Планктон нийгэмлэгийн бүтэц, шим тэжээлийн урсгалын мэдээлэлд үндэслэн дэлхийн далайн экологийн мужуудыг (эко муж) тодорхойлохын тулд хяналтгүй суралцах аргыг санал болгож байна.Системчилсэн нэгдсэн экологийн муж (SAGE) арга нь өндөр шугаман бус экосистемийн загварт экологийн мужуудыг тодорхойлох боломжтой.Өгөгдлийн Гауссын бус ковариацанд дасан зохицохын тулд SAGE нь хэмжээст байдлыг багасгахын тулд t санамсаргүй хөршийн суулгацыг (t-SNE) ашигладаг.Нягт суурилсан орон зайн бөөгнөрөл (DBSCAN) алгоритм дээр суурилсан дуу чимээний хэрэглээний тусламжтайгаар зуу гаруй экологийн мужуудыг тодорхойлох боломжтой.Экологийн ялгаа бүхий холболтын зураглалыг зайны хэмжүүр болгон ашигласнаар үүрлэсэн экологийн мужуудаар дамжуулан хүчирхэг нэгтгэсэн экологийн мужийг (AEP) бодитойгоор тодорхойлдог.AEP-ийг ашиглан олон нийтийн бүтэц дэх шим тэжээлийн хангамжийн түвшингийн хяналтыг судалсан.Эко муж болон AEP нь өвөрмөц бөгөөд загвар тайлбарлахад тусалж чадна.Эдгээр нь загваруудын хооронд харьцуулалтыг хөнгөвчлөх бөгөөд далайн экосистемийн талаарх ойлголт, хяналтыг сайжруулж чадна.
Аймгууд нь далай эсвэл хуурай газар дээрх нарийн төвөгтэй биогеографи нь уялдаа холбоотой, утга учиртай бүс нутгуудад зохион байгуулагдсан бүс нутаг юм (1).Эдгээр мужууд нь байршлыг харьцуулах, ялгах, ажиглалтын шинж чанарыг тодорхойлох, хянах, хамгаалахад маш чухал юм.Эдгээр мужуудыг үүсгэдэг нарийн төвөгтэй, шугаман бус харилцан үйлчлэл нь хяналтгүй машин сургалтын (ML) аргыг мужуудыг бодитой тодорхойлоход маш тохиромжтой болгодог, учир нь өгөгдлийн ковариац нь нарийн төвөгтэй бөгөөд Гауссын бус байдаг.Энд Дарвины дэлхийн гурван хэмжээст (3D) физик/экосистемийн загвараас (2) далайн экологийн өвөрмөц мужуудыг (эко муж) системтэйгээр тодорхойлох ML аргыг санал болгож байна."Өвөрмөц" гэсэн нэр томъёо нь тодорхойлогдсон газар нь бусад газартай хангалттай давхцдаггүй гэдгийг илэрхийлэхэд хэрэглэгддэг.Энэ аргыг Системийн нэгдсэн экологийн муж (SAGE) гэж нэрлэдэг.Хэрэгтэй ангиллыг гүйцэтгэхийн тулд алгоритмын арга нь (i) дэлхийн ангилал, (ii) орон зай, цаг хугацаанд үүрлэх/ нэгтгэх боломжтой олон масштабын шинжилгээг зөвшөөрөх шаардлагатай (3).Энэхүү судалгаанд анх SAGE аргыг санал болгож, экологийн мужуудыг тодорхойлсон.Эко мужууд нь олон нийтийн бүтцийг хянадаг хүчин зүйлсийн талаарх ойлголтыг дэмжиж, мониторингийн стратегид хэрэгтэй ойлголтыг өгч, экосистемийн өөрчлөлтийг хянахад тусалдаг.
Хуурай газрын аймгуудыг ихэвчлэн уур амьсгал (хур тунадас, температур), хөрс, ургамал, амьтны аймгийн ижил төстэй байдлын дагуу ангилдаг бөгөөд туслах менежмент, биологийн олон янз байдлын судалгаа, өвчинтэй тэмцэхэд ашигладаг (1, 4).Тэнгисийн цэргийн мужийг тодорхойлоход илүү хэцүү байдаг.Ихэнх организмууд нь шингэний хил хязгаартай бичил харуурын шинж чанартай байдаг.(5) Байгаль орчны нөхцөл байдалд үндэслэн Далай судлалын яамны анхны дэлхийн ангиллын нэгийг өгсөн.Эдгээр "Лонгхурст" мужуудын тодорхойлолтод холих хурд, давхаргажилт, цацраг туяа зэрэг хувьсагчдыг багтаасан бөгөөд Лонгхерст далайн экосистемийн бусад чухал нөхцөл бүхий далайн далай судлаачийн арвин туршлагатай.Аймгуудыг илүү бодитой тодорхойлохын тулд бүдэг логик, бүсийн хяналтгүй кластер/статистик зэрэг аргуудыг ашигласан (9-14).Ийм аргуудын зорилго нь байгаа ажиглалтын өгөгдлөөс мужуудыг тодорхойлох боломжтой ач холбогдолтой бүтцийг тодорхойлох явдал юм.For example, dynamic marine provinces (12) use self-organizing maps to reduce noise, and use hierarchical (tree-based) clustering to determine marine color products derived from regional satellites [chlorophyll a (Chl-a), normalized Fluorescence line height and өнгөт ууссан органик бодис] ба физик талбар (далайн гадаргуугийн температур ба давсжилт, үнэмлэхүй динамик топографи ба далайн мөс).
Гэсэн хэдий ч планктон нийгэмлэгийн бүтцэд тулгуурлан дэлхийн экологийн мужийг тодорхойлох нь хэцүү бөгөөд баригдашгүй зорилго хэвээр байна.Сүүлийн үеийн судалгаанууд [жишээ нь: Тара Оушен (16)] олон нийтийн бүтцийн урьд өмнө байгаагүй хэмжилтүүдийг өгч байна;Одоогийн байдлаар дэлхийн хэмжээнд зөвхөн газар дээр нь хийсэн ховор ажиглалтууд байдаг (17).Энэхүү судалгаанд ашигласан тоон загварын өгөгдөл нь дэлхийн хэмжээнд хамрах давуу талтай.Загвар экосистем нь 35 зүйлийн фитопланктон, 16 зүйлийн зоопланктоноос бүрдэнэ (материал, аргачлалаас үзнэ үү).Энд танилцуулсан SAGE арга нь Дарвины цогц загваруудын гаралтыг шалгах шинэлэг арга юм.
Өгөгдлийн шинжлэх ухаан/ML технологийн хүчирхэг хувиргах чадвар нь өгөгдлийн ковариацын нарийн төвөгтэй боловч бат бөх бүтцийг илчлэх дийлэнх цогц загвар шийдлүүдийг идэвхжүүлж чаддаг.Бат бөх арга нь өгөгдсөн алдааны хүрээнд үр дүнг үнэнчээр хуулбарлах арга гэж тодорхойлогддог.Энгийн системд ч гэсэн бат бөх хэв маяг, дохиог тодорхойлох нь бэрхшээлтэй байж болно.Ажиглагдсан хэв маягт хүргэх үндэслэлийг тодорхойлох хүртэл шинээр гарч ирж буй нарийн төвөгтэй байдал нь шийдвэрлэхэд төвөгтэй/хэцүү мэт санагдаж магадгүй юм.Экосистемийн бүтцийг тогтоох гол үйл явц нь шугаман бус шинж чанартай байдаг.Шугаман бус харилцан үйлчлэлийн оршин тогтнох нь бат бөх ангилалыг андуурч чадна, тиймээс өгөгдлийн коварийн үндсэн статистик тархалтыг хийхээс зайлсхийх хэрэгтэй.Өндөр хэмжээст ба шугаман бус өгөгдөл далай судлалд түгээмэл байдаг ба нарийн төвөгтэй, Гауссын бус топологи бүхий ковариацын бүтэцтэй байж болно.Гауссиан Коварианчллын бүтэц нь бат бөх ангилал нь бат бөх ангилал нь бат бөх ангилал, мэргэн арга бол дур зоргоороо топологи бүхий кластерууд юм.
