ಪರಿಸರ ಸಂಕೀರ್ಣತೆಯನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುವುದು: ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆಯು ಜಾಗತಿಕ ಸಮುದ್ರ ಪರಿಸರ ಪ್ರಾಂತ್ಯವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ

ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಸಮುದಾಯ ರಚನೆ ಮತ್ತು ಪೋಷಕಾಂಶದ ಹರಿವಿನ ದತ್ತಾಂಶದ ಆಧಾರದ ಮೇಲೆ ಜಾಗತಿಕ ಸಮುದ್ರ ಪರಿಸರ ಪ್ರಾಂತ್ಯಗಳನ್ನು (ಪರಿಸರ-ಪ್ರಾಂತ್ಯಗಳು) ನಿರ್ಧರಿಸಲು ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆಯ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ.ವ್ಯವಸ್ಥಿತ ಸಂಯೋಜಿತ ಪರಿಸರ ಪ್ರಾಂತ್ಯ (SAGE) ವಿಧಾನವು ಹೆಚ್ಚು ರೇಖಾತ್ಮಕವಲ್ಲದ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಮಾದರಿಗಳಲ್ಲಿ ಪರಿಸರ ಪ್ರಾಂತಗಳನ್ನು ಗುರುತಿಸಬಹುದು.ದತ್ತಾಂಶದ ಗಾಸ್ಸಿಯನ್ ಅಲ್ಲದ ಕೋವೇರಿಯನ್ಸ್‌ಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ಸಲುವಾಗಿ, ಆಯಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡಲು SAGE t ಯಾದೃಚ್ಛಿಕ ನೆರೆಯ ಎಂಬೆಡಿಂಗ್ (t-SNE) ಅನ್ನು ಬಳಸುತ್ತದೆ.ಸಾಂದ್ರತೆ-ಆಧಾರಿತ ಪ್ರಾದೇಶಿಕ ಕ್ಲಸ್ಟರಿಂಗ್ (DBSCAN) ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಆಧರಿಸಿದ ಶಬ್ದ ಅಪ್ಲಿಕೇಶನ್ ಸಹಾಯದಿಂದ, ನೂರಕ್ಕೂ ಹೆಚ್ಚು ಪರಿಸರ ಪ್ರಾಂತ್ಯಗಳನ್ನು ಗುರುತಿಸಬಹುದು.ಪರಿಸರ ವ್ಯತ್ಯಾಸಗಳೊಂದಿಗೆ ಸಂಪರ್ಕ ನಕ್ಷೆಯನ್ನು ದೂರದ ಅಳತೆಯಾಗಿ ಬಳಸಿ, ದೃಢವಾದ ಒಟ್ಟುಗೂಡಿದ ಪರಿಸರ ಪ್ರಾಂತ್ಯ (AEP) ಅನ್ನು ನೆಸ್ಟೆಡ್ ಪರಿಸರ ಪ್ರಾಂತ್ಯಗಳ ಮೂಲಕ ವಸ್ತುನಿಷ್ಠವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ.AEP ಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ಸಮುದಾಯ ರಚನೆಯ ಮೇಲೆ ಪೌಷ್ಟಿಕಾಂಶ ಪೂರೈಕೆ ದರದ ನಿಯಂತ್ರಣವನ್ನು ಪರಿಶೋಧಿಸಲಾಯಿತು.ಪರಿಸರ-ಪ್ರಾಂತ ಮತ್ತು AEP ಅನನ್ಯ ಮತ್ತು ಮಾದರಿ ವ್ಯಾಖ್ಯಾನಕ್ಕೆ ಸಹಾಯ ಮಾಡಬಹುದು.ಅವರು ಮಾದರಿಗಳ ನಡುವಿನ ಹೋಲಿಕೆಗಳನ್ನು ಸುಲಭಗೊಳಿಸಬಹುದು ಮತ್ತು ಸಮುದ್ರ ಪರಿಸರ ವ್ಯವಸ್ಥೆಗಳ ತಿಳುವಳಿಕೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು.
ಪ್ರಾಂತ್ಯಗಳು ಸಮುದ್ರ ಅಥವಾ ಭೂಮಿಯ ಮೇಲಿನ ಸಂಕೀರ್ಣ ಜೈವಿಕ ಭೂಗೋಳವನ್ನು ಸುಸಂಬದ್ಧ ಮತ್ತು ಅರ್ಥಪೂರ್ಣ ಪ್ರದೇಶಗಳಾಗಿ ಸಂಘಟಿಸಿರುವ ಪ್ರದೇಶಗಳಾಗಿವೆ (1).ಸ್ಥಳಗಳನ್ನು ಹೋಲಿಸಲು ಮತ್ತು ವ್ಯತಿರಿಕ್ತಗೊಳಿಸಲು, ವೀಕ್ಷಣೆಗಳನ್ನು ನಿರೂಪಿಸಲು, ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ರಕ್ಷಣೆಗೆ ಈ ಪ್ರಾಂತ್ಯಗಳು ಬಹಳ ಮುಖ್ಯ.ಈ ಪ್ರಾಂತ್ಯಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಸಂಕೀರ್ಣ ಮತ್ತು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂವಹನಗಳು ಪ್ರಾಂತಗಳನ್ನು ವಸ್ತುನಿಷ್ಠವಾಗಿ ನಿರ್ಧರಿಸಲು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ಯಂತ್ರ ಕಲಿಕೆ (ML) ವಿಧಾನಗಳನ್ನು ಬಹಳ ಸೂಕ್ತವಾಗಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ಡೇಟಾದಲ್ಲಿನ ಸಹವರ್ತಿಯು ಸಂಕೀರ್ಣವಾಗಿದೆ ಮತ್ತು ಗೌಸಿಯನ್ ಅಲ್ಲ.ಇಲ್ಲಿ, ML ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ, ಇದು ಡಾರ್ವಿನ್ ಜಾಗತಿಕ ಮೂರು-ಆಯಾಮದ (3D) ಭೌತಿಕ/ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಮಾದರಿ (2) ನಿಂದ ವಿಶಿಷ್ಟವಾದ ಸಮುದ್ರ ಪರಿಸರ ಪ್ರಾಂತ್ಯಗಳನ್ನು (ಪರಿಸರ-ಪ್ರಾಂತ್ಯಗಳು) ವ್ಯವಸ್ಥಿತವಾಗಿ ಗುರುತಿಸುತ್ತದೆ.ಗುರುತಿಸಲಾದ ಪ್ರದೇಶವು ಇತರ ಪ್ರದೇಶಗಳೊಂದಿಗೆ ಸಾಕಷ್ಟು ಅತಿಕ್ರಮಿಸುವುದಿಲ್ಲ ಎಂದು ಸೂಚಿಸಲು "ಅನನ್ಯ" ಪದವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.ಈ ವಿಧಾನವನ್ನು ಸಿಸ್ಟಮ್ ಇಂಟಿಗ್ರೇಟೆಡ್ ಇಕೊಲಾಜಿಕಲ್ ಪ್ರಾವಿನ್ಸ್ (SAGE) ವಿಧಾನ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.ಉಪಯುಕ್ತ ವರ್ಗೀಕರಣವನ್ನು ನಿರ್ವಹಿಸಲು, ಅಲ್ಗಾರಿದಮ್ ವಿಧಾನವು (i) ಜಾಗತಿಕ ವರ್ಗೀಕರಣ ಮತ್ತು (ii) ಸ್ಥಳ ಮತ್ತು ಸಮಯದಲ್ಲಿ ಗೂಡುಕಟ್ಟಬಹುದಾದ/ಒಗ್ಗೂಡಿಸಬಹುದಾದ ಬಹು-ಪ್ರಮಾಣದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಅನುಮತಿಸುವ ಅಗತ್ಯವಿದೆ (3).ಈ ಸಂಶೋಧನೆಯಲ್ಲಿ, SAGE ವಿಧಾನವನ್ನು ಮೊದಲು ಪ್ರಸ್ತಾಪಿಸಲಾಯಿತು ಮತ್ತು ಗುರುತಿಸಲಾದ ಪರಿಸರ ಪ್ರಾಂತ್ಯಗಳನ್ನು ಚರ್ಚಿಸಲಾಗಿದೆ.ಪರಿಸರ-ಪ್ರಾಂತ್ಯಗಳು ಸಮುದಾಯ ರಚನೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ಅಂಶಗಳ ತಿಳುವಳಿಕೆಯನ್ನು ಉತ್ತೇಜಿಸಬಹುದು, ಮೇಲ್ವಿಚಾರಣೆ ತಂತ್ರಗಳಿಗೆ ಉಪಯುಕ್ತ ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಪರಿಸರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಭೂಮಂಡಲದ ಪ್ರಾಂತ್ಯಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಹವಾಮಾನ (ಮಳೆ ಮತ್ತು ತಾಪಮಾನ), ಮಣ್ಣು, ಸಸ್ಯವರ್ಗ ಮತ್ತು ಪ್ರಾಣಿಗಳ ಸಾಮ್ಯತೆಗಳ ಪ್ರಕಾರ ವರ್ಗೀಕರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸಹಾಯಕ ನಿರ್ವಹಣೆ, ಜೀವವೈವಿಧ್ಯ ಸಂಶೋಧನೆ ಮತ್ತು ರೋಗ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ (1, 4).ಸಾಗರ ಪ್ರಾಂತ್ಯಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ಹೆಚ್ಚು ಕಷ್ಟ.ಹೆಚ್ಚಿನ ಜೀವಿಗಳು ಸೂಕ್ಷ್ಮದರ್ಶಕವಾಗಿದ್ದು, ದ್ರವದ ಗಡಿಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ.ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಮತ್ತು ಇತರರು.(5) ಪರಿಸರ ಪರಿಸ್ಥಿತಿಗಳ ಆಧಾರದ ಮೇಲೆ ಸಾಗರಶಾಸ್ತ್ರ ಸಚಿವಾಲಯದ ಮೊದಲ ಜಾಗತಿಕ ವರ್ಗೀಕರಣಗಳಲ್ಲಿ ಒಂದನ್ನು ಒದಗಿಸಲಾಗಿದೆ.ಈ "ಲಾಂಗ್‌ಹರ್ಸ್ಟ್" ಪ್ರಾಂತ್ಯಗಳ ವ್ಯಾಖ್ಯಾನವು ಮಿಕ್ಸಿಂಗ್ ರೇಟ್, ಶ್ರೇಣೀಕರಣ ಮತ್ತು ವಿಕಿರಣದಂತಹ ಅಸ್ಥಿರಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಜೊತೆಗೆ ಸಮುದ್ರ ಪರಿಸರ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಇತರ ಪ್ರಮುಖ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಹೊಂದಿರುವ ಸಮುದ್ರ ಸಮುದ್ರಶಾಸ್ತ್ರಜ್ಞನಾಗಿ ಲಾಂಗ್‌ಹರ್ಸ್ಟ್‌ನ ವ್ಯಾಪಕ ಅನುಭವ.ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಅನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ಪ್ರಾಥಮಿಕ ಉತ್ಪಾದನೆ ಮತ್ತು ಇಂಗಾಲದ ಹರಿವುಗಳನ್ನು ನಿರ್ಣಯಿಸಲು, ಮೀನುಗಾರಿಕೆಗೆ ಸಹಾಯ ಮಾಡಲು ಮತ್ತು ಸಿತು ವೀಕ್ಷಣಾ ಚಟುವಟಿಕೆಗಳಲ್ಲಿ ಯೋಜನೆ (5-9).ಪ್ರಾಂತಗಳನ್ನು ಹೆಚ್ಚು ವಸ್ತುನಿಷ್ಠವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲು, ಅಸ್ಪಷ್ಟ ತರ್ಕ ಮತ್ತು ಪ್ರಾದೇಶಿಕ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕ್ಲಸ್ಟರಿಂಗ್/ಅಂಕಿಅಂಶಗಳಂತಹ ವಿಧಾನಗಳನ್ನು ಬಳಸಲಾಗಿದೆ (9-14).ಲಭ್ಯವಿರುವ ವೀಕ್ಷಣಾ ದತ್ತಾಂಶದಲ್ಲಿ ಪ್ರಾಂತ್ಯಗಳನ್ನು ಗುರುತಿಸಬಹುದಾದ ಅರ್ಥಪೂರ್ಣ ರಚನೆಗಳನ್ನು ಗುರುತಿಸುವುದು ಅಂತಹ ವಿಧಾನಗಳ ಉದ್ದೇಶವಾಗಿದೆ.ಉದಾಹರಣೆಗೆ, ಡೈನಾಮಿಕ್ ಸಾಗರ ಪ್ರಾಂತ್ಯಗಳು (12) ಶಬ್ದವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸ್ವಯಂ-ಸಂಘಟನೆಯ ನಕ್ಷೆಗಳನ್ನು ಬಳಸುತ್ತವೆ ಮತ್ತು ಪ್ರಾದೇಶಿಕ ಉಪಗ್ರಹಗಳಿಂದ [ಕ್ಲೋರೊಫಿಲ್ ಎ (Chl-a), ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಪ್ರತಿದೀಪಕ ರೇಖೆಯ ಎತ್ತರ ಮತ್ತು ಸಮುದ್ರ ಬಣ್ಣದ ಉತ್ಪನ್ನಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಕ್ರಮಾನುಗತ (ಮರ-ಆಧಾರಿತ) ಕ್ಲಸ್ಟರಿಂಗ್ ಅನ್ನು ಬಳಸುತ್ತವೆ. ಬಣ್ಣದ ಕರಗಿದ ಸಾವಯವ ವಸ್ತು] ಮತ್ತು ಭೌತಿಕ ಕ್ಷೇತ್ರ (ಸಮುದ್ರ ಮೇಲ್ಮೈ ತಾಪಮಾನ ಮತ್ತು ಲವಣಾಂಶ, ಸಂಪೂರ್ಣ ಡೈನಾಮಿಕ್ ಸ್ಥಳಾಕೃತಿ ಮತ್ತು ಸಮುದ್ರದ ಮಂಜುಗಡ್ಡೆ).
ಪ್ಲ್ಯಾಂಕ್ಟನ್‌ನ ಸಮುದಾಯ ರಚನೆಯು ಕಳವಳಕಾರಿಯಾಗಿದೆ ಏಕೆಂದರೆ ಅದರ ಪರಿಸರ ವಿಜ್ಞಾನವು ಹೆಚ್ಚಿನ ಪೋಷಕಾಂಶಗಳ ಮಟ್ಟಗಳು, ಇಂಗಾಲದ ಹೀರಿಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ಹವಾಮಾನದ ಮೇಲೆ ಹೆಚ್ಚಿನ ಪ್ರಭಾವವನ್ನು ಹೊಂದಿದೆ.ಅದೇನೇ ಇದ್ದರೂ, ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಸಮುದಾಯ ರಚನೆಯ ಆಧಾರದ ಮೇಲೆ ಜಾಗತಿಕ ಪರಿಸರ ಪ್ರಾಂತವನ್ನು ನಿರ್ಧರಿಸುವುದು ಇನ್ನೂ ಸವಾಲಿನ ಮತ್ತು ತಪ್ಪಿಸಿಕೊಳ್ಳಲಾಗದ ಗುರಿಯಾಗಿದೆ.ಸಾಗರ ಬಣ್ಣದ ಉಪಗ್ರಹಗಳು ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್‌ನ ಒರಟಾದ-ಧಾನ್ಯದ ವರ್ಗೀಕರಣದ ಒಳನೋಟಗಳನ್ನು ಸಮರ್ಥವಾಗಿ ಒದಗಿಸಬಹುದು ಅಥವಾ ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಪ್ರಯೋಜನಗಳನ್ನು ಸೂಚಿಸಬಹುದು (15), ಆದರೆ ಪ್ರಸ್ತುತ ಸಮುದಾಯ ರಚನೆಯ ಬಗ್ಗೆ ವಿವರವಾದ ಮಾಹಿತಿಯನ್ನು ನೀಡಲು ಸಾಧ್ಯವಾಗುತ್ತಿಲ್ಲ.ಇತ್ತೀಚಿನ ಸಮೀಕ್ಷೆಗಳು [ಉದಾ ತಾರಾ ಸಾಗರ (16)] ಸಮುದಾಯ ರಚನೆಯ ಅಭೂತಪೂರ್ವ ಅಳತೆಗಳನ್ನು ಒದಗಿಸುತ್ತಿವೆ;ಪ್ರಸ್ತುತ, ಜಾಗತಿಕ ಮಟ್ಟದಲ್ಲಿ ವಿರಳವಾದ ಇನ್-ಸಿಟು ಅವಲೋಕನಗಳು ಮಾತ್ರ ಇವೆ (17).ಹಿಂದಿನ ಅಧ್ಯಯನಗಳು ಜೀವರಾಸಾಯನಿಕ ಹೋಲಿಕೆಗಳ (ಪ್ರಾಥಮಿಕ ಉತ್ಪಾದನೆ, Chl ಮತ್ತು ಲಭ್ಯವಿರುವ ಬೆಳಕಿನಂತಹ) ನಿರ್ಣಯದ ಆಧಾರದ ಮೇಲೆ "ಜೈವಿಕ ರಾಸಾಯನಿಕ ಪ್ರಾಂತ್ಯ" (12, 14, 18) ಅನ್ನು ಹೆಚ್ಚಾಗಿ ನಿರ್ಧರಿಸಿದೆ.ಇಲ್ಲಿ, ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿಯನ್ನು ಔಟ್‌ಪುಟ್ ಮಾಡಲು ಬಳಸಲಾಗುತ್ತದೆ [ಡಾರ್ವಿನ್(2)] ಮತ್ತು ಸಮುದಾಯ ರಚನೆ ಮತ್ತು ಪೋಷಕಾಂಶದ ಹರಿವಿನ ಪ್ರಕಾರ ಪರಿಸರ ಪ್ರಾಂತ್ಯವನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿಯು ಜಾಗತಿಕ ವ್ಯಾಪ್ತಿಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕ್ಷೇತ್ರ ಡೇಟಾ (17) ಮತ್ತು ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಕ್ಷೇತ್ರಗಳೊಂದಿಗೆ (ಟಿಪ್ಪಣಿ S1) ಹೋಲಿಸಬಹುದು.ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿ ಡೇಟಾವು ಜಾಗತಿಕ ವ್ಯಾಪ್ತಿಯ ಪ್ರಯೋಜನವನ್ನು ಹೊಂದಿದೆ.ಮಾದರಿ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯು 35 ಜಾತಿಯ ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಮತ್ತು 16 ಜಾತಿಯ ಝೂಪ್ಲ್ಯಾಂಕ್ಟನ್ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ (ದಯವಿಟ್ಟು ವಸ್ತುಗಳು ಮತ್ತು ವಿಧಾನಗಳನ್ನು ನೋಡಿ).ಮಾದರಿ ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಪ್ರಕಾರಗಳು ನಾನ್-ಗಾಸ್ಸಿಯನ್ ಕೋವೇರಿಯನ್ಸ್ ರಚನೆಗಳೊಂದಿಗೆ ರೇಖಾತ್ಮಕವಲ್ಲದ ರೀತಿಯಲ್ಲಿ ಸಂವಹನ ನಡೆಸುತ್ತವೆ, ಆದ್ದರಿಂದ ಉದಯೋನ್ಮುಖ ಸಮುದಾಯ ರಚನೆಗಳಲ್ಲಿ ಅನನ್ಯ ಮತ್ತು ಸ್ಥಿರವಾದ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಸರಳ ರೋಗನಿರ್ಣಯ ವಿಧಾನಗಳು ಸೂಕ್ತವಲ್ಲ.ಇಲ್ಲಿ ಪರಿಚಯಿಸಲಾದ SAGE ವಿಧಾನವು ಸಂಕೀರ್ಣವಾದ ಡಾರ್ವಿನ್ ಮಾದರಿಗಳ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಲು ಹೊಸ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತದೆ.
