Планктон коомчулугунун структурасынын жана азык агымынын маалыматтарынын негизинде глобалдык деңиз экологиялык провинцияларын (эко-провинцияларды) аныктоо үчүн көзөмөлсүз окутуу ыкмасы сунушталат.Системалык интеграцияланган экологиялык провинция (SAGE) ыкмасы өтө сызыктуу эмес экосистеманын моделдеринде экологиялык провинцияларды аныктай алат.Берилиштердин Гаусс эмес ковариациясына ыңгайлашуу үчүн, SAGE өлчөмдүүлүктү азайтуу үчүн t кокус кошуна киргизүүнү (t-SNE) колдонот.Тыгыздыкка негизделген мейкиндик кластерлөө (DBSCAN) алгоритмине негизделген ызы-чуу тиркемесинин жардамы менен жүздөн ашык экологиялык провинцияларды аныктоого болот.Аралык өлчөө катары экологиялык айырмачылыктар менен байланыш картасын колдонуу менен бекем бириктирилген экологиялык провинция (AEP) уяланган экологиялык провинциялар аркылуу объективдүү аныкталат.AEPs колдонуу менен, жамааттын структурасында азык менен камсыз кылуу ылдамдыгын контролдоо изилденген.Эко-облус жана AEP уникалдуу болуп саналат жана моделди чечмелөөгө жардам берет.Алар моделдердин ортосундагы салыштырууларды жеңилдетет жана деңиз экосистемаларын түшүнүүнү жана мониторингди күчөтүшү мүмкүн.
Провинциялар – деңиздеги же кургактыктагы татаал биогеография ырааттуу жана маанилүү аймактарга уюшулган аймактар (1).Бул провинциялар жайгашкан жерлерди салыштыруу жана карама-каршы коюу, байкоолорду мүнөздөө, мониторинг жана коргоо үчүн абдан маанилүү.Бул провинцияларды пайда кылган татаал жана сызыктуу эмес өз ара аракеттенүүлөр көзөмөлсүз машина үйрөнүү (ML) ыкмаларын провинцияларды объективдүү аныктоо үчүн абдан ылайыктуу кылат, анткени маалыматтардагы ковариация татаал жана Гаусстук эмес.Бул жерде Дарвиндин глобалдык үч өлчөмдүү (3D) физикалык/экосистемалык моделинен (2) уникалдуу деңиз экологиялык провинцияларын (эко-провинцияларды) системалуу түрдө аныктаган ML ыкмасы сунушталат.«Уникалдуу» термини аныкталган аймак башка аймактар менен жетиштүү түрдө дал келбегендигин көрсөтүү үчүн колдонулат.Бул ыкма системалык интеграцияланган экологиялык провинция (SAGE) ыкмасы деп аталат.Пайдалуу классификацияны ишке ашыруу үчүн алгоритм ыкмасы (i) глобалдык классификацияга жана (ii) мейкиндикте жана убакытта уя/чогултууга мүмкүн болгон көп масштабдуу анализге мүмкүндүк бериши керек (3).Бул изилдөөдө биринчи жолу SAGE ыкмасы сунушталган жана аныкталган экологиялык провинциялар талкууланган.Эко-провинциялар жамааттын түзүмүн көзөмөлдөгөн факторлорду түшүнүүгө көмөктөшөт, мониторинг стратегиялары үчүн пайдалуу түшүнүктөрдү берет жана экосистемадагы өзгөрүүлөргө көз салууга жардам берет.
Жердик провинциялар, адатта, климаттын (жаан-чачындын жана температуранын), топурактын, өсүмдүктөрдүн жана фаунанын окшоштугуна жараша классификацияланат жана көмөкчү башкаруу, биологиялык ар түрдүүлүктү изилдөө жана ооруларга каршы күрөшүү үчүн колдонулат (1, 4).Деңиз провинцияларын аныктоо кыйыныраак.Көпчүлүк организмдер суюктуктун чеги менен микроскопиялык.Лонгхурст жана башкалар.(5) Океанография министрлигинин биринчи глобалдык классификацияларынын бири экологиялык шарттарга негизделген.Бул "Лонгхерст" провинцияларынын аныктамасы аралашуу ылдамдыгы, катмарлануу жана нурлануу сыяктуу өзгөрмөлөрдү, ошондой эле Лонгхерсттин деңиз экосистемалары үчүн башка маанилүү шарттарга ээ болгон деңиз океанографы катары чоң тажрыйбасын камтыйт.Лонгхерст, мисалы, негизги өндүрүштү жана көмүртек агымын баалоо, балык уулоого жардам берүү жана жеринде байкоо жүргүзүү иш-чараларын пландаштыруу үчүн кеңири колдонулган (5-9).Провинцияларды объективдүү аныктоо үчүн бүдөмүк логика жана аймактык көзөмөлсүз кластерлөө/статистика сыяктуу ыкмалар колдонулган (9-14).Мындай ыкмалардын максаты - жеткиликтүү байкоо маалыматтарында провинцияларды аныктай ала турган маанилүү структураларды аныктоо.Мисалы, динамикалык деңиз провинциялары (12) ызы-чууну азайтуу үчүн өзүн-өзү уюштуруучу карталарды колдонушат жана аймактык спутниктерден [хлорофилл а (Chl-a), нормалдаштырылган флуоресценттик сызык бийиктиги жана түстүү эриген органикалык заттар] жана физикалык талаа (деңиз бетинин температурасы жана туздуулугу, абсолюттук динамикалык топографиясы жана деңиз музу).
Планктондун жамааттык түзүлүшү тынчсыздандырат, анткени анын экологиясы аш болумдуу заттардын жогорку деңгээлдерине, көмүртектин сиңишине жана климатка чоң таасирин тийгизет.Ошого карабастан, планктон коомчулугунун структурасына негизделген глобалдык экологиялык провинцияны аныктоо дагы эле татаал жана кыйын максат болуп саналат.Деңиз түстүү спутниктери фитопланктондун одоно бүртүкчөлүү классификациясын түшүнө алат же функционалдык топтордун артыкчылыктарын сунуштай алат (15), бирок алар учурда коомчулуктун структурасы жөнүндө толук маалымат бере алышпайт.Соңку изилдөөлөр [мисалы, Тара Океан (16)] коомчулуктун структурасын болуп көрбөгөндөй өлчөөдө;учурда, глобалдык масштабда сейрек жеринде байкоолор гана бар (17).Мурунку изилдөөлөр негизинен биохимиялык окшоштуктарды аныктоонун негизинде "Biogeochemical облусу" (12, 14, 18) аныкталган (мисалы, негизги өндүрүш, Chl жана жеткиликтүү жарык).Бул жерде [Дарвин(2)] чыгаруу үчүн сандык модель колдонулат, ал эми экологиялык провинция жамааттын түзүлүшүнө жана азык агымына ылайык аныкталат.Бул изилдөөдө колдонулган сандык модель глобалдык камтууга ээ жана учурдагы талаа маалыматтары (17) жана алыстан зонддоо талаалары (Эскертүү S1) менен салыштырууга болот.Бул изилдөөдө колдонулган сандык моделдин маалыматтары глобалдык камтуунун артыкчылыгына ээ.Модель экосистемасы фитопланктондун 35 түрүнөн жана зоопланктондун 16 түрүнөн турат (материалдарды жана методдорду карагыла).Планктондордун моделдери Гаусстук эмес ковариация түзүмдөрү менен сызыктуу эмес өз ара аракеттенишет, ошондуктан жөнөкөй диагностикалык методдор түзүлүп жаткан жамааттык түзүмдөрдүн уникалдуу жана ырааттуу моделдерин аныктоо үчүн ылайыктуу эмес.Бул жерде киргизилген SAGE ыкмасы татаал Дарвиндик моделдердин чыгышын текшерүүнүн жаңы жолун камсыз кылат.