SAGE аргын зорилго нь экологийн цаашдын ойлголтод тус дөхөм болж буй шинэ хэв маягийг бодитой тодорхойлох явдал юм.(19)-тэй төстэй кластерт суурилсан ажлын урсгалын дагуу экологийн болон шим тэжээлийн урсгалын хувьсагчдыг экологийн муж гэж нэрлэдэг мэдээллийн цорын ганц кластерийг тодорхойлоход ашигладаг.Энэхүү судалгаанд санал болгож буй SAGE арга нь (Зураг 1) эхлээд априори тодорхойлсон планктон функциональ бүлгүүдийг нэгтгэн хэмжээсийг 55-аас 11 хэмжигдэхүүн болгон бууруулдаг (Материал ба аргуудыг үзнэ үү).t-санамсаргүй хөрш оруулах (t-SNE) аргыг ашиглан магадлалыг 3 хэмжээст орон зайд проекцлох замаар хэмжээг улам багасгадаг.Хяналтгүй бөөгнөрөл нь экологийн хувьд ойрхон газар нутгийг тодорхойлох боломжтой [дуу чимээнд суурилсан хэрэглээнд зориулсан нягтралд суурилсан орон зайн кластер (DBSCAN)].t-SNE болон DBSCAN хоёулаа шугаман бус экосистемийн тоон загварын өгөгдөлд хамаарна.Дараа нь үүссэн экологийн мужийг дэлхий дээр дахин төлөвлө.Бүс нутгийн судалгаанд тохиромжтой зуу гаруй өвөрмөц экологийн мужуудыг тодорхойлсон.Дэлхий дахинд нийцсэн экосистемийн загварыг авч үзэхийн тулд экологийн мужуудын үр ашгийг дээшлүүлэхийн тулд экологийн мужуудыг нэгтгэсэн экологийн мужуудад (AEP) нэгтгэхэд SAGE аргыг ашигладаг.Нэгтгэлийн түвшинг ("нарийн төвөгтэй байдал" гэж нэрлэдэг) шаардлагатай нарийвчлалын түвшинд тохируулж болно.Бат бөх AEP-ийн хамгийн бага төвөгтэй байдлыг тодорхойлох.Сонгон шалгаруулалтын гол зорилго нь SAGE арга бөгөөд онцгой байдлын нийгэмлэгийн бүтцийг хянахын тулд хамгийн бага төвөгтэй AEP тохиолдлуудыг судлах явдал юм.Дараа нь экологийн ойлголтыг өгөхийн тулд хэв маягт дүн шинжилгээ хийж болно.
(A) Экологийн мужийг тодорхойлох ажлын урсгалын бүдүүвч диаграмм;функциональ бүлгийн нийлбэрийг ашиглан анхны 55 хэмжээст өгөгдлийг 11 хэмжээст загвар гаралт болгон бууруулж, үүнд долоон функциональ/шим тэжээлийн планктон, дөрвөн шим тэжээлийн хангамжийн хувь хэмжээ багтана.Үл тоомсорлох утга, бат бөх мөс бүрхэвч талбай.Өгөгдлийг стандартчилалттай, стандартчилсан.Статистикийн хувьд ижил төстэй шинж чанаруудын хослолыг тодруулахын тулд t-SNE алгоритмд 11 хэмжээст өгөгдөл өгнө.DBSCAN нь параметрийн утгыг тохируулахын тулд кластерыг анхааралтай сонгох болно.Эцэст нь өгөгдлийг өргөрөг/уртрагын проекц руу буцаана.t-SNE-г хэрэглэснээр бага зэрэг санамсаргүй байдал үүсч болзошгүй тул энэ үйл явц 10 удаа давтагдана гэдгийг анхаарна уу.(B) (A) дахь ажлын явцыг 10 удаа давтах замаар AEP-ийг хэрхэн авах талаар тайлбарлана.Аймгуудын хоорондох МЭӨ-ийн ялгааг тодорхойл, 1 AEP-ийн нарийн төвөгтэй байдлаас 115-р бүрэн төвөгтэй байдал хүртэл. BC жишиг үзүүлэлтийг Лонгхурст муж тогтоодог.
SAGE арга нь экологийн мужийг тодорхойлохын тулд дэлхийн 3 хэмжээст физик/экосистемийн тоон загварын гаралтыг ашигладаг [Дарвин (2);Материал ба арга, Тайлбар S1-ийг үзнэ үү].Экосистемийн бүрэлдэхүүн хэсгүүд нь шим тэжээл багатай орчинд дасан зохицсон прокариот ба эукариотууд, кальцийн карбонатаар бүрхэгдсэн кокцидууд, азотын их хэмжээгээр агуулагддаг (ихэвчлэн шим тэжээлийн дутагдал) зэрэг урьдчилан тодорхойлсон функциональ долоон бүлэг бүхий 35 зүйлийн фитопланктон, 16 зүйлийн зоопланктоноос бүрддэг. чухал тэжээллэг бодисууд), цахиурлаг бүрхэвчтэй, бусад планктон фотосинтез хийж, бэлчээрийн холимог шим тэжээлийн туг мал, зоопланктон малчид.Хэмжээ нь 0.6-аас 2500μm-тэй тэнцэх бөмбөрцөг диаметртэй байна.Фитопланктоны хэмжээ болон функциональ бүлэглэлийн загварын тархалт нь хиймэл дагуулын болон газар дээрх ажиглалтын явцад ажиглагдсан ерөнхий шинж чанаруудыг агуулдаг (S1-S3 зургийг үз).Тоон загвар болон ажиглагдсан далай хоёрын ижил төстэй байдал нь загвараар тодорхойлсон мужууд нь in-situ далайд хамаарах боломжтойг харуулж байна.Энэ загвар нь зөвхөн фитопланктоны тодорхой олон янз байдлыг, зөвхөн далайн in situ физик, химийн нөлөөллийн тодорхой хүрээг хамардаг гэдгийг анхаарна уу.SAGE арга нь хүмүүст загвар нийгэмлэгийн бүтцийн өндөр бүс нутгийн хяналтын механизмыг илүү сайн ойлгох боломжийг олгодог.
Планктон функциональ бүлэг бүрт зөвхөн гадаргуугийн биомассын нийлбэрийг (дунджаар 20 жилийн хугацаатай) оруулснаар өгөгдлийн хэмжээст байдлыг багасгаж болно.Функциональ бүлгүүдийн нийлбэр нь асуудлыг 55 (51 планктон ба 4 шим тэжээлийн урсгал) -аас 11 хэмжээс болгон бууруулдаг.Энэхүү анхны судалгаанд алгоритмаас үүссэн тооцооллын хязгаарлалтын улмаас гүн болон цаг хугацааны хэлбэлзлийг авч үзээгүй.
SAGE арга нь шугаман бус процессуудын хоорондын чухал хамаарлыг тодорхойлох, функциональ бүлгийн биомасс ба шим тэжээлийн урсгал хоорондын харилцан үйлчлэлийн гол шинж чанаруудыг тодорхойлох боломжтой.Евклидийн зайн сургалтын аргад суурилсан 11 хэмжээст өгөгдөл (K-тэмдэглэл гэх мэт) ашиглах нь найдвартай, давтагдах боломжтой мужуудыг олж авах боломжгүй (19, 22).Учир нь экологийн мужийг тодорхойлох гол элементүүдийн ковариацын үндсэн тархалтад Гауссын хэлбэр олдохгүй байна.Вороной эсүүдийн K-орч (шулуун шугам) нь Гауссын бус үндсэн тархалтыг хадгалж чадахгүй.
