnif etməkdir.Hər hansı bir əyalətdə SAGE tərəfindən təsnif edilməyən ərazilər Şəkil 2A-da qalan qara nöqtələr kimi qəbul edilə bilər.Coğrafi baxımdan bu ərazilər əsasən yüksək mövsümi ərazilərdədir və bu, zamanla dəyişən ekoloji əyalətlərin ələ keçirilməsinin daha yaxşı əhatə təmin edəcəyini göstərir.
SAGE metodunu qurmaq üçün funksional qrupların klasterlərini (11 ölçülü məkanda çox yaxın olma imkanı) müəyyən etmək və vilayətləri müəyyən etmək bacarığından istifadə edərək, mürəkkəb sistemlər/məlumat elmləri ideyalarından istifadə edilmişdir.Bu əyalətlər 3D t-SNE faza məkanımızda xüsusi həcmləri təsvir edir.Eynilə, Puankare hissəsi “normal” və ya “xaotik” davranışı müəyyən etmək üçün trayektoriyanın tutduğu dövlət məkanının “həcmini” qiymətləndirmək üçün istifadə edilə bilər (36).Statik 11-ölçülü model çıxışı üçün verilənlər 3D faza məkanına çevrildikdən sonra tutulan həcm eyni şəkildə izah edilə bilər.3D faza məkanında coğrafi ərazi ilə ərazi arasındakı əlaqə sadə deyil, lakin ekoloji oxşarlıq baxımından izah edilə bilər.Bu səbəbdən daha çox şərti BC fərqlilik ölçüsünə üstünlük verilir.
Gələcək iş müəyyən edilmiş əyalətlərin və AEP-nin məkan dəyişkənliyini qiymətləndirmək üçün mövsümi dəyişən məlumatlar üçün SAGE metodundan yenidən istifadə edəcəkdir.Gələcək məqsəd peyk ölçmələri (məsələn, Chl-a, uzaqdan zondlama əks etdirmə qabiliyyəti və dəniz səthinin temperaturu) vasitəsilə hansı əyalətlərin təyin oluna biləcəyini müəyyən etmək üçün bu metoddan istifadə etməkdir.Bu, ekoloji komponentlərin uzaqdan zondla qiymətləndirilməsinə və ekoloji əyalətlərin və onların dəyişkənliyinin yüksək çevik monitorinqinə imkan verəcək.
Bu tədqiqatın məqsədi unikal plankton icma quruluşu vasitəsilə ekoloji əyaləti müəyyən edən SAGE metodunu təqdim etməkdir.Burada fiziki/biogeokimyəvi/ekosistem modeli və t-SNE və DBSCAN alqoritmlərinin parametr seçimi haqqında daha ətraflı məlumat veriləcək.
Modelin fiziki komponentləri okean sirkulyasiyasının və iqlimin qiymətləndirilməsindən irəli gəlir [ECCOv4;(37) (38) tərəfindən təsvir edilən qlobal vəziyyətin qiymətləndirilməsi.Dövlət qiymətləndirməsinin nominal həlli 1/5-dir.Laqranj çarpan metodu ilə ən kiçik kvadratlar metodu müşahidə yolu ilə tənzimlənən ilkin və sərhəd şərtlərini və daxili model parametrlərini əldə etmək üçün istifadə olunur və bununla da sərbəst işləyən MIT ümumi dövr modeli (MITgcm) (39) yaradılır, model Optimallaşdırmadan sonra nəticələr əldə edilə bilər. izlənilməlidir və müşahidə edilməlidir.