Маалымат илиминин/ML технологиясынын күчтүү трансформациялоочу мүмкүнчүлүктөрү маалымат ковариациясында татаал, бирок бекем структураларды ачуу үчүн өтө татаал моделдик чечимдерди иштете алат.Күчтүү ыкма берилген ката диапазонунда натыйжаларды ишенимдүү кайра чыгара ала турган ыкма катары аныкталат.Жөнөкөй системаларда да күчтүү үлгүлөрдү жана сигналдарды аныктоо кыйынга турушу мүмкүн.Байкалып жаткан үлгүгө алып баруучу жүйөө аныкталмайынча, пайда болгон татаалдык татаал/чечүү кыйындай сезилиши мүмкүн.Экосистеманын курамын түзүүнүн негизги процесси табияты боюнча сызыктуу эмес.Сызыктуу эмес өз ара аракеттешүүлөрдүн болушу бекем классификацияны чаташтырышы мүмкүн, андыктан маалыматтардын ковариациясынын негизги статистикалык бөлүштүрүлүшү жөнүндө күчтүү божомолдорду жасаган ыкмалардан качуу керек.Жогорку өлчөмдүү жана сызыктуу эмес маалыматтар океанографияда кеңири таралган жана татаал, Гаусс эмес топологиясы бар ковариациялык түзүлүшкө ээ болушу мүмкүн.Гаусстук эмес ковариация структурасы бар маалыматтар бекем классификацияга тоскоол болушу мүмкүн болсо да, SAGE методу жаңы, анткени ал ыктыярдуу топологиялары бар кластерлерди аныктоо үчүн иштелип чыккан.
SAGE методунун максаты - мындан ары экологиялык түшүнүүгө жардам бере турган пайда болгон моделдерди объективдүү аныктоо.(19) окшош кластердик иш процессинен кийин экологиялык жана азыктандыруучу агымдын өзгөрмөлөрү экологиялык провинция деп аталган маалыматтардагы жалгыз кластерди аныктоо үчүн колдонулат.Бул изилдөөдө сунушталган SAGE методу (1-сүрөт) адегенде планктондордун априордук түрдө аныкталган функционалдык топторун кошуу менен өлчөмдүүлүктү 55тен 11ге чейин азайтат (Материалдар жана методдорду караңыз).t-кокустук кошуна киргизүү (t-SNE) ыкмасын колдонуу менен, 3D мейкиндигине ыктымалдуулукту проекциялоо аркылуу өлчөмү андан ары азайтылат.Көзөмөлсүз кластерлөө экологиялык жактан жакын аймактарды аныктай алат [ызы-чууга негизделген колдонмолор үчүн тыгыздыкка негизделген мейкиндик кластерлөө (DBSCAN)].t-SNE жана DBSCAN экөө тең сызыктуу эмес экосистеманын сандык моделинин маалыматтарына карата колдонулат.Андан кийин пайда болгон экологиялык провинцияны жерге кайра долбоорлоо.Аймактык изилдөө үчүн ылайыктуу жүздөн ашык уникалдуу экологиялык провинциялар аныкталган.Глобалдык ырааттуу экосистеманын моделин карап чыгуу үчүн, экологиялык провинциялардын эффективдүүлүгүн жогорулатуу үчүн экологиялык провинцияларды бириктирилген экологиялык провинцияларга (AEP) бириктирүү үчүн SAGE ыкмасы колдонулат.Агрегациянын деңгээли («татаалдуулук» деп аталат) талап кылынган деталдардын деңгээлине ылайыкташтырылышы мүмкүн.Күчтүү AEPтин минималдуу татаалдыгын аныктаңыз.Тандоо максаты SAGE ыкмасы болуп саналат жана өзгөчө кырдаал жамаатынын структурасын көзөмөлдөөнү аныктоо үчүн эң кичине татаалдыктагы AEP учурларын изилдөө.Андан кийин экологиялык түшүнүктөрдү берүү үчүн үлгүлөрдү талдап чыгууга болот.Бул жерде киргизилген ыкманы моделдерди салыштыруу үчүн кеңири колдонсо болот, мисалы, моделдерди салыштыруу үчүн айырмачылыктарды жана окшоштуктарды баса белгилөө үчүн ар кандай моделдерде табылган окшош экологиялык провинциялардын жайгашкан жерлерин баалоо аркылуу.
(A) Экологиялык провинцияны аныктоо үчүн иштөө процессинин схемасы;баштапкы 55 өлчөмдүү маалыматтарды 11 өлчөмдүү моделдин чыгуусуна чейин азайтуу үчүн функционалдык топтун суммасын колдонуу, анын ичинде жети функционалдуу/азыктык планктондун биомассасы жана азыктандыруучу заттардын төрт нормасы.Болбогон баалуулук жана туруктуу муз каптоо аянты.Маалыматтар стандартташтырылган жана стандартташтырылган.t-SNE алгоритмине 11 өлчөмдүү маалыматтарды бериңиз.DBSCAN параметр маанисин коюу үчүн кластерди кылдаттык менен тандайт.Акырында маалыматтарды кеңдик/узундук проекциясына кайра проектирлөө.Бул процесс 10 жолу кайталанарын эске алыңыз, анткени t-SNE колдонуу менен бир аз кокустук пайда болушу мүмкүн.(B) (А) 10 жолу иш агымын кайталап AEP алуу үчүн түшүндүрөт.Бул 10 ишке ашыруунун ар бири үчүн провинциялар аралык Брей-Кертис (BC) окшош эместик матрицасы 51 фитопланктон түрүнүн биомассасынын негизинде аныкталган.Провинциялардын ортосундагы BC айырмасын аныктаңыз, 1 AEP татаалдыгынан 115 толук татаалдыгына чейин. BC көрсөткүчү Лонгхерст провинциясы тарабынан белгиленет.
SAGE методу экологиялык провинцияны аныктоо үчүн глобалдык 3D физикалык/экосистемалык сандык моделдин жыйынтыгын колдонот [Darwin (2);Материалдарды жана методдорду жана S1 эскертүүсүн караңыз].Экосистеманын компоненттери фитопланктондун 35 түрүнөн жана зоопланктондун 16 түрүнөн турат, алардын жети функционалдык тобу бар: аз азыктандыруучу чөйрөгө ыңгайлашкан прокариоттор жана эукариоттор, кальций карбонаты менен капталган кокцидиялар жана азоттун азоттун жетишсиздиги маанилүү аш болумдуу заттар), кремнийдуу каптоо менен, башка планктон фотосинтезин жана оттоо аралаш азыктандыруучу флагеллиттерди жана зоопланктон малчыларын жасай алат.өлчөмү аралыгы 0,6 2500μm барабар сфералык диаметри болуп саналат.Фитопланктондордун өлчөмдөрүнүн жана функционалдык топторунун моделдик бөлүштүрүлүшү спутниктен жана жеринде байкоолордо байкалган жалпы мүнөздөмөлөрдү камтыйт (S1-S3 сүрөттөрүн караңыз).Сандык модель менен байкалган океандын ортосундагы окшоштук модел менен аныкталган провинциялар жер алдындагы океанга колдонулушу мүмкүн экенин көрсөтүп турат.Сураныч, бул модель фитопланктондун белгилүү бир түрдүүлүгүн жана жеринде океандын белгилүү бир физикалык жана химиялык мажбурлоо диапазондорун гана камтыйт.SAGE методу адамдарга жамааттын моделдик структурасынын жогорку аймактык башкаруу механизмин жакшыраак түшүнүүгө мүмкүндүк берет.
Планктондун ар бир функционалдык тобуна беттик биомассанын гана суммасын (орточо убакыт 20 жыл) кошуу менен маалыматтардын өлчөмдүүлүгүн азайтууга болот.Мурунку изилдөөлөр жамааттын түзүлүшүн түзүүдө алардын негизги ролун көрсөткөндөн кийин, ал ошондой эле аш болумдуу агымдардын (азот, темир, фосфат жана кремний кислотасы) үчүн жер үстүндөгү булак терминдерин камтыган [мисалы, (20, 21)].Функционалдык топтордун жыйындысы көйгөйдү 55тен (51 планктон жана 4 азык агымы) 11 өлчөмгө чейин азайтат.Бул алгачкы изилдөөдө алгоритм тарабынан коюлган эсептөө чектөөлөрүнөн улам тереңдик жана убакыттын өзгөрмөлүүлүгү эске алынган эмес.
SAGE методу сызыктуу эмес процесстердин ортосундагы маанилүү байланыштарды жана функционалдык топтун биомассасы менен азык агымынын ортосундагы өз ара аракеттенүүнүн негизги өзгөчөлүктөрүн аныктоого жөндөмдүү.Евклиддик аралыктан окутуу ыкмаларына негизделген 11 өлчөмдүү маалыматтарды колдонуу (мисалы, K-каражаттары) ишенимдүү жана кайталануучу провинцияларды ала албайт (19, 22).Себеби, экологиялык провинцияны аныктаган негизги элементтердин ковариациясынын негизги бөлүштүрүлүшүнөн Гаусс формасы табылган эмес.Вороной клеткаларынын К- каражаттары (түз сызыктар) Гаусстук эмес негизги бөлүштүрүүнү сактай албайт.