ದತ್ತಾಂಶ ವಿಜ್ಞಾನ/ML ತಂತ್ರಜ್ಞಾನದ ಪ್ರಬಲ ಪರಿವರ್ತಕ ಸಾಮರ್ಥ್ಯಗಳು ದತ್ತಾಂಶ ಸಹವರ್ತಿಯಲ್ಲಿ ಸಂಕೀರ್ಣವಾದ ಆದರೆ ದೃಢವಾದ ರಚನೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಲು ಅಗಾಧವಾದ ಸಂಕೀರ್ಣ ಮಾದರಿ ಪರಿಹಾರಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಬಹುದು.ದೃಢವಾದ ವಿಧಾನವನ್ನು ನಿರ್ದಿಷ್ಟ ದೋಷದ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ನಿಷ್ಠೆಯಿಂದ ಫಲಿತಾಂಶಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸುವ ವಿಧಾನವೆಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ.ಸರಳ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿಯೂ ಸಹ, ದೃಢವಾದ ಮಾದರಿಗಳು ಮತ್ತು ಸಂಕೇತಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು ಒಂದು ಸವಾಲಾಗಿದೆ.ಗಮನಿಸಿದ ಮಾದರಿಗೆ ಕಾರಣವಾಗುವ ತಾರ್ಕಿಕತೆಯನ್ನು ನಿರ್ಧರಿಸುವವರೆಗೆ, ಉದಯೋನ್ಮುಖ ಸಂಕೀರ್ಣತೆಯು ಸಂಕೀರ್ಣವಾಗಿದೆ / ಪರಿಹರಿಸಲು ಕಷ್ಟವಾಗಬಹುದು.ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಸಂಯೋಜನೆಯನ್ನು ಹೊಂದಿಸುವ ಪ್ರಮುಖ ಪ್ರಕ್ರಿಯೆಯು ಪ್ರಕೃತಿಯಲ್ಲಿ ರೇಖಾತ್ಮಕವಲ್ಲದದ್ದಾಗಿದೆ.ರೇಖಾತ್ಮಕವಲ್ಲದ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳ ಅಸ್ತಿತ್ವವು ದೃಢವಾದ ವರ್ಗೀಕರಣವನ್ನು ಗೊಂದಲಗೊಳಿಸಬಹುದು, ಆದ್ದರಿಂದ ಡೇಟಾ ಸಹವರ್ತಿತ್ವದ ಮೂಲ ಅಂಕಿಅಂಶಗಳ ವಿತರಣೆಯ ಬಗ್ಗೆ ಬಲವಾದ ಊಹೆಗಳನ್ನು ಮಾಡುವ ವಿಧಾನಗಳನ್ನು ತಪ್ಪಿಸುವುದು ಅವಶ್ಯಕ.ಹೆಚ್ಚಿನ ಆಯಾಮದ ಮತ್ತು ರೇಖಾತ್ಮಕವಲ್ಲದ ದತ್ತಾಂಶವು ಸಮುದ್ರಶಾಸ್ತ್ರದಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿದೆ ಮತ್ತು ಸಂಕೀರ್ಣವಾದ, ಗಾಸ್ಸಿಯನ್ ಅಲ್ಲದ ಟೋಪೋಲಜಿಯೊಂದಿಗೆ ಸಹವರ್ತಿ ರಚನೆಯನ್ನು ಹೊಂದಿರಬಹುದು.ಗೌಸ್ಸಿಯನ್ ಅಲ್ಲದ ಸಹವರ್ತಿ ರಚನೆಯೊಂದಿಗಿನ ಡೇಟಾವು ದೃಢವಾದ ವರ್ಗೀಕರಣಕ್ಕೆ ಅಡ್ಡಿಯಾಗಬಹುದಾದರೂ, SAGE ವಿಧಾನವು ನವೀನವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಅನಿಯಂತ್ರಿತ ಟೋಪೋಲಾಜಿಗಳೊಂದಿಗೆ ಸಮೂಹಗಳನ್ನು ಗುರುತಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.
SAGE ವಿಧಾನದ ಗುರಿಯು ವಸ್ತುನಿಷ್ಠವಾಗಿ ಹೊರಹೊಮ್ಮುವ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವುದು, ಅದು ಮತ್ತಷ್ಟು ಪರಿಸರ ತಿಳುವಳಿಕೆಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.(19) ಹೋಲುವ ಕ್ಲಸ್ಟರ್-ಆಧಾರಿತ ಕೆಲಸದ ಹರಿವನ್ನು ಅನುಸರಿಸಿ, ಪರಿಸರ ಮತ್ತು ಪೌಷ್ಟಿಕಾಂಶದ ಹರಿವಿನ ಅಸ್ಥಿರಗಳನ್ನು ಪರಿಸರ ಪ್ರಾಂತ್ಯ ಎಂದು ಕರೆಯಲಾಗುವ ಡೇಟಾದಲ್ಲಿನ ಏಕೈಕ ಕ್ಲಸ್ಟರ್ ಅನ್ನು ನಿರ್ಧರಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ SAGE ವಿಧಾನವು (ಚಿತ್ರ 1) ಮೊದಲು 55 ರಿಂದ 11 ಆಯಾಮಗಳಿಗೆ ಆಯಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳನ್ನು ಒಂದು ಪ್ರಿಯರಿ (ಮೆಟೀರಿಯಲ್ಸ್ ಮತ್ತು ವಿಧಾನಗಳನ್ನು ನೋಡಿ).t-ಯಾದೃಚ್ಛಿಕ ನೆರೆಯ ಎಂಬೆಡಿಂಗ್ (t-SNE) ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು, ಸಂಭವನೀಯತೆಯನ್ನು 3D ಜಾಗಕ್ಕೆ ಪ್ರಕ್ಷೇಪಿಸುವ ಮೂಲಕ ಗಾತ್ರವನ್ನು ಮತ್ತಷ್ಟು ಕಡಿಮೆಗೊಳಿಸಲಾಗುತ್ತದೆ.ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ಕ್ಲಸ್ಟರಿಂಗ್ ಪರಿಸರದ ನಿಕಟ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸಬಹುದು [ಶಬ್ದ-ಆಧಾರಿತ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ಸಾಂದ್ರತೆ-ಆಧಾರಿತ ಪ್ರಾದೇಶಿಕ ಕ್ಲಸ್ಟರಿಂಗ್ (DBSCAN)].t-SNE ಮತ್ತು DBSCAN ಎರಡೂ ಅಂತರ್ಗತ ರೇಖಾತ್ಮಕವಲ್ಲದ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿ ಡೇಟಾಗೆ ಅನ್ವಯಿಸುತ್ತವೆ.ನಂತರ ಪರಿಣಾಮವಾಗಿ ಪರಿಸರ ಪ್ರಾಂತ್ಯವನ್ನು ಭೂಮಿಯ ಮೇಲೆ ಮರುಪ್ರಕ್ಷೇಪಿಸಿ.ನೂರಕ್ಕೂ ಹೆಚ್ಚು ಅನನ್ಯ ಪರಿಸರ ಪ್ರಾಂತಗಳನ್ನು ಗುರುತಿಸಲಾಗಿದೆ, ಪ್ರಾದೇಶಿಕ ಸಂಶೋಧನೆಗೆ ಸೂಕ್ತವಾಗಿದೆ.ಜಾಗತಿಕವಾಗಿ ಸ್ಥಿರವಾದ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಮಾದರಿಯನ್ನು ಪರಿಗಣಿಸಲು, ಪರಿಸರ ಪ್ರಾಂತ್ಯಗಳ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಸುಧಾರಿಸಲು ಪರಿಸರ ಪ್ರಾಂತ್ಯಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಲಾದ ಪರಿಸರ ಪ್ರಾಂತ್ಯಗಳಾಗಿ (AEP) ಒಟ್ಟುಗೂಡಿಸಲು SAGE ವಿಧಾನವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯ ಮಟ್ಟವನ್ನು ("ಸಂಕೀರ್ಣತೆ" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ಅಗತ್ಯವಿರುವ ವಿವರಗಳ ಮಟ್ಟಕ್ಕೆ ಸರಿಹೊಂದಿಸಬಹುದು.ದೃಢವಾದ AEP ಯ ಕನಿಷ್ಠ ಸಂಕೀರ್ಣತೆಯನ್ನು ನಿರ್ಧರಿಸಿ.ಆಯ್ಕೆಯ ಗಮನವು SAGE ವಿಧಾನವಾಗಿದೆ ಮತ್ತು ತುರ್ತು ಸಮುದಾಯ ರಚನೆಯ ನಿಯಂತ್ರಣವನ್ನು ನಿರ್ಧರಿಸಲು ಚಿಕ್ಕ ಸಂಕೀರ್ಣತೆಯ AEP ಪ್ರಕರಣಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತದೆ.ನಂತರ ಪರಿಸರ ವಿಜ್ಞಾನದ ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸಲು ಮಾದರಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಬಹುದು.ಇಲ್ಲಿ ಪರಿಚಯಿಸಲಾದ ವಿಧಾನವನ್ನು ಮಾದರಿ ಹೋಲಿಕೆಗಾಗಿ ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಬಹುದು, ಉದಾಹರಣೆಗೆ, ವಿಭಿನ್ನ ಮಾದರಿಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಒಂದೇ ರೀತಿಯ ಪರಿಸರ ಪ್ರಾಂತ್ಯಗಳ ಸ್ಥಳಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮೂಲಕ ವ್ಯತ್ಯಾಸಗಳು ಮತ್ತು ಹೋಲಿಕೆಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಲು, ಮಾದರಿಗಳನ್ನು ಹೋಲಿಸಲು.
(A) ಪರಿಸರ ಪ್ರಾಂತ್ಯವನ್ನು ನಿರ್ಧರಿಸಲು ಕೆಲಸದ ಹರಿವಿನ ಸ್ಕೀಮ್ಯಾಟಿಕ್ ರೇಖಾಚಿತ್ರ;ಮೂಲ 55-ಆಯಾಮದ ಡೇಟಾವನ್ನು 11-ಆಯಾಮದ ಮಾದರಿಯ ಔಟ್‌ಪುಟ್‌ಗೆ ಕಡಿಮೆ ಮಾಡಲು ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪಿನಲ್ಲಿರುವ ಮೊತ್ತವನ್ನು ಬಳಸುವುದು, ಏಳು ಕ್ರಿಯಾತ್ಮಕ/ಪೌಷ್ಠಿಕಾಂಶದ ಪ್ಲ್ಯಾಂಕ್ಟನ್‌ನ ಜೀವರಾಶಿ ಮತ್ತು ನಾಲ್ಕು ಪೋಷಕಾಂಶ ಪೂರೈಕೆ ದರಗಳು ಸೇರಿದಂತೆ.ಅತ್ಯಲ್ಪ ಮೌಲ್ಯ ಮತ್ತು ಬಾಳಿಕೆ ಬರುವ ಐಸ್ ಕವರ್ ಪ್ರದೇಶ.ಡೇಟಾವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ರಮಾಣೀಕರಿಸಲಾಗಿದೆ.ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಒಂದೇ ರೀತಿಯ ವೈಶಿಷ್ಟ್ಯ ಸಂಯೋಜನೆಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಲು t-SNE ಅಲ್ಗಾರಿದಮ್‌ಗೆ 11-ಆಯಾಮದ ಡೇಟಾವನ್ನು ಒದಗಿಸಿ.ಪ್ಯಾರಾಮೀಟರ್ ಮೌಲ್ಯವನ್ನು ಹೊಂದಿಸಲು DBSCAN ಕ್ಲಸ್ಟರ್ ಅನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ.ಅಂತಿಮವಾಗಿ ಡೇಟಾವನ್ನು ಅಕ್ಷಾಂಶ/ರೇಖಾಂಶದ ಪ್ರೊಜೆಕ್ಷನ್‌ಗೆ ಹಿಂತಿರುಗಿಸಿ.ಈ ಪ್ರಕ್ರಿಯೆಯು 10 ಬಾರಿ ಪುನರಾವರ್ತನೆಯಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ ಏಕೆಂದರೆ t-SNE ಅನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಸ್ವಲ್ಪ ಯಾದೃಚ್ಛಿಕತೆಯನ್ನು ರಚಿಸಬಹುದು.(A) ನಲ್ಲಿ 10 ಬಾರಿ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ಪುನರಾವರ್ತಿಸುವ ಮೂಲಕ AEP ಅನ್ನು ಹೇಗೆ ಪಡೆಯುವುದು ಎಂಬುದನ್ನು (B) ವಿವರಿಸುತ್ತದೆ.ಈ 10 ಅಳವಡಿಕೆಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದಕ್ಕೂ, 51 ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಪ್ರಕಾರಗಳ ಜೀವರಾಶಿಯ ಆಧಾರದ ಮೇಲೆ ಅಂತರ-ಪ್ರಾಂತೀಯ ಬ್ರೇ-ಕರ್ಟಿಸ್ (BC) ಅಸಮಾನತೆಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.ಸಂಕೀರ್ಣತೆ 1 AEP ಯಿಂದ ಪೂರ್ಣ ಸಂಕೀರ್ಣತೆ 115 ರವರೆಗೆ ಪ್ರಾಂತ್ಯಗಳ ನಡುವಿನ BC ವ್ಯತ್ಯಾಸವನ್ನು ನಿರ್ಧರಿಸಿ. BC ಮಾನದಂಡವನ್ನು ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಪ್ರಾಂತ್ಯದಿಂದ ಹೊಂದಿಸಲಾಗಿದೆ.
SAGE ವಿಧಾನವು ಪರಿಸರ ಪ್ರಾಂತ್ಯವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ಜಾಗತಿಕ 3D ಭೌತಿಕ/ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಬಳಸುತ್ತದೆ [ಡಾರ್ವಿನ್ (2);ಸಾಮಗ್ರಿಗಳು ಮತ್ತು ವಿಧಾನಗಳು ಮತ್ತು ಟಿಪ್ಪಣಿ S1] ನೋಡಿ.ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಘಟಕಗಳು 35 ಜಾತಿಯ ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಮತ್ತು 16 ಜಾತಿಯ ಝೂಪ್ಲ್ಯಾಂಕ್ಟನ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿವೆ, ಏಳು ಪೂರ್ವನಿರ್ಧರಿತ ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳೊಂದಿಗೆ: ಪ್ರೊಕಾರ್ಯೋಟ್‌ಗಳು ಮತ್ತು ಯೂಕ್ಯಾರಿಯೋಟ್‌ಗಳು ಕಡಿಮೆ-ಪೋಷಕಾಂಶದ ಪರಿಸರಕ್ಕೆ ಹೊಂದಿಕೊಂಡಿವೆ, ಕ್ಯಾಲ್ಸಿಯಂ ಕಾರ್ಬೋನೇಟ್ ಲೇಪನದೊಂದಿಗೆ ಕೋಕ್ಸಿಡಿಯಾ ಮತ್ತು ಭಾರೀ ಸಾರಜನಕ ಕೊರತೆಯ ಸ್ಥಿರೀಕರಣ ಪ್ರಮುಖ ಪೋಷಕಾಂಶಗಳು), ಸಿಲಿಸಿಯಸ್ ಹೊದಿಕೆಯೊಂದಿಗೆ, ಇತರ ಪ್ಲ್ಯಾಂಕ್ಟನ್ ದ್ಯುತಿಸಂಶ್ಲೇಷಣೆ ಮತ್ತು ಮೇಯಿಸುವಿಕೆ ಮಿಶ್ರ ಪೌಷ್ಟಿಕಾಂಶದ ಫ್ಲ್ಯಾಗ್ಲೇಟ್‌ಗಳು ಮತ್ತು ಝೂಪ್ಲಾಂಕ್ಟನ್ ಹರ್ಡರ್‌ಗಳನ್ನು ಮಾಡಬಹುದು.ಗಾತ್ರದ ವ್ಯಾಪ್ತಿಯು 0.6 ರಿಂದ 2500μm ಸಮಾನವಾದ ಗೋಳಾಕಾರದ ವ್ಯಾಸವಾಗಿದೆ.ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಗಾತ್ರ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಮಾದರಿ ವಿತರಣೆಯು ಉಪಗ್ರಹ ಮತ್ತು ಸ್ಥಳದ ಅವಲೋಕನಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಒಟ್ಟಾರೆ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ (ಚಿತ್ರಗಳು S1 ರಿಂದ S3 ಅನ್ನು ನೋಡಿ).ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿ ಮತ್ತು ಗಮನಿಸಿದ ಸಾಗರದ ನಡುವಿನ ಹೋಲಿಕೆಯು ಮಾದರಿಯಿಂದ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಪ್ರಾಂತ್ಯಗಳು ಇನ್-ಸಿಟು ಸಾಗರಕ್ಕೆ ಅನ್ವಯಿಸಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ.ಈ ಮಾದರಿಯು ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್‌ನ ನಿರ್ದಿಷ್ಟ ವೈವಿಧ್ಯತೆಯನ್ನು ಮಾತ್ರ ಸೆರೆಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಇನ್ ಸಿತು ಸಾಗರದ ಕೆಲವು ಭೌತಿಕ ಮತ್ತು ರಾಸಾಯನಿಕ ಬಲವಂತದ ಶ್ರೇಣಿಗಳನ್ನು ಮಾತ್ರ ಸೆರೆಹಿಡಿಯುತ್ತದೆ ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ.SAGE ವಿಧಾನವು ಮಾದರಿ ಸಮುದಾಯ ರಚನೆಯ ಹೆಚ್ಚು ಪ್ರಾದೇಶಿಕ ನಿಯಂತ್ರಣ ಕಾರ್ಯವಿಧಾನವನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಜನರನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.
ಪ್ರತಿ ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪಿನಲ್ಲಿ ಮೇಲ್ಮೈ ಜೀವರಾಶಿಯ ಮೊತ್ತವನ್ನು (ಸರಾಸರಿ 20 ವರ್ಷಗಳ ಸಮಯದೊಂದಿಗೆ) ಸೇರಿಸುವ ಮೂಲಕ, ಡೇಟಾದ ಆಯಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.ಹಿಂದಿನ ಅಧ್ಯಯನಗಳು ಸಮುದಾಯ ರಚನೆಯನ್ನು ಹೊಂದಿಸುವಲ್ಲಿ ತಮ್ಮ ಪ್ರಮುಖ ಪಾತ್ರವನ್ನು ತೋರಿಸಿದ ನಂತರ, ಇದು ಪೋಷಕಾಂಶದ ಹರಿವುಗಳಿಗೆ (ಸಾರಜನಕ, ಕಬ್ಬಿಣ, ಫಾಸ್ಫೇಟ್ ಮತ್ತು ಸಿಲಿಸಿಕ್ ಆಮ್ಲದ ಪೂರೈಕೆ) [ಉದಾ (20, 21)] ಮೇಲ್ಮೈ ಮೂಲ ಪದಗಳನ್ನು ಸಹ ಒಳಗೊಂಡಿದೆ.ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಸಂಕಲನವು ಸಮಸ್ಯೆಯನ್ನು 55 (51 ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಮತ್ತು 4 ಪೋಷಕಾಂಶದ ಹರಿವುಗಳು) ನಿಂದ 11 ಆಯಾಮಗಳಿಗೆ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.ಈ ಆರಂಭಿಕ ಅಧ್ಯಯನದಲ್ಲಿ, ಅಲ್ಗಾರಿದಮ್‌ನಿಂದ ವಿಧಿಸಲಾದ ಕಂಪ್ಯೂಟೇಶನಲ್ ನಿರ್ಬಂಧಗಳಿಂದಾಗಿ, ಆಳ ಮತ್ತು ಸಮಯದ ವ್ಯತ್ಯಾಸವನ್ನು ಪರಿಗಣಿಸಲಾಗಿಲ್ಲ.
SAGE ವಿಧಾನವು ರೇಖಾತ್ಮಕವಲ್ಲದ ಪ್ರಕ್ರಿಯೆಗಳ ನಡುವಿನ ಪ್ರಮುಖ ಸಂಬಂಧಗಳನ್ನು ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪಿನ ಜೀವರಾಶಿ ಮತ್ತು ಪೋಷಕಾಂಶದ ಹರಿವಿನ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳ ಪ್ರಮುಖ ಲಕ್ಷಣಗಳನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.ಯೂಕ್ಲಿಡಿಯನ್ ದೂರಶಿಕ್ಷಣ ವಿಧಾನಗಳ ಆಧಾರದ ಮೇಲೆ 11-ಆಯಾಮದ ಡೇಟಾವನ್ನು ಬಳಸುವುದರಿಂದ (ಕೆ-ಅಂದರೆ) ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಪುನರುತ್ಪಾದಿಸಬಹುದಾದ ಪ್ರಾಂತ್ಯಗಳನ್ನು ಪಡೆಯಲು ಸಾಧ್ಯವಿಲ್ಲ (19, 22).ಏಕೆಂದರೆ ಪರಿಸರ ಪ್ರಾಂತವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಪ್ರಮುಖ ಅಂಶಗಳ ಕೋವೇರಿಯನ್ಸ್‌ನ ಮೂಲ ವಿತರಣೆಯಲ್ಲಿ ಯಾವುದೇ ಗಾಸಿಯನ್ ಆಕಾರವು ಕಂಡುಬರುವುದಿಲ್ಲ.ವೊರೊನೊಯ್ ಕೋಶಗಳ K-ಅಂದರೆ (ನೇರ ರೇಖೆಗಳು) ಗೌಸಿಯನ್ ಅಲ್ಲದ ಮೂಲ ವಿತರಣೆಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ.
