Планктон қауымдастығының құрылымы мен қоректік заттар ағыны деректері негізінде ғаламдық теңіз экологиялық провинцияларын (экопровинцияларды) анықтау үшін бақылаусыз оқыту әдісі ұсынылады.Жүйелі біріктірілген экологиялық провинция (SAGE) әдісі жоғары сызықты емес экожүйе үлгілерінде экологиялық провинцияларды анықтай алады.Деректердің Гаусс емес ковариансына бейімделу үшін SAGE өлшемді азайту үшін t кездейсоқ көршілес енгізуді (t-SNE) пайдаланады.Тығыздыққа негізделген кеңістіктік кластерлеу (DBSCAN) алгоритміне негізделген шу қолданбасының көмегімен жүзден астам экологиялық провинцияларды анықтауға болады.Қашықтық өлшемі ретінде экологиялық айырмашылықтары бар байланыс картасын пайдалана отырып, берік жинақталған экологиялық провинция (AEP) кірістірілген экологиялық провинциялар арқылы объективті түрде анықталады.AEP пайдалану арқылы қауымдастық құрылымындағы қоректік заттардың жеткізілу жылдамдығын бақылау зерттелді.Эко-провинция және AEP бірегей және үлгіні түсіндіруге көмектеседі.Олар модельдер арасындағы салыстыруды жеңілдетеді және теңіз экожүйелерін түсіну мен бақылауды жақсартады.
Провинциялар – теңіздегі немесе құрлықтағы күрделі биогеография үйлесімді және мағыналы аймақтарға ұйымдастырылған аймақтар (1).Бұл провинциялар орындарды салыстыру және қарама-қарсы қою, бақылауларды сипаттау, бақылау және қорғау үшін өте маңызды.Бұл провинцияларды тудыратын күрделі және сызықтық емес өзара әрекеттесулер бақыланбайтын машиналық оқыту (ML) әдістерін провинцияларды объективті анықтау үшін өте қолайлы етеді, өйткені деректердегі коварианс күрделі және Гаусс емес.Мұнда Дарвиннің жаһандық үш өлшемді (3D) физикалық/экожүйелік моделінен бірегей теңіз экологиялық провинцияларын (экопровинцияларды) жүйелі түрде анықтайтын ML әдісі ұсынылады (2).«Бірегей» термині анықталған аумақтың басқа аймақтармен жеткілікті сәйкес келмейтінін көрсету үшін қолданылады.Бұл әдіс жүйелік интеграцияланған экологиялық аймақ (SAGE) әдісі деп аталады.Пайдалы классификацияны орындау үшін алгоритм әдісі (i) жаһандық жіктеуге және (ii) кеңістікте және уақытта кірістірілген/жинақталатын көп масштабты талдауға мүмкіндік беруі керек (3).Бұл зерттеуде алдымен SAGE әдісі ұсынылды және анықталған экологиялық провинциялар талқыланды.Экопровинциялар қауымдастық құрылымын басқаратын факторларды түсінуге ықпал етеді, стратегияларды бақылау үшін пайдалы түсініктер береді және экожүйедегі өзгерістерді қадағалауға көмектеседі.
Құрлық провинциялары әдетте климаттың (жауын-шашын мен температура), топырақтың, өсімдіктердің және фаунаның ұқсастықтары бойынша жіктеледі және қосалқы шаруашылық, биоәртүрлілікті зерттеу және аурулармен күресу үшін қолданылады (1, 4).Теңіз провинцияларын анықтау қиынырақ.Организмдердің көпшілігі микроскопиялық, сұйықтық шекаралары бар.Longhurst және т.б.(5) Қоршаған орта жағдайларына негізделген Мұхиттану министрлігінің алғашқы жаһандық классификацияларының бірін берді.Бұл «Лонгхурст» провинцияларының анықтамасы араластыру жылдамдығы, стратификация және сәулелену сияқты айнымалыларды, сондай-ақ теңіз экожүйелері үшін басқа да маңызды жағдайлары бар теңіз океанографы ретіндегі үлкен тәжірибесін қамтиды.Лонгхерст, мысалы, бастапқы өндіріс пен көміртегі ағындарын бағалау, балық шаруашылығына көмектесу және in situ бақылау әрекеттерін жоспарлау үшін кеңінен қолданылды (5-9).Провинцияларды неғұрлым объективті анықтау үшін анық емес логика және аймақтық бақылаусыз кластерлеу/статистика сияқты әдістер қолданылды (9-14).Мұндай әдістердің мақсаты қолда бар бақылау деректерінде провинцияларды анықтай алатын мағыналы құрылымдарды анықтау болып табылады.Мысалы, динамикалық теңіз провинциялары (12) шуды азайту үшін өздігінен реттелетін карталарды пайдаланады және аймақтық спутниктерден алынған теңіз түсінің өнімдерін анықтау үшін иерархиялық (ағаш негізіндегі) кластерлеуді пайдаланады [хлорофилл a (Chl-a), қалыпты флуоресценция сызығының биіктігі және түсті еріген органикалық заттар] және физикалық өріс (теңіз бетінің температурасы мен тұздылығы, абсолютті динамикалық топография және теңіз мұзы).
Планктонның қауымдық құрылымы алаңдатады, өйткені оның экологиясы қоректік заттардың жоғары деңгейіне, көміртекті сіңіруге және климатқа үлкен әсер етеді.Дегенмен, планктон қауымдастығының құрылымына негізделген жаһандық экологиялық провинцияны анықтау әлі де қиын және қиын мақсат болып табылады.Теңіз түсті спутниктері фитопланктонның ірі түйіршікті жіктелуі туралы түсінік бере алады немесе функционалдық топтардың артықшылықтарын ұсына алады (15), бірақ олар қазіргі уақытта қауымдастықтың құрылымы туралы толық ақпарат бере алмайды.Соңғы зерттеулер [мысалы, Тара мұхиты (16)] қауымдастық құрылымының бұрын-соңды болмаған өлшемдерін қамтамасыз етеді;қазіргі уақытта жаһандық масштабта тек сирек ин-ситу бақылаулары бар (17).Алдыңғы зерттеулер негізінен биохимиялық ұқсастықтарды (мысалы, бастапқы өндіріс, Chl және қолжетімді жарық) анықтауға негізделген «Биогеохимиялық провинцияны» (12, 14, 18) анықтады.Мұнда [Дарвин(2)] шығару үшін сандық модель қолданылады, ал экологиялық провинция қауымдастық құрылымы мен қоректік заттардың ағынына сәйкес анықталады.Осы зерттеуде пайдаланылған сандық модель жаһандық қамтуға ие және оны бар өріс деректерімен (17) және қашықтықтан зондтау өрістерімен (S1 ескертпе) салыстыруға болады.Осы зерттеуде пайдаланылған сандық модель деректері жаһандық қамтудың артықшылығына ие.Модельдік экожүйе фитопланктонның 35 түрінен және зоопланктонның 16 түрінен тұрады (материалдар мен әдістерді қараңыз).Модель планктон түрлері Гаусс емес коварианстық құрылымдармен сызықты емес өзара әрекеттеседі, сондықтан қарапайым диагностикалық әдістер қалыптасып келе жатқан қауымдастық құрылымдарындағы бірегей және дәйекті үлгілерді анықтауға жарамайды.Мұнда енгізілген SAGE әдісі күрделі Дарвин модельдерінің нәтижесін тексерудің жаңа әдісін ұсынады.