Долоон планктон функциональ бүлэг, дөрвөн шим тэжээлийн урсгалын биомасс нь 11 хэмжээст вектор х үүсгэдэг.Иймд x нь загварын тор дээрх вектор талбар бөгөөд xi элемент бүр нь загварын хэвтээ сүлжээнд тодорхойлсон 11 хэмжээст векторыг илэрхийлдэг.i индекс бүр нь бөмбөрцөг дээрх сүлжээний цэгийг өвөрмөц байдлаар тодорхойлдог бөгөөд үүнд (лон, лат) = (ϕi, θi).Загварын сүлжээний нэгжийн биомасс 1.2×10-3мг Chl/m3-аас бага буюу мөсний бүрхэлтийн түвшин 70%-иас хэтэрсэн тохиолдолд биомассын мэдээллийн бүртгэлийг ашиглаж, устгана.Өгөгдөл нь хэвийн, стандартчилагдсан тул бүх өгөгдөл нь [0-ээс 1]-ийн мужид байгаа бөгөөд дундаж утгыг хасч, нэгжийн хэлбэлзэлд хуваана.Энэ нь боломжит утгын хязгаарт ялгаатай шинж чанар (биомасс ба шим тэжээлийн урсгал) хязгаарлагдахгүйн тулд хийгддэг.Кластер нь өөрчлөлтийн хамаарлыг газарзүйн зайнаас бус шинж чанаруудын хоорондох гол магадлалын зайнаас авах ёстой.Эдгээр зайг тооцоолсноор чухал шинж чанарууд гарч ирдэг бол шаардлагагүй нарийн ширийн зүйлийг хаядаг.Экологийн үүднээс авч үзвэл биомасс багатай зарим төрлийн фитопланктон нь диазотроф нянгаар азотыг бэхлэх зэрэг биогеохимийн нөлөө ихтэй байж болох тул энэ нь зайлшгүй шаардлагатай.Өгөгдлийг стандартчилах, хэвийн болгох үед эдгээр төрлийн ковариатуудыг онцлон харуулах болно.
Бага хэмжээст дүрслэл дэх өндөр хэмжээст орон зай дахь шинж чанаруудын ойролцоо байдлыг онцлон тэмдэглэснээр t-SNE алгоритмыг одоо байгаа ижил төстэй бүс нутгийг илүү тодорхой болгоход ашигладаг.Алсын зайнаас тандан судлах хэрэглээний гүн мэдрэлийн сүлжээг бий болгоход чиглэсэн өмнөх ажилд t-SNE-ийг ашигласан нь гол шинж чанаруудыг ялгах чадвараа харуулсан (23).Гауссын цөмүүдийг ашиглан t-SNE нь өндөр хэмжээст объект бүрийг 3D фазын орон зайн цэгт буулгах замаар өгөгдлийн статистик шинж чанарыг хадгалдаг бөгөөд ингэснээр өндөр, бага чиглэлд ижил төстэй объектуудын магадлал өндөр байх болно. dimensional space (24).KL дивергенц нь магадлалын тархалт нь хоёр дахь лавлагааны магадлалын тархалтаас хэр ялгаатай болохыг хэмждэг хэмжигдэхүүн бөгөөд өндөр хэмжээст шинж чанаруудын бага хэмжээст дүрслэл хоорондын хамаарлын боломжийг үр дүнтэйгээр үнэлж чаддаг.Хэрвээ xi нь N хэмжээст орон зайн i-р объект, xj нь N хэмжээст орон зайн j-р объект, yi нь бага хэмжээст орон зай дахь i-р объект, yj нь бага хэмжээст орон зай дахь j-р объект юм. -хэмжээт орон зай, дараа нь t -SNE ижил төстэй магадлалыг тодорхойлно ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2), мөн хэмжээсийн бууралтын багцын хувьд q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
Зураг 2А нь 11 хэмжээст хослолын биомасс болон шим тэжээлийн урсгалын векторуудыг 3 хэмжээст болгон бууруулах үр нөлөөг харуулсан.t-SNE арга нь Эко-Яамны найдвартай, давтагдах боломжтой үр дүнг өгөхдөө PCA-аас давуу болохыг тогтоосон (Тэмдэглэл S2-ыг үзнэ үү).Алсын харагдацын өгөгдлийг ашиглан LUNGA ET AL.(27) Гауссын тархалтаас гажсан нийлмэл болон шугаман бус спектрийн онцлогуудыг тодруулахын тулд SNE аргыг хэрхэн ашиглахыг харуулсан.
Цэг бүр нь өндөр хэмжээст орон зайн нэг цэгийг төлөөлдөг ба Зураг 6В-д үзүүлсэн шиг ихэнх цэгүүд баригдсан.Өнгө нь ямар ч өнгө гэж тооцогддог боловч (A) -тай тохирч байх ёстой.
Зураг 2А дахь t-SNE тархалтын график дахь цэгүүд нь өргөрөг ба уртрагтай тус тус холбоотой.Хэрэв 2a 2a-т зориулсан хоёр цэг нь бие биетэйгээ ойрхон байвал, тэдний биомасс, тэжээллэг урсгал нь газарзүйн хувьд ойртохоос гадна биш юм.Зураг 2А дахь өнгө нь DBSCAN аргыг ашиглан илрүүлсэн кластерууд юм (28).Эйн өтгөн ажиглалтыг хайж байгаа бол DBSCAN алгоритм (ε = 0.39) -ийг (0 = 0.39 / 0.39 / 0.39; тэдгээрийн цэгийг харахын тулд ижил төстэй цэгүүдийн тоо (энд кланстерийг тодорхойлоход шаардагдах тоон талууд 100 оноо, дээрээс үзнэ үү).DBSCAN арга нь доор үзүүлсэн шиг өгөгдлийн хэлбэр, кластерын тооны талаар ямар нэгэн таамаглал дэвшүүлдэггүй.
3) Дотор зайд байгаа бүх цэгүүдийн хувьд кластерын хилийг тодорхойлохын тулд 2-р алхамыг давтана.Хэрэв онооны тоо нь тогтоосон хамгийн бага утгаас их байвал үүнийг кластер гэж тодорхойлно.
Кластерын хамгийн бага гишүүн болон зайны ϵ хэмжигдэхүүнийг хангаагүй өгөгдлийг "дуу чимээ" гэж үздэг бөгөөд өнгө өгдөггүй.DBSCAN нь хамгийн муу тохиолдолд O(n2) гүйцэтгэлтэй хурдан бөгөөд өргөтгөх боломжтой алгоритм юм.Одоогийн шинжилгээний хувьд энэ нь санамсаргүй биш юм.Хамгийн бага оноог шинжээчийн үнэлгээгээр тогтооно.Дараах зайг тохируулсны дараа үр дүн нь ≈±10-ийн хүрээнд хангалттай тогтвортой биш байна.Энэ зайг холболт (Зураг 6А) болон далайн хамрах хувь (Зураг 6Б) ашиглан тохируулна.Холболт нь кластеруудын нийлмэл тоогоор тодорхойлогддог бөгөөд ϵ параметрт мэдрэмтгий байдаг.Доод холболт нь бүс нутгийг зохиомлоор бүлэглэж, хангалтгүй тохируулж байгааг харуулж байна.Өндөр холболт нь хэт их тохирохыг илтгэнэ.Илүү өндөр доод хэмжээг ашиглах нь зүйтэй боловч хэрвээ хамгийн бага нь ca-аас их байвал найдвартай шийдэлд хүрэх боломжгүй юм.135 (Дэлгэрэнгүй мэдээллийг Материал ба аргуудаас үзнэ үү).
