ઇકોલોજીકલ જટિલતાની સ્પષ્ટતા: દેખરેખ વિનાનું શિક્ષણ વૈશ્વિક દરિયાઇ ઇકોલોજીકલ પ્રાંત નક્કી કરે છે

પ્લાન્કટોન સમુદાયની રચના અને પોષક પ્રવાહના ડેટાના આધારે વૈશ્વિક દરિયાઇ ઇકોલોજીકલ પ્રાંતો (ઇકો-પ્રાંતો) નિર્ધારિત કરવા માટે એક દેખરેખ વિનાની શીખવાની પદ્ધતિનો પ્રસ્તાવ છે.વ્યવસ્થિત સંકલિત ઇકોલોજીકલ પ્રોવિન્સ (SAGE) પદ્ધતિ અત્યંત બિનરેખીય ઇકોસિસ્ટમ મોડલમાં ઇકોલોજીકલ પ્રાંતોને ઓળખી શકે છે.ડેટાના નોન-ગૌસિયન સહપ્રવાહને અનુકૂલન કરવા માટે, SAGE પરિમાણ ઘટાડવા માટે t રેન્ડમ પડોશી એમ્બેડિંગ (t-SNE) નો ઉપયોગ કરે છે.ઘનતા-આધારિત અવકાશી ક્લસ્ટરિંગ (DBSCAN) અલ્ગોરિધમ પર આધારિત અવાજ એપ્લિકેશનની મદદથી, સો કરતાં વધુ ઇકોલોજીકલ પ્રાંતોને ઓળખી શકાય છે.અંતર માપ તરીકે ઇકોલોજીકલ તફાવતો સાથેના જોડાણ નકશાનો ઉપયોગ કરીને, એક મજબૂત એકત્રિક ઇકોલોજીકલ પ્રાંત (AEP) નેસ્ટેડ ઇકોલોજીકલ પ્રાંતો દ્વારા ઉદ્દેશ્યપૂર્વક વ્યાખ્યાયિત કરવામાં આવે છે.AEPs નો ઉપયોગ કરીને, સમુદાયના માળખા પર પોષક તત્ત્વોના પુરવઠા દરના નિયંત્રણની શોધ કરવામાં આવી હતી.ઇકો-પ્રાંત અને AEP અનન્ય છે અને મોડેલના અર્થઘટનમાં મદદ કરી શકે છે.તેઓ મોડેલો વચ્ચે સરખામણીને સરળ બનાવી શકે છે અને દરિયાઈ જીવસૃષ્ટિની સમજ અને દેખરેખને વધારી શકે છે.
પ્રાંતો એવા પ્રદેશો છે જ્યાં સમુદ્ર અથવા જમીન પરની જટિલ જૈવ ભૂગોળ સુસંગત અને અર્થપૂર્ણ વિસ્તારોમાં ગોઠવવામાં આવે છે (1).આ પ્રાંતો સ્થાનોની તુલના અને વિરોધાભાસ કરવા, અવલોકનોની લાક્ષણિકતા, દેખરેખ અને રક્ષણ માટે ખૂબ જ મહત્વપૂર્ણ છે.જટિલ અને બિન-રેખીય ક્રિયાપ્રતિક્રિયાઓ કે જે આ પ્રાંતો ઉત્પન્ન કરે છે તે બિન-સુપરવાઇઝ્ડ મશીન લર્નિંગ (ML) પદ્ધતિઓને ઉદ્દેશ્યપૂર્વક પ્રાંતોને નિર્ધારિત કરવા માટે ખૂબ જ યોગ્ય બનાવે છે, કારણ કે ડેટામાં સહપ્રવર્તન જટિલ અને બિન-ગૌસીયન છે.અહીં, એક ML પદ્ધતિ પ્રસ્તાવિત છે, જે ડાર્વિન વૈશ્વિક ત્રિ-પરિમાણીય (3D) ભૌતિક/ઇકોસિસ્ટમ મોડલ (2)માંથી અનન્ય દરિયાઇ ઇકોલોજીકલ પ્રાંતો (ઇકો-પ્રાંતો) ને પદ્ધતિસરની ઓળખ આપે છે."યુનિક" શબ્દનો ઉપયોગ એ દર્શાવવા માટે થાય છે કે ઓળખાયેલ વિસ્તાર અન્ય વિસ્તારો સાથે પૂરતા પ્રમાણમાં ઓવરલેપ થતો નથી.આ પદ્ધતિને સિસ્ટમ ઇન્ટિગ્રેટેડ ઇકોલોજીકલ પ્રોવિન્સ (સેજ) પદ્ધતિ કહેવામાં આવે છે.ઉપયોગી વર્ગીકરણ કરવા માટે, અલ્ગોરિધમ પદ્ધતિને મંજૂરી આપવી જરૂરી છે (i) વૈશ્વિક વર્ગીકરણ અને (ii) બહુ-સ્કેલ વિશ્લેષણ કે જે અવકાશ અને સમય (3) માં નેસ્ટેડ/એગ્રિગેટ કરી શકાય છે.આ સંશોધનમાં, SAGE પદ્ધતિ પ્રથમ પ્રસ્તાવિત કરવામાં આવી હતી અને ઓળખાયેલ ઇકોલોજીકલ પ્રાંતોની ચર્ચા કરવામાં આવી હતી.ઇકો-પ્રાંતો એવા પરિબળોની સમજને પ્રોત્સાહિત કરી શકે છે જે સમુદાયના માળખાને નિયંત્રિત કરે છે, મોનિટરિંગ વ્યૂહરચનાઓ માટે ઉપયોગી આંતરદૃષ્ટિ પ્રદાન કરે છે અને ઇકોસિસ્ટમમાં ફેરફારોને ટ્રૅક કરવામાં મદદ કરે છે.
પાર્થિવ પ્રાંતોને સામાન્ય રીતે આબોહવા (વરસાદ અને તાપમાન), માટી, વનસ્પતિ અને પ્રાણીસૃષ્ટિમાં સમાનતા અનુસાર વર્ગીકૃત કરવામાં આવે છે અને તેનો ઉપયોગ સહાયક વ્યવસ્થાપન, જૈવવિવિધતા સંશોધન અને રોગ નિયંત્રણ માટે થાય છે (1, 4).દરિયાઈ પ્રાંતોની વ્યાખ્યા કરવી વધુ મુશ્કેલ છે.મોટાભાગના સજીવો પ્રવાહી સીમાઓ સાથે માઇક્રોસ્કોપિક છે.લોન્ગહર્સ્ટ એટ અલ.(5) પર્યાવરણીય પરિસ્થિતિઓના આધારે સમુદ્રશાસ્ત્ર મંત્રાલયના પ્રથમ વૈશ્વિક વર્ગીકરણોમાંથી એક પ્રદાન કર્યું.આ “લોન્ગહર્સ્ટ” પ્રાંતોની વ્યાખ્યામાં ચલોનો સમાવેશ થાય છે જેમ કે મિશ્રણ દર, સ્તરીકરણ અને વિકિરણ, તેમજ દરિયાઈ સમુદ્રશાસ્ત્રી તરીકે લોંગહર્સ્ટનો વ્યાપક અનુભવ, જેઓ દરિયાઈ જીવસૃષ્ટિ માટે અન્ય મહત્વપૂર્ણ શરતો ધરાવે છે.લોન્ગહર્સ્ટનો વ્યાપકપણે ઉપયોગ કરવામાં આવ્યો છે, ઉદાહરણ તરીકે, પ્રાથમિક ઉત્પાદન અને કાર્બન પ્રવાહનું મૂલ્યાંકન કરવા, મત્સ્યોદ્યોગને મદદ કરવા અને સિટુ અવલોકન પ્રવૃત્તિઓમાં યોજના બનાવવા માટે (5-9).પ્રાંતોને વધુ નિરપેક્ષ રીતે વ્યાખ્યાયિત કરવા માટે, ફઝી લોજિક અને પ્રાદેશિક અનસુપરવાઇઝ્ડ ક્લસ્ટરીંગ/આંકડા જેવી પદ્ધતિઓનો ઉપયોગ કરવામાં આવ્યો છે (9-14).આવી પદ્ધતિઓનો હેતુ અર્થપૂર્ણ માળખાને ઓળખવાનો છે જે ઉપલબ્ધ અવલોકન ડેટામાં પ્રાંતોને ઓળખી શકે છે.ઉદાહરણ તરીકે, ગતિશીલ દરિયાઈ પ્રાંતો (12) અવાજ ઘટાડવા માટે સ્વ-સંગઠિત નકશાનો ઉપયોગ કરે છે, અને પ્રાદેશિક ઉપગ્રહો [ક્લોરોફિલ a (Chl-a), સામાન્યકૃત ફ્લોરોસેન્સ રેખા ઊંચાઈ અને દરિયાઈ રંગના ઉત્પાદનોને નિર્ધારિત કરવા અધિક્રમિક (વૃક્ષ-આધારિત) ક્લસ્ટરિંગનો ઉપયોગ કરે છે. રંગીન ઓગળેલા કાર્બનિક પદાર્થો] અને ભૌતિક ક્ષેત્ર (સમુદ્રની સપાટીનું તાપમાન અને ખારાશ, સંપૂર્ણ ગતિશીલ ટોપોગ્રાફી અને દરિયાઈ બરફ).
પ્લાન્કટોનનું સામુદાયિક માળખું ચિંતાનો વિષય છે કારણ કે તેની ઇકોલોજીનો ઉચ્ચ પોષક સ્તર, કાર્બન શોષણ અને આબોહવા પર ઘણો પ્રભાવ છે.તેમ છતાં, પ્લાન્કટોન સમુદાયના માળખાના આધારે વૈશ્વિક ઇકોલોજીકલ પ્રાંત નક્કી કરવાનું હજુ પણ એક પડકારજનક અને પ્રપંચી લક્ષ્ય છે.દરિયાઈ રંગના ઉપગ્રહો સંભવિતપણે ફાયટોપ્લાંકટોનના બરછટ-દાણાવાળા વર્ગીકરણમાં આંતરદૃષ્ટિ પ્રદાન કરી શકે છે અથવા કાર્યાત્મક જૂથો (15) ના ફાયદા સૂચવી શકે છે, પરંતુ તેઓ હાલમાં સમુદાય માળખા પર વિગતવાર માહિતી પ્રદાન કરવામાં અસમર્થ છે.તાજેતરના સર્વેક્ષણો [દા.ત. તારા મહાસાગર (16)] સમુદાયના માળખાના અભૂતપૂર્વ માપન પૂરા પાડે છે;હાલમાં, વૈશ્વિક સ્તરે માત્ર છૂટાછવાયા ઇન-સીટુ અવલોકનો છે (17).અગાઉના અભ્યાસોએ જૈવ રાસાયણિક સમાનતા (જેમ કે પ્રાથમિક ઉત્પાદન, Chl અને ઉપલબ્ધ પ્રકાશ)ના નિર્ધારણના આધારે "બાયોજિયોકેમિકલ પ્રાંત" (12, 14, 18) મોટે ભાગે નક્કી કર્યું છે.અહીં, સંખ્યાત્મક મોડેલનો ઉપયોગ [ડાર્વિન(2)] આઉટપુટ કરવા માટે થાય છે, અને ઇકોલોજીકલ પ્રાંત સમુદાયની રચના અને પોષક પ્રવાહ અનુસાર નક્કી કરવામાં આવે છે.આ અભ્યાસમાં વપરાતા સંખ્યાત્મક મોડલ વૈશ્વિક કવરેજ ધરાવે છે અને હાલના ફિલ્ડ ડેટા (17) અને રિમોટ સેન્સિંગ ફીલ્ડ્સ (નોંધ S1) સાથે સરખાવી શકાય છે.આ અભ્યાસમાં વપરાતા આંકડાકીય મોડલ ડેટામાં વૈશ્વિક કવરેજનો ફાયદો છે.મોડેલ ઇકોસિસ્ટમમાં ફાયટોપ્લાંકટોનની 35 પ્રજાતિઓ અને ઝૂપ્લાંકટોનની 16 પ્રજાતિઓનો સમાવેશ થાય છે (કૃપા કરીને સામગ્રી અને પદ્ધતિઓનો સંદર્ભ લો).મૉડલ પ્લાન્કટોન પ્રકારો બિન-ગૌસિયન કોવેરિયન્સ સ્ટ્રક્ચર્સ સાથે બિનરેખીય રીતે ક્રિયાપ્રતિક્રિયા કરે છે, તેથી સાદી ડાયગ્નોસ્ટિક પદ્ધતિઓ ઉભરતી સમુદાય રચનાઓમાં અનન્ય અને સુસંગત પેટર્નને ઓળખવા માટે યોગ્ય નથી.અહીં રજૂ કરાયેલ SAGE પદ્ધતિ જટિલ ડાર્વિન મોડલ્સના આઉટપુટને તપાસવા માટે એક નવી રીત પ્રદાન કરે છે.