Деректер ғылымының/ML технологиясының қуатты түрлендіру мүмкіндіктері деректер ковариансындағы күрделі, бірақ сенімді құрылымдарды ашу үшін өте күрделі модельдік шешімдерге мүмкіндік береді.Күшті әдіс берілген қателер ауқымында нәтижелерді сенімді түрде қайта шығара алатын әдіс ретінде анықталады.Тіпті қарапайым жүйелерде де сенімді үлгілер мен сигналдарды анықтау қиын болуы мүмкін.Байқалған үлгіге әкелетін негіздеме анықталғанша, пайда болатын күрделілік күрделі/шешу қиын болып көрінуі мүмкін.Экожүйенің құрамын орнатудың негізгі процесі табиғаты бойынша сызықты емес.Сызықты емес өзара әрекеттесулердің болуы сенімді классификацияны шатастыруы мүмкін, сондықтан деректер ковариациясының негізгі статистикалық таралуы туралы күшті жорамалдарды жасайтын әдістерден аулақ болу керек.Жоғары өлшемді және сызықты емес деректер мұхиттануда кең таралған және күрделі, Гаусс емес топологиясы бар коварианттық құрылымға ие болуы мүмкін.Гаусс емес коварианттық құрылымы бар деректер сенімді жіктеуге кедергі келтіруі мүмкін болса да, SAGE әдісі жаңа, өйткені ол ерікті топологиялары бар кластерлерді анықтауға арналған.
SAGE әдісінің мақсаты - әрі қарай экологиялық түсінуге көмектесетін пайда болатын заңдылықтарды объективті анықтау.(19) ұқсас кластерге негізделген жұмыс үрдісінен кейін экологиялық және қоректік заттар ағынының айнымалы мәндері экологиялық провинция деп аталатын деректердегі жалғыз кластерді анықтау үшін пайдаланылады.Осы зерттеуде ұсынылған SAGE әдісі (1-сурет) алдымен априори анықталған планктон функционалдық топтарын қосу арқылы өлшемділікті 55-тен 11 өлшемге дейін азайтады (Материалдар мен әдістерді қараңыз).t-кездейсоқ көрші ендіру (t-SNE) әдісін пайдаланып, ықтималдықты 3D кеңістігіне проекциялау арқылы өлшем одан әрі азаяды.Бақыланбайтын кластерлеу экологиялық жақын аумақтарды анықтай алады [шу негізіндегі қолданбалар үшін тығыздыққа негізделген кеңістіктік кластерлеу (DBSCAN)].t-SNE және DBSCAN екеуі де тән сызықты емес экожүйенің сандық үлгісі деректеріне қолданылады.Содан кейін пайда болған экологиялық провинцияны жерге қайта жобалаңыз.Аймақтық зерттеулерге жарамды жүзден астам бірегей экологиялық провинциялар анықталды.Жаһандық үйлесімді экожүйе моделін қарастыру үшін SAGE әдісі экологиялық провинциялардың тиімділігін арттыру үшін экологиялық провинцияларды жинақталған экологиялық провинцияларға (AEP) біріктіру үшін қолданылады.Агрегация деңгейін («күрделілік» деп аталады) қажетті бөлшектер деңгейіне реттеуге болады.Күшті AEP-тің ең аз күрделілігін анықтаңыз.Таңдаудың басты мақсаты - SAGE әдісі және төтенше жағдайлар қауымдастығының құрылымын бақылауды анықтау үшін ең аз күрделіліктегі AEP жағдайларын зерттеу.Экологиялық түсініктерді қамтамасыз ету үшін үлгілерді талдауға болады.Мұнда енгізілген әдісті модельдерді салыстыру үшін кеңірек пайдалануға болады, мысалы, модельдерді салыстыру үшін айырмашылықтар мен ұқсастықтарды көрсету үшін әртүрлі үлгілерде табылған ұқсас экологиялық провинциялардың орындарын бағалау арқылы.
(A) Экологиялық провинцияны анықтауға арналған жұмыс процесінің схемалық диаграммасы;функционалдық топтағы қосындыны бастапқы 55 өлшемді деректерді жеті функционалды/қоректік планктонның биомассасын және қоректік заттармен қамтамасыз етудің төрт жылдамдығын қоса алғанда, 11 өлшемді үлгі шығысына дейін азайту үшін пайдалану.Шамадан тыс құндылық және ұзақ мерзімді мұз жамылғысы.Деректер стандартталған және стандартталған.t-SNE алгоритміне статистикалық ұқсас мүмкіндік комбинацияларын бөлектеу үшін 11 өлшемді деректерді беріңіз.DBSCAN параметр мәнін орнату үшін кластерді мұқият таңдайды.Соңында деректерді ендік/бойлық проекциясына қайта жобалаңыз.Бұл процесс 10 рет қайталанатынын ескеріңіз, себебі t-SNE қолдану арқылы шамалы кездейсоқтық туындауы мүмкін.(B) (A) тармағындағы жұмыс процесін 10 рет қайталау арқылы AEP алу жолын түсіндіреді.Осы 10 іске асырудың әрқайсысы үшін 51 фитопланктон түрінің биомассасы негізінде провинция аралық Брей-Кертис (BC) сәйкессіздік матрицасы анықталды.Провинциялар арасындағы BC айырмашылығын анықтаңыз, күрделілік 1 AEP-тен толық күрделілік 115. BC эталоны Лонгхерст провинциясымен белгіленеді.
SAGE әдісі экологиялық провинцияны анықтау үшін жаһандық 3D физикалық/экожүйелік сандық моделінің шығысын пайдаланады [Дарвин (2);Материалдар мен әдістерді және S1 ескертпесін қараңыз].Экожүйенің құрамдас бөліктері фитопланктонның 35 түрінен және зоопланктонның 16 түрінен тұрады, олардың жеті функционалдық тобы бар: қоректік заттары аз орталарға бейімделген прокариоттар мен эукариоттар, кальций карбонаты бар кокцидтер және азоттың азотты фиксациясы (әдетте қоректік заттардың жетіспеушілігі) маңызды қоректік заттар), кремнийлі жабындысы бар басқа планктондық фотосинтезді және жайылымдағы аралас қоректік флагеллиттер мен зоопланктон малшыларын жасай алады.Өлшем аралығы 0,6-дан 2500 мкм-ге дейінгі сфералық диаметрге тең.Фитопланктон өлшемі мен функционалды топтастыру моделінің таралуы спутниктік және жердегі бақылауларда көрінетін жалпы сипаттамаларды қамтиды (S1-S3 суреттерін қараңыз).Сандық модель мен бақыланатын мұхит арасындағы ұқсастық модельмен анықталған провинциялардың in-situ мұхитына қолданылуы мүмкін екенін көрсетеді.Бұл модель тек фитопланктонның белгілі бір алуандылығын және in situ мұхитының белгілі бір физикалық және химиялық күштеу диапазондарын ғана қамтитынын ескеріңіз.SAGE әдісі адамдарға үлгі қауымдастық құрылымының жоғары аймақтық басқару механизмін жақсы түсінуге мүмкіндік береді.
Әрбір планктон функционалдық тобына тек беттік биомассаның қосындысын (орташа уақытпен 20 жыл) қосу арқылы деректердің өлшемділігін азайтуға болады.Бұрынғы зерттеулер олардың қауымдастық құрылымын құрудағы негізгі рөлін көрсеткеннен кейін, оған қоректік ағындар (азот, темір, фосфат және кремний қышқылымен қамтамасыз ету) үшін беткі көз терминдері де кірді [мысалы (20, 21)] .Функционалдық топтардың қосындысы мәселені 55-тен (51 планктон және 4 қоректік ағын) 11 өлшемге дейін азайтады.Бұл бастапқы зерттеуде алгоритм енгізген есептеу шектеулеріне байланысты тереңдік пен уақыттың өзгермелілігі ескерілмеді.
SAGE әдісі сызықты емес процестер арасындағы маңызды қатынастарды және функционалды топ биомассасы мен қоректік заттар ағыны арасындағы өзара әрекеттесулердің негізгі ерекшеліктерін анықтауға қабілетті.Евклидтік қашықтықтан оқыту әдістеріне негізделген 11 өлшемді деректерді пайдалану (мысалы, K-орталары) сенімді және қайталанатын провинцияларды ала алмайды (19, 22).Себебі, экологиялық провинцияны анықтайтын негізгі элементтердің ковариансының негізгі таралуында Гаусс пішіні табылмайды.Вороной жасушаларының К-орталары (түзу сызықтар) гаусстық емес негізгі таралуды сақтай алмайды.
