പാരിസ്ഥിതിക സങ്കീർണ്ണത വ്യക്തമാക്കുന്നത്: മേൽനോട്ടമില്ലാത്ത പഠനം ആഗോള സമുദ്ര പാരിസ്ഥിതിക പ്രവിശ്യയെ നിർണ്ണയിക്കുന്നു

പ്ലാങ്ക്ടൺ കമ്മ്യൂണിറ്റി ഘടനയും പോഷക പ്രവാഹ ഡാറ്റയും അടിസ്ഥാനമാക്കി ആഗോള സമുദ്ര പാരിസ്ഥിതിക പ്രവിശ്യകൾ (ഇക്കോ പ്രവിശ്യകൾ) നിർണ്ണയിക്കാൻ ഒരു മേൽനോട്ടമില്ലാത്ത പഠന രീതി നിർദ്ദേശിക്കപ്പെടുന്നു.സിസ്റ്റമാറ്റിക് ഇന്റഗ്രേറ്റഡ് ഇക്കോളജിക്കൽ പ്രൊവിൻസ് (SAGE) രീതിക്ക് ഉയർന്ന രേഖീയമല്ലാത്ത ഇക്കോസിസ്റ്റം മോഡലുകളിൽ പാരിസ്ഥിതിക പ്രവിശ്യകളെ തിരിച്ചറിയാൻ കഴിയും.ഡാറ്റയുടെ നോൺ-ഗൗസിയൻ കോവേരിയൻസുമായി പൊരുത്തപ്പെടുന്നതിന്, ഡൈമൻഷണാലിറ്റി കുറയ്ക്കുന്നതിന് SAGE ടി റാൻഡം അയൽവാസി എംബെഡിംഗ് (t-SNE) ഉപയോഗിക്കുന്നു.സാന്ദ്രത അടിസ്ഥാനമാക്കിയുള്ള സ്പേഷ്യൽ ക്ലസ്റ്ററിംഗ് (DBSCAN) അൽഗോരിതം അടിസ്ഥാനമാക്കിയുള്ള നോയിസ് ആപ്ലിക്കേഷന്റെ സഹായത്തോടെ, നൂറിലധികം പാരിസ്ഥിതിക പ്രവിശ്യകൾ തിരിച്ചറിയാൻ കഴിയും.പാരിസ്ഥിതിക വ്യത്യാസങ്ങളുള്ള കണക്റ്റിവിറ്റി മാപ്പ് ദൂരത്തിന്റെ അളവുകോലായി ഉപയോഗിക്കുന്നതിലൂടെ, ഒരു കരുത്തുറ്റ അഗ്രഗേറ്റഡ് ഇക്കോളജിക്കൽ പ്രൊവിൻസ് (AEP) നെസ്റ്റഡ് പാരിസ്ഥിതിക പ്രവിശ്യകളിലൂടെ വസ്തുനിഷ്ഠമായി നിർവചിക്കപ്പെടുന്നു.AEP-കൾ ഉപയോഗിച്ച്, കമ്മ്യൂണിറ്റി ഘടനയിലെ പോഷക വിതരണ നിരക്കിന്റെ നിയന്ത്രണം പര്യവേക്ഷണം ചെയ്തു.ഇക്കോ-പ്രവിശ്യയും എഇപിയും അദ്വിതീയവും മാതൃകാ വ്യാഖ്യാനത്തെ സഹായിക്കും.അവയ്ക്ക് മോഡലുകൾ തമ്മിലുള്ള താരതമ്യങ്ങൾ സുഗമമാക്കാനും സമുദ്ര ആവാസവ്യവസ്ഥയെക്കുറിച്ചുള്ള ധാരണയും നിരീക്ഷണവും വർദ്ധിപ്പിക്കാനും കഴിയും.
പ്രവിശ്യകൾ കടലിലോ കരയിലോ ഉള്ള സങ്കീർണ്ണമായ ബയോജിയോഗ്രഫി യോജിച്ചതും അർത്ഥവത്തായതുമായ മേഖലകളായി ക്രമീകരിച്ചിരിക്കുന്ന പ്രദേശങ്ങളാണ് (1).ഈ പ്രവിശ്യകൾ ലൊക്കേഷനുകൾ താരതമ്യം ചെയ്യുന്നതിനും വ്യത്യസ്‌തമാക്കുന്നതിനും നിരീക്ഷണങ്ങളുടെ സ്വഭാവത്തിനും നിരീക്ഷണത്തിനും സംരക്ഷണത്തിനും വളരെ പ്രധാനമാണ്.ഈ പ്രവിശ്യകൾ സൃഷ്ടിക്കുന്ന സങ്കീർണ്ണവും രേഖീയമല്ലാത്തതുമായ ഇടപെടലുകൾ, പ്രവിശ്യകളെ വസ്തുനിഷ്ഠമായി നിർണ്ണയിക്കുന്നതിന് മേൽനോട്ടമില്ലാത്ത മെഷീൻ ലേണിംഗ് (ML) രീതികളെ വളരെ അനുയോജ്യമാക്കുന്നു, കാരണം ഡാറ്റയിലെ കോവേരിയൻസ് സങ്കീർണ്ണവും നോൺ-ഗൗസിയൻ ആണ്.ഇവിടെ, ഒരു ML രീതി നിർദ്ദേശിക്കപ്പെട്ടിരിക്കുന്നു, അത് ഡാർവിൻ ആഗോള ത്രിമാന (3D) ഫിസിക്കൽ/ഇക്കോസിസ്റ്റം മോഡലിൽ നിന്ന് (2) തനതായ സമുദ്ര പാരിസ്ഥിതിക പ്രവിശ്യകളെ (ഇക്കോ പ്രവിശ്യകൾ) വ്യവസ്ഥാപിതമായി തിരിച്ചറിയുന്നു.തിരിച്ചറിഞ്ഞ പ്രദേശം മറ്റ് പ്രദേശങ്ങളുമായി വേണ്ടത്ര ഓവർലാപ്പ് ചെയ്യുന്നില്ലെന്ന് സൂചിപ്പിക്കാൻ "അദ്വിതീയ" എന്ന പദം ഉപയോഗിക്കുന്നു.ഈ രീതിയെ സിസ്റ്റം ഇന്റഗ്രേറ്റഡ് ഇക്കോളജിക്കൽ പ്രൊവിൻസ് (SAGE) രീതി എന്ന് വിളിക്കുന്നു.ഉപയോഗപ്രദമായ വർഗ്ഗീകരണം നടത്തുന്നതിന്, ഒരു അൽഗോരിതം രീതിക്ക് (i) ആഗോള വർഗ്ഗീകരണവും (ii) സ്ഥലത്തിലും സമയത്തിലും (3) നെസ്റ്റഡ്/ഗ്രേഗേറ്റ് ചെയ്യാവുന്ന മൾട്ടി-സ്കെയിൽ വിശകലനം അനുവദിക്കേണ്ടതുണ്ട്.ഈ ഗവേഷണത്തിൽ, SAGE രീതി ആദ്യം നിർദ്ദേശിക്കുകയും തിരിച്ചറിഞ്ഞ പാരിസ്ഥിതിക പ്രവിശ്യകൾ ചർച്ച ചെയ്യുകയും ചെയ്തു.കമ്മ്യൂണിറ്റി ഘടനയെ നിയന്ത്രിക്കുന്ന ഘടകങ്ങളെക്കുറിച്ചുള്ള ധാരണ പ്രോത്സാഹിപ്പിക്കാനും തന്ത്രങ്ങൾ നിരീക്ഷിക്കുന്നതിന് ഉപയോഗപ്രദമായ സ്ഥിതിവിവരക്കണക്കുകൾ നൽകാനും പരിസ്ഥിതി വ്യവസ്ഥയിലെ മാറ്റങ്ങൾ ട്രാക്ക് ചെയ്യാൻ സഹായിക്കാനും ഇക്കോ പ്രവിശ്യകൾക്ക് കഴിയും.
കാലാവസ്ഥ (മഴയും താപനിലയും), മണ്ണ്, സസ്യങ്ങൾ, ജന്തുജാലങ്ങൾ എന്നിവയിലെ സമാനതകൾ അനുസരിച്ച് ഭൗമ പ്രവിശ്യകളെ സാധാരണയായി തരം തിരിച്ചിരിക്കുന്നു, അവ സഹായ പരിപാലനം, ജൈവവൈവിധ്യ ഗവേഷണം, രോഗ നിയന്ത്രണം (1, 4) എന്നിവയ്ക്കായി ഉപയോഗിക്കുന്നു.മറൈൻ പ്രവിശ്യകൾ നിർവചിക്കാൻ കൂടുതൽ ബുദ്ധിമുട്ടാണ്.മിക്ക ജീവികളും ദ്രാവക അതിരുകളുള്ള സൂക്ഷ്മദർശിനികളാണ്.Longhurst et al.(5) പാരിസ്ഥിതിക സാഹചര്യങ്ങളെ അടിസ്ഥാനമാക്കി സമുദ്രശാസ്ത്ര മന്ത്രാലയത്തിന്റെ ആദ്യത്തെ ആഗോള വർഗ്ഗീകരണങ്ങളിലൊന്ന് നൽകി.ഈ "ലോംഗ്‌ഹർസ്റ്റ്" പ്രവിശ്യകളുടെ നിർവചനത്തിൽ മിക്സിംഗ് റേറ്റ്, സ്‌ട്രാറ്റിഫിക്കേഷൻ, റേഡിയൻസ് തുടങ്ങിയ വേരിയബിളുകളും സമുദ്ര ആവാസവ്യവസ്ഥയ്ക്ക് മറ്റ് പ്രധാന വ്യവസ്ഥകളുള്ള ഒരു സമുദ്ര സമുദ്രശാസ്ത്രജ്ഞനെന്ന നിലയിൽ ലോംഗ്‌ഹർസ്റ്റിന്റെ വിപുലമായ അനുഭവവും ഉൾപ്പെടുന്നു.ഉദാഹരണത്തിന്, പ്രാഥമിക ഉൽപ്പാദനവും കാർബൺ ഫ്ളക്സുകളും വിലയിരുത്തുന്നതിനും മത്സ്യബന്ധനത്തെ സഹായിക്കുന്നതിനും സിറ്റു നിരീക്ഷണ പ്രവർത്തനങ്ങളിൽ ആസൂത്രണം ചെയ്യുന്നതിനും ലോങ്ഹർസ്റ്റ് വ്യാപകമായി ഉപയോഗിച്ചു (5-9).പ്രവിശ്യകളെ കൂടുതൽ വസ്തുനിഷ്ഠമായി നിർവചിക്കുന്നതിനായി, അവ്യക്തമായ യുക്തിയും പ്രാദേശിക മേൽനോട്ടമില്ലാത്ത ക്ലസ്റ്ററിംഗ്/ സ്ഥിതിവിവരക്കണക്കുകളും പോലുള്ള രീതികൾ ഉപയോഗിച്ചു (9-14).ലഭ്യമായ നിരീക്ഷണ ഡാറ്റയിൽ പ്രവിശ്യകളെ തിരിച്ചറിയാൻ കഴിയുന്ന അർത്ഥവത്തായ ഘടനകളെ തിരിച്ചറിയുക എന്നതാണ് ഇത്തരം രീതികളുടെ ലക്ഷ്യം.ഉദാഹരണത്തിന്, ഡൈനാമിക് മറൈൻ പ്രവിശ്യകൾ (12) ശബ്ദം കുറയ്ക്കുന്നതിന് സ്വയം-ഓർഗനൈസിംഗ് മാപ്പുകൾ ഉപയോഗിക്കുന്നു, കൂടാതെ പ്രാദേശിക ഉപഗ്രഹങ്ങളിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ സമുദ്ര വർണ്ണ ഉൽപ്പന്നങ്ങൾ നിർണ്ണയിക്കാൻ ഹൈറാർക്കിക്കൽ (വൃക്ഷത്തെ അടിസ്ഥാനമാക്കിയുള്ള) ക്ലസ്റ്ററിംഗ് ഉപയോഗിക്കുന്നു [ക്ലോറോഫിൽ a (Chl-a), നോർമലൈസ്ഡ് ഫ്ലൂറസെൻസ് ലൈൻ ഉയരം നിറമുള്ള അലിഞ്ഞുചേർന്ന ജൈവവസ്തുക്കൾ] ഭൗതിക മണ്ഡലം (കടൽ ഉപരിതല താപനിലയും ലവണാംശവും, കേവല ചലനാത്മക ഭൂപ്രകൃതിയും കടൽ ഹിമവും).
പ്ലവകങ്ങളുടെ സമൂഹഘടന ആശങ്കാജനകമാണ്, കാരണം അതിന്റെ പരിസ്ഥിതിശാസ്ത്രത്തിന് ഉയർന്ന പോഷകങ്ങളുടെ അളവ്, കാർബൺ ആഗിരണം, കാലാവസ്ഥ എന്നിവയിൽ വലിയ സ്വാധീനമുണ്ട്.എന്നിരുന്നാലും, പ്ലാങ്ക്ടൺ കമ്മ്യൂണിറ്റി ഘടനയെ അടിസ്ഥാനമാക്കി ഒരു ആഗോള പാരിസ്ഥിതിക പ്രവിശ്യ നിർണ്ണയിക്കുന്നത് ഇപ്പോഴും വെല്ലുവിളി നിറഞ്ഞതും അവ്യക്തവുമായ ലക്ഷ്യമാണ്.മറൈൻ കളർ സാറ്റലൈറ്റുകൾക്ക് ഫൈറ്റോപ്ലാങ്ക്ടണിന്റെ പരുക്കൻ വർഗ്ഗീകരണത്തെ കുറിച്ചുള്ള ഉൾക്കാഴ്ചകൾ നൽകാനോ ഫംഗ്ഷണൽ ഗ്രൂപ്പുകളുടെ ഗുണങ്ങൾ നിർദ്ദേശിക്കാനോ കഴിയും (15), എന്നാൽ അവയ്ക്ക് നിലവിൽ കമ്മ്യൂണിറ്റി ഘടനയെക്കുറിച്ച് വിശദമായ വിവരങ്ങൾ നൽകാൻ കഴിയുന്നില്ല.സമീപകാല സർവേകൾ [ഉദാഹരണത്തിന് താരാ സമുദ്രം (16)] കമ്മ്യൂണിറ്റി ഘടനയുടെ അഭൂതപൂർവമായ അളവുകൾ നൽകുന്നു;നിലവിൽ, ആഗോള തലത്തിൽ വിരളമായ ഇൻ-സിറ്റു നിരീക്ഷണങ്ങൾ മാത്രമേയുള്ളൂ (17).മുൻകാല പഠനങ്ങൾ ബയോകെമിക്കൽ സാമ്യതകൾ (പ്രാഥമിക ഉൽപ്പാദനം, Chl, ലഭ്യമായ പ്രകാശം എന്നിവ പോലുള്ളവ) നിർണ്ണയത്തെ അടിസ്ഥാനമാക്കി "ബയോജിയോകെമിക്കൽ പ്രൊവിൻസ്" (12, 14, 18) നിർണ്ണയിച്ചിട്ടുണ്ട്.ഇവിടെ, [ഡാർവിൻ(2)] ഔട്ട്പുട്ട് ചെയ്യാൻ സംഖ്യാ മാതൃക ഉപയോഗിക്കുന്നു, കൂടാതെ കമ്മ്യൂണിറ്റി ഘടനയും പോഷക പ്രവാഹവും അനുസരിച്ച് പാരിസ്ഥിതിക പ്രവിശ്യ നിർണ്ണയിക്കപ്പെടുന്നു.ഈ പഠനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന സംഖ്യാ മോഡലിന് ആഗോള കവറേജ് ഉണ്ട്, നിലവിലുള്ള ഫീൽഡ് ഡാറ്റ (17), റിമോട്ട് സെൻസിംഗ് ഫീൽഡുകൾ (കുറിപ്പ് S1) എന്നിവയുമായി താരതമ്യം ചെയ്യാം.ഈ പഠനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന സംഖ്യാ മോഡൽ ഡാറ്റയ്ക്ക് ആഗോള കവറേജിന്റെ പ്രയോജനമുണ്ട്.മാതൃകാ ആവാസവ്യവസ്ഥയിൽ 35 ഇനം ഫൈറ്റോപ്ലാങ്ക്ടണും 16 ഇനം സൂപ്ലാങ്ക്ടണും അടങ്ങിയിരിക്കുന്നു (ദയവായി മെറ്റീരിയലുകളും രീതികളും കാണുക).മോഡൽ പ്ലാങ്ക്ടൺ തരങ്ങൾ നോൺ-ഗൗസിയൻ കോവേറിയൻസ് ഘടനകളുമായി രേഖീയമല്ലാത്ത രീതിയിൽ ഇടപഴകുന്നു, അതിനാൽ ഉയർന്നുവരുന്ന കമ്മ്യൂണിറ്റി ഘടനകളിലെ അതുല്യവും സ്ഥിരതയുള്ളതുമായ പാറ്റേണുകൾ തിരിച്ചറിയുന്നതിന് ലളിതമായ ഡയഗ്നോസ്റ്റിക് രീതികൾ അനുയോജ്യമല്ല.ഇവിടെ അവതരിപ്പിച്ച SAGE രീതി സങ്കീർണ്ണമായ ഡാർവിൻ മോഡലുകളുടെ ഔട്ട്പുട്ട് പരിശോധിക്കുന്നതിനുള്ള ഒരു പുതിയ മാർഗം നൽകുന്നു.