ડેટા સાયન્સ/એમએલ ટેક્નૉલૉજીની શક્તિશાળી પરિવર્તનશીલ ક્ષમતાઓ ડેટા કોવેરિયન્સમાં જટિલ પરંતુ મજબૂત માળખાને ઉજાગર કરવા માટે જબરજસ્ત જટિલ મોડેલ સોલ્યુશન્સને સક્ષમ કરી શકે છે.એક મજબૂત પદ્ધતિને એક પદ્ધતિ તરીકે વ્યાખ્યાયિત કરવામાં આવે છે જે આપેલ ભૂલ શ્રેણીમાં પરિણામોને વિશ્વાસપૂર્વક પુનઃઉત્પાદિત કરી શકે છે.સરળ પ્રણાલીઓમાં પણ, મજબૂત પેટર્ન અને સંકેતો નક્કી કરવા એ એક પડકાર બની શકે છે.જ્યાં સુધી અવલોકન કરેલ પેટર્ન તરફ દોરી જતું તર્ક નક્કી ન થાય ત્યાં સુધી, ઉભરતી જટિલતાને ઉકેલવા માટે જટિલ/મુશ્કેલ લાગી શકે છે.ઇકોસિસ્ટમની રચનાને સેટ કરવાની મુખ્ય પ્રક્રિયા પ્રકૃતિમાં બિનરેખીય છે.બિન-રેખીય ક્રિયાપ્રતિક્રિયાઓનું અસ્તિત્વ મજબૂત વર્ગીકરણને મૂંઝવણમાં મૂકી શકે છે, તેથી ડેટા સહપ્રવાહના મૂળભૂત આંકડાકીય વિતરણ વિશે મજબૂત ધારણાઓ કરતી પદ્ધતિઓ ટાળવી જરૂરી છે.સમુદ્રશાસ્ત્રમાં ઉચ્ચ-પરિમાણીય અને બિનરેખીય ડેટા સામાન્ય છે અને તેમાં જટિલ, બિન-ગૌસિયન ટોપોલોજી સાથે સહપ્રવર્તન માળખું હોઈ શકે છે.જો કે નોન-ગૌસીયન કોવેરિયન્સ સ્ટ્રક્ચર સાથેનો ડેટા મજબૂત વર્ગીકરણને અવરોધી શકે છે, SAGE પદ્ધતિ નવલકથા છે કારણ કે તે મનસ્વી ટોપોલોજી સાથે ક્લસ્ટરોને ઓળખવા માટે રચાયેલ છે.
SAGE પદ્ધતિનો ધ્યેય ઉદ્દભવતી પેટર્નને ઉદ્દેશ્યપૂર્વક ઓળખવાનો છે જે વધુ ઇકોલોજીકલ સમજણમાં મદદ કરી શકે છે.(19) જેવા જ ક્લસ્ટર-આધારિત વર્કફ્લોને અનુસરીને, ઇકોલોજીકલ અને પોષક પ્રવાહ ચલોનો ઉપયોગ ડેટામાં એકમાત્ર ક્લસ્ટર નક્કી કરવા માટે થાય છે, જેને ઇકોલોજીકલ પ્રાંત કહેવાય છે.આ અભ્યાસમાં પ્રસ્તાવિત SAGE પદ્ધતિ (આકૃતિ 1) પ્રથમ પરિમાણતા 55 થી 11 પરિમાણને ઘટાડે છે અને પ્લાન્કટોન કાર્યાત્મક જૂથોને પ્રાથમિકતા તરીકે વ્યાખ્યાયિત કરે છે (જુઓ સામગ્રી અને પદ્ધતિઓ).ટી-રેન્ડમ પડોશી એમ્બેડિંગ (ટી-એસએનઇ) પદ્ધતિનો ઉપયોગ કરીને, 3D જગ્યામાં સંભાવનાને રજૂ કરીને કદ વધુ ઘટાડવામાં આવે છે.દેખરેખ વિનાના ક્લસ્ટરિંગ પર્યાવરણીય રીતે નજીકના વિસ્તારોને ઓળખી શકે છે [ઘોંઘાટ-આધારિત એપ્લિકેશનો માટે ઘનતા-આધારિત અવકાશી ક્લસ્ટરિંગ (DBSCAN)].t-SNE અને DBSCAN બંને સહજ બિન-રેખીય ઇકોસિસ્ટમ સંખ્યાત્મક મોડેલ ડેટાને લાગુ પડે છે.પછી પરિણામી ઇકોલોજીકલ પ્રાંતને પૃથ્વી પર પુનઃપ્રોજેક્ટ કરો.પ્રાદેશિક સંશોધન માટે યોગ્ય સો કરતાં વધુ અનન્ય ઇકોલોજીકલ પ્રાંતોની ઓળખ કરવામાં આવી છે.વૈશ્વિક સ્તરે સુસંગત ઇકોસિસ્ટમ મોડલને ધ્યાનમાં લેવા માટે, ઇકોલોજીકલ પ્રાંતોની અસરકારકતા સુધારવા માટે ઇકોલોજીકલ પ્રાંતોને એકીકૃત ઇકોલોજીકલ પ્રોવિન્સ (AEP) માં એકીકૃત કરવા માટે SAGE પદ્ધતિનો ઉપયોગ કરવામાં આવે છે.એકત્રીકરણનું સ્તર (જેને "જટિલતા" કહેવામાં આવે છે) જરૂરી વિગતોના સ્તર સાથે ગોઠવી શકાય છે.મજબૂત AEP ની ન્યૂનતમ જટિલતા નક્કી કરો.પસંદગીનું ધ્યાન SAGE પદ્ધતિ છે અને કટોકટીના સમુદાય માળખાના નિયંત્રણને નિર્ધારિત કરવા માટે સૌથી નાની જટિલતા AEP કેસોનું અન્વેષણ કરવું.પછી ઇકોલોજીકલ આંતરદૃષ્ટિ પ્રદાન કરવા પેટર્નનું વિશ્લેષણ કરી શકાય છે.અહીં રજૂ કરવામાં આવેલી પદ્ધતિનો ઉપયોગ મોડલની સરખામણી માટે વધુ વ્યાપક રીતે પણ થઈ શકે છે, ઉદાહરણ તરીકે, તફાવતો અને સમાનતાઓને હાઈલાઈટ કરવા માટે અલગ-અલગ મોડલ્સમાં જોવા મળતા સમાન ઇકોલોજીકલ પ્રાંતોના સ્થાનોનું મૂલ્યાંકન કરીને, જેથી મોડેલોની તુલના કરી શકાય.
(એ) ઇકોલોજીકલ પ્રાંત નક્કી કરવા માટે વર્કફ્લોનું યોજનાકીય રેખાકૃતિ;મૂળ 55-પરિમાણીય ડેટાને 11-પરિમાણીય મોડલ આઉટપુટમાં ઘટાડવા માટે કાર્યાત્મક જૂથમાં સરવાળાનો ઉપયોગ કરીને, જેમાં સાત કાર્યાત્મક/પોષક પ્લાન્કટોનના બાયોમાસ અને ચાર પોષક પુરવઠા દરોનો સમાવેશ થાય છે.નગણ્ય મૂલ્ય અને ટકાઉ બરફ કવર વિસ્તાર.ડેટા પ્રમાણિત અને પ્રમાણિત કરવામાં આવ્યો છે.આંકડાકીય રીતે સમાન લક્ષણ સંયોજનોને પ્રકાશિત કરવા માટે t-SNE અલ્ગોરિધમને 11-પરિમાણીય ડેટા પ્રદાન કરો.DBSCAN પેરામીટર મૂલ્ય સેટ કરવા માટે ક્લસ્ટરને કાળજીપૂર્વક પસંદ કરશે.છેલ્લે ડેટાને અક્ષાંશ/રેખાંશ પ્રક્ષેપણ પર પાછા પ્રોજેક્ટ કરો.મહેરબાની કરીને નોંધ કરો કે આ પ્રક્રિયા 10 વખત પુનરાવર્તિત થાય છે કારણ કે t-SNE લાગુ કરવાથી થોડી અવ્યવસ્થિતતા ઉત્પન્ન થઈ શકે છે.(B) 10 વખત (A) માં વર્કફ્લોનું પુનરાવર્તન કરીને AEP કેવી રીતે મેળવવું તે સમજાવે છે.આ 10 અમલીકરણોમાંના દરેક માટે, આંતર-પ્રાંતીય બ્રે-કર્ટિસ (BC) અસમાનતા મેટ્રિક્સ 51 ફાયટોપ્લાંકટોન પ્રકારના બાયોમાસના આધારે નક્કી કરવામાં આવ્યું હતું.પ્રાંતો વચ્ચે BC તફાવત નક્કી કરો, જટિલતા 1 AEP થી સંપૂર્ણ જટિલતા 115. BC બેન્ચમાર્ક લોંગહર્સ્ટ પ્રાંત દ્વારા સેટ કરવામાં આવ્યો છે.
ઇકોલોજીકલ પ્રાંતને વ્યાખ્યાયિત કરવા માટે SAGE પદ્ધતિ વૈશ્વિક 3D ભૌતિક/ઇકોસિસ્ટમ સંખ્યાત્મક મોડેલના આઉટપુટનો ઉપયોગ કરે છે [ડાર્વિન (2);સામગ્રી અને પદ્ધતિઓ અને નોંધ S1 જુઓ].ઇકોસિસ્ટમના ઘટકો ફાયટોપ્લાંકટોનની 35 પ્રજાતિઓ અને ઝૂપ્લાંકટોનની 16 પ્રજાતિઓથી બનેલા છે, જેમાં સાત પૂર્વવ્યાખ્યાયિત કાર્યાત્મક જૂથો છે: પ્રોકેરીયોટ્સ અને યુકેરીયોટ્સ ઓછા પોષક વાતાવરણમાં અનુકૂલિત છે, કેલ્શિયમ કાર્બોનેટ કોટિંગ સાથે કોક્સિડિયા, અને હેવી મિસટ્રિઅન્ટ્સ (નિષ્ક્રિયતા) મહત્વપૂર્ણ પોષક તત્ત્વો), સિલિસિયસ આવરણ સાથે, અન્ય પ્લાન્કટોન પ્રકાશસંશ્લેષણ અને મિશ્ર પોષક ફ્લેગેલેટ્સ અને ઝૂપ્લાંકટોન પશુપાલકોને ચરાવી શકે છે.કદનો ગાળો 0.6 થી 2500μm સમકક્ષ ગોળાકાર વ્યાસનો છે.ફાયટોપ્લાંકટોનના કદ અને કાર્યાત્મક જૂથનું મોડેલ વિતરણ ઉપગ્રહ અને ઇન-સીટુ અવલોકનોમાં જોવા મળેલી એકંદર લાક્ષણિકતાઓને પકડે છે (જુઓ આંકડા S1 થી S3).આંકડાકીય મૉડલ અને અવલોકન કરાયેલ મહાસાગર વચ્ચેની સમાનતા સૂચવે છે કે મૉડલ દ્વારા વ્યાખ્યાયિત કરાયેલા પ્રાંતો ઇન-સીટુ સમુદ્રને લાગુ પડી શકે છે.મહેરબાની કરીને નોંધ કરો કે આ મોડલ માત્ર ફાયટોપ્લાંકટોનની અમુક વિવિધતાને જ કેપ્ચર કરે છે, અને માત્ર અમુક ભૌતિક અને રાસાયણિક દબાણયુક્ત રેન્જને સીટુ સમુદ્રમાં જ કબજે કરે છે.SAGE પદ્ધતિ લોકોને મોડેલ સમુદાય માળખાના ઉચ્ચ પ્રાદેશિક નિયંત્રણ પદ્ધતિને વધુ સારી રીતે સમજવા માટે સક્ષમ બનાવી શકે છે.
દરેક પ્લાન્કટોન કાર્યાત્મક જૂથમાં માત્ર સપાટીના બાયોમાસના સરવાળા (20 વર્ષના સરેરાશ સમય સાથે)નો સમાવેશ કરીને, ડેટાની પરિમાણ ઘટાડી શકાય છે.અગાઉના અભ્યાસોએ સામુદાયિક માળખું નક્કી કરવામાં તેમની મુખ્ય ભૂમિકા દર્શાવ્યા પછી, તેમાં પોષક તત્ત્વોના પ્રવાહ (નાઇટ્રોજન, આયર્ન, ફોસ્ફેટ અને સિલિકિક એસિડનો પુરવઠો) [દા.ત. (20, 21)] માટે સપાટીના સ્ત્રોત શબ્દોનો પણ સમાવેશ થાય છે.કાર્યાત્મક જૂથોનો સરવાળો સમસ્યાને 55 (51 પ્લાન્કટોન અને 4 પોષક પ્રવાહ) થી 11 પરિમાણો સુધી ઘટાડે છે.આ પ્રારંભિક અભ્યાસમાં, એલ્ગોરિધમ દ્વારા લાદવામાં આવેલા કોમ્પ્યુટેશનલ અવરોધોને લીધે, ઊંડાઈ અને સમયની પરિવર્તનશીલતાને ધ્યાનમાં લેવામાં આવી ન હતી.