Планктонның жеті функционалды тобы мен төрт қоректік ағынның биомассасы 11 өлшемді х векторын құрайды.Демек, x модель торындағы векторлық өріс, мұнда әрбір xi элементі модельдің көлденең торында анықталған 11 өлшемді векторды көрсетеді.Әрбір i индексі сферадағы тор нүктесін бірегей түрде анықтайды, мұндағы (лон, лат) = (ϕi, θi).Модельдік тор блогының биомассасы 1,2×10-3мг Chl/m3 төмен болса немесе мұзды жабу жылдамдығы 70%-дан асса, биомасса деректерінің журналы пайдаланылады және жойылады.Деректер нормаланған және стандартталған, сондықтан барлық деректер [0-ден 1] аралығында болады, орташа мән жойылады және бірлік дисперсиясына дейін масштабталады.Бұл мүмкіндіктер (биомасса және қоректік заттар ағыны) мүмкін мәндер ауқымындағы контрастпен шектелмеуі үшін жасалады.Кластерлеу географиялық қашықтыққа емес, мүмкіндіктер арасындағы негізгі ықтималдық қашықтығына байланысты өзгерту қатынасын алуы керек.Бұл қашықтықтарды санау арқылы маңызды мүмкіндіктер пайда болады, ал қажет емес мәліметтер жойылады.Экологиялық тұрғыдан бұл қажет, өйткені биомассасы аз фитопланктондардың кейбір түрлері диазотрофты бактериялардың азотты фиксациясы сияқты биогеохимиялық әсерлері жоғары болуы мүмкін.Деректерді стандарттау және нормалау кезінде ковариаттардың осы түрлері ерекшеленетін болады.
Төмен өлшемді кескінде жоғары өлшемді кеңістіктегі мүмкіндіктердің жақындығын баса көрсету арқылы t-SNE алгоритмі бар ұқсас аймақтарды айқынырақ ету үшін пайдаланылады.Қашықтан зондтау қолданбалары үшін терең нейрондық желілерді құруға бағытталған алдыңғы жұмыста t-SNE қолданылды, бұл негізгі мүмкіндіктерді бөлуде өзінің шеберлігін дәлелдеді (23).Бұл конвергентті емес шешімдерді болдырмай, мүмкіндік деректеріндегі сенімді кластерді анықтау үшін қажетті қадам (S2 ескертпесі).Гаусс ядроларын пайдалана отырып, t-SNE әрбір жоғары өлшемді объектіні 3D фазалық кеңістіктегі нүктеге түсіру арқылы деректердің статистикалық қасиеттерін сақтайды, осылайша жоғары және төмен бағыттағы ұқсас нысандардың ықтималдығы жоғары деңгейде жоғары болуын қамтамасыз етеді. өлшемдік кеңістік (24).N жоғары өлшемді нысандар x1,…,xN жиынын ескере отырып, t-SNE алгоритмі Куллбэк-Лейблер (KL) дивергенциясын (25) азайту арқылы азайтады.KL дивергенциясы ықтималдық үлестірімі екінші сілтеме ықтималдық үлестірімінен қаншалықты ерекшеленетінінің өлшемі болып табылады және жоғары өлшемді мүмкіндіктердің кіші өлшемді көріністері арасындағы корреляция мүмкіндігін тиімді бағалай алады.Егер xi N-өлшемді кеңістіктегі i-ші объект болса, xj N-өлшемді кеңістіктегі j-ші объект, yi - кіші өлшемді кеңістіктегі i-ші объект, yj - төменгі өлшемдегі j-ші нысан. -өлшемдік кеңістік, содан кейін t -SNE ұқсастық ықтималдығын анықтайды ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2) және өлшемді азайту жиыны үшін q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
2А суреті 11 өлшемді комбинацияның биомассасы мен қоректік заттар ағынының векторларын 3D-ге дейін азайту әсерін көрсетеді.t-SNE қолдану мотивациясын деректердің аумағын/атрибутын ерекшелеу үшін дисперсия атрибутын қолданатын, осылайша өлшемділікті азайтатын негізгі құрамдас талдаудың мотивациясымен салыстыруға болады.t-SNE әдісі Эко-Министрлік үшін сенімді және қайталанатын нәтижелерді қамтамасыз етуде PCA-дан жоғары екені анықталды (S2 ескертпесін қараңыз).Бұл PCA ортогоналдылық болжамы жоғары сызықтық емес интерактивті мүмкіндіктер арасындағы маңызды өзара әрекеттесулерді анықтау үшін жарамсыз болуы мүмкін, себебі PCA сызықтық коварианттық құрылымдарға бағытталған (26).Қашықтан зондтау деректерін пайдалану, Лунга және т.б.(27) Гаусс таралуынан ауытқыған күрделі және сызықты емес спектрлік ерекшеліктерді бөлектеу үшін SNE әдісін қалай пайдалану керектігін суреттейді.
(A) t-SNE алгоритмі бойынша сызылған және DBSCAN көмегімен провинциялар бойынша боялған фитопланктон және зоопланктон функционалды топ биомассасының үлгіленген қоректік заттармен қамтамасыз ету жылдамдығы.Әрбір нүкте жоғары өлшемді кеңістіктегі нүктені білдіреді, 6В суретте көрсетілгендей, көптеген нүктелер түсіріледі.Біліктер «t-SNE» 1, 2 және 3 өлшемдеріне жатады. (B) Провинцияның географиялық проекциясы DBSCAN бастапқы ендік-бойлық торында тапқан.Түс кез келген түс ретінде қарастырылуы керек, бірақ (A) сәйкес келуі керек.
2А суретіндегі t-SNE шашырау сызбасындағы нүктелер сәйкесінше ендік пен бойлықпен байланысты.Егер 2А-суреттегі екі нүкте бір-біріне жақын болса, бұл олардың биомассасы мен қоректік ағындарының географиялық жақындығынан емес, ұқсас болуына байланысты.2А-суреттегі түстер DBSCAN әдісі арқылы ашылған кластерлер (28).Тығыз бақылауларды іздеу кезінде DBSCAN алгоритмі нүктелер арасындағы 3D кескініндегі қашықтықты пайдаланады (ϵ = 0,39; бұл таңдау туралы ақпаратты Материалдар мен әдістерді қараңыз) және кластерді анықтау үшін ұқсас нүктелердің саны қажет (мұнда 100 ұпай, жоғарыдан қараңыз).DBSCAN әдісі төменде көрсетілгендей деректердегі кластерлердің пішіні немесе саны туралы ешқандай болжам жасамайды:
3) Қашықтық ішінде анықталған барлық нүктелер үшін кластер шекарасын анықтау үшін 2-қадамды қайталаңыз.Егер нүктелер саны белгіленген ең аз мәннен көп болса, ол кластер ретінде белгіленеді.
Ең аз кластер мүшесіне және қашықтық ϵ метрикасына сәйкес келмейтін деректер «шу» болып саналады және түс тағайындалмайды.DBSCAN – ең нашар жағдайда O(n2) өнімділігі бар жылдам және масштабталатын алгоритм.Ағымдағы талдау үшін бұл іс жүзінде кездейсоқ емес.Ең аз ұпай саны сараптамалық бағалау арқылы анықталады.Қашықтықты реттегеннен кейін нәтиже ≈±10 диапазонында жеткілікті тұрақты емес.Бұл қашықтық қосылым мүмкіндігін (6А-сурет) және мұхитпен қамту пайызын (6B-сурет) пайдаланып орнатылады.Қосылу кластерлердің жиынтық саны ретінде анықталады және ϵ параметріне сезімтал.Төменгі қосылым аймақтарды жасанды түрде топтастырудың жеткіліксіздігін көрсетеді.Жоғары қосылым шамадан тыс орнатуды көрсетеді.Жоғары минимумды қолдану мүмкін, бірақ минимум ca-дан асса, сенімді шешімге қол жеткізу мүмкін емес.135 (Қосымша мәліметтер алу үшін Материалдар мен әдістерді қараңыз).