ഡാറ്റാ സയൻസ്/എംഎൽ ടെക്‌നോളജിയുടെ ശക്തമായ പരിവർത്തന കഴിവുകൾ, ഡാറ്റ കോവേരിയൻസിൽ സങ്കീർണ്ണവും എന്നാൽ കരുത്തുറ്റതുമായ ഘടനകൾ വെളിപ്പെടുത്തുന്നതിന് അതിസങ്കീർണ്ണമായ മാതൃകാ പരിഹാരങ്ങളെ പ്രാപ്തമാക്കും.തന്നിരിക്കുന്ന പിശക് പരിധിക്കുള്ളിൽ ഫലങ്ങൾ വിശ്വസ്തമായി പുനർനിർമ്മിക്കാൻ കഴിയുന്ന ഒരു രീതിയായി ഒരു ശക്തമായ രീതി നിർവചിക്കപ്പെടുന്നു.ലളിതമായ സിസ്റ്റങ്ങളിൽ പോലും, ശക്തമായ പാറ്റേണുകളും സിഗ്നലുകളും നിർണ്ണയിക്കുന്നത് ഒരു വെല്ലുവിളിയാണ്.നിരീക്ഷിച്ച പാറ്റേണിലേക്ക് നയിക്കുന്ന യുക്തി നിർണ്ണയിക്കുന്നത് വരെ, ഉയർന്നുവരുന്ന സങ്കീർണ്ണത സങ്കീർണ്ണവും പരിഹരിക്കാൻ പ്രയാസകരവുമാണെന്ന് തോന്നിയേക്കാം.ആവാസവ്യവസ്ഥയുടെ ഘടന ക്രമീകരിക്കുന്നതിനുള്ള പ്രധാന പ്രക്രിയ രേഖീയമല്ലാത്ത സ്വഭാവമാണ്.നോൺ-ലീനിയർ ഇടപെടലുകളുടെ അസ്തിത്വം ശക്തമായ വർഗ്ഗീകരണത്തെ ആശയക്കുഴപ്പത്തിലാക്കും, അതിനാൽ ഡാറ്റ കോവേരിയൻസിന്റെ അടിസ്ഥാന സ്റ്റാറ്റിസ്റ്റിക്കൽ വിതരണത്തെക്കുറിച്ച് ശക്തമായ അനുമാനങ്ങൾ ഉണ്ടാക്കുന്ന രീതികൾ ഒഴിവാക്കേണ്ടത് ആവശ്യമാണ്.ഉയർന്ന അളവിലുള്ളതും രേഖീയമല്ലാത്തതുമായ ഡാറ്റ സമുദ്രശാസ്ത്രത്തിൽ സാധാരണമാണ്, കൂടാതെ സങ്കീർണ്ണവും നോൺ-ഗൗസിയൻ ടോപ്പോളജിയും ഉള്ള ഒരു കോവേരിയൻസ് ഘടന ഉണ്ടായിരിക്കാം.നോൺ-ഗൗസിയൻ കോവേറിയൻസ് ഘടനയുള്ള ഡാറ്റ ശക്തമായ വർഗ്ഗീകരണത്തിന് തടസ്സമാകുമെങ്കിലും, ഏകപക്ഷീയമായ ടോപ്പോളജികളുള്ള ക്ലസ്റ്ററുകളെ തിരിച്ചറിയാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതിനാൽ SAGE രീതി പുതുമയുള്ളതാണ്.
കൂടുതൽ പാരിസ്ഥിതിക ധാരണയെ സഹായിക്കുന്ന ഉയർന്നുവരുന്ന പാറ്റേണുകളെ വസ്തുനിഷ്ഠമായി തിരിച്ചറിയുക എന്നതാണ് SAGE രീതിയുടെ ലക്ഷ്യം.(19) എന്നതിന് സമാനമായ ഒരു ക്ലസ്റ്റർ അധിഷ്ഠിത വർക്ക്ഫ്ലോയെ പിന്തുടർന്ന്, പാരിസ്ഥിതിക പ്രവിശ്യ എന്ന് വിളിക്കപ്പെടുന്ന ഡാറ്റയിലെ ഏക ക്ലസ്റ്ററിനെ നിർണ്ണയിക്കാൻ പാരിസ്ഥിതികവും പോഷകവുമായ ഫ്ലക്സ് വേരിയബിളുകൾ ഉപയോഗിക്കുന്നു.ഈ പഠനത്തിൽ നിർദ്ദേശിച്ചിട്ടുള്ള SAGE രീതി (ചിത്രം 1) ആദ്യം ഒരു പ്രിയോറി നിർവചിച്ചിരിക്കുന്ന പ്ലാങ്ക്ടൺ ഫങ്ഷണൽ ഗ്രൂപ്പുകളെ സംഗ്രഹിച്ചുകൊണ്ട് ഡൈമൻഷണാലിറ്റി 55 ൽ നിന്ന് 11 ആയി കുറയ്ക്കുന്നു (മെറ്റീരിയലുകളും രീതികളും കാണുക).ടി-റാൻഡം അയൽവാസി എംബെഡിംഗ് (t-SNE) രീതി ഉപയോഗിച്ച്, 3D സ്‌പെയ്‌സിലേക്ക് പ്രോബബിലിറ്റി പ്രൊജക്‌റ്റ് ചെയ്‌ത് വലുപ്പം കൂടുതൽ കുറയ്ക്കുന്നു.മേൽനോട്ടമില്ലാത്ത ക്ലസ്റ്ററിംഗിന് പാരിസ്ഥിതികമായി അടുത്തുള്ള പ്രദേശങ്ങൾ തിരിച്ചറിയാൻ കഴിയും [സാന്ദ്രത അടിസ്ഥാനമാക്കിയുള്ള സ്പേഷ്യൽ ക്ലസ്റ്ററിംഗ് (ഡിബിഎസ്‌സി‌എഎൻ) ശബ്ദ-അടിസ്ഥാന പ്രയോഗങ്ങൾക്കായി].t-SNE, DBSCAN എന്നിവ അന്തർലീനമായ നോൺ-ലീനിയർ ഇക്കോസിസ്റ്റം സംഖ്യാ മോഡൽ ഡാറ്റയ്ക്ക് ബാധകമാണ്.അപ്പോൾ തത്ഫലമായുണ്ടാകുന്ന പാരിസ്ഥിതിക പ്രവിശ്യയെ ഭൂമിയിലേക്ക് പുനർനിർമ്മിക്കുക.പ്രാദേശിക ഗവേഷണത്തിന് അനുയോജ്യമായ നൂറിലധികം അദ്വിതീയ പാരിസ്ഥിതിക പ്രവിശ്യകൾ തിരിച്ചറിഞ്ഞിട്ടുണ്ട്.ആഗോളതലത്തിൽ സ്ഥിരതയുള്ള ഇക്കോസിസ്റ്റം മോഡൽ പരിഗണിക്കുന്നതിനായി, പാരിസ്ഥിതിക പ്രവിശ്യകളുടെ ഫലപ്രാപ്തി മെച്ചപ്പെടുത്തുന്നതിന് പാരിസ്ഥിതിക പ്രവിശ്യകളെ മൊത്തം പരിസ്ഥിതി പ്രവിശ്യകളായി (AEP) സംയോജിപ്പിക്കാൻ SAGE രീതി ഉപയോഗിക്കുന്നു.അഗ്രഗേഷൻ ലെവൽ ("സങ്കീർണ്ണത" എന്ന് വിളിക്കുന്നു) ആവശ്യമായ വിശദാംശങ്ങളുടെ തലത്തിലേക്ക് ക്രമീകരിക്കാം.ഒരു കരുത്തുറ്റ AEP യുടെ ഏറ്റവും കുറഞ്ഞ സങ്കീർണ്ണത നിർണ്ണയിക്കുക.തിരഞ്ഞെടുക്കലിന്റെ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത് SAGE രീതിയാണ്, കൂടാതെ എമർജൻസി കമ്മ്യൂണിറ്റി ഘടനയുടെ നിയന്ത്രണം നിർണ്ണയിക്കാൻ ഏറ്റവും ചെറിയ സങ്കീർണ്ണത AEP കേസുകൾ പര്യവേക്ഷണം ചെയ്യുകയുമാണ്.പാറ്റേണുകൾ പാരിസ്ഥിതിക സ്ഥിതിവിവരക്കണക്കുകൾ നൽകുന്നതിന് വിശകലനം ചെയ്യാം.ഇവിടെ അവതരിപ്പിച്ചിരിക്കുന്ന രീതി കൂടുതൽ വിപുലമായി മോഡൽ താരതമ്യത്തിനായി ഉപയോഗിക്കാം, ഉദാഹരണത്തിന്, വ്യത്യസ്ത മോഡലുകളിൽ കാണപ്പെടുന്ന സമാന പാരിസ്ഥിതിക പ്രവിശ്യകളുടെ സ്ഥാനങ്ങൾ വിലയിരുത്തുന്നതിലൂടെ, വ്യത്യാസങ്ങളും സമാനതകളും ഹൈലൈറ്റ് ചെയ്യുന്നതിലൂടെ, മോഡലുകളെ താരതമ്യം ചെയ്യാം.
(എ) പാരിസ്ഥിതിക പ്രവിശ്യ നിർണ്ണയിക്കുന്നതിനുള്ള വർക്ക്ഫ്ലോയുടെ സ്കീമാറ്റിക് ഡയഗ്രം;ഫങ്ഷണൽ ഗ്രൂപ്പിലെ തുക ഉപയോഗിച്ച് യഥാർത്ഥ 55-ഡൈമൻഷണൽ ഡാറ്റയെ 11-ഡൈമൻഷണൽ മോഡൽ ഔട്ട്‌പുട്ടിലേക്ക് കുറയ്ക്കുന്നു, ഏഴ് ഫങ്ഷണൽ/ന്യൂട്രിയന്റ് പ്ലാങ്ക്ടണിന്റെ ബയോമാസും നാല് പോഷക വിതരണ നിരക്കും ഉൾപ്പെടുന്നു.തുച്ഛമായ മൂല്യവും നീണ്ടുനിൽക്കുന്ന ഐസ് കവർ ഏരിയയും.ഡാറ്റ സ്റ്റാൻഡേർഡ് ചെയ്യുകയും സ്റ്റാൻഡേർഡ് ചെയ്യുകയും ചെയ്തു.സ്ഥിതിവിവരക്കണക്കിന് സമാനമായ ഫീച്ചർ കോമ്പിനേഷനുകൾ ഹൈലൈറ്റ് ചെയ്യുന്നതിന് t-SNE അൽഗോരിതത്തിന് 11-ഡൈമൻഷണൽ ഡാറ്റ നൽകുക.പാരാമീറ്റർ മൂല്യം സജ്ജീകരിക്കുന്നതിന് DBSCAN ശ്രദ്ധാപൂർവ്വം ക്ലസ്റ്റർ തിരഞ്ഞെടുക്കും.ഒടുവിൽ അക്ഷാംശ/രേഖാംശ പ്രൊജക്ഷനിലേക്ക് ഡാറ്റ തിരികെ പ്രൊജക്റ്റ് ചെയ്യുക.ഈ പ്രക്രിയ 10 തവണ ആവർത്തിക്കുന്നുവെന്നത് ശ്രദ്ധിക്കുക, കാരണം t-SNE പ്രയോഗിക്കുന്നതിലൂടെ ഒരു ചെറിയ ക്രമരഹിതത സൃഷ്ടിക്കപ്പെടാം.(A) ലെ വർക്ക്ഫ്ലോ 10 തവണ ആവർത്തിച്ച് AEP എങ്ങനെ നേടാമെന്ന് (B) വിശദീകരിക്കുന്നു.ഈ 10 നടപ്പാക്കലുകളിൽ ഓരോന്നിനും, 51 ഫൈറ്റോപ്ലാങ്ക്ടൺ തരങ്ങളുടെ ബയോമാസ് അടിസ്ഥാനമാക്കിയാണ് അന്തർ-പ്രവിശ്യാ ബ്രേ-കർട്ടിസ് (ബിസി) അസമത്വ മാട്രിക്സ് നിർണ്ണയിക്കുന്നത്.പ്രവിശ്യകൾ തമ്മിലുള്ള BC വ്യത്യാസം നിർണ്ണയിക്കുക, സങ്കീർണ്ണത 1 AEP മുതൽ പൂർണ്ണ സങ്കീർണ്ണത വരെ 115. ലോംഗ്ഹർസ്റ്റ് പ്രവിശ്യയാണ് BC ബെഞ്ച്മാർക്ക് സജ്ജീകരിച്ചിരിക്കുന്നത്.
പാരിസ്ഥിതിക പ്രവിശ്യയെ നിർവചിക്കാൻ SAGE രീതി ആഗോള 3D ഫിസിക്കൽ/ഇക്കോസിസ്റ്റം സംഖ്യാ മാതൃകയുടെ ഔട്ട്പുട്ട് ഉപയോഗിക്കുന്നു [ഡാർവിൻ (2);മെറ്റീരിയലുകളും രീതികളും, കുറിപ്പ് S1] കാണുക.ആവാസവ്യവസ്ഥയുടെ ഘടകങ്ങൾ 35 ഇനം ഫൈറ്റോപ്ലാങ്ക്ടണുകളും 16 ഇനം സൂപ്ലാങ്ക്ടണും ചേർന്നതാണ്, ഏഴ് മുൻ നിർവചിക്കപ്പെട്ട ഫങ്ഷണൽ ഗ്രൂപ്പുകളുമുണ്ട്: പ്രോകാരിയോട്ടുകളും യൂക്കാരിയോട്ടുകളും കുറഞ്ഞ പോഷക അന്തരീക്ഷത്തിന് അനുയോജ്യം, കോക്സിഡിയ, കാൽസ്യം കാർബണേറ്റ് കോട്ടിംഗുള്ള കോക്സിഡിയ, കനത്ത നൈട്രജൻ നട്ട് ഫിക്സേഷൻ പ്രധാന പോഷകങ്ങൾ), സിലിസിയസ് ആവരണത്തോടെ, മറ്റ് പ്ലവകങ്ങളുടെ പ്രകാശസംശ്ലേഷണം നടത്താനും മിക്സഡ് ന്യൂട്രിയന്റ് ഫ്ലാഗെല്ലേറ്റുകളും സൂപ്ലാങ്ക്ടൺ കന്നുകാലികളെയും മേയാനും കഴിയും.0.6 മുതൽ 2500μm വരെ തുല്യമായ ഗോളാകൃതിയിലുള്ള വ്യാസമാണ് വലിപ്പം.ഫൈറ്റോപ്ലാങ്ക്ടൺ വലുപ്പത്തിന്റെയും ഫങ്ഷണൽ ഗ്രൂപ്പിംഗിന്റെയും മാതൃകാ വിതരണവും ഉപഗ്രഹത്തിലും ഇൻ-സിറ്റു നിരീക്ഷണങ്ങളിലും കാണുന്ന മൊത്തത്തിലുള്ള സ്വഭാവസവിശേഷതകൾ പിടിച്ചെടുക്കുന്നു (ചിത്രങ്ങൾ S1 മുതൽ S3 വരെ കാണുക).സംഖ്യാ മാതൃകയും നിരീക്ഷിച്ച സമുദ്രവും തമ്മിലുള്ള സാമ്യം സൂചിപ്പിക്കുന്നത്, മോഡൽ നിർവചിച്ചിരിക്കുന്ന പ്രവിശ്യകൾ ഇൻ-സിറ്റു സമുദ്രത്തിന് ബാധകമായേക്കാം എന്നാണ്.ഈ മോഡൽ ഫൈറ്റോപ്ലാങ്ക്ടണിന്റെ ചില വൈവിധ്യങ്ങളെ മാത്രമേ ഉൾക്കൊള്ളുന്നുള്ളൂ, കൂടാതെ സിറ്റു സമുദ്രത്തിലെ ചില ഭൗതികവും രാസപരവുമായ നിർബന്ധിത ശ്രേണികൾ മാത്രമേ ഉൾക്കൊള്ളുന്നുള്ളൂ.മാതൃകാ കമ്മ്യൂണിറ്റി ഘടനയുടെ ഉയർന്ന പ്രാദേശിക നിയന്ത്രണ സംവിധാനം നന്നായി മനസ്സിലാക്കാൻ SAGE രീതി ആളുകളെ പ്രാപ്തരാക്കും.
ഓരോ പ്ലാങ്ക്ടൺ ഫങ്ഷണൽ ഗ്രൂപ്പിലും ഉപരിതല ബയോമാസിന്റെ ആകെത്തുക (ശരാശരി 20 വർഷം കൊണ്ട്) ഉൾപ്പെടുത്തുന്നതിലൂടെ, ഡാറ്റയുടെ അളവ് കുറയ്ക്കാൻ കഴിയും.കമ്മ്യൂണിറ്റി ഘടന സജ്ജീകരിക്കുന്നതിൽ മുൻകാല പഠനങ്ങൾ അവരുടെ പ്രധാന പങ്ക് കാണിച്ചതിന് ശേഷം, അതിൽ പോഷക പ്രവാഹങ്ങളുടെ (നൈട്രജൻ, ഇരുമ്പ്, ഫോസ്ഫേറ്റ്, സിലിസിക് ആസിഡ് എന്നിവയുടെ വിതരണം) ഉപരിതല ഉറവിട നിബന്ധനകളും ഉൾപ്പെടുത്തിയിട്ടുണ്ട് [ഉദാ (20, 21)] .ഫങ്ഷണൽ ഗ്രൂപ്പുകളുടെ സംഗ്രഹം 55 (51 പ്ലാങ്ക്ടൺ, 4 ന്യൂട്രിയന്റ് ഫ്ലൂക്സുകൾ) എന്നതിൽ നിന്ന് 11 അളവുകളിലേക്ക് പ്രശ്നം കുറയ്ക്കുന്നു.ഈ പ്രാരംഭ പഠനത്തിൽ, അൽഗോരിതം അടിച്ചേൽപ്പിക്കുന്ന കമ്പ്യൂട്ടേഷണൽ പരിമിതികൾ കാരണം, ആഴവും സമയ വ്യതിയാനവും പരിഗണിച്ചില്ല.
രേഖീയമല്ലാത്ത പ്രക്രിയകളും ഫംഗ്ഷണൽ ഗ്രൂപ്പ് ബയോമാസും പോഷക പ്രവാഹവും തമ്മിലുള്ള പരസ്പര പ്രവർത്തനങ്ങളുടെ പ്രധാന സവിശേഷതകളും തമ്മിലുള്ള പ്രധാന ബന്ധങ്ങൾ തിരിച്ചറിയാൻ SAGE രീതിക്ക് കഴിയും.യൂക്ലിഡിയൻ വിദൂര പഠന രീതികൾ (കെ-മീൻസ് പോലുള്ളവ) അടിസ്ഥാനമാക്കിയുള്ള 11-ഡൈമൻഷണൽ ഡാറ്റ ഉപയോഗിക്കുന്നത് വിശ്വസനീയവും പുനരുൽപ്പാദിപ്പിക്കാവുന്നതുമായ പ്രവിശ്യകൾ (19, 22) ലഭിക്കില്ല.കാരണം, പാരിസ്ഥിതിക പ്രവിശ്യയെ നിർവചിക്കുന്ന പ്രധാന മൂലകങ്ങളുടെ കോവേരിയൻസിന്റെ അടിസ്ഥാന വിതരണത്തിൽ ഒരു ഗൗസിയൻ ആകൃതിയും കാണുന്നില്ല.വോറോനോയ് സെല്ലുകളുടെ കെ-അർത്ഥം (നേർരേഖകൾ) നോൺ-ഗൗസിയൻ അടിസ്ഥാന വിതരണത്തെ നിലനിർത്താൻ കഴിയില്ല.