ಏಳು ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಜೀವರಾಶಿ ಮತ್ತು ನಾಲ್ಕು ಪೋಷಕಾಂಶಗಳ ಹರಿವುಗಳು 11 ಆಯಾಮದ ವೆಕ್ಟರ್ x ಅನ್ನು ರೂಪಿಸುತ್ತವೆ.ಆದ್ದರಿಂದ, x ಮಾದರಿ ಗ್ರಿಡ್‌ನಲ್ಲಿ ವೆಕ್ಟರ್ ಕ್ಷೇತ್ರವಾಗಿದೆ, ಅಲ್ಲಿ ಪ್ರತಿ ಅಂಶ xi ಮಾದರಿಯ ಸಮತಲ ಗ್ರಿಡ್‌ನಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ 11 ಆಯಾಮದ ವೆಕ್ಟರ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.ಪ್ರತಿಯೊಂದು ಸೂಚ್ಯಂಕ i ಗೋಳದ ಮೇಲೆ ಗ್ರಿಡ್ ಪಾಯಿಂಟ್ ಅನ್ನು ಅನನ್ಯವಾಗಿ ಗುರುತಿಸುತ್ತದೆ, ಅಲ್ಲಿ (ಲೋನ್, ಲ್ಯಾಟ್) = (ϕi, θi).ಮಾದರಿ ಗ್ರಿಡ್ ಘಟಕದ ಜೀವರಾಶಿಯು 1.2×10-3mg Chl/m3 ಗಿಂತ ಕಡಿಮೆಯಿದ್ದರೆ ಅಥವಾ ಐಸ್ ಕವರೇಜ್ ದರವು 70% ಮೀರಿದರೆ, ಜೀವರಾಶಿ ಡೇಟಾದ ಲಾಗ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು ತಿರಸ್ಕರಿಸಲಾಗುತ್ತದೆ.ಡೇಟಾವನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ರಮಾಣೀಕರಿಸಲಾಗಿದೆ, ಆದ್ದರಿಂದ ಎಲ್ಲಾ ಡೇಟಾವು [0 ರಿಂದ 1] ವ್ಯಾಪ್ತಿಯಲ್ಲಿರುತ್ತದೆ, ಸರಾಸರಿಯನ್ನು ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ ಮತ್ತು ಘಟಕ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಅಳೆಯಲಾಗುತ್ತದೆ.ಸಂಭವನೀಯ ಮೌಲ್ಯಗಳ ಶ್ರೇಣಿಯಲ್ಲಿನ ವೈಲಕ್ಷಣ್ಯದಿಂದ ವೈಶಿಷ್ಟ್ಯಗಳು (ಜೀವರಾಶಿ ಮತ್ತು ಪೋಷಕಾಂಶದ ಹರಿವು) ಸೀಮಿತವಾಗಿರದಂತೆ ಇದನ್ನು ಮಾಡಲಾಗುತ್ತದೆ.ಕ್ಲಸ್ಟರಿಂಗ್ ಬದಲಾವಣೆಯ ಸಂಬಂಧವನ್ನು ಭೌಗೋಳಿಕ ಅಂತರಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ವೈಶಿಷ್ಟ್ಯಗಳ ನಡುವಿನ ಪ್ರಮುಖ ಸಂಭವನೀಯತೆಯ ಅಂತರದಿಂದ ಸೆರೆಹಿಡಿಯಬೇಕು.ಈ ಅಂತರಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವ ಮೂಲಕ, ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು ಹೊರಹೊಮ್ಮುತ್ತವೆ, ಆದರೆ ಅನಗತ್ಯ ವಿವರಗಳನ್ನು ತಿರಸ್ಕರಿಸಲಾಗುತ್ತದೆ.ಪರಿಸರ ವಿಜ್ಞಾನದ ದೃಷ್ಟಿಕೋನದಿಂದ, ಇದು ಅವಶ್ಯಕವಾಗಿದೆ ಏಕೆಂದರೆ ಕಡಿಮೆ ಜೀವರಾಶಿಯನ್ನು ಹೊಂದಿರುವ ಕೆಲವು ರೀತಿಯ ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್‌ಗಳು ಡಯಾಜೋಟ್ರೋಫಿಕ್ ಬ್ಯಾಕ್ಟೀರಿಯಾದಿಂದ ಸಾರಜನಕ ಸ್ಥಿರೀಕರಣದಂತಹ ಹೆಚ್ಚಿನ ಜೈವಿಕ ರಾಸಾಯನಿಕ ಪರಿಣಾಮಗಳನ್ನು ಹೊಂದಿರಬಹುದು.ಡೇಟಾವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವಾಗ ಮತ್ತು ಸಾಮಾನ್ಯಗೊಳಿಸುವಾಗ, ಈ ರೀತಿಯ ಕೋವೇರಿಯೇಟ್‌ಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಲಾಗುತ್ತದೆ.
ಕಡಿಮೆ ಆಯಾಮದ ಪ್ರಾತಿನಿಧ್ಯದಲ್ಲಿ ಹೆಚ್ಚಿನ ಆಯಾಮದ ಜಾಗದಲ್ಲಿ ವೈಶಿಷ್ಟ್ಯಗಳ ಸಾಮೀಪ್ಯವನ್ನು ಒತ್ತಿಹೇಳುವ ಮೂಲಕ, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಒಂದೇ ರೀತಿಯ ಪ್ರದೇಶಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಲು t-SNE ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ಆಳವಾದ ನರಮಂಡಲವನ್ನು ನಿರ್ಮಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಹಿಂದಿನ ಕೆಲಸವು ಟಿ-ಎಸ್‌ಎನ್‌ಇ ಅನ್ನು ಬಳಸಿತು, ಇದು ಪ್ರಮುಖ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುವಲ್ಲಿ ತನ್ನ ಕೌಶಲ್ಯವನ್ನು ಸಾಬೀತುಪಡಿಸಿತು (23).ಒಮ್ಮುಖವಲ್ಲದ ಪರಿಹಾರಗಳನ್ನು ತಪ್ಪಿಸುವಾಗ ವೈಶಿಷ್ಟ್ಯದ ಡೇಟಾದಲ್ಲಿ ದೃಢವಾದ ಕ್ಲಸ್ಟರಿಂಗ್ ಅನ್ನು ಗುರುತಿಸಲು ಇದು ಅವಶ್ಯಕ ಹಂತವಾಗಿದೆ (ಟಿಪ್ಪಣಿ S2).ಗಾಸ್ಸಿಯನ್ ಕರ್ನಲ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು, t-SNE ಪ್ರತಿ ಹೆಚ್ಚಿನ ಆಯಾಮದ ವಸ್ತುವನ್ನು 3D ಹಂತದ ಜಾಗದಲ್ಲಿ ಒಂದು ಬಿಂದುವಿಗೆ ಮ್ಯಾಪ್ ಮಾಡುವ ಮೂಲಕ ಡೇಟಾದ ಅಂಕಿಅಂಶಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸಂರಕ್ಷಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಹೆಚ್ಚಿನ ಮತ್ತು ಕಡಿಮೆ ದಿಕ್ಕುಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ವಸ್ತುಗಳ ಸಂಭವನೀಯತೆಯು ಹೆಚ್ಚಿನದಾಗಿರುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಆಯಾಮದ ಜಾಗ (24).N ಹೈ-ಡೈಮೆನ್ಷನಲ್ ಆಬ್ಜೆಕ್ಟ್‌ಗಳ x1,…,xN ಗಳ ಗುಂಪನ್ನು ನೀಡಿದರೆ, t-SNE ಅಲ್ಗಾರಿದಮ್ ಕುಲ್‌ಬ್ಯಾಕ್-ಲೀಬ್ಲರ್ (KL) ಡೈವರ್ಜೆನ್ಸ್ (25) ಅನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.KL ಡೈವರ್ಜೆನ್ಸ್ ಎನ್ನುವುದು ಸಂಭವನೀಯತೆಯ ವಿತರಣೆಯು ಎರಡನೇ ಉಲ್ಲೇಖದ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆಯಿಂದ ಎಷ್ಟು ವಿಭಿನ್ನವಾಗಿದೆ ಎಂಬುದರ ಅಳತೆಯಾಗಿದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಆಯಾಮದ ವೈಶಿಷ್ಟ್ಯಗಳ ಕಡಿಮೆ-ಆಯಾಮದ ಪ್ರಾತಿನಿಧ್ಯಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧದ ಸಾಧ್ಯತೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು.xiಯು N-ಆಯಾಮದ ಜಾಗದಲ್ಲಿ i-th ವಸ್ತುವಾಗಿದ್ದರೆ, xj N-ಆಯಾಮದ ಜಾಗದಲ್ಲಿ j-th ವಸ್ತುವಾಗಿದೆ, yi ಕಡಿಮೆ ಆಯಾಮದ ಜಾಗದಲ್ಲಿ i-th ವಸ್ತುವಾಗಿದೆ ಮತ್ತು yj ಕಡಿಮೆ-ಆಯಾಮದ ಜಾಗದಲ್ಲಿ j-th ವಸ್ತುವಾಗಿದೆ. -ಡೈಮೆನ್ಷನಲ್ ಸ್ಪೇಸ್, ​​ನಂತರ t -SNE ಹೋಲಿಕೆಯ ಸಂಭವನೀಯತೆಯನ್ನು ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2), ಮತ್ತು ಆಯಾಮದ ಕಡಿತ ಸೆಟ್‌ಗಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
11-ಆಯಾಮದ ಸಂಯೋಜನೆಯ ಜೀವರಾಶಿ ಮತ್ತು ಪೋಷಕಾಂಶದ ಹರಿವು ವೆಕ್ಟರ್‌ಗಳನ್ನು 3D ಗೆ ಕಡಿಮೆ ಮಾಡುವ ಪರಿಣಾಮವನ್ನು ಚಿತ್ರ 2A ವಿವರಿಸುತ್ತದೆ.t-SNE ಅನ್ನು ಅನ್ವಯಿಸುವ ಪ್ರೇರಣೆಯನ್ನು ಪ್ರಿನ್ಸಿಪಲ್ ಕಾಂಪೊನೆಂಟ್ ಅನಾಲಿಸಿಸ್ (PCA) ಯ ಪ್ರೇರಣೆಯೊಂದಿಗೆ ಹೋಲಿಸಬಹುದು, ಇದು ಡೇಟಾದ ಪ್ರದೇಶ/ಗುಣಲಕ್ಷಣವನ್ನು ಒತ್ತಿಹೇಳಲು ವ್ಯತ್ಯಾಸದ ಗುಣಲಕ್ಷಣವನ್ನು ಬಳಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಆಯಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.ಪರಿಸರ-ಸಚಿವಾಲಯಕ್ಕೆ ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಪುನರುತ್ಪಾದಕ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುವಲ್ಲಿ t-SNE ವಿಧಾನವು PCA ಗಿಂತ ಉತ್ತಮವಾಗಿದೆ ಎಂದು ಕಂಡುಬಂದಿದೆ (ನೋಟ್ S2 ನೋಡಿ).PCA ಯ ಆರ್ಥೋಗೋನಾಲಿಟಿ ಊಹೆಯು ಹೆಚ್ಚು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂವಾದಾತ್ಮಕ ವೈಶಿಷ್ಟ್ಯಗಳ ನಡುವಿನ ನಿರ್ಣಾಯಕ ಸಂವಹನಗಳನ್ನು ಗುರುತಿಸಲು ಸೂಕ್ತವಲ್ಲ, ಏಕೆಂದರೆ PCA ರೇಖೀಯ ಕೋವೇರಿಯನ್ಸ್ ರಚನೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ (26).ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು, ಲುಂಗಾ ಮತ್ತು ಇತರರು.(27) ಗಾಸಿಯನ್ ವಿತರಣೆಯಿಂದ ವಿಪಥಗೊಳ್ಳುವ ಸಂಕೀರ್ಣ ಮತ್ತು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸ್ಪೆಕ್ಟ್ರಲ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಲು SNE ವಿಧಾನವನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.
(A) ಮಾದರಿ ಪೋಷಕಾಂಶ ಪೂರೈಕೆ ದರ, ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಮತ್ತು ಝೂಪ್ಲ್ಯಾಂಕ್ಟನ್ ಫಂಕ್ಷನಲ್ ಗ್ರೂಪ್ ಬಯೋಮಾಸ್ ಅನ್ನು t-SNE ಅಲ್ಗಾರಿದಮ್‌ನಿಂದ ಚಿತ್ರಿಸಲಾಗಿದೆ ಮತ್ತು DBSCAN ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರಾಂತ್ಯದಿಂದ ಬಣ್ಣಿಸಲಾಗಿದೆ.ಪ್ರತಿ ಬಿಂದುವು ಹೆಚ್ಚಿನ ಆಯಾಮದ ಜಾಗದಲ್ಲಿ ಒಂದು ಬಿಂದುವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಚಿತ್ರ 6B ನಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ, ಹೆಚ್ಚಿನ ಅಂಕಗಳನ್ನು ಸೆರೆಹಿಡಿಯಲಾಗುತ್ತದೆ.ಶಾಫ್ಟ್‌ಗಳು "t-SNE" ಗಾತ್ರಗಳು 1, 2 ಮತ್ತು 3 ಅನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತವೆ. (B) ಮೂಲದ ಅಕ್ಷಾಂಶ-ರೇಖಾಂಶ ಗ್ರಿಡ್‌ನಲ್ಲಿ DBSCAN ಕಂಡುಹಿಡಿದ ಪ್ರಾಂತ್ಯದ ಭೌಗೋಳಿಕ ಪ್ರಕ್ಷೇಪಣ.ಬಣ್ಣವನ್ನು ಯಾವುದೇ ಬಣ್ಣವೆಂದು ಪರಿಗಣಿಸಬೇಕು, ಆದರೆ (A) ಗೆ ಅನುಗುಣವಾಗಿರಬೇಕು.
ಚಿತ್ರ 2A ಯಲ್ಲಿನ t-SNE ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್‌ನಲ್ಲಿರುವ ಬಿಂದುಗಳು ಕ್ರಮವಾಗಿ ಅಕ್ಷಾಂಶ ಮತ್ತು ರೇಖಾಂಶದೊಂದಿಗೆ ಸಂಬಂಧ ಹೊಂದಿವೆ.ಚಿತ್ರ 2A ಯಲ್ಲಿನ ಎರಡು ಬಿಂದುಗಳು ಒಂದಕ್ಕೊಂದು ಹತ್ತಿರದಲ್ಲಿದ್ದರೆ, ಅವುಗಳ ಜೀವರಾಶಿ ಮತ್ತು ಪೋಷಕಾಂಶಗಳ ಹರಿವುಗಳು ಒಂದೇ ಆಗಿರುವುದರಿಂದ ಭೌಗೋಳಿಕ ಸಾಮೀಪ್ಯದಿಂದಲ್ಲ.ಚಿತ್ರ 2A ಯಲ್ಲಿನ ಬಣ್ಣಗಳು DBSCAN ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಕಂಡುಹಿಡಿಯಲಾದ ಸಮೂಹಗಳಾಗಿವೆ (28).ದಟ್ಟವಾದ ಅವಲೋಕನಗಳಿಗಾಗಿ ಹುಡುಕುತ್ತಿರುವಾಗ, DBSCAN ಅಲ್ಗಾರಿದಮ್ ಬಿಂದುಗಳ ನಡುವಿನ 3D ಪ್ರಾತಿನಿಧ್ಯದಲ್ಲಿನ ಅಂತರವನ್ನು ಬಳಸುತ್ತದೆ (ϵ = 0.39; ಈ ಆಯ್ಕೆಯ ಬಗ್ಗೆ ಮಾಹಿತಿಗಾಗಿ, ಮೆಟೀರಿಯಲ್ಸ್ ಮತ್ತು ವಿಧಾನಗಳನ್ನು ನೋಡಿ), ಮತ್ತು ಕ್ಲಸ್ಟರ್ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ಒಂದೇ ರೀತಿಯ ಬಿಂದುಗಳ ಸಂಖ್ಯೆ ಅಗತ್ಯವಿದೆ (ಇಲ್ಲಿ 100 ಅಂಕಗಳು, ದಯವಿಟ್ಟು ಮೇಲೆ ನೋಡಿ).DBSCAN ವಿಧಾನವು ಕೆಳಗೆ ತೋರಿಸಿರುವಂತೆ ಡೇಟಾದಲ್ಲಿನ ಕ್ಲಸ್ಟರ್‌ಗಳ ಆಕಾರ ಅಥವಾ ಸಂಖ್ಯೆಯ ಬಗ್ಗೆ ಯಾವುದೇ ಊಹೆಗಳನ್ನು ಮಾಡುವುದಿಲ್ಲ:
3) ಅಂತರದೊಳಗೆ ಗುರುತಿಸಲಾದ ಎಲ್ಲಾ ಬಿಂದುಗಳಿಗೆ, ಕ್ಲಸ್ಟರ್ ಗಡಿಯನ್ನು ನಿರ್ಧರಿಸಲು ಹಂತ 2 ಅನ್ನು ಪುನರಾವರ್ತಿಸಿ.ಬಿಂದುಗಳ ಸಂಖ್ಯೆಯು ನಿಗದಿಪಡಿಸಿದ ಕನಿಷ್ಠ ಮೌಲ್ಯಕ್ಕಿಂತ ಹೆಚ್ಚಿದ್ದರೆ, ಅದನ್ನು ಕ್ಲಸ್ಟರ್ ಎಂದು ಗೊತ್ತುಪಡಿಸಲಾಗುತ್ತದೆ.
ಕನಿಷ್ಠ ಕ್ಲಸ್ಟರ್ ಸದಸ್ಯ ಮತ್ತು ದೂರ ϵ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಪೂರೈಸದ ಡೇಟಾವನ್ನು "ಶಬ್ದ" ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಬಣ್ಣವನ್ನು ನಿಯೋಜಿಸಲಾಗಿಲ್ಲ.DBSCAN ಕೆಟ್ಟ ಸಂದರ್ಭದಲ್ಲಿ O(n2) ಕಾರ್ಯಕ್ಷಮತೆಯೊಂದಿಗೆ ವೇಗವಾದ ಮತ್ತು ಸ್ಕೇಲೆಬಲ್ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ.ಪ್ರಸ್ತುತ ವಿಶ್ಲೇಷಣೆಗಾಗಿ, ಇದು ವಾಸ್ತವವಾಗಿ ಯಾದೃಚ್ಛಿಕವಲ್ಲ.ಕನಿಷ್ಠ ಸಂಖ್ಯೆಯ ಅಂಕಗಳನ್ನು ತಜ್ಞರ ಮೌಲ್ಯಮಾಪನದಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.ನಂತರದ ಅಂತರವನ್ನು ಸರಿಹೊಂದಿಸಿದ ನಂತರ, ಫಲಿತಾಂಶವು ≈±10 ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಸಾಕಷ್ಟು ಸ್ಥಿರವಾಗಿರುವುದಿಲ್ಲ.ಈ ದೂರವನ್ನು ಸಂಪರ್ಕ (ಚಿತ್ರ 6A) ಮತ್ತು ಸಾಗರ ವ್ಯಾಪ್ತಿಯ ಶೇಕಡಾವಾರು (ಚಿತ್ರ 6B) ಬಳಸಿ ಹೊಂದಿಸಲಾಗಿದೆ.ಸಂಪರ್ಕವನ್ನು ಕ್ಲಸ್ಟರ್‌ಗಳ ಸಂಯೋಜಿತ ಸಂಖ್ಯೆ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ ಮತ್ತು ಇದು ϵ ನಿಯತಾಂಕಕ್ಕೆ ಸಂವೇದನಾಶೀಲವಾಗಿರುತ್ತದೆ.ಕಡಿಮೆ ಸಂಪರ್ಕವು ಸಾಕಷ್ಟು ಹೊಂದಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಕೃತಕವಾಗಿ ಪ್ರದೇಶಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ.ಹೆಚ್ಚಿನ ಸಂಪರ್ಕವು ಅತಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ.ಹೆಚ್ಚಿನ ಕನಿಷ್ಠವನ್ನು ಬಳಸಲು ಊಹಿಸಬಹುದಾಗಿದೆ, ಆದರೆ ಕನಿಷ್ಠವು ca ಮೀರಿದರೆ, ವಿಶ್ವಾಸಾರ್ಹ ಪರಿಹಾರವನ್ನು ಸಾಧಿಸುವುದು ಅಸಾಧ್ಯ.135 (ಹೆಚ್ಚಿನ ವಿವರಗಳಿಗಾಗಿ, ಸಾಮಗ್ರಿಗಳು ಮತ್ತು ವಿಧಾನಗಳನ್ನು ನೋಡಿ).
ಚಿತ್ರ 2A ಯಲ್ಲಿ ಗುರುತಿಸಲಾದ 115 ಸಮೂಹಗಳು ಚಿತ್ರ 2B ನಲ್ಲಿ ಮತ್ತೆ ಭೂಮಿಯ ಮೇಲೆ ಪ್ರಕ್ಷೇಪಿಸಲಾಗಿದೆ.ಪ್ರತಿಯೊಂದು ಬಣ್ಣವು DBSCAN ಗುರುತಿಸಿದ ಜೈವಿಕ ಭೂರಾಸಾಯನಿಕ ಮತ್ತು ಪರಿಸರ ಅಂಶಗಳ ಸುಸಂಬದ್ಧ ಸಂಯೋಜನೆಗೆ ಅನುರೂಪವಾಗಿದೆ.ಸಮೂಹಗಳನ್ನು ನಿರ್ಧರಿಸಿದ ನಂತರ, ನಿರ್ದಿಷ್ಟ ಅಕ್ಷಾಂಶ ಮತ್ತು ರೇಖಾಂಶದೊಂದಿಗೆ ಚಿತ್ರ 2A ಯಲ್ಲಿನ ಪ್ರತಿ ಬಿಂದುವಿನ ಸಂಯೋಜನೆಯನ್ನು ಸಮೂಹಗಳನ್ನು ಭೌಗೋಳಿಕ ಪ್ರದೇಶಕ್ಕೆ ಹಿಂತಿರುಗಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.ಚಿತ್ರ 2B ಚಿತ್ರ 2A ಯಂತೆಯೇ ಅದೇ ಕ್ಲಸ್ಟರ್ ಬಣ್ಣಗಳೊಂದಿಗೆ ಇದನ್ನು ವಿವರಿಸುತ್ತದೆ.ಇದೇ ರೀತಿಯ ಬಣ್ಣಗಳನ್ನು ಪರಿಸರ ಹೋಲಿಕೆ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಬಾರದು, ಏಕೆಂದರೆ ಅಲ್ಗಾರಿದಮ್‌ನಿಂದ ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವ ಕ್ರಮದಿಂದ ಅವುಗಳನ್ನು ನಿಗದಿಪಡಿಸಲಾಗಿದೆ.