Зураг 2А-д тодорхойлсон 115 кластеруудыг Зураг 2В-д дэлхий рүү буцаан тусгав.Өнгө бүр нь DBSCAN-аас тодорхойлсон биогеохимийн болон экологийн хүчин зүйлсийн уялдаатай хослолтой тохирч байна.Кластеруудыг тодорхойлсны дараа 2А 2A-ийн цэг бүрийн холбоо, уртраг бүрийн холбоо, урт уртраг нь бөөгнөрөлийг газарзүйн бүс рүү чиглүүлэхэд ашигладаг.Зураг 2В нь үүнийг Зураг 2А-тай ижил кластерын өнгөөр дүрслэн харуулав.Үүнтэй төстэй өнгийг экзологийн ижил төстэй байдлаар тайлбарлах ёсгүй.
Жишээлбэл, Өмнөд далай дахь бөөгнөрөл нь бүс тэгш хэмтэй, олиготрофын эргүүлэгүүд гарч ирдэг бөгөөд огцом шилжилт нь худалдааны салхины нөлөөг илтгэнэ.Жишээлбэл, Номхон далайн экваторын бүсэд өсөлттэй холбоотой өөр өөр бүсүүд ажиглагдаж байна.
Эко мужийн экологийн орчныг ойлгохын тулд кластер дахь экологийг үнэлэхэд Брэй-Куртисын (BC) ялгааны индексийн өөрчлөлтийг (29) ашигласан.BC үзүүлэлт нь хоёр өөр газар хоорондын нийгэмлэгийн бүтцийн ялгааг тооцоолоход ашигладаг статистик мэдээлэл юм.МЭӨ хэмжилт нь 51 зүйлийн фитопланктон ба зоопланктон BCninj = 1-2CninjSni + Snj-ийн биомассад хамаарна.
BCninj нь ni ба nj хослолын ижил төстэй байдлыг илэрхийлдэг бөгөөд Cninj нь ni ба nj хослолд хоёуланд нь байдаг нэг төрлийн биомассын хамгийн бага утга бөгөөд Sni нь ni болон Snj хослолд байгаа бүх биомассын нийлбэрийг илэрхийлдэг.МЭӨ-ийн ялгаа нь зайны хэмжүүртэй төстэй боловч Евклидийн бус орон зайд ажилладаг тул экологийн өгөгдөл болон түүнийг тайлбарлахад илүү тохиромжтой байх магадлалтай.
Зураг 2В-д тодорхойлсон кластер бүрийн хувьд муж доторх болон муж хоорондын МЭӨ-ийн ижил төстэй байдлыг үнэлж болно.Муж доторх МЭӨ-ийн зөрүү нь тухайн муж болон тухайн муж дахь цэг бүрийн дундаж үнэлгээний зөрүүг хэлнэ.МЭӨ аймгуудын ялгаа нь нэг муж болон бусад мужуудын ижил төстэй байдлыг илэрхийлдэг.Зураг 3А нь тэгш хэмтэй BC матрицыг харуулж байна (0, хар: бүрэн харгалзах; 1, цагаан: бүрэн ялгаатай).График дахь мөр бүр өгөгдөлд хэв маягийг харуулдаг.Зураг 3В-д МЭӨ-ийн үр дүнгийн газарзүйн ач холбогдлыг 3А зурагт аймаг тус бүрээр харуулав.
(A) Дэлхийн 20 жилийн дундаж дэлхийн гадаргын дундаж 51 планктон дээр үндэслэн муж тус бүрээр үнэлэгдсэн BC ялгааны зэрэг.Хүлээгдэж буй утгуудын тэгш хэмийг анхаарч үзээрэй.(B) Баганын (эсвэл эгнээний) орон зайн проекц.Хар (BC = 0) нь ижил талбай, цагаан (BC = 1) нь ижил төстэй байдал байхгүй гэсэн үг юм.
Зураг 4А нь 2В-р зурагт муж тус бүрийн МЭӨ-ийн ялгааг харуулж байна.Бүх 51 төрлийн МЭӨ кластерын ерөнхий дундаж ялгаа нь 0.102±0.0049 байна.
(А, Б, Г) Аймгийн доторх МЭӨ-ийн зөрүүг сүлжээний цэг бүрийн нөхөрлөл болон дундаж муж хоорондын МЭӨ-ийн дундаж зөрүү гэж үнэлдэг бөгөөд нарийн төвөгтэй байдал буурахгүй.(2) Дэлхийн дундаж муж хоорондын МЭӨ зөрүү 0.227±0.117 байна.Энэ нь энэхүү ажлын санал болгосон экологийн сэдэлд суурилсан ангиллын жишиг үзүүлэлт юм [(C) дахь ногоон шугам].(C) Аймгийн доторх МЭӨ дундаж зөрүү: Хар зураас нь өсөн нэмэгдэж буй нарийн төвөгтэй байдлын дагуу муж доторх МЭӨ ялгааг илэрхийлнэ.2σ нь эко мужийг тодорхойлох үйл явцын 10 удаа давтагдсанаас ирдэг.DBSCAN-ийн илрүүлсэн мужуудын нийт нарийн төвөгтэй байдлын хувьд (A) нь тус мужид МЭӨ-ийн ялгаатай байдал 0.099, (C)-ийн санал болгосон нарийн төвөгтэй байдлын ангилал 12 байгааг харуулж байгаа бөгөөд үүний үр дүнд тус мужид BC ялгаатай байдал 0.200 байна.(D).
Зураг 4В-д 51 төрлийн планктоны биомассыг Лонгхерст мужийн МЭӨ-тэй тэнцэх зөрүүг илэрхийлэхэд ашигласан.Аймаг тус бүрийн нийт дундаж нь 0.227, МЭӨ муж дахь зөрүүтэй харьцуулсан сүлжээний цэгүүдийн стандарт хазайлт 0.046 байна.Энэ нь Зураг 1В-д тодорхойлсон кластераас том байна.Үүний оронд долоон функциональ бүлгийн нийлбэрийг ашиглан Лонгхурст дахь улирлын МЭӨ дундаж ялгаа 0.232 болж өссөн.
Энэхүү судалгааны зорилгоор зуу гаруй аймгийг бүрэн харуулах боломжгүй.Дараагийн хэсэгт аймгуудыг нэгтгэсэн SAGE аргыг танилцуулж байна.
Тус мужийн нэг зорилго нь аймгийн байршил, менежментийн талаарх ойлголтыг сурталчлах явдал юм.Онцгой байдлын нөхцөл байдлыг тодорхойлохын тулд 1В-р зурагт үзүүлсэн арга нь экологийн хувьд ижил төстэй мужуудын үүрлэсэн байдлыг харуулсан болно.Эко аймгуудыг экологийн ижил төстэй байдлын үндсэн дээр нэгтгэдэг бөгөөд аймгуудын ийм бүлэглэлийг AEP гэж нэрлэдэг.Харгалзах аймгийн нийт тоонд тулгуурлан тохируулж болох “нарийн төвөгтэй байдлыг” тогтооно.Онцгой байдлын шинж чанаруудын түвшинг тохируулах боломжийг олгодог тул "нарийн төвөгтэй байдал" гэсэн нэр томъёог ашигладаг.Утгатай нэгтгэлийг тодорхойлохын тулд муж доторх МЭӨ-ийн дундаж зөрүүг Лонгхурстаас 0.227 жишиг болгон ашигладаг.Энэ жишиг үзүүлэлтээс доогуур байгаа мужуудыг нэгтгэсэн мужууд нь ашигтай гэж үзэхээ больсон.