Biogeokimya/ekosistem (2)-də daha dolğun təsvirə (yəni tənliklər və parametr qiymətlərinə) malikdir.Model qeyri-üzvi və üzvi gölməçələr vasitəsilə C, N, P, Si və Fe sirkulyasiyasını ələ keçirir.Burada istifadə olunan versiyaya 35 növ fitoplankton daxildir: 2 növ mikroprokaryot və 2 növ mikroeukariot (az qidalı mühitlər üçün uyğundur), 5 növ Cryptomonas sphaeroides (kalsium karbonat örtüyü ilə), 5 növ diazonium ( Azot fiksasiya edə bilir, belə ki, bu məhdud deyil) həll edilmiş qeyri-üzvi azotun mövcudluğu), 11 diatom (silisli örtük əmələ gətirən), 10 qarışıq-vegetativ flagellat (digər planktonları fotosintez edə və yeyə bilər) və 16 zooplankton (digər planktonlarda otlaya bilər).Dəniz biogeokimyasına müxtəlif təsirlər göstərdiyinə görə (40, 41) və çox vaxt müşahidə və model tədqiqatlarında istifadə olunduğu üçün bunlar “biogeokimyəvi funksional qruplar” adlanır.Bu modeldə hər bir funksional qrup 0,6 ilə 2500 mkm ekvivalent sferik diametrə malik müxtəlif ölçülü bir neçə planktondan ibarətdir.
Fitoplanktonun böyüməsinə, otarılmasına və batmasına təsir edən parametrlər ölçü ilə əlaqədardır və altı fitoplanktonun funksional qrupu arasında spesifik fərqlər mövcuddur (32).Fərqli fiziki çərçivələrə baxmayaraq, modelin 51 plankton komponentinin nəticələri bir sıra son tədqiqatlarda istifadə edilmişdir (42-44).
1992-ci ildən 2011-ci ilə qədər fiziki/biogeokimyəvi/ekosistem birləşmə modeli 20 il işlədi.Modelin çıxışına plankton biokütləsi, qida konsentrasiyası və qidalanma sürəti (DIN, PO4, Si və Fe) daxildir.Bu işdə bu çıxışların 20 illik ortalaması Ekoloji İlin girdisi olaraq istifadə edilmişdir.Chl, plankton biokütləsinin paylanması və qida konsentrasiyası və funksional qrupların paylanması peyk və in-situ müşahidələri ilə müqayisə edilir [bax (2, 44), Qeyd S1 və şəklə.S1 - S3].
SAGE metodu üçün təsadüfiliyin əsas mənbəyi t-SNE addımından gəlir.Təsadüfilik təkrarlanmağa mane olur, yəni nəticələr etibarsızdır.SAGE metodu t-SNE və DBSCAN parametrləri dəstini təyin etməklə möhkəmliyi ciddi şəkildə yoxlayır, təkrarlananda ardıcıl olaraq klasterləri müəyyən edə bilir.t-SNE parametrinin "çaşqınlığının" müəyyən edilməsi, yüksəkdən aşağı ölçülərə qədər xəritəçəkmənin məlumatların yerli və ya qlobal xüsusiyyətlərinə nə dərəcədə riayət etməli olduğunu müəyyən etmək kimi başa düşülə bilər.400 və 300 iterasiya qarışıqlığına çatdı.