ഏഴ് പ്ലാങ്ക്ടൺ ഫങ്ഷണൽ ഗ്രൂപ്പുകളുടെയും നാല് ന്യൂട്രിയന്റ് ഫ്ലക്സുകളുടെയും ബയോമാസ് ഒരു 11-ഡൈമൻഷണൽ വെക്റ്റർ x ആയി മാറുന്നു.അതിനാൽ, x എന്നത് മോഡൽ ഗ്രിഡിലെ ഒരു വെക്റ്റർ ഫീൽഡാണ്, ഇവിടെ ഓരോ മൂലകവും xi മോഡൽ ഹോറിസോണ്ടൽ ഗ്രിഡിൽ നിർവചിച്ചിരിക്കുന്ന 11-ഡൈമൻഷണൽ വെക്റ്ററിനെ പ്രതിനിധീകരിക്കുന്നു.ഓരോ ഇൻഡക്സും i ഗോളത്തിലെ ഒരു ഗ്രിഡ് പോയിന്റ് അദ്വിതീയമായി തിരിച്ചറിയുന്നു, അവിടെ (ലോൺ, ലാറ്റ്) = (ϕi, θi).മോഡൽ ഗ്രിഡ് യൂണിറ്റിന്റെ ബയോമാസ് 1.2×10-3mg Chl/m3-ൽ കുറവാണെങ്കിൽ അല്ലെങ്കിൽ ഐസ് കവറേജ് നിരക്ക് 70% കവിയുന്നുവെങ്കിൽ, ബയോമാസ് ഡാറ്റയുടെ ലോഗ് ഉപയോഗിക്കുകയും ഉപേക്ഷിക്കുകയും ചെയ്യുന്നു.ഡാറ്റ നോർമലൈസ് ചെയ്യുകയും സ്റ്റാൻഡേർഡ് ചെയ്യുകയും ചെയ്യുന്നു, അതിനാൽ എല്ലാ ഡാറ്റയും [0 മുതൽ 1 വരെ] പരിധിയിലാണ്, ശരാശരി നീക്കം ചെയ്യുകയും യൂണിറ്റ് വേരിയൻസിലേക്ക് സ്കെയിൽ ചെയ്യുകയും ചെയ്യുന്നു.സാധ്യമായ മൂല്യങ്ങളുടെ ശ്രേണിയിലെ വൈരുദ്ധ്യത്താൽ സവിശേഷതകൾ (ബയോമാസ്, ന്യൂട്രിയന്റ് ഫ്ലക്സ്) പരിമിതപ്പെടുത്താതിരിക്കാനാണ് ഇത് ചെയ്യുന്നത്.ഭൂമിശാസ്ത്രപരമായ ദൂരത്തേക്കാൾ സവിശേഷതകൾ തമ്മിലുള്ള പ്രധാന പ്രോബബിലിറ്റി ദൂരത്തിൽ നിന്ന് മാറ്റ ബന്ധം ക്ലസ്റ്ററിംഗ് ക്യാപ്‌ചർ ചെയ്യണം.ഈ ദൂരങ്ങൾ കണക്കാക്കുന്നതിലൂടെ, പ്രധാനപ്പെട്ട സവിശേഷതകൾ ഉയർന്നുവരുന്നു, അതേസമയം അനാവശ്യ വിശദാംശങ്ങൾ ഉപേക്ഷിക്കപ്പെടുന്നു.ഒരു പാരിസ്ഥിതിക വീക്ഷണകോണിൽ നിന്ന്, ഇത് ആവശ്യമാണ്, കാരണം ചെറിയ ബയോമാസ് ഉള്ള ചില തരം ഫൈറ്റോപ്ലാങ്ക്ടണുകൾക്ക് ഡയസോട്രോഫിക് ബാക്ടീരിയയുടെ നൈട്രജൻ ഫിക്സേഷൻ പോലുള്ള വലിയ ജൈവ രാസവസ്തുക്കൾ ഉണ്ടാകാം.ഡാറ്റ സ്റ്റാൻഡേർഡ് ചെയ്യുകയും നോർമലൈസ് ചെയ്യുകയും ചെയ്യുമ്പോൾ, ഇത്തരത്തിലുള്ള കോവേറിയറ്റുകൾ ഹൈലൈറ്റ് ചെയ്യപ്പെടും.
ലോ-ഡൈമൻഷണൽ പ്രാതിനിധ്യത്തിൽ ഹൈ-ഡൈമൻഷണൽ സ്‌പെയ്‌സിലെ സവിശേഷതകളുടെ സാമീപ്യം ഊന്നിപ്പറയുന്നതിലൂടെ, നിലവിലുള്ള സമാന പ്രദേശങ്ങൾ കൂടുതൽ വ്യക്തമാക്കുന്നതിന് t-SNE അൽഗോരിതം ഉപയോഗിക്കുന്നു.റിമോട്ട് സെൻസിംഗ് ആപ്ലിക്കേഷനുകൾക്കായി ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ നിർമ്മിക്കാൻ ലക്ഷ്യമിട്ടുള്ള മുൻ വർക്ക് ടി-എസ്എൻഇ ഉപയോഗിച്ചു, ഇത് പ്രധാന സവിശേഷതകൾ വേർതിരിക്കുന്നതിലെ കഴിവ് തെളിയിച്ചു (23).നോൺ-കൺവെർജന്റ് സൊല്യൂഷനുകൾ ഒഴിവാക്കിക്കൊണ്ട് ഫീച്ചർ ഡാറ്റയിലെ കരുത്തുറ്റ ക്ലസ്റ്ററിംഗ് തിരിച്ചറിയുന്നതിന് ഇത് ആവശ്യമായ ഒരു ഘട്ടമാണ് (കുറിപ്പ് S2).Gaussian kernels ഉപയോഗിച്ച്, t-SNE ഓരോ ഹൈ-ഡൈമൻഷണൽ ഒബ്ജക്റ്റിനെയും 3D ഫേസ് സ്‌പെയ്‌സിലെ ഒരു ബിന്ദുവിലേക്ക് മാപ്പ് ചെയ്‌ത് ഡാറ്റയുടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോപ്പർട്ടികൾ സംരക്ഷിക്കുന്നു, അതുവഴി ഉയർന്നതും താഴ്ന്നതുമായ ദിശകളിൽ സമാന വസ്തുക്കളുടെ സാധ്യത ഉയർന്നതാണെന്ന് ഉറപ്പാക്കുന്നു. ഡൈമൻഷണൽ സ്പേസ് (24).ഒരു കൂട്ടം N ഹൈ-ഡൈമൻഷണൽ ഒബ്‌ജക്‌റ്റുകൾ x1,...,xN നൽകിയാൽ, Kullback-Leibler (KL) വ്യതിചലനം (25) ചെറുതാക്കി t-SNE അൽഗോരിതം കുറയ്ക്കുന്നു.രണ്ടാം റഫറൻസ് പ്രോബബിലിറ്റി ഡിസ്‌ട്രിബ്യൂഷനിൽ നിന്ന് പ്രോബബിലിറ്റി ഡിസ്‌ട്രിബ്യൂഷൻ എത്രത്തോളം വ്യത്യസ്‌തമാണ് എന്നതിന്റെ അളവുകോലാണ് കെഎൽ വ്യതിചലനം, ഉയർന്ന അളവിലുള്ള സവിശേഷതകളുടെ ലോ-ഡൈമൻഷണൽ പ്രാതിനിധ്യങ്ങൾ തമ്മിലുള്ള പരസ്പര ബന്ധത്തിന്റെ സാധ്യത ഫലപ്രദമായി വിലയിരുത്താൻ കഴിയും.എൻ-ഡൈമൻഷണൽ സ്‌പെയ്‌സിലെ i-th ഒബ്‌ജക്‌റ്റാണ് xi ആണെങ്കിൽ, N- ഡൈമൻഷണൽ സ്‌പെയ്‌സിലെ j-th ഒബ്‌ജക്‌റ്റാണ് xj, ലോ-ഡൈമൻഷണൽ സ്‌പെയ്‌സിലെ i-th ഒബ്‌ജക്‌റ്റാണ് yi, ഒപ്പം yj എന്നത് താഴ്ന്ന സ്‌പെയ്‌സിലെ j-th ഒബ്‌ജക്റ്റാണ്. -ഡൈമൻഷണൽ സ്പേസ്, തുടർന്ന് t -SNE സമാനത പ്രോബബിലിറ്റി ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2), കൂടാതെ ഡൈമൻഷണാലിറ്റി റിഡക്ഷൻ സെറ്റിനും. q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
11-ഡൈമൻഷണൽ കോമ്പിനേഷന്റെ ബയോമാസും ന്യൂട്രിയന്റ് ഫ്ലക്സ് വെക്റ്ററുകളും 3D ആയി കുറയ്ക്കുന്നതിന്റെ ഫലം ചിത്രം 2A വ്യക്തമാക്കുന്നു.t-SNE പ്രയോഗിക്കുന്നതിനുള്ള പ്രചോദനത്തെ പ്രിൻസിപ്പൽ ഘടക വിശകലനത്തിന്റെ (PCA) പ്രേരണയുമായി താരതമ്യപ്പെടുത്താവുന്നതാണ്, ഇത് ഡാറ്റയുടെ ഏരിയ/ആട്രിബ്യൂട്ട് ഊന്നിപ്പറയുന്നതിന് വേരിയൻസ് ആട്രിബ്യൂട്ട് ഉപയോഗിക്കുന്നു, അതുവഴി ഡൈമൻഷണാലിറ്റി കുറയ്ക്കുന്നു.ഇക്കോ മിനിസ്ട്രിക്ക് വിശ്വസനീയവും പുനരുൽപ്പാദിപ്പിക്കാവുന്നതുമായ ഫലങ്ങൾ നൽകുന്നതിൽ ടി-എസ്എൻഇ രീതി പിസിഎയേക്കാൾ മികച്ചതാണെന്ന് കണ്ടെത്തി (കുറിപ്പ് എസ് 2 കാണുക).വളരെ രേഖീയമല്ലാത്ത സംവേദനാത്മക സവിശേഷതകൾ തമ്മിലുള്ള നിർണായക ഇടപെടലുകൾ തിരിച്ചറിയുന്നതിന് പിസിഎയുടെ ഓർത്തോഗണാലിറ്റി അനുമാനം അനുയോജ്യമല്ലാത്തതിനാലാകാം ഇത്, കാരണം പിസിഎ ലീനിയർ കോവേറിയൻസ് ഘടനകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു (26).റിമോട്ട് സെൻസിംഗ് ഡാറ്റ ഉപയോഗിച്ച്, ലുംഗയും മറ്റുള്ളവരും.(27) ഗാസിയൻ വിതരണത്തിൽ നിന്ന് വ്യതിചലിക്കുന്ന സങ്കീർണ്ണവും രേഖീയമല്ലാത്തതുമായ സ്പെക്ട്രൽ സവിശേഷതകൾ ഹൈലൈറ്റ് ചെയ്യുന്നതിന് SNE രീതി എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ചിത്രീകരിക്കുന്നു.
(A) t-SNE അൽഗോരിതം വരച്ചതും DBSCAN ഉപയോഗിച്ച് പ്രവിശ്യാ വർണ്ണമുള്ളതുമായ ഒരു മാതൃകാ പോഷക വിതരണ നിരക്ക്, ഫൈറ്റോപ്ലാങ്ക്ടൺ, സൂപ്ലാങ്ക്ടൺ ഫംഗ്ഷണൽ ഗ്രൂപ്പ് ബയോമാസ്.ഓരോ പോയിന്റും ഹൈ-ഡൈമൻഷണൽ സ്‌പെയ്‌സിലെ ഒരു പോയിന്റിനെ പ്രതിനിധീകരിക്കുന്നു, ചിത്രം 6B-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ, മിക്ക പോയിന്റുകളും പിടിച്ചെടുക്കുന്നു.ഷാഫ്റ്റുകൾ "t-SNE" വലുപ്പങ്ങൾ 1, 2, 3 എന്നിവയെ സൂചിപ്പിക്കുന്നു. (B) ഉത്ഭവത്തിന്റെ അക്ഷാംശ-രേഖാംശ ഗ്രിഡിൽ DBSCAN കണ്ടെത്തിയ പ്രവിശ്യയുടെ ഭൂമിശാസ്ത്രപരമായ പ്രൊജക്ഷൻ.നിറം ഏതെങ്കിലും നിറമായി കണക്കാക്കണം, പക്ഷേ (A) യുമായി പൊരുത്തപ്പെടണം.
ചിത്രം 2A-യിലെ t-SNE സ്‌കാറ്റർ പ്ലോട്ടിലെ പോയിന്റുകൾ യഥാക്രമം അക്ഷാംശവും രേഖാംശവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.ചിത്രം 2A-യിലെ രണ്ട് പോയിന്റുകളും പരസ്പരം അടുത്താണെങ്കിൽ, അവയുടെ ജൈവവസ്തുക്കളും പോഷക പ്രവാഹങ്ങളും സമാനമാണ്, ഭൂമിശാസ്ത്രപരമായ സാമീപ്യം കൊണ്ടല്ല.ചിത്രം 2A-യിലെ നിറങ്ങൾ DBSCAN രീതി ഉപയോഗിച്ച് കണ്ടെത്തിയ ക്ലസ്റ്ററുകളാണ് (28).സാന്ദ്രമായ നിരീക്ഷണങ്ങൾക്കായി തിരയുമ്പോൾ, DBSCAN അൽഗോരിതം പോയിന്റുകൾക്കിടയിലുള്ള 3D പ്രാതിനിധ്യത്തിലെ ദൂരം ഉപയോഗിക്കുന്നു (ϵ = 0.39; ഈ തിരഞ്ഞെടുപ്പിനെക്കുറിച്ചുള്ള വിവരങ്ങൾക്ക്, മെറ്റീരിയലുകളും രീതികളും കാണുക), കൂടാതെ ക്ലസ്റ്റർ നിർവചിക്കുന്നതിന് സമാനമായ പോയിന്റുകളുടെ എണ്ണം ആവശ്യമാണ് (ഇവിടെ 100 പോയിന്റുകൾ, മുകളിൽ കാണുക).ചുവടെ കാണിച്ചിരിക്കുന്നതുപോലെ, ഡാറ്റയിലെ ക്ലസ്റ്ററുകളുടെ ആകൃതിയെക്കുറിച്ചോ എണ്ണത്തെക്കുറിച്ചോ DBSCAN രീതി അനുമാനങ്ങളൊന്നും ഉണ്ടാക്കുന്നില്ല:
3) ഉള്ളിലെ ദൂരത്തിനുള്ളിൽ തിരിച്ചറിഞ്ഞ എല്ലാ പോയിന്റുകൾക്കും, ക്ലസ്റ്റർ അതിർത്തി നിർണ്ണയിക്കാൻ ഘട്ടം 2 ആവർത്തിക്കുക.പോയിന്റുകളുടെ എണ്ണം സെറ്റ് മിനിമം മൂല്യത്തേക്കാൾ കൂടുതലാണെങ്കിൽ, അത് ഒരു ക്ലസ്റ്ററായി നിയോഗിക്കപ്പെടുന്നു.
ഏറ്റവും കുറഞ്ഞ ക്ലസ്റ്റർ അംഗവും ദൂരം ϵ മെട്രിക്കും പാലിക്കാത്ത ഡാറ്റ "ശബ്ദം" ആയി കണക്കാക്കുകയും ഒരു നിറം നൽകുകയും ചെയ്യുന്നില്ല.ഏറ്റവും മോശമായ സാഹചര്യത്തിൽ O(n2) പ്രകടനമുള്ള വേഗതയേറിയതും അളക്കാവുന്നതുമായ അൽഗോരിതം ആണ് DBSCAN.നിലവിലെ വിശകലനത്തിന്, ഇത് യഥാർത്ഥത്തിൽ ക്രമരഹിതമല്ല.വിദഗ്ദ്ധ മൂല്യനിർണ്ണയത്തിലൂടെയാണ് ഏറ്റവും കുറഞ്ഞ പോയിന്റുകളുടെ എണ്ണം നിർണ്ണയിക്കുന്നത്.ദൂരം ക്രമീകരിച്ചതിന് ശേഷം, ഫലം ≈±10 പരിധിയിൽ വേണ്ടത്ര സ്ഥിരതയുള്ളതല്ല.കണക്റ്റിവിറ്റിയും (ചിത്രം 6A) സമുദ്ര കവറേജ് ശതമാനവും (ചിത്രം 6B) ഉപയോഗിച്ചാണ് ഈ ദൂരം സജ്ജീകരിച്ചിരിക്കുന്നത്.കണക്റ്റിവിറ്റി എന്നത് ക്ലസ്റ്ററുകളുടെ സംയോജിത സംഖ്യയായി നിർവചിക്കപ്പെടുന്നു, ഇത് ϵ പാരാമീറ്ററിനോട് സെൻസിറ്റീവ് ആണ്.ലോവർ കണക്റ്റിവിറ്റി എന്നത് അപര്യാപ്തമായ ഫിറ്റിംഗിനെ സൂചിപ്പിക്കുന്നു, പ്രദേശങ്ങളെ കൃത്രിമമായി ഗ്രൂപ്പുചെയ്യുന്നു.ഉയർന്ന കണക്റ്റിവിറ്റി ഓവർഫിറ്റിംഗ് സൂചിപ്പിക്കുന്നു.ഉയർന്ന മിനിമം ഉപയോഗിക്കുന്നത് സങ്കൽപ്പിക്കാവുന്നതാണ്, എന്നാൽ ഏറ്റവും കുറഞ്ഞത് ca കവിയുന്നുവെങ്കിൽ, വിശ്വസനീയമായ ഒരു പരിഹാരം നേടുന്നത് അസാധ്യമാണ്.135 (കൂടുതൽ വിവരങ്ങൾക്ക്, മെറ്റീരിയലുകളും രീതികളും കാണുക).