SAGE પદ્ધતિ બિનરેખીય પ્રક્રિયાઓ અને કાર્યાત્મક જૂથ બાયોમાસ અને પોષક પ્રવાહ વચ્ચેની ક્રિયાપ્રતિક્રિયાની મુખ્ય લાક્ષણિકતાઓ વચ્ચેના મહત્વપૂર્ણ સંબંધોને ઓળખવામાં સક્ષમ છે.યુક્લિડિયન અંતર શિક્ષણ પદ્ધતિઓ (જેમ કે કે-મીન્સ) પર આધારિત 11-પરિમાણીય ડેટાનો ઉપયોગ કરીને વિશ્વસનીય અને પુનઃઉત્પાદનક્ષમ પ્રાંત (19, 22) મેળવી શકતા નથી.આનું કારણ એ છે કે ઇકોલોજીકલ પ્રાંતને વ્યાખ્યાયિત કરતા મુખ્ય તત્વોના સહપ્રવાહના મૂળભૂત વિતરણમાં કોઈ ગૌસિયન આકાર જોવા મળતો નથી.વોરોનોઈ કોષો (સીધી રેખાઓ) ના K-માર્ગ બિન-ગૌસીયન મૂળભૂત વિતરણને જાળવી શકતા નથી.
સાત પ્લાન્કટોન કાર્યાત્મક જૂથો અને ચાર પોષક પ્રવાહોનું બાયોમાસ 11-પરિમાણીય વેક્ટર x બનાવે છે.તેથી, x એ મોડેલ ગ્રીડ પરનું વેક્ટર ક્ષેત્ર છે, જ્યાં દરેક તત્વ xi એ મોડેલ હોરીઝોન્ટલ ગ્રીડ પર વ્યાખ્યાયિત 11-પરિમાણીય વેક્ટરનું પ્રતિનિધિત્વ કરે છે.દરેક અનુક્રમણિકા i ગોળા પરના ગ્રીડ બિંદુને વિશિષ્ટ રીતે ઓળખે છે, જ્યાં (લોન, લેટ) = (ϕi, θi).જો મોડલ ગ્રીડ યુનિટનો બાયોમાસ 1.2×10-3mg Chl/m3 કરતા ઓછો હોય અથવા બરફ કવરેજ દર 70% કરતા વધી જાય, તો બાયોમાસ ડેટાના લોગનો ઉપયોગ કરવામાં આવે છે અને કાઢી નાખવામાં આવે છે.ડેટા નોર્મલાઇઝ્ડ અને સ્ટાન્ડર્ડાઇઝ્ડ છે, તેથી તમામ ડેટા [0 થી 1] ની રેન્જમાં છે, સરેરાશ દૂર કરવામાં આવે છે અને એકમ ભિન્નતામાં માપવામાં આવે છે.આ એટલા માટે કરવામાં આવે છે કે લક્ષણો (બાયોમાસ અને પોષક પ્રવાહ) સંભવિત મૂલ્યોની શ્રેણીમાં વિરોધાભાસ દ્વારા મર્યાદિત ન હોય.ક્લસ્ટરિંગે ભૌગોલિક અંતરને બદલે વિશેષતાઓ વચ્ચેના મુખ્ય સંભાવના અંતરથી પરિવર્તન સંબંધને પકડવો જોઈએ.આ અંતરોને માપવાથી, મહત્વપૂર્ણ લક્ષણો બહાર આવે છે, જ્યારે બિનજરૂરી વિગતો કાઢી નાખવામાં આવે છે.ઇકોલોજીકલ દૃષ્ટિકોણથી, આ જરૂરી છે કારણ કે કેટલાક પ્રકારનાં ફાયટોપ્લાંકટોન ઓછા બાયોમાસ સાથે વધુ જૈવ-રાસાયણિક અસરો ધરાવે છે, જેમ કે ડાયઝોટ્રોફિક બેક્ટેરિયા દ્વારા નાઇટ્રોજન ફિક્સેશન.ડેટાને માનક અને સામાન્ય બનાવતી વખતે, આ પ્રકારના કોવેરીએટ્સ પ્રકાશિત કરવામાં આવશે.
નીચા-પરિમાણીય પ્રતિનિધિત્વમાં ઉચ્ચ-પરિમાણીય જગ્યામાં લક્ષણોની નિકટતા પર ભાર મૂકીને, t-SNE અલ્ગોરિધમનો ઉપયોગ હાલના સમાન પ્રદેશોને સ્પષ્ટ બનાવવા માટે થાય છે.રીમોટ સેન્સિંગ એપ્લીકેશન માટે ડીપ ન્યુરલ નેટવર્ક બનાવવાના હેતુથી અગાઉના કાર્યમાં ટી-એસએનઇનો ઉપયોગ કરવામાં આવ્યો હતો, જેણે મુખ્ય લક્ષણોને અલગ કરવામાં તેની કુશળતા સાબિત કરી હતી (23).નોન-કન્વર્જન્ટ સોલ્યુશન્સ (નોંધ S2) ને ટાળતી વખતે ફીચર ડેટામાં મજબૂત ક્લસ્ટરીંગને ઓળખવા માટે આ જરૂરી પગલું છે.ગૌસીયન કર્નલોનો ઉપયોગ કરીને, t-SNE દરેક ઉચ્ચ-પરિમાણીય ઑબ્જેક્ટને 3D તબક્કાની જગ્યામાં એક બિંદુ પર મેપ કરીને ડેટાના આંકડાકીય ગુણધર્મોને સાચવે છે, ત્યાં ખાતરી કરે છે કે ઉચ્ચ અને નીચી દિશામાં સમાન પદાર્થોની સંભાવના ઉચ્ચ-પરિમાણીય દિશામાં ઊંચી છે. પરિમાણીય જગ્યા (24).N ઉચ્ચ-પરિમાણીય ઑબ્જેક્ટ્સ x1,…,xN ના સમૂહને જોતાં, T-SNE અલ્ગોરિધમ કુલબેક-લીબલર (KL) ડાયવર્જન્સ (25) ને ઓછું કરીને ઘટાડે છે.કેએલ ડાયવર્જન્સ એ સંભવિતતા વિતરણ બીજા સંદર્ભ સંભાવના વિતરણથી કેટલું અલગ છે તેનું માપ છે અને ઉચ્ચ-પરિમાણીય લક્ષણોની નિમ્ન-પરિમાણીય રજૂઆતો વચ્ચે સહસંબંધની શક્યતાનું અસરકારક રીતે મૂલ્યાંકન કરી શકે છે.જો xi એ N-પરિમાણીય અવકાશમાં i-th ઑબ્જેક્ટ છે, xj એ N-પરિમાણીય અવકાશમાં j-th ઑબ્જેક્ટ છે, yi એ ઓછી-પરિમાણીય જગ્યામાં i-th ઑબ્જેક્ટ છે, અને yj એ નીચામાં j-th ઑબ્જેક્ટ છે -પરિમાણીય અવકાશ, પછી t -SNE સમાનતા સંભાવના વ્યાખ્યાયિત કરે છે ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2), અને પરિમાણીયતા ઘટાડાના સેટ માટે q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
આકૃતિ 2A 11-પરિમાણીય સંયોજનના બાયોમાસ અને પોષક પ્રવાહ વેક્ટરને 3D સુધી ઘટાડવાની અસરને દર્શાવે છે.ટી-એસએનઇ લાગુ કરવાની પ્રેરણાને મુખ્ય ઘટક વિશ્લેષણ (PCA) ના પ્રેરણા સાથે સરખાવી શકાય છે, જે ડેટાના વિસ્તાર/લક્ષણ પર ભાર મૂકવા માટે ભિન્નતા વિશેષતાનો ઉપયોગ કરે છે, જેનાથી પરિમાણમાં ઘટાડો થાય છે.ઇકો-મિનિસ્ટ્રી (નોંધ S2 જુઓ) માટે વિશ્વસનીય અને પુનઃઉત્પાદન કરી શકાય તેવા પરિણામો પ્રદાન કરવામાં T-SNE પદ્ધતિ PCA કરતાં શ્રેષ્ઠ હોવાનું જણાયું હતું.આ એટલા માટે હોઈ શકે છે કારણ કે PCA ની ઓર્થોગોનાલિટી ધારણા અત્યંત બિનરેખીય અરસપરસ સુવિધાઓ વચ્ચે નિર્ણાયક ક્રિયાપ્રતિક્રિયાઓને ઓળખવા માટે યોગ્ય નથી, કારણ કે PCA રેખીય સહવર્તી માળખા પર ધ્યાન કેન્દ્રિત કરે છે (26).રિમોટ સેન્સિંગ ડેટાનો ઉપયોગ કરીને, લુંગા એટ અલ.(27) સમજાવે છે કે ગૌસિયન વિતરણમાંથી વિચલિત થતી જટિલ અને બિનરેખીય સ્પેક્ટ્રલ સુવિધાઓને પ્રકાશિત કરવા માટે SNE પદ્ધતિનો ઉપયોગ કેવી રીતે કરવો.
(A) T-SNE અલ્ગોરિધમ દ્વારા દોરવામાં આવેલ અને DBSCAN નો ઉપયોગ કરીને પ્રાંત દ્વારા રંગીન કરેલ પોષક પુરવઠા દર, ફાયટોપ્લાંકટોન અને ઝૂપ્લાંકટોન કાર્યાત્મક જૂથ બાયોમાસ.દરેક બિંદુ ઉચ્ચ-પરિમાણીય જગ્યામાં એક બિંદુનું પ્રતિનિધિત્વ કરે છે, જેમ કે આકૃતિ 6B માં બતાવ્યા પ્રમાણે, મોટાભાગના બિંદુઓ કેપ્ચર કરવામાં આવ્યા છે.શાફ્ટ્સ “t-SNE” માપો 1, 2 અને 3 નો સંદર્ભ આપે છે. (B) DBSCAN દ્વારા મૂળના અક્ષાંશ-રેખાંશ ગ્રીડ પર મળેલ પ્રાંતનું ભૌગોલિક પ્રક્ષેપણ.રંગને કોઈપણ રંગ તરીકે ગણવામાં આવવો જોઈએ, પરંતુ તે (A) ને અનુરૂપ હોવો જોઈએ.
આકૃતિ 2A માં t-SNE સ્કેટર પ્લોટના બિંદુઓ અનુક્રમે અક્ષાંશ અને રેખાંશ સાથે સંકળાયેલા છે.જો આકૃતિ 2A માં બે બિંદુઓ એકબીજાની નજીક છે, તો તેનું કારણ એ છે કે તેમના બાયોમાસ અને પોષક પ્રવાહો સમાન છે, ભૌગોલિક નિકટતાને કારણે નહીં.આકૃતિ 2A માં રંગો DBSCAN પદ્ધતિ (28) નો ઉપયોગ કરીને શોધાયેલ ક્લસ્ટર છે.જ્યારે ગાઢ અવલોકનો શોધી રહ્યા હોય, ત્યારે DBSCAN અલ્ગોરિધમ પોઈન્ટ (ϵ = 0.39; આ પસંદગી વિશેની માહિતી માટે, સામગ્રી અને પદ્ધતિઓ જુઓ) વચ્ચેના 3D પ્રતિનિધિત્વમાં અંતરનો ઉપયોગ કરે છે અને ક્લસ્ટરને વ્યાખ્યાયિત કરવા માટે સમાન બિંદુઓની સંખ્યા જરૂરી છે (અહીં 100 પોઇન્ટ, કૃપા કરીને ઉપર જુઓ).DBSCAN પદ્ધતિ ડેટામાં ક્લસ્ટરના આકાર અથવા સંખ્યા વિશે કોઈ ધારણાઓ કરતી નથી, નીચે બતાવ્યા પ્રમાણે:
3) અંદરના અંતરની અંદર તરીકે ઓળખાયેલા તમામ બિંદુઓ માટે, ક્લસ્ટરની સીમા નક્કી કરવા માટે પુનરાવર્તિત પગલું 2 પુનરાવર્તન કરો.જો પોઈન્ટની સંખ્યા સેટ ન્યૂનતમ મૂલ્ય કરતાં વધુ હોય, તો તેને ક્લસ્ટર તરીકે નિયુક્ત કરવામાં આવે છે.
ડેટા કે જે ન્યૂનતમ ક્લસ્ટર સભ્ય અને અંતર ϵ મેટ્રિકને પૂર્ણ કરતું નથી તેને "અવાજ" ગણવામાં આવે છે અને તેને રંગ સોંપવામાં આવતો નથી.DBSCAN એ સૌથી ખરાબ સ્થિતિમાં O(n2) પ્રદર્શન સાથે ઝડપી અને સ્કેલેબલ અલ્ગોરિધમ છે.વર્તમાન વિશ્લેષણ માટે, તે વાસ્તવમાં રેન્ડમ નથી.પોઈન્ટ્સની ન્યૂનતમ સંખ્યા નિષ્ણાત મૂલ્યાંકન દ્વારા નક્કી કરવામાં આવે છે.પછી અંતરને સમાયોજિત કર્યા પછી, પરિણામ ≈±10 ની શ્રેણીમાં પૂરતું સ્થિર નથી.આ અંતર કનેક્ટિવિટી (આકૃતિ 6A) અને સમુદ્ર કવરેજ ટકાવારી (આકૃતિ 6B) નો ઉપયોગ કરીને સેટ કરવામાં આવ્યું છે.કનેક્ટિવિટી ક્લસ્ટરની સંયુક્ત સંખ્યા તરીકે વ્યાખ્યાયિત કરવામાં આવે છે અને તે ϵ પરિમાણ પ્રત્યે સંવેદનશીલ હોય છે.નીચલી કનેક્ટિવિટી અપૂરતી ફિટિંગ સૂચવે છે, કૃત્રિમ રીતે પ્રદેશોને એકસાથે જૂથબદ્ધ કરે છે.ઉચ્ચ કનેક્ટિવિટી ઓવરફિટિંગ સૂચવે છે.ઉચ્ચ લઘુત્તમનો ઉપયોગ કરવો તે કલ્પનાશીલ છે, પરંતુ જો લઘુત્તમ સીએ કરતાં વધી જાય, તો વિશ્વસનીય ઉકેલ પ્રાપ્ત કરવું અશક્ય છે.135 (વધુ વિગતો માટે, સામગ્રી અને પદ્ધતિઓ જુઓ).