Планктондордун жети функционалдык тобунун жана төрт азык агымынын биомассасы 11 өлчөмдүү вектор х түзөт.Демек, х моделдик тордун вектордук талаасы, мында ар бир xi элементи моделдин горизонталдык торунда аныкталган 11 өлчөмдүү векторду билдирет.Ар бир i индекси сферадагы торчукту уникалдуу түрдө аныктайт, мында (лон, лат) = (ϕi, θi).Эгерде моделдик тор бирдигинин биомассасы 1,2×10-3мг Chl/m3 аз болсо же муздун каптоо көрсөткүчү 70% ашса, биомасса маалыматтарынын журналы колдонулат жана жок кылынат.Маалыматтар нормалдаштырылган жана стандартташтырылган, ошондуктан бардык маалыматтар [0дөн 1ге чейин] диапазондо, орточо алынып салынат жана бирдик дисперсиясына чейин масштабдалат.Бул өзгөчөлүктөр (биомасса жана азык агымы) мүмкүн болгон маанилердин диапазонундагы контраст менен чектелбеши үчүн жасалат.Кластерлөө географиялык аралыктан эмес, өзгөчөлүктөрдүн ортосундагы негизги ыктымалдык аралыктан өзгөрүү байланышын камтышы керек.Бул аралыктарды сандык эсептөө менен маанилүү өзгөчөлүктөр пайда болот, ал эми керексиз детальдар жокко чыгарылат.Экологиялык көз караштан алганда, бул зарыл, анткени аз биомассасы бар фитопланктондордун кээ бир түрлөрү көбүрөөк биогеохимиялык эффекттерге ээ болушу мүмкүн, мисалы, азоттун диазотрофтуу бактериялар тарабынан фиксацияланышы.Берилиштерди стандартташтырууда жана нормалдаштырууда ковариаттардын бул түрлөрү баса белгиленет.
Төмөн өлчөмдүү көрсөтүүдө жогорку өлчөмдүү мейкиндиктеги өзгөчөлүктөрдүн жакындыгын баса белгилеп, t-SNE алгоритми учурдагы окшош аймактарды айкыныраак кылуу үчүн колдонулат.Алыстан зонддоо тиркемелери үчүн терең нейрон тармактарын курууга багытталган мурунку иштерде t-SNE колдонулган, бул негизги функцияларды бөлүүдө өзүнүн чеберчилигин далилдеген (23).Бул конвергенттик эмес чечимдерди болтурбоо менен өзгөчөлүк маалыматтарында бекем кластерлерди аныктоо үчүн зарыл кадам (S2 эскертүү).Гаусс ядролорун колдонуу менен, t-SNE ар бир жогорку өлчөмдүү объектти 3D фазасынын мейкиндигинде бир чекитке түшүрүү аркылуу маалыматтардын статистикалык касиеттерин сактайт, ошону менен жогорку жана төмөнкү багыттардагы окшош объектилердин ыктымалдыгы жогору болушун камсыздайт. өлчөмдүү мейкиндик (24).N жогорку өлчөмдүү объекттердин x1,…,xN жыйындысын эске алуу менен, t-SNE алгоритми Куллбэк-Лейблер (KL) дивергенциясын минималдаштыруу жолу менен азайтат (25).KL дивергенциясы – бул ыктымалдуулуктун бөлүштүрүлүшү экинчи шилтеме ыктымалдык бөлүштүрүүдөн канчалык айырмаланган өлчөм жана жогорку өлчөмдүү өзгөчөлүктөрдүн аз өлчөмдүү өкүлчүлүктөрүнүн ортосундагы корреляция мүмкүнчүлүгүн натыйжалуу баалай алат.Эгерде xi N-өлчөмдүү мейкиндикте i-объект, xj N-өлчөмдүү мейкиндикте j-чи объект, yi аз өлчөмдүү мейкиндикте i-объект, ал эми yj төмөнкү өлчөмдүү мейкиндикте j-чи объект болуп саналат. -өлчөмдүү мейкиндик, анда t -SNE окшоштук ыктымалдыгын аныктайт ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2) жана өлчөмдүүлүктү азайтуу топтому үчүн q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
Сүрөт 2А 11 өлчөмдүү айкалыштын биомассанын жана азык агымынын векторлорун 3Dге чейин азайтуунун эффектин көрсөтөт.t-SNE колдонуу мотивациясын маалыматтардын аймагын/атрибутун баса белгилөө үчүн дисперсия атрибутун колдоно турган негизги компоненттик анализдин мотивациясы менен салыштырса болот, ошону менен өлчөмдүүлүктү азайтат.t-SNE ыкмасы ЭКО министрлиги үчүн ишенимдүү жана кайталануучу натыйжаларды берүү боюнча PCAдан жогору экени аныкталган (S2 эскертүүсүн караңыз).Бул PCA ортогоналдык болжолу жогорку сызыктуу эмес интерактивдүү өзгөчөлүктөрдүн ортосундагы критикалык өз ара аракеттенүүнү аныктоо үчүн ылайыктуу эмес болушу мүмкүн, анткени PCA сызыктуу ковариация структураларына басым жасайт (26).алыстан зонддоо маалыматтарды колдонуу, Lunga et al.(27) Гаусс бөлүштүрүүдөн четтеген комплекстүү жана сызыктуу эмес спектрдик өзгөчөлүктөрдү бөлүп көрсөтүү үчүн SNE ыкмасын кантип колдонууну көрсөтөт.
(A) t-SNE алгоритми менен чийилген жана DBSCAN аркылуу облустар боюнча боёлгон фитопланктон жана зоопланктон функционалдуу топ биомассасынын моделделген азыктандыруу ылдамдыгы.Ар бир чекит жогорку өлчөмдүү мейкиндиктеги чекитти билдирет, 6В-сүрөттө көрсөтүлгөндөй, көпчүлүк чекиттер тартылат.Валдар “t-SNE” 1, 2 жана 3 өлчөмдөрүнө тиешелүү. (B) Провинциянын географиялык проекциясы DBSCAN тарабынан келип чыккан кеңдик-узундук торчосунда табылган.Түс ар кандай түс катары каралышы керек, бирок (A) ылайык келиши керек.
2А-сүрөттөгү t-SNE чачыратуу графигиндеги чекиттер тиешелүүлүгүнө жараша кеңдик жана узундук менен байланышкан.Эгерде 2А-сүрөттөгү эки чекит бири-бирине жакын болсо, бул алардын географиялык жакындыгынан эмес, биомассасынын жана азык агымынын окшоштугунан улам болот.2А-сүрөттөгү түстөр DBSCAN ыкмасын колдонуу менен ачылган кластерлер (28).Тыгыз байкоолорду издөөдө DBSCAN алгоритми 3D көрсөтүүдө чекиттер ортосундагы аралыкты колдонот (ϵ = 0,39; бул тандоо жөнүндө маалымат үчүн, Материалдар жана методдорду караңыз) жана кластерди аныктоо үчүн окшош чекиттердин саны талап кылынат (бул жерде 100 упай, жогорудан караңыз).DBSCAN методу төмөндө көрсөтүлгөндөй, маалыматтардагы кластерлердин формасы же саны жөнүндө эч кандай божомолдорду жасабайт:
3) аралыкта аныкталган бардык чекиттер үчүн кластердин чек арасын аныктоо үчүн 2-кадамды кайталаъыз.Эгерде упайлардын саны белгиленген минималдуу мааниден көп болсо, ал кластер катары белгиленет.
Кластердин минималдуу мүчөсүнө жана аралыктын ϵ метрикасына жооп бербеген маалыматтар "ызы-чуу" болуп эсептелет жана түс берилбейт.DBSCAN эң начар учурда O(n2) көрсөткүчү менен тез жана масштабдалуучу алгоритм.Учурдагы талдоо үчүн, бул иш жүзүндө кокустук эмес.Упайлардын минималдуу саны эксперттик баалоо менен аныкталат.Кийин аралыкты тууралагандан кийин, натыйжа ≈±10 диапазонунда жетиштүү туруктуу эмес.Бул аралык байланыш (Figure 6A) жана океандын камтуу пайызы (сүрөт 6B) аркылуу белгиленет.Байланыш кластерлердин курама саны катары аныкталат жана ϵ параметрине сезгич.Төмөнкү туташуу аймактарды жасалма түрдө бириктирип, жетишсиздигин көрсөтүп турат.Жогорку туташуу ашыкча тууралоону көрсөтөт.Жогорку минимумду колдонуу акылга сыярлык, бирок минимум ca ашса, ишенимдүү чечимге жетишүү мүмкүн эмес.135 (Көбүрөөк маалымат алуу үчүн, материалдар жана методдор караңыз).