ചിത്രം 2A-യിൽ തിരിച്ചറിഞ്ഞിട്ടുള്ള 115 ക്ലസ്റ്ററുകൾ ചിത്രം 2B-യിൽ ഭൂമിയിലേക്ക് തിരിച്ചുവരുന്നു.ഓരോ നിറവും DBSCAN തിരിച്ചറിഞ്ഞ ബയോജിയോകെമിക്കൽ, പാരിസ്ഥിതിക ഘടകങ്ങളുടെ യോജിച്ച സംയോജനവുമായി പൊരുത്തപ്പെടുന്നു.ക്ലസ്റ്ററുകൾ നിർണ്ണയിച്ചുകഴിഞ്ഞാൽ, ഒരു നിശ്ചിത അക്ഷാംശവും രേഖാംശവുമുള്ള ചിത്രം 2A-യിലെ ഓരോ ബിന്ദുവിന്റേയും സംയോജനം, ക്ലസ്റ്ററുകളെ ഭൂമിശാസ്ത്രപരമായ പ്രദേശത്തേക്ക് തിരിച്ചുവിടാൻ ഉപയോഗിക്കുന്നു.ചിത്രം 2A-യുടെ അതേ ക്ലസ്റ്റർ നിറങ്ങൾ ഉപയോഗിച്ച് ചിത്രം 2B ഇത് വ്യക്തമാക്കുന്നു.സമാന നിറങ്ങൾ പാരിസ്ഥിതിക സാമ്യതയായി വ്യാഖ്യാനിക്കേണ്ടതില്ല, കാരണം അവ അൽഗോരിതം ഉപയോഗിച്ച് ക്ലസ്റ്ററുകൾ കണ്ടെത്തുന്ന ക്രമം അനുസരിച്ചാണ് നൽകിയിരിക്കുന്നത്.
ചിത്രം 2B-യിലെ വിസ്തീർണ്ണം സമുദ്രത്തിന്റെ ഭൗതികവും കൂടാതെ/അല്ലെങ്കിൽ ബയോജിയോകെമിസ്ട്രിയിലെ ഒരു സ്ഥാപിത പ്രദേശവുമായി ഗുണപരമായി സാമ്യമുള്ളതാണ്.ഉദാഹരണത്തിന്, തെക്കൻ സമുദ്രത്തിലെ ക്ലസ്റ്ററുകൾ സോൺ-സമമിതിയാണ്, ഒളിഗോട്രോഫിക് ചുഴികൾ പ്രത്യക്ഷപ്പെടുന്നു, മൂർച്ചയുള്ള പരിവർത്തനം വ്യാപാര കാറ്റിന്റെ സ്വാധീനത്തെ സൂചിപ്പിക്കുന്നു.ഉദാഹരണത്തിന്, ഭൂമധ്യരേഖാ പസഫിക്കിൽ, ഉയർച്ചയുമായി ബന്ധപ്പെട്ട വിവിധ പ്രദേശങ്ങൾ കാണപ്പെടുന്നു.
ഇക്കോ-പ്രവിശ്യയുടെ പാരിസ്ഥിതിക അന്തരീക്ഷം മനസിലാക്കാൻ, ക്ലസ്റ്ററിലെ പരിസ്ഥിതിയെ വിലയിരുത്തുന്നതിന് ബ്രേ-കർട്ടിസ് (ബിസി) വ്യത്യാസ സൂചികയുടെ (29) ഒരു വ്യതിയാനം ഉപയോഗിച്ചു.രണ്ട് വ്യത്യസ്ത സൈറ്റുകൾ തമ്മിലുള്ള കമ്മ്യൂണിറ്റി ഘടനയിലെ വ്യത്യാസം കണക്കാക്കാൻ ഉപയോഗിക്കുന്ന ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ ഡാറ്റയാണ് ബിസി ഇൻഡിക്കേറ്റർ.51 ഇനം ഫൈറ്റോപ്ലാങ്ക്ടൺ, സൂപ്ലാങ്ക്ടൺ BCninj = 1-2CninjSni + Snj എന്നിവയുടെ ബയോമാസിന് BC അളവ് ബാധകമാണ്.
BCninj എന്നത് കോമ്പിനേഷൻ ni, കോമ്പിനേഷൻ nj എന്നിവ തമ്മിലുള്ള സാമ്യത്തെ സൂചിപ്പിക്കുന്നു, ഇവിടെ Cninj എന്നത് ni, nj എന്നീ രണ്ട് കോമ്പിനേഷനുകളിലും നിലനിൽക്കുന്ന ഒരു തരം ബയോമാസിന്റെ ഏറ്റവും കുറഞ്ഞ മൂല്യമാണ്, കൂടാതെ ni, Snj എന്നീ രണ്ട് കോമ്പിനേഷനുകളിലും നിലനിൽക്കുന്ന എല്ലാ ബയോമാസുകളുടെയും ആകെത്തുകയാണ് Sni പ്രതിനിധീകരിക്കുന്നത്.ബിസി വ്യത്യാസം ദൂരത്തിന്റെ അളവിന് സമാനമാണ്, പക്ഷേ യൂക്ലിഡിയൻ ഇതര സ്ഥലത്ത് പ്രവർത്തിക്കുന്നു, ഇത് പാരിസ്ഥിതിക ഡാറ്റയ്ക്കും അതിന്റെ വ്യാഖ്യാനത്തിനും കൂടുതൽ അനുയോജ്യമാകും.
ചിത്രം 2B-യിൽ തിരിച്ചറിഞ്ഞിട്ടുള്ള ഓരോ ക്ലസ്റ്ററിനും ഇൻട്രാ പ്രൊവിൻഷ്യൽ, ഇന്റർ പ്രവിശ്യാ ബിസിയുടെ സമാനത വിലയിരുത്താവുന്നതാണ്.ഒരു പ്രവിശ്യയിലെ ബിസി വ്യത്യാസം പ്രവിശ്യയുടെ ശരാശരി മൂല്യവും പ്രവിശ്യയിലെ ഓരോ പോയിന്റും തമ്മിലുള്ള വ്യത്യാസത്തെ സൂചിപ്പിക്കുന്നു.ബിസി പ്രവിശ്യകൾ തമ്മിലുള്ള വ്യത്യാസം ഒരു പ്രവിശ്യയും മറ്റ് പ്രവിശ്യകളും തമ്മിലുള്ള സമാനതയെ സൂചിപ്പിക്കുന്നു.ചിത്രം 3A ഒരു സമമിതി ബിസി മാട്രിക്സ് കാണിക്കുന്നു (0, കറുപ്പ്: പൂർണ്ണമായും അനുബന്ധം; 1, വെള്ള: പൂർണ്ണമായും സമാനതകളില്ലാത്തത്).ഗ്രാഫിലെ ഓരോ വരിയും ഡാറ്റയിൽ ഒരു പാറ്റേൺ കാണിക്കുന്നു.ഓരോ പ്രവിശ്യയുടെയും ചിത്രം 3A-യിൽ ബിസിയുടെ ഫലങ്ങളുടെ ഭൂമിശാസ്ത്രപരമായ പ്രാധാന്യം ചിത്രം 3B കാണിക്കുന്നു.പോഷണം കുറവുള്ളതും പോഷകങ്ങൾ കുറവുള്ളതുമായ ഒരു പ്രവിശ്യയിൽ, ഭൂമധ്യരേഖയ്ക്കും ഇന്ത്യൻ മഹാസമുദ്രത്തിനും ചുറ്റുമുള്ള വലിയ പ്രദേശങ്ങളുടെ സമമിതി അടിസ്ഥാനപരമായി സമാനമാണ്, എന്നാൽ ഉയർന്ന അക്ഷാംശങ്ങളും ഉയർച്ചയുള്ള പ്രദേശങ്ങളും ഗണ്യമായി വ്യത്യാസപ്പെട്ടിരിക്കുന്നുവെന്ന് ചിത്രം 3B കാണിക്കുന്നു.
(A) ആഗോള 20 വർഷത്തെ ശരാശരി ആഗോള ഉപരിതല ശരാശരിയായ 51 പ്ലവകങ്ങളെ അടിസ്ഥാനമാക്കി ഓരോ പ്രവിശ്യയ്ക്കും BC വ്യത്യാസത്തിന്റെ അളവ് വിലയിരുത്തുന്നു.മൂല്യങ്ങളുടെ പ്രതീക്ഷിക്കുന്ന സമമിതി ശ്രദ്ധിക്കുക.(ബി) ഒരു നിരയുടെ (അല്ലെങ്കിൽ വരി) സ്പേഷ്യൽ പ്രൊജക്ഷൻ.ഒരു ഡിസ്ട്രോഫിക് സർക്കിളിലെ ഒരു പ്രവിശ്യയ്ക്ക്, ബിസി സമാനത അളവിന്റെ ആഗോള വിതരണം വിലയിരുത്തി, ആഗോള 20 വർഷത്തെ ശരാശരി വിലയിരുത്തി.കറുപ്പ് (ബിസി = 0) എന്നാൽ ഒരേ പ്രദേശം എന്നാണ് അർത്ഥമാക്കുന്നത്, വെളുപ്പ് (ബിസി = 1) എന്നാൽ സമാനതയില്ല.
ചിത്രം 2B-യിൽ ഓരോ പ്രവിശ്യയിലും ബിസിയിലെ വ്യത്യാസം ചിത്രം 4A വ്യക്തമാക്കുന്നു.ഒരു ക്ലസ്റ്ററിലെ ശരാശരി വിസ്തീർണ്ണത്തിന്റെ ശരാശരി സംയോജനം ഉപയോഗിച്ചും പ്രവിശ്യയിലെ ഓരോ ഗ്രിഡ് പോയിന്റിന്റെയും ബിസിയും ശരാശരിയും തമ്മിലുള്ള അസമത്വം നിർണ്ണയിച്ചുകൊണ്ട് നിർണ്ണയിച്ചാൽ, SAGE രീതിക്ക് 51 ഇനങ്ങളെ പാരിസ്ഥിതിക സമാനതയെ അടിസ്ഥാനമാക്കി നന്നായി വേർതിരിക്കാൻ കഴിയുമെന്ന് ഇത് കാണിക്കുന്നു. മോഡൽ ഡാറ്റ.എല്ലാ 51 തരങ്ങളുടെയും മൊത്തത്തിലുള്ള ശരാശരി ക്ലസ്റ്റർ BC അസമത്വം 0.102± 0.0049 ആണ്.
(എ, ബി, ഡി) പ്രവിശ്യയിലെ ബിസി വ്യത്യാസം ഓരോ ഗ്രിഡ് പോയിന്റ് കമ്മ്യൂണിറ്റിയും ശരാശരി പ്രവിശ്യയും തമ്മിലുള്ള ശരാശരി ബിസി വ്യത്യാസമായി വിലയിരുത്തപ്പെടുന്നു, സങ്കീർണ്ണത കുറയുന്നില്ല.(2) ആഗോള ശരാശരി ഇൻട്രാ പ്രവിശ്യാ ബിസി വ്യത്യാസം 0.227± 0.117 ആണ്.ഈ കൃതി നിർദ്ദേശിക്കുന്ന പാരിസ്ഥിതിക പ്രചോദനത്തെ അടിസ്ഥാനമാക്കിയുള്ള വർഗ്ഗീകരണത്തിന്റെ മാനദണ്ഡമാണിത് [(C) ലെ ഗ്രീൻ ലൈൻ].(സി) ശരാശരി ഇൻട്രാ പ്രവിശ്യാ ബിസി വ്യത്യാസം: ബ്ലാക്ക് ലൈൻ പ്രതിനിധീകരിക്കുന്നത് ഇൻട്രാ പ്രവിശ്യാ ബിസി വ്യത്യാസം വർദ്ധിക്കുന്ന സങ്കീർണ്ണതയാണ്.ഇക്കോ-പ്രവിശ്യ തിരിച്ചറിയൽ പ്രക്രിയയുടെ 10 ആവർത്തനങ്ങളിൽ നിന്നാണ് 2σ വരുന്നത്.DBSCAN കണ്ടെത്തിയ പ്രവിശ്യകളുടെ മൊത്തം സങ്കീർണ്ണതയ്ക്ക്, പ്രവിശ്യയിലെ BC അസമത്വം 0.099 ആണെന്നും (C) നിർദ്ദേശിച്ച സങ്കീർണ്ണത വർഗ്ഗീകരണം 12 ആണെന്നും കാണിക്കുന്നു, ഇത് പ്രവിശ്യയിൽ 0.200 BC അസമത്വത്തിന് കാരണമാകുന്നു.ചിത്രം കാണിക്കുന്നത് പോലെ.(ഡി).
ചിത്രം 4B-ൽ, ലോങ്‌ഹർസ്റ്റ് പ്രവിശ്യയിലെ തുല്യമായ ബിസി വ്യത്യാസത്തെ പ്രതിനിധീകരിക്കാൻ 51 പ്ലാങ്ക്ടൺ തരങ്ങളുടെ ബയോമാസ് ഉപയോഗിക്കുന്നു.ഓരോ പ്രവിശ്യയുടെയും മൊത്തത്തിലുള്ള ശരാശരി 0.227 ആണ്, കൂടാതെ ബിസി പ്രവിശ്യയിലെ വ്യത്യാസത്തെ സൂചിപ്പിക്കുന്ന ഗ്രിഡ് പോയിന്റുകളുടെ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ 0.046 ആണ്.ഇത് ചിത്രം 1B-ൽ തിരിച്ചറിഞ്ഞിരിക്കുന്ന ക്ലസ്റ്ററിനേക്കാൾ വലുതാണ്.പകരം, ഏഴ് ഫങ്ഷണൽ ഗ്രൂപ്പുകളുടെ ആകെത്തുക ഉപയോഗിച്ച്, ലോംഗ്ഹർസ്റ്റിലെ ശരാശരി ഇൻട്രാ സീസൺ ബിസി അസമത്വം 0.232 ആയി വർദ്ധിച്ചു.
ആഗോള ഇക്കോ-പ്രവിശ്യാ ഭൂപടം തനതായ പാരിസ്ഥിതിക ഇടപെടലുകളുടെ സങ്കീർണ്ണമായ വിശദാംശങ്ങൾ നൽകുന്നു, കൂടാതെ ലോങ്ഹർസ്റ്റ് പ്രവിശ്യയുടെ മുഴുവൻ ആവാസവ്യവസ്ഥയുടെ ഘടനയും ഉപയോഗിക്കുന്നതിൽ മെച്ചപ്പെടുത്തലുകൾ വരുത്തിയിട്ടുണ്ട്.സംഖ്യാ മാതൃകാ ആവാസവ്യവസ്ഥയെ നിയന്ത്രിക്കുന്ന പ്രക്രിയയെക്കുറിച്ച് പരിസ്ഥിതി മന്ത്രാലയം ഉൾക്കാഴ്ച നൽകുമെന്ന് പ്രതീക്ഷിക്കുന്നു, ഈ ഉൾക്കാഴ്ച ഫീൽഡ് വർക്കിന്റെ പര്യവേക്ഷണത്തെ സഹായിക്കും.ഈ ഗവേഷണത്തിന്റെ ഉദ്ദേശ്യത്തിനായി, നൂറിലധികം പ്രവിശ്യകൾ പൂർണ്ണമായി പ്രദർശിപ്പിക്കാൻ സാധ്യമല്ല.അടുത്ത വിഭാഗം പ്രവിശ്യകളെ സംഗ്രഹിക്കുന്ന SAGE രീതി അവതരിപ്പിക്കുന്നു.
പ്രവിശ്യയുടെ ലൊക്കേഷനും മാനേജ്‌മെന്റും മനസ്സിലാക്കുന്നത് പ്രോത്സാഹിപ്പിക്കുക എന്നതാണ് പ്രവിശ്യയുടെ ഉദ്ദേശ്യങ്ങളിലൊന്ന്.അടിയന്തര സാഹചര്യങ്ങൾ നിർണ്ണയിക്കാൻ, ചിത്രം 1B-യിലെ രീതി പാരിസ്ഥിതികമായി സമാനമായ പ്രവിശ്യകളുടെ കൂടുകെട്ടൽ ചിത്രീകരിക്കുന്നു.പാരിസ്ഥിതിക സമാനതയെ അടിസ്ഥാനമാക്കി ഇക്കോ-പ്രവിശ്യകളെ ഒരുമിച്ച് തരംതിരിക്കുന്നു, അത്തരം പ്രവിശ്യകളുടെ ഗ്രൂപ്പിംഗിനെ എഇപി ​​എന്ന് വിളിക്കുന്നു.പരിഗണിക്കേണ്ട മൊത്തം പ്രവിശ്യകളുടെ എണ്ണത്തെ അടിസ്ഥാനമാക്കി ക്രമീകരിക്കാവുന്ന "സങ്കീർണ്ണത" സജ്ജമാക്കുക."സങ്കീർണ്ണത" എന്ന പദം ഉപയോഗിക്കുന്നു, കാരണം അത് എമർജൻസി ആട്രിബ്യൂട്ടുകളുടെ നിലവാരം ക്രമീകരിക്കാൻ അനുവദിക്കുന്നു.അർത്ഥവത്തായ അഗ്രഗേഷനുകൾ നിർവചിക്കുന്നതിന്, ലോംഗ്ഹർസ്റ്റിൽ നിന്നുള്ള ശരാശരി ഇൻട്രാ-പ്രവിശ്യാ ബിസി വ്യത്യാസം 0.227 ആണ് മാനദണ്ഡമായി ഉപയോഗിക്കുന്നത്.ഈ മാനദണ്ഡത്തിന് താഴെ, സംയോജിത പ്രവിശ്യകൾ ഇനി ഉപയോഗപ്രദമായി കണക്കാക്കില്ല.