ಚಿತ್ರ 2B ಯಲ್ಲಿನ ಪ್ರದೇಶವು ಸಮುದ್ರದ ಭೌತಿಕ ಮತ್ತು/ಅಥವಾ ಜೈವಿಕ ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಸ್ಥಾಪಿತವಾದ ಪ್ರದೇಶಕ್ಕೆ ಗುಣಾತ್ಮಕವಾಗಿ ಹೋಲುತ್ತದೆ.ಉದಾಹರಣೆಗೆ, ದಕ್ಷಿಣ ಸಾಗರದಲ್ಲಿನ ಸಮೂಹಗಳು ವಲಯ-ಸಮ್ಮಿತೀಯವಾಗಿದ್ದು, ಒಲಿಗೋಟ್ರೋಫಿಕ್ ಸುಳಿಗಳು ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ತೀಕ್ಷ್ಣವಾದ ಪರಿವರ್ತನೆಯು ವ್ಯಾಪಾರ ಮಾರುತಗಳ ಪ್ರಭಾವವನ್ನು ಸೂಚಿಸುತ್ತದೆ.ಉದಾಹರಣೆಗೆ, ಸಮಭಾಜಕ ಪೆಸಿಫಿಕ್‌ನಲ್ಲಿ, ಏರಿಕೆಗೆ ಸಂಬಂಧಿಸಿದ ವಿವಿಧ ಪ್ರದೇಶಗಳು ಕಂಡುಬರುತ್ತವೆ.
ಪರಿಸರ-ಪ್ರಾಂತ್ಯದ ಪರಿಸರ ಪರಿಸರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿನ ಪರಿಸರ ವಿಜ್ಞಾನವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಬ್ರೇ-ಕರ್ಟಿಸ್ (BC) ವ್ಯತ್ಯಾಸ ಸೂಚ್ಯಂಕ (29) ನ ವ್ಯತ್ಯಾಸವನ್ನು ಬಳಸಲಾಯಿತು.BC ಸೂಚಕವು ಎರಡು ವಿಭಿನ್ನ ಸೈಟ್‌ಗಳ ನಡುವಿನ ಸಮುದಾಯ ರಚನೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಬಳಸಲಾಗುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ದತ್ತಾಂಶವಾಗಿದೆ.BC ಮಾಪನವು 51 ಜಾತಿಯ ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಮತ್ತು ಝೂಪ್ಲ್ಯಾಂಕ್ಟನ್ BCninj = 1-2CninjSni + Snj ನ ಜೀವರಾಶಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ
BCninj ಸಂಯೋಜನೆಯ ni ಮತ್ತು ಸಂಯೋಜನೆಯ nj ನಡುವಿನ ಸಾಮ್ಯತೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಅಲ್ಲಿ Cninj ಎಂಬುದು ni ಮತ್ತು nj ಎರಡೂ ಸಂಯೋಜನೆಗಳಲ್ಲಿ ಇರುವ ಒಂದೇ ರೀತಿಯ ಜೀವರಾಶಿಯ ಕನಿಷ್ಠ ಮೌಲ್ಯವಾಗಿದೆ, ಮತ್ತು Sni ni ಮತ್ತು Snj ಎರಡೂ ಸಂಯೋಜನೆಗಳಲ್ಲಿ ಇರುವ ಎಲ್ಲಾ ಜೀವರಾಶಿಗಳ ಮೊತ್ತವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.BC ವ್ಯತ್ಯಾಸವು ದೂರದ ಅಳತೆಗೆ ಹೋಲುತ್ತದೆ, ಆದರೆ ಯೂಕ್ಲಿಡಿಯನ್ ಅಲ್ಲದ ಜಾಗದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಇದು ಪರಿಸರ ದತ್ತಾಂಶ ಮತ್ತು ಅದರ ವ್ಯಾಖ್ಯಾನಕ್ಕೆ ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿದೆ.
ಚಿತ್ರ 2B ಯಲ್ಲಿ ಗುರುತಿಸಲಾದ ಪ್ರತಿಯೊಂದು ಕ್ಲಸ್ಟರ್‌ಗೆ, ಪ್ರಾಂತೀಯ ಮತ್ತು ಅಂತರ-ಪ್ರಾಂತೀಯ BC ಯ ಹೋಲಿಕೆಯನ್ನು ನಿರ್ಣಯಿಸಬಹುದು.ಪ್ರಾಂತ್ಯದೊಳಗಿನ BC ವ್ಯತ್ಯಾಸವು ಪ್ರಾಂತ್ಯದ ಸರಾಸರಿ ಮೌಲ್ಯ ಮತ್ತು ಪ್ರಾಂತ್ಯದಲ್ಲಿನ ಪ್ರತಿ ಬಿಂದುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಸೂಚಿಸುತ್ತದೆ.BC ಪ್ರಾಂತ್ಯಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಒಂದು ಪ್ರಾಂತ್ಯ ಮತ್ತು ಇತರ ಪ್ರಾಂತ್ಯಗಳ ನಡುವಿನ ಹೋಲಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.ಚಿತ್ರ 3A ಸಮ್ಮಿತೀಯ BC ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ತೋರಿಸುತ್ತದೆ (0, ಕಪ್ಪು: ಸಂಪೂರ್ಣವಾಗಿ ಅನುರೂಪವಾಗಿದೆ; 1, ಬಿಳಿ: ಸಂಪೂರ್ಣವಾಗಿ ಭಿನ್ನವಾಗಿದೆ).ಗ್ರಾಫ್‌ನಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಸಾಲು ಡೇಟಾದಲ್ಲಿ ಮಾದರಿಯನ್ನು ತೋರಿಸುತ್ತದೆ.ಪ್ರತಿ ಪ್ರಾಂತ್ಯಕ್ಕೆ ಚಿತ್ರ 3A ರಲ್ಲಿ BC ಯ ಫಲಿತಾಂಶಗಳ ಭೌಗೋಳಿಕ ಮಹತ್ವವನ್ನು ಚಿತ್ರ 3B ತೋರಿಸುತ್ತದೆ.ಕಡಿಮೆ-ಪೌಷ್ಟಿಕತೆ ಮತ್ತು ಕಡಿಮೆ-ಪೋಷಕಾಂಶದ ಪ್ರದೇಶದಲ್ಲಿನ ಪ್ರಾಂತ್ಯಕ್ಕೆ, ಸಮಭಾಜಕ ಮತ್ತು ಹಿಂದೂ ಮಹಾಸಾಗರದ ಸುತ್ತಲಿನ ದೊಡ್ಡ ಪ್ರದೇಶಗಳ ಸಮ್ಮಿತಿಯು ಮೂಲತಃ ಹೋಲುತ್ತದೆ ಎಂದು ಚಿತ್ರ 3B ತೋರಿಸುತ್ತದೆ, ಆದರೆ ಹೆಚ್ಚಿನ ಅಕ್ಷಾಂಶಗಳು ಮತ್ತು ಏರಿಳಿತದ ಪ್ರದೇಶಗಳು ಗಮನಾರ್ಹವಾಗಿ ವಿಭಿನ್ನವಾಗಿವೆ.
(A) ಜಾಗತಿಕ 20-ವರ್ಷಗಳ ಸರಾಸರಿ ಜಾಗತಿಕ ಮೇಲ್ಮೈ ಸರಾಸರಿ 51 ಪ್ಲ್ಯಾಂಕ್ಟನ್‌ನ ಆಧಾರದ ಮೇಲೆ ಪ್ರತಿ ಪ್ರಾಂತ್ಯಕ್ಕೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾದ BC ವ್ಯತ್ಯಾಸದ ಮಟ್ಟ.ಮೌಲ್ಯಗಳ ನಿರೀಕ್ಷಿತ ಸಮ್ಮಿತಿಯನ್ನು ಗಮನಿಸಿ.(ಬಿ) ಕಾಲಮ್‌ನ (ಅಥವಾ ಸಾಲು) ಪ್ರಾದೇಶಿಕ ಪ್ರಕ್ಷೇಪಣ.ಡಿಸ್ಟ್ರೋಫಿಕ್ ವಲಯದಲ್ಲಿರುವ ಪ್ರಾಂತ್ಯಕ್ಕೆ, BC ಹೋಲಿಕೆಯ ಅಳತೆಯ ಜಾಗತಿಕ ವಿತರಣೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಯಿತು ಮತ್ತು ಜಾಗತಿಕ 20-ವರ್ಷದ ಸರಾಸರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಯಿತು.ಕಪ್ಪು (BC = 0) ಎಂದರೆ ಅದೇ ಪ್ರದೇಶ, ಮತ್ತು ಬಿಳಿ (BC = 1) ಎಂದರೆ ಹೋಲಿಕೆಯಿಲ್ಲ.
ಚಿತ್ರ 4A ಚಿತ್ರ 2B ನಲ್ಲಿ ಪ್ರತಿ ಪ್ರಾಂತ್ಯದೊಳಗೆ BC ಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸುತ್ತದೆ.ಒಂದು ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ ಸರಾಸರಿ ಪ್ರದೇಶದ ಸರಾಸರಿ ಸಂಯೋಜನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು BC ಮತ್ತು ಪ್ರಾಂತ್ಯದ ಪ್ರತಿ ಗ್ರಿಡ್ ಪಾಯಿಂಟ್‌ನ ಸರಾಸರಿ ನಡುವಿನ ಅಸಮಾನತೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ, SAGE ವಿಧಾನವು ಪರಿಸರ ಹೋಲಿಕೆಯ ಪ್ರಕಾರದ ಆಧಾರದ ಮೇಲೆ 51 ಜಾತಿಗಳನ್ನು ಚೆನ್ನಾಗಿ ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಮಾದರಿ ಡೇಟಾ.ಎಲ್ಲಾ 51 ಪ್ರಕಾರಗಳ ಒಟ್ಟಾರೆ ಸರಾಸರಿ ಕ್ಲಸ್ಟರ್ BC ಅಸಮಾನತೆ 0.102± 0.0049 ಆಗಿದೆ.
(A, B, ಮತ್ತು D) ಪ್ರಾಂತ್ಯದೊಳಗಿನ BC ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿ ಗ್ರಿಡ್ ಪಾಯಿಂಟ್ ಸಮುದಾಯ ಮತ್ತು ಸರಾಸರಿ ಪ್ರಾಂತ್ಯದ ನಡುವಿನ ಸರಾಸರಿ BC ವ್ಯತ್ಯಾಸವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಸಂಕೀರ್ಣತೆ ಕಡಿಮೆಯಾಗುವುದಿಲ್ಲ.(2) ಜಾಗತಿಕ ಸರಾಸರಿ ಅಂತರ-ಪ್ರಾಂತೀಯ BC ವ್ಯತ್ಯಾಸವು 0.227±0.117 ಆಗಿದೆ.ಇದು ಈ ಕೆಲಸದಿಂದ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಪರಿಸರ ಪ್ರೇರಣೆ ಆಧಾರಿತ ವರ್ಗೀಕರಣದ ಮಾನದಂಡವಾಗಿದೆ [(C) ನಲ್ಲಿ ಹಸಿರು ರೇಖೆ].(C) ಸರಾಸರಿ ಅಂತರ್-ಪ್ರಾಂತೀಯ BC ವ್ಯತ್ಯಾಸ: ಕಪ್ಪು ರೇಖೆಯು ಹೆಚ್ಚುತ್ತಿರುವ ಸಂಕೀರ್ಣತೆಯೊಂದಿಗೆ ಅಂತರ್-ಪ್ರಾಂತೀಯ BC ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.2σ ಪರಿಸರ-ಪ್ರಾಂತ ಗುರುತಿಸುವ ಪ್ರಕ್ರಿಯೆಯ 10 ಪುನರಾವರ್ತನೆಗಳಿಂದ ಬಂದಿದೆ.DBSCAN ಕಂಡುಹಿಡಿದ ಪ್ರಾಂತ್ಯಗಳ ಒಟ್ಟು ಸಂಕೀರ್ಣತೆಗೆ, (A) ಪ್ರಾಂತ್ಯದಲ್ಲಿ BC ಅಸಮಾನತೆ 0.099 ಎಂದು ತೋರಿಸುತ್ತದೆ ಮತ್ತು (C) ಪ್ರಸ್ತಾಪಿಸಿದ ಸಂಕೀರ್ಣತೆಯ ವರ್ಗೀಕರಣವು 12 ಆಗಿದೆ, ಇದರ ಪರಿಣಾಮವಾಗಿ ಪ್ರಾಂತ್ಯದಲ್ಲಿ 0.200 BC ಅಸಮಾನತೆ ಉಂಟಾಗುತ್ತದೆ.ಚಿತ್ರ ತೋರಿಸಿದಂತೆ.(ಡಿ)
ಚಿತ್ರ 4B ಯಲ್ಲಿ, ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಪ್ರಾಂತ್ಯದಲ್ಲಿ ಸಮಾನವಾದ BC ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿನಿಧಿಸಲು 51 ಪ್ಲ್ಯಾಂಕ್ಟನ್ ವಿಧಗಳ ಜೀವರಾಶಿಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.ಪ್ರತಿ ಪ್ರಾಂತ್ಯದ ಒಟ್ಟಾರೆ ಸರಾಸರಿಯು 0.227 ಆಗಿದೆ, ಮತ್ತು BC ಪ್ರಾಂತ್ಯದಲ್ಲಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಉಲ್ಲೇಖಿಸಿ ಗ್ರಿಡ್ ಪಾಯಿಂಟ್‌ಗಳ ಪ್ರಮಾಣಿತ ವಿಚಲನವು 0.046 ಆಗಿದೆ.ಇದು ಚಿತ್ರ 1B ಯಲ್ಲಿ ಗುರುತಿಸಲಾದ ಕ್ಲಸ್ಟರ್‌ಗಿಂತ ದೊಡ್ಡದಾಗಿದೆ.ಬದಲಾಗಿ, ಏಳು ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಮೊತ್ತವನ್ನು ಬಳಸಿಕೊಂಡು, ಲಾಂಗ್‌ಹರ್ಸ್ಟ್‌ನಲ್ಲಿ ಸರಾಸರಿ ಇಂಟ್ರಾ-ಸೀಸನ್ BC ಅಸಮಾನತೆಯು 0.232 ಕ್ಕೆ ಏರಿತು.
ಜಾಗತಿಕ ಪರಿಸರ-ಪ್ರಾಂತ್ಯ ನಕ್ಷೆಯು ವಿಶಿಷ್ಟವಾದ ಪರಿಸರ ಸಂವಹನಗಳ ಸಂಕೀರ್ಣ ವಿವರಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಪ್ರಾಂತ್ಯದ ಸಂಪೂರ್ಣ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ರಚನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಸುಧಾರಣೆಗಳನ್ನು ಮಾಡಲಾಗಿದೆ.ಪರಿಸರ ಸಚಿವಾಲಯವು ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ಪ್ರಕ್ರಿಯೆಯ ಒಳನೋಟವನ್ನು ಒದಗಿಸುವ ನಿರೀಕ್ಷೆಯಿದೆ ಮತ್ತು ಈ ಒಳನೋಟವು ಕ್ಷೇತ್ರ ಕಾರ್ಯದ ಅನ್ವೇಷಣೆಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.ಈ ಸಂಶೋಧನೆಯ ಉದ್ದೇಶಕ್ಕಾಗಿ, ನೂರಕ್ಕೂ ಹೆಚ್ಚು ಪ್ರಾಂತ್ಯಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಪ್ರದರ್ಶಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.ಮುಂದಿನ ವಿಭಾಗವು ಪ್ರಾಂತ್ಯಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸುವ SAGE ವಿಧಾನವನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ.
ಪ್ರಾಂತ್ಯದ ಸ್ಥಳ ಮತ್ತು ನಿರ್ವಹಣೆಯ ತಿಳುವಳಿಕೆಯನ್ನು ಉತ್ತೇಜಿಸುವುದು ಪ್ರಾಂತ್ಯದ ಉದ್ದೇಶಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.ತುರ್ತು ಪರಿಸ್ಥಿತಿಗಳನ್ನು ನಿರ್ಧರಿಸಲು, ಚಿತ್ರ 1B ಯಲ್ಲಿನ ವಿಧಾನವು ಪರಿಸರಶಾಸ್ತ್ರೀಯವಾಗಿ ಒಂದೇ ರೀತಿಯ ಪ್ರಾಂತ್ಯಗಳ ಗೂಡುಕಟ್ಟುವಿಕೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ.ಪರಿಸರ ಸಮಾನತೆಯ ಆಧಾರದ ಮೇಲೆ ಪರಿಸರ-ಪ್ರಾಂತ್ಯಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅಂತಹ ಪ್ರಾಂತ್ಯಗಳ ಗುಂಪನ್ನು AEP ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.ಪರಿಗಣಿಸಬೇಕಾದ ಒಟ್ಟು ಪ್ರಾಂತ್ಯಗಳ ಸಂಖ್ಯೆಯನ್ನು ಆಧರಿಸಿ ಹೊಂದಾಣಿಕೆ ಮಾಡಬಹುದಾದ "ಸಂಕೀರ್ಣತೆ" ಅನ್ನು ಹೊಂದಿಸಿ."ಸಂಕೀರ್ಣತೆ" ಎಂಬ ಪದವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ ಏಕೆಂದರೆ ಇದು ತುರ್ತು ಗುಣಲಕ್ಷಣಗಳ ಮಟ್ಟವನ್ನು ಸರಿಹೊಂದಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.ಅರ್ಥಪೂರ್ಣವಾದ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು, ಲಾಂಗ್‌ಹರ್ಸ್ಟ್‌ನಿಂದ ಸರಾಸರಿ 0.227 ರ ಪ್ರಾಂತೀಯ BC ವ್ಯತ್ಯಾಸವನ್ನು ಮಾನದಂಡವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.ಈ ಮಾನದಂಡದ ಕೆಳಗೆ, ಸಂಯೋಜಿತ ಪ್ರಾಂತ್ಯಗಳನ್ನು ಇನ್ನು ಮುಂದೆ ಉಪಯುಕ್ತವೆಂದು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ.
ಚಿತ್ರ 3B ಯಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ, ಜಾಗತಿಕ ಪರಿಸರ ಪ್ರಾಂತಗಳು ಸುಸಂಬದ್ಧವಾಗಿವೆ.ಅಂತರ-ಪ್ರಾಂತೀಯ BC ವ್ಯತ್ಯಾಸಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ಕೆಲವು ಸಂರಚನೆಗಳು ತುಂಬಾ "ಸಾಮಾನ್ಯ" ಎಂದು ನೋಡಬಹುದು.ಜೆನೆಟಿಕ್ಸ್ ಮತ್ತು ಗ್ರಾಫ್ ಥಿಯರಿ ವಿಧಾನಗಳಿಂದ ಸ್ಫೂರ್ತಿ ಪಡೆದ, "ಸಂಪರ್ಕಿತ ಗ್ರಾಫ್‌ಗಳು"> 100 ಪ್ರಾಂತ್ಯಗಳನ್ನು ಅವುಗಳಿಗೆ ಹೋಲುವ ಪ್ರಾಂತ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ವಿಂಗಡಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.ಇಲ್ಲಿ "ಸಂಪರ್ಕ" ಮೆಟ್ರಿಕ್ ಅನ್ನು ಅಂತರ-ಪ್ರಾಂತೀಯ BC ಅಸಮಾನತೆಯನ್ನು (30) ಬಳಸಿಕೊಂಡು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.100 ಪ್ರಾಂತ್ಯಗಳ ವರ್ಗೀಕರಣಕ್ಕೆ ಹೆಚ್ಚಿನ ಸ್ಥಳಾವಕಾಶವಿರುವ ಪ್ರಾಂತ್ಯಗಳ ಸಂಖ್ಯೆಯನ್ನು ಸಂಕೀರ್ಣತೆ ಎಂದು ಇಲ್ಲಿ ಉಲ್ಲೇಖಿಸಬಹುದು.AEP ಎಂಬುದು 100 ಕ್ಕೂ ಹೆಚ್ಚು ಪ್ರಾಂತ್ಯಗಳನ್ನು ಅತ್ಯಂತ ಪ್ರಬಲ/ಹತ್ತಿರದ ಪರಿಸರ ಪ್ರಾಂತಗಳೆಂದು ವರ್ಗೀಕರಿಸುವ ಒಂದು ಉತ್ಪನ್ನವಾಗಿದೆ.ಪ್ರತಿಯೊಂದು ಪರಿಸರ ಪ್ರಾಂತವನ್ನು ಪ್ರಾಬಲ್ಯ/ಹೆಚ್ಚು ಸಂಪರ್ಕ ಹೊಂದಿರುವ ಪರಿಸರ ಪ್ರಾಂತಕ್ಕೆ ನಿಯೋಜಿಸಲಾಗಿದೆ ಅದು ಅವರಿಗೆ ಹೆಚ್ಚು ಹೋಲುತ್ತದೆ.BC ವ್ಯತ್ಯಾಸದಿಂದ ನಿರ್ಧರಿಸಲ್ಪಟ್ಟ ಈ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯು ಜಾಗತಿಕ ಪರಿಸರ ವಿಜ್ಞಾನಕ್ಕೆ ನೆಸ್ಟೆಡ್ ವಿಧಾನವನ್ನು ಅನುಮತಿಸುತ್ತದೆ.