2А-сүрөттө аныкталган 115 кластер 2В-сүрөттө жерге кайра проекцияланган.Ар бир түс DBSCAN тарабынан аныкталган биогеохимиялык жана экологиялык факторлордун ырааттуу айкалышына туура келет.Кластерлер аныкталгандан кийин, 2А-сүрөттөгү ар бир чекиттин белгилүү бир кеңдик жана узундук менен байланышы кластерлерди географиялык аймакка кайра долбоорлоо үчүн колдонулат.2B-сүрөт муну 2А-сүрөттөгүдөй кластердик түстөр менен сүрөттөйт.Окшош түстөрдү экологиялык окшоштук катары чечмелөөгө болбойт, анткени алар алгоритм тарабынан кластерлер ачылган тартипте дайындалат.
2В-сүрөттөгү аймак океандын физикалык жана/же биогеохимиясында белгиленген аймакка сапаттык жактан окшош болушу мүмкүн.Мисалы, Түштүк океандагы кластерлер зоналык симметриялуу, олиготрофтук куюндар пайда болуп, кескин өтүү пассаттардын таасиринен кабар берет.Мисалы, Тынч океандын экватордук жээгинде көтөрүлүүгө байланыштуу ар кандай аймактар байкалат.
Эко-Провинциянын экологиялык чөйрөсүн түшүнүү үчүн кластердеги экологияны баалоо үчүн Брей-Кертис (BC) айырма индексинин (29) вариациясы колдонулган.BC көрсөткүчү эки башка сайттын ортосундагы жамааттын түзүмүндөгү айырманы сандык аныктоо үчүн колдонулган статистикалык маалымат болуп саналат.BC өлчөө фитопланктондун жана зоопланктондун 51 түрүнүн биомассасына тиешелүү BCninj = 1-2CninjSni + Snj
BCninj ni жана nj айкалышынын окшоштугун билдирет, мында Cninj ni жана nj комбинацияларында тең бар биомассанын бир түрүнүн минималдуу мааниси, ал эми Sni ni жана Snj комбинацияларында тең болгон бардык биомассалардын суммасын билдирет.BC айырмасы аралыктын өлчөөсүнө окшош, бирок евклиддик эмес мейкиндикте иштейт, бул экологиялык маалыматтар жана аны чечмелөө үчүн көбүрөөк ылайыктуу.
2В-сүрөттө аныкталган ар бир кластер үчүн облустар аралык жана провинциялар аралык БКнын окшоштугун баалоого болот.Провинциянын ичиндеги BC айырмасы провинциянын орточо мааниси менен провинциядагы ар бир чекиттин ортосундагы айырманы билдирет.BC провинцияларынын ортосундагы айырма бир облус менен башка облустардын окшоштугун билдирет.3A-сүрөттө симметриялык BC матрицасы көрсөтүлгөн (0, кара: толугу менен дал келет; 1, ак: таптакыр окшош эмес).Графиктеги ар бир сап маалыматтардагы үлгүнү көрсөтөт.3B-сүрөттө ар бир провинция үчүн 3А-сүрөттө BC жыйынтыктарынын географиялык мааниси көрсөтүлгөн.Аз азыктанган жана аз азыктандыруучу зонада жайгашкан провинция үчүн 3B-сүрөт экватордун жана Инди океанынын тегерегиндеги чоң аймактардын симметриясы негизинен окшош экенин көрсөтүп турат, бирок бийик кеңдиктер менен көтөрүлүү аймактары бир кыйла айырмаланат.
(A) 51 планктондун глобалдык 20 жылдык орточо глобалдык бетинин орточо негизинде ар бир провинция үчүн бааланган BC айырмасынын даражасы.Маанилердин күтүлгөн симметриясына көңүл буруңуз.(B) Колоннанын (же саптын) мейкиндик проекциясы.Дистрофиялык чөйрөдөгү провинция үчүн BC окшоштук өлчөмүнүн глобалдык бөлүштүрүлүшү жана глобалдык 20 жылдык орточо көрсөткүчү бааланган.Кара (BC = 0) бирдей аймакты билдирет, ал эми ак (BC = 1) эч кандай окшоштук жок дегенди билдирет.
4А-сүрөт 2В-сүрөттө ар бир провинциянын ичиндеги BC айырмасын көрсөтөт.Кластердеги орточо аянттын орточо комбинациясын колдонуу жана BC менен провинциядагы ар бир торчонун орточо ортосундагы окшош эместигин аныктоо менен SAGE ыкмасы экологиялык окшоштуктун негизинде 51 түрдү жакшы ажырата аларын көрсөтөт. моделдин маалыматтары.Бардык 51 типтин жалпы орточо кластердик BC окшош эместиги 0,102±0,0049.
(A, B, жана D) Провинциянын ичиндеги BC айырмасы ар бир сетка чекитинин жамааты менен орточо провинциянын ортосундагы орточо BC айырмасы катары бааланат жана татаалдык азайбайт.(2) Дүйнөлүк орточо провинция ичиндеги BC айырмасы 0,227±0,117.Бул бул иш тарабынан сунушталган экологиялык мотивацияга негизделген классификациянын эталону [(C) жашыл сызык].(C) Орточо провинция ичиндеги BC айырмасы: Кара сызык BC провинциалдык айырмачылыкты билдирет.2σ эко-провинцияны аныктоо процессинин 10 кайталанышынан келип чыгат.DBSCAN тарабынан ачылган провинциялардын жалпы татаалдыгы үчүн (A) провинциядагы BC окшош эместиги 0,099, ал эми (C) тарабынан сунушталган татаалдык классификациясы 12, натыйжада провинцияда BC окшош эместиги 0,200 экенин көрсөтөт.сүрөттө көрсөтүлгөндөй.(D).
4B-сүрөттө, 51 планктон түрүнүн биомассасы Лонгхерст провинциясындагы эквиваленттүү BC айырмасын көрсөтүү үчүн колдонулат.Ар бир облустун жалпы орточо көрсөткүчү 0,227, ал эми торчо пункттарынын стандарттык четтөөсү BC провинциясындагы айырмага шилтеме менен 0,046.Бул 1В-сүрөттө аныкталган кластерден чоңураак.Анын ордуна, жети функционалдык топтун суммасын колдонуу менен, Лонгхерсттеги BC мезгил ичиндеги орточо айырмачылык 0,232ге чейин өстү.
Дүйнөлүк эко-провинция картасы уникалдуу экологиялык өз ара аракеттенүүнүн татаал деталдарын берет жана Лонгхерст провинциясынын бүт экосистемасынын түзүмүн колдонууда жакшыртылган.Экология министрлиги сандык моделдин экосистемасын көзөмөлдөө процесси тууралуу түшүнүк берет деп күтүлүүдө жана бул түшүнүк талаа иштерин чалгындоого жардам берет.Бул изилдөөнүн максаты үчүн жүздөн ашык облусту толук көрсөтүү мүмкүн эмес.Кийинки бөлүмдө облустарды жалпылаган SAGE ыкмасы киргизилет.
Облустун максаттарынын бири облустун жайгашкан жерин жана башкарууну түшүнүүгө көмөк көрсөтүү болуп саналат.Өзгөчө кырдаалдарды аныктоо үчүн 1В-сүрөттөгү ыкма экологиялык жактан окшош провинциялардын уясын көрсөтөт.Экологиялык провинциялар экологиялык окшоштуктун негизинде бириктирилет жана провинциялардын мындай топтору AEP деп аталат.Карала турган провинциялардын жалпы санынын негизинде жөнгө салынуучу “татаалдуулукту” коюңуз."Татаалдуулук" термини өзгөчө кырдаалдардын атрибуттарынын деңгээлин жөнгө салууга мүмкүндүк бергендиктен колдонулат.Маанилүү агрегацияларды аныктоо үчүн, эталон катары Лонгхерсттен 0,227 болгон орточо провинция ичиндеги BC айырмасы колдонулат.Бул көрсөткүчтөн төмөн, бириктирилген провинциялар мындан ары пайдалуу деп эсептелбейт.