2А суретінде анықталған 115 кластер 2В суретте жерге кері проекцияланған.Әрбір түс DBSCAN анықтаған биогеохимиялық және экологиялық факторлардың үйлесімді комбинациясына сәйкес келеді.Кластерлерді анықтағаннан кейін, 2А суретіндегі әрбір нүктенің белгілі ендік пен бойлықпен байланысы кластерлерді географиялық аймаққа кері проекциялау үшін пайдаланылады.2B суреті мұны 2А суретіндегідей кластер түстерімен суреттейді.Ұқсас түстерді экологиялық ұқсастық ретінде түсіндіруге болмайды, өйткені олар алгоритм арқылы кластерлерді табу реті бойынша тағайындалады.
2В-суреттегі аудан мұхиттың физикалық және/немесе биогеохимиясында белгіленген аумаққа сапалық жағынан ұқсас болуы мүмкін.Мысалы, Оңтүстік мұхиттағы шоғырлар зоналық симметриялы, олиготрофты құйындылар пайда болады, ал күрт ауысуы пассаттық желдердің әсерін көрсетеді.Мысалы, экваторлық Тынық мұхитында көтерілуге байланысты әртүрлі аймақтар көрінеді.
Эко-провинцияның экологиялық ортасын түсіну үшін кластердегі экологияны бағалау үшін Брей-Кертис (BC) айырмашылық индексінің (29) вариациясы қолданылды.BC индикаторы екі түрлі сайт арасындағы қауымдастық құрылымындағы айырмашылықты сандық анықтау үшін пайдаланылатын статистикалық деректер болып табылады.BC өлшеу фитопланктон мен зоопланктонның 51 түрінің биомассасына қолданылады BCninj = 1-2CninjSni + Snj
BCninj ni және nj тіркесімі арасындағы ұқсастықты білдіреді, мұнда Cninj ni және nj комбинацияларында болатын биомассаның бір түрінің ең аз мәні, ал Sni ni және Snj комбинацияларында бар барлық биомассалардың қосындысын білдіреді.BC айырмашылығы қашықтық өлшеміне ұқсас, бірақ евклидтік емес кеңістікте жұмыс істейді, бұл экологиялық деректер мен оны түсіндіру үшін қолайлырақ болуы мүмкін.
2В-суретте анықталған әрбір кластер үшін облысішілік және провинцияаралық БК ұқсастығын бағалауға болады.Провинциядағы BC айырмашылығы провинцияның орташа мәні мен провинциядағы әрбір нүкте арасындағы айырмашылықты білдіреді.BC провинцияларының арасындағы айырмашылық бір провинция мен басқа провинциялар арасындағы ұқсастықты білдіреді.3А суретте симметриялы BC матрицасы көрсетілген (0, қара: толық сәйкес; 1, ақ: мүлдем ұқсамайды).Графиктегі әрбір жол деректердегі үлгіні көрсетеді.3В суретте әрбір провинция үшін 3А суретіндегі BC нәтижелерінің географиялық маңыздылығы көрсетілген.Аз қоректік және қоректік заттары аз аймақтағы провинция үшін 3В-сурет экватор мен Үнді мұхитының айналасындағы үлкен аумақтардың симметриясының негізінен ұқсас екенін көрсетеді, бірақ жоғары ендіктер мен көтерілу аймақтары айтарлықтай ерекшеленеді.
(A) 51 планктонды құрайтын 20 жылдық орташа жаһандық беттік орташа көрсеткішке негізделген әрбір провинция үшін бағаланған BC айырмашылығының дәрежесі.Мәндердің күтілетін симметриясына назар аударыңыз.(B) Бағанның (немесе жолдың) кеңістіктік проекциясы.Дистрофиялық шеңбердегі провинция үшін BC ұқсастық көрсеткішінің жаһандық таралуы бағаланды және жаһандық 20 жылдық орташа бағаланды.Қара (BC = 0) бірдей аумақты білдіреді, ал ақ (BC = 1) ұқсастық жоқ дегенді білдіреді.
4А суреті 2В суретіндегі әрбір провинциядағы BC айырмашылығын көрсетеді.Кластердегі орташа ауданның орташа комбинациясын пайдалану және BC және провинциядағы әрбір тор нүктесінің орташа айырмашылығын анықтау арқылы анықталған, SAGE әдісі экологиялық ұқсастыққа негізделген 51 түрді жақсы ажырата алатынын көрсетеді. модельдік деректер.Барлық 51 түрдегі BC кластерінің жалпы орташа айырмашылығы 0,102±0,0049 құрайды.
(A, B және D) Провинциядағы BC айырмашылығы әрбір тор нүктесі қауымдастығы мен орташа провинция арасындағы орташа BC айырмашылығы ретінде бағаланады және күрделілік төмендетілмейді.(2) Дүниежүзілік орташа провинцияішілік BC айырмашылығы 0,227±0,117 құрайды.Бұл осы жұмыста ұсынылған экологиялық мотивацияға негізделген классификацияның эталоны [(С) ішіндегі жасыл сызық].(C) Орташа провинция ішілік BC айырмашылығы: қара жол күрделіліктің артуымен провинцияішілік BC айырмашылығын білдіреді.2σ эко-провинцияны анықтау процесінің 10 қайталануынан келеді.DBSCAN ашқан провинциялардың жалпы күрделілігі үшін (A) провинциядағы BC ұқсас еместігі 0,099, ал (C) ұсынған күрделілік классификациясы 12, нәтижесінде провинцияда BC айырмашылығы 0,200 екенін көрсетеді.суретте көрсетілгендей.(D).
4В-суретте 51 планктон түрінің биомассасы Лонгхерст провинциясындағы эквивалентті BC айырмашылығын көрсету үшін пайдаланылады.Әрбір провинцияның жалпы орташа мәні 0,227, ал BC провинциясындағы айырмашылыққа қатысты тор нүктелерінің стандартты ауытқуы 0,046 құрайды.Бұл 1В-суретте көрсетілген кластерден үлкенірек.Оның орнына, жеті функционалдық топтың қосындысын пайдалана отырып, Лонгхерсттегі BC орташа маусым аралық сәйкессіздік 0,232-ге дейін өсті.
Жаһандық эко-провинция картасы бірегей экологиялық өзара әрекеттесулердің күрделі мәліметтерін береді және Лонгхерст провинциясының бүкіл экожүйе құрылымын пайдалануда жақсартулар жасалды.Экология министрлігі сандық модельдік экожүйені бақылау процесі туралы түсінік береді деп күтілуде және бұл түсінік далалық жұмыстарды зерттеуге көмектеседі.Бұл зерттеу мақсатында жүзден астам провинцияны толық көрсету мүмкін емес.Келесі бөлім провинцияларды қорытындылайтын SAGE әдісін ұсынады.
Провинцияның мақсаттарының бірі - провинцияның орналасуы мен басқаруын түсінуге ықпал ету.Төтенше жағдайларды анықтау үшін 1В-суреттегі әдіс экологиялық жағынан ұқсас провинциялардың ұя салуын көрсетеді.Экопровинциялар экологиялық ұқсастық негізінде біріктірілген және провинциялардың мұндай топтастырылуы AEP деп аталады.Қарастырылатын провинциялардың жалпы санына негізделген реттелетін «күрделілікті» орнатыңыз.«Күрделілік» термині төтенше жағдайлар атрибуттарының деңгейін реттеуге мүмкіндік беретіндіктен пайдаланылады.Маңызды жиынтықтарды анықтау үшін эталон ретінде Лонгхерсттен 0,227 орташа провинцияішілік BC айырмашылығы пайдаланылады.Осы эталоннан төмен біріктірілген провинциялар енді пайдалы деп саналмайды.
3В-суретте көрсетілгендей, жаһандық экологиялық провинциялар үйлесімді.Провинцияаралық BC айырмашылықтарын пайдалана отырып, кейбір конфигурациялардың өте «жалпы» екенін көруге болады.Генетика мен графикалық теория әдістерінен шабыт алған «байланысты графиктер» >100 провинцияны оларға ең ұқсас провинциялар негізінде сұрыптау үшін қолданылады.Мұндағы «байланыстылық» көрсеткіші провинция аралық BC сәйкессіздігі арқылы анықталады (30).100-ден астам провинцияны жіктеу үшін кеңірек облыстар санын мұнда күрделілік деп атауға болады.AEP - бұл 100-ден астам провинцияны ең басым/жақын экологиялық провинциялар ретінде жіктейтін өнім.Әрбір экологиялық провинция өздеріне ең ұқсас үстем/жоғары байланысы бар экологиялық провинцияға тағайындалады.BC айырмашылығымен анықталатын бұл біріктіру жаһандық экологияға кірістірілген көзқарасқа мүмкіндік береді.