ಆಯ್ದ ಸಂಕೀರ್ಣತೆಯು 1 ರಿಂದ FIG ನ ಸಂಪೂರ್ಣ ಸಂಕೀರ್ಣತೆಯವರೆಗೆ ಯಾವುದೇ ಮೌಲ್ಯವಾಗಿರಬಹುದು.2A.ಕಡಿಮೆ ಸಂಕೀರ್ಣತೆಯಲ್ಲಿ, ಸಂಭವನೀಯ ಆಯಾಮದ ಕಡಿತ ಹಂತ (t-SNE) ಕಾರಣದಿಂದಾಗಿ AEP ಕ್ಷೀಣಿಸಬಹುದು.ಅವನತಿ ಎಂದರೆ ಪರಿಸರ ಪ್ರಾಂತಗಳನ್ನು ಪುನರಾವರ್ತನೆಗಳ ನಡುವೆ ವಿಭಿನ್ನ AEP ಗಳಿಗೆ ನಿಯೋಜಿಸಬಹುದು, ಇದರಿಂದಾಗಿ ಭೌಗೋಳಿಕ ಪ್ರದೇಶವನ್ನು ಬದಲಾಯಿಸಬಹುದು.10 ಅಳವಡಿಕೆಗಳಾದ್ಯಂತ ಹೆಚ್ಚುತ್ತಿರುವ ಸಂಕೀರ್ಣತೆಯ AEP ಗಳಲ್ಲಿ ಪ್ರಾಂತಗಳೊಳಗೆ BC ಅಸಮಾನತೆಗಳ ಹರಡುವಿಕೆಯನ್ನು ಚಿತ್ರ 4C ವಿವರಿಸುತ್ತದೆ (ಚಿತ್ರ 1B ನಲ್ಲಿನ ವಿವರಣೆ).ಚಿತ್ರ 4C ನಲ್ಲಿ, 2σ (ನೀಲಿ ಪ್ರದೇಶ) 10 ಅನುಷ್ಠಾನಗಳಲ್ಲಿ ಅವನತಿಯ ಅಳತೆಯಾಗಿದೆ ಮತ್ತು ಹಸಿರು ರೇಖೆಯು ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಮಾನದಂಡವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.12 ರ ಸಂಕೀರ್ಣತೆಯು ಎಲ್ಲಾ ಅನುಷ್ಠಾನಗಳಲ್ಲಿ ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಮಾನದಂಡಕ್ಕಿಂತ ಕೆಳಗಿನ ಪ್ರಾಂತ್ಯದಲ್ಲಿ BC ವ್ಯತ್ಯಾಸವನ್ನು ಇರಿಸುತ್ತದೆ ಮತ್ತು ತುಲನಾತ್ಮಕವಾಗಿ ಸಣ್ಣ 2σ ಅವನತಿಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ಸತ್ಯಗಳು ಸಾಬೀತುಪಡಿಸಿವೆ.ಸಾರಾಂಶದಲ್ಲಿ, ಕನಿಷ್ಠ ಶಿಫಾರಸು ಮಾಡಲಾದ ಸಂಕೀರ್ಣತೆ 12 AEP ಗಳು, ಮತ್ತು 51 ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಪ್ರಕಾರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾದ ಸರಾಸರಿ ಇಂಟ್ರಾ-ಪ್ರಾಂತ್ಯ BC ವ್ಯತ್ಯಾಸವು ಚಿತ್ರ 4D ಯಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ 0.198± 0.013 ಆಗಿದೆ.ಏಳು ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಮೊತ್ತವನ್ನು ಬಳಸಿಕೊಂಡು, ಪ್ರಾಂತ್ಯದೊಳಗೆ ಸರಾಸರಿ BC ವ್ಯತ್ಯಾಸವು 0.198±0.004 ಬದಲಿಗೆ 2σ ಆಗಿದೆ.ಏಳು ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಒಟ್ಟು ಜೀವರಾಶಿ ಅಥವಾ ಎಲ್ಲಾ 51 ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಪ್ರಕಾರಗಳ ಜೀವರಾಶಿಯೊಂದಿಗೆ ಲೆಕ್ಕಹಾಕಿದ BC ವ್ಯತ್ಯಾಸಗಳ ನಡುವಿನ ಹೋಲಿಕೆಯು SAGE ವಿಧಾನವು 51-ಆಯಾಮದ ಪರಿಸ್ಥಿತಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆಯಾದರೂ, ಇದು ಏಳು ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಒಟ್ಟು ಜೀವರಾಶಿಗೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ತರಬೇತಿಗಾಗಿ.
ಯಾವುದೇ ಸಂಶೋಧನೆಯ ಉದ್ದೇಶವನ್ನು ಅವಲಂಬಿಸಿ, ಸಂಕೀರ್ಣತೆಯ ವಿವಿಧ ಹಂತಗಳನ್ನು ಪರಿಗಣಿಸಬಹುದು.ಪ್ರಾದೇಶಿಕ ಅಧ್ಯಯನಗಳಿಗೆ ಸಂಪೂರ್ಣ ಸಂಕೀರ್ಣತೆಯ ಅಗತ್ಯವಿರಬಹುದು (ಅಂದರೆ, ಎಲ್ಲಾ 115 ಪ್ರಾಂತ್ಯಗಳು).ಉದಾಹರಣೆಯಾಗಿ ಮತ್ತು ಸ್ಪಷ್ಟತೆಗಾಗಿ, 12 ರ ಕನಿಷ್ಠ ಶಿಫಾರಸು ಸಂಕೀರ್ಣತೆಯನ್ನು ಪರಿಗಣಿಸಿ.
SAGE ವಿಧಾನದ ಉಪಯುಕ್ತತೆಯ ಉದಾಹರಣೆಯಾಗಿ, ತುರ್ತು ಸಮುದಾಯ ರಚನೆಯ ನಿಯಂತ್ರಣವನ್ನು ಅನ್ವೇಷಿಸಲು 12 AEP ಗಳನ್ನು ಕನಿಷ್ಠ 12 ಸಂಕೀರ್ಣತೆಯೊಂದಿಗೆ ಬಳಸಲಾಗುತ್ತದೆ.ಚಿತ್ರ 5 ಎಇಪಿಯಿಂದ ಗುಂಪು ಮಾಡಲಾದ ಪರಿಸರದ ಒಳನೋಟಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ (A ನಿಂದ L ವರೆಗೆ): ರೆಡ್‌ಫೀಲ್ಡ್ ಸ್ಟೊಯಿಕಿಯೊಮೆಟ್ರಿಯಲ್ಲಿ, ಭೌಗೋಳಿಕ ವ್ಯಾಪ್ತಿ (ಚಿತ್ರ 5C), ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪಿನ ಜೀವರಾಶಿ ಸಂಯೋಜನೆ (ಚಿತ್ರ 5A) ಮತ್ತು ಪೋಷಕಾಂಶ ಪೂರೈಕೆ (ಚಿತ್ರ 5B) ಅನ್ನು N ಝೂಮ್ಡ್ ನಿರ್ವಹಿಸುತ್ತದೆ.ಅನುಪಾತವನ್ನು (N:Si:P:Fe, 1:1:16:16×103) ತೋರಿಸಲಾಗಿದೆ.ನಂತರದ ಫಲಕಕ್ಕೆ, P ಅನ್ನು 16 ರಿಂದ ಗುಣಿಸಿದಾಗ ಮತ್ತು Fe ಅನ್ನು 16×103 ರಿಂದ ಗುಣಿಸಿದಾಗ, ಬಾರ್ ಗ್ರಾಫ್ ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್‌ನ ಪೌಷ್ಟಿಕಾಂಶದ ಅವಶ್ಯಕತೆಗಳಿಗೆ ಸಮನಾಗಿರುತ್ತದೆ.
ಪ್ರಾಂತ್ಯಗಳನ್ನು 12 AEP ಗಳಿಗೆ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ A ನಿಂದ L. (A) ಜೀವರಾಶಿ (mgC/m3) ಪರಿಸರ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ 12 ಪ್ರಾಂತ್ಯಗಳಲ್ಲಿ.(B) ಕರಗಿದ ಅಜೈವಿಕ ಸಾರಜನಕ (N), ಕಬ್ಬಿಣ (Fe), ಫಾಸ್ಫೇಟ್ (P) ಮತ್ತು ಸಿಲಿಸಿಕ್ ಆಮ್ಲ (Si) (ವರ್ಷಕ್ಕೆ mmol/m3) ನ ಪೋಷಕಾಂಶದ ಹರಿವಿನ ಪ್ರಮಾಣ.Fe ಮತ್ತು P ಅನ್ನು ಅನುಕ್ರಮವಾಗಿ 16 ಮತ್ತು 16×103 ರಿಂದ ಗುಣಿಸಲಾಗುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಪಟ್ಟಿಗಳು ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಸ್ಟೊಚಿಯೋಮೆಟ್ರಿ ಅಗತ್ಯತೆಗಳಿಗೆ ಪ್ರಮಾಣೀಕರಿಸಲ್ಪಡುತ್ತವೆ.(C) ಧ್ರುವ ಪ್ರದೇಶಗಳು, ಉಪೋಷ್ಣವಲಯದ ಚಂಡಮಾರುತಗಳು ಮತ್ತು ಪ್ರಮುಖ ಕಾಲೋಚಿತ/ಏರುತ್ತಿರುವ ಪ್ರದೇಶಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗಮನಿಸಿ.ಮೇಲ್ವಿಚಾರಣಾ ಕೇಂದ್ರಗಳನ್ನು ಈ ಕೆಳಗಿನಂತೆ ಗುರುತಿಸಲಾಗಿದೆ: 1, ಆಸನಗಳು;2, ಅಲೋಹಾ;3, ಸ್ಟೇಷನ್ ಪಿ;ಮತ್ತು 4, BATS.
ಗುರುತಿಸಲಾದ AEP ವಿಶಿಷ್ಟವಾಗಿದೆ.ಅಟ್ಲಾಂಟಿಕ್ ಮತ್ತು ಪೆಸಿಫಿಕ್ ಸಾಗರಗಳಲ್ಲಿ ಸಮಭಾಜಕದ ಸುತ್ತ ಕೆಲವು ಸಮ್ಮಿತಿ ಇದೆ ಮತ್ತು ಹಿಂದೂ ಮಹಾಸಾಗರದಲ್ಲಿ ಇದೇ ರೀತಿಯ ಆದರೆ ವಿಸ್ತರಿಸಿದ ಪ್ರದೇಶವು ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ.ಕೆಲವು AEP ಗಳು ಆರೋಹಣಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಖಂಡದ ಪಶ್ಚಿಮ ಭಾಗವನ್ನು ಸ್ವೀಕರಿಸುತ್ತವೆ.ದಕ್ಷಿಣ ಧ್ರುವ ವೃತ್ತಾಕಾರದ ಪ್ರವಾಹವನ್ನು ದೊಡ್ಡ ವಲಯ ಲಕ್ಷಣವೆಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.ಉಪೋಷ್ಣವಲಯದ ಚಂಡಮಾರುತವು ಆಲಿಗೋಟ್ರೋಫಿಕ್ AEP ಯ ಸಂಕೀರ್ಣ ಸರಣಿಯಾಗಿದೆ.ಈ ಪ್ರಾಂತ್ಯಗಳಲ್ಲಿ, ಪ್ಲಾಂಕ್ಟನ್-ಪ್ರಾಬಲ್ಯದ ಆಲಿಗೋಟ್ರೋಫಿಕ್ ಸುಳಿಗಳು ಮತ್ತು ಡಯಾಟಮ್-ಸಮೃದ್ಧ ಧ್ರುವ ಪ್ರದೇಶಗಳ ನಡುವಿನ ಜೀವರಾಶಿ ವ್ಯತ್ಯಾಸಗಳ ಪರಿಚಿತ ಮಾದರಿಯು ಸ್ಪಷ್ಟವಾಗಿದೆ.
ಒಂದೇ ರೀತಿಯ ಒಟ್ಟು ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಜೀವರಾಶಿಯನ್ನು ಹೊಂದಿರುವ AEP ಗಳು ವಿಭಿನ್ನವಾದ ಸಮುದಾಯ ರಚನೆಗಳನ್ನು ಹೊಂದಬಹುದು ಮತ್ತು D, H ಮತ್ತು K ನಂತಹ ವಿಭಿನ್ನ ಭೌಗೋಳಿಕ ಪ್ರದೇಶಗಳನ್ನು ಒಳಗೊಳ್ಳಬಹುದು, ಅವುಗಳು ಒಂದೇ ರೀತಿಯ ಒಟ್ಟು ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಜೀವರಾಶಿಯನ್ನು ಹೊಂದಿರುತ್ತವೆ.AEP H ಮುಖ್ಯವಾಗಿ ಸಮಭಾಜಕ ಹಿಂದೂ ಮಹಾಸಾಗರದಲ್ಲಿ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ ಮತ್ತು ಹೆಚ್ಚು ಡಯಾಜೋಟ್ರೋಫಿಕ್ ಬ್ಯಾಕ್ಟೀರಿಯಾಗಳಿವೆ.AEP D ಹಲವಾರು ಜಲಾನಯನ ಪ್ರದೇಶಗಳಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ, ಆದರೆ ಇದು ನಿರ್ದಿಷ್ಟವಾಗಿ ಪೆಸಿಫಿಕ್‌ನಲ್ಲಿ ಸಮಭಾಜಕ ಏರಿಳಿತದ ಸುತ್ತ ಹೆಚ್ಚಿನ ಇಳುವರಿ ಪ್ರದೇಶಗಳ ಸುತ್ತಲೂ ಪ್ರಮುಖವಾಗಿದೆ.ಈ ಪೆಸಿಫಿಕ್ ಪ್ರಾಂತ್ಯದ ಆಕಾರವು ಗ್ರಹಗಳ ತರಂಗ ರೈಲನ್ನು ನೆನಪಿಸುತ್ತದೆ.AEP D ಯಲ್ಲಿ ಕೆಲವು ಡಯಾಜೋಬ್ಯಾಕ್ಟೀರಿಯಾಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ ಶಂಕುಗಳು ಇವೆ.ಇತರ ಎರಡು ಪ್ರಾಂತ್ಯಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, AEP K ಆರ್ಕ್ಟಿಕ್ ಮಹಾಸಾಗರದ ಎತ್ತರದ ಪ್ರದೇಶಗಳಲ್ಲಿ ಮಾತ್ರ ಕಂಡುಬರುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚು ಡಯಾಟಮ್ಗಳು ಮತ್ತು ಕಡಿಮೆ ಪ್ಲ್ಯಾಂಕ್ಟನ್ಗಳು ಇವೆ.ಈ ಮೂರು ಪ್ರದೇಶಗಳಲ್ಲಿ ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಪ್ರಮಾಣವು ತುಂಬಾ ವಿಭಿನ್ನವಾಗಿದೆ ಎಂದು ಗಮನಿಸಬೇಕಾದ ಅಂಶವಾಗಿದೆ.ಅವುಗಳಲ್ಲಿ, AEP K ಯ ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಸಮೃದ್ಧಿಯು ತುಲನಾತ್ಮಕವಾಗಿ ಕಡಿಮೆಯಾಗಿದೆ, ಆದರೆ AEP D ಮತ್ತು H ತುಲನಾತ್ಮಕವಾಗಿ ಹೆಚ್ಚು.ಆದ್ದರಿಂದ, ಅವುಗಳ ಜೀವರಾಶಿಗಳ ಹೊರತಾಗಿಯೂ (ಮತ್ತು ಆದ್ದರಿಂದ Chl-a ಗೆ ಹೋಲುತ್ತದೆ), ಈ ಪ್ರಾಂತ್ಯಗಳು ವಿಭಿನ್ನವಾಗಿವೆ: Chl-ಆಧಾರಿತ ಪ್ರಾಂತ್ಯದ ಪರೀಕ್ಷೆಯು ಈ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಸೆರೆಹಿಡಿಯದಿರಬಹುದು.
ವಿಭಿನ್ನ ಜೀವರಾಶಿಗಳನ್ನು ಹೊಂದಿರುವ ಕೆಲವು AEP ಗಳು ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಸಮುದಾಯ ರಚನೆಯ ವಿಷಯದಲ್ಲಿ ಹೋಲುತ್ತವೆ ಎಂಬುದು ಸಹ ಸ್ಪಷ್ಟವಾಗಿದೆ.ಉದಾಹರಣೆಗೆ, ಇದು AEP D ಮತ್ತು E ನಲ್ಲಿ ಗೋಚರಿಸುತ್ತದೆ. ಅವುಗಳು ಪರಸ್ಪರ ಹತ್ತಿರದಲ್ಲಿವೆ ಮತ್ತು ಪೆಸಿಫಿಕ್ ಸಾಗರದಲ್ಲಿ AEP E ಹೆಚ್ಚು ಉತ್ಪಾದಕ AEPJ ಗೆ ಹತ್ತಿರದಲ್ಲಿದೆ.ಅಂತೆಯೇ, ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಜೀವರಾಶಿ ಮತ್ತು ಝೂಪ್ಲಾಂಕ್ಟನ್ ಸಮೃದ್ಧಿಯ ನಡುವೆ ಸ್ಪಷ್ಟವಾದ ಸಂಬಂಧವಿಲ್ಲ.
AEP ಅನ್ನು ಅವರಿಗೆ ಒದಗಿಸಲಾದ ಪೋಷಕಾಂಶಗಳ ಪರಿಭಾಷೆಯಲ್ಲಿ ಅರ್ಥೈಸಿಕೊಳ್ಳಬಹುದು (ಚಿತ್ರ 5B).ಸಿಲಿಸಿಕ್ ಆಮ್ಲದ ಸಾಕಷ್ಟು ಪೂರೈಕೆ ಇರುವಲ್ಲಿ ಮಾತ್ರ ಡಯಾಟಮ್‌ಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುತ್ತವೆ.ಸಾಮಾನ್ಯವಾಗಿ, ಸಿಲಿಸಿಕ್ ಆಮ್ಲದ ಹೆಚ್ಚಿನ ಪೂರೈಕೆಯು ಡಯಾಟಮ್‌ಗಳ ಜೀವರಾಶಿಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.ಡಯಾಟಮ್‌ಗಳನ್ನು AEP A, J, K ಮತ್ತು L ನಲ್ಲಿ ಕಾಣಬಹುದು. ಇತರ ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್‌ಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಡಯಾಟಮ್ ಬಯೋಮಾಸ್‌ನ ಅನುಪಾತವನ್ನು ಡಯಾಟಮ್ ಬೇಡಿಕೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಒದಗಿಸಲಾದ N, P ಮತ್ತು Fe ನಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.ಉದಾಹರಣೆಗೆ, AEP L ಡಯಾಟಮ್‌ಗಳಿಂದ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿದೆ.ಇತರ ಪೋಷಕಾಂಶಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, Si ಹೆಚ್ಚಿನ ಪೂರೈಕೆಯನ್ನು ಹೊಂದಿದೆ.ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ಹೆಚ್ಚಿನ ಉತ್ಪಾದಕತೆಯ ಹೊರತಾಗಿಯೂ, AEP J ಕಡಿಮೆ ಡಯಾಟಮ್‌ಗಳನ್ನು ಮತ್ತು ಕಡಿಮೆ ಸಿಲಿಕಾನ್ ಪೂರೈಕೆಯನ್ನು ಹೊಂದಿದೆ (ಎಲ್ಲಾ ಮತ್ತು ಇತರ ಪೋಷಕಾಂಶಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ).