3B-сүрөттө көрсөтүлгөндөй, глобалдык экологиялык провинциялар ырааттуу.Провинциялар аралык BC айырмачылыктарды колдонуп, кээ бир конфигурациялар абдан "жалпы" экенин көрүүгө болот.Генетика жана графика теориясынын ыкмаларынан шыктанган "байланышкан графиктер" >100 провинцияны аларга эң окшош провинциялар боюнча сорттоо үчүн колдонулат.Бул жерде “байланыштуулук” метрикасы провинциялар аралык BC окшош эместигин колдонуу менен аныкталат (30).> 100 облустарды классификациялоо үчүн көбүрөөк мейкиндиги бар провинциялардын санын бул жерде татаалдык деп атоого болот.AEP - бул 100дөн ашык провинцияны эң үстөмдүк кылган/жакын экологиялык провинциялар катары категориялаган продукт.Ар бир экологиялык провинция аларга эң окшош үстөмдүк кылуучу/жогорку байланышы бар экологиялык провинцияга дайындалат.BC айырмасы менен аныкталган бул топтоо глобалдык экологияга уяча мамиле жасоого мүмкүндүк берет.
Тандалган татаалдык 1ден FIG толук татаалдыгына чейинки ар кандай мааниге ээ болушу мүмкүн.2A.Төмөнкү татаалдыкта, AEP ыктымалдык өлчөмдүүлүктү азайтуу кадамынан улам начарлашы мүмкүн (t-SNE).Дегенерация экологиялык провинцияларды итерациялардын ортосунда ар кандай АЭПларга ыйгарып, ошону менен жабылган географиялык аймакты өзгөртүүнү билдирет.4C сүрөтү 10 ишке ашыруу боюнча татаалдыгы жогорулаган АЕПтерде провинциялардагы BC окшош эместиктеринин жайылышын көрсөтөт (1В-сүрөттөгү иллюстрация).4C-сүрөттө 2σ (көк аймак) 10 ишке ашыруудагы деградациянын өлчөмү, ал эми жашыл сызык Longhurst эталондук көрсөткүчүн билдирет.12 татаалдыгы провинциядагы BC айырмасын бардык ишке ашырууда Лонгхерст эталонунан төмөн кармап, салыштырмалуу аз 2σ деградациясын сактай аларын фактылар далилдеди.Кыскача айтканда, минималдуу сунушталган татаалдык 12 AEP, ал эми планктондун 51 түрүн колдонуу менен бааланган орточо провинция ичиндеги BC айырмасы 4D-сүрөттө көрсөтүлгөндөй 0,198±0,013 түзөт.Планктондордун жети функционалдык тобунун суммасын колдонуу менен, облус боюнча орточо BC айырмасы 0,198±0,004 ордуна 2σ түзөт.Жети функционалдык топтун жалпы биомассасы же планктондун бардык 51 түрүнүн биомассасы менен эсептелген BC айырмачылыктарынын ортосундагы салыштыруу SAGE ыкмасы 51 өлчөмдүү кырдаалга колдонулса да, ал жети функционалдык топтун жалпы биомассасы үчүн экенин көрсөтүп турат. Тренинг үчүн.
Кандайдыр бир изилдөөнүн максатына жараша ар кандай деңгээлдеги татаалдыкты кароого болот.Аймактык изилдөөлөр толук татаалдыкты талап кылышы мүмкүн (б.а., бардык 115 провинция).Мисал жана айкындык үчүн, эң аз сунушталган 12 татаалдыгын карап көрөлү.
SAGE методунун пайдалуулугуна мисал катары бул жерде өзгөчө кырдаалдар жамаатынын структурасын көзөмөлдөөнү изилдөө үчүн минималдуу татаалдыгы 12 болгон 12 AEP колдонулат.5-сүрөттө AEP (Адан Lге чейин) боюнча топтоштурулган экологиялык түшүнүктөр сүрөттөлөт: Редфилд стехиометриясында географиялык масштаб (Figure 5C), функционалдык топтун биомассасынын курамы (Figure 5A) жана азыктандыруучу заттар менен камсыздоо (Figure 5B) N Zoomed тарабынан аткарылат.катышы (N:Si:P:Fe, 1:1:16:16×103) көрсөтүлгөн.Акыркы панель үчүн P 16га көбөйтүлгөн жана Fe 16×103кө көбөйтүлгөн, ошондуктан штрих диаграмма фитопланктондун азыктануу талаптарына эквиваленттүү.
Провинциялар 12 провинциядагы экосистемалардын (A) биомассасы (mgC/m3) боюнча 12 AEPs классификацияланган.(B) Эриген органикалык эмес азоттун (N), темирдин (Fe), фосфаттын (P) жана кремний кислотасынын (Si) азык агымынын ылдамдыгы (жылына ммоль/м3).Fe жана P тиешелүүлүгүнө жараша 16 жана 16×103кө көбөйтүлүп, тилкелер фитопланктондук стехиометриянын талаптарына стандартташтырылган.(C) Полярдык аймактардын, субтропикалык циклондордун жана негизги сезондук/өсүүчү аймактардын ортосундагы айырманы белгилеңиз.Мониторинг станциялары төмөнкүдөй белгиленет: 1, ОРУНДАР;2, ALOHA;3, станция П;жана 4, БАТС.
аныкталган AEP уникалдуу болуп саналат.Атлантика жана Тынч океандарда экватордун айланасында кандайдыр бир симметрия бар, ал эми ушуга окшош, бирок кеңейген аймак Инди океанында да бар.Кээ бир AEPs көтөрүлүү менен байланышкан континенттин батыш тарабын камтыйт.Түштүк уюлдун циркумполярдык агымы ири зоналык өзгөчөлүк катары каралат.Субтропикалык циклон – олиготрофтук АЭПтин татаал сериясы.Бул провинцияларда планктон үстөмдүк кылган олиготрофиялык куюндар менен диатомдорго бай полярдык аймактардын ортосундагы биомасса айырмачылыктарынын тааныш үлгүсү ачык көрүнүп турат.
Абдан окшош жалпы фитопланктон биомассасы бар AEPs абдан ар түрдүү жамааттык структураларга ээ жана окшош жалпы фитопланктон биомассасы бар D, H жана K сыяктуу ар кандай географиялык аймактарды камтышы мүмкүн.AEP H негизинен экватордук Инди океанында бар жана диазотрофтук бактериялар көбүрөөк.AEP D бир нече бассейндерде кездешет, бирок ал өзгөчө Тынч океандын экватордук көтөрүлүүлөрдүн тегерегиндеги жогорку түшүмдүү аймактардын тегерегинде белгилүү.Тынч океандагы бул провинциянын формасы планетардык толкун поездин элестетет.АЭП Дда диазобактериялар аз, конустар көбүрөөк.Башка эки провинцияга салыштырмалуу, AEP K Түндүк Муз океанынын бийик тоолуу аймактарында гана кездешет, диатомдор көп жана планктондор азыраак.Белгилей кетсек, бул үч аймакта планктондун көлөмү да абдан айырмаланат.Алардын арасында AEP K планктондорунун көптүгү салыштырмалуу төмөн, ал эми AEP D жана H салыштырмалуу жогору.Ошондуктан, алардын биомассасына карабастан (ошондуктан, Chl-a окшош), бул облустар такыр башкача: Chl негизинде облус тестирлөө бул айырмачылыктарды кармай албайт.
Бул абдан ар түрдүү биомасса менен кээ бир AEPs фитопланктон жамааттын түзүлүшү жагынан окшош болушу мүмкүн экени да анык.Мисалы, бул AEP D жана E көрүнүп турат. Алар бири-бирине жакын, ал эми Тынч океанда, AEP E жогорку өндүрүмдүү AEPJ жакын.Ошо сыяктуу эле, фитопланктон биомассасы менен зоопланктондун көптүгү ортосунда так байланыш жок.
AEP аларга берилген азык жагынан түшүнүүгө болот (Figure 5B).Диатомдор кремний кислотасы көп болгон жерде гана бар.Негизинен кремний кислотасы канчалык көп болсо, диатомдордун биомассасы ошончолук жогору болот.Диатомдорду AEP A, J, K жана L. көрүүгө болот. Диатомдук биомассанын башка фитопланктонго карата катышы диатомдук суроо-талапка карата берилген N, P жана Fe менен аныкталат.Мисалы, AEP L диатомдор басымдуулук кылат.Башка азыктар менен салыштырганда, Si эң жогорку запасы бар.Ал эми, жогорку өндүрүмдүүлүгүнө карабастан, AEP J аз диатомдор жана аз кремний менен камсыз кылат (бардыгы жана башка азыктарга салыштырмалуу).