Зураг 3В-д үзүүлснээр дэлхийн экологийн мужууд хоорондоо уялдаатай байна.Аймгууд хоорондын МЭӨ ялгааг ашиглан зарим тохиргоо нь маш "нийтлэг" байгааг харж болно.Генетик болон график онолын аргуудаас санаа авч "холбогдсон график"-ийг ашиглан 100 гаруй аймгийг ижил төстэй мужуудаар нь ангилдаг.Эндхийн “холболт” хэмжигдэхүүнийг муж хоорондын МЭӨ ялгааг ашиглан тодорхойлно (30).AEP нь 100 гаруй аймгийг экологийн хамгийн давамгай/хамгийн ойр муж гэж ангилсан бүтээгдэхүүн юм.
Сонгосон нарийн төвөгтэй байдал нь 1-ээс 1-ээс 1-р зурагт бүрэн төвөгтэй байдал хүртэл ямар ч утга байж болно.2А.Бага нарийн төвөгтэй үед AEP нь магадлалын хэмжээсийг бууруулах алхамаас (t-SNE) болж доройтож болзошгүй.Муудал гэдэг нь экологийн мужуудыг давталтын хооронд өөр өөр AEP-д хуваарилж, улмаар хамрагдсан газарзүйн бүсийг өөрчлөх боломжтой гэсэн үг юм.Зураг 4В-д 10 хэрэглүүр дэх нарийн төвөгтэй байдал нэмэгдэж буй АEP-ийн мужууд дахь МЭӨ-ний ялгаатай байдлын тархалтыг харуулав (Зураг 1В-ийн зураг).Зураг 4С-д 2σ (цэнхэр хэсэг) нь 10 хэрэгжилтийн доройтлын хэмжүүр бөгөөд ногоон шугам нь Longhurst жишиг үзүүлэлтийг илэрхийлдэг.12-ын нарийн төвөгтэй байдал нь муж дахь МЭӨ-ийн зөрүүг бүх хэрэгжүүлэлтэд Лонгхерст жишигээс доогуур байлгаж, харьцангуй бага 2σ доройтлыг хадгалж чадна гэдгийг баримт нотолж байна.Дүгнэж хэлэхэд, хамгийн бага санал болгож буй нарийн төвөгтэй байдал нь 12 AEP бөгөөд 51 төрлийн планктон ашиглан үнэлэгдсэн муж доторх МЭӨ-ийн дундаж ялгаа нь Зураг 4D-д үзүүлсэн шиг 0.198±0.013 байна.Планктонуудын функциональ бүлгийн 7 бүлгийн нийлбэрийг ашиглавал аймгийн хэмжээнд МЭӨ дундаж зөрүү 0.198±0.004 биш 2σ байна.Долоон функциональ бүлгийн нийт биомасс эсвэл бүх 51 планктон төрлийн биомасстай тооцоолсон МЭӨ-ийн ялгааг харьцуулж үзэхэд SAGE аргыг 51 хэмжээст нөхцөл байдалд хэрэглэх боломжтой боловч энэ нь функциональ долоон бүлгийн нийт биомасс юм. Сургалтанд зориулж.
Аливаа судалгааны зорилгоос хамааран янз бүрийн түвшний нарийн төвөгтэй байдлыг авч үзэж болно.Бүс нутгийн судалгаа нь бүрэн нарийн төвөгтэй байдлыг шаарддаг (өөрөөр хэлбэл бүх 115 муж).Жишээ болгож, ойлгомжтой болгохын тулд хамгийн бага санал болгож буй 12 нарийн төвөгтэй байдлыг авч үзье.
SAGE аргын хэрэглүүрийн жишээ болгон, яаралтай тусламжийн нийгэмлэгийн бүтцийг хянахын тулд хамгийн багадаа 12 нарийн төвөгтэй 12 AEP-ийг энд ашигласан болно.Зураг 5-д AEP-ээр (А-аас L хүртэл) бүлэглэсэн экологийн ойлголтыг харуулсан: Редфилдийн стехиометрийн хувьд газарзүйн хэмжээ (Зураг 5С), функциональ бүлгийн биомассын найрлага (Зураг 5А) болон шим тэжээлийн хангамжийг (Зураг 5Б) N Zoomed-ээр гүйцэтгэдэг.(N:Si:P:Fe, 1:1:16:16×103) харьцааг үзүүлэв.Сүүлчийн самбарын хувьд P нь 16-аар, Fe нь 16х103-аар үржүүлсэн тул баганан график нь фитопланктоны шим тэжээлийн хэрэгцээтэй тэнцүү байна.
Аймгууд нь 12 аймгийн экосистемийн A-аас L. (A) биомасс (мгС/м3) 12 AEP-д ангилагдана.(B) Ууссан органик бус азот (N), төмөр (Fe), фосфат (P) болон цахиурын хүчлийн (Si) шим тэжээлийн урсгалын хурд (жилд ммоль/м3).Fe болон P-ийг тус тус 16 ба 16×103-аар үржүүлснээр туузыг фитопланктон стехиометрийн шаардлагад нийцүүлэн стандартчилна.(C) Туйлын бүсүүд, субтропикийн циклонууд болон улирлын/өсөлтийн гол бүсүүдийн ялгааг анхаарна уу.Хяналтын станцуудыг дараах байдлаар тэмдэглэв: 1, СУУДАЛ;
Тодорхойлогдсон AEP нь өвөрмөц юм.Атлантын болон Номхон далайд экваторын эргэн тойронд зарим нэг тэгш хэм байдаг бөгөөд Энэтхэгийн далайд ижил төстэй боловч томорсон талбай байдаг.Зарим AEP нь өгсөхтэй холбоотой тивийн баруун хэсгийг хамардаг.Өмнөд туйлын тойрог туйлын гүйдэл нь бүс нутгийн томоохон шинж чанар гэж тооцогддог.Субтропик циклон нь олиготрофын AEP-ийн цогц цуврал юм.
Фитопланктоны нийт биомасстай маш төстэй AEP-үүд нь маш өөр нийгэмлэгийн бүтэцтэй байж болох ба D, H, K зэрэг газарзүйн өөр өөр бүс нутгийг хамардаг ба эдгээр нь ижил төстэй фитопланктон биомасстай байдаг.AEP H гол төлөв Энэтхэгийн экваторын далайд оршдог ба диазотрофик бактери илүү их байдаг.AEP D нь хэд хэдэн сав газарт байдаг боловч энэ нь ялангуяа Номхон далайд экваторын өгсүүр орчмын өндөр ургацтай бүс нутгуудад тод илэрдэг.Номхон далайн энэ мужийн хэлбэр дүрс нь гаригийн долгионы галт тэргийг санагдуулдаг.Бусад хоёр мужтай харьцуулахад AEP K нь зөвхөн Хойд мөсөн далайн өндөрлөг газарт байдаг бөгөөд диатомууд илүү, планктонууд цөөн байдаг.Тиймээс, тэдгээрийн биомассыг үл харгалзан (тиймээс Chl-a-тай төстэй) эдгээр мужууд тэс өөр байдаг: Chl-д суурилсан мужийн шинжилгээ нь эдгээр ялгааг олж чадахгүй байж магадгүй юм.
Жишээлбэл, энэ нь AEP D ба E-д харагдаж байна. Тэд хоорондоо ойрхон байдаг ба Номхон далайд AEP E нь өндөр бүтээмжтэй AEPJ-тэй ойрхон байдаг.
AEP-ийг тэдэнд өгсөн шим тэжээлээр нь ойлгож болно (Зураг 5Б).Диатомууд зөвхөн цахиурын хүчлийн хангалттай нөөцтэй газарт л байдаг.Ерөнхийдөө цахиурын хүчлийн нийлүүлэлт их байх тусам диатомын биомасс өндөр байдаг.Диатомыг AEP A, J, k, k, K болон L.-ийн бусад фитомын биомын биомын холболтыг Diatom биомын холболтын харьцангуй байдлаар харуулж болно.Жишээлбэл, AEP L нь диатомоор давамгайлдаг.Бусад шим тэжээлтэй харьцуулахад Si нь хамгийн их нөөцтэй байдаг.Үүний эсрэгээр, өндөр бүтээмжтэй хэдий ч AEP J нь диатом багатай, цахиурын нөөц багатай (бүгд болон бусад шим тэжээлтэй харьцуулахад).