આકૃતિ 2A માં ઓળખાયેલ 115 ક્લસ્ટરો આકૃતિ 2B માં પૃથ્વી પર પાછા પ્રક્ષેપિત છે.દરેક રંગ DBSCAN દ્વારા ઓળખવામાં આવેલા બાયોજીયોકેમિકલ અને ઇકોલોજીકલ પરિબળોના સુસંગત સંયોજનને અનુરૂપ છે.એકવાર ક્લસ્ટરો નિર્ધારિત થઈ ગયા પછી, ચોક્કસ અક્ષાંશ અને રેખાંશ સાથે આકૃતિ 2A માં દરેક બિંદુના જોડાણનો ઉપયોગ ક્લસ્ટરોને ભૌગોલિક વિસ્તાર પર પાછા લાવવા માટે કરવામાં આવે છે.આકૃતિ 2B આકૃતિ 2A જેવા જ ક્લસ્ટર રંગો સાથે આને સમજાવે છે.સમાન રંગોને ઇકોલોજીકલ સમાનતા તરીકે અર્થઘટન ન કરવું જોઈએ, કારણ કે તે એલ્ગોરિધમ દ્વારા ક્લસ્ટરો શોધવામાં આવે છે તે ક્રમ દ્વારા સોંપવામાં આવે છે.
આકૃતિ 2B માંનો વિસ્તાર ગુણાત્મક રીતે સમુદ્રના ભૌતિક અને/અથવા બાયોજીયોકેમિસ્ટ્રીમાં સ્થાપિત વિસ્તાર જેવો જ હોઈ શકે છે.ઉદાહરણ તરીકે, દક્ષિણ મહાસાગરમાં ક્લસ્ટરો ઝોન-સપ્રમાણતાવાળા છે, જેમાં ઓલિગોટ્રોફિક વોર્ટિસ દેખાય છે, અને તીવ્ર સંક્રમણ વેપાર પવનોના પ્રભાવને સૂચવે છે.ઉદાહરણ તરીકે, વિષુવવૃત્તીય પેસિફિકમાં, ઉદય સંબંધિત વિવિધ પ્રદેશો જોવા મળે છે.
ઇકો-પ્રાંતના ઇકોલોજીકલ પર્યાવરણને સમજવા માટે, ક્લસ્ટરમાં ઇકોલોજીનું મૂલ્યાંકન કરવા માટે બ્રે-કર્ટિસ (BC) તફાવત સૂચકાંક (29) ની વિવિધતાનો ઉપયોગ કરવામાં આવ્યો હતો.BC સૂચક એ એક આંકડાકીય માહિતી છે જેનો ઉપયોગ બે અલગ-અલગ સાઇટ્સ વચ્ચેના સમુદાય માળખામાં તફાવતને માપવા માટે થાય છે.BC માપન ફાયટોપ્લાંકટોન અને ઝૂપ્લાંકટોનની 51 પ્રજાતિઓના બાયોમાસને લાગુ પડે છે BCninj = 1-2CninjSni + Snj
BCninj એ સંયોજન ni અને સંયોજન nj વચ્ચેની સમાનતાનો ઉલ્લેખ કરે છે, જ્યાં Cninj એ એક જ પ્રકારના બાયોમાસનું ન્યૂનતમ મૂલ્ય છે જે ni અને nj બંને સંયોજનોમાં અસ્તિત્વ ધરાવે છે, અને Sni એ તમામ બાયોમાસના સરવાળાને રજૂ કરે છે જે ni અને Snj બંને સંયોજનોમાં અસ્તિત્વ ધરાવે છે.BC તફાવત અંતર માપ જેવો છે, પરંતુ બિન-યુક્લિડિયન અવકાશમાં કાર્ય કરે છે, જે ઇકોલોજીકલ ડેટા અને તેના અર્થઘટન માટે વધુ યોગ્ય હોવાની શક્યતા છે.
આકૃતિ 2B માં ઓળખાયેલ દરેક ક્લસ્ટર માટે, આંતર-પ્રાંતીય અને આંતર-પ્રાંતીય BC ની સમાનતાનું મૂલ્યાંકન કરી શકાય છે.પ્રાંતમાં BC તફાવત એ પ્રાંતના સરેરાશ મૂલ્ય અને પ્રાંતના દરેક બિંદુ વચ્ચેના તફાવતને દર્શાવે છે.BC પ્રાંતો વચ્ચેનો તફાવત એક પ્રાંત અને અન્ય પ્રાંતો વચ્ચેની સમાનતાને દર્શાવે છે.આકૃતિ 3A સપ્રમાણ BC મેટ્રિક્સ બતાવે છે (0, કાળો: સંપૂર્ણપણે અનુરૂપ; 1, સફેદ: સંપૂર્ણપણે અલગ).ગ્રાફમાં દરેક લીટી ડેટામાં એક પેટર્ન દર્શાવે છે.આકૃતિ 3B દરેક પ્રાંત માટે આકૃતિ 3A માં BC ના પરિણામોનું ભૌગોલિક મહત્વ દર્શાવે છે.ઓછા પોષણ અને ઓછા પોષક વિસ્તાર ધરાવતા પ્રાંત માટે, આકૃતિ 3B બતાવે છે કે વિષુવવૃત્ત અને હિંદ મહાસાગરની આસપાસના મોટા વિસ્તારોની સમપ્રમાણતા મૂળભૂત રીતે સમાન છે, પરંતુ ઉચ્ચ અક્ષાંશો અને અપવેલિંગ વિસ્તારો નોંધપાત્ર રીતે અલગ છે.
(A) 51 પ્લાન્કટોનની વૈશ્વિક 20-વર્ષની સરેરાશ વૈશ્વિક સપાટીના આધારે દરેક પ્રાંત માટે મૂલ્યાંકન કરાયેલ BC તફાવતની ડિગ્રી.મૂલ્યોની અપેક્ષિત સમપ્રમાણતા નોંધો.(બી) કૉલમ (અથવા પંક્તિ) નું અવકાશી પ્રક્ષેપણ.ડિસ્ટ્રોફિક વર્તુળમાં પ્રાંત માટે, BC સમાનતા માપના વૈશ્વિક વિતરણનું મૂલ્યાંકન કરવામાં આવ્યું હતું, અને વૈશ્વિક 20-વર્ષની સરેરાશનું મૂલ્યાંકન કરવામાં આવ્યું હતું.કાળો (BC = 0) એટલે સમાન વિસ્તાર અને સફેદ (BC = 1) એટલે કોઈ સમાનતા નથી.
આકૃતિ 4A આકૃતિ 2B માં દરેક પ્રાંતમાં BC માં તફાવત દર્શાવે છે.ક્લસ્ટરમાં સરેરાશ વિસ્તારના સરેરાશ સંયોજનનો ઉપયોગ કરીને અને BC અને પ્રાંતના દરેક ગ્રીડ બિંદુના સરેરાશ વચ્ચેની અસમાનતા નક્કી કરીને, તે દર્શાવે છે કે SAGE પદ્ધતિ ઇકોલોજીકલ સમાનતાના પ્રકાર પર આધારિત 51 પ્રજાતિઓને સારી રીતે અલગ કરી શકે છે. મોડેલ ડેટા.તમામ 51 પ્રકારોની એકંદર સરેરાશ ક્લસ્ટર BC અસમાનતા 0.102±0.0049 છે.
(A, B, અને D) પ્રાંતની અંદર BC તફાવતનું મૂલ્યાંકન દરેક ગ્રીડ પોઈન્ટ સમુદાય અને સરેરાશ પ્રાંત વચ્ચેના સરેરાશ BC તફાવત તરીકે કરવામાં આવે છે અને જટિલતામાં ઘટાડો થતો નથી.(2) વૈશ્વિક સરેરાશ ઇન્ટ્રા-પ્રાંતીય BC તફાવત 0.227±0.117 છે.આ કાર્ય [(C) માં ગ્રીન લાઇન] દ્વારા પ્રસ્તાવિત ઇકોલોજીકલ મોટિવેશન-આધારિત વર્ગીકરણનું બેન્ચમાર્ક છે.(C) સરેરાશ ઇન્ટ્રા-પ્રાંતીય BC તફાવત: કાળી રેખા વધતી જટિલતા સાથે ઇન્ટ્રા-પ્રાંતીય BC તફાવત દર્શાવે છે.2σ ઇકો-પ્રાંત ઓળખ પ્રક્રિયાના 10 પુનરાવર્તનોમાંથી આવે છે.DBSCAN દ્વારા શોધાયેલ પ્રાંતોની કુલ જટિલતા માટે, (A) દર્શાવે છે કે પ્રાંતમાં BC અસમાનતા 0.099 છે, અને (C) દ્વારા પ્રસ્તાવિત જટિલતા વર્ગીકરણ 12 છે, પરિણામે પ્રાંતમાં BC ની અસમાનતા 0.200 છે.જેમ ચિત્ર બતાવે છે.(ડી).
આકૃતિ 4B માં, લોન્ગહર્સ્ટ પ્રાંતમાં સમકક્ષ BC તફાવત દર્શાવવા માટે 51 પ્લાન્કટોન પ્રકારના બાયોમાસનો ઉપયોગ કરવામાં આવે છે.દરેક પ્રાંતની એકંદર સરેરાશ 0.227 છે, અને BC પ્રાંતમાં તફાવતના સંદર્ભમાં ગ્રીડ પોઈન્ટનું પ્રમાણભૂત વિચલન 0.046 છે.આ આકૃતિ 1B માં ઓળખવામાં આવેલા ક્લસ્ટર કરતાં મોટું છે.તેના બદલે, સાત કાર્યકારી જૂથોના સરવાળાનો ઉપયોગ કરીને, લોન્ગહર્સ્ટમાં સરેરાશ ઇન્ટ્રા-સીઝન BC અસમાનતા વધીને 0.232 થઈ ગઈ.
વૈશ્વિક ઇકો-પ્રાંતનો નકશો અનન્ય ઇકોલોજીકલ ક્રિયાપ્રતિક્રિયાઓની જટિલ વિગતો પ્રદાન કરે છે અને લોંગહર્સ્ટ પ્રાંતના સમગ્ર ઇકોસિસ્ટમ માળખાનો ઉપયોગ કરીને સુધારાઓ કરવામાં આવ્યા છે.ઇકોલોજી મંત્રાલય સંખ્યાત્મક મોડેલ ઇકોસિસ્ટમને નિયંત્રિત કરવાની પ્રક્રિયામાં સમજ પ્રદાન કરે તેવી અપેક્ષા છે, અને આ આંતરદૃષ્ટિ ક્ષેત્રીય કાર્યની શોધમાં મદદ કરશે.આ સંશોધનના હેતુ માટે, સો કરતાં વધુ પ્રાંતોને સંપૂર્ણ રીતે દર્શાવવાનું શક્ય નથી.આગળનો વિભાગ SAGE પદ્ધતિનો પરિચય આપે છે જે પ્રાંતોનો સારાંશ આપે છે.
પ્રાંતનો એક હેતુ પ્રાંતના સ્થાન અને વ્યવસ્થાપનની સમજને પ્રોત્સાહન આપવાનો છે.કટોકટીની પરિસ્થિતિઓને નિર્ધારિત કરવા માટે, આકૃતિ 1B માં પદ્ધતિ ઇકોલોજીકલ સમાન પ્રાંતોના માળખાને સમજાવે છે.ઇકો-પ્રાંતોને ઇકોલોજીકલ સમાનતાના આધારે એકસાથે જૂથબદ્ધ કરવામાં આવે છે, અને પ્રાંતોના આવા જૂથને AEP કહેવામાં આવે છે.ધ્યાનમાં લેવાના પ્રાંતોની કુલ સંખ્યાના આધારે એડજસ્ટેબલ "જટિલતા" સેટ કરો."જટિલતા" શબ્દનો ઉપયોગ થાય છે કારણ કે તે કટોકટીના લક્ષણોના સ્તરને સમાયોજિત કરવાની મંજૂરી આપે છે.અર્થપૂર્ણ એકત્રીકરણને વ્યાખ્યાયિત કરવા માટે, લોંગહર્સ્ટથી સરેરાશ ઇન્ટ્રા-પ્રાંતીય BC તફાવત 0.227 બેન્ચમાર્ક તરીકે ઉપયોગમાં લેવાય છે.આ માપદંડની નીચે, સંયુક્ત પ્રાંતોને હવે ઉપયોગી ગણવામાં આવતા નથી.