Диазоний бактериялары азотту бекитүү жөндөмүнө ээ, бирок жай өсөт (31).Алар башка фитопланктондор менен бирге жашайт, мында темир жана фосфор диазоний эмес азыктарга болгон талапка салыштырмалуу ашыкча болот (20, 21).Белгилей кетчү нерсе, диазотрофиялык биомасса салыштырмалуу жогору, ал эми Fe жана P менен камсыз кылуу N менен камсыздоого салыштырмалуу чоң. Ушундай жол менен, AEP Jдеги жалпы биомасса жогору болсо да, AEP H диазоний биомассасы Jдагыдан чоңураак. AEP J менен H географиялык жактан такыр башка экенин жана Н экватордук Инди океанында жайгашканын эске алыңыз.
Эгер экосистеманын уникалдуу структурасы провинцияларга бөлүнбөсө, 12 AEPтин эң төмөнкү татаалдыктагы моделдеринен алынган түшүнүктөр анчалык ачык-айкын болбойт.SAGE тарабынан түзүлгөн AEP экосистеманын моделдеринен татаал жана жогорку өлчөмдүү маалыматты ырааттуу жана бир убакта салыштырууга көмөктөшөт.AEP натыйжалуу Chl коомчулуктун структурасын же жогорку аш болумдуу денгээлде зоопланктондун көптүгүн аныктоо үчүн жакшы жана альтернатива ыкмасы эмес экенин баса белгилейт.Учурдагы изилдөө темаларын деталдуу талдоо бул макаланын чегинен тышкары.SAGE ыкмасы моделдин башка механизмдерин изилдөөнүн жолун камсыздайт, аны чекиттен чекитке кароого караганда иштетүү оңой.
SAGE ыкмасы глобалдык физикалык/биогеохимиялык/экосистемалык сандык моделдерден өтө татаал экологиялык маалыматтарды тактоого жардам берүү үчүн сунушталат.Экологиялык провинция кайчылаш планктондук функционалдык топтордун жалпы биомассасы, t-SNE ыктымалдык өлчөмдүүлүгүн азайтуу алгоритмин колдонуу жана DBSCAN көзөмөлсүз ML ыкмасын колдонуу менен кластерлөө менен аныкталат.Уя салуу ыкмасы үчүн провинциялар аралык BC айырма/график теориясы глобалдык чечмелөө үчүн колдонула турган күчтүү AEP алуу үчүн колдонулат.Курулуш жагынан Эко-провинция жана АЭП уникалдуу.AEP уясын баштапкы экологиялык провинциянын толук татаалдыгы менен сунушталган минималдуу 12 AEP босогосунун ортосунда жөнгө салууга болот.Уя салуу жана AEPтин минималдуу татаалдыгын аныктоо негизги кадамдар катары каралат, анткени t-SNE ыктымалдыгы <12 татаалдыктагы АЭПти начарлатат.SAGE методу глобалдуу жана анын татаалдыгы> 100 AEPден 12ге чейин. Жөнөкөйлүк үчүн учурдагы көңүл 12 глобалдык AEPтин татаалдыгына бурулган.Келечектеги изилдөөлөр, өзгөчө региондук изилдөөлөр, глобалдык эко-провинциялардын кичинекей мейкиндик бөлүгүн пайдалуу деп табышы мүмкүн жана бул жерде талкууланган экологиялык түшүнүктөрдү пайдалануу үчүн кичирээк аймакта бириктирилиши мүмкүн.Ал бул экологиялык провинцияларды жана алардан алынган түшүнүктөрдү мындан ары экологиялык түшүнүү, моделдерди салыштырууну жеңилдетүү жана деңиз экосистемаларынын мониторингин жакшыртуу үчүн кантип колдонсо болору боюнча сунуштарды берет.
SAGE методу менен аныкталган экологиялык провинция жана AEP сандык моделдин маалыматтарына негизделген.Аныктама боюнча, сандык модель максаттуу системанын маңызын басып алууга аракет кылган жөнөкөйлөштүрүлгөн структура болуп саналат жана ар кандай моделдер планктондун ар кандай бөлүштүрүлүшүнө ээ болот.Бул изилдөөдө колдонулган сандык модель байкалган кээ бир схемаларды толук камтый албайт (мисалы, экватордук аймак жана Түштүк океан үчүн Chl баалоосунда).Чыныгы океандагы ар түрдүүлүктүн бир аз гана бөлүгү кармалып, мезо жана суб-мезошкалаларды чечүү мүмкүн эмес, бул аш болумдуу агымга жана чакан масштабдагы жамааттык түзүлүшкө таасир этиши мүмкүн.Бул кемчиликтерге карабастан, AEP татаал моделдерди түшүнүүгө жардам берүү үчүн абдан пайдалуу экени көрүнүп турат.Окшош экологиялык провинциялар табылган жерде баа берүү менен, AEP потенциалдуу сандык моделди салыштыруу куралын берет.Учурдагы сандык модель фитопланктондун Chl-a концентрациясын алыстан зондоонун жалпы схемасын жана планктондун өлчөмү менен функционалдуу тобунун бөлүштүрүлүшүн камтыйт (Эскертүү S1 жана S1 сүрөт) (2, 32).
0,1 mgChl-a/m-3 контур сызыгынан көрүнүп тургандай, AEP олиготрофтук жана мезотрофтук аймакка бөлүнөт (С1В-сүрөт): AEP B, C, D, E, F жана G - олиготрофиялык аймактар, ал эми калган аймактар жайгашкан Жогорку Chl-a.AEP Лонгхерст провинциясы (Figure S3A), мисалы, Түштүк океан жана экватордук Тынч океан менен кандайдыр бир кат алышууну көрсөтөт.Кээ бир аймактарда, AEP бир нече Longhurst аймактарын камтыйт, жана тескерисинче.Бул аймакта жана Лонгхерстте провинцияларды делимитациялоо ниети башка болгондуктан, айырмачылыктар болушу күтүлөт.Лонгхерст провинциясындагы бир нече AEPs окшош биогеохимиясы бар айрым аймактар абдан ар түрдүү экосистемалык структураларга ээ болушу мүмкүн экенин көрсөтүп турат.AEP физикалык абалдар менен белгилүү бир кат алышууну көрсөтөт, бул көзөмөлсүз окутуунун жардамы менен аныкталгандай (19), мисалы, бийик көтөрүлгөн штаттарда (мисалы, Түштүк океан жана экватордук Тынч океан; Сүрөт S3, C жана D).Бул корреспонденциялар планктондордун жамааттык түзүлүшүнө океан динамикасы катуу таасир эткендигин көрсөтүп турат.Түндүк Атлантика сыяктуу аймактарда AEP физикалык провинцияларды кесип өтөт.Бул айырмачылыктарды пайда кылган механизм чаңды ташуу сыяктуу процесстерди камтышы мүмкүн, ал тургай окшош физикалык шарттарда да таптакыр башка тамактануу программаларына алып келиши мүмкүн.
Экология министрлиги жана AEP Chl колдонуу менен экологиялык компоненттерди аныктоо мүмкүн эмес экенин белгиледи, анткени деңиз экологиясы коомчулугу буга чейин түшүнгөн.Бул окшош биомассасы бар, бирок экологиялык курамы бир кыйла айырмаланган (мисалы, D жана E сыяктуу) AEPтерде байкалат.Ал эми, D жана K сыяктуу AEPs өтө ар түрдүү биомассага ээ, бирок экологиялык курамы окшош.AEP биомасса, экологиялык курамы жана зоопланктондун көптүгү ортосундагы байланыш татаал экенин баса белгилейт.Мисалы, AEP J фитопланктон жана планктон биомассасы жагынан өзгөчөлөнсө да, AEPтин A жана L планктондук биомассасы окшош, бирок А планктондун көптүгүнө ээ.AEP фитопланктон биомассасын (же Chl) зоопланктондун биомассасын болжолдоо үчүн колдонууга болбойт деп баса белгилейт.Зоопланктон балык чарба азык-түлүк чынжырынын пайдубалы болуп саналат жана так баа ресурстарды жакшыраак башкарууга алып келиши мүмкүн.Келечектеги деңиз түстүү спутниктери [мисалы, PACE (планктон, аэрозоль, булут жана деңиз экосистемасы)] фитопланктондун жамааттык түзүлүшүн баалоого жардам берүү үчүн жакшыраак жайгаштырылышы мүмкүн.AEP болжолдоосун колдонуу космостон зоопланктонду баалоону мүмкүн болушунча жеңилдетет.SAGE сыяктуу методдор, жаңы технологиялар жана жер бетиндеги чындыкты изилдөө үчүн жеткиликтүү болгон көбүрөөк талаа маалыматтары (мисалы, Тара жана кийинки изилдөөлөр) спутникке негизделген экосистеманын ден соолугуна мониторинг жүргүзүүгө бирге кадам ташташы мүмкүн.
SAGE методу биомасса/Chl, таза баштапкы өндүрүш жана жамааттын структурасы сыяктуу провинциянын өзгөчөлүктөрүн көзөмөлдөгөн кээ бир механизмдерди баалоо үчүн ыңгайлуу жолду камсыз кылат.Мисалы, диатомдордун салыштырмалуу саны фитопланктондун стехиометриялык талаптарына карата Si, N, P жана Fe менен камсыз кылуудагы дисбаланс менен белгиленет.Теңдештирилген камсыз кылуу ченинде коомчулукта диатомдор (L) үстөмдүк кылат.Жеткирүү ылдамдыгы тең салмактуу болбогондо (б.а. кремнийдин берилиши диатомдордун аш болумдуу заттарга болгон талабынан төмөн), диатомдор үлүштүн (К) аз гана бөлүгүн түзөт.Fe жана P запасы N жетишсиздигинен ашып кетсе (мисалы, Е жана Н) диазотрофтук бактериялар күчтүү өсөт.AEP тарабынан берилген контекст аркылуу башкаруу механизмдерин изилдөө пайдалуураак болот.
Эко-Провинция жана AEP жамааттык түзүмдөрү окшош аймактар.Экологиялык провинциянын же AEPтин ичиндеги белгилүү бир жерден алынган убакыт сериясы шилтеме катары каралышы мүмкүн жана экологиялык провинция же АЭП камтылган аймакты көрсөтө алат.Узак мөөнөттүү жер-жерлерде мониторинг станциялары мындай убакыт серияларын камсыз кылат.Узак мөөнөттүү in-situ маалымат топтомдору эсепсиз ролду ойной берет.Жамааттын структурасына мониторинг жүргүзүү көз карашынан алганда, SAGE ыкмасын жаңы сайттардын эң пайдалуу жайгашкан жерин аныктоого жардам берүүчү ыкма катары кароого болот.Мисалы, узак мөөнөттүү олиготрофиялык жашоо чөйрөсүн баалоодон (ALOHA) убакыт сериясы олиготрофиялык аймактын АЭБ В (сүрөт 5С, этикетка 2) болот.ALOHA башка AEP чек арасына жакын болгондуктан, убакыт сериясы мурда сунуш кылынгандай, бүткүл аймактын өкүлү болбошу мүмкүн (33).Ошол эле AEP B, SEATS (Түштүк-Чыгыш Азия убакыт сериясы) убакыт сериясы Тайвандын түштүк-батышында (34) жайгашкан, башка AEPтердин чектеринен алысыраак (сүрөт 5C, энбелги 1) жана мониторинг жүргүзүү үчүн жакшы жер катары колдонулушу мүмкүн. AEPB.AEPCдеги BATS (Bermuda Atlantic Time Series Study) убакыт сериясы (5С, энбелги 4) AEP C жана F ортосундагы чек арага абдан жакын, бул BATS убакыт сериясын колдонуу менен AEP C мониторинги түздөн-түз көйгөйлүү болушу мүмкүн экенин көрсөтүп турат.AEP Jдеги P станциясы (5С-сүрөт, этикетка 3) AEP чектеринен алыс жайгашкандыктан, ал көбүрөөк өкүлчүлүктүү.Эко-Провинция жана AEP глобалдык өзгөрүүлөрдү баалоо үчүн ылайыктуу мониторинг системасын түзүүгө жардам бере алат, анткени провинциялардын жеринде тандап алуу кайсы жерде негизги түшүнүктөрдү берерин баалоого уруксаты.SAGE методу убакытты үнөмдөөчү өзгөрмөлүүлүгүн баалоо үчүн климаттык маалыматтарга колдонуу үчүн дагы иштелип чыгышы мүмкүн.
SAGE методунун ийгилиги маалымат илимин/ML методдорун жана доменге тиешелүү билимди кылдат колдонуу аркылуу жетишилет.Тактап айтканда, t-SNE өлчөмдүүлүктү азайтуу үчүн колдонулат, ал жогорку өлчөмдүү маалыматтардын ковариация түзүмүн сактайт жана ковариация топологиясынын визуализациясын жеңилдетет.Маалыматтар тилкелер жана ковариациялар түрүндө жайгаштырылат (2А-сүрөт), бул таза аралыкка негизделген чаралар (мисалы, K-каражаттары) ылайыктуу эместигин көрсөтүп турат, анткени алар адатта Гаусс (тегерек) негизиндеги бөлүштүрүүнү колдонушат (S2 эскертүүсүндө талкууланат). .DBSCAN ыкмасы ар кандай ковариация топологиясына ылайыктуу.Параметрлерди коюуга көңүл бурсаңыз, ишенимдүү идентификацияны камсыз кылууга болот.t-SNE алгоритминин эсептөө наркы жогору, бул анын учурдагы колдонулушун маалыматтын чоңураак көлөмү менен чектейт, бул терең же убакыт боюнча өзгөргөн талааларга колдонуу кыйын экенин билдирет.t-SNE масштабдуулугу боюнча иштер жүрүп жатат.KL аралыкты параллелдештирүү оңой болгондуктан, t-SNE алгоритми келечекте кеңейүү үчүн жакшы потенциалга ээ (35).Азырынча, өлчөмдү жакшыраак азайта турган башка келечектүү өлчөмдүүлүктү азайтуунун ыкмаларына бирдиктүү көп тараптуу жакындатуу жана проекциялоо (UMAP) ыкмалары кирет, бирок океан маалыматтарынын контекстинде баалоо зарыл.Жакшыраак масштабдуулуктун мааниси, мисалы, глобалдык климатты же аралаш катмардагы ар кандай татаалдыктагы моделдерди классификациялоо.Кайсы бир провинцияда SAGE классификациясына кирбей калган аймактарды 2А-сүрөттө калган кара чекиттер катары кароого болот.Географиялык жактан бул аймактар негизинен мезгилдүү аймактарда жайгашкан, бул убакыттын өтүшү менен өзгөрүп турган экологиялык провинцияларды басып алуу жакшыраак камтууну камсыз кылат.
SAGE ыкмасын куруу үчүн функционалдык топтордун кластерлерин аныктоо (11 өлчөмдүү мейкиндикте өтө жакын болуу мүмкүнчүлүгү) жана провинцияларды аныктоо мүмкүнчүлүгүн колдонуу менен татаал системалардан/маалымат илиминен идеялар колдонулган.Бул провинциялар биздин 3D t-SNE фазасынын мейкиндигинде белгилүү көлөмдөрдү сүрөттөйт.Ошо сыяктуу эле, Пуанкаре бөлүгү "нормалдуу" же "баш аламан" жүрүм-турумду аныктоо үчүн траектория ээлеген мамлекеттик мейкиндиктин "көлөмүн" баалоо үчүн колдонулушу мүмкүн (36).Статикалык 11 өлчөмдүү моделдин чыгышы үчүн, маалыматтар 3D фазалык мейкиндикке айландырылгандан кийин ээлеген көлөмдү ушундай эле түшүндүрсө болот.3D фаза мейкиндигинде географиялык аймак менен аймактын ортосундагы байланыш жөнөкөй эмес, бирок аны экологиялык окшоштук менен түшүндүрүүгө болот.Ушул себептен улам, көбүрөөк шарттуу BC айырмачылык өлчөм артыкчылык берилет.
Келечектеги иштер аныкталган провинциялардын жана AEPтин мейкиндик өзгөрмөлүүлүгүн баалоо үчүн сезондук өзгөрүүлөр үчүн SAGE ыкмасын кайра колдонот.Келечектеги максат бул ыкманы спутниктик өлчөөлөр (мисалы, Chl-a, алыстан зондоонун чагылышы жана деңиз бетинин температурасы сыяктуу) аркылуу кайсы провинцияларды аныктоого болорун аныктоого жардам берүү үчүн колдонуу болуп саналат.Бул экологиялык компоненттерди аралыктан зонддоо менен баалоого жана экологиялык провинцияларга жана алардын өзгөрмөлүүлүгүнө өтө ийкемдүү мониторинг жүргүзүүгө мүмкүндүк берет.
Бул изилдөөнүн максаты - планктондук жамааттын уникалдуу түзүмү аркылуу экологиялык провинцияны аныктаган SAGE ыкмасын киргизүү.Бул жерде физикалык/биогеохимиялык/экосистемалык модель жана t-SNE жана DBSCAN алгоритмдеринин параметр тандоосу жөнүндө кеңири маалымат берилет.