Таңдалған күрделілік 1-ден суреттің толық күрделілігіне дейінгі кез келген мән болуы мүмкін.2А.Төмен күрделілікте AEP ықтималдық өлшемділігін азайту қадамына (t-SNE) байланысты нашарлауы мүмкін.Дегенерация экологиялық провинциялардың итерациялар арасында әртүрлі AEP-ге тағайындалуы мүмкін екенін білдіреді, осылайша қамтылған географиялық аумақты өзгертеді.4C суреті 10 іске асыру бойынша күрделілігі артып отырған AEP-дегі провинциялардағы BC айырмашылықтарының таралуын көрсетеді (1В-суреттегі сурет).4C суретінде 2σ (көк аймақ) 10 енгізудегі деградацияның өлшемі болып табылады, ал жасыл сызық Longhurst эталонын білдіреді.Фактілер 12 күрделілігі провинциядағы BC айырмашылығын барлық енгізулерде Longhurst эталонынан төмен ұстауға және салыстырмалы түрде аз 2σ деградациясын сақтауға болатындығын дәлелдеді.Қорытындылай келе, ұсынылатын ең аз күрделілік 12 AEP және 4D суретте көрсетілгендей 51 планктон түрін пайдалану арқылы бағаланған орташа провинцияішілік BC айырмашылығы 0,198±0,013 құрайды.Планктонның жеті функционалдық тобының қосындысын пайдалана отырып, провинциядағы орташа ВС айырмашылығы 0,198±0,004 орнына 2σ құрайды.Жеті функционалдық топтың жалпы биомассасымен немесе барлық 51 планктон түрінің биомассасымен есептелген BC айырмашылықтарын салыстыру SAGE әдісі 51 өлшемді жағдайға жарамды болғанымен, ол жеті функционалды топтың жалпы биомассасы үшін екенін көрсетеді. Жаттығу үшін.
Кез келген зерттеу мақсатына байланысты күрделіліктің әртүрлі деңгейлерін қарастыруға болады.Аймақтық зерттеулер толық күрделілікті қажет етуі мүмкін (яғни, барлық 115 провинция).Мысал және түсінікті болу үшін ең аз ұсынылған күрделілік 12 мәнін қарастырыңыз.
SAGE әдісінің пайдалылығының мысалы ретінде мұнда төтенше жағдайлар қауымдастығының құрылымын бақылауды зерттеу үшін ең аз күрделілігі 12 болатын 12 AEP пайдаланылады.5-суретте AEP (А-дан L-ге дейін) топтастырылған экологиялық түсініктерді суреттейді: Редфилд стехиометриясында географиялық ауқым (5С-сурет), функционалды топтық биомасса құрамы (5А-сурет) және қоректік заттармен қамтамасыз ету (5В-сурет) N Zoomed арқылы орындалады.(N:Si:P:Fe, 1:1:16:16×103) қатынасы көрсетілген.Соңғы панель үшін P 16-ға және Fe 16 × 103-ке көбейтілген, сондықтан бағаналы график фитопланктонның қоректік қажеттіліктеріне тең.
Провинциялар A-дан L-ге дейінгі 12 AEP-ге жіктеледі. (A) 12 провинциядағы экожүйелердің биомассасы (мгС/м3).(B) еріген бейорганикалық азоттың (N), темірдің (Fe), фосфаттың (P) және кремний қышқылының (Si) қоректік заттар ағынының жылдамдығы (жылына ммоль/м3).Fe және P сәйкесінше 16 және 16×103 көбейтіледі, осылайша жолақтар фитопланктондық стехиометрия талаптарына стандартталған.(C) Полярлық аймақтар, субтропиктік циклондар және негізгі маусымдық/өсетін аймақтар арасындағы айырмашылыққа назар аударыңыз.Бақылау бекеттері келесідей белгіленеді: 1, ОРЫНДЫҚ;2, ALOHA;3, Р станциясы;және 4, BATS.
Анықталған AEP бірегей болып табылады.Атлант және Тынық мұхиттарында экватордың айналасында біршама симметрия бар, ал Үнді мұхитында ұқсас, бірақ үлкейген аймақ бар.Кейбір AEPs көтерілумен байланысты континенттің батыс жағын қамтиды.Оңтүстік полюстің циркумполярлық ағысы үлкен аймақтық белгі ретінде қарастырылады.Субтропиктік циклон – олиготрофты АЭП күрделі қатары.Бұл провинцияларда планктон басым олиготрофты құйындар мен диатомға бай полярлық аймақтар арасындағы биомасса айырмашылықтарының таныс үлгісі айқын.
Фитопланктонның жалпы биомассасы өте ұқсас AEP-тердің қауымдастық құрылымдары өте әртүрлі болуы мүмкін және фитопланктонның жалпы биомассасы ұқсас D, H және K сияқты әртүрлі географиялық аймақтарды қамтуы мүмкін.AEP H негізінен экваторлық Үнді мұхитында болады және диазотрофты бактериялар көбірек.AEP D бірнеше бассейндерде кездеседі, бірақ ол әсіресе Тынық мұхитында экваторлық көтерілістің айналасындағы жоғары өнімді аймақтардың айналасында белгілі.Тынық мұхитындағы бұл провинцияның пішіні планеталық толқынды пойызды еске түсіреді.AEP D-да диазобактериялар аз, ал конустар көбірек.Басқа екі провинциямен салыстырғанда, AEP K Солтүстік Мұзды мұхиттың таулы аймақтарында ғана кездеседі, диатомдар көп және планктондар аз.Айта кетерлігі, бұл үш аймақтағы планктон мөлшері де әртүрлі.Олардың ішінде AEP K планктондарының көптігі салыстырмалы түрде төмен, ал AEP D және H салыстырмалы түрде жоғары.Сондықтан, олардың биомассасына қарамастан (және сондықтан Chl-a-ға ұқсас), бұл провинциялар айтарлықтай ерекшеленеді: Chl негізіндегі провинциялық тестілеу бұл айырмашылықтарды анықтамауы мүмкін.
Сондай-ақ, өте әртүрлі биомассасы бар кейбір AEP фитопланктондық қауымдастық құрылымы жағынан ұқсас болуы мүмкін екені анық.Мысалы, бұл AEP D және E-де көрінеді. Олар бір-біріне жақын, ал Тынық мұхитында AEP E жоғары өнімді AEPJ-ге жақын.Сол сияқты фитопланктон биомассасы мен зоопланктонның көптігі арасында нақты байланыс жоқ.
AEP оларға берілген қоректік заттар тұрғысынан түсінуге болады (5В-сурет).Диатомдар кремний қышқылының мол қоры бар жерде ғана болады.Жалпы алғанда, кремний қышқылының жеткізілімі неғұрлым көп болса, диатомдардың биомассасы соғұрлым жоғары болады.Диатомдарды AEP A, J, K және L-де көруге болады. Диатомдық биомассаның басқа фитопланктондарға қатынасы диатомға сұранысқа қатысты берілген N, P және Fe арқылы анықталады.Мысалы, AEP L диатомдары басым.Басқа қоректік заттармен салыстырғанда, Si ең көп қоректік заттарға ие.Керісінше, жоғары өнімділікке қарамастан, AEP J диатомдары аз және кремний қоры азырақ (барлығы және басқа қоректік заттарға қатысты).