ಡೈಜೋನಿಯಮ್ ಬ್ಯಾಕ್ಟೀರಿಯಾವು ಸಾರಜನಕವನ್ನು ಸರಿಪಡಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ, ಆದರೆ ನಿಧಾನವಾಗಿ ಬೆಳೆಯುತ್ತದೆ (31).ಅವು ಇತರ ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್‌ಗಳೊಂದಿಗೆ ಸಹಬಾಳ್ವೆ ನಡೆಸುತ್ತವೆ, ಅಲ್ಲಿ ಕಬ್ಬಿಣ ಮತ್ತು ರಂಜಕವು ಡೈಯಾಜೋನಿಯಮ್ ಅಲ್ಲದ ಪೋಷಕಾಂಶಗಳ ಬೇಡಿಕೆಗೆ ಹೋಲಿಸಿದರೆ ಅಧಿಕವಾಗಿರುತ್ತದೆ (20, 21).ಡಯಾಜೋಟ್ರೋಫಿಕ್ ಜೀವರಾಶಿಯು ತುಲನಾತ್ಮಕವಾಗಿ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ ಮತ್ತು N ಪೂರೈಕೆಗೆ ಹೋಲಿಸಿದರೆ Fe ಮತ್ತು P ಯ ಪೂರೈಕೆಯು ತುಲನಾತ್ಮಕವಾಗಿ ದೊಡ್ಡದಾಗಿದೆ ಎಂದು ಗಮನಿಸಬೇಕಾದ ಅಂಶವಾಗಿದೆ. ಈ ರೀತಿಯಾಗಿ, AEP J ನಲ್ಲಿನ ಒಟ್ಟು ಜೀವರಾಶಿಯು ಹೆಚ್ಚಿದ್ದರೂ, AEP H ನಲ್ಲಿನ ಡೈಜೋನಿಯಮ್ ಜೀವರಾಶಿ J ಗಿಂತ ದೊಡ್ಡದಾಗಿದೆ. AEP J ಮತ್ತು H ಭೌಗೋಳಿಕವಾಗಿ ವಿಭಿನ್ನವಾಗಿವೆ ಮತ್ತು H ಸಮಭಾಜಕ ಹಿಂದೂ ಮಹಾಸಾಗರದಲ್ಲಿದೆ ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ.
ಅನನ್ಯ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ರಚನೆಯನ್ನು ಪ್ರಾಂತ್ಯಗಳಾಗಿ ವಿಂಗಡಿಸದಿದ್ದರೆ, 12 AEP ಯ ಕಡಿಮೆ ಸಂಕೀರ್ಣತೆಯ ಮಾದರಿಗಳಿಂದ ಪಡೆದ ಒಳನೋಟಗಳು ಅಷ್ಟು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ.SAGE ನಿಂದ ರಚಿಸಲಾದ AEP ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಮಾದರಿಗಳಿಂದ ಸಂಕೀರ್ಣ ಮತ್ತು ಹೆಚ್ಚಿನ ಆಯಾಮದ ಮಾಹಿತಿಯ ಸುಸಂಬದ್ಧ ಮತ್ತು ಏಕಕಾಲಿಕ ಹೋಲಿಕೆಯನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ.ಹೆಚ್ಚಿನ ಪೋಷಕಾಂಶಗಳ ಮಟ್ಟದಲ್ಲಿ ಸಮುದಾಯ ರಚನೆ ಅಥವಾ ಝೂಪ್ಲಾಂಕ್ಟನ್ ಸಮೃದ್ಧಿಯನ್ನು ನಿರ್ಧರಿಸಲು Chl ಏಕೆ ಉತ್ತಮ ಮತ್ತು ಪರ್ಯಾಯ ವಿಧಾನವಲ್ಲ ಎಂಬುದನ್ನು AEP ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಒತ್ತಿಹೇಳುತ್ತದೆ.ನಡೆಯುತ್ತಿರುವ ಸಂಶೋಧನಾ ವಿಷಯಗಳ ವಿವರವಾದ ವಿಶ್ಲೇಷಣೆ ಈ ಲೇಖನದ ವ್ಯಾಪ್ತಿಯನ್ನು ಮೀರಿದೆ.SAGE ವಿಧಾನವು ಮಾದರಿಯಲ್ಲಿ ಇತರ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಒಂದು ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದು ಪಾಯಿಂಟ್-ಟು-ಪಾಯಿಂಟ್ ವೀಕ್ಷಣೆಗಿಂತ ನಿರ್ವಹಿಸಲು ಸುಲಭವಾಗಿದೆ.
ಜಾಗತಿಕ ಭೌತಿಕ/ಜೈವಿಕ ರಾಸಾಯನಿಕ/ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿಗಳಿಂದ ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ಪರಿಸರ ದತ್ತಾಂಶವನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಲು ಸಹಾಯ ಮಾಡಲು SAGE ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ.ಕ್ರಾಸ್-ಪ್ಲಾಂಕ್ಟನ್ ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಒಟ್ಟು ಜೀವರಾಶಿ, t-SNE ಸಂಭವನೀಯತೆಯ ಆಯಾಮ ಕಡಿತ ಅಲ್ಗಾರಿದಮ್ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ML ವಿಧಾನ DBSCAN ಅನ್ನು ಬಳಸಿಕೊಂಡು ಕ್ಲಸ್ಟರಿಂಗ್ ಮೂಲಕ ಪರಿಸರ ಪ್ರಾಂತ್ಯವನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.ಗೂಡುಕಟ್ಟುವ ವಿಧಾನಕ್ಕಾಗಿ ಅಂತರ-ಪ್ರಾಂತೀಯ BC ವ್ಯತ್ಯಾಸ/ಗ್ರಾಫ್ ಸಿದ್ಧಾಂತವನ್ನು ಜಾಗತಿಕ ವ್ಯಾಖ್ಯಾನಕ್ಕಾಗಿ ಬಳಸಬಹುದಾದ ದೃಢವಾದ AEP ಅನ್ನು ಪಡೆಯಲು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ.ನಿರ್ಮಾಣದ ವಿಷಯದಲ್ಲಿ, ಪರಿಸರ-ಪ್ರಾಂತ ಮತ್ತು AEP ವಿಶಿಷ್ಟವಾಗಿದೆ.AEP ಗೂಡುಕಟ್ಟುವಿಕೆಯನ್ನು ಮೂಲ ಪರಿಸರ ಪ್ರಾಂತ್ಯದ ಸಂಪೂರ್ಣ ಸಂಕೀರ್ಣತೆ ಮತ್ತು 12 AEP ಗಳ ಶಿಫಾರಸು ಮಾಡಲಾದ ಕನಿಷ್ಠ ಮಿತಿ ನಡುವೆ ಸರಿಹೊಂದಿಸಬಹುದು.ಗೂಡುಕಟ್ಟುವ ಮತ್ತು AEP ಯ ಕನಿಷ್ಠ ಸಂಕೀರ್ಣತೆಯನ್ನು ನಿರ್ಧರಿಸುವುದು ಪ್ರಮುಖ ಹಂತಗಳೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಸಂಭವನೀಯತೆ t-SNE <12 ಸಂಕೀರ್ಣತೆಯ AEP ಗಳನ್ನು ಕ್ಷೀಣಿಸುತ್ತದೆ.SAGE ವಿಧಾನವು ಜಾಗತಿಕವಾಗಿದೆ ಮತ್ತು ಅದರ ಸಂಕೀರ್ಣತೆಯು> 100 AEP ಗಳಿಂದ 12 ವರೆಗೆ ಇರುತ್ತದೆ. ಸರಳತೆಗಾಗಿ, ಪ್ರಸ್ತುತ ಗಮನವು 12 ಜಾಗತಿಕ AEP ಗಳ ಸಂಕೀರ್ಣತೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ.ಭವಿಷ್ಯದ ಸಂಶೋಧನೆಗಳು, ವಿಶೇಷವಾಗಿ ಪ್ರಾದೇಶಿಕ ಅಧ್ಯಯನಗಳು, ಜಾಗತಿಕ ಪರಿಸರ-ಪ್ರಾಂತ್ಯಗಳ ಸಣ್ಣ ಪ್ರಾದೇಶಿಕ ಉಪವಿಭಾಗವನ್ನು ಉಪಯುಕ್ತವೆಂದು ಕಂಡುಕೊಳ್ಳಬಹುದು ಮತ್ತು ಇಲ್ಲಿ ಚರ್ಚಿಸಲಾದ ಅದೇ ಪರಿಸರ ವಿಜ್ಞಾನದ ಒಳನೋಟಗಳ ಲಾಭವನ್ನು ಪಡೆಯಲು ಸಣ್ಣ ಪ್ರದೇಶದಲ್ಲಿ ಒಟ್ಟುಗೂಡಿಸಬಹುದು.ಈ ಪರಿಸರ ಪ್ರಾಂತಗಳು ಮತ್ತು ಅವುಗಳಿಂದ ಪಡೆದ ಒಳನೋಟಗಳನ್ನು ಮತ್ತಷ್ಟು ಪರಿಸರ ತಿಳುವಳಿಕೆಗಾಗಿ ಹೇಗೆ ಬಳಸಬಹುದು, ಮಾದರಿ ಹೋಲಿಕೆಯನ್ನು ಸುಗಮಗೊಳಿಸಬಹುದು ಮತ್ತು ಸಮುದ್ರ ಪರಿಸರ ವ್ಯವಸ್ಥೆಗಳ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಸಮರ್ಥವಾಗಿ ಸುಧಾರಿಸಬಹುದು ಎಂಬುದರ ಕುರಿತು ಇದು ಸಲಹೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
SAGE ವಿಧಾನದಿಂದ ಗುರುತಿಸಲಾದ ಪರಿಸರ ಪ್ರಾಂತ್ಯ ಮತ್ತು AEP ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿಯಲ್ಲಿನ ಡೇಟಾವನ್ನು ಆಧರಿಸಿವೆ.ವ್ಯಾಖ್ಯಾನದ ಪ್ರಕಾರ, ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿಯು ಸರಳೀಕೃತ ರಚನೆಯಾಗಿದ್ದು, ಗುರಿ ವ್ಯವಸ್ಥೆಯ ಮೂಲತತ್ವವನ್ನು ಸೆರೆಹಿಡಿಯಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ ಮತ್ತು ವಿಭಿನ್ನ ಮಾದರಿಗಳು ಪ್ಲ್ಯಾಂಕ್ಟನ್ನ ವಿಭಿನ್ನ ವಿತರಣೆಯನ್ನು ಹೊಂದಿರುತ್ತವೆ.ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿಯು ಕೆಲವು ಗಮನಿಸಿದ ಮಾದರಿಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಸೆರೆಹಿಡಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ (ಉದಾಹರಣೆಗೆ, ಸಮಭಾಜಕ ಪ್ರದೇಶ ಮತ್ತು ದಕ್ಷಿಣ ಸಾಗರದ Chl ಅಂದಾಜುಗಳಲ್ಲಿ).ನೈಜ ಸಾಗರದಲ್ಲಿನ ವೈವಿಧ್ಯತೆಯ ಒಂದು ಸಣ್ಣ ಭಾಗವನ್ನು ಮಾತ್ರ ಸೆರೆಹಿಡಿಯಲಾಗುತ್ತದೆ ಮತ್ತು ಮೆಸೊ ಮತ್ತು ಉಪ-ಮೆಸೊಸ್ಕೇಲ್‌ಗಳನ್ನು ಪರಿಹರಿಸಲಾಗುವುದಿಲ್ಲ, ಇದು ಪೋಷಕಾಂಶದ ಹರಿವು ಮತ್ತು ಸಣ್ಣ-ಪ್ರಮಾಣದ ಸಮುದಾಯ ರಚನೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದು.ಈ ನ್ಯೂನತೆಗಳ ಹೊರತಾಗಿಯೂ, ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವಲ್ಲಿ AEP ತುಂಬಾ ಉಪಯುಕ್ತವಾಗಿದೆ ಎಂದು ಅದು ತಿರುಗುತ್ತದೆ.ಒಂದೇ ರೀತಿಯ ಪರಿಸರ ಪ್ರಾಂತಗಳು ಎಲ್ಲಿ ಕಂಡುಬರುತ್ತವೆ ಎಂಬುದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮೂಲಕ, AEP ಸಂಭಾವ್ಯ ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿ ಹೋಲಿಕೆ ಸಾಧನವನ್ನು ಒದಗಿಸುತ್ತದೆ.ಪ್ರಸ್ತುತ ಸಂಖ್ಯಾತ್ಮಕ ಮಾದರಿಯು ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ Chl-ಎ ಸಾಂದ್ರತೆಯ ಒಟ್ಟಾರೆ ಮಾದರಿಯನ್ನು ಮತ್ತು ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಗಾತ್ರ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪಿನ ವಿತರಣೆಯನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ (ಸೂಚನೆ S1 ಮತ್ತು ಚಿತ್ರ S1) (2, 32).
0.1 mgChl-a/m-3 ಬಾಹ್ಯರೇಖೆಯ ರೇಖೆಯಿಂದ ತೋರಿಸಿರುವಂತೆ, AEP ಅನ್ನು ಒಲಿಗೋಟ್ರೋಫಿಕ್ ಪ್ರದೇಶ ಮತ್ತು ಮೆಸೊಟ್ರೊಫಿಕ್ ಪ್ರದೇಶವಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ (ಚಿತ್ರ S1B): AEP B, C, D, E, F ಮತ್ತು G ಗಳು ಆಲಿಗೋಟ್ರೋಫಿಕ್ ಪ್ರದೇಶಗಳು, ಮತ್ತು ಉಳಿದ ಪ್ರದೇಶಗಳು ಹೈಯರ್ Chl-a ಇದೆ.AEP ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಪ್ರಾಂತ್ಯದೊಂದಿಗೆ ಕೆಲವು ಪತ್ರವ್ಯವಹಾರಗಳನ್ನು ತೋರಿಸುತ್ತದೆ (ಚಿತ್ರ S3A), ಉದಾಹರಣೆಗೆ, ದಕ್ಷಿಣ ಸಾಗರ ಮತ್ತು ಸಮಭಾಜಕ ಪೆಸಿಫಿಕ್.ಕೆಲವು ಪ್ರದೇಶಗಳಲ್ಲಿ, AEP ಬಹು ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಪ್ರದೇಶಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಪ್ರತಿಯಾಗಿ.ಈ ಪ್ರದೇಶ ಮತ್ತು ಲಾಂಗ್‌ಹರ್ಸ್ಟ್‌ನಲ್ಲಿ ಪ್ರಾಂತ್ಯಗಳನ್ನು ಡಿಲಿಮಿಟ್ ಮಾಡುವ ಉದ್ದೇಶವು ವಿಭಿನ್ನವಾಗಿರುವುದರಿಂದ, ವ್ಯತ್ಯಾಸಗಳಿರಬಹುದು ಎಂದು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ.ಲಾಂಗ್‌ಹರ್ಸ್ಟ್ ಪ್ರಾಂತ್ಯದಲ್ಲಿನ ಬಹು AEP ಗಳು ಒಂದೇ ರೀತಿಯ ಜೈವಿಕ ಭೂರಸಾಯನಶಾಸ್ತ್ರವನ್ನು ಹೊಂದಿರುವ ಕೆಲವು ಪ್ರದೇಶಗಳು ವಿಭಿನ್ನ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ರಚನೆಗಳನ್ನು ಹೊಂದಿರಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತವೆ.AEP ಭೌತಿಕ ಸ್ಥಿತಿಗಳೊಂದಿಗೆ ಒಂದು ನಿರ್ದಿಷ್ಟ ಪತ್ರವ್ಯವಹಾರವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ಕಲಿಕೆಯನ್ನು (19) ಬಳಸಿಕೊಂಡು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಹೆಚ್ಚಿನ ಉನ್ನತ ಸ್ಥಿತಿಗಳಲ್ಲಿ (ಉದಾಹರಣೆಗೆ, ದಕ್ಷಿಣ ಸಾಗರ ಮತ್ತು ಸಮಭಾಜಕ ಪೆಸಿಫಿಕ್; ಚಿತ್ರ S3, C ಮತ್ತು D).ಈ ಪತ್ರವ್ಯವಹಾರಗಳು ಪ್ಲ್ಯಾಂಕ್ಟನ್‌ನ ಸಮುದಾಯ ರಚನೆಯು ಸಮುದ್ರದ ಡೈನಾಮಿಕ್ಸ್‌ನಿಂದ ಬಲವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.ಉತ್ತರ ಅಟ್ಲಾಂಟಿಕ್‌ನಂತಹ ಪ್ರದೇಶಗಳಲ್ಲಿ, AEP ಭೌತಿಕ ಪ್ರಾಂತ್ಯಗಳನ್ನು ದಾಟುತ್ತದೆ.ಈ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಉಂಟುಮಾಡುವ ಕಾರ್ಯವಿಧಾನವು ಧೂಳಿನ ಸಾಗಣೆಯಂತಹ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು, ಇದು ಒಂದೇ ರೀತಿಯ ಭೌತಿಕ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿಯೂ ಸಹ ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನ ಪೌಷ್ಟಿಕಾಂಶದ ಕಾರ್ಯಕ್ರಮಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.
ಸಮುದ್ರ ಪರಿಸರ ಸಮುದಾಯವು ಈಗಾಗಲೇ ಅರಿತುಕೊಂಡಿರುವಂತೆ Chl ಅನ್ನು ಮಾತ್ರ ಬಳಸುವುದರಿಂದ ಪರಿಸರ ಘಟಕಗಳನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂದು ಪರಿಸರ ಸಚಿವಾಲಯ ಮತ್ತು AEP ಗಮನಸೆಳೆದಿದೆ.ಇದು ಒಂದೇ ರೀತಿಯ ಜೀವರಾಶಿಯೊಂದಿಗೆ AEP ಗಳಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ ಆದರೆ ಗಮನಾರ್ಹವಾಗಿ ವಿಭಿನ್ನವಾದ ಪರಿಸರ ಸಂಯೋಜನೆ (ಉದಾಹರಣೆಗೆ D ಮತ್ತು E).ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, D ಮತ್ತು K ಯಂತಹ AEP ಗಳು ವಿಭಿನ್ನ ಜೀವರಾಶಿಗಳನ್ನು ಹೊಂದಿವೆ ಆದರೆ ಒಂದೇ ರೀತಿಯ ಪರಿಸರ ಸಂಯೋಜನೆಯನ್ನು ಹೊಂದಿವೆ.AEP ಜೀವರಾಶಿ, ಪರಿಸರ ಸಂಯೋಜನೆ ಮತ್ತು ಝೂಪ್ಲ್ಯಾಂಕ್ಟನ್ ಸಮೃದ್ಧಿಯ ನಡುವಿನ ಸಂಬಂಧವು ಸಂಕೀರ್ಣವಾಗಿದೆ ಎಂದು ಒತ್ತಿಹೇಳುತ್ತದೆ.ಉದಾಹರಣೆಗೆ, AEP J ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಮತ್ತು ಪ್ಲಾಂಕ್ಟನ್ ಜೀವರಾಶಿಗಳ ವಿಷಯದಲ್ಲಿ ಎದ್ದುಕಾಣುತ್ತದೆಯಾದರೂ, AEP ಯ A ಮತ್ತು L ಒಂದೇ ರೀತಿಯ ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಜೀವರಾಶಿಯನ್ನು ಹೊಂದಿವೆ, ಆದರೆ A ಹೆಚ್ಚಿನ ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಸಮೃದ್ಧಿಯನ್ನು ಹೊಂದಿದೆ.ಝೂಪ್ಲಾಂಕ್ಟನ್ ಜೀವರಾಶಿಯನ್ನು ಊಹಿಸಲು ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಬಯೋಮಾಸ್ (ಅಥವಾ Chl) ಅನ್ನು ಬಳಸಲಾಗುವುದಿಲ್ಲ ಎಂದು AEP ಒತ್ತಿಹೇಳುತ್ತದೆ.ಝೂಪ್ಲಾಂಕ್ಟನ್ ಮೀನುಗಾರಿಕೆ ಆಹಾರ ಸರಪಳಿಯ ಅಡಿಪಾಯವಾಗಿದೆ ಮತ್ತು ಹೆಚ್ಚು ನಿಖರವಾದ ಅಂದಾಜುಗಳು ಉತ್ತಮ ಸಂಪನ್ಮೂಲ ನಿರ್ವಹಣೆಗೆ ಕಾರಣವಾಗಬಹುದು.ಭವಿಷ್ಯದ ಸಮುದ್ರ ಬಣ್ಣದ ಉಪಗ್ರಹಗಳು [ಉದಾಹರಣೆಗೆ, PACE (ಪ್ಲಾಂಕ್ಟನ್, ಏರೋಸಾಲ್, ಕ್ಲೌಡ್ ಮತ್ತು ಸಾಗರ ಪರಿಸರ ವ್ಯವಸ್ಥೆ)] ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್‌ನ ಸಮುದಾಯ ರಚನೆಯನ್ನು ಅಂದಾಜು ಮಾಡಲು ಸಹಾಯ ಮಾಡಲು ಉತ್ತಮ ಸ್ಥಾನದಲ್ಲಿರಬಹುದು.AEP ಭವಿಷ್ಯವನ್ನು ಬಳಸುವುದರಿಂದ ಬಾಹ್ಯಾಕಾಶದಿಂದ ಝೂಪ್ಲಾಂಕ್ಟನ್‌ನ ಅಂದಾಜನ್ನು ಸಮರ್ಥವಾಗಿ ಸುಗಮಗೊಳಿಸಬಹುದು.SAGE ನಂತಹ ವಿಧಾನಗಳು, ಹೊಸ ತಂತ್ರಜ್ಞಾನಗಳೊಂದಿಗೆ ಸೇರಿಕೊಂಡು, ಮತ್ತು ನೆಲದ ಸತ್ಯ ಸಮೀಕ್ಷೆಗಳಿಗೆ (ತಾರಾ ಮತ್ತು ಅನುಸರಣಾ ಸಂಶೋಧನೆಯಂತಹ) ಲಭ್ಯವಿರುವ ಹೆಚ್ಚಿನ ಕ್ಷೇತ್ರ ಡೇಟಾವು ಜಂಟಿಯಾಗಿ ಉಪಗ್ರಹ-ಆಧಾರಿತ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಆರೋಗ್ಯ ಮೇಲ್ವಿಚಾರಣೆಯತ್ತ ಹೆಜ್ಜೆ ಹಾಕಬಹುದು.
