Էկոլոգիական բարդության պարզաբանում. չվերահսկվող ուսուցումը որոշում է համաշխարհային ծովային էկոլոգիական նահանգը

Առաջարկվում է չվերահսկվող ուսուցման մեթոդ՝ գլոբալ ծովային էկոլոգիական գավառները (էկո-մարզերը) որոշելու համար՝ հիմնված պլանկտոնային համայնքի կառուցվածքի և սննդանյութերի հոսքի տվյալների վրա:Համակարգված ինտեգրված էկոլոգիական գավառի (SAGE) մեթոդը կարող է բացահայտել էկոլոգիական գավառները խիստ ոչ գծային էկոհամակարգերի մոդելներում:Տվյալների ոչ Գաուսական կովարիանսին հարմարվելու համար SAGE-ն օգտագործում է t պատահական հարևանների ներկառուցում (t-SNE)՝ չափավորությունը նվազեցնելու համար:Խտության վրա հիմնված տարածական կլաստերավորման (DBSCAN) ալգորիթմի վրա հիմնված աղմուկի հավելվածի օգնությամբ կարելի է նույնացնել հարյուրից ավելի էկոլոգիական գավառներ։Օգտագործելով էկոլոգիական տարբերությունների հետ կապի քարտեզը որպես հեռավորության չափման միջոց՝ օբյեկտիվորեն սահմանվում է ամուր ագրեգացված էկոլոգիական նահանգ (AEP)՝ բնադրված էկոլոգիական գավառների միջոցով:Օգտագործելով AEP-ները, ուսումնասիրվել է համայնքի կառուցվածքի վրա սննդանյութերի մատակարարման մակարդակի վերահսկումը:Էկո-նահանգը և AEP-ը եզակի են և կարող են օգնել մոդելի մեկնաբանմանը:Նրանք կարող են հեշտացնել մոդելների համեմատությունները և կարող են նպաստել ծովային էկոհամակարգերի ըմբռնմանը և մոնիտորինգին:
Մարզերը տարածաշրջաններ են, որտեղ ծովի կամ ցամաքի վրա բարդ կենսաաշխարհագրությունը կազմակերպված է համահունչ և իմաստալից տարածքների (1):Այս մարզերը շատ կարևոր են տեղանքները համեմատելու և հակադրելու, դիտարկումները բնութագրելու, մոնիտորինգի և պաշտպանության համար:Բարդ և ոչ գծային փոխազդեցությունները, որոնք առաջացնում են այս գավառները, դարձնում են չվերահսկվող մեքենայական ուսուցման մեթոդները (ML) շատ հարմար գավառները օբյեկտիվորեն որոշելու համար, քանի որ տվյալների կովարիանսը բարդ է և ոչ Գաուսիական:Այստեղ առաջարկվում է ML մեթոդ, որը համակարգված կերպով նույնացնում է եզակի ծովային էկոլոգիական գավառները (էկո-գավառները) Դարվինի գլոբալ եռաչափ (3D) ֆիզիկական/էկոհամակարգային մոդելից (2):«Յուրահատուկ» տերմինն օգտագործվում է ցույց տալու համար, որ նշված տարածքը բավականաչափ չի համընկնում այլ տարածքների հետ:Այս մեթոդը կոչվում է System Integrated Ecological Province (SAGE) մեթոդ:Օգտակար դասակարգում իրականացնելու համար ալգորիթմային մեթոդը պետք է թույլ տա (i) գլոբալ դասակարգում և (ii) բազմամասշտաբ վերլուծություն, որը կարող է տեղակայվել/հավաքվել տարածության և ժամանակի մեջ (3):Այս հետազոտության ընթացքում առաջին անգամ առաջարկվել է SAGE մեթոդը և քննարկվել բացահայտված էկոլոգիական մարզերը:Էկո-մարզերը կարող են նպաստել համայնքի կառուցվածքը վերահսկող գործոնների ըմբռնմանը, օգտակար պատկերացումներ տրամադրել մոնիտորինգի ռազմավարությունների համար և օգնել հետևել էկոհամակարգի փոփոխություններին:
Ցամաքային գավառները սովորաբար դասակարգվում են ըստ կլիմայի (տեղումների և ջերմաստիճանի), հողի, բուսականության և կենդանական աշխարհի նմանությունների և օգտագործվում են օժանդակ կառավարման, կենսաբազմազանության հետազոտությունների և հիվանդությունների վերահսկման համար (1, 4):Ծովային նահանգներն ավելի դժվար է սահմանել:Օրգանիզմների մեծ մասը մանրադիտակային է, հեղուկի սահմաններով:Լոնգհերստը և այլք:(5) Տրամադրվել է օվկիանոսագիտության նախարարության առաջին գլոբալ դասակարգումներից մեկը՝ հիմնված շրջակա միջավայրի պայմանների վրա:Այս «Լոնգհերսթ» գավառների սահմանումը ներառում է այնպիսի փոփոխականներ, ինչպիսիք են խառնման արագությունը, շերտավորումը և ճառագայթումը, ինչպես նաև Լոնգհերսթի մեծ փորձը որպես ծովային օվկիանոսագետ, ով ունի այլ կարևոր պայմաններ ծովային էկոհամակարգերի համար:Լոնգհուրստը լայնորեն օգտագործվել է, օրինակ՝ առաջնային արտադրության և ածխածնի հոսքերը գնահատելու, ձկնորսությանը օգնելու և տեղում դիտորդական գործողություններ պլանավորելու համար (5-9):Մարզերը ավելի օբյեկտիվորեն սահմանելու համար օգտագործվել են այնպիսի մեթոդներ, ինչպիսիք են անորոշ տրամաբանությունը և տարածաշրջանային չվերահսկվող կլաստերավորումը/վիճակագրությունը (9-14):Նման մեթոդների նպատակն է բացահայտել բովանդակալից կառույցները, որոնք կարող են բացահայտել գավառները առկա դիտողական տվյալների մեջ:Օրինակ՝ դինամիկ ծովային նահանգները (12) օգտագործում են ինքնակազմակերպվող քարտեզներ՝ աղմուկը նվազեցնելու համար, և օգտագործում են հիերարխիկ (ծառերի վրա հիմնված) կլաստերավորում՝ տարածաշրջանային արբանյակներից ստացված ծովային գույնի արտադրանքները որոշելու համար [քլորոֆիլ a (Chl-a), նորմալացված ֆլուորեսցենտային գծի բարձրությունը և գունավոր լուծված օրգանական նյութեր] և ֆիզիկական դաշտ (ծովի մակերեսի ջերմաստիճան և աղիություն, բացարձակ դինամիկ տեղագրություն և ծովի սառույց):
Պլանկտոնի համայնքային կառուցվածքը մտահոգիչ է, քանի որ նրա էկոլոգիան մեծ ազդեցություն ունի սննդանյութերի ավելի բարձր մակարդակների, ածխածնի կլանման և կլիմայի վրա:Այնուամենայնիվ, դեռևս դժվար և անհասկանալի նպատակ է որոշել գլոբալ էկոլոգիական նահանգ՝ հիմնված պլանկտոնային համայնքի կառուցվածքի վրա:Ծովային գունավոր արբանյակները կարող են պոտենցիալ պատկերացում կազմել ֆիտոպլանկտոնների կոպիտ դասակարգման մասին կամ առաջարկել ֆունկցիոնալ խմբերի առավելությունները (15), սակայն ներկայումս նրանք չեն կարողանում մանրամասն տեղեկատվություն տրամադրել համայնքի կառուցվածքի մասին:Վերջին հարցումները [օր.՝ Tara Ocean (16)] ապահովում են համայնքի կառուցվածքի աննախադեպ չափումներ.ներկայումս գլոբալ մասշտաբով կան միայն սակավ insitu դիտարկումներ (17):Նախորդ ուսումնասիրությունները հիմնականում որոշել են «Կենսաերկրաքիմիական գավառը» (12, 14, 18)՝ հիմնվելով կենսաքիմիական նմանությունների որոշման վրա (օրինակ՝ առաջնային արտադրությունը, Chl և հասանելի լույսը):Այստեղ թվային մոդելն օգտագործվում է ելքի համար [Darwin(2)], և էկոլոգիական նահանգը որոշվում է ըստ համայնքի կառուցվածքի և սննդանյութերի հոսքի:Այս ուսումնասիրության մեջ օգտագործված թվային մոդելն ունի գլոբալ ծածկույթ և կարող է համեմատվել առկա դաշտային տվյալների (17) և հեռահար զոնդավորման դաշտերի հետ (Ծանոթագրություն S1):Այս հետազոտության մեջ օգտագործված թվային մոդելի տվյալները գլոբալ ծածկույթի առավելությունն ունեն:Մոդելային էկոհամակարգը բաղկացած է 35 տեսակի ֆիտոպլանկտոնից և 16 տեսակի zooplankton-ից (խնդրում ենք ծանոթանալ նյութերին և մեթոդներին):Պլանկտոնի մոդելային տեսակները փոխազդում են ոչ գծային ոչ Գաուսյան կովարիանսային կառուցվածքների հետ, ուստի պարզ ախտորոշման մեթոդները հարմար չեն ձևավորվող համայնքային կառույցներում եզակի և հետևողական օրինաչափությունների նույնականացման համար:Այստեղ ներկայացված SAGE մեթոդը տրամադրում է Դարվինի բարդ մոդելների արդյունքը ստուգելու նոր միջոց:
Տվյալների գիտության/ML տեխնոլոգիայի հզոր փոխակերպիչ կարողությունները կարող են թույլ տալ չափազանց բարդ մոդելային լուծումներ՝ բացահայտելու տվյալների կովարիանսում բարդ, բայց ամուր կառուցվածքները:Կայուն մեթոդը սահմանվում է որպես մեթոդ, որը կարող է հավատարմորեն վերարտադրել արդյունքները տվյալ սխալի միջակայքում:Նույնիսկ պարզ համակարգերում, կայուն օրինաչափությունների և ազդանշանների որոշումը կարող է մարտահրավեր լինել:Քանի դեռ չի որոշվել դիտարկվող օրինակին տանող հիմնավորումը, առաջացող բարդությունը կարող է թվալ բարդ/դժվար լուծելի:Էկոհամակարգի կազմի ձևավորման հիմնական գործընթացը ոչ գծային է:Ոչ գծային փոխազդեցությունների առկայությունը կարող է շփոթել ամուր դասակարգումը, ուստի անհրաժեշտ է խուսափել մեթոդներից, որոնք ամուր ենթադրություններ են անում տվյալների կովարիանսի հիմնական վիճակագրական բաշխման վերաբերյալ:Բարձրաչափ և ոչ գծային տվյալները տարածված են օվկիանոսագրության մեջ և կարող են ունենալ կովարիանսային կառուցվածք բարդ, ոչ Գաուսական տոպոլոգիայի հետ:Թեև ոչ Գաուսական կովարիանսային կառուցվածքով տվյալները կարող են խոչընդոտել կայուն դասակարգմանը, SAGE մեթոդը նոր է, քանի որ այն նախատեսված է կամայական տոպոլոգիաներով կլաստերները նույնականացնելու համար:
SAGE մեթոդի նպատակն է օբյեկտիվորեն բացահայտել առաջացող օրինաչափությունները, որոնք կարող են օգնել հետագա էկոլոգիական ըմբռնմանը:Հետևելով կլաստերի վրա հիմնված աշխատանքային հոսքին, որը նման է (19), էկոլոգիական և սննդանյութերի հոսքի փոփոխականներն օգտագործվում են տվյալների միակ կլաստերը որոշելու համար, որը կոչվում է էկոլոգիական նահանգ:Այս ուսումնասիրության մեջ առաջարկված SAGE մեթոդը (Նկար 1) նախ նվազեցնում է չափսերը 55-ից մինչև 11 չափումներ՝ գումարելով պլանկտոնի ֆունկցիոնալ խմբերը, որոնք սահմանված են priori (տես Նյութեր և մեթոդներ):Օգտագործելով t-պատահական հարևանների ներդրման (t-SNE) մեթոդը, չափն ավելի է կրճատվում՝ նախագծելով հավանականությունը 3D տարածության մեջ:Չվերահսկվող կլաստերավորումը կարող է բացահայտել էկոլոգիապես մոտ տարածքները [խտության վրա հիմնված տարածական կլաստերավորում (DBSCAN) աղմուկի վրա հիմնված կիրառությունների համար]:Երկուսն էլ t-SNE-ն և DBSCAN-ը կիրառելի են էկոհամակարգի բնորոշ ոչ գծային թվային մոդելի տվյալների համար:Այնուհետև ստացված էկոլոգիական նահանգը վերարտադրեք երկրի վրա:Բացահայտվել են հարյուրից ավելի եզակի էկոլոգիական գավառներ, որոնք հարմար են տարածաշրջանային հետազոտությունների համար:Համաշխարհային համահունչ էկոհամակարգի մոդելը դիտարկելու համար SAGE մեթոդը օգտագործվում է էկոլոգիական գավառները ագրեգացված էկոլոգիական գավառների (AEP) միավորելու համար՝ բարելավելու էկոլոգիական մարզերի արդյունավետությունը:Համախմբման մակարդակը (կոչվում է «բարդություն») կարող է ճշգրտվել պահանջվող մանրամասնության մակարդակին:Որոշեք կայուն AEP-ի նվազագույն բարդությունը:Ընտրության կիզակետը SAGE մեթոդն է և ամենափոքր բարդության AEP դեպքերի ուսումնասիրությունը՝ վթարային համայնքի կառուցվածքի վերահսկողությունը որոշելու համար:Այնուհետև օրինաչափությունները կարող են վերլուծվել՝ էկոլոգիական պատկերացումներ ապահովելու համար:Այստեղ ներկայացված մեթոդը կարող է օգտագործվել նաև մոդելների համեմատության համար ավելի ընդարձակ, օրինակ՝ տարբեր մոդելներում հայտնաբերված նմանատիպ էկոլոգիական գավառների տեղակայման գնահատմամբ՝ ընդգծելու տարբերություններն ու նմանությունները՝ մոդելները համեմատելու համար:
(Ա) Էկոլոգիական շրջանի որոշման աշխատանքային հոսքի սխեմատիկ դիագրամ.օգտագործելով ֆունկցիոնալ խմբի գումարը՝ սկզբնական 55 ծավալային տվյալները նվազեցնելու համար մինչև 11 ծավալային մոդելի արդյունք, ներառյալ յոթ ֆունկցիոնալ/սննդարար պլանկտոնի կենսազանգվածը և սննդանյութերի մատակարարման չորս դրույքաչափերը:Աննշան արժեք և երկարակյաց սառցե ծածկույթի տարածք:Տվյալները ստանդարտացված և ստանդարտացված են:Տրամադրել 11-չափ տվյալներ t-SNE ալգորիթմին՝ վիճակագրորեն նման հատկանիշների համակցությունները ընդգծելու համար:DBSCAN-ը զգուշորեն կընտրի կլաստերը՝ պարամետրի արժեքը սահմանելու համար:Վերջապես նախագծեք տվյալները դեպի լայնություն/երկայնության պրոյեկցիա:Խնդրում ենք նկատի ունենալ, որ այս գործընթացը կրկնվում է 10 անգամ, քանի որ t-SNE-ի կիրառմամբ կարող է առաջանալ մի փոքր պատահականություն:(B) բացատրում է, թե ինչպես ստանալ AEP-ը` կրկնելով աշխատանքային հոսքը (A)-ում 10 անգամ:Այս 10 իրականացումներից յուրաքանչյուրի համար որոշվել է միջգավառական Բրեյ-Քուրտիսի (BC) անհամապատասխանության մատրիցը` հիմնվելով 51 ֆիտոպլանկտոնի տեսակների կենսազանգվածի վրա:Որոշեք մ.թ.ա. տարբերությունը գավառների միջև՝ բարդությունից 1 AEP մինչև ամբողջական բարդություն 115: BC-ի չափանիշը սահմանվում է Լոնգհերսթ նահանգի կողմից:
SAGE մեթոդը օգտագործում է գլոբալ 3D ֆիզիկական/էկոհամակարգային թվային մոդելի արդյունքը՝ էկոլոգիական նահանգը սահմանելու համար [Darwin (2);տես Նյութեր և Մեթոդներ և Ծանոթագրություն S1]:Էկոհամակարգի բաղադրիչները կազմված են 35 տեսակի ֆիտոպլանկտոնից և 16 տեսակ zooplankton-ից՝ յոթ կանխորոշված ​​ֆունկցիոնալ խմբերով. պրոկարիոտներ և էուկարիոտներ՝ հարմարեցված ցածր սննդարար միջավայրերին, կոկցիդիաներ՝ կալցիումի կարբոնատային ծածկույթով և ծանր ազոտային նյութերի ֆիքսում ազոտային նյութերով։ կարևոր սնուցիչները), սիլիցիային ծածկույթով, կարող են կատարել պլանկտոնի այլ ֆոտոսինթեզ և արածեցնելով խառը սննդանյութերի դրոշակակիրներ և zooplankton հովիվներ:Չափի միջակայքը 0,6-ից մինչև 2500 մկմ համարժեք գնդաձև տրամագիծ է:Ֆիտոպլանկտոնի չափի և ֆունկցիոնալ խմբավորման մոդելային բաշխումն արտացոլում է արբանյակային և insitu դիտարկումներում երևացող ընդհանուր բնութագրերը (տես Նկարներ S1-ից S3):Թվային մոդելի և դիտարկված օվկիանոսի նմանությունը ցույց է տալիս, որ մոդելի կողմից սահմանված գավառները կարող են կիրառելի օվկիանոսի տեղում:Խնդրում ենք նկատի ունենալ, որ այս մոդելը գրավում է միայն ֆիտոպլանկտոնների որոշակի բազմազանություն և օվկիանոսի միայն ֆիզիկական և քիմիական ուժային տիրույթներ:SAGE մեթոդը կարող է մարդկանց հնարավորություն տալ ավելի լավ հասկանալ համայնքի մոդելային կառուցվածքի բարձր տարածաշրջանային վերահսկողության մեխանիզմը:
Պլանկտոնի յուրաքանչյուր ֆունկցիոնալ խմբում ներառելով միայն մակերևութային կենսազանգվածի գումարը (միջինը 20 տարի)՝ տվյալների ծավալայինությունը կարող է կրճատվել:Այն բանից հետո, երբ ավելի վաղ ուսումնասիրությունները ցույց տվեցին նրանց առանցքային դերը համայնքի կառուցվածքի ստեղծման գործում, այն նաև ներառում էր սննդանյութերի հոսքերի մակերևութային աղբյուրի պայմաններ (ազոտի, երկաթի, ֆոսֆատի և սիլիցիումի թթու մատակարարում) [օրինակ (20, 21)]:Ֆունկցիոնալ խմբերի գումարումը խնդիրը նվազեցնում է 55-ից (51 պլանկտոն և 4 սննդանյութերի հոսք) մինչև 11 չափս:Այս նախնական ուսումնասիրության մեջ, ալգորիթմի կողմից պարտադրված հաշվողական սահմանափակումների պատճառով, հաշվի չեն առնվել խորության և ժամանակի փոփոխականությունը:
SAGE մեթոդը ի վիճակի է բացահայտելու կարևոր հարաբերությունները ոչ գծային գործընթացների և ֆունկցիոնալ խմբի կենսազանգվածի և սննդանյութերի հոսքի միջև փոխազդեցության հիմնական հատկանիշների միջև:Էվկլիդեսյան հեռավար ուսուցման մեթոդների վրա հիմնված 11-չափ տվյալների օգտագործումը (օրինակ՝ K-միջոցները) չի կարող ստանալ հուսալի և վերարտադրելի գավառներ (19, 22):Դա պայմանավորված է նրանով, որ էկոլոգիական պրովինցիան սահմանող հիմնական տարրերի կովարիանսի հիմնական բաշխման մեջ Գաուսի ձև չկա:Վորոնոյի բջիջների K-միջինները (ուղիղ գծեր) չեն կարող պահպանել ոչ Գաուսական հիմնական բաշխումը։
Յոթ պլանկտոնի ֆունկցիոնալ խմբերի և սննդանյութերի չորս հոսքերի կենսազանգվածը կազմում է 11-չափ վեկտոր x:Հետևաբար, x-ը մոդելային ցանցի վեկտորային դաշտ է, որտեղ յուրաքանչյուր xi տարր ներկայացնում է 11-չափ վեկտոր, որը սահմանված է մոդելի հորիզոնական ցանցի վրա:Յուրաքանչյուր i ինդեքս եզակիորեն նույնացնում է ցանցի կետը ոլորտի վրա, որտեղ (lon, lat) = (φi, θi):Եթե ​​մոդելային ցանցի միավորի կենսազանգվածը 1,2×10-3 մգ Chl/m3-ից պակաս է կամ սառույցի ծածկույթի մակարդակը գերազանցում է 70%-ը, օգտագործվում է կենսազանգվածի տվյալների գրանցամատյանը և դեն նետվում:Տվյալները նորմալացված և ստանդարտացված են, ուստի բոլոր տվյալները գտնվում են [0-ից 1] միջակայքում, միջինը հանվում է և մասշտաբվում է մինչև միավորի շեղումը:Դա արվում է, որպեսզի առանձնահատկությունները (կենսազանգվածը և սննդանյութերի հոսքը) չսահմանափակվեն հնարավոր արժեքների միջակայքում հակադրությամբ:Կլաստերավորումը պետք է արտացոլի փոփոխության հարաբերությունը հատկանիշների միջև հիմնական հավանականության հեռավորությունից, այլ ոչ թե աշխարհագրական հեռավորությունից:Քանակականացնելով այս հեռավորությունները՝ առաջանում են կարևոր հատկանիշներ, մինչդեռ ավելորդ մանրամասները անտեսվում են:Էկոլոգիական տեսանկյունից դա անհրաժեշտ է, քանի որ քիչ կենսազանգված ունեցող ֆիտոպլանկտոնների որոշ տեսակներ կարող են ունենալ ավելի մեծ կենսաերկրաքիմիական ազդեցություն, ինչպիսին է ազոտի ֆիքսումը դիազոտրոֆ բակտերիաների կողմից:Տվյալների ստանդարտացման և նորմալացման ժամանակ կնշվեն այս տեսակի փոխակերպումները:
Շեշտելով առանձնահատկությունների մոտիկությունը բարձրաչափ տարածության մեջ ցածր չափերի ներկայացման մեջ՝ t-SNE ալգորիթմն օգտագործվում է գոյություն ունեցող նմանատիպ շրջաններն ավելի պարզ դարձնելու համար:Նախորդ աշխատանքները, որոնք ուղղված էին հեռակառավարման ցուցիչների համար խորը նեյրոնային ցանցերի ստեղծմանը, օգտագործեցին t-SNE-ն, որն ապացուցեց իր հմտությունը՝ առանձնացնելով հիմնական հատկանիշները (23):Սա անհրաժեշտ քայլ է առանձնահատկությունների տվյալների մեջ կայուն կլաստերավորումը բացահայտելու համար՝ միաժամանակ խուսափելով ոչ կոնվերգենտ լուծումներից (Ծանոթագրություն S2):Օգտագործելով Գաուսի միջուկները, t-SNE-ը պահպանում է տվյալների վիճակագրական հատկությունները՝ յուրաքանչյուր բարձրաչափ օբյեկտ քարտեզագրելով 3D փուլային տարածության մի կետում՝ դրանով իսկ ապահովելով, որ բարձր և ցածր ուղղություններով նմանատիպ օբյեկտների հավանականությունը մեծ է բարձր մակարդակում: ծավալային տարածություն (24):Հաշվի առնելով N x1,…,xN բարձրաչափ օբյեկտների մի շարք, t-SNE ալգորիթմը նվազեցնում է Kullback-Leibler (KL) դիվերգենցիան (25):KL դիվերգենցիան չափում է, թե որքանով է տարբերվում հավանականության բաշխումը երկրորդ հղման հավանականության բաշխումից, և կարող է արդյունավետորեն գնահատել բարձր ծավալային հատկանիշների ցածրաչափ ներկայացումների միջև հարաբերակցության հնարավորությունը:Եթե ​​xi-ն i--րդ օբյեկտն է N-չափ տարածության մեջ, xj-ը j-րդ օբյեկտն է N-չափ տարածության մեջ, yi-ն i-րդ օբյեկտն է ցածրաչափ տարածության մեջ, և yj-ը j-րդ օբյեկտն է ցածր տարածության մեջ: -չափային տարածություն, ապա t -SNE-ն սահմանում է նմանության հավանականությունը ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2) և չափումների կրճատման բազմության համար q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
Նկար 2Ա-ն ցույց է տալիս կենսազանգվածի և սննդանյութերի հոսքի վեկտորների կրճատման ազդեցությունը 11-չափ համակցության 3D-ի:T-SNE-ի կիրառման մոտիվացիան կարելի է համեմատել հիմնական բաղադրիչի վերլուծության (PCA) մոտիվացիայի հետ, որն օգտագործում է շեղումների հատկանիշը՝ ընդգծելու տվյալների տարածքը/հատկանիշը՝ դրանով իսկ նվազեցնելով չափսերը:Պարզվել է, որ t-SNE մեթոդը գերազանցում է PCA-ին` ապահովելով հուսալի և վերարտադրելի արդյունքներ էկո-նախարարության համար (տես Ծանոթագրություն S2):Սա կարող է պայմանավորված լինել այն պատճառով, որ PCA-ի ուղղանկյունության ենթադրությունը հարմար չէ խիստ ոչ գծային ինտերակտիվ հատկանիշների միջև կրիտիկական փոխազդեցությունները բացահայտելու համար, քանի որ PCA-ն կենտրոնանում է գծային կովարիանս կառուցվածքների վրա (26):Օգտագործելով հեռահար զոնդավորման տվյալները, Lunga et al.(27) ցույց է տալիս, թե ինչպես կարելի է օգտագործել SNE մեթոդը՝ ընդգծելու բարդ և ոչ գծային սպեկտրային հատկանիշները, որոնք շեղվում են Գաուսի բաշխումից:
(A) Մոդելավորված սննդանյութերի մատակարարման արագություն, ֆիտոպլանկտոնի և zooplankton ֆունկցիոնալ խմբի կենսազանգվածը, որը կազմված է t-SNE ալգորիթմով և գունավորվել ըստ մարզերի՝ օգտագործելով DBSCAN:Յուրաքանչյուր կետ ներկայացնում է բարձրաչափ տարածության մի կետ, ինչպես ցույց է տրված Նկար 6B-ում, կետերի մեծ մասը գրավված է:Լիսեռները վերաբերում են «t-SNE» 1, 2 և 3 չափերին: (B) DBSCAN-ի կողմից հայտնաբերված գավառի աշխարհագրական պատկերը ծագման լայնություն-երկայնական ցանցի վրա:Գույնը պետք է դիտարկվի որպես ցանկացած գույն, բայց պետք է համապատասխանի (A):
Նկար 2Ա-ում t-SNE ցրման գծապատկերի կետերը համապատասխանաբար կապված են լայնության և երկայնության հետ:Եթե ​​Նկար 2Ա-ի երկու կետերը մոտ են միմյանց, դա պայմանավորված է նրանով, որ դրանց կենսազանգվածը և սննդանյութերի հոսքերը նման են, այլ ոչ թե աշխարհագրական մոտիկության պատճառով:Նկար 2Ա-ի գույները կլաստերներ են, որոնք հայտնաբերված են DBSCAN մեթոդով (28):Խիտ դիտարկումներ փնտրելիս DBSCAN ալգորիթմը օգտագործում է կետերի միջև հեռավորությունը 3D ներկայացման մեջ (ϵ = 0,39; այս ընտրության մասին տեղեկությունների համար տե՛ս Նյութեր և մեթոդներ), և կլաստերը սահմանելու համար պահանջվում է նմանատիպ կետերի քանակը (այստեղ 100 միավոր, տես վերևում):DBSCAN մեթոդը որևէ ենթադրություն չի անում տվյալների կլաստերների ձևի կամ քանակի վերաբերյալ, ինչպես ցույց է տրված ստորև.