Диазоний бактерияларының азотты бекіту қабілеті бар, бірақ баяу өседі (31).Олар басқа фитопланктондармен бірге өмір сүреді, мұнда темір мен фосфор диазоний емес қоректік заттарға деген сұранысқа қатысты шамадан тыс болады (20, 21).Айта кету керек, диазотропты биомасса салыстырмалы түрде жоғары, ал Fe және P жеткізілімі N жеткізіліміне қатысты салыстырмалы түрде үлкен. Осылайша, AEP J-дегі жалпы биомасса жоғары болғанымен, AEP H диазоний биомассасы J-ден үлкенірек. AEP J мен H географиялық жағынан өте әртүрлі екенін және H экваторлық Үнді мұхитында орналасқанын ескеріңіз.
Бірегей экожүйе құрылымы провинцияларға бөлінбесе, 12 AEP-тің ең төменгі күрделілік үлгілерінен алынған түсініктер соншалықты анық болмайды.SAGE жасаған AEP экожүйе модельдерінен күрделі және жоғары өлшемді ақпаратты үйлесімді және бір уақытта салыстыруды жеңілдетеді.AEP жоғары қоректік деңгейлерде қауымдастық құрылымын немесе зоопланктонның көптігін анықтау үшін Chl неге жақсы және балама әдіс емес екенін тиімді көрсетеді.Ағымдағы зерттеу тақырыптарының егжей-тегжейлі талдауы осы мақаланың ауқымынан тыс.SAGE әдісі нүктеден нүктеге қарауға қарағанда өңдеуге оңай үлгідегі басқа механизмдерді зерттеу жолын қамтамасыз етеді.
SAGE әдісі ғаламдық физикалық/биогеохимиялық/экожүйелік сандық модельдерден өте күрделі экологиялық деректерді нақтылауға көмектесу үшін ұсынылады.Экологиялық провинция кросс-планктондық функционалдық топтардың жалпы биомассасымен, t-SNE ықтималдық өлшемділігін азайту алгоритмін қолданумен және DBSCAN бақыланбайтын ML әдісін пайдаланып кластерлеумен анықталады.Ұя салу әдісіне арналған провинцияаралық BC айырмашылығы/график теориясы жаһандық интерпретация үшін пайдалануға болатын сенімді AEP алу үшін қолданылады.Құрылысы бойынша Эко-провинция және АЭП бірегей.AEP ұясын бастапқы экологиялық провинцияның толық күрделілігі мен ұсынылған ең аз 12 AEP шегі арасында реттеуге болады.t-SNE ықтималдығы <12 күрделіліктегі AEP-терді дегенерациялайтындықтан, ұя салу және AEP ең аз күрделілігін анықтау негізгі қадамдар ретінде қарастырылады.SAGE әдісі жаһандық болып табылады және оның күрделілігі > 100 AEP-тен 12-ге дейін ауытқиды. Қарапайымдылық үшін қазіргі назар 12 жаһандық AEP күрделілігіне аударылады.Болашақ зерттеулер, әсіресе аймақтық зерттеулер жаһандық экопровинциялардың кішірек кеңістіктік жиынын пайдалы деп табуы мүмкін және осы жерде талқыланған экологиялық түсініктердің артықшылығын пайдалану үшін кішірек аумақта біріктірілуі мүмкін.Ол осы экологиялық провинциялар мен олардан алынған түсініктерді одан әрі экологиялық түсіну, модельді салыстыруды жеңілдету және теңіз экожүйелерінің мониторингін жақсарту үшін қалай пайдалануға болатыны туралы ұсыныстар береді.
SAGE әдісімен анықталған экологиялық провинция және AEP сандық үлгідегі деректерге негізделген.Анықтау бойынша, сандық модель мақсатты жүйенің мәнін алуға тырысатын жеңілдетілген құрылым болып табылады және әртүрлі модельдер планктонның әртүрлі таралуына ие болады.Осы зерттеуде қолданылған сандық модель кейбір бақыланатын заңдылықтарды толығымен түсіре алмайды (мысалы, экваторлық аймақ пен Оңтүстік мұхит үшін Chl бағалауында).Нағыз мұхиттағы әртүрліліктің аз ғана бөлігі алынады, ал мезо және субмезошкалаларды шешу мүмкін емес, бұл қоректік заттардың ағынына және кішігірім қауымдастықтың құрылымына әсер етуі мүмкін.Осы кемшіліктерге қарамастан, AEP күрделі модельдерді түсінуге көмектесуде өте пайдалы болып шықты.Ұқсас экологиялық провинциялардың қай жерде табылғанын бағалау арқылы AEP ықтимал сандық үлгіні салыстыру құралын ұсынады.Ағымдағы сандық модель фитопланктонның Chl-a концентрациясын қашықтықтан зондтаудың жалпы үлгісін және планктон мөлшері мен функционалдық тобының таралуын қамтиды (S1 ескертпе және S1 сурет) (2, 32).
0,1 мгChl-a/m-3 контур сызығымен көрсетілгендей, AEP олиготрофты және мезотрофты аймаққа бөлінеді (С1В сурет): AEP B, C, D, E, F және G олиготрофты аймақтар, ал қалған аймақтар Жоғары Chl-a орналасқан.AEP Лонгхерст провинциясымен кейбір хат алмасуды көрсетеді (сурет S3A), мысалы, Оңтүстік мұхит пен экваторлық Тынық мұхиты.Кейбір аймақтарда AEP бірнеше Longhurst аймақтарын қамтиды және керісінше.Бұл аймақ пен Лонгхерсттегі провинцияларды шектеу ниеті басқа болғандықтан, айырмашылықтар болады деп күтілуде.Лонгхерст провинциясындағы бірнеше AEP ұқсас биогеохимиясы бар белгілі бір аймақтардың экожүйелік құрылымдары мүлдем басқаша болуы мүмкін екенін көрсетеді.AEP физикалық күйлермен белгілі бір сәйкестікті көрсетеді, бұл бақыланбайтын оқыту арқылы анықталғандай (19), мысалы, жоғары көтерілу жағдайында (мысалы, Оңтүстік мұхит және экваторлық Тынық мұхиты; S3, C және D суреті).Бұл сәйкестіктер планктондардың қауымдық құрылымына мұхит динамикасы қатты әсер ететінін көрсетеді.Солтүстік Атлантика сияқты аудандарда AEP физикалық провинцияларды кесіп өтеді.Бұл айырмашылықтарды тудыратын механизм шаңды тасымалдау сияқты процестерді қамтуы мүмкін, бұл тіпті ұқсас физикалық жағдайларда да мүлдем басқа тағамдық бағдарламаларға әкелуі мүмкін.
Экология министрлігі мен AEP теңіз экологиясы қауымдастығы түсінгендей, тек Chl пайдалану экологиялық компоненттерді анықтай алмайтынын атап өтті.Бұл биомассасы ұқсас, бірақ айтарлықтай әртүрлі экологиялық құрамы бар (D және E сияқты) AEP-де байқалады.Керісінше, D және K сияқты AEPs өте әртүрлі биомассаға ие, бірақ ұқсас экологиялық құрамға ие.AEP биомасса, экологиялық құрам және зоопланктондардың көптігі арасындағы байланыс күрделі екенін атап көрсетеді.Мысалы, AEP J фитопланктон мен планктон биомассасы жағынан ерекшеленсе де, AEP-тің A және L-де планктон биомассалары ұқсас, бірақ А-да планктондардың көптігі бар.AEP фитопланктон биомассасын (немесе Chl) зоопланктон биомассасын болжау үшін пайдалануға болмайтынын атап көрсетеді.Зоопланктон балық шаруашылығының қоректік тізбегінің негізі болып табылады және дәлірек бағалау ресурстарды жақсы басқаруға әкелуі мүмкін.Болашақ теңіз түсті спутниктері [мысалы, PACE (планктон, аэрозоль, бұлт және теңіз экожүйесі)] фитопланктонның қауымдастық құрылымын бағалауға көмектесу үшін жақсырақ орналасуы мүмкін.AEP болжамын пайдалану ғарыштан зоопланктонды бағалауды жеңілдетуі мүмкін.SAGE сияқты әдістер, жаңа технологиялармен және жердегі шындықты зерттеу үшін қол жетімді көбірек далалық деректермен (мысалы, Тара және кейінгі зерттеулер) спутниктік негізде экожүйенің денсаулығын бақылауға бірлесе қадам жасай алады.