આકૃતિ 3B માં બતાવ્યા પ્રમાણે, વૈશ્વિક પર્યાવરણીય પ્રાંતો સુસંગત છે.આંતર-પ્રાંતીય BC તફાવતોનો ઉપયોગ કરીને, તે જોઈ શકાય છે કે કેટલીક રૂપરેખાંકનો ખૂબ "સામાન્ય" છે.જિનેટિક્સ અને ગ્રાફ થિયરી પદ્ધતિઓ દ્વારા પ્રેરિત, "જોડાયેલ ગ્રાફ્સ" નો ઉપયોગ તેમના જેવા પ્રાંતોના આધારે >100 પ્રાંતોને સૉર્ટ કરવા માટે થાય છે.અહીં "કનેક્ટિવિટી" મેટ્રિક આંતર-પ્રાંતીય BC અસમાનતા (30) નો ઉપયોગ કરીને નક્કી કરવામાં આવે છે.> 100 પ્રાંતોના વર્ગીકરણ માટે મોટી જગ્યા ધરાવતા પ્રાંતોની સંખ્યાને અહીં જટિલતા તરીકે ઓળખી શકાય છે.AEP એ એક ઉત્પાદન છે જે 100 થી વધુ પ્રાંતોને સૌથી વધુ પ્રભાવશાળી/નજીકના ઇકોલોજીકલ પ્રાંત તરીકે વર્ગીકૃત કરે છે.દરેક ઇકોલોજીકલ પ્રાંત પ્રભાવશાળી/અત્યંત જોડાયેલા ઇકોલોજીકલ પ્રાંતને સોંપવામાં આવે છે જે તેમની સાથે સૌથી વધુ સમાન છે.BC તફાવત દ્વારા નિર્ધારિત આ એકત્રીકરણ વૈશ્વિક ઇકોલોજી માટે માળખાગત અભિગમને મંજૂરી આપે છે.
પસંદ કરેલ જટિલતા 1 થી FIG ની સંપૂર્ણ જટિલતા સુધી કોઈપણ મૂલ્ય હોઈ શકે છે.2A.ઓછી જટિલતા પર, સંભવિત પરિમાણ ઘટાડાના પગલા (t-SNE) ને કારણે AEP અધોગતિ થઈ શકે છે.અધોગતિનો અર્થ એ છે કે ઇકોલોજીકલ પ્રાંતને પુનરાવર્તનો વચ્ચે વિવિધ AEP ને સોંપી શકાય છે, જેનાથી આવરી લેવામાં આવેલા ભૌગોલિક વિસ્તારને બદલી શકાય છે.આકૃતિ 4C એ 10 અમલીકરણોમાં વધતી જટિલતાના AEPs માં પ્રાંતોમાં BC અસમાનતાના ફેલાવાને સમજાવે છે (આકૃતિ 1B માં ચિત્ર).આકૃતિ 4C માં, 2σ (વાદળી વિસ્તાર) એ 10 અમલીકરણોમાં અધોગતિનું માપ છે, અને લીલી રેખા લોંગહર્સ્ટ બેન્ચમાર્કનું પ્રતિનિધિત્વ કરે છે.તથ્યોએ સાબિત કર્યું છે કે 12 ની જટિલતા તમામ અમલીકરણોમાં પ્રાંતમાં BC તફાવતને લોંગહર્સ્ટ બેન્ચમાર્કથી નીચે રાખી શકે છે અને પ્રમાણમાં નાનું 2σ અધોગતિ જાળવી શકે છે.સારાંશમાં, લઘુત્તમ ભલામણ કરેલ જટિલતા 12 AEP છે, અને આકૃતિ 4D માં બતાવ્યા પ્રમાણે, 51 પ્લાન્કટોન પ્રકારોનો ઉપયોગ કરીને મૂલ્યાંકન કરાયેલ સરેરાશ ઇન્ટ્રા-પ્રાંત BC તફાવત 0.198±0.013 છે.સાત પ્લાન્કટોન કાર્યાત્મક જૂથોના સરવાળાનો ઉપયોગ કરીને, પ્રાંતમાં સરેરાશ BC તફાવત 0.198±0.004 ને બદલે 2σ છે.સાત કાર્યાત્મક જૂથોના કુલ બાયોમાસ અથવા તમામ 51 પ્લાન્કટોન પ્રકારના બાયોમાસ સાથે ગણતરી કરાયેલ BC તફાવતો વચ્ચેની સરખામણી દર્શાવે છે કે જો કે SAGE પદ્ધતિ 51-પરિમાણીય પરિસ્થિતિને લાગુ પડે છે, તે સાત કાર્યાત્મક જૂથોના કુલ બાયોમાસ માટે છે. તાલીમ માટે.
કોઈપણ સંશોધનના હેતુના આધારે, જટિલતાના વિવિધ સ્તરો ધ્યાનમાં લઈ શકાય છે.પ્રાદેશિક અભ્યાસમાં સંપૂર્ણ જટિલતાની જરૂર પડી શકે છે (એટલે ​​​​કે, તમામ 115 પ્રાંતો).ઉદાહરણ તરીકે અને સ્પષ્ટતા માટે, 12 ની ન્યૂનતમ ભલામણ કરેલ જટિલતાને ધ્યાનમાં લો.
SAGE પદ્ધતિની ઉપયોગિતાના ઉદાહરણ તરીકે, 12 ની ન્યૂનતમ જટિલતા સાથે 12 AEP નો ઉપયોગ અહીં કટોકટી સમુદાય માળખાના નિયંત્રણને શોધવા માટે કરવામાં આવે છે.આકૃતિ 5 એઇપી (A થી L સુધી) દ્વારા જૂથબદ્ધ ઇકોલોજીકલ આંતરદૃષ્ટિને સમજાવે છે: રેડફિલ્ડ સ્ટોઇકોમેટ્રીમાં, ભૌગોલિક હદ (આકૃતિ 5C), કાર્યાત્મક જૂથ બાયોમાસ કમ્પોઝિશન (આકૃતિ 5A) અને પોષક પુરવઠો (આકૃતિ 5B) એન ઝૂમ દ્વારા કરવામાં આવે છે.ગુણોત્તર (N:Si:P:Fe, 1:1:16:16×103) બતાવવામાં આવે છે.બાદની પેનલ માટે, P 16 વડે ગુણાકાર અને Fe 16×103 વડે ગુણાકાર કર્યો, તેથી બાર ગ્રાફ ફાયટોપ્લાંકટોનની પોષક જરૂરિયાતોને સમકક્ષ છે.
પ્રાંતોને 12 પ્રાંતોમાં ઇકોસિસ્ટમના 12 AEPs A થી L. (A) બાયોમાસ (mgC/m3) માં વર્ગીકૃત કરવામાં આવ્યા છે.(B) ઓગળેલા અકાર્બનિક નાઇટ્રોજન (N), આયર્ન (Fe), ફોસ્ફેટ (P) અને સિલિકિક એસિડ (Si) (mmol/m3 પ્રતિ વર્ષ) નો પોષક પ્રવાહ દર.Fe અને P ને અનુક્રમે 16 અને 16×103 વડે ગુણાકાર કરવામાં આવે છે, જેથી સ્ટ્રિપ્સને ફાયટોપ્લાંકટન સ્ટોઇકોમેટ્રી જરૂરિયાતો અનુસાર પ્રમાણિત કરવામાં આવે.(C) ધ્રુવીય પ્રદેશો, ઉષ્ણકટિબંધીય ચક્રવાતો અને મોટા મોસમી/વધતા પ્રદેશો વચ્ચેનો તફાવત નોંધો.મોનિટરિંગ સ્ટેશનો નીચે પ્રમાણે ચિહ્નિત થયેલ છે: 1, સીટ્સ;2, અલોહા;3, સ્ટેશન પી;અને 4, BATS.
ઓળખાયેલ AEP અનન્ય છે.એટલાન્ટિક અને પેસિફિક મહાસાગરોમાં વિષુવવૃત્તની આસપાસ થોડી સમપ્રમાણતા છે અને હિંદ મહાસાગરમાં સમાન પરંતુ વિસ્તૃત વિસ્તાર અસ્તિત્વમાં છે.કેટલાક AEP એ ચઢાણ સાથે સંકળાયેલ ખંડની પશ્ચિમ બાજુને આલિંગન આપે છે.દક્ષિણ ધ્રુવ વર્તુળાકાર પ્રવાહને વિશાળ ઝોનલ લક્ષણ તરીકે ગણવામાં આવે છે.સબટ્રોપિકલ ચક્રવાત એ ઓલિગોટ્રોફિક AEP ની જટિલ શ્રેણી છે.આ પ્રાંતોમાં, પ્લાન્કટોન-પ્રભુત્વ ધરાવતા ઓલિગોટ્રોફિક વોર્ટિસીસ અને ડાયટોમ-સમૃદ્ધ ધ્રુવીય પ્રદેશો વચ્ચેના બાયોમાસ તફાવતોની પરિચિત પેટર્ન સ્પષ્ટ છે.
ખૂબ જ સમાન કુલ ફાયટોપ્લાંકટોન બાયોમાસ સાથેના AEPsમાં ખૂબ જ અલગ સામુદાયિક માળખું હોઈ શકે છે અને વિવિધ ભૌગોલિક વિસ્તારોને આવરી લે છે, જેમ કે D, H, અને K, જે સમાન કુલ ફાયટોપ્લાંકટોન બાયોમાસ ધરાવે છે.AEP H મુખ્યત્વે વિષુવવૃત્તીય હિંદ મહાસાગરમાં અસ્તિત્વ ધરાવે છે, અને ત્યાં વધુ ડાયઝોટ્રોફિક બેક્ટેરિયા છે.AEP D અનેક તટપ્રદેશોમાં જોવા મળે છે, પરંતુ તે વિષુવવૃત્તીય અપવેલિંગની આસપાસના ઉચ્ચ ઉપજવાળા વિસ્તારોની આસપાસ પેસિફિકમાં ખાસ કરીને અગ્રણી છે.આ પેસિફિક પ્રાંતનો આકાર પ્લેનેટરી વેવ ટ્રેનની યાદ અપાવે છે.AEP Dમાં થોડા ડાયઝોબેક્ટેરિયા અને વધુ શંકુ છે.અન્ય બે પ્રાંતોની સરખામણીમાં, AEP K માત્ર આર્કટિક મહાસાગરના ઉચ્ચ પ્રદેશોમાં જોવા મળે છે, અને ત્યાં વધુ ડાયાટોમ અને ઓછા પ્લાન્કટોન છે.નોંધનીય છે કે આ ત્રણેય પ્રદેશોમાં પ્લાન્કટોનનું પ્રમાણ પણ ઘણું અલગ છે.તેમાંથી, AEP K ની પ્લાન્કટોન વિપુલતા પ્રમાણમાં ઓછી છે, જ્યારે AEP D અને H નું પ્રમાણ પ્રમાણમાં વધારે છે.તેથી, તેમના બાયોમાસ (અને તેથી Chl-a જેવા જ) હોવા છતાં, આ પ્રાંતો તદ્દન અલગ છે: Chl-આધારિત પ્રાંત પરીક્ષણ આ તફાવતોને પકડી શકશે નહીં.
તે પણ સ્પષ્ટ છે કે ખૂબ જ અલગ બાયોમાસ સાથેના કેટલાક AEPs ફાયટોપ્લાંકટોન સમુદાયના બંધારણની દ્રષ્ટિએ સમાન હોઈ શકે છે.ઉદાહરણ તરીકે, આ AEP D અને E માં દેખાય છે. તેઓ એકબીજાની નજીક છે, અને પેસિફિક મહાસાગરમાં, AEP E અત્યંત ઉત્પાદક AEPJની નજીક છે.તેવી જ રીતે, ફાયટોપ્લાંકટન બાયોમાસ અને ઝૂપ્લાંકટન વિપુલતા વચ્ચે કોઈ સ્પષ્ટ કડી નથી.
AEP તેમને પૂરા પાડવામાં આવેલ પોષક તત્વોના સંદર્ભમાં સમજી શકાય છે (આકૃતિ 5B).ડાયાટોમ માત્ર ત્યાં જ અસ્તિત્વ ધરાવે છે જ્યાં સિલિકિક એસિડનો પૂરતો પુરવઠો હોય.સામાન્ય રીતે, સિલિકિક એસિડનો પુરવઠો જેટલો ઊંચો હોય છે, તેટલો જ ડાયટોમનો બાયોમાસ વધારે હોય છે.ડાયટોમ્સ AEP A, J, K અને L માં જોઈ શકાય છે. અન્ય ફાયટોપ્લાંકટોનની તુલનામાં ડાયાટોમ બાયોમાસનો ગુણોત્તર ડાયાટોમની માંગને સંબંધિત પૂરા પાડવામાં આવેલ N, P અને Fe દ્વારા નક્કી કરવામાં આવે છે.ઉદાહરણ તરીકે, AEP L ડાયટોમ્સ દ્વારા પ્રભુત્વ ધરાવે છે.અન્ય પોષક તત્ત્વોની તુલનામાં, Si માં સૌથી વધુ પુરવઠો છે.તેનાથી વિપરીત, ઉચ્ચ ઉત્પાદકતા હોવા છતાં, AEP Jમાં ઓછા ડાયટોમ્સ અને ઓછા સિલિકોન સપ્લાય છે (બધા અને અન્ય પોષક તત્વોની તુલનામાં).