ചിത്രം 3B-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ, ആഗോള പാരിസ്ഥിതിക പ്രവിശ്യകൾ യോജിച്ചതാണ്.അന്തർ-പ്രവിശ്യാ ബിസി വ്യത്യാസങ്ങൾ ഉപയോഗിച്ച്, ചില കോൺഫിഗറേഷനുകൾ വളരെ "സാധാരണ" ആണെന്ന് കാണാൻ കഴിയും.ജനിതകശാസ്ത്രം, ഗ്രാഫ് സിദ്ധാന്തം രീതികൾ എന്നിവയിൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ട്, "കണക്‌റ്റഡ് ഗ്രാഫുകൾ" അവയോട് സാമ്യമുള്ള പ്രവിശ്യകളെ അടിസ്ഥാനമാക്കി> 100 പ്രവിശ്യകൾ അടുക്കാൻ ഉപയോഗിക്കുന്നു.ഇവിടെ "കണക്റ്റിവിറ്റി" മെട്രിക് നിർണ്ണയിക്കുന്നത് അന്തർ-പ്രവിശ്യാ ബിസി അസമത്വം (30) ഉപയോഗിച്ചാണ്.100 പ്രവിശ്യകളുടെ വർഗ്ഗീകരണത്തിന് വലിയ ഇടമുള്ള പ്രവിശ്യകളുടെ എണ്ണത്തെ ഇവിടെ സങ്കീർണ്ണത എന്ന് വിളിക്കാം.100-ലധികം പ്രവിശ്യകളെ ഏറ്റവും പ്രബലമായ/അടുത്ത പാരിസ്ഥിതിക പ്രവിശ്യകളായി തരംതിരിക്കുന്ന ഒരു ഉൽപ്പന്നമാണ് AEP.ഓരോ പാരിസ്ഥിതിക പ്രവിശ്യയും അവയോട് സാമ്യമുള്ള പ്രബലമായ/ഉയർന്ന ബന്ധമുള്ള പാരിസ്ഥിതിക പ്രവിശ്യയിലേക്ക് നിയോഗിക്കപ്പെട്ടിരിക്കുന്നു.ബിസി വ്യത്യാസം നിർണ്ണയിക്കുന്ന ഈ സംയോജനം ആഗോള പരിസ്ഥിതിയിലേക്കുള്ള ഒരു നെസ്റ്റഡ് സമീപനത്തെ അനുവദിക്കുന്നു.
തിരഞ്ഞെടുത്ത സങ്കീർണ്ണത 1 മുതൽ FIG ന്റെ സമ്പൂർണ്ണ സങ്കീർണ്ണത വരെയുള്ള ഏത് മൂല്യവും ആകാം.2A.കുറഞ്ഞ സങ്കീർണ്ണതയിൽ, പ്രോബബിലിസ്റ്റിക് ഡൈമൻഷണാലിറ്റി റിഡക്ഷൻ സ്റ്റെപ്പ് (t-SNE) കാരണം AEP ജീർണിച്ചേക്കാം.ഡീജനറസി എന്നാൽ പാരിസ്ഥിതിക പ്രവിശ്യകൾ വ്യത്യസ്ത എഇപികൾക്ക് ആവർത്തനങ്ങൾക്കിടയിൽ നൽകാം, അതുവഴി ഭൂമിശാസ്ത്രപരമായ പ്രദേശം മാറ്റാം.10 നടപ്പിലാക്കലുകളിൽ (ചിത്രം 1B-യിലെ ചിത്രം) സങ്കീർണ്ണത വർദ്ധിക്കുന്ന AEP-കളിൽ പ്രവിശ്യകൾക്കുള്ളിൽ BC അസമത്വങ്ങളുടെ വ്യാപനത്തെ ചിത്രം 4C വ്യക്തമാക്കുന്നു.ചിത്രം 4C-ൽ, 2σ (നീല വിസ്തീർണ്ണം) എന്നത് 10 നടപ്പിലാക്കലുകളിലെ അപചയത്തിന്റെ അളവാണ്, കൂടാതെ പച്ച വര ലോങ്ഹർസ്റ്റ് ബെഞ്ച്മാർക്കിനെ പ്രതിനിധീകരിക്കുന്നു.12-ന്റെ സങ്കീർണ്ണതയ്ക്ക് പ്രവിശ്യയിലെ ബിസി വ്യത്യാസം ലോങ്ഹർസ്റ്റ് മാനദണ്ഡത്തിന് താഴെയായി നിലനിർത്താനും താരതമ്യേന ചെറിയ 2σ ഡീഗ്രഡേഷൻ നിലനിർത്താനും കഴിയുമെന്ന് വസ്തുതകൾ തെളിയിച്ചിട്ടുണ്ട്.ചുരുക്കത്തിൽ, ശുപാർശ ചെയ്യുന്ന ഏറ്റവും കുറഞ്ഞ സങ്കീർണ്ണത 12 AEP-കളാണ്, കൂടാതെ 51 പ്ലാങ്ക്ടൺ തരങ്ങൾ ഉപയോഗിച്ച് വിലയിരുത്തിയ ശരാശരി ഇൻട്രാ-പ്രവിശ്യ ബിസി വ്യത്യാസം ചിത്രം 4D-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ 0.198±0.013 ആണ്.ഏഴ് പ്ലാങ്ക്ടൺ ഫങ്ഷണൽ ഗ്രൂപ്പുകളുടെ ആകെത്തുക ഉപയോഗിച്ച്, പ്രവിശ്യയിലെ ശരാശരി ബിസി വ്യത്യാസം 0.198±0.004-ന് പകരം 2σ ആണ്.ഏഴ് ഫങ്ഷണൽ ഗ്രൂപ്പുകളുടെ മൊത്തം ബയോമാസ് അല്ലെങ്കിൽ എല്ലാ 51 പ്ലാങ്ക്ടൺ തരങ്ങളുടെയും ബയോമാസ് കണക്കാക്കിയ ബിസി വ്യത്യാസങ്ങൾ തമ്മിലുള്ള താരതമ്യം കാണിക്കുന്നത് SAGE രീതി 51-ഡൈമൻഷണൽ സാഹചര്യത്തിന് ബാധകമാണെങ്കിലും, ഇത് ഏഴ് ഫങ്ഷണൽ ഗ്രൂപ്പുകളുടെ മൊത്തം ബയോമാസിനാണെന്നാണ്. പരിശീലനത്തിന്.
ഏതെങ്കിലും ഗവേഷണത്തിന്റെ ഉദ്ദേശ്യത്തെ ആശ്രയിച്ച്, സങ്കീർണ്ണതയുടെ വിവിധ തലങ്ങൾ പരിഗണിക്കാവുന്നതാണ്.പ്രാദേശിക പഠനങ്ങൾക്ക് പൂർണ്ണ സങ്കീർണ്ണത ആവശ്യമായി വന്നേക്കാം (അതായത്, എല്ലാ 115 പ്രവിശ്യകളും).ഒരു ഉദാഹരണമായും വ്യക്തതയ്ക്കും, ഏറ്റവും കുറഞ്ഞ ശുപാർശിത സങ്കീർണ്ണത 12 പരിഗണിക്കുക.
SAGE രീതിയുടെ ഉപയോഗത്തിന്റെ ഒരു ഉദാഹരണമായി, അടിയന്തിര കമ്മ്യൂണിറ്റി ഘടനയുടെ നിയന്ത്രണം പര്യവേക്ഷണം ചെയ്യാൻ ഇവിടെ 12 AEP-കൾ ഏറ്റവും കുറഞ്ഞ സങ്കീർണ്ണത 12 ഉപയോഗിക്കുന്നു.AEP (A മുതൽ L വരെ) ഗ്രൂപ്പുചെയ്‌ത പാരിസ്ഥിതിക സ്ഥിതിവിവരക്കണക്കുകൾ ചിത്രം 5 വ്യക്തമാക്കുന്നു: റെഡ്ഫീൽഡ് സ്‌റ്റോയ്‌ചിയോമെട്രിയിൽ, ഭൂമിശാസ്ത്രപരമായ വ്യാപ്തി (ചിത്രം 5C), ഫങ്ഷണൽ ഗ്രൂപ്പ് ബയോമാസ് കോമ്പോസിഷൻ (ചിത്രം 5A), ന്യൂട്രിയന്റ് സപ്ലൈ (ചിത്രം 5B) എന്നിവ N സൂം ചെയ്‌തതാണ്.അനുപാതം (N:Si:P:Fe, 1:1:16:16×103) കാണിച്ചിരിക്കുന്നു.പിന്നീടുള്ള പാനലിന്, P യെ 16 കൊണ്ടും Fe 16×103 കൊണ്ടും ഗുണിച്ചാൽ, ബാർ ഗ്രാഫ് ഫൈറ്റോപ്ലാങ്ക്ടണിന്റെ പോഷക ആവശ്യകതകൾക്ക് തുല്യമാണ്.
പ്രവിശ്യകളെ 12 പ്രവിശ്യകളിലെ ആവാസവ്യവസ്ഥയുടെ 12 AEP-കൾ A മുതൽ L. (A) ബയോമാസ് (mgC/m3) ആയി തരം തിരിച്ചിരിക്കുന്നു.(B) അലിഞ്ഞുചേർന്ന അജൈവ നൈട്രജൻ (N), ഇരുമ്പ് (Fe), ഫോസ്ഫേറ്റ് (P), സിലിസിക് ആസിഡ് (Si) (mmol/m3 പ്രതിവർഷം) എന്നിവയുടെ പോഷക പ്രവാഹ നിരക്ക്.Fe, P എന്നിവ യഥാക്രമം 16-ഉം 16×103-ഉം കൊണ്ട് ഗുണിക്കപ്പെടുന്നു, അങ്ങനെ സ്ട്രിപ്പുകൾ ഫൈറ്റോപ്ലാങ്ക്ടൺ സ്റ്റോയ്ചിയോമെട്രി ആവശ്യകതകൾക്ക് അനുസൃതമാണ്.(C) ധ്രുവപ്രദേശങ്ങൾ, ഉപ ഉഷ്ണമേഖലാ ചുഴലിക്കാറ്റുകൾ, പ്രധാന സീസണൽ/ഉയരുന്ന പ്രദേശങ്ങൾ എന്നിവ തമ്മിലുള്ള വ്യത്യാസം ശ്രദ്ധിക്കുക.നിരീക്ഷണ സ്റ്റേഷനുകൾ ഇനിപ്പറയുന്ന രീതിയിൽ അടയാളപ്പെടുത്തിയിരിക്കുന്നു: 1, സീറ്റുകൾ;2, അലോഹ;3, സ്റ്റേഷൻ പി;കൂടാതെ 4, ബാറ്റ്സ്.
തിരിച്ചറിഞ്ഞ AEP സവിശേഷമാണ്.അറ്റ്ലാന്റിക്, പസഫിക് സമുദ്രങ്ങളിൽ ഭൂമധ്യരേഖയ്ക്ക് ചുറ്റും ചില സമമിതികളുണ്ട്, സമാനമായതും എന്നാൽ വലുതുമായ ഒരു പ്രദേശം ഇന്ത്യൻ മഹാസമുദ്രത്തിൽ നിലനിൽക്കുന്നു.ചില എഇപികൾ ആരോഹണവുമായി ബന്ധപ്പെട്ട ഭൂഖണ്ഡത്തിന്റെ പടിഞ്ഞാറൻ ഭാഗത്തെ ആലിംഗനം ചെയ്യുന്നു.ദക്ഷിണധ്രുവ വൃത്താകൃതിയിലുള്ള പ്രവാഹം ഒരു വലിയ സോണൽ സവിശേഷതയായി കണക്കാക്കപ്പെടുന്നു.ഒലിഗോട്രോഫിക് എഇപിയുടെ ഒരു സങ്കീർണ്ണ പരമ്പരയാണ് ഉപ ഉഷ്ണമേഖലാ ചുഴലിക്കാറ്റ്.ഈ പ്രവിശ്യകളിൽ, പ്ലവകങ്ങളുടെ ആധിപത്യമുള്ള ഒളിഗോട്രോഫിക് ചുഴികളും ഡയറ്റം സമ്പന്നമായ ധ്രുവപ്രദേശങ്ങളും തമ്മിലുള്ള ബയോമാസ് വ്യത്യാസങ്ങളുടെ പരിചിതമായ പാറ്റേൺ വ്യക്തമാണ്.
വളരെ സാമ്യമുള്ള ടോട്ടൽ ഫൈറ്റോപ്ലാങ്ക്ടൺ ബയോമാസ് ഉള്ള AEP-കൾക്ക് വളരെ വ്യത്യസ്തമായ കമ്മ്യൂണിറ്റി ഘടനകളും സമാനമായ മൊത്തം ഫൈറ്റോപ്ലാങ്ക്ടൺ ബയോമാസ് ഉള്ള D, H, K പോലെയുള്ള വ്യത്യസ്ത ഭൂമിശാസ്ത്ര മേഖലകളും ഉൾക്കൊള്ളാൻ കഴിയും.AEP H പ്രധാനമായും ഭൂമധ്യരേഖാ ഇന്ത്യൻ മഹാസമുദ്രത്തിലാണ് നിലനിൽക്കുന്നത്, കൂടുതൽ ഡയസോട്രോഫിക് ബാക്ടീരിയകളുണ്ട്.എഇപി ഡി നിരവധി തടങ്ങളിൽ കാണപ്പെടുന്നു, പക്ഷേ പസഫിക്കിൽ ഭൂമധ്യരേഖാ ഉയർച്ചയ്ക്ക് ചുറ്റുമുള്ള ഉയർന്ന വിളവ് ലഭിക്കുന്ന പ്രദേശങ്ങളിൽ ഇത് പ്രത്യേകിച്ചും പ്രാധാന്യമർഹിക്കുന്നു.ഈ പസഫിക് പ്രവിശ്യയുടെ ആകൃതി ഒരു പ്ലാനറ്ററി വേവ് ട്രെയിനിനെ അനുസ്മരിപ്പിക്കുന്നതാണ്.എഇപി ഡിയിൽ കുറച്ച് ഡയസോബാക്ടീരിയയും കൂടുതൽ കോണുകളും ഉണ്ട്.മറ്റ് രണ്ട് പ്രവിശ്യകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ആർട്ടിക് സമുദ്രത്തിലെ ഉയർന്ന പ്രദേശങ്ങളിൽ മാത്രമേ AEP K കാണപ്പെടുന്നുള്ളൂ, കൂടാതെ കൂടുതൽ ഡയാറ്റുകളും കുറച്ച് പ്ലവകങ്ങളും ഉണ്ട്.ഈ മൂന്ന് പ്രദേശങ്ങളിലെ പ്ലവകങ്ങളുടെ അളവും വളരെ വ്യത്യസ്തമാണ് എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്.അവയിൽ, എഇപി ​​കെയുടെ പ്ലാങ്ക്ടൺ ബാഹുല്യം താരതമ്യേന കുറവാണ്, അതേസമയം എഇപി ​​ഡി, എച്ച് എന്നിവ താരതമ്യേന കൂടുതലാണ്.അതിനാൽ, അവയുടെ ജൈവാംശം ഉണ്ടായിരുന്നിട്ടും (അതിനാൽ Chl-a ന് സമാനമാണ്), ഈ പ്രവിശ്യകൾ തികച്ചും വ്യത്യസ്തമാണ്: Chl അടിസ്ഥാനമാക്കിയുള്ള പ്രവിശ്യാ പരിശോധന ഈ വ്യത്യാസങ്ങൾ പിടിച്ചെടുക്കില്ല.
ഫൈറ്റോപ്ലാങ്ക്ടൺ കമ്മ്യൂണിറ്റി ഘടനയുടെ കാര്യത്തിൽ വളരെ വ്യത്യസ്തമായ ബയോമാസ് ഉള്ള ചില എഇപികൾ സമാനമായിരിക്കാമെന്നതും വ്യക്തമാണ്.ഉദാഹരണത്തിന്, AEP D, E എന്നിവയിൽ ഇത് ദൃശ്യമാണ്. അവ പരസ്പരം അടുത്താണ്, കൂടാതെ പസഫിക് സമുദ്രത്തിൽ, AEP E ഉയർന്ന ഉൽപ്പാദനക്ഷമതയുള്ള AEPJ യുടെ അടുത്താണ്.അതുപോലെ, ഫൈറ്റോപ്ലാങ്ക്ടൺ ബയോമാസും സൂപ്ലാങ്ക്ടൺ സമൃദ്ധിയും തമ്മിൽ വ്യക്തമായ ബന്ധമില്ല.
അവർക്ക് നൽകുന്ന പോഷകങ്ങളുടെ അടിസ്ഥാനത്തിൽ AEP മനസ്സിലാക്കാം (ചിത്രം 5B).സിലിസിക് ആസിഡിന്റെ ധാരാളമായ ലഭ്യതയുള്ളിടത്ത് മാത്രമേ ഡയറ്റോമുകൾ നിലനിൽക്കൂ.സാധാരണഗതിയിൽ, സിലിസിക് ആസിഡിന്റെ ലഭ്യത കൂടുന്തോറും ഡയാറ്റങ്ങളുടെ ബയോമാസ് കൂടുതലായിരിക്കും.AEP A, J, K, L എന്നിവയിൽ ഡയറ്റോമുകൾ കാണാൻ കഴിയും. മറ്റ് ഫൈറ്റോപ്ലാങ്ക്ടണുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഡയറ്റം ബയോമാസിന്റെ അനുപാതം നിർണ്ണയിക്കുന്നത് ഡയറ്റം ഡിമാൻഡുമായി ബന്ധപ്പെട്ട് നൽകിയിരിക്കുന്ന N, P, Fe എന്നിവയാണ്.ഉദാഹരണത്തിന്, എഇപി ​​എൽ ഡയാറ്റങ്ങളാൽ ആധിപത്യം പുലർത്തുന്നു.മറ്റ് പോഷകങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, Si യ്ക്കാണ് ഏറ്റവും കൂടുതൽ വിതരണം.ഇതിനു വിപരീതമായി, ഉയർന്ന ഉൽപ്പാദനക്ഷമത ഉണ്ടായിരുന്നിട്ടും, AEP J- യ്ക്ക് കുറച്ച് ഡയാറ്റങ്ങളും കുറഞ്ഞ സിലിക്കൺ വിതരണവുമുണ്ട് (എല്ലാം മറ്റ് പോഷകങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ).