SAGE әдісі биомасса/Chl, таза бастапқы өндіріс және қауымдастық құрылымы сияқты провинция сипаттамаларын басқаратын кейбір механизмдерді бағалаудың ыңғайлы жолын қамтамасыз етеді.Мысалы, диатомдардың салыстырмалы мөлшері фитопланктонның стехиометриялық талаптарына қатысты Si, N, P және Fe жеткізіліміндегі теңгерімсіздікпен белгіленеді.Теңдестірілген жеткізу жылдамдығында қауымдастықта диатомдар (L) басым болады.Жеткізу жылдамдығы теңгерімсіз болғанда (яғни кремнийді жеткізу диатомдардың қоректік заттарға сұранысынан төмен), диатомдар үлестің (K) аз ғана бөлігін құрайды.Fe және P қоры N қорынан асып кетсе (мысалы, Е және Н), диазотрофты бактериялар қарқынды түрде өседі.AEP ұсынған контекст арқылы басқару тетіктерін зерттеу пайдалырақ болады.
Эко-провинция және AEP қауымдастық құрылымдары ұқсас аймақтар болып табылады.Экологиялық провинция немесе AEP ішіндегі белгілі бір орыннан алынған уақыт қатары анықтамалық нүкте ретінде қарастырылуы мүмкін және экологиялық провинция немесе AEP қамтитын аумақты көрсете алады.Ұзақ мерзімді жердегі бақылау станциялары осындай уақыт қатарын қамтамасыз етеді.Ұзақ мерзімді in-situ деректер жинақтары есепсіз рөл атқара береді.Қауымдастық құрылымын бақылау тұрғысынан SAGE әдісін жаңа сайттардың ең пайдалы орнын анықтауға көмектесетін әдіс ретінде қарастыруға болады.Мысалы, ұзақ мерзімді олиготрофты мекендеу ортасын бағалаудан (ALOHA) алынған уақыт қатары олиготрофты аймақтың AEP B-де (5С-сурет, 2-белгі).ALOHA басқа AEP шекарасына жақын болғандықтан, уақыт қатары бұрын ұсынылғандай (33) бүкіл аймақтың өкілі болмауы мүмкін.Сол AEP B уақыт сериясы SEATS (Оңтүстік-Шығыс Азия уақыт сериясы) Тайваньның оңтүстік-батысында (34) орналасқан, басқа AEP шекараларынан (5C-сурет, 1 жапсырма) алысырақ және бақылау үшін жақсы орын ретінде пайдаланылуы мүмкін. AEPB.AEPC-тегі BATS (Bermuda Atlantic Time Series Study) уақыт сериясы (5С-сурет, жапсырма 4) AEP C және F арасындағы шекараға өте жақын, бұл BATS уақыт қатарын пайдаланып AEP C бақылауының тікелей проблемалық болуы мүмкін екенін көрсетеді.AEP J-дегі P станциясы (5С-сурет, 3 жапсырма) AEP шекарасынан алыс, сондықтан ол неғұрлым өкілді.Эко-провинция және AEP жаһандық өзгерістерді бағалау үшін қолайлы мониторинг жүйесін құруға көмектесе алады, өйткені провинциялардың жергілікті жерде іріктеу қай жерде негізгі түсініктерді бере алатынын бағалауға рұқсаты.SAGE әдісін уақытты үнемдейтін өзгермелілікті бағалау үшін климаттық деректерге қолдану үшін одан әрі дамытуға болады.
SAGE әдісінің жетістігі деректер ғылымын/ML әдістерін және доменге қатысты білімді мұқият қолдану арқылы қол жеткізіледі.Атап айтқанда, t-SNE өлшемді азайтуды орындау үшін пайдаланылады, ол жоғары өлшемді деректердің коварианттық құрылымын сақтайды және коварианттық топологияның визуализациясын жеңілдетеді.Деректер жолақтар мен коварианстар түрінде орналастырылған (2А-сурет), бұл таза қашықтыққа негізделген өлшемдердің (мысалы, K-орталары) сәйкес келмейтінін көрсетеді, өйткені олар әдетте гаусс (дөңгелек) негізді бөлуді пайдаланады (S2 ескертпеде талқыланады). .DBSCAN әдісі кез келген коварианттық топологияға жарамды.Параметрлерді орнатуға назар аударсаңыз, сенімді сәйкестендіруді қамтамасыз етуге болады.t-SNE алгоритмінің есептеу құны жоғары, бұл оның ағымдағы қолданылуын деректердің үлкен көлемімен шектейді, яғни терең немесе уақыт бойынша өзгеретін өрістерге қолдану қиын.t-SNE ауқымдылығы бойынша жұмыс жүргізілуде.KL қашықтықты параллельдеу оңай болғандықтан, t-SNE алгоритмі болашақта кеңею үшін жақсы әлеуетке ие (35).Әзірге өлшемді жақсырақ азайта алатын басқа перспективалы өлшемді азайту әдістеріне біріктірілген көпжақты жуықтау және проекциялау (UMAP) әдістері кіреді, бірақ мұхит деректері контекстінде бағалау қажет.Жақсырақ масштабтаудың мағынасы, мысалы, аралас қабатта әртүрлі күрделіліктегі жаһандық климатты немесе үлгілерді жіктеу.Кез келген провинцияда SAGE бойынша жіктелмеген аймақтарды 2А суретіндегі қалған қара нүктелер ретінде қарастыруға болады.Географиялық тұрғыдан бұл аймақтар негізінен маусымдық аймақтарда орналасқан, бұл уақыт өте келе өзгеретін экологиялық провинцияларды алу жақсырақ қамтуды қамтамасыз етеді.
SAGE әдісін құру үшін функционалдық топтардың кластерлерін (11 өлшемді кеңістікте өте жақын болу мүмкіндігі) анықтау және провинцияларды анықтау мүмкіндігін пайдалана отырып, күрделі жүйелер/деректер ғылымының идеялары пайдаланылды.Бұл провинциялар біздің 3D t-SNE фазалық кеңістігіндегі нақты көлемдерді бейнелейді.Сол сияқты, Пуанкаре бөлігін «қалыпты» немесе «хаотикалық» мінез-құлықты анықтау үшін траектория алып жатқан мемлекеттік кеңістіктің «көлемін» бағалау үшін пайдалануға болады (36).Статикалық 11 өлшемді үлгі шығысы үшін деректер 3D фазалық кеңістігіне түрлендіруден кейін алатын көлемді дәл осылай түсіндіруге болады.3D фазалық кеңістіктегі географиялық аудан мен аудан арасындағы байланыс қарапайым емес, бірақ оны экологиялық ұқсастық тұрғысынан түсіндіруге болады.Осы себепті, BC ұқсас еместігінің неғұрлым дәстүрлі өлшеміне артықшылық беріледі.
Болашақ жұмыс анықталған провинциялар мен AEP кеңістіктік өзгермелілігін бағалау үшін маусымдық өзгеретін деректер үшін SAGE әдісін қайта пайдаланады.Болашақта бұл әдісті спутниктік өлшеулер (мысалы, Chl-a, қашықтықтан зондтау шағылыстыру қабілеті және теңіз бетінің температурасы) арқылы анықтауға болатын провинцияларды анықтауға көмектесу үшін пайдалану болып табылады.Бұл экологиялық компоненттерді қашықтықтан зондтау арқылы бағалауға және экологиялық провинциялар мен олардың өзгермелілігін жоғары икемді бақылауға мүмкіндік береді.
Бұл зерттеудің мақсаты – планктон қауымдастығының бірегей құрылымы арқылы экологиялық провинцияны анықтайтын SAGE әдісін енгізу.Мұнда физикалық/биогеохимиялық/экожүйелік модель және t-SNE және DBSCAN алгоритмдерінің параметр таңдауы туралы толығырақ ақпарат беріледі.