3) Բոլոր կետերի համար, որոնք բացահայտված են որպես ներսում գտնվող հեռավորության վրա, կրկնեք քայլ 2-ը կրկնվող՝ կլաստերի սահմանը որոշելու համար:Եթե ​​միավորների քանակը մեծ է սահմանված նվազագույն արժեքից, ապա այն նշանակվում է որպես կլաստեր:
Տվյալները, որոնք չեն համապատասխանում նվազագույն կլաստերի անդամին և հեռավորության ϵ չափմանը, համարվում են «աղմուկ» և նրանց գույն չի հատկացվում:DBSCAN-ը արագ և մասշտաբային ալգորիթմ է՝ վատագույն դեպքում O(n2) կատարմամբ:Ընթացիկ վերլուծության համար դա իրականում պատահական չէ:Միավորների նվազագույն քանակը որոշվում է փորձագիտական ​​գնահատմամբ:Հեռավորությունը կարգավորելուց հետո արդյունքը բավականաչափ կայուն չէ ≈±10 միջակայքում:Այս հեռավորությունը սահմանվում է՝ օգտագործելով կապը (Նկար 6Ա) և օվկիանոսի ծածկույթի տոկոսը (Նկար 6B):Կապակցումը սահմանվում է որպես կլաստերների բաղադրյալ թիվ և զգայուն է ϵ պարամետրի նկատմամբ:Ցածր կապը ցույց է տալիս անբավարար տեղակայումը, արհեստականորեն խմբավորելով շրջանները:Բարձր կապակցումը ցույց է տալիս չափից ավելի հարմարեցում:Կարելի է օգտագործել ավելի բարձր նվազագույն, բայց եթե նվազագույնը գերազանցում է ca-ն, անհնար է հասնել հուսալի լուծման:135 (Լրացուցիչ մանրամասների համար տե՛ս Նյութեր և մեթոդներ):
Նկար 2Ա-ում նշված 115 կլաստերները ետ են նախագծված Նկար 2B-ում երկրի վրա:Յուրաքանչյուր գույն համապատասխանում է DBSCAN-ի կողմից բացահայտված կենսաերկրաքիմիական և էկոլոգիական գործոնների համահունչ համակցությանը:Երբ կլաստերները որոշվեն, Նկար 2Ա-ի յուրաքանչյուր կետի կապը որոշակի լայնության և երկայնության հետ օգտագործվում է կլաստերները ետ դեպի աշխարհագրական տարածք նախագծելու համար:Նկար 2B-ն ցույց է տալիս այն նույն կլաստերի գույներով, ինչ Նկար 2Ա-ում:Նմանատիպ գույները չպետք է մեկնաբանվեն որպես էկոլոգիական նմանություն, քանի որ դրանք վերագրվում են ալգորիթմի կողմից կլաստերների հայտնաբերման հերթականությամբ:
Նկար 2B-ի տարածքը կարող է որակապես նման լինել օվկիանոսի ֆիզիկական և/կամ կենսաերկրաքիմիական հաստատված տարածքին:Օրինակ՝ Հարավային օվկիանոսում կլաստերները զոնա-սիմետրիկ են, ի հայտ են գալիս օլիգոտրոֆիկ հորձանուտներ, իսկ կտրուկ անցումը ցույց է տալիս առևտրային քամիների ազդեցությունը։Օրինակ, հասարակածային Խաղաղ օվկիանոսում նկատվում են վերելքի հետ կապված տարբեր շրջաններ:
Էկո-գավառի էկոլոգիական միջավայրը հասկանալու համար կլաստերում էկոլոգիան գնահատելու համար օգտագործվել է Բրեյ-Կուրտիս (BC) տարբերության ինդեքսի (29) տարբերակ:BC ցուցանիշը վիճակագրական տվյալ է, որն օգտագործվում է երկու տարբեր վայրերի միջև համայնքի կառուցվածքի տարբերությունը քանակականացնելու համար:BC չափումը կիրառելի է 51 տեսակի ֆիտոպլանկտոնի և զոոպլանկտոնի կենսազանգվածի համար BCninj = 1-2CninjSni + Snj
BCninj-ը վերաբերում է ni և nj համակցության նմանությանը, որտեղ Cninj-ը կենսազանգվածի մեկ տեսակի նվազագույն արժեքն է, որն առկա է երկու համակցություններում՝ ni և nj, իսկ Sni-ն ներկայացնում է բոլոր կենսազանգվածների գումարը, որոնք առկա են ni և Snj համակցություններում:BC տարբերությունը նման է հեռավորության չափմանը, բայց գործում է ոչ էվկլիդյան տարածության մեջ, որը, հավանաբար, ավելի հարմար կլինի էկոլոգիական տվյալների և դրա մեկնաբանման համար:
Նկար 2B-ում նշված յուրաքանչյուր կլաստերի համար կարելի է գնահատել ներգավառական և միջմարզային BC-ի նմանությունը:Գավառի ներսում մ.թ.ա. տարբերությունը վերաբերում է գավառի միջին արժեքի և գավառի յուրաքանչյուր կետի տարբերությանը:Ք.ա. գավառների միջև տարբերությունը վերաբերում է մեկ գավառի և մյուս գավառների նմանությանը:Նկար 3A-ում ներկայացված է BC-ի սիմետրիկ մատրիցը (0, սև՝ լիովին համապատասխան, 1, սպիտակ՝ ամբողջովին տարբեր):Գրաֆիկի յուրաքանչյուր տող ցույց է տալիս տվյալների օրինաչափություն:Գծապատկեր 3B ցույց է տալիս BC-ի արդյունքների աշխարհագրական նշանակությունը Նկար 3A-ում յուրաքանչյուր նահանգի համար:Ցածր սնուցումներով և սննդանյութերով ցածր տարածքի գավառի համար Գծապատկեր 3B-ն ցույց է տալիս, որ հասարակածի և Հնդկական օվկիանոսի շուրջ մեծ տարածքների համաչափությունը հիմնականում նման է, բայց ավելի բարձր լայնություններն ու բարձրացող տարածքները զգալիորեն տարբերվում են:
(A) Մ.թ.ա. տարբերության աստիճանը գնահատված յուրաքանչյուր նահանգի համար՝ հիմնված 51 պլանկտոնի համաշխարհային 20-ամյա միջին գլոբալ մակերեսի միջինի վրա:Նշեք արժեքների ակնկալվող համաչափությունը:(B) Սյունակի (կամ տողի) տարածական պրոյեկցիան:Դիստրոֆիկ շրջանի գավառի համար գնահատվել է մ.թ.ա. նմանության չափման գլոբալ բաշխումը և գնահատվել է գլոբալ 20 տարվա միջինը:Սևը (BC = 0) նշանակում է նույն տարածքը, իսկ սպիտակը (BC = 1) նշանակում է ոչ մի նմանություն:
Նկար 4Ա-ն ցույց է տալիս BC-ի տարբերությունը յուրաքանչյուր գավառում Նկար 2B-ում:Որոշվում է օգտագործելով միջին տարածքի միջին համակցությունը կլաստերի մեջ և որոշելով մ.թ.ա.-ի և գավառի յուրաքանչյուր ցանցի կետի միջինի միջև տարբերությունը, այն ցույց է տալիս, որ SAGE մեթոդը կարող է լավ առանձնացնել 51 տեսակ՝ հիմնվելով էկոլոգիական նմանության վրա: մոդելի տվյալներ.Բոլոր 51 տեսակների BC կլաստերի ընդհանուր միջին տարբերությունը 0,102±0,0049 է:
(A, B և D) Մարզում BC տարբերությունը գնահատվում է որպես յուրաքանչյուր ցանցային կետային համայնքի և միջին նահանգի միջև BC տարբերություն, և բարդությունը չի կրճատվում:(2) գլոբալ միջին ներգավառային մ.թ.ա տարբերությունը 0,227±0,117 է:Սա էկոլոգիական մոտիվացիայի վրա հիմնված դասակարգման չափանիշն է, որն առաջարկվում է այս աշխատության կողմից [կանաչ գիծ (C)-ում]:(C) Միջին ներմարզային BC տարբերություն. սև գիծը ներկայացնում է մ.թ.ա. ներմարզային տարբերությունը աճող բարդությամբ:2σ-ը գալիս է էկո-մարզերի նույնականացման գործընթացի 10 կրկնությունից:DBSCAN-ի կողմից հայտնաբերված գավառների ընդհանուր բարդության համար (A) ցույց է տալիս, որ BC-ի տարբերությունը գավառում 0,099 է, իսկ (C)-ի կողմից առաջարկված բարդության դասակարգումը 12 է, ինչը հանգեցնում է 0,200 մ.թ. անհամապատասխանության գավառում:ինչպես ցույց է տալիս նկարը։(D).
Նկար 4B-ում 51 պլանկտոնի տիպի կենսազանգվածն օգտագործվում է Լոնգհերսթ նահանգում մ.թ.ա. համարժեք տարբերությունը ներկայացնելու համար:Յուրաքանչյուր գավառի ընդհանուր միջինը 0,227 է, իսկ ցանցի կետերի ստանդարտ շեղումը մ.թ.ա. գավառի տարբերության հետ կապված՝ 0,046:Սա ավելի մեծ է, քան Նկար 1B-ում նշված կլաստերը:Փոխարենը, օգտագործելով յոթ ֆունկցիոնալ խմբերի գումարը, Լոնգհերստում մ.թ.ա. ներսեզոնային միջին տարբերությունն աճել է մինչև 0,232:
Համաշխարհային էկո-մարզական քարտեզը ներկայացնում է եզակի էկոլոգիական փոխազդեցությունների բարդ մանրամասներ, և բարելավումներ են արվել Լոնգհերսթ նահանգի էկոհամակարգի ամբողջ կառուցվածքի օգտագործման մեջ:Ակնկալվում է, որ բնապահպանության նախարարությունը պատկերացում կներկայացնի թվային մոդելի էկոհամակարգի վերահսկման գործընթացի վերաբերյալ, և այս պատկերացումը կօգնի դաշտային աշխատանքների հետազոտմանը:Այս հետազոտության նպատակով հնարավոր չէ ամբողջությամբ ցուցադրել հարյուրից ավելի գավառներ։Հաջորդ բաժինը ներկայացնում է SAGE մեթոդը, որն ամփոփում է մարզերը:
Նահանգի նպատակներից մեկն էլ գավառի գտնվելու վայրի և կառավարման վերաբերյալ ըմբռնումը խթանելն է:Արտակարգ իրավիճակները որոշելու համար Նկար 1B-ի մեթոդը ցույց է տալիս էկոլոգիապես նման գավառների բնադրումը:Էկո-մարզերը խմբավորվում են էկոլոգիական նմանության հիման վրա, և գավառների նման խմբավորումը կոչվում է AEP:Սահմանեք կարգավորելի «բարդություն»՝ հիմնվելով դիտարկվող մարզերի ընդհանուր թվի վրա:«Բարդություն» տերմինը օգտագործվում է, քանի որ այն թույլ է տալիս ճշգրտել արտակարգ իրավիճակների ատրիբուտների մակարդակը:Իմաստալից ագրեգացիաներ սահմանելու համար որպես հենանիշ օգտագործվում է միջին գավառական BC տարբերությունը 0,227 Լոնգհերսթից:Այս նշաձողից ցածր միավորված մարզերն այլևս օգտակար չեն համարվում:
Ինչպես ցույց է տրված Գծապատկեր 3B-ում, համաշխարհային էկոլոգիական մարզերը համահունչ են:Օգտագործելով մ.թ.ա. միջգավառական տարբերությունները, կարելի է տեսնել, որ որոշ կոնֆիգուրացիաներ շատ «ընդհանուր» են:Գենետիկայի և գրաֆիկների տեսության մեթոդներով ոգեշնչված՝ «կապակցված գրաֆիկները» օգտագործվում են ավելի քան 100 գավառներ տեսակավորելու համար՝ հիմնվելով նրանց առավել նման գավառների վրա:Այստեղ «կապակցման» չափանիշը որոշվում է՝ օգտագործելով մ.թ.ա միջգավառական տարբերությունը (30):100 գավառների դասակարգման համար ավելի մեծ տարածություն ունեցող մարզերի թիվը այստեղ կարելի է անվանել բարդություն:AEP-ը արտադրանք է, որը դասակարգում է ավելի քան 100 մարզեր որպես առավել գերիշխող/ամենամոտ էկոլոգիական մարզեր:Յուրաքանչյուր էկոլոգիական նահանգ վերագրվում է գերիշխող/բարձր կապակցված էկոլոգիական նահանգին, որն առավել նման է նրանց:Այս ագրեգացիան, որը որոշվում է մ.թ.ա. տարբերությամբ, թույլ է տալիս գլոբալ էկոլոգիայի նկատմամբ բնադրված մոտեցում:
Ընտրված բարդությունը կարող է լինել ցանկացած արժեք՝ 1-ից մինչև FIG-ի ամբողջական բարդությունը:2Ա.Ավելի ցածր բարդության դեպքում AEP-ը կարող է այլասերվել՝ պայմանավորված չափերի հավանականության նվազեցման քայլով (t-SNE):Այլասերվածությունը նշանակում է, որ էկոլոգիական մարզերը կարող են վերագրվել տարբեր AEP-ների կրկնությունների միջև՝ դրանով իսկ փոխելով ընդգրկված աշխարհագրական տարածքը:Նկար 4C-ը ցույց է տալիս BC-ի տարբերությունների տարածումը գավառներում աճող բարդության AEP-ներում 10 իրականացումներում (նկար 1B-ում):Նկար 4C-ում 2σ (կապույտ տարածք) դեգրադացիայի չափանիշ է 10 իրականացումներում, իսկ կանաչ գիծը ներկայացնում է Լոնգհերսթի չափանիշը:Փաստերը ապացուցել են, որ 12-ի բարդությունը կարող է պահպանել BC տարբերությունը նահանգում Լոնգհերսթի նշաձողից ցածր բոլոր իրականացումներում և պահպանել համեմատաբար փոքր 2σ դեգրադացիան:Ամփոփելով, առաջարկվող նվազագույն բարդությունը 12 AEP-ն է, և 51 պլանկտոնի տիպերի միջոցով գնահատված միջին գավառական BC տարբերությունը 0,198±0,013 է, ինչպես ցույց է տրված Նկար 4D-ում:Օգտագործելով յոթ պլանկտոնի ֆունկցիոնալ խմբերի գումարը, գավառի ներսում BC-ի միջին տարբերությունը կազմում է 2σ՝ 0,198±0,004-ի փոխարեն:Յոթ ֆունկցիոնալ խմբերի ընդհանուր կենսազանգվածի կամ բոլոր 51 պլանկտոնի տիպերի կենսազանգվածի հետ հաշվարկված BC տարբերությունների համեմատությունը ցույց է տալիս, որ թեև SAGE մեթոդը կիրառելի է 51-չափ իրավիճակում, այն վերաբերում է յոթ ֆունկցիոնալ խմբերի ընդհանուր կենսազանգվածին։ Վերապատրաստման համար.