Моделдин физикалык компоненттери океандын циркуляциясын жана климатты баалоодон келип чыгат [ECCOv4;(37) (38) тарабынан сүрөттөлгөн глобалдык мамлекеттик баа.Мамлекеттик баа берүүнүн номиналдык резолюциясы 1/5 түзөт.Лагранждык көбөйтүүчү ыкмасы менен эң аз квадраттар ыкмасы байкоо жолу менен жөнгө салынган баштапкы жана чектик шарттарды жана ички моделдин параметрлерин алуу үчүн колдонулат, ошону менен эркин иштеп жаткан MIT жалпы цикл моделин (MITgcm) (39) түзүшөт, модель Оптималдаштыруудан кийин натыйжалар байкоо жана байкоо жүргүзүү.
Биогеохимиянын/экосистеманын толук сыпаттамасы (б.а. теңдемелер жана параметр маанилери) (2)де бар.Модель органикалык эмес жана органикалык көлмөлөр аркылуу C, N, P, Si жана Fe циркуляциясын чагылдырат.Бул жерде колдонулган версия фитопланктондун 35 түрүн камтыйт: микропрокариоттордун 2 түрү жана микроэукариоттордун 2 түрү (аз азыктуу чөйрөгө ылайыктуу), Cryptomonas sphaeroidesтин 5 түрү (кальций карбонаты менен капталган), диазонийдин 5 түрү (Азотту бекитет, ошондуктан ал чектелбейт) ээриген органикалык эмес азоттун болушу, 11 диатомдор (кремнийлүү катмарды түзүүчү), 10 аралаш-вегетативдик флагеллаттар (башка планктондорду фотосинтездеп жей алат) жана 16 зоопланктон (башка планктондордо багышат).Булар «биогеохимиялык функционалдуу топтор» деп аталат, анткени алар деңиз биогеохимиясына ар кандай таасир тийгизет (40, 41) жана көбүнчө байкоо жана моделдик изилдөөлөрдө колдонулат.Бул моделде ар бир функционалдык топ ар түрдүү өлчөмдөгү бир нече планктондордон турат, алардын аралыгы 0,6дан 2500 мкм эквиваленттүү сфералык диаметрге чейин.
Фитопланктондун өсүшүнө, жайытына жана чөгүшүнө таасир этүүчү параметрлер өлчөмүнө байланыштуу жана фитопланктондун алты функционалдуу топторунун ортосунда өзгөчө айырмачылыктар бар (32).Ар кандай физикалык алкактарга карабастан, моделдин 51 планктондук компоненттеринин натыйжалары бир катар акыркы изилдөөлөрдө колдонулган (42-44).
1992-жылдан 2011-жылга чейин физикалык/биогеохимиялык/экосистемалык бириктирүү модели 20 жыл бою иштеген.Моделдин жыйынтыгы планктон биомассасын, аш болумдуу заттардын концентрациясын жана азыктандыруу ылдамдыгын (DIN, PO4, Si жана Fe) камтыйт.Бул изилдөөдө бул жыйынтыктардын 20 жылдык орточо көрсөткүчү Экологиялык облустун салымы катары колдонулган.Chl, планктон биомассасынын жана азык концентрациясынын бөлүштүрүлүшү жана функционалдык топтордун бөлүштүрүлүшү спутниктен жана жеринде жүргүзүлгөн байкоолор менен салыштырылган [караңыз (2, 44), S1 эскертүүсү жана сүрөт.S1 - S3].
SAGE ыкмасы үчүн кокустуктун негизги булагы t-SNE кадамынан келип чыгат.Кокустук кайталанууга тоскоол болот, демек натыйжалар ишенимсиз.SAGE методу t-SNE жана DBSCAN параметрлеринин жыйындысын аныктоо менен бекемдикти катуу текшерет, алар кайталанганда кластерлерди ырааттуу аныктай алат.t-SNE параметринин "таңкалышын" аныктоону жогоркудан төмөн өлчөмгө чейин картага түшүрүү маалыматтардын жергиликтүү же глобалдык мүнөздөмөлөрүн урматтоо даражасын аныктоо деп түшүнүүгө болот.400 жана 300 итерациянын башаламандыгына жетти.
DBSCAN кластерлөө алгоритми үчүн кластердеги маалымат чекиттеринин минималдуу өлчөмү жана аралык метрикасын аныктоо керек.Минималдуу саны адистердин жетекчилиги астында аныкталат.Бул билим учурдагы сандык моделдөө алкагына жана резолюциясына эмне туура келерин билет.Минималдуу сан 100. Жогорку минималдуу маани (жашыл түстүн жогорку чеги кеңейгенге чейин <135тен аз) каралышы мүмкүн, бирок ал BC окшош эместигине негизделген топтоо ыкмасын алмаштыра албайт.Байланыш даражасы (6А-сүрөт) ϵ параметрин коюу үчүн колдонулат, ал көбүрөөк камтууга шарт түзөт (6B-сүрөт).Байланыш кластерлердин курама саны катары аныкталат жана ϵ параметрине сезгич.Төмөнкү туташуу аймактарды жасалма түрдө бириктирип, жетишсиздигин көрсөтүп турат.Жогорку туташуу ашыкча тууралоону көрсөтөт.Ашыкча тууралоо да көйгөйлүү, анткени ал баштапкы кокустук божомолдор кайталангыс натыйжаларга алып келиши мүмкүн экенин көрсөтүп турат.Бул эки чектин ортосундагы кескин өсүш (адатта "чыканак" деп аталат) эң жакшы ϵ көрсөткүчүн көрсөтөт.6А-сүрөттө сиз плато аянтынын кескин көбөйгөнүн (сары,> 200 кластер), андан кийин кескин төмөндөшүн (жашыл, 100 кластер), 130га чейин, өтө аз кластерлер менен курчалганын көрөсүз (көк, <60 кластер) ).Кеминде 100 көгүш аймактарда же бир кластер бүтүндөй океанды үстөмдүк кылат (ϵ <0,42), же океандын көпчүлүк бөлүгү классификацияланбайт жана ызы-чуу (ϵ> 0,99) деп эсептелет.Сары аймак өтө өзгөрмөлүү, кайталангыс кластердик бөлүштүрүүгө ээ.ϵ азайган сайын ызы-чуу күчөйт.кескин өсүп жаткан жашыл аймак чыканак деп аталат.Бул оптималдуу аймак болуп саналат.t-SNE ыктымалдыгы колдонулса да, провинциянын ичиндеги BC окшош эместиги дагы эле ишенимдүү кластерлөөнү аныктоо үчүн колдонулушу мүмкүн.6-сүрөттү (А жана В) колдонуп, ϵти 0,39га коюңуз.Минималдуу сан канчалык чоң болсо, ишенимдүү классификациялоого мүмкүндүк берген ϵге жетүү ыктымалдыгы ошончолук азыраак болот жана 135тен жогору жашыл аймак ошончолук чоң болот. Бул аймактын чоңоюшу чыканакты табуу кыйыныраак болорун көрсөтүп турат. бар.
t-SNE параметрлерин койгондон кийин, табылган кластерлердин жалпы саны байланыштын өлчөмү (A) жана кластерге (B) бөлүнгөн маалыматтардын пайызы катары колдонулат.Кызыл чекит камтуу менен байланыштын эң жакшы айкалышын көрсөтөт.Минималдуу сан экологияга байланыштуу минималдуу санга ылайык белгиленет.
Бул макала үчүн кошумча материалдарды караңыз: http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1
Бул Creative Commons Attribution License шарттарына ылайык таратылган ачык кирүү макаласы.Макала эч кандай чектөөсүз колдонууга, жайылтууга жана кайра чыгарууга уруксат берет, эгерде оригиналдуу чыгарма туура келтирилген болсо.
Эскертүү: Биз сизден электрондук почта дарегиңизди көрсөтүүнү гана суранабыз, андыктан сиз баракчага сунуштаган адам сиздин электрондук катты көрүүнү каалап жатканыңызды жана ал спам эмес экенин билиши үчүн.Биз эч кандай электрондук почта даректерин басып албайт.
Бул суроо сиздин конок экениңизди текшерүү жана автоматтык түрдө спам жөнөтүүнү алдын алуу үчүн колдонулат.
Глобалдык деңиз экология министрлиги татаал маселелерди чечүүгө чечкиндүү жана коомчулуктун структураларын изилдөө үчүн көзөмөлсүз ML колдонот.
Глобалдык деңиз экология министрлиги татаал маселелерди чечүүгө чечкиндүү жана коомчулуктун структураларын изилдөө үчүн көзөмөлсүз ML колдонот.
Посттун убактысы: 2021-жылдын 12-январына чейин