Диазони бактери нь азотыг тогтоох чадвартай боловч удаан ургадаг (31).Эдгээр нь бусад фитопланктонтой зэрэгцэн оршдог бөгөөд төмөр, фосфор нь диазонийн бус шим тэжээлийн хэрэгцээтэй харьцуулахад хэт их байдаг (20, 21).Диазотроф биомасс харьцангуй өндөр, Fe болон P-ийн нийлүүлэлт N-ийн нийлүүлэлттэй харьцуулахад харьцангуй их байгааг тэмдэглэх нь зүйтэй. Ийм байдлаар AEP J-ийн нийт биомасс илүү өндөр боловч AEP H дахь диазонийн биомасс larger than that in J. Please note that AEP J and H are geographically very different, and H is located in the equatorial Indian Ocean.
Үргэлжилж буй судалгааны сэдвүүдийн нарийвчилсан дүн шинжилгээ нь энэ өгүүллийн хамрах хүрээнээс гадуур юм.SAGE арга нь загвар дахь бусад механизмуудыг судлах арга замыг өгдөг бөгөөд үүнийг цэгээс цэг рүү харахаас илүү зохицуулахад хялбар байдаг.
SAGE аргыг дэлхийн физик/биогеохими/экосистемийн тоон загваруудаас экологийн маш нарийн төвөгтэй өгөгдлийг тодруулахад туслах зорилгоор санал болгож байна.Экологийн мужийг хөндлөн планктон функциональ бүлгүүдийн нийт биомасс, t-SNE магадлалын хэмжээстийг бууруулах алгоритмын хэрэглээ, хяналтгүй ML аргыг DBSCAN ашиглан кластер хийх замаар тодорхойлно.AEP үүрлэх нь анхны экологийн мужийн бүрэн төвөгтэй байдал болон санал болгож буй хамгийн бага босго 12 AEP-ийн хооронд тохируулж болно.t-SNE магадлал нь <12 төвөгтэй AEP-ийг доройтуулдаг тул AEP-ийн хамгийн бага төвөгтэй байдлыг үүрлэх, тодорхойлох нь гол алхамууд гэж тооцогддог.SAGE арга нь дэлхий нийтийнх бөгөөд түүний нарийн төвөгтэй байдал нь> 100 AEP-ээс 12 хүртэл хэлбэлздэг. Энгийн болгох үүднээс одоогийн анхаарал хандуулж байгаа зүйл бол дэлхийн 12 AEP-ийн нарийн төвөгтэй байдал юм.Ирээдүйн судалгаа, ялангуяа бүс нутгийн судалгаанууд нь дэлхийн эко мужуудын орон зайн жижиг хэсгийг ашигтай гэж үзэж болох бөгөөд энд авч үзсэн экологийн үзэл баримтлалын давуу талыг ашиглахын тулд жижиг талбайд нэгтгэж болно.Эдгээр экологийн мужууд болон тэдгээрээс олж авсан ойлголтыг экологийн талаар цаашид ойлгоход хэрхэн ашиглах, загвар харьцуулалтыг хөнгөвчлөх, далайн экосистемийн хяналтыг сайжруулахад туслах зөвлөмжийг өгдөг.
Тодорхойлолтоор тоон загвар нь хялбаршуулсан бүтэц бөгөөд зорилтот системийн мөн чанарыг олж авахыг хичээдэг бөгөөд өөр өөр загварууд нь планктонуудын өөр өөр тархалттай байх болно.Энэхүү судалгаанд ашигласан тоон загвар нь ажиглагдсан зарим хэв маягийг (жишээ нь, экваторын бүс ба Өмнөд далайд зориулсан Chl тооцоонд) бүрэн авч чадахгүй.Жинхэнэ далай дахь олон янз байдлын багахан хэсэг нь баригдсан бөгөөд мезо болон дэд мезошкалуудыг шийдвэрлэх боломжгүй бөгөөд энэ нь шим тэжээлийн урсгал болон жижиг хэмжээний нийгэмлэгийн бүтцэд нөлөөлж болзошгүй юм.Одоогийн тоон загвар нь фитопланктон Chl-a-ийн зайнаас тандан судлах ерөнхий загвар, планктонуудын хэмжээ, функциональ бүлгийн тархалтыг тусгасан болно (Тэмдэглэл S1 ба Зураг S1) (2, 32).
0.1 mgChl-a/m-3 контурын шугамаар AEP нь олиготрофын болон мезотрофын бүсэд хуваагддаг (Зураг S1B): AEP B, C, D, E, F, G нь олиготрофын бүсүүд, үлдсэн хэсгүүд нь located Higher Chl-a.AEP нь бие махбодийн төлөв байдалтай тодорхой захидал харилцааг харуулдаг бөгөөд энэ нь хараа хяналтгүй сургалт (19) ашиглан илэрсэн, тухайлбал, өндөр өсөлттэй мужууд (жишээлбэл, Өмнөд далай ба Номхон далайн экватор; Зураг S3, C ба D).Эдгээр захидал харилцаа нь планктонуудын нийгэмлэгийн бүтцэд далайн динамик хүчтэй нөлөөлдөг болохыг харуулж байна.Хойд Атлантын далай зэрэг бүс нутагт AEP нь физик мужуудыг дайран өнгөрдөг.Эдгээр ялгааг үүсгэдэг механизм нь тоос тээвэрлэх зэрэг үйл явцыг багтааж болох бөгөөд энэ нь бие махбодийн ижил төстэй нөхцөлд ч огт өөр хоол тэжээлийн хөтөлбөрт хүргэж болзошгүй юм.
Экологийн яам болон AEP нь далайн экологийн нийгэмлэг аль хэдийн ойлгосон тул Chl-ийг ашиглах нь экологийн бүрэлдэхүүн хэсгүүдийг тодорхойлох боломжгүй гэдгийг онцлон тэмдэглэв.Үүний эсрэгээр, D ба K зэрэг AEP нь маш өөр биомасстай боловч экологийн найрлагатай төстэй.AEP биомасс, экологийн найрлага, зоопланктоны элбэг дэлбэг байдлын хоорондын хамаарал нь нарийн төвөгтэй гэдгийг онцолж байна.Жишээлбэл, AEP J нь фитопланктон ба планктон биомассаараа ялгардаг ч AEP-ийн A ба L нь планктон биомасстай төстэй боловч А-д илүү их планктон байдаг.AEP нь фитопланктон биомассыг (эсвэл Chl) зоопланктон биомассыг урьдчилан таамаглахад ашиглах боломжгүй гэдгийг онцолж байна.Зоопланктон нь загас агнуурын хүнсний сүлжээний үндэс суурь бөгөөд илүү нарийвчлалтай тооцоолол нь нөөцийн менежментийг сайжруулахад хүргэдэг.Ирээдүйн далайн өнгөт хиймэл дагуулууд [жишээ нь, PACE (планктон, аэрозол, үүл, далайн экосистем)] нь фитопланктоны нийгэмлэгийн бүтцийг тооцоолоход илүү сайн байр суурьтай байж болно.AEP таамаглалыг ашиглах нь сансраас зоопланктоныг тооцоолоход хялбар болно.SAGE гэх мэт аргууд, шинэ технологи, газрын үнэнийг судлахад ашиглах боломжтой улам олон хээрийн мэдээлэл (Тара болон дараагийн судалгаа гэх мэт) нь хиймэл дагуулд суурилсан экосистемийн эрүүл мэндийн хяналтад нэг алхам хийх боломжтой.