ಜೀವರಾಶಿ/Chl, ನಿವ್ವಳ ಪ್ರಾಥಮಿಕ ಉತ್ಪಾದನೆ ಮತ್ತು ಸಮುದಾಯ ರಚನೆಯಂತಹ ಪ್ರಾಂತ್ಯದ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿಯಂತ್ರಿಸುವ ಕೆಲವು ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು SAGE ವಿಧಾನವು ಅನುಕೂಲಕರ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತದೆ.ಉದಾಹರಣೆಗೆ, ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಸ್ಟೊಚಿಯೊಮೆಟ್ರಿಕ್ ಅವಶ್ಯಕತೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ Si, N, P, ಮತ್ತು Fe ಪೂರೈಕೆಯಲ್ಲಿನ ಅಸಮತೋಲನದಿಂದ ಡಯಾಟಮ್‌ಗಳ ಸಾಪೇಕ್ಷ ಪ್ರಮಾಣವನ್ನು ಹೊಂದಿಸಲಾಗಿದೆ.ಸಮತೋಲಿತ ಪೂರೈಕೆ ದರದಲ್ಲಿ, ಸಮುದಾಯವು ಡಯಾಟಮ್‌ಗಳಿಂದ (L) ಪ್ರಾಬಲ್ಯ ಹೊಂದಿದೆ.ಪೂರೈಕೆ ದರವು ಅಸಮತೋಲನಗೊಂಡಾಗ (ಅಂದರೆ, ಸಿಲಿಕಾನ್ ಪೂರೈಕೆಯು ಡಯಾಟಮ್‌ಗಳ ಪೋಷಕಾಂಶದ ಬೇಡಿಕೆಗಿಂತ ಕಡಿಮೆಯಿರುತ್ತದೆ), ಡಯಾಟಮ್‌ಗಳು ಕೇವಲ ಒಂದು ಸಣ್ಣ ಭಾಗದ ಹಂಚಿಕೆ (ಕೆ) ಯನ್ನು ಹೊಂದಿರುತ್ತವೆ.Fe ಮತ್ತು P ನ ಪೂರೈಕೆಯು N ನ ಪೂರೈಕೆಯನ್ನು ಮೀರಿದಾಗ (ಉದಾಹರಣೆಗೆ, E ಮತ್ತು H), ಡಯಾಜೋಟ್ರೋಫಿಕ್ ಬ್ಯಾಕ್ಟೀರಿಯಾವು ಬಲವಾಗಿ ಬೆಳೆಯುತ್ತದೆ.AEP ಒದಗಿಸಿದ ಸಂದರ್ಭದ ಮೂಲಕ, ನಿಯಂತ್ರಣ ಕಾರ್ಯವಿಧಾನಗಳ ಪರಿಶೋಧನೆಯು ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗುತ್ತದೆ.
ಪರಿಸರ-ಪ್ರಾಂತ ಮತ್ತು AEP ಒಂದೇ ರೀತಿಯ ಸಮುದಾಯ ರಚನೆಗಳನ್ನು ಹೊಂದಿರುವ ಪ್ರದೇಶಗಳಾಗಿವೆ.ಪರಿಸರ ಪ್ರಾಂತ್ಯ ಅಥವಾ AEP ಯೊಳಗಿನ ಒಂದು ನಿರ್ದಿಷ್ಟ ಸ್ಥಳದಿಂದ ಸಮಯದ ಸರಣಿಯನ್ನು ಉಲ್ಲೇಖ ಬಿಂದು ಎಂದು ಪರಿಗಣಿಸಬಹುದು ಮತ್ತು ಪರಿಸರ ಪ್ರಾಂತ್ಯ ಅಥವಾ AEP ಯಿಂದ ಆವರಿಸಲ್ಪಟ್ಟ ಪ್ರದೇಶವನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು.ದೀರ್ಘಾವಧಿಯ ಆನ್-ಸೈಟ್ ಮಾನಿಟರಿಂಗ್ ಸ್ಟೇಷನ್‌ಗಳು ಅಂತಹ ಸಮಯದ ಸರಣಿಯನ್ನು ಒದಗಿಸುತ್ತವೆ.ದೀರ್ಘಾವಧಿಯ ಇನ್-ಸಿಟು ಡೇಟಾ ಸೆಟ್‌ಗಳು ಲೆಕ್ಕಿಸಲಾಗದ ಪಾತ್ರವನ್ನು ನಿರ್ವಹಿಸುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತವೆ.ಸಮುದಾಯ ರಚನೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ದೃಷ್ಟಿಕೋನದಿಂದ, SAGE ವಿಧಾನವನ್ನು ಹೊಸ ಸೈಟ್‌ಗಳ ಅತ್ಯಂತ ಉಪಯುಕ್ತ ಸ್ಥಳವನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮಾರ್ಗವಾಗಿ ಕಾಣಬಹುದು.ಉದಾಹರಣೆಗೆ, ದೀರ್ಘಾವಧಿಯ ಆಲಿಗೋಟ್ರೋಫಿಕ್ ಆವಾಸಸ್ಥಾನ ಮೌಲ್ಯಮಾಪನದಿಂದ (ALOHA) ಸಮಯ ಸರಣಿಯು ಆಲಿಗೋಟ್ರೋಫಿಕ್ ಪ್ರದೇಶದ AEP B ನಲ್ಲಿದೆ (ಚಿತ್ರ 5C, ಲೇಬಲ್ 2).ALOHA ಮತ್ತೊಂದು AEP ಯ ಗಡಿಗೆ ಸಮೀಪದಲ್ಲಿರುವ ಕಾರಣ, ಈ ಹಿಂದೆ ಸೂಚಿಸಿದಂತೆ ಸಮಯ ಸರಣಿಯು ಸಂಪೂರ್ಣ ಪ್ರದೇಶವನ್ನು ಪ್ರತಿನಿಧಿಸದೇ ಇರಬಹುದು (33).ಅದೇ AEP B ನಲ್ಲಿ, ಸಮಯ ಸರಣಿ SEATS (ಆಗ್ನೇಯ ಏಷ್ಯಾದ ಸಮಯದ ಸರಣಿ) ನೈಋತ್ಯ ತೈವಾನ್‌ನಲ್ಲಿದೆ (34), ಇತರ AEP ಗಳ ಗಡಿಯಿಂದ ದೂರದಲ್ಲಿದೆ (ಚಿತ್ರ 5C, ಲೇಬಲ್ 1), ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಉತ್ತಮ ಸ್ಥಳವಾಗಿ ಬಳಸಬಹುದು AEPB.AEPC ಯಲ್ಲಿನ BATS (ಬರ್ಮುಡಾ ಅಟ್ಲಾಂಟಿಕ್ ಟೈಮ್ ಸೀರೀಸ್ ಸ್ಟಡಿ) ಸಮಯ ಸರಣಿ (ಚಿತ್ರ 5C, ಲೇಬಲ್ 4) AEP C ಮತ್ತು F ನಡುವಿನ ಗಡಿಗೆ ಬಹಳ ಹತ್ತಿರದಲ್ಲಿದೆ, ಇದು BATS ಸಮಯ ಸರಣಿಯನ್ನು ಬಳಸಿಕೊಂಡು AEP C ಅನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು ನೇರವಾಗಿ ಸಮಸ್ಯಾತ್ಮಕವಾಗಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ.AEP J ನಲ್ಲಿ ಸ್ಟೇಷನ್ P (ಚಿತ್ರ 5C, ಲೇಬಲ್ 3) AEP ಗಡಿಯಿಂದ ದೂರದಲ್ಲಿದೆ, ಆದ್ದರಿಂದ ಇದು ಹೆಚ್ಚು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.ಪರಿಸರ-ಪ್ರಾಂತ ಮತ್ತು AEP ಜಾಗತಿಕ ಬದಲಾವಣೆಗಳನ್ನು ನಿರ್ಣಯಿಸಲು ಸೂಕ್ತವಾದ ಮೇಲ್ವಿಚಾರಣಾ ಚೌಕಟ್ಟನ್ನು ಸ್ಥಾಪಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಏಕೆಂದರೆ ಆನ್-ಸೈಟ್ ಮಾದರಿಯು ಎಲ್ಲಿ ಪ್ರಮುಖ ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಣಯಿಸಲು ಪ್ರಾಂತ್ಯಗಳ ಅನುಮತಿ.ಸಮಯ ಉಳಿಸುವ ವ್ಯತ್ಯಾಸವನ್ನು ನಿರ್ಣಯಿಸಲು ಹವಾಮಾನ ದತ್ತಾಂಶಕ್ಕೆ ಅನ್ವಯಿಸಲು SAGE ವಿಧಾನವನ್ನು ಇನ್ನಷ್ಟು ಅಭಿವೃದ್ಧಿಪಡಿಸಬಹುದು.
SAGE ವಿಧಾನದ ಯಶಸ್ಸನ್ನು ದತ್ತಾಂಶ ವಿಜ್ಞಾನ/ML ವಿಧಾನಗಳು ಮತ್ತು ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ಜ್ಞಾನದ ಎಚ್ಚರಿಕೆಯಿಂದ ಅನ್ವಯಿಸುವ ಮೂಲಕ ಸಾಧಿಸಲಾಗುತ್ತದೆ.ನಿರ್ದಿಷ್ಟವಾಗಿ, t-SNE ಅನ್ನು ಆಯಾಮದ ಕಡಿತವನ್ನು ನಿರ್ವಹಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ, ಇದು ಹೆಚ್ಚಿನ ಆಯಾಮದ ಡೇಟಾದ ಸಹವರ್ತಿ ರಚನೆಯನ್ನು ಸಂರಕ್ಷಿಸುತ್ತದೆ ಮತ್ತು ಕೋವೇರಿಯನ್ಸ್ ಟೋಪೋಲಜಿಯ ದೃಶ್ಯೀಕರಣವನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ.ಡೇಟಾವನ್ನು ಪಟ್ಟೆಗಳು ಮತ್ತು ಸಹವರ್ತಿಗಳ ರೂಪದಲ್ಲಿ ಜೋಡಿಸಲಾಗಿದೆ (ಚಿತ್ರ 2A), ಸಂಪೂರ್ಣವಾಗಿ ದೂರ-ಆಧಾರಿತ ಕ್ರಮಗಳು (ಕೆ-ಮೀನ್ಸ್‌ನಂತಹವು) ಸೂಕ್ತವಲ್ಲ ಏಕೆಂದರೆ ಅವುಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಗಾಸಿಯನ್ (ವೃತ್ತಾಕಾರದ) ಆಧಾರದ ವಿತರಣೆಯನ್ನು ಬಳಸುತ್ತವೆ (ಟಿಪ್ಪಣಿ S2 ನಲ್ಲಿ ಚರ್ಚಿಸಲಾಗಿದೆ) .DBSCAN ವಿಧಾನವು ಯಾವುದೇ ಕೋವೇರಿಯನ್ಸ್ ಟೋಪೋಲಜಿಗೆ ಸೂಕ್ತವಾಗಿದೆ.ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿಸಲು ನೀವು ಗಮನ ಹರಿಸುವವರೆಗೆ, ವಿಶ್ವಾಸಾರ್ಹ ಗುರುತನ್ನು ಒದಗಿಸಬಹುದು.t-SNE ಅಲ್ಗಾರಿದಮ್‌ನ ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚವು ಅಧಿಕವಾಗಿದೆ, ಇದು ಅದರ ಪ್ರಸ್ತುತ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾಗೆ ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ, ಅಂದರೆ ಆಳವಾದ ಅಥವಾ ಸಮಯ-ವ್ಯತ್ಯಾಸವಿರುವ ಕ್ಷೇತ್ರಗಳಿಗೆ ಅನ್ವಯಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ.t-SNE ನ ಸ್ಕೇಲೆಬಿಲಿಟಿ ಕೆಲಸ ಪ್ರಗತಿಯಲ್ಲಿದೆ.KL ಅಂತರವನ್ನು ಸಮಾನಾಂತರಗೊಳಿಸಲು ಸುಲಭವಾಗಿರುವುದರಿಂದ, t-SNE ಅಲ್ಗಾರಿದಮ್ ಭವಿಷ್ಯದಲ್ಲಿ ವಿಸ್ತರಣೆಗೆ ಉತ್ತಮ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ (35).ಇಲ್ಲಿಯವರೆಗೆ, ಗಾತ್ರವನ್ನು ಉತ್ತಮವಾಗಿ ಕಡಿಮೆ ಮಾಡುವ ಇತರ ಭರವಸೆಯ ಆಯಾಮದ ಕಡಿತ ವಿಧಾನಗಳು ಏಕೀಕೃತ ಮ್ಯಾನಿಫೋಲ್ಡ್ ಅಂದಾಜು ಮತ್ತು ಪ್ರೊಜೆಕ್ಷನ್ (UMAP) ತಂತ್ರಗಳನ್ನು ಒಳಗೊಂಡಿವೆ, ಆದರೆ ಸಾಗರ ಡೇಟಾದ ಸಂದರ್ಭದಲ್ಲಿ ಮೌಲ್ಯಮಾಪನವು ಅವಶ್ಯಕವಾಗಿದೆ.ಉತ್ತಮ ಸ್ಕೇಲೆಬಿಲಿಟಿಯ ಅರ್ಥವು, ಉದಾಹರಣೆಗೆ, ಮಿಶ್ರ ಪದರದ ಮೇಲೆ ವಿಭಿನ್ನ ಸಂಕೀರ್ಣತೆಯೊಂದಿಗೆ ಜಾಗತಿಕ ಹವಾಮಾನ ಅಥವಾ ಮಾದರಿಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು.ಯಾವುದೇ ಪ್ರಾಂತ್ಯದಲ್ಲಿ SAGE ಯಿಂದ ವರ್ಗೀಕರಿಸಲು ವಿಫಲವಾದ ಪ್ರದೇಶಗಳನ್ನು ಚಿತ್ರ 2A ನಲ್ಲಿ ಉಳಿದಿರುವ ಕಪ್ಪು ಚುಕ್ಕೆಗಳೆಂದು ಪರಿಗಣಿಸಬಹುದು.ಭೌಗೋಳಿಕವಾಗಿ, ಈ ಪ್ರದೇಶಗಳು ಮುಖ್ಯವಾಗಿ ಹೆಚ್ಚು ಕಾಲೋಚಿತ ಪ್ರದೇಶಗಳಲ್ಲಿವೆ, ಇದು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗುವ ಪರಿಸರ ಪ್ರಾಂತಗಳನ್ನು ವಶಪಡಿಸಿಕೊಳ್ಳುವುದು ಉತ್ತಮ ವ್ಯಾಪ್ತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
SAGE ವಿಧಾನವನ್ನು ನಿರ್ಮಿಸಲು, ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ಸಮೂಹಗಳನ್ನು (11-ಆಯಾಮದ ಜಾಗದಲ್ಲಿ ಬಹಳ ಹತ್ತಿರವಿರುವ ಸಾಧ್ಯತೆ) ಮತ್ತು ಪ್ರಾಂತ್ಯಗಳನ್ನು ನಿರ್ಧರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಕೀರ್ಣ ವ್ಯವಸ್ಥೆಗಳು/ದತ್ತಾಂಶ ವಿಜ್ಞಾನದ ಕಲ್ಪನೆಗಳನ್ನು ಬಳಸಲಾಗಿದೆ.ಈ ಪ್ರಾಂತ್ಯಗಳು ನಮ್ಮ 3D t-SNE ಹಂತದ ಜಾಗದಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಸಂಪುಟಗಳನ್ನು ಚಿತ್ರಿಸುತ್ತವೆ.ಅಂತೆಯೇ, "ಸಾಮಾನ್ಯ" ಅಥವಾ "ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವ" ನಡವಳಿಕೆಯನ್ನು (36) ನಿರ್ಧರಿಸಲು ಪಥವು ಆಕ್ರಮಿಸಿಕೊಂಡಿರುವ ರಾಜ್ಯದ ಜಾಗದ "ಪರಿಮಾಣ" ವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು Poincaré ಭಾಗವನ್ನು ಬಳಸಬಹುದು.ಸ್ಥಿರವಾದ 11-ಆಯಾಮದ ಮಾದರಿಯ ಔಟ್‌ಪುಟ್‌ಗಾಗಿ, ಡೇಟಾವನ್ನು 3D ಹಂತದ ಜಾಗವಾಗಿ ಪರಿವರ್ತಿಸಿದ ನಂತರ ಆಕ್ರಮಿಸಿಕೊಂಡಿರುವ ಪರಿಮಾಣವನ್ನು ಇದೇ ರೀತಿ ವಿವರಿಸಬಹುದು.3D ಹಂತದ ಜಾಗದಲ್ಲಿ ಭೌಗೋಳಿಕ ಪ್ರದೇಶ ಮತ್ತು ಪ್ರದೇಶದ ನಡುವಿನ ಸಂಬಂಧವು ಸರಳವಾಗಿಲ್ಲ, ಆದರೆ ಇದನ್ನು ಪರಿಸರ ಹೋಲಿಕೆಯ ವಿಷಯದಲ್ಲಿ ವಿವರಿಸಬಹುದು.ಈ ಕಾರಣಕ್ಕಾಗಿ, ಹೆಚ್ಚು ಸಾಂಪ್ರದಾಯಿಕ BC ಅಸಮಾನತೆಯ ಅಳತೆಗೆ ಆದ್ಯತೆ ನೀಡಲಾಗುತ್ತದೆ.
ಭವಿಷ್ಯದ ಕೆಲಸವು ಗುರುತಿಸಲಾದ ಪ್ರಾಂತ್ಯಗಳು ಮತ್ತು AEP ಯ ಪ್ರಾದೇಶಿಕ ವ್ಯತ್ಯಾಸವನ್ನು ನಿರ್ಣಯಿಸಲು ಕಾಲೋಚಿತವಾಗಿ ಡೇಟಾವನ್ನು ಬದಲಾಯಿಸಲು SAGE ವಿಧಾನವನ್ನು ಮರುಬಳಕೆ ಮಾಡುತ್ತದೆ.ಉಪಗ್ರಹ ಮಾಪನಗಳ ಮೂಲಕ ಯಾವ ಪ್ರಾಂತ್ಯಗಳನ್ನು ನಿರ್ಧರಿಸಬಹುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡಲು ಈ ವಿಧಾನವನ್ನು ಬಳಸುವುದು ಭವಿಷ್ಯದ ಗುರಿಯಾಗಿದೆ (ಉದಾಹರಣೆಗೆ Chl-a, ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಪ್ರತಿಫಲನ ಮತ್ತು ಸಮುದ್ರ ಮೇಲ್ಮೈ ತಾಪಮಾನ).ಇದು ಪರಿಸರ ಘಟಕಗಳ ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಮೌಲ್ಯಮಾಪನವನ್ನು ಅನುಮತಿಸುತ್ತದೆ ಮತ್ತು ಪರಿಸರ ಪ್ರಾಂತಗಳು ಮತ್ತು ಅವುಗಳ ವ್ಯತ್ಯಾಸಗಳ ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುವ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ.
SAGE ವಿಧಾನವನ್ನು ಪರಿಚಯಿಸುವುದು ಈ ಸಂಶೋಧನೆಯ ಉದ್ದೇಶವಾಗಿದೆ, ಇದು ಪರಿಸರ ಪ್ರಾಂತವನ್ನು ಅದರ ವಿಶಿಷ್ಟ ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಸಮುದಾಯ ರಚನೆಯ ಮೂಲಕ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ.ಇಲ್ಲಿ, ಭೌತಿಕ/ಜೈವಿಕ ರಾಸಾಯನಿಕ/ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಮಾದರಿ ಮತ್ತು t-SNE ಮತ್ತು DBSCAN ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಪ್ಯಾರಾಮೀಟರ್ ಆಯ್ಕೆಯ ಕುರಿತು ಹೆಚ್ಚಿನ ವಿವರವಾದ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಲಾಗುತ್ತದೆ.
ಮಾದರಿಯ ಭೌತಿಕ ಅಂಶಗಳು ಸಾಗರ ಪರಿಚಲನೆ ಮತ್ತು ಹವಾಮಾನದ ಅಂದಾಜಿನಿಂದ ಬರುತ್ತವೆ [ECCOv4;(37) ಜಾಗತಿಕ ಸ್ಥಿತಿಯ ಅಂದಾಜು (38) ಮೂಲಕ ವಿವರಿಸಲಾಗಿದೆ.ರಾಜ್ಯದ ಅಂದಾಜಿನ ನಾಮಮಾತ್ರದ ನಿರ್ಣಯವು 1/5 ಆಗಿದೆ.ಲ್ಯಾಗ್ರಾಂಜಿಯನ್ ಗುಣಕ ವಿಧಾನದೊಂದಿಗೆ ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವನ್ನು ಆರಂಭಿಕ ಮತ್ತು ಗಡಿ ಪರಿಸ್ಥಿತಿಗಳು ಮತ್ತು ಆಂತರಿಕ ಮಾದರಿಯ ನಿಯತಾಂಕಗಳನ್ನು ವೀಕ್ಷಣೆಯಿಂದ ಸರಿಹೊಂದಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಮುಕ್ತ-ಚಾಲನೆಯಲ್ಲಿರುವ MIT ಸಾಮಾನ್ಯ ಸೈಕಲ್ ಮಾದರಿಯನ್ನು (MITgcm) (39) ಉತ್ಪಾದಿಸುತ್ತದೆ, ಮಾದರಿಯನ್ನು ಆಪ್ಟಿಮೈಸೇಶನ್ ನಂತರ, ಫಲಿತಾಂಶಗಳು ಮಾಡಬಹುದು ಟ್ರ್ಯಾಕ್ ಮತ್ತು ಗಮನಿಸಬಹುದು.