ડાયઝોનિયમ બેક્ટેરિયામાં નાઇટ્રોજનને ઠીક કરવાની ક્ષમતા હોય છે, પરંતુ તે ધીમે ધીમે વધે છે (31).તેઓ અન્ય ફાયટોપ્લાંકટોન સાથે સહઅસ્તિત્વ ધરાવે છે, જ્યાં આયર્ન અને ફોસ્ફરસ બિન-ડાયાઝોનિયમ પોષક તત્ત્વોની માંગની તુલનામાં વધુ પડતા હોય છે (20, 21).એ નોંધવું યોગ્ય છે કે ડાયઝોટ્રોફિક બાયોમાસ પ્રમાણમાં વધારે છે, અને N ના પુરવઠાની તુલનામાં Fe અને P નો પુરવઠો પ્રમાણમાં મોટો છે. આ રીતે, AEP J માં કુલ બાયોમાસ વધુ હોવા છતાં, AEP H માં ડાયઝોનિયમ બાયોમાસ છે. J માં તેના કરતા મોટો. કૃપા કરીને નોંધો કે AEP J અને H ભૌગોલિક રીતે ખૂબ જ અલગ છે, અને H વિષુવવૃત્તીય હિંદ મહાસાગરમાં સ્થિત છે.
જો અનન્ય ઇકોસિસ્ટમ માળખું પ્રાંતોમાં વિભાજિત ન હોય, તો 12 AEP ના સૌથી નીચી જટિલતા મોડેલોમાંથી મેળવેલ આંતરદૃષ્ટિ એટલી સ્પષ્ટ નહીં હોય.SAGE દ્વારા જનરેટ કરાયેલ AEP ઇકોસિસ્ટમ મોડલ્સમાંથી જટિલ અને ઉચ્ચ-પરિમાણીય માહિતીની સુસંગત અને એક સાથે સરખામણીની સુવિધા આપે છે.AEP અસરકારક રીતે ભાર મૂકે છે કે શા માટે Chl એ સામુદાયિક માળખું અથવા ઉચ્ચ પોષક સ્તરે ઝૂપ્લાંકટન વિપુલતા નક્કી કરવા માટે સારી અને વૈકલ્પિક પદ્ધતિ નથી.ચાલુ સંશોધન વિષયોનું વિગતવાર વિશ્લેષણ આ લેખના અવકાશની બહાર છે.SAGE પદ્ધતિ મોડેલમાં અન્ય પદ્ધતિઓનું અન્વેષણ કરવાનો માર્ગ પ્રદાન કરે છે જે પોઈન્ટ-ટુ-પોઈન્ટ જોવા કરતાં હેન્ડલ કરવા માટે સરળ છે.
SAGE પદ્ધતિ વૈશ્વિક ભૌતિક/બાયોજીયોકેમિકલ/ઇકોસિસ્ટમના આંકડાકીય મોડેલોમાંથી અત્યંત જટિલ ઇકોલોજીકલ ડેટાને સ્પષ્ટ કરવામાં મદદ કરવા માટે પ્રસ્તાવિત છે.ઇકોલોજીકલ પ્રાંત ક્રોસ-પ્લાન્કટોન ફંક્શનલ જૂથોના કુલ બાયોમાસ, t-SNE સંભાવના ડાયમેન્શનલિટી રિડક્શન એલ્ગોરિધમનો ઉપયોગ અને અનસુપરવાઇઝ્ડ ML પદ્ધતિ DBSCAN નો ઉપયોગ કરીને ક્લસ્ટરિંગ દ્વારા નક્કી કરવામાં આવે છે.નેસ્ટિંગ પદ્ધતિ માટે આંતર-પ્રાંતીય BC તફાવત/ગ્રાફ સિદ્ધાંત મજબૂત AEP મેળવવા માટે લાગુ કરવામાં આવે છે જેનો વૈશ્વિક અર્થઘટન માટે ઉપયોગ કરી શકાય છે.બાંધકામની દ્રષ્ટિએ, ઇકો-પ્રાંત અને AEP અનન્ય છે.AEP માળખાને મૂળ ઇકોલોજીકલ પ્રાંતની સંપૂર્ણ જટિલતા અને 12 AEP ની ભલામણ કરેલ લઘુત્તમ થ્રેશોલ્ડ વચ્ચે ગોઠવી શકાય છે.AEP ની ન્યુનત્તમ જટિલતાનું માળખું બનાવવું અને નક્કી કરવું એ મુખ્ય પગલાં તરીકે ગણવામાં આવે છે, કારણ કે t-SNE સંભાવના <12 જટિલતાના AEPsને અધોગતિ કરે છે.SAGE પદ્ધતિ વૈશ્વિક છે, અને તેની જટિલતા > 100 AEPs થી 12 સુધીની છે. સરળતા માટે, વર્તમાન ધ્યાન 12 વૈશ્વિક AEPs ની જટિલતા પર છે.ભાવિ સંશોધન, ખાસ કરીને પ્રાદેશિક અભ્યાસો, વૈશ્વિક ઇકો-પ્રાંતોનો એક નાનો અવકાશી સબસેટ ઉપયોગી શોધી શકે છે, અને અહીં ચર્ચા કરેલ સમાન ઇકોલોજીકલ આંતરદૃષ્ટિનો લાભ લેવા માટે નાના વિસ્તારમાં એકીકૃત થઈ શકે છે.તે કેવી રીતે આ ઇકોલોજીકલ પ્રાંતો અને તેમાંથી મેળવેલ આંતરદૃષ્ટિનો વધુ ઇકોલોજીકલ સમજણ માટે ઉપયોગ કરી શકાય, મોડેલની સરખામણીને સરળ બનાવી શકાય અને દરિયાઇ ઇકોસિસ્ટમના મોનિટરિંગમાં સંભવિત સુધારો કરી શકાય તે અંગેના સૂચનો પૂરા પાડે છે.
SAGE પદ્ધતિ દ્વારા ઓળખાયેલ ઇકોલોજીકલ પ્રાંત અને AEP સંખ્યાત્મક મોડેલમાંના ડેટા પર આધારિત છે.વ્યાખ્યા મુજબ, સંખ્યાત્મક મોડેલ એ એક સરળ માળખું છે, જે લક્ષ્ય સિસ્ટમના સારને મેળવવાનો પ્રયાસ કરે છે, અને વિવિધ મોડેલોમાં પ્લાન્કટોનનું અલગ અલગ વિતરણ હશે.આ અભ્યાસમાં વપરાતું સંખ્યાત્મક મૉડલ અમુક અવલોકન કરાયેલ પેટર્નને સંપૂર્ણ રીતે કૅપ્ચર કરી શકતું નથી (ઉદાહરણ તરીકે, વિષુવવૃત્તીય પ્રદેશ અને દક્ષિણ મહાસાગર માટે Chl અંદાજમાં).વાસ્તવિક સમુદ્રમાં વિવિધતાનો માત્ર એક નાનો ભાગ જ કબજે કરવામાં આવ્યો છે, અને મેસો અને પેટા-મેસોસ્કેલ્સને ઉકેલી શકાતા નથી, જે પોષક પ્રવાહ અને નાના પાયે સમુદાયની રચનાને અસર કરી શકે છે.આ ખામીઓ હોવા છતાં, તે તારણ આપે છે કે જટિલ મોડેલોને સમજવામાં મદદ કરવા માટે AEP ખૂબ જ ઉપયોગી છે.સમાન ઇકોલોજીકલ પ્રાંતો ક્યાં જોવા મળે છે તેનું મૂલ્યાંકન કરીને, AEP સંભવિત સંખ્યાત્મક મોડેલ સરખામણી સાધન પૂરું પાડે છે.વર્તમાન આંકડાકીય મોડલ રીમોટ સેન્સિંગ ફાયટોપ્લાંકટોન Chl-એ એકાગ્રતા અને પ્લાન્કટોન કદ અને કાર્યાત્મક જૂથ (નોંધ S1 અને આકૃતિ S1) (2, 32) નું વિતરણ એકંદર પેટર્ન મેળવે છે.
0.1 mgChl-a/m-3 સમોચ્ચ રેખા દ્વારા દર્શાવ્યા મુજબ, AEP ઓલિગોટ્રોફિક વિસ્તાર અને મેસોટ્રોફિક વિસ્તાર (આકૃતિ S1B) માં વિભાજિત થયેલ છે: AEP B, C, D, E, F અને G ઓલિગોટ્રોફિક વિસ્તારો છે, અને બાકીના વિસ્તારો છે. ઉચ્ચ Chl-a સ્થિત છે.AEP લોંગહર્સ્ટ પ્રાંત (આકૃતિ S3A) સાથે કેટલાક પત્રવ્યવહાર દર્શાવે છે, ઉદાહરણ તરીકે, દક્ષિણ મહાસાગર અને વિષુવવૃત્તીય પેસિફિક.કેટલાક પ્રદેશોમાં, AEP બહુવિધ લોંગહર્સ્ટ પ્રદેશોને આવરી લે છે, અને ઊલટું.આ વિસ્તાર અને લોન્ગહર્સ્ટમાં પ્રાંતોને સીમાંકન કરવાનો ઈરાદો અલગ હોવાથી, મતભેદો હશે તેવી અપેક્ષા છે.લોન્ગહર્સ્ટ પ્રાંતમાં બહુવિધ AEP સૂચવે છે કે સમાન બાયોજીયોકેમિસ્ટ્રી ધરાવતા અમુક વિસ્તારોમાં ખૂબ જ અલગ ઇકોસિસ્ટમ માળખું હોઈ શકે છે.AEP ભૌતિક સ્થિતિઓ સાથે ચોક્કસ પત્રવ્યવહાર દર્શાવે છે, જેમ કે દેખરેખ વિનાના શિક્ષણ (19) નો ઉપયોગ કરીને બહાર આવ્યું છે, જેમ કે ઉચ્ચ અપવેલિંગ રાજ્યોમાં (ઉદાહરણ તરીકે, દક્ષિણ મહાસાગર અને વિષુવવૃત્તીય પેસિફિક; આકૃતિ S3, C અને D).આ પત્રવ્યવહાર સૂચવે છે કે પ્લાન્કટોનનું સમુદાય માળખું સમુદ્રની ગતિશીલતાથી ખૂબ પ્રભાવિત છે.ઉત્તર એટલાન્ટિક જેવા વિસ્તારોમાં, AEP ભૌતિક પ્રાંતોને પાર કરે છે.આ તફાવતોનું કારણ બને છે તે પદ્ધતિમાં ધૂળના પરિવહન જેવી પ્રક્રિયાઓનો સમાવેશ થઈ શકે છે, જે સમાન શારીરિક પરિસ્થિતિઓમાં પણ સંપૂર્ણપણે અલગ પોષક કાર્યક્રમો તરફ દોરી શકે છે.
ઇકોલોજી મંત્રાલય અને AEP એ ધ્યાન દોર્યું હતું કે એકલા Chl નો ઉપયોગ કરીને ઇકોલોજીકલ ઘટકોને ઓળખી શકાતા નથી, કારણ કે દરિયાઇ ઇકોલોજી સમુદાયને પહેલેથી જ સમજાયું છે.આ સમાન બાયોમાસ સાથે પરંતુ નોંધપાત્ર રીતે અલગ ઇકોલોજીકલ કમ્પોઝિશન (જેમ કે ડી અને ઇ) સાથે AEP માં જોવા મળે છે.તેનાથી વિપરીત, D અને K જેવા AEP માં બાયોમાસ ખૂબ જ અલગ છે પરંતુ સમાન ઇકોલોજીકલ રચના છે.AEP ભારપૂર્વક જણાવે છે કે બાયોમાસ, ઇકોલોજીકલ કમ્પોઝિશન અને ઝૂપ્લાંકટન વિપુલતા વચ્ચેનો સંબંધ જટિલ છે.ઉદાહરણ તરીકે, જો કે AEP J ફાયટોપ્લાંકટોન અને પ્લાન્કટોન બાયોમાસની દ્રષ્ટિએ અલગ છે, AEP ના A અને L સમાન પ્લાન્કટોન બાયોમાસ ધરાવે છે, પરંતુ A પાસે પ્લાન્કટોન વિપુલતા વધારે છે.AEP ભારપૂર્વક જણાવે છે કે ફાયટોપ્લાંકટોન બાયોમાસ (અથવા Chl) નો ઉપયોગ ઝૂપ્લાંકટોન બાયોમાસની આગાહી કરવા માટે કરી શકાતો નથી.ઝૂપ્લાંકટન એ ફિશરી ફૂડ ચેઇનનો પાયો છે અને વધુ સચોટ અંદાજો વધુ સારા સંસાધન વ્યવસ્થાપન તરફ દોરી શકે છે.ભવિષ્યના દરિયાઈ રંગના ઉપગ્રહો [ઉદાહરણ તરીકે, PACE (પ્લાન્કટોન, એરોસોલ, ક્લાઉડ અને મરીન ઇકોસિસ્ટમ)] ફાયટોપ્લાંકટોનની સામુદાયિક રચનાનો અંદાજ કાઢવામાં મદદ કરવા માટે વધુ સારી રીતે સ્થિત હોઈ શકે છે.AEP અનુમાનનો ઉપયોગ કરીને અવકાશમાંથી ઝૂપ્લાંકટોનના અંદાજને સંભવિતપણે સરળ બનાવી શકે છે.નવી ટેકનોલોજી સાથે જોડાયેલી SAGE જેવી પદ્ધતિઓ અને ગ્રાઉન્ડ ટ્રુથ સર્વે (જેમ કે તારા અને ફોલો-અપ રિસર્ચ) માટે ઉપલબ્ધ વધુ અને વધુ ફિલ્ડ ડેટા સેટેલાઇટ-આધારિત ઇકોસિસ્ટમ હેલ્થ મોનિટરિંગ તરફ સંયુક્ત રીતે એક પગલું ભરી શકે છે.