SAGE арга нь биомасс/Chl, цэвэр анхдагч үйлдвэрлэл, орон нутгийн бүтэц зэрэг аймгийн онцлогийг хянадаг зарим механизмыг үнэлэхэд тохиромжтой арга юм.Жишээлбэл, диатомын харьцангуй хэмжээг фитопланктоны стехиометрийн шаардлагад нийцүүлэн Si, N, P, Fe-ийн нийлүүлэлтийн тэнцвэргүй байдлаас тодорхойлдог.Нийлүүлэлтийн түвшин тэнцвэргүй байх үед (өөрөөр хэлбэл цахиурын нийлүүлэлт нь диатомын шим тэжээлийн хэрэгцээнээс бага) диатомууд нь зөвхөн багахан хэсгийг эзэлдэг.
Экологийн муж эсвэл AEP-ийн тодорхой байршлаас авсан цаг хугацааны цувааг лавлах цэг гэж үзэж болох бөгөөд экологийн муж эсвэл AEP-ийн хамрах талбайг төлөөлж болно.Урт хугацааны газар дээрх хяналтын станцууд ийм цагийн цуваа өгдөг.Олон нийтийн бүтцийг хянах үүднээс SAGE аргыг шинэ сайтуудын хамгийн ашигтай байршлыг тодорхойлоход туслах арга гэж үзэж болно.Жишээлбэл, урт хугацааны олиготрофын амьдрах орчны үнэлгээний (ALOHA) хугацааны цуваа нь олиготрофын бүсийн AEP B хэсэгт байна (Зураг 5C, шошго 2).ALOHA нь өөр AEP-ийн хилтэй ойрхон байдаг тул цаг хугацааны цуваа нь өмнө нь санал болгосны дагуу бүхэл бүтэн бүсийг төлөөлөхгүй байж болно (33).Үүнтэй ижил AEP B-д SEATS (Зүүн Өмнөд Азийн цагийн цуваа) нь Тайванийн баруун өмнөд хэсэгт (34) бусад AEP-ийн хилээс хол зайд байрладаг (Зураг 5C, шошго 1) бөгөөд үүнийг хянахад илүү тохиромжтой байршил болгон ашиглаж болно. AEPB.AEPC дахь BATS (Bermuda Atlantic Time Series Study) хугацааны цуврал (Зураг 5С, шошго 4) нь AEP C ба F хоорондын заагтай маш ойрхон байгаа нь BATS цагийн цуваа ашиглан AEP C-г хянах нь шууд асуудалтай байж болохыг харуулж байна.AEP J-ийн P станц (Зураг 5C, шошго 3) нь AEP-ийн хилээс хол байдаг тул илүү төлөөлдөг.Эко муж болон АЕП нь дэлхийн өөрчлөлтийг үнэлэхэд тохиромжтой мониторингийн тогтолцоог бий болгоход тусалж чадна, учир нь тухайн мужуудаас хаана газар дээр нь түүвэрлэх нь гол ойлголтыг өгөх боломжтойг үнэлэх зөвшөөрөлтэй байдаг.
SAGE аргын амжилт нь өгөгдлийн шинжлэх ухаан/ML арга, домэйны тусгай мэдлэгийг сайтар хэрэглэснээр хүрдэг.Тодруулбал, t-SNE нь хэмжээст бууралтыг гүйцэтгэхэд ашиглагддаг бөгөөд энэ нь өндөр хэмжээст өгөгдлийн ковариацын бүтцийг хадгалж, ковариацын топологийн дүрслэлийг хөнгөвчлөх боломжийг олгодог.Өгөгдлийг судал болон ковариацын хэлбэрээр байрлуулсан (Зураг 2А) нь зөвхөн зайд суурилсан хэмжүүрүүд (K-дундаж гэх мэт) нь ихэвчлэн Гауссын (дугуй) суурь тархалтыг ашигладаг тул тохиромжгүй болохыг харуулж байна (Тэмдэглэл S2-т хэлэлцсэн). .DBSCAN арга нь аливаа ковариацын топологид тохиромжтой.Хэрэв та параметрүүдийг тохируулахад анхаарлаа хандуулбал найдвартай таних боломжтой.t-SNE алгоритмын тооцооллын зардал өндөр байгаа нь түүний одоогийн хэрэглээг илүү их хэмжээний өгөгдлөөр хязгаарладаг бөгөөд энэ нь гүн гүнзгий эсвэл цаг хугацааны хувьд өөр өөр талбарт хэрэглэхэд хэцүү гэсэн үг юм.t-SNE-ийг өргөтгөх боломжтой болгох ажил хийгдэж байна.KL зайг параллель болгоход хялбар байдаг тул t-SNE алгоритм нь ирээдүйд өргөжин тэлэх сайн боломжтой (35).Одоогоор хэмжээсийг илүү сайн бууруулах боломжтой бусад ирээдүйтэй хэмжигдэхүүнийг бууруулах аргуудад нэгдсэн олон талт ойртуулах, төсөөлөх (UMAP) техникүүд багтсан боловч далайн мэдээллийн хүрээнд үнэлгээ хийх шаардлагатай байна.Илүү сайн өргөтгөх чадварын утга нь жишээлбэл, дэлхийн уур амьсгал эсвэл өөр өөр нарийн төвөгтэй загваруудыг холимог давхарга дээр ангилах явдал юм.Аль ч мужид SAGE-ээр ангилагдах боломжгүй газруудыг Зураг 2А-д үлдсэн хар цэгүүд гэж үзэж болно.Газарзүйн хувьд эдгээр бүсүүд нь ихэвчлэн улирлын шинж чанартай бүс нутагт байдаг тул цаг хугацааны явцад өөрчлөгддөг экологийн мужуудыг авах нь илүү сайн хамрах хүрээг хангах болно гэдгийг харуулж байна.
Эдгээр мужууд нь манай 3D t-SNE фазын орон зайд тодорхой эзлэхүүнийг дүрсэлдэг.Статик 11 хэмжээст загварын гаралтын хувьд өгөгдлийг 3D фазын орон зайд хөрвүүлсний дараа эзэлдэг эзлэхүүнийг мөн адил тайлбарлаж болно.3D фазын орон зай дахь газарзүйн бүс ба талбайн хоорондын хамаарал нь энгийн биш боловч экологийн ижил төстэй байдлын үүднээс тайлбарлаж болно.Ийм учраас илүү уламжлалт МЭӨ ялгаатай байдлын хэмжүүрийг илүүд үздэг.
Цаашдын ажил нь тодорхойлогдсон мужууд болон AEP-ийн орон зайн хэлбэлзлийг үнэлэхийн тулд улирлын чанартай өгөгдөлд SAGE аргыг дахин ашиглах болно.Ирээдүйн зорилго нь хиймэл дагуулын хэмжилтийг ашиглахад туслах зорилгоор (CHL-A, CHL-A, CHLED SENCED SERSERSING, SOSE SYSTER SERCENCESS, SOCESCAL SERCERS температур).Энэ нь экологийн бүрэлдэхүүн хэсгүүдийг зайнаас тандан судлах, экологийн мужууд, тэдгээрийн хэлбэлзлийг уян хатан байдлаар хянах боломжийг олгоно.
Загварын физик бүрэлдэхүүн хэсгүүд нь далайн эргэлт ба уур амьсгалын тооцоололд тулгуурладаг [ECCOv4;(37) (38)-д тодорхойлсон дэлхийн төлөв байдлын үнэлгээ.Улсын үнэлгээний нэрлэсэн тогтоол нь 1/5 байна.Лагранжийн үржүүлэгчийн арга бүхий хамгийн бага квадратын аргыг ажиглалтаар тохируулсан анхны болон хилийн нөхцөл, дотоод загварын параметрүүдийг олж авахын тулд ашигладаг бөгөөд ингэснээр MIT-ийн ерөнхий мөчлөгийн чөлөөт загвар (MITgcm) (39) бий болно. be tracked and observed.