ഡയസോണിയം ബാക്ടീരിയകൾക്ക് നൈട്രജൻ സ്ഥിരപ്പെടുത്താനുള്ള കഴിവുണ്ട്, പക്ഷേ സാവധാനത്തിൽ വളരുന്നു (31).ഇരുമ്പും ഫോസ്ഫറസും ഡയസോണിയം ഇതര പോഷകങ്ങളുടെ ആവശ്യകതയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അമിതമായ മറ്റ് ഫൈറ്റോപ്ലാങ്ക്ടണുകളുമായി അവ സഹവർത്തിത്വമാണ് (20, 21).ഡയസോട്രോഫിക് ബയോമാസ് താരതമ്യേന കൂടുതലാണെന്നതും ശ്രദ്ധേയമാണ്, കൂടാതെ എഫ്, പി എന്നിവയുടെ വിതരണം എൻ വിതരണവുമായി താരതമ്യേന വലുതാണ്. ഈ രീതിയിൽ, എഇപി ​​ജെയിലെ മൊത്തം ബയോമാസ് കൂടുതലാണെങ്കിലും, എഇപി ​​എച്ചിലെ ഡയസോണിയം ബയോമാസ് J-ൽ ഉള്ളതിനേക്കാൾ വലുത്. AEP J ഉം H ഉം ഭൂമിശാസ്ത്രപരമായി വളരെ വ്യത്യസ്തമാണെന്നും H സ്ഥിതി ചെയ്യുന്നത് ഭൂമധ്യരേഖാ ഇന്ത്യൻ മഹാസമുദ്രത്തിലാണെന്നും ദയവായി ശ്രദ്ധിക്കുക.
സവിശേഷമായ ആവാസവ്യവസ്ഥയുടെ ഘടനയെ പ്രവിശ്യകളായി വിഭജിച്ചില്ലെങ്കിൽ, 12 എഇപിയുടെ ഏറ്റവും കുറഞ്ഞ സങ്കീർണ്ണത മോഡലുകളിൽ നിന്ന് ലഭിച്ച ഉൾക്കാഴ്ചകൾ അത്ര വ്യക്തമാകില്ല.SAGE സൃഷ്ടിച്ച AEP, ഇക്കോസിസ്റ്റം മോഡലുകളിൽ നിന്നുള്ള സങ്കീർണ്ണവും ഉയർന്ന അളവിലുള്ളതുമായ വിവരങ്ങളുടെ സമന്വയവും ഒരേസമയം താരതമ്യം ചെയ്യാൻ സഹായിക്കുന്നു.ഉയർന്ന പോഷക തലങ്ങളിൽ കമ്മ്യൂണിറ്റി ഘടനയോ സൂപ്ലാങ്ക്ടൺ സമൃദ്ധിയോ നിർണ്ണയിക്കാൻ Chl ഒരു നല്ലതും ബദൽ രീതിയല്ലാത്തത് എന്തുകൊണ്ടാണെന്ന് AEP ഫലപ്രദമായി ഊന്നിപ്പറയുന്നു.നടന്നുകൊണ്ടിരിക്കുന്ന ഗവേഷണ വിഷയങ്ങളുടെ വിശദമായ വിശകലനം ഈ ലേഖനത്തിന്റെ പരിധിക്കപ്പുറമാണ്.പോയിന്റ്-ടു-പോയിന്റ് വ്യൂവിംഗിനേക്കാൾ എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന മോഡലിലെ മറ്റ് മെക്കാനിസങ്ങൾ പര്യവേക്ഷണം ചെയ്യുന്നതിനുള്ള ഒരു മാർഗം SAGE രീതി നൽകുന്നു.
ആഗോള ഫിസിക്കൽ/ബയോജിയോകെമിക്കൽ/ഇക്കോസിസ്റ്റം സംഖ്യാ മാതൃകകളിൽ നിന്ന് വളരെ സങ്കീർണ്ണമായ പാരിസ്ഥിതിക ഡാറ്റ വ്യക്തമാക്കാൻ സഹായിക്കുന്നതിന് SAGE രീതി നിർദ്ദേശിക്കപ്പെട്ടിരിക്കുന്നു.ക്രോസ്-പ്ലാങ്ക്ടൺ ഫങ്ഷണൽ ഗ്രൂപ്പുകളുടെ മൊത്തം ബയോമാസ്, ടി-എസ്എൻഇ പ്രോബബിലിറ്റി ഡൈമൻഷണാലിറ്റി റിഡക്ഷൻ അൽഗോരിതം, മേൽനോട്ടമില്ലാത്ത ML രീതി DBSCAN ഉപയോഗിച്ചുള്ള ക്ലസ്റ്ററിംഗ് എന്നിവ അടിസ്ഥാനമാക്കിയാണ് പാരിസ്ഥിതിക പ്രവിശ്യ നിർണ്ണയിക്കുന്നത്.ഗ്ലോബൽ വ്യാഖ്യാനത്തിന് ഉപയോഗിക്കാവുന്ന ഒരു കരുത്തുറ്റ എഇപി ​​രൂപപ്പെടുത്താൻ നെസ്റ്റിംഗ് രീതിക്കുള്ള ഇന്റർ-പ്രവിശ്യാ ബിസി വ്യത്യാസം/ഗ്രാഫ് സിദ്ധാന്തം പ്രയോഗിക്കുന്നു.നിർമ്മാണത്തിന്റെ കാര്യത്തിൽ, ഇക്കോ പ്രവിശ്യയും എഇപിയും സവിശേഷമാണ്.യഥാർത്ഥ പാരിസ്ഥിതിക പ്രവിശ്യയുടെ പൂർണ്ണ സങ്കീർണ്ണതയ്ക്കും ശുപാർശ ചെയ്യുന്ന ഏറ്റവും കുറഞ്ഞ പരിധിയായ 12 എഇപികൾക്കും ഇടയിൽ എഇപി ​​നെസ്റ്റിംഗ് ക്രമീകരിക്കാൻ കഴിയും.കൂടുകൂട്ടുന്നതും എഇപിയുടെ ഏറ്റവും കുറഞ്ഞ സങ്കീർണ്ണത നിർണ്ണയിക്കുന്നതും പ്രധാന ഘട്ടങ്ങളായി കണക്കാക്കപ്പെടുന്നു, കാരണം ടി-എസ്എൻഇ സംഭാവ്യത <12 സങ്കീർണ്ണതയുടെ എഇപികളെ അപകീർത്തിപ്പെടുത്തുന്നു.SAGE രീതി ആഗോളമാണ്, അതിന്റെ സങ്കീർണ്ണത 100 AEP-കൾ മുതൽ 12 വരെയാണ്. ലാളിത്യത്തിന്, നിലവിലെ ശ്രദ്ധ 12 ആഗോള AEP-കളുടെ സങ്കീർണ്ണതയിലാണ്.ഭാവിയിലെ ഗവേഷണങ്ങൾ, പ്രത്യേകിച്ച് പ്രാദേശിക പഠനങ്ങൾ, ആഗോള ഇക്കോ പ്രവിശ്യകളുടെ ഒരു ചെറിയ സ്പേഷ്യൽ ഉപവിഭാഗം ഉപയോഗപ്രദമാണെന്ന് കണ്ടെത്തിയേക്കാം, ഇവിടെ ചർച്ച ചെയ്ത അതേ പാരിസ്ഥിതിക സ്ഥിതിവിവരക്കണക്കുകൾ പ്രയോജനപ്പെടുത്തുന്നതിന് ഒരു ചെറിയ പ്രദേശത്ത് സമാഹരിച്ചേക്കാം.ഈ പാരിസ്ഥിതിക പ്രവിശ്യകളും അവയിൽ നിന്ന് ലഭിക്കുന്ന ഉൾക്കാഴ്ചകളും കൂടുതൽ പാരിസ്ഥിതിക ധാരണയ്ക്കും മാതൃകാ താരതമ്യത്തിന് സൗകര്യമൊരുക്കുന്നതിനും സമുദ്ര ആവാസവ്യവസ്ഥയുടെ നിരീക്ഷണം മെച്ചപ്പെടുത്തുന്നതിനും എങ്ങനെ ഉപയോഗിക്കാമെന്നതിനെക്കുറിച്ചുള്ള നിർദ്ദേശങ്ങൾ ഇത് നൽകുന്നു.
SAGE രീതി തിരിച്ചറിഞ്ഞ പാരിസ്ഥിതിക പ്രവിശ്യയും AEP യും സംഖ്യാ മാതൃകയിലെ ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്.നിർവചനം അനുസരിച്ച്, സംഖ്യാ മാതൃക ഒരു ലളിതമായ ഘടനയാണ്, ടാർഗെറ്റ് സിസ്റ്റത്തിന്റെ സാരാംശം പിടിച്ചെടുക്കാൻ ശ്രമിക്കുന്നു, വ്യത്യസ്ത മോഡലുകൾക്ക് പ്ലാങ്ക്ടണിന്റെ വ്യത്യസ്ത വിതരണമുണ്ടാകും.ഈ പഠനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന സംഖ്യാ മോഡലിന് നിരീക്ഷിക്കപ്പെട്ട ചില പാറ്റേണുകൾ പൂർണ്ണമായി പിടിച്ചെടുക്കാൻ കഴിയില്ല (ഉദാഹരണത്തിന്, ഭൂമധ്യരേഖാ പ്രദേശത്തിനും ദക്ഷിണ സമുദ്രത്തിനും വേണ്ടിയുള്ള Chl എസ്റ്റിമേറ്റുകളിൽ).യഥാർത്ഥ സമുദ്രത്തിലെ വൈവിധ്യത്തിന്റെ ഒരു ചെറിയ ഭാഗം മാത്രമേ പിടിച്ചെടുക്കുന്നുള്ളൂ, കൂടാതെ മെസോയും സബ്-മെസോസ്കെയിലുകളും പരിഹരിക്കാൻ കഴിയില്ല, ഇത് പോഷക പ്രവാഹത്തെയും ചെറിയ തോതിലുള്ള കമ്മ്യൂണിറ്റി ഘടനയെയും ബാധിച്ചേക്കാം.ഈ പോരായ്മകൾ ഉണ്ടായിരുന്നിട്ടും, സങ്കീർണ്ണമായ മോഡലുകൾ മനസിലാക്കാൻ സഹായിക്കുന്നതിന് AEP വളരെ ഉപയോഗപ്രദമാണെന്ന് ഇത് മാറുന്നു.സമാനമായ പാരിസ്ഥിതിക പ്രവിശ്യകൾ എവിടെയാണെന്ന് വിലയിരുത്തുന്നതിലൂടെ, AEP ഒരു സാധ്യതയുള്ള സംഖ്യാ മോഡൽ താരതമ്യ ഉപകരണം നൽകുന്നു.നിലവിലെ സംഖ്യാ മോഡൽ റിമോട്ട് സെൻസിംഗ് ഫൈറ്റോപ്ലാങ്ക്ടൺ Chl-a കോൺസൺട്രേഷന്റെ മൊത്തത്തിലുള്ള പാറ്റേണും പ്ലാങ്ക്ടൺ വലുപ്പത്തിന്റെയും ഫങ്ഷണൽ ഗ്രൂപ്പിന്റെയും വിതരണവും (2, 32 ശ്രദ്ധിക്കുക).
0.1 mgChl-a/m-3 കോണ്ടൂർ ലൈൻ കാണിക്കുന്നത് പോലെ, AEP ഒളിഗോട്രോഫിക് ഏരിയ, മെസോട്രോഫിക് ഏരിയ എന്നിങ്ങനെ തിരിച്ചിരിക്കുന്നു (ചിത്രം S1B): AEP B, C, D, E, F, G എന്നിവ ഒളിഗോട്രോഫിക് ഏരിയകളാണ്, ശേഷിക്കുന്ന പ്രദേശങ്ങൾ ഹയർ Chl-a സ്ഥിതിചെയ്യുന്നു.ലോങ്ഹർസ്റ്റ് പ്രവിശ്യയുമായി (ചിത്രം S3A) ചില കത്തിടപാടുകൾ AEP കാണിക്കുന്നു, ഉദാഹരണത്തിന്, തെക്കൻ സമുദ്രവും ഭൂമധ്യരേഖാ പസഫിക്.ചില പ്രദേശങ്ങളിൽ, AEP ഒന്നിലധികം Longhurst പ്രദേശങ്ങൾ ഉൾക്കൊള്ളുന്നു, തിരിച്ചും.ഈ പ്രദേശത്തെയും ലോങ്‌ഹർസ്റ്റിലെയും പ്രവിശ്യകളെ വേർതിരിക്കാനുള്ള ഉദ്ദേശ്യം വ്യത്യസ്തമായതിനാൽ, വ്യത്യാസങ്ങൾ ഉണ്ടാകുമെന്ന് പ്രതീക്ഷിക്കുന്നു.ഒരു ലോങ്ഹർസ്റ്റ് പ്രവിശ്യയിലെ ഒന്നിലധികം AEP-കൾ സൂചിപ്പിക്കുന്നത്, സമാനമായ ബയോജിയോകെമിസ്ട്രി ഉള്ള ചില പ്രദേശങ്ങൾക്ക് വളരെ വ്യത്യസ്തമായ ആവാസവ്യവസ്ഥ ഘടനകൾ ഉണ്ടായിരിക്കാം എന്നാണ്.ഉയർന്ന ഉയർച്ചയുള്ള സംസ്ഥാനങ്ങളിൽ (ഉദാഹരണത്തിന്, തെക്കൻ മഹാസമുദ്രവും ഭൂമധ്യരേഖാ പസഫിക്; ചിത്രം S3, C, D) പോലുള്ള മേൽനോട്ടമില്ലാത്ത പഠനം (19) ഉപയോഗിച്ച് വെളിപ്പെടുത്തിയതുപോലെ, ശാരീരിക അവസ്ഥകളുമായി AEP ഒരു നിശ്ചിത കത്തിടപാടുകൾ കാണിക്കുന്നു.ഈ കത്തിടപാടുകൾ സൂചിപ്പിക്കുന്നത് പ്ലവകങ്ങളുടെ കമ്മ്യൂണിറ്റി ഘടന സമുദ്രത്തിന്റെ ചലനാത്മകതയാൽ ശക്തമായി സ്വാധീനിക്കപ്പെട്ടിരിക്കുന്നു എന്നാണ്.വടക്കൻ അറ്റ്ലാന്റിക് പോലുള്ള പ്രദേശങ്ങളിൽ, AEP ഭൗതിക പ്രവിശ്യകളിലൂടെ സഞ്ചരിക്കുന്നു.ഈ വ്യത്യാസങ്ങൾക്ക് കാരണമാകുന്ന മെക്കാനിസത്തിൽ പൊടി ഗതാഗതം പോലുള്ള പ്രക്രിയകൾ ഉൾപ്പെട്ടേക്കാം, ഇത് സമാന ശാരീരിക അവസ്ഥകളിൽ പോലും തികച്ചും വ്യത്യസ്തമായ പോഷകാഹാര പരിപാടികളിലേക്ക് നയിച്ചേക്കാം.
മറൈൻ ഇക്കോളജി സമൂഹം ഇതിനകം തിരിച്ചറിഞ്ഞതുപോലെ, Chl ഉപയോഗിച്ച് മാത്രം പാരിസ്ഥിതിക ഘടകങ്ങളെ തിരിച്ചറിയാൻ കഴിയില്ലെന്ന് പരിസ്ഥിതി മന്ത്രാലയവും എഇപിയും ചൂണ്ടിക്കാട്ടി.സമാനമായ ബയോമാസ് ഉള്ള എഇപികളിൽ ഇത് കാണപ്പെടുന്നു, എന്നാൽ വളരെ വ്യത്യസ്തമായ പാരിസ്ഥിതിക ഘടന (ഡി, ഇ എന്നിവ പോലുള്ളവ).നേരെമറിച്ച്, ഡി, കെ പോലുള്ള എഇപികൾക്ക് വളരെ വ്യത്യസ്തമായ ബയോമാസ് ഉണ്ട്, എന്നാൽ സമാനമായ പാരിസ്ഥിതിക ഘടനയുണ്ട്.ബയോമാസ്, പാരിസ്ഥിതിക ഘടന, സൂപ്ലാങ്ക്ടൺ സമൃദ്ധി എന്നിവ തമ്മിലുള്ള ബന്ധം സങ്കീർണ്ണമാണെന്ന് AEP ഊന്നിപ്പറയുന്നു.ഉദാഹരണത്തിന്, ഫൈറ്റോപ്ലാങ്ക്ടണിന്റെയും പ്ലവക ബയോമാസിന്റെയും കാര്യത്തിൽ എഇപി ​​ജെ വേറിട്ടുനിൽക്കുന്നുണ്ടെങ്കിലും, എഇപിയുടെ എ, എൽ എന്നിവയ്ക്ക് സമാനമായ പ്ലവക ബയോമാസ് ഉണ്ട്, എന്നാൽ എയ്ക്ക് ഉയർന്ന പ്ലവക സമൃദ്ധിയുണ്ട്.സൂപ്ലാങ്ക്ടൺ ബയോമാസ് പ്രവചിക്കാൻ ഫൈറ്റോപ്ലാങ്ക്ടൺ ബയോമാസ് (അല്ലെങ്കിൽ Chl) ഉപയോഗിക്കാനാവില്ലെന്ന് AEP ഊന്നിപ്പറയുന്നു.മത്സ്യബന്ധന ഭക്ഷ്യ ശൃംഖലയുടെ അടിത്തറയാണ് സൂപ്ലാങ്ക്ടൺ, കൂടുതൽ കൃത്യമായ കണക്കുകൂട്ടലുകൾ മികച്ച റിസോഴ്സ് മാനേജ്മെന്റിലേക്ക് നയിച്ചേക്കാം.ഭാവിയിലെ മറൈൻ കളർ സാറ്റലൈറ്റുകൾ [ഉദാഹരണത്തിന്, PACE (പ്ലാങ്ക്ടൺ, എയറോസോൾ, ക്ലൗഡ്, മറൈൻ ഇക്കോസിസ്റ്റം)] ഫൈറ്റോപ്ലാങ്ക്ടണിന്റെ കമ്മ്യൂണിറ്റി ഘടന കണക്കാക്കാൻ സഹായിക്കുന്നതിന് മികച്ച സ്ഥാനം നൽകിയേക്കാം.AEP പ്രവചനം ഉപയോഗിക്കുന്നത് ബഹിരാകാശത്ത് നിന്നുള്ള സൂപ്ലാങ്ക്ടണിന്റെ വിലയിരുത്തൽ സുഗമമാക്കും.SAGE പോലെയുള്ള രീതികൾ, പുതിയ സാങ്കേതിക വിദ്യകൾ, ഗ്രൗണ്ട് ട്രൂത്ത് സർവേകൾക്കായി ലഭ്യമായ കൂടുതൽ കൂടുതൽ ഫീൽഡ് ഡാറ്റ (താര, ഫോളോ-അപ്പ് ഗവേഷണം എന്നിവ) സാറ്റലൈറ്റ് അടിസ്ഥാനമാക്കിയുള്ള ആവാസവ്യവസ്ഥയുടെ ആരോഗ്യ നിരീക്ഷണത്തിലേക്ക് സംയുക്തമായി ഒരു ചുവടുവെപ്പ് നടത്താം.