Модельдің физикалық құрамдас бөліктері мұхит айналымы мен климатты бағалаудан алынады [ECCOv4;(37) (38) арқылы сипатталған жаһандық жағдайды бағалау.Мемлекеттік бағалаудың номиналды рұқсаты 1/5 құрайды.Лагранж мультипликаторы әдісімен ең кіші квадраттар әдісі бақылау арқылы түзетілген бастапқы және шекаралық шарттарды және ішкі модель параметрлерін алу үшін пайдаланылады, осылайша еркін жұмыс істейтін MIT жалпы цикл моделін (MITgcm) (39) жасайды, модель Оңтайландырудан кейін нәтижелер қадағалау және қадағалау керек.
Биогеохимия/экожүйе (2) бөлімінде толық сипаттамаға ие (яғни теңдеулер мен параметр мәндері).Модель бейорганикалық және органикалық тоғандар арқылы C, N, P, Si және Fe айналымын түсіреді.Мұнда қолданылатын нұсқа фитопланктонның 35 түрін қамтиды: микропрокариоттардың 2 түрі және микроэукариоттардың 2 түрі (қоректілігі төмен орталарға жарамды), Cryptomonas sphaeroides-тің 5 түрі (кальций карбонаты бар), диазонияның 5 түрі (азотты бекітеді, сондықтан ол шектелмейді) еріген бейорганикалық азоттың болуы), 11 диатомды (кремнийлі жамылғы түзетін), 10 аралас-вегетативті жікшікті (басқа планктондарды фотосинтездеп, жей алады) және 16 зоопланктон (басқа планктондарда жайыла алады).Бұлар «биогеохимиялық функционалдық топтар» деп аталады, өйткені олар теңіз биогеохимиясына әртүрлі әсер етеді (40, 41) және жиі бақылау және модельдік зерттеулерде қолданылады.Бұл модельде әрбір функционалды топ 0,6-дан 2500 мкм-ге дейінгі эквиваленттік сфералық диаметрі бар әртүрлі өлшемдегі бірнеше планктондардан тұрады.
Фитопланктонның өсуіне, жайылуына және батуына әсер ететін параметрлер өлшемдерге байланысты және фитопланктонның алты функционалдық тобының арасында ерекше айырмашылықтар бар (32).Әртүрлі физикалық құрылымдарға қарамастан, модельдің 51 планктондық құрамдастарының нәтижелері бірқатар соңғы зерттеулерде қолданылған (42-44).
1992 жылдан 2011 жылға дейін физикалық/биогеохимиялық/экожүйелік байланыстыру моделі 20 жыл бойы жұмыс істеді.Модельдің нәтижесі планктон биомассасын, қоректік заттардың концентрациясын және қоректік заттардың жеткізілу жылдамдығын (DIN, PO4, Si және Fe) қамтиды.Бұл зерттеуде Экологиялық облыстың кірісі ретінде осы нәтижелердің 20 жылдық орташа мәні пайдаланылды.Chl, планктон биомассасының және қоректік заттардың концентрациясының таралуы және функционалдық топтардың таралуы спутниктік және жердегі бақылаулармен салыстырылады [қараңыз (2, 44), S1 ескертпесі және сурет.S1 - S3].
SAGE әдісі үшін кездейсоқтықтың негізгі көзі t-SNE қадамынан келеді.Кездейсоқтық қайталануға кедергі келтіреді, яғни нәтижелер сенімсіз.SAGE әдісі қайталанған кезде кластерлерді дәйекті түрде анықтай алатын t-SNE және DBSCAN параметрлерінің жинағын анықтау арқылы сенімділікті қатаң тексереді.t-SNE параметрінің «түсініксіздігін» анықтауды жоғарыдан төмен өлшемдерге дейінгі карталау деректердің жергілікті немесе ғаламдық сипаттамаларын сақтау дәрежесін анықтау ретінде түсінуге болады.400 және 300 итерацияның шатасуына жетті.
DBSCAN кластерлеу алгоритмі үшін кластердегі деректер нүктелерінің минималды өлшемі мен қашықтық метрикасын анықтау қажет.Ең аз саны сарапшылардың жетекшілігімен анықталады.Бұл білім қазіргі сандық модельдеу негізіне және рұқсатына сәйкес келетінін біледі.Ең аз сан – 100. Жоғарырақ ең төменгі мәнді (жасыл түстің жоғарғы шегі кеңейгенге дейін <135-тен аз) қарастыруға болады, бірақ ол BC ұқсастығына негізделген біріктіру әдісін алмастыра алмайды.Қосылу дәрежесі (6А-сурет) ϵ параметрін орнату үшін пайдаланылады, ол жоғары қамтуға қолайлы (6В-сурет).Қосылу кластерлердің жиынтық саны ретінде анықталады және ϵ параметріне сезімтал.Төменгі қосылым аймақтарды жасанды түрде топтастырудың жеткіліксіздігін көрсетеді.Жоғары қосылым шамадан тыс орнатуды көрсетеді.Шамадан тыс орнату да проблемалы, себебі ол бастапқы кездейсоқ болжамдардың қайталанбайтын нәтижелерге әкелуі мүмкін екенін көрсетеді.Осы екі шектің арасындағы күрт өсу (әдетте «шынтақ» деп аталады) ең жақсы ϵ мәнін көрсетеді.6А-суретте сіз үстірт аймағының күрт өсуін (сары,> 200 кластер), одан кейін күрт төмендегенін (жасыл, 100 кластер), шамамен 130-ға дейін, өте аз кластерлермен қоршалған (көк, <60 кластер) көресіз. ).Кем дегенде 100 көгілдір аумақта не бір кластер бүкіл мұхитта басым (ϵ <0,42), немесе мұхиттың көп бөлігі жіктелмеген және шу (ϵ> 0,99) болып саналады.Сары аймақтың өте айнымалы, қайталанбайтын кластерлік таралуы бар.ϵ азайған сайын шу күшейеді.Күрт өсіп келе жатқан жасыл аймақ шынтақ деп аталады.Бұл оңтайлы аймақ.t-SNE ықтималдығы пайдаланылғанымен, провинциядағы BC айырмашылығы сенімді кластерлеуді анықтау үшін әлі де пайдаланылуы мүмкін.6-суретті (A және B) пайдаланып, ϵ мәнін 0,39-ға орнатыңыз.Ең аз сан неғұрлым үлкен болса, сенімді жіктеуге мүмкіндік беретін ϵ мәніне жету ықтималдығы соғұрлым аз болады және мәні 135-тен жоғары жасыл аймақ соғұрлым үлкен болады. Бұл аймақтың ұлғаюы шынтақты табу қиынырақ болатынын немесе табылмайтынын көрсетеді. бар.
t-SNE параметрлерін орнатқаннан кейін табылған кластерлердің жалпы саны қосылым өлшемі (A) және кластерге бөлінген деректер пайызы (B) ретінде пайдаланылады.Қызыл нүкте қамту мен қосылымның ең жақсы үйлесімін көрсетеді.Ең аз сан экологияға қатысты ең аз санға сәйкес белгіленеді.
Осы мақалаға арналған қосымша материалдарды http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1 қараңыз.
Бұл Creative Commons Attribution License шарттары бойынша таратылатын ашық қолжетімді мақала.Мақала түпнұсқа жұмысты дұрыс келтірген жағдайда кез келген ортада шектеусіз пайдалануға, таратуға және көбейтуге мүмкіндік береді.
Ескертпе: Сіз бетке ұсынған адам электрондық поштаны көргіңіз келетінін және оның спам емес екенін білуі үшін тек электрондық пошта мекенжайыңызды беруіңізді сұраймыз.Біз ешқандай электрондық пошта мекенжайларын түсірмейміз.
Бұл сұрақ сіздің келуші екеніңізді тексеру және автоматты түрде спам жіберуді болдырмау үшін пайдаланылады.
Жаһандық теңіз экология министрлігі күрделі мәселелерді шешуге бел буады және қауымдастық құрылымдарын зерттеу үшін бақыланбайтын ML қолданады.
Жаһандық теңіз экология министрлігі күрделі мәселелерді шешуге бел буады және қауымдастық құрылымдарын зерттеу үшін бақыланбайтын ML қолданады.
Жіберу уақыты: 12 қаңтар 2021 ж