Биогеохими/экосистем нь (2)-д илүү бүрэн тайлбартай (өөрөөр хэлбэл тэгшитгэл ба параметрийн утгууд) байна.Энэхүү загвар нь C, N, P, Si, Fe-ийн эргэлтийг органик бус болон органик цөөрөмөөр дамжуулдаг.Энд ашигласан хувилбарт 35 төрлийн фитопланктон багтана: 2 зүйл микропрокариот ба 2 зүйл микроэукариот (шим тэжээл багатай орчинд тохиромжтой), 5 зүйл Cryptomonas sphaeroides (кальцийн карбонат бүрээстэй), 5 зүйл диазони (Азотыг тогтооно, тиймээс Энэ нь хязгаарлагдмал биш) ууссан органик бус азотын хүртээмж, 11 диатом (цахиурлаг бүрхэвч үүсгэдэг), 10 холимог ургамлын туг (бусад планктоныг фотосинтез хийж идэж чаддаг), 16 зоопланктон (бусад планктон дээр бэлчээрлэдэг).Далайн биогеохимид өөр өөр нөлөө үзүүлдэг (40, 41), ажиглалт, загвар судалгаанд ихэвчлэн ашигладаг тул эдгээрийг "биогеохимийн функциональ бүлгүүд" гэж нэрлэдэг.Энэ загварт функциональ бүлэг бүр нь 0.6-аас 2500 мкм-тэй тэнцэх бөмбөрцөг диаметртэй өөр өөр хэмжээтэй хэд хэдэн планктонуудаас бүрддэг.
1992-2011 он хүртэл физик/биогеохими/экосистемийн холболтын загвар нь 20 жилийн турш ажилласан.Загварын гаралт нь планктон биомасс, шим тэжээлийн агууламж, шим тэжээлийн хангамжийн хурд (DIN, PO4, Si, Fe) зэрэг орно.Энэхүү судалгаанд эдгээр бүтээгдэхүүний 20 жилийн дундажийг Экологийн аймгийн орц болгон ашигласан болно.Chl, планктон биомассын тархалт, шим тэжээлийн агууламж ба функциональ бүлгүүдийн тархалтыг хиймэл дагуулын болон газар дээрх ажиглалттай харьцуулсан болно [(2, 44), Тайлбар S1 ба зургийг үз.
SAGE аргын хувьд санамсаргүй байдлын гол эх үүсвэр нь t-SNE алхамаас гардаг.Санамсаргүй байдал нь давтагдахад саад учруулдаг бөгөөд энэ нь үр дүн нь найдваргүй гэсэн үг юм.Sage Mation нь давтагдсан үед кластеруудыг байнга тодорхойлж чаддаг параментын багцыг тодорхойлдог.T-SNE PATAMEETER-ийн "төвөгтэй байдлыг тодорхойлох нь өндөр хэмжээсээс доогуур түвшний зураглалыг тодорхойлохыг хичээгээд өгөгдлийн хэлбэрийг тодорхойлохыг хичээдэг.400 ба 300 давталтын төөрөгдөлд хүрсэн.
Хамгийн бага тоо нь 100. Илүү өндөр доод утгыг (ногоон өнгөний дээд хязгаар өргөн болохоос өмнө <135-аас бага) авч үзэж болох боловч энэ нь BC-ийн ялгаатай байдалд суурилсан нэгтгэх аргыг орлож чадахгүй.Холболтын зэрэг (Зураг 6А) нь ϵ параметрийг тохируулахад ашиглагддаг бөгөөд энэ нь илүү өндөр хамрах хүрээг бий болгоход тустай (Зураг 6B).Холболт нь кластеруудын нийлмэл тоогоор тодорхойлогддог бөгөөд ϵ параметрт мэдрэмтгий байдаг.Доод холболт нь бүс нутгийг зохиомлоор бүлэглэж, хангалтгүй тохируулж байгааг харуулж байна.Өндөр холболт нь хэт их тохирохыг илтгэнэ.Хэт тааруулах нь бас асуудалтай, учир нь энэ нь санамсаргүй таамаглал нь дахин давтагдах боломжгүй үр дүнд хүргэж болзошгүйг харуулж байна.Эдгээр хоёр туйлын хооронд огцом өсөлт (ихэвчлэн "тохой" гэж нэрлэдэг) нь хамгийн сайн ϵ-ийг илэрхийлдэг.Зураг 6А-д та өндөрлөгийн талбайн огцом өсөлт (шар,> 200 бөөгнөрөл), дараа нь огцом буурч (ногоон, 100 бөөгнөрөл), 130 орчим, маш цөөхөн кластераар хүрээлэгдсэн (цэнхэр, <60 кластер) байгааг харж байна. ).Хамгийн багадаа 100 цэнхэр бүсэд нэг бөөгнөрөл бүхэл бүтэн далайд давамгайлдаг (ϵ <0.42), эсвэл далай тэнгисийн ихэнх хэсэг нь ангилагдаагүй бөгөөд дуу чимээ (ϵ> 0.99) гэж тооцогддог.Шар хэсэг нь маш их хувьсах, давтагдах боломжгүй кластерын тархалттай байдаг.ϵ буурах тусам дуу чимээ ихсэх болно.Хурц өсөн нэмэгдэж буй ногоон байгууламжийг тохой гэж нэрлэдэг.Энэ бол хамгийн оновчтой бүс юм.Хэдийгээр t-SNE магадлалыг ашиглаж байгаа ч тухайн муж дахь МЭӨ-ийн ялгааг найдвартай кластерчлалыг тодорхойлоход ашиглаж болно.Зураг 6 (A ба B) -ийг ашиглан ϵ-ийг 0.39 болгож тохируулна.Хамгийн бага тоо их байх тусам найдвартай ангилах боломжийг олгодог ϵ-д хүрэх магадлал багасч, 135-аас дээш утгатай ногоон байгууламж ихсэх болно. Энэ талбайг томруулж байгаа нь тохойг олоход илүү хэцүү эсвэл хайхрамжгүй байх болно гэдгийг харуулж байна. existent.
t-SNE-ийн параметрүүдийг тохируулсны дараа олдсон кластеруудын нийт тоог холболтын хэмжүүр (A) болон кластерт хуваарилагдсан өгөгдлийн хувь (B) болгон ашиглана.Улаан цэг нь хамрах хүрээ болон холболтын хамгийн сайн хослолыг заана.Хамгийн бага тоог экологитой холбоотой хамгийн бага тоогоор тогтоодог.
Энэ нийтлэлийн нэмэлт материалыг http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1 үзнэ үү.
Энэ бол Creative Commons Attribution License-ийн нөхцлийн дагуу түгээгдсэн нээлттэй хандалтын нийтлэл юм.Уг нийтлэл нь эх бүтээлийг зохих ёсоор иш татсан тохиолдолд ямар ч хэрэгсэлд хязгаарлалтгүйгээр ашиглах, түгээх, хуулбарлахыг зөвшөөрдөг.
Жич: Энэ хуудсанд санал болгож буй хүн таныг имэйлийг харахыг хүсэж байгаа бөгөөд энэ нь спам биш гэдгийг мэдэхийн тулд бид зөвхөн имэйл хаягаа оруулахыг танаас хүсч байна.Бид ямар ч имэйл хаяг авахгүй.
Энэ асуултыг таныг зочин мөн эсэхийг шалгах, автоматаар спам илгээхээс сэргийлэх зорилгоор ашигладаг.
Шуудангийн цаг: 2021 оны 1-р сарын 12-ны хооронд