ബയോമാസ്/Chl, നെറ്റ് പ്രൈമറി പ്രൊഡക്ഷൻ, കമ്മ്യൂണിറ്റി ഘടന തുടങ്ങിയ പ്രവിശ്യാ സ്വഭാവങ്ങളെ നിയന്ത്രിക്കുന്ന ചില സംവിധാനങ്ങളെ വിലയിരുത്തുന്നതിന് SAGE രീതി സൗകര്യപ്രദമായ മാർഗം നൽകുന്നു.ഉദാഹരണത്തിന്, ഫൈറ്റോപ്ലാങ്ക്ടൺ സ്റ്റോയ്ചിയോമെട്രിക് ആവശ്യകതകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ Si, N, P, Fe എന്നിവയുടെ വിതരണത്തിലെ അസന്തുലിതാവസ്ഥയാണ് ഡയാറ്റുകളുടെ ആപേക്ഷിക അളവ് സജ്ജീകരിക്കുന്നത്.സമതുലിതമായ വിതരണ നിരക്കിൽ, കമ്മ്യൂണിറ്റിയിൽ ഡയാറ്റമുകൾ (എൽ) ആധിപത്യം പുലർത്തുന്നു.വിതരണ നിരക്ക് അസന്തുലിതമാകുമ്പോൾ (അതായത്, സിലിക്കണിന്റെ വിതരണം ഡയാറ്റങ്ങളുടെ പോഷക ആവശ്യകതയേക്കാൾ കുറവാണ്), ഡയാറ്റമുകൾക്ക് ഒരു ചെറിയ ഭാഗം മാത്രമേ ഷെയർ (കെ) ലഭിക്കൂ.Fe, P എന്നിവയുടെ വിതരണം N ന്റെ വിതരണത്തേക്കാൾ കൂടുതലാകുമ്പോൾ (ഉദാഹരണത്തിന്, E, H), ഡയസോട്രോഫിക് ബാക്ടീരിയകൾ ശക്തമായി വളരും.AEP നൽകുന്ന സന്ദർഭത്തിലൂടെ, നിയന്ത്രണ സംവിധാനങ്ങളുടെ പര്യവേക്ഷണം കൂടുതൽ ഉപയോഗപ്രദമാകും.
ഇക്കോ പ്രവിശ്യയും എഇപിയും സമാനമായ കമ്മ്യൂണിറ്റി ഘടനയുള്ള പ്രദേശങ്ങളാണ്.ഒരു പാരിസ്ഥിതിക പ്രവിശ്യയിലോ എഇപിയിലോ ഉള്ള ഒരു നിശ്ചിത സ്ഥലത്ത് നിന്നുള്ള സമയ ശ്രേണിയെ ഒരു റഫറൻസ് പോയിന്റായി കണക്കാക്കാം, കൂടാതെ പാരിസ്ഥിതിക പ്രവിശ്യയുടെയോ എഇപിയുടെയോ പരിധിയിലുള്ള പ്രദേശത്തെ പ്രതിനിധീകരിക്കാനും കഴിയും.ദീർഘകാല ഓൺ-സൈറ്റ് മോണിറ്ററിംഗ് സ്റ്റേഷനുകൾ അത്തരം സമയ ശ്രേണി നൽകുന്നു.ദീർഘകാല ഇൻ-സിറ്റു ഡാറ്റാ സെറ്റുകൾ കണക്കാക്കാനാവാത്ത പങ്ക് വഹിക്കും.കമ്മ്യൂണിറ്റി ഘടന നിരീക്ഷിക്കുന്നതിന്റെ വീക്ഷണകോണിൽ നിന്ന്, പുതിയ സൈറ്റുകളുടെ ഏറ്റവും ഉപയോഗപ്രദമായ സ്ഥാനം നിർണ്ണയിക്കാൻ സഹായിക്കുന്ന ഒരു മാർഗമായി SAGE രീതിയെ കാണാൻ കഴിയും.ഉദാഹരണത്തിന്, ദീർഘകാല ഒളിഗോട്രോഫിക് ആവാസവ്യവസ്ഥയുടെ (ALOHA) സമയ ശ്രേണി ഒളിഗോട്രോഫിക് ഏരിയയുടെ AEP B യിലാണ് (ചിത്രം 5C, ലേബൽ 2).ALOHA മറ്റൊരു AEP യുടെ അതിർത്തിയോട് അടുത്തായതിനാൽ, മുമ്പ് നിർദ്ദേശിച്ചതുപോലെ സമയ ശ്രേണി മുഴുവൻ പ്രദേശത്തെയും പ്രതിനിധീകരിക്കണമെന്നില്ല (33).അതേ AEP B-യിൽ, മറ്റ് AEP-കളുടെ അതിരുകളിൽ നിന്ന് അകലെ (ചിത്രം 5C, ലേബൽ 1) തെക്കുപടിഞ്ഞാറൻ തായ്‌വാനിലാണ് (34) സമയ ശ്രേണി SEATS (തെക്കുകിഴക്കൻ ഏഷ്യൻ ടൈം സീരീസ്) സ്ഥിതിചെയ്യുന്നത്, നിരീക്ഷിക്കുന്നതിനുള്ള മികച്ച സ്ഥലമായി ഇത് ഉപയോഗിക്കാം. എ.ഇ.പി.ബി.AEPC-യിലെ BATS (Bermuda Atlantic Time Series Study) സമയ ശ്രേണി (ചിത്രം 5C, ലേബൽ 4) AEP C, F എന്നിവയ്‌ക്കിടയിലുള്ള അതിർത്തിയോട് വളരെ അടുത്താണ്, ഇത് BATS സമയ ശ്രേണി ഉപയോഗിച്ച് AEP C നിരീക്ഷിക്കുന്നത് നേരിട്ട് പ്രശ്‌നമുണ്ടാക്കുമെന്ന് സൂചിപ്പിക്കുന്നു.AEP J-ലെ സ്റ്റേഷൻ P (ചിത്രം 5C, ലേബൽ 3) AEP അതിർത്തിയിൽ നിന്ന് വളരെ അകലെയാണ്, അതിനാൽ ഇത് കൂടുതൽ പ്രതിനിധികളാണ്.ആഗോള മാറ്റങ്ങൾ വിലയിരുത്തുന്നതിന് അനുയോജ്യമായ ഒരു നിരീക്ഷണ ചട്ടക്കൂട് സ്ഥാപിക്കാൻ ഇക്കോ-പ്രവിശ്യയ്ക്കും എഇപിക്കും കഴിയും, കാരണം ഓൺ-സൈറ്റ് സാമ്പിളിംഗ് പ്രധാന സ്ഥിതിവിവരക്കണക്കുകൾ നൽകുന്നതിന് പ്രവിശ്യകളുടെ അനുമതി.സമയം ലാഭിക്കുന്ന വ്യതിയാനം വിലയിരുത്തുന്നതിന് കാലാവസ്ഥാ ഡാറ്റയിൽ പ്രയോഗിക്കുന്നതിന് SAGE രീതി കൂടുതൽ വികസിപ്പിക്കാവുന്നതാണ്.
ഡാറ്റാ സയൻസ്/എംഎൽ രീതികളും ഡൊമെയ്ൻ-നിർദ്ദിഷ്‌ട വിജ്ഞാനവും ശ്രദ്ധാപൂർവ്വം പ്രയോഗിച്ചാണ് SAGE രീതിയുടെ വിജയം കൈവരിക്കുന്നത്.പ്രത്യേകമായി, t-SNE ഡൈമൻഷണാലിറ്റി റിഡക്ഷൻ നടത്താൻ ഉപയോഗിക്കുന്നു, ഇത് ഹൈ-ഡൈമൻഷണൽ ഡാറ്റയുടെ കോവേരിയൻസ് ഘടനയെ സംരക്ഷിക്കുകയും കോവേരിയൻസ് ടോപ്പോളജിയുടെ ദൃശ്യവൽക്കരണം സുഗമമാക്കുകയും ചെയ്യുന്നു.ഡാറ്റ സ്ട്രൈപ്പുകളുടെയും കോവേറിയൻസുകളുടെയും രൂപത്തിൽ ക്രമീകരിച്ചിരിക്കുന്നു (ചിത്രം 2A), അവ സാധാരണയായി ഒരു ഗൗസിയൻ (വൃത്താകൃതിയിലുള്ള) അടിസ്ഥാന വിതരണമാണ് ഉപയോഗിക്കുന്നതിനാൽ (കുറിപ്പ് S2-ൽ ചർച്ച ചെയ്തിരിക്കുന്നത്) കാരണം ദൂരത്തെ അടിസ്ഥാനമാക്കിയുള്ള അളവുകൾ (കെ-മീൻസ് പോലുള്ളവ) ഉചിതമല്ലെന്ന് സൂചിപ്പിക്കുന്നു. .ഏത് കോവേരിയൻസ് ടോപ്പോളജിക്കും DBSCAN രീതി അനുയോജ്യമാണ്.പാരാമീറ്ററുകൾ സജ്ജീകരിക്കുന്നതിൽ നിങ്ങൾ ശ്രദ്ധിക്കുന്നിടത്തോളം, വിശ്വസനീയമായ തിരിച്ചറിയൽ നൽകാനാകും.t-SNE അൽഗോരിതത്തിന്റെ കമ്പ്യൂട്ടേഷണൽ ചെലവ് ഉയർന്നതാണ്, ഇത് അതിന്റെ നിലവിലെ ആപ്ലിക്കേഷനെ ഒരു വലിയ അളവിലുള്ള ഡാറ്റയിലേക്ക് പരിമിതപ്പെടുത്തുന്നു, അതായത് ആഴത്തിലുള്ളതോ സമയവ്യത്യാസമുള്ളതോ ആയ ഫീൽഡുകളിൽ പ്രയോഗിക്കുന്നത് ബുദ്ധിമുട്ടാണ്.t-SNE-യുടെ സ്കേലബിലിറ്റിയുടെ പ്രവർത്തനം പുരോഗമിക്കുകയാണ്.KL ദൂരം സമാന്തരമാക്കാൻ എളുപ്പമായതിനാൽ, t-SNE അൽഗോരിതത്തിന് ഭാവിയിൽ വിപുലീകരണത്തിന് നല്ല സാധ്യതയുണ്ട് (35).ഇതുവരെ, വലിപ്പം നന്നായി കുറയ്ക്കാൻ കഴിയുന്ന മറ്റ് വാഗ്ദാനമായ ഡൈമൻഷണാലിറ്റി റിഡക്ഷൻ രീതികളിൽ ഏകീകൃത മാനിഫോൾഡ് ഏകദേശവും പ്രൊജക്ഷനും (UMAP) ടെക്നിക്കുകളും ഉൾപ്പെടുന്നു, എന്നാൽ സമുദ്ര ഡാറ്റയുടെ പശ്ചാത്തലത്തിൽ വിലയിരുത്തൽ ആവശ്യമാണ്.മികച്ച സ്കേലബിളിറ്റിയുടെ അർത്ഥം, ഉദാഹരണത്തിന്, ഒരു മിക്സഡ് ലെയറിൽ വ്യത്യസ്ത സങ്കീർണ്ണതകളുള്ള ആഗോള കാലാവസ്ഥകളോ മോഡലുകളോ തരംതിരിക്കുക എന്നതാണ്.ഏത് പ്രവിശ്യയിലും SAGE വർഗ്ഗീകരിക്കാൻ കഴിയാത്ത മേഖലകൾ ചിത്രം 2A-യിലെ ശേഷിക്കുന്ന കറുത്ത ഡോട്ടുകളായി കണക്കാക്കാം.ഭൂമിശാസ്ത്രപരമായി, ഈ പ്രദേശങ്ങൾ പ്രധാനമായും ഉയർന്ന സീസണൽ പ്രദേശങ്ങളിലാണ്, ഇത് കാലക്രമേണ മാറുന്ന പാരിസ്ഥിതിക പ്രവിശ്യകൾ പിടിച്ചെടുക്കുന്നത് മികച്ച കവറേജ് നൽകുമെന്ന് സൂചിപ്പിക്കുന്നു.
SAGE രീതി നിർമ്മിക്കുന്നതിന്, ഫങ്ഷണൽ ഗ്രൂപ്പുകളുടെ ക്ലസ്റ്ററുകൾ (11-മാനമുള്ള സ്ഥലത്ത് വളരെ അടുത്തായിരിക്കാനുള്ള സാധ്യത) നിർണ്ണയിക്കാനും പ്രവിശ്യകൾ നിർണ്ണയിക്കാനുമുള്ള കഴിവ് ഉപയോഗിച്ച് സങ്കീർണ്ണമായ സിസ്റ്റങ്ങൾ/ഡാറ്റ സയൻസിൽ നിന്നുള്ള ആശയങ്ങൾ ഉപയോഗിച്ചു.ഈ പ്രവിശ്യകൾ ഞങ്ങളുടെ 3D t-SNE ഫേസ് സ്പേസിൽ നിർദ്ദിഷ്ട വോള്യങ്ങൾ ചിത്രീകരിക്കുന്നു.അതുപോലെ, "സാധാരണ" അല്ലെങ്കിൽ "കുഴപ്പമുള്ള" സ്വഭാവം (36) നിർണ്ണയിക്കാൻ, പാതയുടെ കൈവശമുള്ള സംസ്ഥാന സ്ഥലത്തിന്റെ "വോളിയം" വിലയിരുത്താൻ Poincaré ഭാഗം ഉപയോഗിക്കാം.സ്റ്റാറ്റിക് 11-ഡൈമൻഷണൽ മോഡൽ ഔട്ട്‌പുട്ടിനായി, ഡാറ്റ ഒരു 3D ഫേസ് സ്‌പെയ്‌സിലേക്ക് പരിവർത്തനം ചെയ്‌തതിന് ശേഷമുള്ള വോളിയം സമാനമായി വിശദീകരിക്കാം.3D ഫേസ് സ്പേസിലെ ഭൂമിശാസ്ത്രപരമായ പ്രദേശവും പ്രദേശവും തമ്മിലുള്ള ബന്ധം ലളിതമല്ല, എന്നാൽ പാരിസ്ഥിതിക സാമ്യത്തിന്റെ അടിസ്ഥാനത്തിൽ ഇത് വിശദീകരിക്കാം.ഇക്കാരണത്താൽ, കൂടുതൽ പരമ്പരാഗത ബിസി പൊരുത്തക്കേടാണ് മുൻഗണന നൽകുന്നത്.
തിരിച്ചറിഞ്ഞ പ്രവിശ്യകളുടെയും AEP യുടെയും സ്പേഷ്യൽ വേരിയബിളിറ്റി വിലയിരുത്തുന്നതിന് കാലാനുസൃതമായി ഡാറ്റ മാറ്റുന്നതിനായി ഭാവി പ്രവർത്തനങ്ങൾ SAGE രീതി വീണ്ടും ഉപയോഗിക്കും.സാറ്റലൈറ്റ് അളവുകളിലൂടെ (Chl-a, റിമോട്ട് സെൻസിംഗ് റിഫ്‌ളക്റ്റിവിറ്റി, സമുദ്രോപരിതല താപനില എന്നിവ പോലുള്ളവ) ഏതൊക്കെ പ്രവിശ്യകളെ നിർണ്ണയിക്കാൻ സഹായിക്കുമെന്ന് ഈ രീതി ഉപയോഗിക്കുക എന്നതാണ് ഭാവി ലക്ഷ്യം.ഇത് പാരിസ്ഥിതിക ഘടകങ്ങളുടെ റിമോട്ട് സെൻസിംഗ് വിലയിരുത്തലും പാരിസ്ഥിതിക പ്രവിശ്യകളുടെയും അവയുടെ വ്യതിയാനങ്ങളുടെയും വളരെ വഴക്കമുള്ള നിരീക്ഷണവും അനുവദിക്കും.
ഒരു പാരിസ്ഥിതിക പ്രവിശ്യയെ അതിന്റെ തനതായ പ്ലാങ്ക്ടൺ കമ്മ്യൂണിറ്റി ഘടനയിലൂടെ നിർവചിക്കുന്ന SAGE രീതി അവതരിപ്പിക്കുക എന്നതാണ് ഈ ഗവേഷണത്തിന്റെ ലക്ഷ്യം.ഇവിടെ, ഫിസിക്കൽ/ബയോജിയോകെമിക്കൽ/ഇക്കോസിസ്റ്റം മോഡലിനെക്കുറിച്ചും t-SNE, DBSCAN അൽഗോരിതങ്ങളുടെ പാരാമീറ്റർ തിരഞ്ഞെടുപ്പിനെക്കുറിച്ചും കൂടുതൽ വിശദമായ വിവരങ്ങൾ നൽകും.