SAGE પદ્ધતિ પ્રાંતની લાક્ષણિકતાઓને નિયંત્રિત કરતી કેટલીક પદ્ધતિઓનું મૂલ્યાંકન કરવાની અનુકૂળ રીત પૂરી પાડે છે, જેમ કે બાયોમાસ/Chl, ચોખ્ખું પ્રાથમિક ઉત્પાદન અને સમુદાય માળખું.ઉદાહરણ તરીકે, ડાયટોમ્સની સંબંધિત માત્રા એ ફાયટોપ્લાંકટોન સ્ટોઇકિયોમેટ્રિક આવશ્યકતાઓને સંબંધિત Si, N, P અને Fe ના પુરવઠામાં અસંતુલન દ્વારા સેટ કરવામાં આવે છે.સંતુલિત પુરવઠા દરે, સમુદાય ડાયટોમ્સ (L) દ્વારા પ્રભુત્વ ધરાવે છે.જ્યારે પુરવઠાનો દર અસંતુલિત હોય છે (એટલે ​​કે, સિલિકોનનો પુરવઠો ડાયટોમની પોષક તત્ત્વોની માંગ કરતા ઓછો હોય છે), ત્યારે ડાયટોમનો હિસ્સો માત્ર એક નાનો હિસ્સો શેર (K) હોય છે.જ્યારે Fe અને P નો પુરવઠો N ના પુરવઠા કરતાં વધી જાય છે (ઉદાહરણ તરીકે, E અને H), ત્યારે ડાયઝોટ્રોફિક બેક્ટેરિયા જોરશોરથી વધશે.AEP દ્વારા પૂરા પાડવામાં આવેલ સંદર્ભ દ્વારા, નિયંત્રણ પદ્ધતિઓનું સંશોધન વધુ ઉપયોગી બનશે.
ઇકો-પ્રોવિન્સ અને AEP સમાન સમુદાય માળખાં ધરાવતા વિસ્તારો છે.ઇકોલોજીકલ પ્રાંત અથવા AEPની અંદરના ચોક્કસ સ્થાનની સમય શ્રેણીને સંદર્ભ બિંદુ તરીકે ગણવામાં આવે છે અને તે ઇકોલોજીકલ પ્રાંત અથવા AEP દ્વારા આવરી લેવામાં આવેલા વિસ્તારનું પ્રતિનિધિત્વ કરી શકે છે.લાંબા ગાળાના ઓન-સાઇટ મોનિટરિંગ સ્ટેશનો આવી સમય શ્રેણી પૂરી પાડે છે.લાંબા ગાળાના ઇન-સીટુ ડેટા સેટ અગણિત ભૂમિકા ભજવવાનું ચાલુ રાખશે.સામુદાયિક સંરચના પર દેખરેખ રાખવાના પરિપ્રેક્ષ્યમાં, SAGE પદ્ધતિને નવી સાઇટ્સનું સૌથી ઉપયોગી સ્થાન નક્કી કરવામાં મદદરૂપ થવાના માર્ગ તરીકે જોઈ શકાય છે.ઉદાહરણ તરીકે, લાંબા ગાળાના ઓલિગોટ્રોફિક આવાસ આકારણી (ALOHA) માંથી સમય શ્રેણી ઓલિગોટ્રોફિક વિસ્તારના AEP B (આકૃતિ 5C, લેબલ 2) માં છે.કારણ કે ALOHA એ અન્ય AEP ની સીમાની નજીક છે, અગાઉ સૂચવ્યા મુજબ સમય શ્રેણી સમગ્ર વિસ્તારના પ્રતિનિધિ ન હોઈ શકે (33).એ જ AEP B માં, સમય શ્રેણી SEATS (દક્ષિણપૂર્વ એશિયન ટાઈમ સિરીઝ) અન્ય AEPs (આકૃતિ 5C, લેબલ 1) ની સીમાઓથી દૂર દક્ષિણપશ્ચિમ તાઈવાન (34) માં સ્થિત છે અને મોનિટર કરવા માટે વધુ સારા સ્થાન તરીકે ઉપયોગ કરી શકાય છે. AEPB.AEPCમાં BATS (બર્મુડા એટલાન્ટિક ટાઈમ સિરીઝ સ્ટડી) સમય શ્રેણી (આકૃતિ 5C, લેબલ 4) AEP C અને F વચ્ચેની સીમાની ખૂબ નજીક છે, જે સૂચવે છે કે BATS સમય શ્રેણીનો ઉપયોગ કરીને AEP Cની દેખરેખ સીધી સમસ્યારૂપ હોઈ શકે છે.AEP J (આકૃતિ 5C, લેબલ 3) માં સ્ટેશન P AEP સીમાથી દૂર છે, તેથી તે વધુ પ્રતિનિધિત્વ કરે છે.ઇકો-પ્રોવિન્સ અને AEP વૈશ્વિક ફેરફારોનું મૂલ્યાંકન કરવા માટે યોગ્ય મોનિટરિંગ માળખું સ્થાપિત કરવામાં મદદ કરી શકે છે, કારણ કે સાઇટ પર સેમ્પલિંગ ક્યાં મુખ્ય આંતરદૃષ્ટિ પ્રદાન કરી શકે છે તેનું મૂલ્યાંકન કરવાની પ્રાંતોની પરવાનગી.સમય-બચત પરિવર્તનશીલતાનું મૂલ્યાંકન કરવા માટે આબોહવા ડેટા પર લાગુ કરવા માટે SAGE પદ્ધતિને વધુ વિકસિત કરી શકાય છે.
SAGE પદ્ધતિની સફળતા ડેટા વિજ્ઞાન/ML પદ્ધતિઓ અને ડોમેન-વિશિષ્ટ જ્ઞાનના સાવચેત ઉપયોગ દ્વારા પ્રાપ્ત થાય છે.ખાસ કરીને, t-SNE નો ઉપયોગ પરિમાણીયતામાં ઘટાડો કરવા માટે થાય છે, જે ઉચ્ચ-પરિમાણીય ડેટાના સહપ્રવર્તન માળખું સાચવે છે અને સહવર્તી ટોપોલોજીના વિઝ્યુલાઇઝેશનની સુવિધા આપે છે.ડેટાને પટ્ટાઓ અને સહપ્રવાહ (આકૃતિ 2A) ના રૂપમાં ગોઠવવામાં આવે છે, જે દર્શાવે છે કે શુદ્ધ અંતર-આધારિત માપદંડો (જેમ કે K-મીન્સ) યોગ્ય નથી કારણ કે તેઓ સામાન્ય રીતે ગૌસીયન (ગોળ) આધારિત વિતરણનો ઉપયોગ કરે છે (નોટ S2 માં ચર્ચા કરવામાં આવી છે) .DBSCAN પદ્ધતિ કોઈપણ સહવર્તી ટોપોલોજી માટે યોગ્ય છે.જ્યાં સુધી તમે પરિમાણો સેટ કરવા પર ધ્યાન આપો છો, ત્યાં સુધી વિશ્વસનીય ઓળખ પ્રદાન કરી શકાય છે.t-SNE અલ્ગોરિધમનો કોમ્પ્યુટેશનલ કોસ્ટ ઊંચો છે, જે તેની વર્તમાન એપ્લિકેશનને મોટી માત્રામાં ડેટા સુધી મર્યાદિત કરે છે, જેનો અર્થ છે કે ઊંડા અથવા સમય-વિવિધ ક્ષેત્રો પર લાગુ કરવું મુશ્કેલ છે.t-SNE ની માપનીયતા પર કામ ચાલુ છે.KL અંતર સમાંતર કરવા માટે સરળ હોવાથી, t-SNE અલ્ગોરિધમ ભવિષ્યમાં વિસ્તરણ માટે સારી સંભાવના ધરાવે છે (35).અત્યાર સુધી, અન્ય આશાસ્પદ પરિમાણીયતા ઘટાડવાની પદ્ધતિઓ કે જે કદને વધુ સારી રીતે ઘટાડી શકે છે તેમાં એકીકૃત મેનીફોલ્ડ એપ્રોક્સિમેશન અને પ્રોજેક્શન (UMAP) તકનીકોનો સમાવેશ થાય છે, પરંતુ સમુદ્રના ડેટાના સંદર્ભમાં મૂલ્યાંકન જરૂરી છે.વધુ સારી માપનીયતાનો અર્થ છે, ઉદાહરણ તરીકે, મિશ્ર સ્તર પર વિવિધ જટિલતા સાથે વૈશ્વિક આબોહવા અથવા મોડેલોનું વર્ગીકરણ કરવું.કોઈપણ પ્રાંતમાં SAGE દ્વારા વર્ગીકૃત કરવામાં નિષ્ફળ રહેલા વિસ્તારોને આકૃતિ 2A માં બાકી રહેલા કાળા બિંદુઓ તરીકે ગણી શકાય.ભૌગોલિક રીતે, આ વિસ્તારો મુખ્યત્વે અત્યંત મોસમી વિસ્તારોમાં છે, જે સૂચવે છે કે સમય જતાં બદલાતા પર્યાવરણીય પ્રાંતોને કબજે કરવાથી વધુ સારું કવરેજ મળશે.
SAGE પદ્ધતિનું નિર્માણ કરવા માટે, કાર્યાત્મક જૂથોના ક્લસ્ટરો (11-પરિમાણીય જગ્યામાં ખૂબ નજીક હોવાની શક્યતા) અને પ્રાંતો નક્કી કરવાની ક્ષમતાનો ઉપયોગ કરીને જટિલ સિસ્ટમ્સ/ડેટા વિજ્ઞાનના વિચારોનો ઉપયોગ કરવામાં આવ્યો છે.આ પ્રાંતો અમારી 3D t-SNE તબક્કાની જગ્યામાં ચોક્કસ વોલ્યુમો દર્શાવે છે.તેવી જ રીતે, "સામાન્ય" અથવા "અસ્તવ્યસ્ત" વર્તન (36) નક્કી કરવા માટે માર્ગ દ્વારા કબજે કરેલી રાજ્ય જગ્યાના "વોલ્યુમ" નું મૂલ્યાંકન કરવા માટે પોઈનકેરે ભાગનો ઉપયોગ કરી શકાય છે.સ્ટેટિક 11-ડાયમેન્શનલ મોડલ આઉટપુટ માટે, ડેટાને 3D ફેઝ સ્પેસમાં રૂપાંતરિત કર્યા પછી કબજે કરેલ વોલ્યુમ સમાન રીતે સમજાવી શકાય છે.3D તબક્કાની જગ્યામાં ભૌગોલિક વિસ્તાર અને વિસ્તાર વચ્ચેનો સંબંધ સરળ નથી, પરંતુ તેને પર્યાવરણીય સમાનતાના સંદર્ભમાં સમજાવી શકાય છે.આ કારણોસર, વધુ પરંપરાગત BC અસમાનતા માપને પ્રાધાન્ય આપવામાં આવે છે.
ભાવિ કાર્ય ઓળખાયેલ પ્રાંતો અને AEPની અવકાશી પરિવર્તનશીલતાનું મૂલ્યાંકન કરવા માટે મોસમી રીતે બદલાતા ડેટા માટે SAGE પદ્ધતિનો પુનઃઉપયોગ કરશે.ભાવિ ધ્યેય ઉપગ્રહ માપન (જેમ કે Chl-a, રિમોટ સેન્સિંગ પરાવર્તકતા અને દરિયાની સપાટીનું તાપમાન) દ્વારા કયા પ્રાંતોને નિર્ધારિત કરી શકાય છે તે નિર્ધારિત કરવામાં મદદ કરવા માટે આ પદ્ધતિનો ઉપયોગ કરવાનો છે.આ ઇકોલોજીકલ ઘટકોના રિમોટ સેન્સિંગ મૂલ્યાંકન અને ઇકોલોજીકલ પ્રાંતો અને તેમની પરિવર્તનશીલતાની અત્યંત લવચીક દેખરેખને મંજૂરી આપશે.
આ સંશોધનનો હેતુ SAGE પદ્ધતિનો પરિચય કરાવવાનો છે, જે તેના અનન્ય પ્લાન્કટોન સમુદાય માળખા દ્વારા ઇકોલોજીકલ પ્રાંતને વ્યાખ્યાયિત કરે છે.અહીં, ભૌતિક/બાયોજીયોકેમિકલ/ઇકોસિસ્ટમ મોડલ અને t-SNE અને DBSCAN અલ્ગોરિધમ્સના પરિમાણ પસંદગી વિશે વધુ વિગતવાર માહિતી પ્રદાન કરવામાં આવશે.