ಜೈವಿಕ ಭೂರಸಾಯನಶಾಸ್ತ್ರ/ಪರಿಸರ ವ್ಯವಸ್ಥೆಯು (2) ರಲ್ಲಿ ಹೆಚ್ಚು ಸಂಪೂರ್ಣ ವಿವರಣೆಯನ್ನು ಹೊಂದಿದೆ (ಅಂದರೆ ಸಮೀಕರಣಗಳು ಮತ್ತು ನಿಯತಾಂಕ ಮೌಲ್ಯಗಳು).ಮಾದರಿಯು ಅಜೈವಿಕ ಮತ್ತು ಸಾವಯವ ಕೊಳಗಳ ಮೂಲಕ C, N, P, Si ಮತ್ತು Fe ನ ಪರಿಚಲನೆಯನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ.ಇಲ್ಲಿ ಬಳಸಲಾದ ಆವೃತ್ತಿಯು 35 ಜಾತಿಯ ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: 2 ಜಾತಿಯ ಮೈಕ್ರೋಪ್ರೊಕ್ಯಾರಿಯೋಟ್‌ಗಳು ಮತ್ತು 2 ಜಾತಿಯ ಮೈಕ್ರೊಯುಕ್ಯಾರಿಯೋಟ್‌ಗಳು (ಕಡಿಮೆ-ಪೋಷಕಾಂಶದ ಪರಿಸರಕ್ಕೆ ಸೂಕ್ತವಾಗಿದೆ), 5 ಜಾತಿಯ ಕ್ರಿಪ್ಟೋಮೊನಾಸ್ ಸ್ಪೈರಾಯ್ಡ್‌ಗಳು (ಕ್ಯಾಲ್ಸಿಯಂ ಕಾರ್ಬೋನೇಟ್ ಲೇಪನದೊಂದಿಗೆ), 5 ಜಾತಿಯ ಡೈಜೋನಿಯಮ್ ( ಸಾರಜನಕವನ್ನು ಸರಿಪಡಿಸಬಹುದು, ಆದ್ದರಿಂದ ಇದು ಸೀಮಿತವಾಗಿಲ್ಲ) ಕರಗಿದ ಅಜೈವಿಕ ಸಾರಜನಕದ ಲಭ್ಯತೆ), 11 ಡಯಾಟಮ್‌ಗಳು (ಸಿಲಿಸಿಯಸ್ ಹೊದಿಕೆಯನ್ನು ರೂಪಿಸುತ್ತದೆ), 10 ಮಿಶ್ರ-ಸಸ್ಯಕ ಫ್ಲ್ಯಾಗ್ಲೇಟ್‌ಗಳು (ದ್ಯುತಿಸಂಶ್ಲೇಷಣೆ ಮಾಡಬಹುದು ಮತ್ತು ಇತರ ಪ್ಲ್ಯಾಂಕ್ಟನ್‌ಗಳನ್ನು ತಿನ್ನಬಹುದು) ಮತ್ತು 16 ಝೂಪ್ಲ್ಯಾಂಕ್ಟನ್ (ಇತರ ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಮೇಲೆ ಮೇಯುತ್ತವೆ).ಇವುಗಳನ್ನು "ಬಯೋಜಿಯೋಕೆಮಿಕಲ್ ಫಂಕ್ಷನಲ್ ಗ್ರೂಪ್‌ಗಳು" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ ಏಕೆಂದರೆ ಅವು ಸಾಗರ ಜೈವಿಕ ರಸಾಯನಶಾಸ್ತ್ರದ ಮೇಲೆ ವಿಭಿನ್ನ ಪರಿಣಾಮಗಳನ್ನು ಬೀರುತ್ತವೆ (40, 41) ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ವೀಕ್ಷಣೆ ಮತ್ತು ಮಾದರಿ ಅಧ್ಯಯನಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ.ಈ ಮಾದರಿಯಲ್ಲಿ, ಪ್ರತಿ ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪು 0.6 ರಿಂದ 2500 μm ಸಮಾನವಾದ ಗೋಲಾಕಾರದ ವ್ಯಾಸವನ್ನು ಹೊಂದಿರುವ ವಿವಿಧ ಗಾತ್ರಗಳ ಹಲವಾರು ಪ್ಲ್ಯಾಂಕ್ಟನ್‌ಗಳಿಂದ ಕೂಡಿದೆ.
ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಬೆಳವಣಿಗೆ, ಮೇಯಿಸುವಿಕೆ ಮತ್ತು ಮುಳುಗುವಿಕೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ನಿಯತಾಂಕಗಳು ಗಾತ್ರಕ್ಕೆ ಸಂಬಂಧಿಸಿವೆ ಮತ್ತು ಆರು ಫೈಟೊಪ್ಲಾಂಕ್ಟನ್ ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ನಡುವೆ ನಿರ್ದಿಷ್ಟ ವ್ಯತ್ಯಾಸಗಳಿವೆ (32).ವಿಭಿನ್ನ ಭೌತಿಕ ಚೌಕಟ್ಟುಗಳ ಹೊರತಾಗಿಯೂ, ಮಾದರಿಯ 51 ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಘಟಕಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಇತ್ತೀಚಿನ ಹಲವಾರು ಅಧ್ಯಯನಗಳಲ್ಲಿ ಬಳಸಲಾಗಿದೆ (42-44).
1992 ರಿಂದ 2011 ರವರೆಗೆ, ಭೌತಿಕ/ಜೈವಿಕ ರಾಸಾಯನಿಕ/ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಜೋಡಣೆಯ ಮಾದರಿಯು 20 ವರ್ಷಗಳ ಕಾಲ ನಡೆಯಿತು.ಮಾದರಿಯ ಉತ್ಪಾದನೆಯು ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಬಯೋಮಾಸ್, ಪೋಷಕಾಂಶಗಳ ಸಾಂದ್ರತೆ ಮತ್ತು ಪೋಷಕಾಂಶ ಪೂರೈಕೆ ದರವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ (DIN, PO4, Si ಮತ್ತು Fe).ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಈ ಉತ್ಪನ್ನಗಳ 20-ವರ್ಷದ ಸರಾಸರಿಯನ್ನು ಪರಿಸರ ಪ್ರಾಂತ್ಯದ ಇನ್‌ಪುಟ್ ಆಗಿ ಬಳಸಲಾಗಿದೆ.Chl, ಪ್ಲ್ಯಾಂಕ್ಟನ್ ಜೀವರಾಶಿ ಮತ್ತು ಪೋಷಕಾಂಶಗಳ ಸಾಂದ್ರತೆಯ ವಿತರಣೆ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಗುಂಪುಗಳ ವಿತರಣೆಯನ್ನು ಉಪಗ್ರಹ ಮತ್ತು ಸ್ಥಳದ ಅವಲೋಕನಗಳೊಂದಿಗೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ [(2, 44), ಗಮನಿಸಿ S1 ಮತ್ತು ಚಿತ್ರ.S1 ರಿಂದ S3].
SAGE ವಿಧಾನಕ್ಕಾಗಿ, ಯಾದೃಚ್ಛಿಕತೆಯ ಮುಖ್ಯ ಮೂಲವು t-SNE ಹಂತದಿಂದ ಬರುತ್ತದೆ.ಯಾದೃಚ್ಛಿಕತೆಯು ಪುನರಾವರ್ತಿತತೆಯನ್ನು ತಡೆಯುತ್ತದೆ, ಇದರರ್ಥ ಫಲಿತಾಂಶಗಳು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.SAGE ವಿಧಾನವು t-SNE ಮತ್ತು DBSCAN ನ ನಿಯತಾಂಕಗಳ ಗುಂಪನ್ನು ನಿರ್ಧರಿಸುವ ಮೂಲಕ ದೃಢತೆಯನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಪರೀಕ್ಷಿಸುತ್ತದೆ, ಇದು ಪುನರಾವರ್ತನೆಯಾದಾಗ ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು ಸ್ಥಿರವಾಗಿ ಗುರುತಿಸುತ್ತದೆ.t-SNE ಪ್ಯಾರಾಮೀಟರ್‌ನ "ಸಂಕಷ್ಟ" ವನ್ನು ನಿರ್ಧರಿಸುವುದು ಹೆಚ್ಚಿನ ಆಯಾಮಗಳಿಂದ ಕಡಿಮೆ ಆಯಾಮಗಳಿಗೆ ಮ್ಯಾಪಿಂಗ್ ಮಾಡುವಿಕೆಯು ಡೇಟಾದ ಸ್ಥಳೀಯ ಅಥವಾ ಜಾಗತಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಗೌರವಿಸುವ ಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ ಎಂದು ತಿಳಿಯಬಹುದು.400 ಮತ್ತು 300 ಪುನರಾವರ್ತನೆಗಳ ಗೊಂದಲವನ್ನು ತಲುಪಿದೆ.
ಕ್ಲಸ್ಟರಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ DBSCAN ಗಾಗಿ, ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿರುವ ಡೇಟಾ ಬಿಂದುಗಳ ಕನಿಷ್ಠ ಗಾತ್ರ ಮತ್ತು ದೂರದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ನಿರ್ಧರಿಸುವ ಅಗತ್ಯವಿದೆ.ತಜ್ಞರ ಮಾರ್ಗದರ್ಶನದಲ್ಲಿ ಕನಿಷ್ಠ ಸಂಖ್ಯೆಯನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.ಈ ಜ್ಞಾನವು ಪ್ರಸ್ತುತ ಸಂಖ್ಯಾತ್ಮಕ ಮಾಡೆಲಿಂಗ್ ಫ್ರೇಮ್‌ವರ್ಕ್ ಮತ್ತು ರೆಸಲ್ಯೂಶನ್‌ಗೆ ಯಾವುದು ಸರಿಹೊಂದುತ್ತದೆ ಎಂದು ತಿಳಿದಿದೆ.ಕನಿಷ್ಠ ಸಂಖ್ಯೆ 100. ಹೆಚ್ಚಿನ ಕನಿಷ್ಠ ಮೌಲ್ಯವನ್ನು (ಹಸಿರು ಮೇಲಿನ ಮಿತಿಯು ವಿಶಾಲವಾಗುವ ಮೊದಲು <135 ಕ್ಕಿಂತ ಕಡಿಮೆ) ಪರಿಗಣಿಸಬಹುದು, ಆದರೆ ಇದು BC ಅಸಮಾನತೆಯ ಆಧಾರದ ಮೇಲೆ ಒಟ್ಟುಗೂಡಿಸುವ ವಿಧಾನವನ್ನು ಬದಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.ಸಂಪರ್ಕದ ಪದವಿಯನ್ನು (ಚಿತ್ರ 6A) ϵ ನಿಯತಾಂಕವನ್ನು ಹೊಂದಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ, ಇದು ಹೆಚ್ಚಿನ ವ್ಯಾಪ್ತಿಗೆ ಅನುಕೂಲಕರವಾಗಿದೆ (ಚಿತ್ರ 6B).ಸಂಪರ್ಕವನ್ನು ಕ್ಲಸ್ಟರ್‌ಗಳ ಸಂಯೋಜಿತ ಸಂಖ್ಯೆ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ ಮತ್ತು ಇದು ϵ ನಿಯತಾಂಕಕ್ಕೆ ಸಂವೇದನಾಶೀಲವಾಗಿರುತ್ತದೆ.ಕಡಿಮೆ ಸಂಪರ್ಕವು ಸಾಕಷ್ಟು ಹೊಂದಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಕೃತಕವಾಗಿ ಪ್ರದೇಶಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ.ಹೆಚ್ಚಿನ ಸಂಪರ್ಕವು ಅತಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ.ಓವರ್‌ಫಿಟ್ಟಿಂಗ್ ಕೂಡ ಸಮಸ್ಯಾತ್ಮಕವಾಗಿದೆ, ಏಕೆಂದರೆ ಆರಂಭಿಕ ಯಾದೃಚ್ಛಿಕ ಊಹೆಗಳು ಪುನರುತ್ಪಾದಿಸಲಾಗದ ಫಲಿತಾಂಶಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು ಎಂದು ಇದು ತೋರಿಸುತ್ತದೆ.ಈ ಎರಡು ವಿಪರೀತಗಳ ನಡುವೆ, ತೀಕ್ಷ್ಣವಾದ ಹೆಚ್ಚಳ (ಸಾಮಾನ್ಯವಾಗಿ "ಮೊಣಕೈ" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ಅತ್ಯುತ್ತಮ ϵ ಅನ್ನು ಸೂಚಿಸುತ್ತದೆ.ಚಿತ್ರ 6A ರಲ್ಲಿ, ಪ್ರಸ್ಥಭೂಮಿ ಪ್ರದೇಶದಲ್ಲಿ (ಹಳದಿ,> 200 ಕ್ಲಸ್ಟರ್‌ಗಳು) ತೀಕ್ಷ್ಣವಾದ ಹೆಚ್ಚಳವನ್ನು ನೀವು ನೋಡುತ್ತೀರಿ, ನಂತರ ತೀಕ್ಷ್ಣವಾದ ಇಳಿಕೆ (ಹಸಿರು, 100 ಕ್ಲಸ್ಟರ್‌ಗಳು), ಸುಮಾರು 130 ವರೆಗೆ, ಕೆಲವೇ ಕ್ಲಸ್ಟರ್‌ಗಳಿಂದ ಆವೃತವಾಗಿದೆ (ನೀಲಿ, <60 ಕ್ಲಸ್ಟರ್‌ಗಳು) )ಕನಿಷ್ಠ 100 ನೀಲಿ ಪ್ರದೇಶಗಳಲ್ಲಿ, ಒಂದು ಕ್ಲಸ್ಟರ್ ಇಡೀ ಸಾಗರವನ್ನು ಪ್ರಾಬಲ್ಯ ಹೊಂದಿದೆ (ϵ <0.42), ಅಥವಾ ಹೆಚ್ಚಿನ ಸಾಗರವನ್ನು ವರ್ಗೀಕರಿಸಲಾಗಿಲ್ಲ ಮತ್ತು ಅದನ್ನು ಶಬ್ದ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ (ϵ> 0.99).ಹಳದಿ ಪ್ರದೇಶವು ಹೆಚ್ಚು ವ್ಯತ್ಯಾಸಗೊಳ್ಳುವ, ಪುನರುತ್ಪಾದಿಸಲಾಗದ ಕ್ಲಸ್ಟರ್ ವಿತರಣೆಯನ್ನು ಹೊಂದಿದೆ.ϵ ಕಡಿಮೆಯಾದಂತೆ, ಶಬ್ದ ಹೆಚ್ಚಾಗುತ್ತದೆ.ತೀವ್ರವಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವ ಹಸಿರು ಪ್ರದೇಶವನ್ನು ಮೊಣಕೈ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.ಇದು ಸೂಕ್ತ ಪ್ರದೇಶವಾಗಿದೆ.ಸಂಭವನೀಯತೆ t-SNE ಅನ್ನು ಬಳಸಲಾಗಿದ್ದರೂ, ವಿಶ್ವಾಸಾರ್ಹ ಕ್ಲಸ್ಟರಿಂಗ್ ಅನ್ನು ನಿರ್ಧರಿಸಲು ಪ್ರಾಂತ್ಯದೊಳಗಿನ BC ಅಸಮಾನತೆಯನ್ನು ಇನ್ನೂ ಬಳಸಬಹುದು.ಚಿತ್ರ 6 (A ಮತ್ತು B) ಅನ್ನು ಬಳಸಿ, ϵ ಅನ್ನು 0.39 ಗೆ ಹೊಂದಿಸಿ.ಕನಿಷ್ಠ ಸಂಖ್ಯೆಯು ದೊಡ್ಡದಾಗಿದೆ, ವಿಶ್ವಾಸಾರ್ಹ ವರ್ಗೀಕರಣವನ್ನು ಅನುಮತಿಸುವ ϵ ಅನ್ನು ತಲುಪುವ ಸಂಭವನೀಯತೆ ಚಿಕ್ಕದಾಗಿದೆ ಮತ್ತು 135 ಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಮೌಲ್ಯದೊಂದಿಗೆ ಹಸಿರು ಪ್ರದೇಶವು ಹೆಚ್ಚಾಗುತ್ತದೆ. ಈ ಪ್ರದೇಶದ ಹಿಗ್ಗುವಿಕೆ ಮೊಣಕೈಯನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಅಥವಾ ಅಲ್ಲದಿರುವುದು ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗಿರುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ.
t-SNE ನ ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿಸಿದ ನಂತರ, ಕಂಡುಬರುವ ಒಟ್ಟು ಸಂಖ್ಯೆಯ ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು ಸಂಪರ್ಕದ ಅಳತೆಯಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ (A) ಮತ್ತು ಕ್ಲಸ್ಟರ್ (B) ಗೆ ಹಂಚಲಾದ ಡೇಟಾದ ಶೇಕಡಾವಾರು.ಕೆಂಪು ಚುಕ್ಕೆ ಕವರೇಜ್ ಮತ್ತು ಸಂಪರ್ಕದ ಅತ್ಯುತ್ತಮ ಸಂಯೋಜನೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.ಪರಿಸರ ವಿಜ್ಞಾನಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಕನಿಷ್ಠ ಸಂಖ್ಯೆಯ ಪ್ರಕಾರ ಕನಿಷ್ಠ ಸಂಖ್ಯೆಯನ್ನು ಹೊಂದಿಸಲಾಗಿದೆ.
ಈ ಲೇಖನಕ್ಕೆ ಪೂರಕ ಸಾಮಗ್ರಿಗಳಿಗಾಗಿ, ದಯವಿಟ್ಟು http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1 ಅನ್ನು ನೋಡಿ
ಇದು ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅಟ್ರಿಬ್ಯೂಷನ್ ಪರವಾನಗಿಯ ನಿಯಮಗಳ ಅಡಿಯಲ್ಲಿ ವಿತರಿಸಲಾದ ಮುಕ್ತ ಪ್ರವೇಶ ಲೇಖನವಾಗಿದೆ.ಲೇಖನವು ಮೂಲ ಕೃತಿಯನ್ನು ಸರಿಯಾಗಿ ಉಲ್ಲೇಖಿಸಿರುವ ಷರತ್ತಿನ ಅಡಿಯಲ್ಲಿ ಯಾವುದೇ ಮಾಧ್ಯಮದಲ್ಲಿ ಅನಿಯಂತ್ರಿತ ಬಳಕೆ, ವಿತರಣೆ ಮತ್ತು ಪುನರುತ್ಪಾದನೆಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ.
ಗಮನಿಸಿ: ನಿಮ್ಮ ಇಮೇಲ್ ವಿಳಾಸವನ್ನು ಒದಗಿಸಲು ಮಾತ್ರ ನಾವು ನಿಮ್ಮನ್ನು ಕೇಳುತ್ತೇವೆ ಇದರಿಂದ ನೀವು ಪುಟಕ್ಕೆ ಶಿಫಾರಸು ಮಾಡುವ ವ್ಯಕ್ತಿಗೆ ನೀವು ಇಮೇಲ್ ಅನ್ನು ನೋಡಲು ಬಯಸುತ್ತೀರಿ ಮತ್ತು ಅದು ಸ್ಪ್ಯಾಮ್ ಅಲ್ಲ ಎಂದು ತಿಳಿಯುತ್ತದೆ.ನಾವು ಯಾವುದೇ ಇಮೇಲ್ ವಿಳಾಸಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವುದಿಲ್ಲ.
ನೀವು ಸಂದರ್ಶಕರೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಲು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ಸ್ಪ್ಯಾಮ್ ಸಲ್ಲಿಕೆಯನ್ನು ತಡೆಯಲು ಈ ಪ್ರಶ್ನೆಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಸಾಗರ ಪರಿಸರ ವಿಜ್ಞಾನದ ಜಾಗತಿಕ ಸಚಿವಾಲಯವು ಸಂಕೀರ್ಣ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ನಿರ್ಧರಿಸುತ್ತದೆ ಮತ್ತು ಸಮುದಾಯ ರಚನೆಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ML ಅನ್ನು ಬಳಸುತ್ತದೆ.
ಸಾಗರ ಪರಿಸರ ವಿಜ್ಞಾನದ ಜಾಗತಿಕ ಸಚಿವಾಲಯವು ಸಂಕೀರ್ಣ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ನಿರ್ಧರಿಸುತ್ತದೆ ಮತ್ತು ಸಮುದಾಯ ರಚನೆಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ML ಅನ್ನು ಬಳಸುತ್ತದೆ.