മോഡലിന്റെ ഭൗതിക ഘടകങ്ങൾ സമുദ്രചംക്രമണത്തിന്റെയും കാലാവസ്ഥയുടെയും അനുമാനത്തിൽ നിന്നാണ് വരുന്നത് [ECCOv4;(37) (38) വിവരിച്ച ആഗോള സംസ്ഥാന എസ്റ്റിമേഷൻസംസ്ഥാന എസ്റ്റിമേഷന്റെ നാമമാത്രമായ റെസല്യൂഷൻ 1/5 ആണ്.ലാഗ്രാൻജിയൻ മൾട്ടിപ്ലയർ രീതിയിലുള്ള ഏറ്റവും കുറഞ്ഞ സ്ക്വയർ രീതി നിരീക്ഷണത്തിലൂടെ ക്രമീകരിച്ച പ്രാരംഭ, അതിർത്തി വ്യവസ്ഥകളും ആന്തരിക മോഡൽ പാരാമീറ്ററുകളും നേടുന്നതിന് ഉപയോഗിക്കുന്നു, അതുവഴി സ്വതന്ത്രമായി പ്രവർത്തിക്കുന്ന MIT ജനറൽ സൈക്കിൾ മോഡൽ (MITgcm) (39) സൃഷ്ടിക്കുന്നു, മോഡൽ ഒപ്റ്റിമൈസേഷനുശേഷം, ഫലങ്ങൾക്ക് കഴിയും നിരീക്ഷിക്കുകയും നിരീക്ഷിക്കുകയും ചെയ്യും.
ബയോജിയോകെമിസ്ട്രി/ഇക്കോസിസ്റ്റത്തിന് (2) ൽ കൂടുതൽ പൂർണ്ണമായ വിവരണം (അതായത് സമവാക്യങ്ങളും പാരാമീറ്റർ മൂല്യങ്ങളും) ഉണ്ട്.അജൈവ, ഓർഗാനിക് കുളങ്ങളിലൂടെ C, N, P, Si, Fe എന്നിവയുടെ രക്തചംക്രമണം മോഡൽ പിടിച്ചെടുക്കുന്നു.ഇവിടെ ഉപയോഗിച്ചിരിക്കുന്ന പതിപ്പിൽ 35 ഇനം ഫൈറ്റോപ്ലാങ്ക്ടണുകൾ ഉൾപ്പെടുന്നു: 2 ഇനം മൈക്രോപ്രോകാരിയോട്ടുകളും 2 ഇനം മൈക്രോ യൂക്കാരിയോട്ടുകളും (പോഷകാഹാരം കുറഞ്ഞ അന്തരീക്ഷത്തിന് അനുയോജ്യം), 5 ഇനം ക്രിപ്‌റ്റോമോണസ് സ്ഫെറോയ്‌ഡുകൾ (കാൽസ്യം കാർബണേറ്റ് കോട്ടിംഗിനൊപ്പം), 5 ഇനം ഡയസോനിയം ( നൈട്രജൻ ശരിയാക്കാം, അങ്ങനെ ഇത് പരിമിതമല്ല) അലിഞ്ഞുപോയ അജൈവ നൈട്രജന്റെ ലഭ്യത), 11 ഡയാറ്റങ്ങൾ (സിലിസിയസ് കവർ രൂപപ്പെടുത്തുന്നു), 10 മിക്സഡ്-വെജിറ്റേറ്റീവ് ഫ്ലാഗെലേറ്റുകൾ (മറ്റ് പ്ലവകങ്ങളെ പ്രകാശസംശ്ലേഷണം ചെയ്യാനും ഭക്ഷിക്കാനും കഴിയും), 16 സൂപ്ലാങ്ക്ടൺ (മറ്റ് പ്ലവകങ്ങളിൽ മേയാൻ)ഇവയെ "ബയോജിയോകെമിക്കൽ ഫങ്ഷണൽ ഗ്രൂപ്പുകൾ" എന്ന് വിളിക്കുന്നു, കാരണം അവ മറൈൻ ബയോജിയോകെമിസ്ട്രിയിൽ (40, 41) വ്യത്യസ്ത ഇഫക്റ്റുകൾ ഉള്ളതിനാൽ അവ പലപ്പോഴും നിരീക്ഷണത്തിലും മാതൃകാ പഠനങ്ങളിലും ഉപയോഗിക്കുന്നു.ഈ മാതൃകയിൽ, ഓരോ ഫങ്ഷണൽ ഗ്രൂപ്പും 0.6 മുതൽ 2500 μm വരെ തുല്യമായ ഗോളാകൃതിയിലുള്ള വ്യാസമുള്ള, വ്യത്യസ്ത വലിപ്പത്തിലുള്ള നിരവധി പ്ലാങ്ക്ടണുകൾ ചേർന്നതാണ്.
ഫൈറ്റോപ്ലാങ്ക്ടൺ വളർച്ച, മേച്ചിൽ, മുങ്ങൽ എന്നിവയെ ബാധിക്കുന്ന പരാമീറ്ററുകൾ വലിപ്പവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, കൂടാതെ ആറ് ഫൈറ്റോപ്ലാങ്ക്ടൺ ഫങ്ഷണൽ ഗ്രൂപ്പുകൾ തമ്മിൽ പ്രത്യേക വ്യത്യാസങ്ങളുണ്ട് (32).വ്യത്യസ്ത ഭൗതിക ചട്ടക്കൂടുകൾ ഉണ്ടായിരുന്നിട്ടും, മോഡലിന്റെ 51 പ്ലാങ്ക്ടൺ ഘടകങ്ങളുടെ ഫലങ്ങൾ സമീപകാല പഠനങ്ങളിൽ ഉപയോഗിച്ചിട്ടുണ്ട് (42-44).
1992 മുതൽ 2011 വരെ, ഫിസിക്കൽ/ബയോജിയോകെമിക്കൽ/ഇക്കോസിസ്റ്റം കപ്ലിംഗ് മോഡൽ 20 വർഷം പ്രവർത്തിച്ചു.മോഡലിന്റെ ഔട്ട്‌പുട്ടിൽ പ്ലാങ്ക്ടൺ ബയോമാസ്, പോഷക സാന്ദ്രത, പോഷക വിതരണ നിരക്ക് (DIN, PO4, Si, Fe) എന്നിവ ഉൾപ്പെടുന്നു.ഈ പഠനത്തിൽ, ഈ ഔട്ട്പുട്ടുകളുടെ 20 വർഷത്തെ ശരാശരി പരിസ്ഥിതി പ്രവിശ്യയുടെ ഇൻപുട്ടായി ഉപയോഗിച്ചു.Chl, പ്ലാങ്ക്ടൺ ബയോമാസ്, പോഷക സാന്ദ്രത എന്നിവയുടെ വിതരണവും ഫങ്ഷണൽ ഗ്രൂപ്പുകളുടെ വിതരണവും സാറ്റലൈറ്റ്, ഇൻ-സിറ്റു നിരീക്ഷണങ്ങളുമായി താരതമ്യപ്പെടുത്തുന്നു [(2, 44), കുറിപ്പ് S1, ചിത്രം എന്നിവ കാണുക.S1 മുതൽ S3 വരെ].
SAGE രീതിക്ക്, ക്രമരഹിതതയുടെ പ്രധാന ഉറവിടം t-SNE ഘട്ടത്തിൽ നിന്നാണ്.ക്രമരഹിതത ആവർത്തനക്ഷമതയെ തടസ്സപ്പെടുത്തുന്നു, അതായത് ഫലങ്ങൾ വിശ്വസനീയമല്ല.t-SNE, DBSCAN എന്നിവയുടെ ഒരു കൂട്ടം പാരാമീറ്ററുകൾ നിർണ്ണയിച്ചുകൊണ്ട് SAGE രീതി കർശനമായി ദൃഢത പരിശോധിക്കുന്നു, ഇത് ആവർത്തിക്കുമ്പോൾ ക്ലസ്റ്ററുകൾ സ്ഥിരമായി തിരിച്ചറിയാൻ കഴിയും.t-SNE പരാമീറ്ററിന്റെ "ആശങ്ക" നിർണ്ണയിക്കുന്നത്, ഉയർന്ന അളവുകളിൽ നിന്ന് താഴ്ന്ന അളവുകളിലേക്കുള്ള മാപ്പിംഗ് ഡാറ്റയുടെ പ്രാദേശിക അല്ലെങ്കിൽ ആഗോള സ്വഭാവസവിശേഷതകളെ എത്രത്തോളം മാനിക്കണം എന്ന് നിർണ്ണയിക്കുന്നതായി മനസ്സിലാക്കാം.400, 300 ആവർത്തനങ്ങളുടെ ആശയക്കുഴപ്പത്തിൽ എത്തി.
ക്ലസ്റ്ററിംഗ് അൽഗോരിതം DBSCAN-ന്, ക്ലസ്റ്ററിലെ ഡാറ്റാ പോയിന്റുകളുടെ ഏറ്റവും കുറഞ്ഞ വലിപ്പവും ദൂര മെട്രിക്സും നിർണ്ണയിക്കേണ്ടതുണ്ട്.വിദഗ്ധരുടെ മാർഗനിർദേശപ്രകാരം മിനിമം നമ്പർ നിർണ്ണയിക്കപ്പെടുന്നു.നിലവിലെ സംഖ്യാ മോഡലിംഗ് ചട്ടക്കൂടിനും റെസല്യൂഷനും എന്താണ് അനുയോജ്യമെന്ന് ഈ അറിവിന് അറിയാം.ഏറ്റവും കുറഞ്ഞ സംഖ്യ 100 ആണ്. ഉയർന്ന കുറഞ്ഞ മൂല്യം (പച്ചയുടെ മുകളിലെ പരിധി വിശാലമാകുന്നതിന് മുമ്പ് <135-നേക്കാൾ കുറവ്) പരിഗണിക്കാം, എന്നാൽ BC പൊരുത്തക്കേടിനെ അടിസ്ഥാനമാക്കിയുള്ള സംയോജന രീതിക്ക് പകരം വയ്ക്കാൻ ഇതിന് കഴിയില്ല.കണക്ഷന്റെ അളവ് (ചിത്രം 6A) ϵ പാരാമീറ്റർ സജ്ജമാക്കാൻ ഉപയോഗിക്കുന്നു, അത് ഉയർന്ന കവറേജിന് അനുയോജ്യമാണ് (ചിത്രം 6B).കണക്റ്റിവിറ്റി എന്നത് ക്ലസ്റ്ററുകളുടെ സംയോജിത സംഖ്യയായി നിർവചിക്കപ്പെടുന്നു, ഇത് ϵ പാരാമീറ്ററിനോട് സെൻസിറ്റീവ് ആണ്.ലോവർ കണക്റ്റിവിറ്റി എന്നത് അപര്യാപ്തമായ ഫിറ്റിംഗിനെ സൂചിപ്പിക്കുന്നു, പ്രദേശങ്ങളെ കൃത്രിമമായി ഗ്രൂപ്പുചെയ്യുന്നു.ഉയർന്ന കണക്റ്റിവിറ്റി ഓവർഫിറ്റിംഗ് സൂചിപ്പിക്കുന്നു.ഓവർഫിറ്റിംഗും പ്രശ്നകരമാണ്, കാരണം പ്രാരംഭ ക്രമരഹിതമായ ഊഹങ്ങൾ പുനർനിർമ്മിക്കാനാവാത്ത ഫലങ്ങളിലേക്ക് നയിച്ചേക്കാമെന്ന് ഇത് കാണിക്കുന്നു.ഈ രണ്ട് തീവ്രതകൾക്കിടയിൽ, മൂർച്ചയുള്ള വർദ്ധനവ് (സാധാരണയായി "എൽബോ" എന്ന് വിളിക്കുന്നു) മികച്ച ϵ സൂചിപ്പിക്കുന്നു.ചിത്രം 6A-ൽ, പീഠഭൂമിയുടെ വിസ്തൃതിയിൽ (മഞ്ഞ,> 200 ക്ലസ്റ്ററുകൾ) കുത്തനെ വർദ്ധനവ് നിങ്ങൾ കാണുന്നു, തുടർന്ന് കുത്തനെ കുറയുന്നു (പച്ച, 100 ക്ലസ്റ്ററുകൾ), ഏകദേശം 130 വരെ, വളരെ കുറച്ച് ക്ലസ്റ്ററുകളാൽ ചുറ്റപ്പെട്ടിരിക്കുന്നു (നീല, <60 ക്ലസ്റ്ററുകൾ) ).കുറഞ്ഞത് 100 നീല പ്രദേശങ്ങളിൽ, ഒന്നുകിൽ ഒരു ക്ലസ്റ്റർ മുഴുവൻ സമുദ്രത്തിലും (ϵ <0.42) ആധിപത്യം പുലർത്തുന്നു, അല്ലെങ്കിൽ സമുദ്രത്തിന്റെ ഭൂരിഭാഗവും തരംതിരിച്ചിട്ടില്ല, അത് ശബ്ദമായി കണക്കാക്കപ്പെടുന്നു (ϵ> 0.99).മഞ്ഞ പ്രദേശത്തിന് ഉയർന്ന വേരിയബിൾ, പുനരുൽപ്പാദിപ്പിക്കാനാവാത്ത ക്ലസ്റ്റർ വിതരണമുണ്ട്.ϵ കുറയുമ്പോൾ, ശബ്ദം വർദ്ധിക്കുന്നു.കുത്തനെ വർദ്ധിക്കുന്ന പച്ച പ്രദേശത്തെ കൈമുട്ട് എന്ന് വിളിക്കുന്നു.ഇതൊരു ഒപ്റ്റിമൽ മേഖലയാണ്.പ്രോബബിലിറ്റി t-SNE ഉപയോഗിച്ചിട്ടുണ്ടെങ്കിലും, വിശ്വസനീയമായ ക്ലസ്റ്ററിംഗ് നിർണ്ണയിക്കാൻ പ്രവിശ്യയ്ക്കുള്ളിലെ BC പൊരുത്തക്കേട് ഇപ്പോഴും ഉപയോഗിക്കാം.ചിത്രം 6 (A, B) ഉപയോഗിച്ച് ϵ 0.39 ആയി സജ്ജമാക്കുക.ഏറ്റവും വലിയ മിനിമം സംഖ്യ, വിശ്വസനീയമായ വർഗ്ഗീകരണം അനുവദിക്കുന്ന ϵ-ൽ എത്താനുള്ള സാധ്യത കുറയുന്നു, കൂടാതെ 135-ൽ കൂടുതൽ മൂല്യമുള്ള പച്ചനിറത്തിലുള്ള പ്രദേശം വർദ്ധിക്കുന്നു. ഈ പ്രദേശത്തിന്റെ വിപുലീകരണം സൂചിപ്പിക്കുന്നത് കൈമുട്ട് കണ്ടെത്താൻ കൂടുതൽ ബുദ്ധിമുട്ടായിരിക്കും അല്ലെങ്കിൽ അല്ലാത്തതാണെന്ന്. നിലവിലുണ്ട്.
t-SNE-യുടെ പാരാമീറ്ററുകൾ സജ്ജീകരിച്ച ശേഷം, കണ്ടെത്തിയ മൊത്തം ക്ലസ്റ്ററുകളുടെ എണ്ണം കണക്റ്റിവിറ്റി (എ) അളവും ക്ലസ്റ്ററിന് (ബി) അനുവദിച്ച ഡാറ്റയുടെ ശതമാനവും ആയി ഉപയോഗിക്കും.കവറേജിന്റെയും കണക്റ്റിവിറ്റിയുടെയും മികച്ച സംയോജനത്തെ ചുവന്ന ഡോട്ട് സൂചിപ്പിക്കുന്നു.പരിസ്ഥിതിശാസ്ത്രവുമായി ബന്ധപ്പെട്ട ഏറ്റവും കുറഞ്ഞ സംഖ്യ അനുസരിച്ചാണ് മിനിമം നമ്പർ സജ്ജീകരിച്ചിരിക്കുന്നത്.
ഈ ലേഖനത്തിനായുള്ള അനുബന്ധ സാമഗ്രികൾക്കായി, ദയവായി http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1 കാണുക
ക്രിയേറ്റീവ് കോമൺസ് ആട്രിബ്യൂഷൻ ലൈസൻസിന്റെ നിബന്ധനകൾക്ക് കീഴിൽ വിതരണം ചെയ്ത ഒരു ഓപ്പൺ ആക്സസ് ലേഖനമാണിത്.ഒറിജിനൽ സൃഷ്ടി ശരിയായി ഉദ്ധരിച്ചിരിക്കുന്ന വ്യവസ്ഥയിൽ ഏത് മാധ്യമത്തിലും അനിയന്ത്രിതമായ ഉപയോഗം, വിതരണം, പുനർനിർമ്മാണം എന്നിവ ലേഖനം അനുവദിക്കുന്നു.
ശ്രദ്ധിക്കുക: നിങ്ങളുടെ ഇമെയിൽ വിലാസം നൽകാൻ ഞങ്ങൾ നിങ്ങളോട് ആവശ്യപ്പെടുന്നു, അതുവഴി നിങ്ങൾ പേജിലേക്ക് ശുപാർശ ചെയ്യുന്ന വ്യക്തിക്ക് അവർ ഇമെയിൽ കാണണമെന്ന് നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെന്നും അത് സ്‌പാം അല്ലെന്നും മനസ്സിലാക്കും.ഞങ്ങൾ ഇമെയിൽ വിലാസങ്ങളൊന്നും ക്യാപ്‌ചർ ചെയ്യില്ല.
നിങ്ങൾ ഒരു സന്ദർശകനാണോ എന്ന് പരിശോധിക്കുന്നതിനും സ്വയമേവയുള്ള സ്പാം സമർപ്പിക്കുന്നത് തടയുന്നതിനും ഈ ചോദ്യം ഉപയോഗിക്കുന്നു.
ആഗോള മറൈൻ ഇക്കോളജി മന്ത്രാലയം സങ്കീർണ്ണമായ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ദൃഢനിശ്ചയം ചെയ്യുകയും കമ്മ്യൂണിറ്റി ഘടനകൾ പര്യവേക്ഷണം ചെയ്യാൻ മേൽനോട്ടമില്ലാത്ത ML ഉപയോഗിക്കുകയും ചെയ്യുന്നു.
ആഗോള മറൈൻ ഇക്കോളജി മന്ത്രാലയം സങ്കീർണ്ണമായ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ദൃഢനിശ്ചയം ചെയ്യുകയും കമ്മ്യൂണിറ്റി ഘടനകൾ പര്യവേക്ഷണം ചെയ്യാൻ മേൽനോട്ടമില്ലാത്ത ML ഉപയോഗിക്കുകയും ചെയ്യുന്നു.