મોડેલના ભૌતિક ઘટકો સમુદ્રી પરિભ્રમણ અને આબોહવાના અંદાજ પરથી આવે છે [ECCOv4;(37) દ્વારા વર્ણવેલ વૈશ્વિક રાજ્ય અંદાજ (38).રાજ્યના અંદાજનો નજીવો ઠરાવ 1/5 છે.લેગ્રેન્જિયન ગુણક પદ્ધતિ સાથે લઘુત્તમ ચોરસ પદ્ધતિનો ઉપયોગ પ્રારંભિક અને સીમાની સ્થિતિઓ અને નિરીક્ષણ દ્વારા સમાયોજિત આંતરિક મોડલ પરિમાણો મેળવવા માટે કરવામાં આવે છે, ત્યાં ફ્રી-રનિંગ MIT જનરલ સાયકલ મોડલ (MITgcm) (39) જનરેટ કરે છે, મોડેલ ઑપ્ટિમાઇઝેશન પછી, પરિણામો મેળવી શકે છે. ટ્રેક કરો અને અવલોકન કરો.
બાયોજીયોકેમિસ્ટ્રી/ઇકોસિસ્ટમ (2) માં વધુ સંપૂર્ણ વર્ણન (એટલે ​​કે સમીકરણો અને પરિમાણ મૂલ્યો) ધરાવે છે.આ મોડેલ અકાર્બનિક અને કાર્બનિક તળાવો દ્વારા C, N, P, Si અને Fe ના પરિભ્રમણને કેપ્ચર કરે છે.અહીં વપરાતા સંસ્કરણમાં ફાયટોપ્લાંકટોનની 35 પ્રજાતિઓનો સમાવેશ થાય છે: માઇક્રોપ્રોકેરીયોટ્સની 2 પ્રજાતિઓ અને માઇક્રોયુકેરીયોટ્સની 2 પ્રજાતિઓ (ઓછા પોષક વાતાવરણ માટે યોગ્ય), ક્રિપ્ટોમોનાસ સ્ફેરોઇડ્સની 5 પ્રજાતિઓ (કેલ્શિયમ કાર્બોનેટ કોટિંગ સાથે), ડાયઝોનિયમની 5 પ્રજાતિઓ (સોફિક્સ કેન્ટ્રોજેનિયમ) તે મર્યાદિત નથી) ઓગળેલા અકાર્બનિક નાઇટ્રોજનની ઉપલબ્ધતા), 11 ડાયાટોમ્સ (સિલિસિયસ આવરણ બનાવે છે), 10 મિશ્ર-વનસ્પતિક ફ્લેગેલેટ્સ (પ્રકાશસંશ્લેષણ કરી શકે છે અને અન્ય પ્લાન્કટોન ખાઈ શકે છે) અને 16 ઝૂપ્લાંકટોન (અન્ય પ્લાન્કટોન પર ચરાઈ શકે છે).આને "બાયોજિયોકેમિકલ ફંક્શનલ ગ્રુપ્સ" કહેવામાં આવે છે કારણ કે તે દરિયાઈ જૈવ-રસાયણશાસ્ત્ર (40, 41) પર અલગ-અલગ અસરો ધરાવે છે અને તેનો ઉપયોગ અવલોકન અને મોડેલ અભ્યાસમાં થાય છે.આ મોડેલમાં, દરેક કાર્યાત્મક જૂથ 0.6 થી 2500 μm સમકક્ષ ગોળાકાર વ્યાસના ગાળા સાથે, વિવિધ કદના કેટલાક પ્લાન્કટોનથી બનેલું છે.
ફાયટોપ્લાંકટોન વૃદ્ધિ, ચરાઈ અને ડૂબી જવાને અસર કરતા પરિમાણો કદ સાથે સંબંધિત છે, અને છ ફાયટોપ્લાંકટોન કાર્યાત્મક જૂથો વચ્ચે ચોક્કસ તફાવત છે (32).વિવિધ ભૌતિક માળખાં હોવા છતાં, મોડેલના 51 પ્લાન્કટોન ઘટકોના પરિણામોનો ઉપયોગ તાજેતરના અસંખ્ય અભ્યાસોમાં કરવામાં આવ્યો છે (42-44).
1992 થી 2011 સુધી, ભૌતિક/બાયોજિયોકેમિકલ/ઇકોસિસ્ટમ કપલિંગ મોડલ 20 વર્ષ સુધી ચાલ્યું.મોડેલના આઉટપુટમાં પ્લાન્કટોન બાયોમાસ, પોષક તત્ત્વોની સાંદ્રતા અને પોષક તત્ત્વોના પુરવઠા દર (DIN, PO4, Si અને Fe) નો સમાવેશ થાય છે.આ અભ્યાસમાં, આ આઉટપુટની 20-વર્ષની સરેરાશનો ઉપયોગ ઇકોલોજીકલ પ્રાંતના ઇનપુટ તરીકે કરવામાં આવ્યો હતો.Chl, પ્લાન્કટોન બાયોમાસનું વિતરણ અને પોષક તત્ત્વોની સાંદ્રતા અને કાર્યાત્મક જૂથોના વિતરણની સરખામણી સેટેલાઇટ અને ઇન-સીટુ અવલોકનો સાથે કરવામાં આવે છે [જુઓ (2, 44), નોંધ S1 અને આકૃતિ.S1 થી S3].
SAGE પદ્ધતિ માટે, રેન્ડમનેસનો મુખ્ય સ્ત્રોત t-SNE સ્ટેપમાંથી આવે છે.અવ્યવસ્થિતતા પુનરાવર્તિતતાને અવરોધે છે, જેનો અર્થ છે કે પરિણામો અવિશ્વસનીય છે.SAGE પદ્ધતિ t-SNE અને DBSCAN ના પરિમાણોના સમૂહને નિર્ધારિત કરીને મજબૂતીનું સખત પરીક્ષણ કરે છે, જે પુનરાવર્તિત થવા પર ક્લસ્ટરોને સતત ઓળખી શકે છે.t-SNE પરિમાણની "મુશ્કેલી" નક્કી કરવી એ તે ડિગ્રી નક્કી કરવા તરીકે સમજી શકાય છે કે જેમાં ઉચ્ચથી નીચા પરિમાણોના મેપિંગને ડેટાની સ્થાનિક અથવા વૈશ્વિક લાક્ષણિકતાઓનો આદર કરવો જોઈએ.400 અને 300 પુનરાવર્તનોની મૂંઝવણ સુધી પહોંચી.
ક્લસ્ટરિંગ અલ્ગોરિધમ DBSCAN માટે, ક્લસ્ટરમાં ડેટા પોઈન્ટનું ન્યૂનતમ કદ અને અંતર મેટ્રિક નક્કી કરવાની જરૂર છે.નિષ્ણાતોના માર્ગદર્શન હેઠળ ન્યૂનતમ સંખ્યા નક્કી કરવામાં આવે છે.આ જ્ઞાન જાણે છે કે વર્તમાન આંકડાકીય મોડેલિંગ ફ્રેમવર્ક અને રિઝોલ્યુશનને શું બંધબેસે છે.ન્યૂનતમ સંખ્યા 100 છે. ઉચ્ચ લઘુત્તમ મૂલ્ય (લીલીની ઉપલી મર્યાદા પહોળી થાય તે પહેલાં <135 કરતાં ઓછી) ગણી શકાય, પરંતુ તે BC અસમાનતાના આધારે એકત્રીકરણ પદ્ધતિને બદલી શકતી નથી.કનેક્શનની ડિગ્રી (આકૃતિ 6A) નો ઉપયોગ ϵ પેરામીટર સેટ કરવા માટે થાય છે, જે ઉચ્ચ કવરેજ (આકૃતિ 6B) માટે અનુકૂળ છે.કનેક્ટિવિટી ક્લસ્ટરની સંયુક્ત સંખ્યા તરીકે વ્યાખ્યાયિત કરવામાં આવે છે અને તે ϵ પરિમાણ પ્રત્યે સંવેદનશીલ હોય છે.નીચલી કનેક્ટિવિટી અપૂરતી ફિટિંગ સૂચવે છે, કૃત્રિમ રીતે પ્રદેશોને એકસાથે જૂથબદ્ધ કરે છે.ઉચ્ચ કનેક્ટિવિટી ઓવરફિટિંગ સૂચવે છે.ઓવરફિટિંગ પણ સમસ્યારૂપ છે, કારણ કે તે બતાવે છે કે પ્રારંભિક રેન્ડમ અનુમાન અપ્રતિપાદિત પરિણામો તરફ દોરી શકે છે.આ બે ચરમસીમાઓ વચ્ચે, તીવ્ર વધારો (સામાન્ય રીતે "કોણી" તરીકે ઓળખાય છે) શ્રેષ્ઠ ϵ સૂચવે છે.આકૃતિ 6A માં, તમે ઉચ્ચ પ્રદેશ (પીળા,> 200 ક્લસ્ટરો) માં તીવ્ર વધારો જુઓ છો, ત્યારબાદ તીવ્ર ઘટાડો (લીલો, 100 ક્લસ્ટરો), લગભગ 130 સુધી, ઘણા ઓછા ક્લસ્ટરોથી ઘેરાયેલા છે (વાદળી, <60 ક્લસ્ટરો) ).ઓછામાં ઓછા 100 વાદળી વિસ્તારોમાં, કાં તો એક ક્લસ્ટર સમગ્ર સમુદ્ર પર પ્રભુત્વ ધરાવે છે (ϵ <0.42), અથવા મોટાભાગના સમુદ્રનું વર્ગીકરણ કરવામાં આવતું નથી અને તેને અવાજ (ϵ> 0.99) ગણવામાં આવે છે.પીળા વિસ્તારમાં અત્યંત પરિવર્તનશીલ, અપ્રજનનક્ષમ ક્લસ્ટર વિતરણ છે.જેમ જેમ ϵ ઘટે છે તેમ, અવાજ વધે છે.ઝડપથી વધતા લીલા વિસ્તારને કોણી કહેવામાં આવે છે.આ એક શ્રેષ્ઠ પ્રદેશ છે.જો કે સંભાવના t-SNE નો ઉપયોગ કરવામાં આવે છે, તેમ છતાં પ્રાંતની અંદર BC અસમાનતાનો ઉપયોગ વિશ્વસનીય ક્લસ્ટરિંગ નક્કી કરવા માટે થઈ શકે છે.આકૃતિ 6 (A અને B) નો ઉપયોગ કરીને, ϵ ને 0.39 પર સેટ કરો.ન્યૂનતમ સંખ્યા જેટલી મોટી હશે, ϵ સુધી પહોંચવાની સંભાવના ઓછી છે જે વિશ્વસનીય વર્ગીકરણને મંજૂરી આપે છે, અને 135 કરતાં વધુ મૂલ્ય સાથેનો લીલો વિસ્તાર વધારે છે. આ વિસ્તારનું વિસ્તરણ સૂચવે છે કે કોણીને શોધવાનું વધુ મુશ્કેલ હશે અથવા બિન- અસ્તિત્વમાં છે.
t-SNE ના પરિમાણો સેટ કર્યા પછી, કુલ મળી આવેલા ક્લસ્ટરોની સંખ્યાનો ઉપયોગ કનેક્ટિવિટી (A) અને ક્લસ્ટર (B) ને ફાળવેલ ડેટાની ટકાવારી તરીકે કરવામાં આવશે.લાલ બિંદુ કવરેજ અને કનેક્ટિવિટીનું શ્રેષ્ઠ સંયોજન સૂચવે છે.ન્યૂનતમ સંખ્યા ઇકોલોજી સંબંધિત ન્યૂનતમ સંખ્યા અનુસાર સેટ કરવામાં આવે છે.
આ લેખ માટે પૂરક સામગ્રી માટે, કૃપા કરીને જુઓ http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1
આ ક્રિએટીવ કોમન્સ એટ્રિબ્યુશન લાયસન્સની શરતો હેઠળ વિતરિત કરાયેલ એક ઓપન એક્સેસ લેખ છે.લેખ કોઈપણ માધ્યમમાં અપ્રતિબંધિત ઉપયોગ, વિતરણ અને પ્રજનનની મંજૂરી આપે છે તે શરત હેઠળ કે મૂળ કાર્ય યોગ્ય રીતે ટાંકવામાં આવે છે.
નોંધ: અમે તમને ફક્ત તમારું ઇમેઇલ સરનામું પ્રદાન કરવા માટે કહીએ છીએ જેથી તમે જે વ્યક્તિને પૃષ્ઠ પર ભલામણ કરો છો તે વ્યક્તિ જાણે કે તમે ઇચ્છો છો કે તેઓ ઇમેઇલ જુએ અને તે સ્પામ નથી.અમે કોઈપણ ઈમેલ એડ્રેસ કેપ્ચર કરીશું નહીં.
આ પ્રશ્નનો ઉપયોગ તમે મુલાકાતી છો કે કેમ તે ચકાસવા અને સ્વચાલિત સ્પામ સબમિશનને રોકવા માટે થાય છે.
ગ્લોબલ મિનિસ્ટ્રી ઓફ મરીન ઇકોલોજી જટિલ સમસ્યાઓ ઉકેલવા માટે કટિબદ્ધ છે અને સામુદાયિક માળખાંની શોધખોળ કરવા માટે દેખરેખ વિનાના MLનો ઉપયોગ કરે છે.
ગ્લોબલ મિનિસ્ટ્રી ઓફ મરીન ઇકોલોજી જટિલ સમસ્યાઓ ઉકેલવા માટે કટિબદ્ધ છે અને સામુદાયિક માળખાંની શોધખોળ કરવા માટે દેખરેખ વિનાના MLનો ઉપયોગ કરે છે.