DBSCAN klaster alqoritmi üçün klasterdəki məlumat nöqtələrinin minimum ölçüsü və məsafə metrikası müəyyən edilməlidir.Minimum sayı mütəxəssislərin rəhbərliyi altında müəyyən edilir.Bu bilik cari ədədi modelləşdirmə çərçivəsinə və həllinə nə uyğun gəldiyini bilir.Minimum say 100-dür. Daha yüksək minimum dəyər (yaşılın yuxarı həddi genişlənməzdən əvvəl <135-dən az) nəzərə alına bilər, lakin o, BC fərqliliyinə əsaslanan toplama metodunu əvəz edə bilməz.Bağlantı dərəcəsi (Şəkil 6A) daha yüksək əhatə dairəsi üçün əlverişli olan ϵ parametrini təyin etmək üçün istifadə olunur (Şəkil 6B).Əlaqədarlıq klasterlərin ümumi sayı kimi müəyyən edilir və ϵ parametrinə həssasdır.Aşağı bağlantı qeyri-kafi uyğunlaşmanı göstərir, bölgələri bir-birinə süni şəkildə qruplaşdırır.Yüksək əlaqə həddindən artıq uyğunluğu göstərir.Həddindən artıq uyğunlaşma da problemlidir, çünki bu, ilkin təsadüfi təxminlərin təkrarolunmaz nəticələrə səbəb ola biləcəyini göstərir.Bu iki ifrat arasında kəskin artım (adətən “dirsək” adlanır) ən yaxşı ϵ-ni göstərir.Şəkil 6A-da siz yayla sahəsində kəskin artım (sarı,> 200 klaster), ardınca kəskin azalma (yaşıl, 100 klaster), təxminən 130-a qədər, çox az qrupla əhatə olunmuş (mavi, <60 çoxluq) görürsünüz. ).Ən azı 100 mavi sahədə ya bir klaster bütün okeanda üstünlük təşkil edir (ϵ <0,42), ya da okeanın çox hissəsi təsnif edilmir və səs-küy hesab olunur (ϵ> 0,99).Sarı sahə çox dəyişkən, təkrarlana bilməyən çoxluq paylanmasına malikdir.ϵ azaldıqca səs-küy artır.Kəskin artan yaşıl sahəyə dirsək deyilir.Bu, optimal regiondur.t-SNE ehtimalından istifadə olunsa da, vilayət daxilində BC fərqliliyi hələ də etibarlı klasterləşməni müəyyən etmək üçün istifadə edilə bilər.Şəkil 6-dan (A və B) istifadə edərək, ϵ-ni 0,39-a təyin edin.Minimum say nə qədər böyükdürsə, etibarlı təsnifata imkan verən ϵ-ə çatma ehtimalı bir o qədər az olar və 135-dən çox dəyərə malik yaşıl sahə bir o qədər çox olar. Bu sahənin genişlənməsi onu göstərir ki, dirsəyi tapmaq daha çətin olacaq və ya qeyri-mümkün olacaq. mövcud.
t-SNE parametrlərini təyin etdikdən sonra tapılan klasterlərin ümumi sayı əlaqə ölçüsü (A) və klasterə ayrılmış məlumatların faizi (B) kimi istifadə olunacaq.Qırmızı nöqtə əhatə dairəsi və əlaqənin ən yaxşı birləşməsini göstərir.Minimum say ekologiya ilə bağlı minimum sayına uyğun olaraq müəyyən edilir.
Bu məqalə üçün əlavə materiallar üçün http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1 baxın
Bu, Creative Commons Attribution License şərtləri əsasında paylanmış açıq giriş məqaləsidir.Məqalə orijinal əsərə düzgün istinad etmək şərti ilə istənilən mühitdə məhdudiyyətsiz istifadəyə, yayılmasına və çoxalmasına icazə verir.
Qeyd: Səhifəyə tövsiyə etdiyiniz şəxsin e-poçtu görməsini istədiyinizi və bunun spam olmadığını bilməsi üçün sizdən yalnız e-poçt ünvanınızı təqdim etməyinizi xahiş edirik.Biz heç bir e-poçt ünvanını tutmayacağıq.
Bu sual sizin ziyarətçi olub-olmadığınızı yoxlamaq və avtomatik spam göndərilməsinin qarşısını almaq üçün istifadə olunur.
Qlobal Dəniz Ekologiyası Nazirliyi mürəkkəb problemləri həll etməkdə qərarlıdır və icma strukturlarını araşdırmaq üçün nəzarətsiz ML-dən istifadə edir.
Qlobal Dəniz Ekologiyası Nazirliyi mürəkkəb problemləri həll etməkdə qərarlıdır və icma strukturlarını araşdırmaq üçün nəzarətsiz ML-dən istifadə edir.
Göndərmə vaxtı: 12 yanvar 2021-ci il