Կախված ցանկացած հետազոտության նպատակից՝ կարելի է դիտարկել բարդության տարբեր մակարդակներ:Տարածաշրջանային ուսումնասիրությունները կարող են պահանջել ամբողջական բարդություն (այսինքն, բոլոր 115 մարզերը):Որպես օրինակ և պարզության համար դիտարկեք 12-ի նվազագույն առաջարկվող բարդությունը:
Որպես SAGE մեթոդի օգտակարության օրինակ՝ այստեղ օգտագործվում են 12 AEP՝ 12 նվազագույն բարդությամբ՝ ուսումնասիրելու վթարային համայնքի կառուցվածքի վերահսկողությունը:Նկար 5-ը ցույց է տալիս էկոլոգիական պատկերացումները, որոնք խմբավորված են AEP-ով (A-ից մինչև L). Redfield ստոյքիոմետրիայում աշխարհագրական տարածությունը (Նկար 5C), ֆունկցիոնալ խմբի կենսազանգվածի կազմը (Նկար 5A) և սննդանյութերի մատակարարումը (Նկար 5B) կատարվում են N Zoomed-ով:Ցուցադրված է հարաբերակցությունը (N:Si:P:Fe, 1:1:16:16×103):Վերջին վահանակի համար P-ն բազմապատկվում է 16-ով և Fe-ը բազմապատկվում է 16×103-ով, ուստի գծապատկերը համարժեք է ֆիտոպլանկտոնի սննդային պահանջներին։
Մարզերը դասակարգվում են 12 AEP-ների A-ից L. (A) Կենսազանգված (mgC/m3) էկոհամակարգերի 12 մարզերում:(B) Լուծված անօրգանական ազոտի (N), երկաթի (Fe), ֆոսֆատի (P) և սիլիցիումի թթվի (Si) (մմոլ/մ3 տարեկան) սննդանյութերի հոսքի արագությունը:Fe-ը և P-ը բազմապատկվում են համապատասխանաբար 16-ով և 16×103-ով, այնպես որ շերտերը ստանդարտացված են ֆիտոպլանկտոնային ստոյխիոմետրիայի պահանջներին համապատասխան:(C) Նկատի ունեցեք տարբերությունը բևեռային շրջանների, մերձարևադարձային ցիկլոնների և հիմնական սեզոնային/բարձրացող շրջանների միջև:Դիտարկման կայանները նշված են հետևյալ կերպ. 1, ՆՍՏԱՏԵՂԵՐ;2, ALOHA;3, կայարան P;և 4, ՉՂՋԻԿՆԵՐ.
Հայտնաբերված AEP-ը եզակի է:Ատլանտյան և Խաղաղ օվկիանոսներում կա որոշակի համաչափություն հասարակածի շուրջ, և նման, բայց ընդլայնված տարածք կա Հնդկական օվկիանոսում:Որոշ AEP-ներ ընդգրկում են մայրցամաքի արևմտյան կողմը, որը կապված է վերելքի հետ:Հարավային բևեռի շրջանաձև բևեռային հոսանքը համարվում է մեծ գոտիական հատկանիշ:Մերձարևադարձային ցիկլոնը օլիգոտրոֆ ԱԷՊ-ի բարդ շարք է։Այս գավառներում ակնհայտ է կենսազանգվածի տարբերությունների ծանոթ օրինակը պլանկտոններով գերակշռող օլիգոտրոֆ պտտվող հորձանուտների և դիատոմներով հարուստ բևեռային շրջանների միջև:
Շատ նման ընդհանուր ֆիտոպլանկտոնային կենսազանգվածով AEP-ները կարող են ունենալ շատ տարբեր համայնքային կառուցվածքներ և ընդգրկել տարբեր աշխարհագրական տարածքներ, ինչպիսիք են D, H և K, որոնք ունեն ընդհանուր ֆիտոպլանկտոնային կենսազանգված:AEP H-ը հիմնականում գոյություն ունի հասարակածային Հնդկական օվկիանոսում, և կան ավելի շատ դիազոտրոֆ բակտերիաներ։AEP D-ը հանդիպում է մի քանի ավազաններում, սակայն այն հատկապես աչքի է ընկնում Խաղաղ օվկիանոսում՝ հասարակածային վերելքի շուրջ բարձր բերքատվություն ունեցող տարածքներում:Խաղաղօվկիանոսյան այս նահանգի ձևը մոլորակային ալիքային գնացք է հիշեցնում:AEP D-ում դիազոբակտերիաները քիչ են, և ավելի շատ կոններ:Համեմատած մյուս երկու գավառների հետ՝ AEP K-ն հանդիպում է միայն Հյուսիսային Սառուցյալ օվկիանոսի բարձրադիր վայրերում, և կան ավելի շատ դիատոմներ և ավելի քիչ պլանկտոններ:Հարկ է նշել, որ այս երեք շրջաններում նույնպես շատ տարբեր է պլանկտոնի քանակությունը։Դրանցից AEP K-ի պլանկտոնային առատությունը համեմատաբար ցածր է, մինչդեռ AEP D-ի և H-ի համեմատաբար բարձր է:Հետևաբար, չնայած իրենց կենսազանգվածին (և, հետևաբար, նման է Chl-a-ին), այս գավառները միանգամայն տարբեր են. Chl-ի վրա հիմնված գավառների փորձարկումը կարող է չգրանցել այդ տարբերությունները:
Ակնհայտ է նաև, որ շատ տարբեր կենսազանգված ունեցող որոշ ԱԷԱ կարող են նման լինել ֆիտոպլանկտոնային համայնքի կառուցվածքի առումով:Օրինակ, սա տեսանելի է AEP D-ում և E-ում: Նրանք մոտ են միմյանց, իսկ Խաղաղ օվկիանոսում AEP E-ը մոտ է բարձր արտադրողական AEPJ-ին:Նմանապես, չկա հստակ կապ ֆիտոպլանկտոնային կենսազանգվածի և zooplankton առատության միջև:
AEP-ը կարելի է հասկանալ նրանց տրամադրվող սննդանյութերի տեսանկյունից (Նկար 5B):Դիատոմները գոյություն ունեն միայն այնտեղ, որտեղ կա սիլիցիումի մեծ քանակությամբ պաշար:Ընդհանուր առմամբ, որքան մեծ է սիլիկաթթվի մատակարարումը, այնքան բարձր է դիատոմների կենսազանգվածը:Դիատոմները կարելի է տեսնել AEP A, J, K և L-ում: Դիատոմների կենսազանգվածի հարաբերակցությունը այլ ֆիտոպլանկտոնների նկատմամբ որոշվում է N, P և Fe-ով, որոնք տրամադրվում են դիատոմների պահանջարկի համեմատ:Օրինակ, AEP L-ում գերակշռում են դիատոմները:Համեմատած այլ սննդանյութերի հետ՝ Si-ն ամենաբարձր մատակարարումն ունի։Ի հակադրություն, չնայած բարձր արտադրողականությանը, AEP J-ն ունի ավելի քիչ դիատոմներ և ավելի քիչ սիլիցիումի մատակարարում (բոլորը և հարաբերական այլ սննդանյութերի):
Դիազոնիումի բակտերիաները ազոտը ֆիքսելու հատկություն ունեն, բայց դանդաղ են աճում (31):Նրանք գոյակցում են այլ ֆիտոպլանկտոնների հետ, որտեղ երկաթը և ֆոսֆորը չափազանց մեծ են ոչ դիազոնիումային սննդանյութերի պահանջարկի համեմատ (20, 21):Հարկ է նշել, որ դիազոտրոֆիկ կենսազանգվածը համեմատաբար բարձր է, իսկ Fe-ի և P-ի մատակարարումը համեմատաբար մեծ է N-ի մատակարարման համեմատ: Այս կերպ, չնայած AEP J-ում ընդհանուր կենսազանգվածն ավելի բարձր է, AEP H-ում դիազոնիումի կենսազանգվածը կազմում է. ավելի մեծ, քան J-ում: Խնդրում ենք նկատի ունենալ, որ AEP J-ն և H-ն աշխարհագրորեն շատ տարբեր են, և H-ը գտնվում է հասարակածային Հնդկական օվկիանոսում:
Եթե ​​եզակի էկոհամակարգի կառուցվածքը բաժանված չէ գավառների, ապա 12 AEP-ի ամենացածր բարդության մոդելներից ստացված պատկերացումներն այնքան էլ պարզ չեն լինի:SAGE-ի կողմից ստեղծված AEP-ը հեշտացնում է էկոհամակարգերի մոդելներից ստացված բարդ և մեծաչափ տեղեկատվության համահունչ և համաժամանակյա համեմատությունը:AEP-ն արդյունավետորեն ընդգծում է, թե ինչու Chl-ը լավ և այլընտրանքային մեթոդ չէ համայնքի կառուցվածքը կամ զոոպլանկտոնի առատությունը որոշելու համար սննդանյութերի ավելի բարձր մակարդակներում:Ընթացիկ հետազոտական ​​թեմաների մանրամասն վերլուծությունը դուրս է այս հոդվածի շրջանակներից:SAGE մեթոդը հնարավորություն է տալիս ուսումնասիրել մոդելի այլ մեխանիզմներ, որոնք ավելի հեշտ է կառավարել, քան կետ առ կետ դիտելը:
SAGE մեթոդն առաջարկվում է պարզաբանել գլոբալ ֆիզիկական/կենսաերկրաքիմիական/էկոհամակարգային թվային մոդելներից չափազանց բարդ էկոլոգիական տվյալները:Էկոլոգիական նահանգը որոշվում է խաչաձև պլանկտոնային ֆունկցիոնալ խմբերի ընդհանուր կենսազանգվածով, t-SNE հավանականության չափերի կրճատման ալգորիթմի կիրառմամբ և կլաստերավորումով՝ օգտագործելով DBSCAN չվերահսկվող ML մեթոդը:Բնադրման մեթոդի համար BC տարբերությունների/գրաֆիկների միջմարզային տեսությունը կիրառվում է ամուր AEP-ի ստացման համար, որը կարող է օգտագործվել գլոբալ մեկնաբանության համար:Շինարարական առումով Էկո-Պրովինսը և AEP-ը եզակի են:AEP-ի բնադրումը կարող է ճշգրտվել սկզբնական էկոլոգիական շրջանի ամբողջ բարդության և 12 AEP-ի առաջարկվող նվազագույն շեմի միջև:Բնադրումը և AEP-ի նվազագույն բարդության որոշումը համարվում են առանցքային քայլեր, քանի որ t-SNE հավանականությունը դեգեներացնում է <12 բարդության AEP-ները:SAGE մեթոդը գլոբալ է, և դրա բարդությունը տատանվում է> 100 AEP-ից մինչև 12: Պարզության համար ներկա ուշադրությունը կենտրոնացված է 12 գլոբալ AEP-ների բարդության վրա:Հետագա հետազոտությունները, հատկապես տարածաշրջանային հետազոտությունները, կարող են օգտակար համարել գլոբալ էկո-մարզերի ավելի փոքր տարածական ենթախումբ և կարող են համախմբվել ավելի փոքր տարածքում՝ օգտվելու այստեղ քննարկված էկոլոգիական նույն պատկերացումներից:Այն առաջարկում է առաջարկություններ այն մասին, թե ինչպես այս էկոլոգիական մարզերը և դրանցից ստացված պատկերացումները կարող են օգտագործվել հետագա էկոլոգիական ըմբռնման համար, հեշտացնել մոդելների համեմատությունը և պոտենցիալ բարելավել ծովային էկոհամակարգերի մոնիտորինգը:
SAGE մեթոդով բացահայտված էկոլոգիական մարզը և AEP-ը հիմնված են թվային մոդելի տվյալների վրա:Ըստ սահմանման՝ թվային մոդելը պարզեցված կառուցվածք է, որը փորձում է ֆիքսել թիրախային համակարգի էությունը, և տարբեր մոդելներ կունենան պլանկտոնի տարբեր բաշխում։Այս ուսումնասիրության մեջ օգտագործված թվային մոդելը չի ​​կարող լիովին ընդգրկել դիտարկված որոշ օրինաչափություններ (օրինակ՝ հասարակածային շրջանի և Հարավային օվկիանոսի Chl գնահատականներում):Իրական օվկիանոսում առկա բազմազանության միայն մի փոքր մասն է գրավված, և մեզո և ենթամեզոսանդղակները չեն կարող լուծվել, ինչը կարող է ազդել սննդանյութերի հոսքի և ավելի փոքր մասշտաբի համայնքի կառուցվածքի վրա:Չնայած այս թերություններին, պարզվում է, որ AEP-ը շատ օգտակար է բարդ մոդելները հասկանալու համար:Գնահատելով, թե որտեղ են գտնվում նմանատիպ էկոլոգիական մարզերը, AEP-ը տրամադրում է թվային մոդելների համեմատության պոտենցիալ գործիք:Ընթացիկ թվային մոդելը արտացոլում է Chl-a ֆիտոպլանկտոնի հեռահար զոնդավորման ընդհանուր օրինաչափությունը և պլանկտոնի չափի և ֆունկցիոնալ խմբի բաշխումը (Ծանոթագրություն S1 և Նկար S1) (2, 32):
Ինչպես ցույց է տրված 0,1 mgChl-a/m-3 ուրվագծային գծով, AEP-ը բաժանված է օլիգոտրոֆիկ տարածքի և մեզոտրոֆիկ տարածքի (Նկար S1B). գտնվում է Բարձրագույն Chl-a.AEP-ը ցույց է տալիս որոշակի համապատասխանություն Լոնգհերսթ նահանգի հետ (Նկար S3A), օրինակ՝ Հարավային օվկիանոսը և հասարակածային Խաղաղ օվկիանոսը:Որոշ շրջաններում AEP-ն ընդգրկում է Լոնգհերսթի բազմաթիվ շրջաններ և հակառակը:Քանի որ այս տարածքում և Լոնգհերստում գավառները սահմանազատելու մտադրությունը տարբեր է, ակնկալվում է, որ կլինեն տարբերություններ:Բազմաթիվ AEP-ներ Լոնգհերսթ նահանգում ցույց են տալիս, որ նմանատիպ կենսաերկրաքիմիական որոշ տարածքներ կարող են շատ տարբեր էկոհամակարգային կառուցվածքներ ունենալ:AEP-ն ցուցադրում է որոշակի համապատասխանություն ֆիզիկական վիճակների հետ, ինչպես բացահայտվում է չվերահսկվող ուսուցման միջոցով (19), ինչպես օրինակ՝ բարձր վերելք ունեցող նահանգներում (օրինակ՝ Հարավային օվկիանոսը և հասարակածային Խաղաղ օվկիանոսը. Նկար S3, C և D):Այս համապատասխանությունները ցույց են տալիս, որ պլանկտոնի համայնքային կառուցվածքը մեծ ազդեցություն ունի օվկիանոսի դինամիկայի վրա:Այնպիսի տարածքներում, ինչպիսին է Հյուսիսային Ատլանտյան օվկիանոսը, AEP-ը անցնում է ֆիզիկական գավառներով:Այս տարբերությունները առաջացնող մեխանիզմը կարող է ներառել այնպիսի գործընթացներ, ինչպիսիք են փոշու տեղափոխումը, որը կարող է հանգեցնել բոլորովին այլ սննդային ծրագրերի նույնիսկ նմանատիպ ֆիզիկական պայմաններում:
Էկոլոգիայի նախարարությունը և AEP-ը նշել են, որ միայն Chl-ի օգտագործումը չի կարող բացահայտել էկոլոգիական բաղադրիչները, ինչպես արդեն հասկացել է ծովային էկոլոգիայի հանրությունը:Սա երևում է նմանատիպ կենսազանգվածով, բայց էականորեն տարբեր էկոլոգիական կազմով ԱԷԱ-ներում (օրինակ՝ D և E):Ի հակադրություն, AEP-ները, ինչպիսիք են D-ն և K-ն, ունեն շատ տարբեր կենսազանգված, բայց նմանատիպ էկոլոգիական կազմ:AEP-ն ընդգծում է, որ կենսազանգվածի, էկոլոգիական կազմի և զոոպլանկտոնի առատության միջև կապը բարդ է:Օրինակ, չնայած AEP J-ն առանձնանում է ֆիտոպլանկտոնով և պլանկտոնային կենսազանգվածով, AEP-ի A-ն և L-ն ունեն նմանատիպ պլանկտոնային կենսազանգված, բայց A-ն ունի ավելի մեծ պլանկտոնային առատություն:AEP-ն ընդգծում է, որ ֆիտոպլանկտոնային կենսազանգվածը (կամ Chl) չի կարող օգտագործվել զոոպլանկտոնի կենսազանգվածը կանխատեսելու համար:Զոոպլանկտոնը ձկնաբուծության սննդի շղթայի հիմքն է, և ավելի ճշգրիտ գնահատականները կարող են հանգեցնել ռեսուրսների ավելի լավ կառավարման:Ապագա ծովային գունավոր արբանյակները [օրինակ՝ PACE (պլանկտոն, աերոզոլ, ամպ և ծովային էկոհամակարգ)] կարող են ավելի լավ դիրքավորվել՝ օգնելու գնահատել ֆիտոպլանկտոնի համայնքային կառուցվածքը:AEP կանխատեսման օգտագործումը կարող է պոտենցիալ հեշտացնել տիեզերքից զոոպլանկտոնի գնահատումը:SAGE-ի նման մեթոդները, զուգորդված նոր տեխնոլոգիաների և ավելի ու ավելի շատ դաշտային տվյալների հետ, որոնք հասանելի են գետնի ճշմարտության հետազոտությունների համար (օրինակ՝ Tara-ն և հետագա հետազոտությունները), կարող են համատեղ քայլ անել դեպի արբանյակային վրա հիմնված էկոհամակարգերի առողջության մոնիտորինգ:
SAGE մեթոդը հարմար միջոց է գնահատելու որոշ մեխանիզմներ, որոնք վերահսկում են մարզերի բնութագրերը, ինչպիսիք են կենսազանգվածը/Chl, զուտ առաջնային արտադրությունը և համայնքի կառուցվածքը:Օրինակ, դիատոմների հարաբերական քանակությունը սահմանվում է Si, N, P և Fe-ի մատակարարման անհավասարակշռությամբ՝ համեմատած ֆիտոպլանկտոնի ստոյխիոմետրիկ պահանջների հետ։Հավասարակշռված մատակարարման մակարդակի դեպքում համայնքում գերակշռում են դիատոմները (L):Երբ մատակարարման արագությունը անհավասարակշռված է (այսինքն՝ սիլիցիումի մատակարարումն ավելի ցածր է, քան դիատոմների սննդանյութերի պահանջարկը), դիատոմներին բաժին է ընկնում միայն մի փոքր մասնաբաժինը (K):Երբ Fe-ի և P-ի մատակարարումը գերազանցում է N-ի մատակարարումը (օրինակ՝ E և H), դիազոտրոֆ բակտերիաները ակտիվորեն կաճեն:AEP-ի տրամադրած համատեքստի միջոցով վերահսկողության մեխանիզմների ուսումնասիրությունն ավելի օգտակար կդառնա:
Էկո-նահանգը և AEP-ը նմանատիպ համայնքային կառույցներով տարածքներ են:Ժամանակային շարքը որոշակի վայրից էկոլոգիական նահանգի կամ AEP-ի ներսում կարող է դիտվել որպես հղման կետ և կարող է ներկայացնել էկոլոգիական նահանգի կամ AEP-ի ընդգրկած տարածքը:Տեղում երկարաժամկետ մոնիտորինգի կայանները տրամադրում են այդպիսի ժամանակային շարքեր:Երկարաժամկետ insitu տվյալների հավաքածուները կշարունակեն անհաշվելի դեր խաղալ:Համայնքի կառուցվածքի մոնիտորինգի տեսանկյունից SAGE մեթոդը կարող է դիտվել որպես նոր կայքերի առավել օգտակար գտնվելու վայրը որոշելու միջոց:Օրինակ, օլիգոտրոֆիկ կենսամիջավայրի երկարաժամկետ գնահատման ժամանակային շարքը (ALOHA) գտնվում է օլիգոտրոֆ տարածքի AEP B-ում (Նկար 5C, պիտակ 2):Քանի որ ALOHA-ն մոտ է մեկ այլ AEP-ի սահմանին, ժամանակային շարքերը կարող են չներկայացնել ամբողջ տարածքը, ինչպես նախկինում առաջարկվել էր (33):Նույն AEP B-ում SEATS ժամանակային շարքը (Հարավ-արևելյան Ասիայի ժամանակային շարքը) գտնվում է հարավ-արևմտյան Թայվանում (34), ավելի հեռու այլ AEP-ների սահմաններից (Նկար 5C, պիտակ 1) և կարող է օգտագործվել որպես ավելի լավ վայր մոնիտորինգի համար: AEPB.BATS (Բերմուդյան Atlantic Time Series Study) ժամանակային շարքը (Նկար 5C, պիտակ 4) AEPC-ում շատ մոտ է AEP C-ի և F-ի սահմանին, ինչը ցույց է տալիս, որ AEP C-ի մոնիտորինգը՝ օգտագործելով BATS ժամանակային շարքերը, կարող է ուղղակիորեն խնդրահարույց լինել:P կայանը AEP J-ում (Նկար 5C, պիտակ 3) հեռու է AEP-ի սահմանից, ուստի այն ավելի ներկայացուցչական է:Էկո-նահանգը և AEP-ը կարող են օգնել ստեղծել մոնիտորինգի շրջանակ, որը հարմար է գլոբալ փոփոխությունները գնահատելու համար, քանի որ մարզերի թույլտվությունը գնահատելու, թե որտեղ ընտրանքը տեղում կարող է ապահովել հիմնական պատկերացումները:SAGE մեթոդը կարող է հետագայում մշակվել, որպեսզի կիրառվի կլիմայական տվյալների վրա՝ ժամանակի խնայողության փոփոխականությունը գնահատելու համար:
SAGE մեթոդի հաջողությունը ձեռք է բերվում տվյալների գիտության/ML մեթոդների և տիրույթի հատուկ գիտելիքների մանրակրկիտ կիրառման միջոցով:Մասնավորապես, t-SNE-ն օգտագործվում է չափումների կրճատում կատարելու համար, որը պահպանում է բարձրաչափ տվյալների կովարիանսային կառուցվածքը և հեշտացնում է կովարիանսային տոպոլոգիայի վիզուալացումը:Տվյալները դասավորված են շերտերի և կովարիանսների տեսքով (Նկար 2Ա), ինչը ցույց է տալիս, որ զուտ հեռավորության վրա հիմնված չափումները (օրինակ՝ K-միջոցները) տեղին չեն, քանի որ դրանք սովորաբար օգտագործում են Գաուսի (շրջանաձև) հիմքի բաշխում (քննարկված է Ծանոթագրություն S2-ում): .DBSCAN մեթոդը հարմար է ցանկացած կովարիանսային տոպոլոգիայի համար:Քանի դեռ դուք ուշադրություն եք դարձնում պարամետրերի պարամետրերին, կարող է ապահովվել հուսալի նույնականացում:t-SNE ալգորիթմի հաշվողական արժեքը բարձր է, ինչը սահմանափակում է դրա ընթացիկ կիրառումը ավելի մեծ քանակությամբ տվյալների վրա, ինչը նշանակում է, որ դժվար է կիրառել խորը կամ ժամանակով փոփոխվող դաշտերում:Ընթացքի մեջ են t-SNE-ի մասշտաբայնության աշխատանքները:Քանի որ KL հեռավորությունը հեշտ է զուգահեռել, t-SNE ալգորիթմը լավ ներուժ ունի ապագայում ընդլայնվելու համար (35):Առայժմ չափերի կրճատման այլ խոստումնալից մեթոդներ, որոնք կարող են ավելի լավ նվազեցնել չափը, ներառում են բազմակողմանի մոտարկման և պրոյեկցիայի (UMAP) տեխնիկան, սակայն գնահատումը օվկիանոսի տվյալների համատեքստում անհրաժեշտ է:Ավելի լավ մասշտաբայնության իմաստը, օրինակ, գլոբալ կլիմայի կամ տարբեր բարդության մոդելների դասակարգումն է խառը շերտի վրա:Տարածքները, որոնք չեն դասակարգվում SAGE-ի կողմից որևէ մարզում, կարող են դիտվել որպես Նկար 2Ա-ի մնացած սև կետերը:Աշխարհագրորեն այս տարածքները հիմնականում գտնվում են խիստ սեզոնային տարածքներում, ինչը հուշում է, որ ժամանակի ընթացքում փոփոխվող էկոլոգիական գավառների գրավումը ավելի լավ ծածկույթ կապահովի:
SAGE մեթոդը կառուցելու համար օգտագործվել են գաղափարներ բարդ համակարգերից/տվյալների գիտությունից՝ օգտագործելով ֆունկցիոնալ խմբերի կլաստերները որոշելու (11-չափ տարածությունում շատ մոտ լինելու հնարավորությունը) և գավառները որոշելու հնարավորությունը:Այս գավառները պատկերում են կոնկրետ ծավալներ մեր 3D t-SNE փուլային տարածության մեջ:Նմանապես, Պուանկարեի մասը կարող է օգտագործվել՝ գնահատելու հետագծի զբաղեցրած վիճակի տարածության «ծավալը»՝ որոշելու «նորմալ» կամ «քաոսային» վարքագիծը (36):Ստատիկ 11-չափ մոդելի ելքի դեպքում տվյալների 3D փուլային տարածության վերածվելուց հետո զբաղեցված ծավալը կարող է նմանապես բացատրվել:Աշխարհագրական տարածքի և տարածքի միջև կապը 3D փուլային տարածության մեջ պարզ չէ, բայց այն կարելի է բացատրել էկոլոգիական նմանությամբ:Այդ իսկ պատճառով նախընտրելի է մ.թ.ա. անհամապատասխանության ավելի պայմանական միջոցը:
Հետագա աշխատանքը կվերօգտագործի SAGE մեթոդը՝ տվյալների սեզոնային փոփոխության համար՝ բացահայտված մարզերի և AEP-ի տարածական փոփոխականությունը գնահատելու համար:Ապագայի նպատակն է օգտագործել այս մեթոդը՝ օգնելու որոշելու, թե որ գավառները կարող են որոշվել արբանյակային չափումների միջոցով (ինչպիսիք են Chl-a, հեռահար զոնդավորման արտացոլումը և ծովի մակերևույթի ջերմաստիճանը):Սա թույլ կտա էկոլոգիական բաղադրիչների հեռահար զոնդավորման գնահատում և էկոլոգիական մարզերի և դրանց փոփոխականության բարձր ճկուն մոնիտորինգ:
Այս հետազոտության նպատակն է ներկայացնել SAGE մեթոդը, որը սահմանում է էկոլոգիական նահանգը իր յուրահատուկ պլանկտոնային համայնքի կառուցվածքի միջոցով:Այստեղ ավելի մանրամասն տեղեկատվություն կտրամադրվի ֆիզիկական/կենսաերկրաքիմիական/էկոհամակարգային մոդելի և t-SNE և DBSCAN ալգորիթմների պարամետրերի ընտրության մասին:
Մոդելի ֆիզիկական բաղադրիչները գալիս են օվկիանոսի շրջանառության և կլիմայի գնահատումից [ECCOv4;(37) համաշխարհային վիճակի գնահատականը, որը նկարագրված է (38):Պետական ​​գնահատման անվանական որոշումը 1/5 է։Նվազագույն քառակուսիների մեթոդը Լագրանժյան բազմապատկիչ մեթոդով օգտագործվում է նախնական և սահմանային պայմանները և մոդելի ներքին պարամետրերը, որոնք ճշգրտվում են դիտարկման միջոցով, դրանով իսկ ստեղծելով MIT-ի ընդհանուր ցիկլի անվճար մոդել (MITgcm) (39), մոդելը Օպտիմալացումից հետո արդյունքները կարող են. հետևել և դիտարկել:
Կենսաերկրաքիմիան/էկոհամակարգն ունի ավելի ամբողջական նկարագրություն (այսինքն՝ հավասարումներ և պարամետրերի արժեքներ) (2):Մոդելը ֆիքսում է C, N, P, Si և Fe-ի շրջանառությունը անօրգանական և օրգանական լճակների միջով:Այստեղ օգտագործվող տարբերակը ներառում է ֆիտոպլանկտոնի 35 տեսակ՝ միկրոպրոկարիոտների 2 տեսակ և միկրոէվկարիոտների 2 տեսակ (հարմար է ցածր սննդարար միջավայրի համար), 5 տեսակ Cryptomonas sphaeroides (կալցիումի կարբոնատային ծածկույթով), 5 տեսակ դիազոնիում (Կարող է ֆիքսել ազոտը, այսպես. սահմանափակված չէ) լուծված անօրգանական ազոտի առկայությունը, 11 դիատոմներ (ձևավորելով սիլիցիային ծածկույթ), 10 խառը բուսական դրոշակակիրներ (կարող են ֆոտոսինթեզել և ուտել այլ պլանկտոններ) և 16 Զոոպլանկտոն (արածում են այլ պլանկտոններ):Դրանք կոչվում են «կենսաերկրաքիմիական ֆունկցիոնալ խմբեր», քանի որ դրանք ունեն տարբեր ազդեցություններ ծովային կենսաերկրաքիմիայի վրա (40, 41) և հաճախ օգտագործվում են դիտորդական և մոդելային ուսումնասիրություններում:Այս մոդելում յուրաքանչյուր ֆունկցիոնալ խումբ կազմված է տարբեր չափերի մի քանի պլանկտոններից՝ 0,6-ից մինչև 2500 մկմ համարժեք գնդաձև տրամագծով:
Ֆիտոպլանկտոնների աճի, արածեցման և խորտակման վրա ազդող պարամետրերը կապված են չափի հետ, և ֆիտոպլանկտոնների վեց ֆունկցիոնալ խմբերի միջև կան հատուկ տարբերություններ (32):Չնայած տարբեր ֆիզիկական շրջանակներին, մոդելի 51 պլանկտոնային բաղադրիչների արդյունքներն օգտագործվել են մի շարք վերջին ուսումնասիրություններում (42-44):
1992-ից մինչև 2011 թվականը ֆիզիկական/կենսաերկրաքիմիական/էկոհամակարգի միացման մոդելը գործել է 20 տարի:Մոդելի արդյունքը ներառում է պլանկտոնի կենսազանգվածը, սննդանյութերի կոնցենտրացիան և սննդանյութերի մատակարարման արագությունը (DIN, PO4, Si և Fe):Այս ուսումնասիրության մեջ այս արդյունքների 20-ամյա միջինը օգտագործվել է որպես Էկոլոգիական նահանգի ներդրում:Chl, պլանկտոնի կենսազանգվածի և սննդանյութերի կոնցենտրացիայի բաշխումը և ֆունկցիոնալ խմբերի բաշխումը համեմատվում են արբանյակային և insitu դիտարկումների հետ [տես (2, 44), Ծանոթագրություն S1 և նկարը:S1-ից S3]:
SAGE մեթոդի համար պատահականության հիմնական աղբյուրը գալիս է t-SNE քայլից:Պատահականությունը խոչընդոտում է կրկնելիությանը, ինչը նշանակում է, որ արդյունքներն անհուսալի են:SAGE մեթոդը խստորեն ստուգում է կայունությունը՝ որոշելով t-SNE-ի և DBSCAN-ի մի շարք պարամետրեր, որոնք կարող են հետևողականորեն նույնականացնել կլաստերները, երբ կրկնվում են:T-SNE պարամետրի «շփոթության» որոշումը կարելի է հասկանալ որպես որոշելու այն աստիճանը, որով քարտեզագրումը բարձրից մինչև ցածր չափերը պետք է հարգի տվյալների տեղական կամ գլոբալ բնութագրերը:Հասել է 400 և 300 կրկնությունների շփոթությանը:
DBSCAN կլաստերավորման ալգորիթմի համար անհրաժեշտ է որոշել կլաստերի տվյալների կետերի նվազագույն չափը և հեռավորությունը:Նվազագույն թիվը որոշվում է փորձագետների ղեկավարությամբ:Այս գիտելիքը գիտի, թե ինչն է համապատասխանում ներկայիս թվային մոդելավորման շրջանակին և լուծմանը:Նվազագույն թիվը 100 է: Ավելի բարձր նվազագույն արժեք (<135-ից պակաս մինչև կանաչի վերին սահմանի լայնացումը) կարելի է համարել, բայց այն չի կարող փոխարինել BC-ի անհամապատասխանության վրա հիմնված ագրեգացման մեթոդին:Միացման աստիճանը (Նկար 6Ա) օգտագործվում է ϵ պարամետրը սահմանելու համար, որը նպաստում է ավելի բարձր ծածկույթին (Նկար 6B):Կապակցումը սահմանվում է որպես կլաստերների բաղադրյալ թիվ և զգայուն է ϵ պարամետրի նկատմամբ:Ցածր կապը ցույց է տալիս անբավարար տեղակայումը, արհեստականորեն խմբավորելով շրջանները:Բարձր կապակցումը ցույց է տալիս չափից ավելի հարմարեցում:Գերհամապատասխանեցումը նույնպես խնդրահարույց է, քանի որ այն ցույց է տալիս, որ նախնական պատահական գուշակությունները կարող են հանգեցնել չվերարտադրվող արդյունքների:Այս երկու ծայրահեղությունների միջև կտրուկ աճը (սովորաբար կոչվում է «արմունկ») ցույց է տալիս լավագույն ϵ:Նկար 6Ա-ում դուք տեսնում եք բարձրավանդակի տարածքի կտրուկ աճ (դեղին,> 200 կլաստեր), որին հաջորդում է կտրուկ նվազում (կանաչ, 100 կլաստեր), մինչև մոտ 130, շրջապատված շատ քիչ կլաստերներով (կապույտ, <60 կլաստեր) ).Առնվազն 100 կապույտ տարածքներում կամ մեկ կլաստեր գերիշխում է ամբողջ օվկիանոսում (ε <0,42), կամ օվկիանոսի մեծ մասը դասակարգված չէ և համարվում է աղմուկ (ε> 0,99):Դեղին տարածքն ունի շատ փոփոխական, անվերարտադրելի կլաստերային բաշխում:Քանի որ ϵ նվազում է, աղմուկը մեծանում է:Կտրուկ աճող կանաչ տարածքը կոչվում է արմունկ:Սա օպտիմալ շրջան է։Թեև օգտագործվում է t-SNE հավանականությունը, BC-ի տարբերությունը գավառի ներսում դեռ կարող է օգտագործվել հուսալի կլաստերավորումը որոշելու համար:Օգտագործելով Նկար 6-ը (A և B), ϵ սահմանեք 0,39:Որքան մեծ է նվազագույն թիվը, այնքան փոքր է ϵ-ին հասնելու հավանականությունը, որը թույլ է տալիս հուսալի դասակարգում, և այնքան մեծ է կանաչ տարածքը 135-ից մեծ արժեքով: Այս տարածքի մեծացումը ցույց է տալիս, որ արմունկն ավելի դժվար կլինի գտնել կամ ոչ: գոյություն ունեցող.
t-SNE-ի պարամետրերը սահմանելուց հետո հայտնաբերված կլաստերների ընդհանուր թիվը կօգտագործվի որպես կապի (A) և կլաստերին հատկացված տվյալների տոկոսի չափում (B):Կարմիր կետը ցույց է տալիս ծածկույթի և կապի լավագույն համադրությունը:Նվազագույն թիվը սահմանվում է ըստ էկոլոգիայի հետ կապված նվազագույն թվի։
Այս հոդվածի լրացուցիչ նյութերի համար տե՛ս http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1
Սա բաց հասանելիության հոդված է, որը տարածվում է Creative Commons Attribution License-ի պայմաններով:Հոդվածը թույլ է տալիս անսահմանափակ օգտագործում, տարածում և վերարտադրում ցանկացած միջավայրում՝ պայմանով, որ բնօրինակ աշխատանքը պատշաճ կերպով մեջբերված է:
Նշում. Մենք միայն խնդրում ենք ձեզ տրամադրել ձեր էլ. հասցեն, որպեսզի այն անձը, ում խորհուրդ եք տալիս էջին, իմանա, որ դուք ցանկանում եք, որ նա տեսնի էլփոստը և որ այն սպամ չէ:Մենք չենք գրավի էլփոստի հասցեներ:
Այս հարցը օգտագործվում է ստուգելու համար, թե արդյոք դուք այցելու եք և կանխում եք սպամի ավտոմատ ներկայացումը:
Ծովային էկոլոգիայի գլոբալ նախարարությունը վճռական է լուծել բարդ խնդիրներ և օգտագործում է չվերահսկվող ՓԼ համայնքային կառույցները ուսումնասիրելու համար:
Ծովային էկոլոգիայի գլոբալ նախարարությունը վճռական է լուծել բարդ խնդիրներ և օգտագործում է չվերահսկվող ՓԼ համայնքային կառույցները ուսումնասիրելու համար: