ဂေဟဗေဒဆိုင်ရာ ရှုပ်ထွေးမှုကို ရှင်းလင်းဖော်ပြခြင်း- ကြီးကြပ်မထားသော သင်ယူမှုသည် ကမ္ဘာ့အဏ္ဏဝါဂေဟဗေဒပြည်နယ်ကို ဆုံးဖြတ်သည်။

Plankton အသိုင်းအဝိုင်းဖွဲ့စည်းပုံနှင့် အာဟာရစီးဆင်းမှုဒေတာအပေါ် အခြေခံ၍ ကမ္ဘာလုံးဆိုင်ရာအဏ္ဏဝါဂေဟစနစ်ပြည်နယ်များ (ဂေဟစနစ်ပြည်နယ်များ) ကို ဆုံးဖြတ်ရန် ကြီးကြပ်မထားသော သင်ယူမှုနည်းလမ်းကို အဆိုပြုထားသည်။စနစ်တကျ ပေါင်းစပ်ဂေဟစနစ် (SAGE) နည်းလမ်းသည် အလွန်လိုင်းမဟုတ်သော ဂေဟစနစ်ပုံစံများဖြင့် ဂေဟစနစ်ပြည်နယ်များကို ခွဲခြားသတ်မှတ်နိုင်သည်။ဒေတာ၏ Gaussian မဟုတ်သော ကွဲလွဲမှုကို လိုက်လျောညီထွေဖြစ်စေရန်အတွက်၊ SAGE သည် အတိုင်းအတာပမာဏကို လျှော့ချရန်အတွက် SAGE သည် ကျပန်းအိမ်နီးနားချင်းမြှုပ်သွင်းခြင်း (t-SNE) ကို အသုံးပြုသည်။သိပ်သည်းမှုအခြေခံ spatial clustering (DBSCAN) algorithm ကိုအခြေခံ၍ ဆူညံသံအပလီကေးရှင်း၏အကူအညီဖြင့်၊ ဂေဟစနစ်ဆိုင်ရာပြည်နယ်ပေါင်း တစ်ရာကျော်ကို ဖော်ထုတ်နိုင်သည်။အကွာအဝေးတိုင်းတာမှုအဖြစ် ဂေဟစနစ်ကွဲပြားမှုများနှင့် ချိတ်ဆက်မှုမြေပုံကို အသုံးပြု၍ ခိုင်မာသော ပေါင်းစပ်ဂေဟစနစ်ပြည်နယ် (AEP) ကို အသိုက်အဝန်းရှိသော ဂေဟစနစ်ဆိုင်ရာပြည်နယ်များမှတစ်ဆင့် ဓမ္မဓိဋ္ဌာန်ကျကျ သတ်မှတ်သည်။AEPs ကိုအသုံးပြု၍ ရပ်ရွာဖွဲ့စည်းပုံအပေါ် အာဟာရထောက်ပံ့မှုနှုန်း ထိန်းချုပ်မှုကို စူးစမ်းလေ့လာခဲ့သည်။Eco-provence နှင့် AEP တို့သည် ထူးခြားပြီး မော်ဒယ်အနက်ပြန်ဖွင့်ခြင်းကို ကူညီပေးနိုင်ပါသည်။၎င်းတို့သည် မော်ဒယ်များအကြား နှိုင်းယှဉ်မှုများကို လွယ်ကူချောမွေ့စေပြီး အဏ္ဏဝါဂေဟစနစ်များကို နားလည်မှုနှင့် စောင့်ကြည့်လေ့လာခြင်းကို မြှင့်တင်ပေးနိုင်ပါသည်။
ပြည်နယ်များသည် ပင်လယ် သို့မဟုတ် ကုန်းမြေပေါ်ရှိ ရှုပ်ထွေးသော ဇီဝပထဝီဝင်ကို ပေါင်းစပ်ပြီး အဓိပ္ပါယ်ရှိသော နယ်မြေများအဖြစ် ဖွဲ့စည်းထားသော ဒေသများ (၁)။ဤပြည်နယ်များသည် တည်နေရာများကို နှိုင်းယှဉ်ခြင်း၊ ဆန့်ကျင်ဘက်ပြုခြင်း၊ စောင့်ကြည့်ခြင်း၊ စောင့်ကြည့်ခြင်းနှင့် ကာကွယ်ခြင်းတို့အတွက် အလွန်အရေးကြီးပါသည်။ဤပြည်နယ်များကို ထုတ်လုပ်ပေးသော ရှုပ်ထွေးပြီး လိုင်းမဟုတ်သော အပြန်အလှန်တုံ့ပြန်မှုများသည် ပြည်နယ်များကို ယထာဘူတကျကျ ဆုံးဖြတ်ရန်အတွက် အလွန်သင့်လျော်သော ကြီးကြပ်ကွပ်ကဲမှုမရှိဘဲ စက်သင်ယူမှု (ML) နည်းလမ်းများကို ဖြစ်စေသည်၊ အဘယ်ကြောင့်ဆိုသော် ဒေတာရှိကွဲလွဲမှုသည် ရှုပ်ထွေးပြီး Gaussian မဟုတ်သောကြောင့် ဖြစ်သည်။ဤတွင်၊ ဒါဝင်ကမ္ဘာလုံးဆိုင်ရာသုံးဖက်မြင် (3D) ရုပ်ပိုင်းဆိုင်ရာ/ဂေဟစနစ်ပုံစံ (၂) မှ ထူးခြားသောအဏ္ဏဝါဂေဟစနစ်ပြည်နယ်များ (ဂေဟစနစ်ပြည်နယ်များ) ကို စနစ်တကျခွဲခြားသတ်မှတ်သည့် ML နည်းလမ်းကို အဆိုပြုထားသည်။“ထူးခြားသော” ဟူသော အသုံးအနှုန်းကို ဖော်ထုတ်ထားသော ဧရိယာသည် အခြားနေရာများနှင့် လုံလုံလောက်လောက် ထပ်နေခြင်းမရှိကြောင်း ညွှန်ပြရန် အသုံးပြုသည်။ဤနည်းလမ်းကို System Integrated Ecological Province (SAGE) method ဟုခေါ်သည်။အသုံးဝင်သော အမျိုးအစားခွဲခြင်းကို လုပ်ဆောင်ရန်အတွက်၊ အယ်လဂိုရီသမ်နည်းလမ်းတစ်ခုသည် (i) ကမ္ဘာလုံးဆိုင်ရာ အမျိုးအစားခွဲခြင်းနှင့် (ii) အာကာသနှင့် အချိန် (၃) တွင် အစုအဝေး/စုဖွဲ့နိုင်သည့် ဘက်စုံခွဲခြမ်းစိတ်ဖြာမှုကို ခွင့်ပြုရန် လိုအပ်သည်။ဤသုတေသနတွင်၊ SAGE နည်းလမ်းကို ဦးစွာအဆိုပြုခဲ့ပြီး ဖော်ထုတ်ထားသော ဂေဟစနစ်ဆိုင်ရာပြည်နယ်များကို ဆွေးနွေးခဲ့သည်။ဂေဟစနစ်ပြည်နယ်များသည် ရပ်ရွာဖွဲ့စည်းပုံကို ထိန်းချုပ်သည့် အကြောင်းရင်းများကို နားလည်မှုကို မြှင့်တင်နိုင်ပြီး၊ စောင့်ကြည့်ရေးဗျူဟာများအတွက် အသုံးဝင်သော ထိုးထွင်းဥာဏ်များပေးကာ ဂေဟစနစ်အတွင်း အပြောင်းအလဲများကို ခြေရာခံရန် ကူညီပေးနိုင်သည်။
ကုန်းနေပြည်နယ်များကို အများအားဖြင့် ရာသီဥတု (မိုးရွာခြင်းနှင့် အပူချိန်)၊ မြေဆီလွှာ၊ အသီးအရွက်များနှင့် တိရစ္ဆာန်များ၏ တူညီချက်များအရ အမျိုးအစားခွဲခြားထားပြီး အရန်စီမံခန့်ခွဲမှု၊ ဇီဝမျိုးစုံမျိုးကွဲ သုတေသနနှင့် ရောဂါထိန်းချုပ်ရေးတို့အတွက် အသုံးပြုကြသည် (၁၊ ၄)။ရေကြောင်းပြည်နယ်များသည် သတ်မှတ်ရန် ပို၍ခက်ခဲသည်။သက်ရှိအများစုသည် အရည်နယ်နိမိတ်များပါရှိသော အဏုကြည့်မှန်များဖြစ်သည်။Longhurst et al ။(၅) သဘာဝပတ်ဝန်းကျင်ဆိုင်ရာ အခြေအနေများကို အခြေခံ၍ အဏ္ဏဝါဗေဒ ဝန်ကြီးဌာန၏ ပထမဆုံး ကမ္ဘာလုံးဆိုင်ရာ အမျိုးအစားများထဲမှ တစ်ခုကို ပေးအပ်ခဲ့ပါသည်။ဤ “Longhurst” ပြည်နယ်များ၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်တွင် ရောစပ်မှုနှုန်း၊ ကွဲပြားမှုနှင့် ရောင်ခြည်ဖြာထွက်မှုတို့အပြင် အဏ္ဏဝါဂေဟဗေဒပညာရှင်တစ်ဦးအနေဖြင့် Longhurst ၏ ကျယ်ပြန့်သောအတွေ့အကြုံ၊ အဏ္ဏဝါဂေဟစနစ်အတွက် အခြားအရေးကြီးသောအခြေအနေများရှိသည်။ဥပမာအားဖြင့်၊ Longhurst ကို အခြေခံထုတ်လုပ်မှုနှင့် ကာဗွန်ထုတ်လွှတ်မှု အကဲဖြတ်ရန်၊ ငါးဖမ်းလုပ်ငန်းကို အထောက်အကူဖြစ်စေရန်နှင့် နေရာစောင့်ကြည့်ရေး လှုပ်ရှားမှုများ (၅-၉) တွင် အစီအစဉ်ဆွဲရန် ကျယ်ပြန့်စွာ အသုံးပြုခဲ့သည်။ပြည်နယ်များကို ပို၍ ဓမ္မဓိဋ္ဌာန်ကျကျ သတ်မှတ်နိုင်စေရန်အတွက်၊ မပီသသော ယုတ္တိဗေဒနှင့် ဒေသဆိုင်ရာ ကြီးကြပ်မှုမရှိသော အစုအဖွဲ့/စာရင်းအင်းများကဲ့သို့သော နည်းလမ်းများကို အသုံးပြုခဲ့သည် (၉-၁၄)။ထိုနည်းလမ်းများ၏ ရည်ရွယ်ချက်မှာ ရရှိနိုင်သော စူးစမ်းလေ့လာမှုဒေတာရှိ ပြည်နယ်များကို ခွဲခြားသတ်မှတ်နိုင်သည့် အဓိပ္ပာယ်ရှိသော ဖွဲ့စည်းပုံများကို ဖော်ထုတ်ရန်ဖြစ်သည်။ဥပမာအားဖြင့်၊ ရွေ့လျားနေသော အဏ္ဏဝါပြည်နယ်များ (12) သည် ဆူညံသံများကို လျှော့ချရန် ကိုယ်တိုင်ဖွဲ့စည်းပုံမြေပုံများကို အသုံးပြုကာ ဒေသဆိုင်ရာ ဂြိုလ်တုများမှရရှိသော အဏ္ဏဝါရောင်ထုတ်ကုန်များ [chlorophyll a (Chl-a)၊ ပုံမှန်ဖွဲ့စည်းထားသော Fluorescence မျဉ်းအမြင့်နှင့်၊ ရောင်စုံပျော်ဝင်နေသော အော်ဂဲနစ်ဒြပ်စင်] နှင့် ရုပ်ပိုင်းဆိုင်ရာအကွက်များ (ပင်လယ်မျက်နှာပြင်အပူချိန်နှင့် ဆားငန်ဓာတ်၊ ပကတိပြောင်းလဲနေသော မြေမျက်နှာသွင်ပြင်နှင့် ပင်လယ်ရေခဲများ)။
၎င်း၏ ဂေဟဗေဒစနစ်သည် မြင့်မားသော အာဟာရဓာတ်အဆင့်၊ ကာဗွန်စုပ်ယူမှုနှင့် ရာသီဥတုအပေါ် ကြီးမားသော သြဇာသက်ရောက်မှုရှိသောကြောင့် Plankton ၏ ရပ်ရွာဖွဲ့စည်းပုံမှာ စိုးရိမ်စရာဖြစ်သည်။မည်သို့ပင်ဆိုစေကာမူ ရေမျောရပ်ရွာဖွဲ့စည်းပုံအပေါ်အခြေခံ၍ ကမ္ဘာလုံးဆိုင်ရာဂေဟစနစ်ပြည်နယ်တစ်ခုအား ဆုံးဖြတ်ရန်မှာ စိန်ခေါ်မှုနှင့် ခဲယဉ်းသောပန်းတိုင်ဖြစ်နေဆဲဖြစ်သည်။အဏ္ဏဝါရောင်ဂြိုလ်တုများသည် ဖောပလန်တွန်၏ အကြမ်းဖျင်းသော အမျိုးအစားခွဲခြင်းဆိုင်ရာ ထိုးထွင်းသိမြင်နိုင်စွမ်းကို ပေးစွမ်းနိုင်သည် သို့မဟုတ် လုပ်ဆောင်နိုင်သော အုပ်စုများ (15) ၏ အားသာချက်များကို အကြံပြုနိုင်သော်လည်း ၎င်းတို့သည် လက်ရှိတွင် ရပ်ရွာဖွဲ့စည်းပုံဆိုင်ရာ အသေးစိတ်အချက်အလက်များကို မပေးနိုင်သေးပါ။မကြာသေးမီက စစ်တမ်းများ [ဥပမာ Tara Ocean (16)] သည် ရပ်ရွာဖွဲ့စည်းပုံ၏ မကြုံစဖူး တိုင်းတာမှုများကို ပံ့ပိုးပေးပါသည်။လက်ရှိတွင်၊ တစ်ကမ္ဘာလုံးအတိုင်းအတာဖြင့် (၁၇) နေရာ၌ လေ့လာတွေ့ရှိချက်များမှာ ကျဲပါးနေပါသည်။ယခင်လေ့လာမှုများက "ဇီဝဓာတုပြည်နယ်" (12၊ 14၊ 18) ကို အခြေခံ၍ ဇီဝဓာတုဆိုင်ရာတူညီချက်များ (ဥပမာ- ပင်မထုတ်လုပ်မှု၊ Chl နှင့် ရရှိနိုင်သောအလင်းရောင်ကဲ့သို့) ကိုအခြေခံ၍ အများစုဆုံးဖြတ်ခဲ့သည်။ဤတွင်၊ ကိန်းဂဏာန်းပုံစံကို [ဒါဝင်(2)] ထုတ်ပေးရန်အသုံးပြုပြီး ဂေဟဗေဒပြည်နယ်သည် ရပ်ရွာဖွဲ့စည်းပုံနှင့် အာဟာရစီးဆင်းမှုတို့အရ ဆုံးဖြတ်သည်။ဤလေ့လာမှုတွင် အသုံးပြုသည့် ကိန်းဂဏာန်းပုံစံသည် ကမ္ဘာလုံးဆိုင်ရာလွှမ်းခြုံမှုရှိပြီး လက်ရှိအကွက်ဒေတာ (17) နှင့် အဝေးမှ အာရုံခံအကွက်များ (Note S1) တို့နှင့် နှိုင်းယှဉ်နိုင်သည်။ဤလေ့လာမှုတွင်အသုံးပြုသည့် ကိန်းဂဏာန်းပုံစံဒေတာသည် ကမ္ဘာလုံးဆိုင်ရာလွှမ်းခြုံမှု၏ အားသာချက်ဖြစ်သည်။စံပြဂေဟစနစ်တွင် အပင်မျိုးစိတ် ၃၅ မျိုးနှင့် တိရိစ္ဆာန်မျိုးစိတ် ၁၆ မျိုးတို့ ပါ၀င်သည် (ကျေးဇူးပြု၍ ပစ္စည်းများနှင့် နည်းလမ်းများကို ကိုးကားပါ)။မျော်လင့်ချက်အမျိုးအစားများသည် Gaussian မဟုတ်သော ကွဲလွဲမှုဖွဲ့စည်းပုံများနှင့် လိုင်းမဟုတ်သော အပြန်အလှန်အကျိုးသက်ရောက်မှုရှိသောကြောင့် ရိုးရှင်းသောရောဂါရှာဖွေရေးနည်းလမ်းများသည် ပေါ်ပေါက်လာသော အသိုင်းအဝိုင်းဖွဲ့စည်းပုံများတွင် ထူးခြားပြီး တသမတ်တည်းပုံစံများကို ခွဲခြားသတ်မှတ်ရန်အတွက် မသင့်လျော်ပါ။ဤနေရာတွင် မိတ်ဆက်ထားသော SAGE နည်းလမ်းသည် ရှုပ်ထွေးသော Darwin မော်ဒယ်များ၏ ထွက်ရှိမှုကို စစ်ဆေးရန် ဆန်းသစ်သောနည်းလမ်းကို ပေးဆောင်သည်။
ဒေတာသိပ္ပံ/ML နည်းပညာ၏ အစွမ်းထက်သော အသွင်ကူးပြောင်းနိုင်မှုစွမ်းရည်များသည် ဒေတာကွဲလွဲမှုတွင် ရှုပ်ထွေးသော်လည်း ခိုင်မာသောဖွဲ့စည်းပုံများကို ဖော်ပြရန် အလွန်ရှုပ်ထွေးသော မော်ဒယ်ဖြေရှင်းချက်များအား ပံ့ပိုးပေးနိုင်ပါသည်။ခိုင်မာသောနည်းလမ်းကို ပေးထားသောအမှားအကွာအဝေးအတွင်း ရလဒ်များကို သစ္စာရှိရှိပြန်ထုတ်ပေးနိုင်သော နည်းလမ်းတစ်ခုအဖြစ် သတ်မှတ်သည်။ရိုးရှင်းသောစနစ်များတွင်ပင်၊ ခိုင်မာသောပုံစံများနှင့် အချက်ပြမှုများကို ဆုံးဖြတ်ခြင်းသည် စိန်ခေါ်မှုတစ်ခုဖြစ်သည်။လေ့လာတွေ့ရှိထားသည့်ပုံစံသို့ ဦးတည်သည့် ကျိုးကြောင်းဆီလျော်မှုကို မဆုံးဖြတ်မချင်း၊ ပေါ်ပေါက်လာသော ရှုပ်ထွေးမှုသည် ရှုပ်ထွေး/ဖြေရှင်းရန် ခက်ခဲပုံပေါ်ပေမည်။ဂေဟစနစ်၏ဖွဲ့စည်းမှုကို သတ်မှတ်ခြင်း၏ အဓိကလုပ်ငန်းစဉ်မှာ သဘာဝတွင် လိုင်းမဆန်ပါ။လိုင်းမဟုတ်သော အပြန်အလှန်ဆက်သွယ်မှုများ တည်ရှိနေခြင်းသည် ခိုင်မာသော အမျိုးအစားခွဲခြားမှုကို ရှုပ်ထွေးစေနိုင်သောကြောင့် ဒေတာကွဲလွဲမှု၏ အခြေခံစာရင်းအင်းခွဲဝေမှုနှင့်ပတ်သက်၍ ခိုင်မာသောယူဆချက်ဖြစ်စေမည့် နည်းလမ်းများကို ရှောင်ရှားရန် လိုအပ်ပါသည်။High-dimensional နှင့် nonlinear data များသည် oceanography တွင် အသုံးများပြီး ရှုပ်ထွေးပြီး Gaussian မဟုတ်သော topology နှင့် ကွဲလွဲမှုပုံစံတစ်ခု ရှိနိုင်ပါသည်။Gaussian မဟုတ်သော ကွဲလွဲမှုပုံစံရှိသော ဒေတာသည် ခိုင်မာသော အမျိုးအစားခွဲခြားခြင်းကို အနှောင့်အယှက်ဖြစ်စေနိုင်သော်လည်း SAGE နည်းလမ်းသည် အစုအဝေးများကို မထင်သလို topologies ခွဲခြားသတ်မှတ်ရန် ဒီဇိုင်းထုတ်ထားသောကြောင့် အသစ်အဆန်းဖြစ်သည်။
SAGE နည်းလမ်း၏ ရည်ရွယ်ချက်မှာ ဂေဟစနစ်ဆိုင်ရာ နားလည်မှုကို ပိုမိုကူညီနိုင်သည့် ပေါ်ပေါက်လာသော ပုံစံများကို ဓမ္မဓိဋ္ဌာန်ကျကျ ဖော်ထုတ်ရန်ဖြစ်သည်။(19) နှင့် ဆင်တူသော အစုအဝေးအခြေခံ အလုပ်အသွားအလာကို လိုက်နာပြီးနောက်၊ ဂေဟဗေဒနှင့် အာဟာရအတက်အကျ ကိန်းရှင်များကို ဂေဟဗေဒပြည်နယ်ဟုခေါ်သော ဒေတာရှိ တစ်ခုတည်းသောအစုအဝေးကို ဆုံးဖြတ်ရန် အသုံးပြုပါသည်။ဤလေ့လာမှုတွင်တင်ပြထားသော SAGE နည်းလမ်း (ပုံ 1) သည် ဦးစားပေးတစ်ခုသတ်မှတ်ထားသော Plankton လုပ်ငန်းဆိုင်ရာအုပ်စုများကို ပေါင်းစည်းခြင်းဖြင့် အတိုင်းအတာ 55 မှ 11 အထိ အတိုင်းအတာကို လျှော့ချပေးသည်။t-random အိမ်နီးချင်းကို မြှုပ်သွင်းခြင်း (t-SNE) နည်းလမ်းကို အသုံးပြုခြင်းဖြင့်၊ ဖြစ်နိုင်ခြေကို 3D အာကာသထဲသို့ ပြသခြင်းဖြင့် အရွယ်အစားကို ပိုမိုလျှော့ချသည်။ကြီးကြပ်မှုမရှိဘဲ အစုလိုက်ဖွဲ့ခြင်းသည် ဂေဟဗေဒအရ နီးကပ်သောဧရိယာများ [ဆူညံသံကိုအခြေခံသည့် အသုံးချပရိုဂရမ်များအတွက် သိပ်သည်းဆ-အခြေခံ spatial clustering (DBSCAN)] ကို ခွဲခြားသတ်မှတ်နိုင်သည်။t-SNE နှင့် DBSCAN နှစ်ခုလုံးသည် မွေးရာပါ လိုင်းမဟုတ်သော ဂေဟစနစ် ဂဏန်းမော်ဒယ်ဒေတာအတွက် သက်ဆိုင်ပါသည်။ထို့နောက် ထွက်ပေါ်လာသော ဂေဟစနစ်ပြည်နယ်ကို မြေကြီးပေါ်သို့ ပြန်လည်ထည့်သွင်းပါ။ဒေသဆိုင်ရာ သုတေသနအတွက် သင့်လျော်သော ထူးခြားသော ဂေဟစနစ် ပြည်နယ်ပေါင်း တစ်ရာကျော်ကို ဖော်ထုတ်ခဲ့သည်။တစ်ကမ္ဘာလုံး တသမတ်တည်းရှိသော ဂေဟစနစ်ပုံစံကို ထည့်သွင်းစဉ်းစားရန်အတွက် ဂေဟစနစ်ပြည်နယ်များကို ဂေဟစနစ်ဆိုင်ရာပြည်နယ်များ (AEP) အဖြစ် စုစည်းရန်အတွက် SAGE နည်းလမ်းကို အသုံးပြုပါသည်။စုစည်းမှုအဆင့် (“ရှုပ်ထွေးမှု” ဟုခေါ်သည်) လိုအပ်သောအသေးစိတ်အဆင့်သို့ ချိန်ညှိနိုင်သည်။ခိုင်မာသော AEP ၏ အနည်းဆုံးရှုပ်ထွေးမှုကို ဆုံးဖြတ်ပါ။ရွေးချယ်မှု၏ အာရုံမှာ SAGE နည်းလမ်းဖြစ်ပြီး အရေးပေါ်အသိုက်အဝန်းဖွဲ့စည်းပုံကို ထိန်းချုပ်ဆုံးဖြတ်ရန် အသေးငယ်ဆုံးရှုပ်ထွေးမှု AEP ကိစ္စရပ်များကို စူးစမ်းရှာဖွေခြင်းဖြစ်သည်။ထို့နောက် ဂေဟဗေဒဆိုင်ရာ ထိုးထွင်းသိမြင်မှုပေးစွမ်းရန် ပုံစံများကို ခွဲခြမ်းစိတ်ဖြာနိုင်သည်။မော်ဒယ်များကို နှိုင်းယှဉ်ရန်အတွက် ဤနေရာတွင် မိတ်ဆက်ပေးခဲ့သည့် နည်းလမ်းကို မော်ဒယ်များကို နှိုင်းယှဉ်ရန်အတွက် ကွဲပြားမှုများနှင့် တူညီမှုများကို မီးမောင်းထိုးပြရန်အတွက် မတူညီသော ဂေဟစနစ်ဆိုင်ရာ ပြည်နယ်များ၏ တည်နေရာများကို အကဲဖြတ်ခြင်းဖြင့် ဥပမာအားဖြင့်၊
(က) ဂေဟစနစ်ဆိုင်ရာပြည်နယ်သတ်မှတ်ခြင်းလုပ်ငန်းအသွားအလာ၏ ဇယားကွက်၊အလုပ်လုပ်သောအုပ်စုရှိ ပေါင်းလဒ်ကိုအသုံးပြု၍ မူလ 55-ဖက်မြင်ဒေတာကို 11-ဖက်မြင်မော်ဒယ်အထွက်သို့ လျှော့ချရန်အတွက် လုပ်ဆောင်နိုင်သော/အာဟာရဓာတ်မျော်လင့်ချက်ခုနစ်ခုနှင့် အာဟာရထောက်ပံ့မှုနှုန်း လေးခုအပါအဝင် ဇီဝဒြပ်ထုကို လျှော့ချရန်။တန်ဖိုးအနည်းဆုံးနှင့် တာရှည်ခံသော ရေခဲဖုံးဧရိယာ။ဒေတာကို စံချိန်စံညွှန်းနဲ့ စံပြုပြီးပါပြီ။ကိန်းဂဏန်းအလားတူ အင်္ဂါရပ်ပေါင်းစပ်မှုများကို မီးမောင်းထိုးပြရန် t-SNE အယ်လဂိုရီသမ်သို့ 11-ဖက်မြင်ဒေတာကို ပံ့ပိုးပါ။DBSCAN သည် ပါရာမီတာတန်ဖိုးသတ်မှတ်ရန် အစုအဝေးကို ဂရုတစိုက်ရွေးချယ်ပါမည်။နောက်ဆုံးတွင် ဒေတာကို လတ္တီတွဒ်/လောင်ဂျီကျု ပရောဂျက်သို့ ပြန်တင်ပြပါ။t-SNE ကို အသုံးပြုခြင်းဖြင့် အနည်းငယ် ကျပန်းကျပန်းကို ထုတ်ပေးနိုင်သောကြောင့် ဤလုပ်ငန်းစဉ်ကို 10 ကြိမ် ထပ်ခါထပ်ခါ ပြုလုပ်ကြောင်း ကျေးဇူးပြု၍ သတိပြုပါ။(ခ) အလုပ်အသွားအလာကို (A) တွင် 10 ကြိမ်ပြန်လုပ်ခြင်းဖြင့် AEP ကို ​​မည်သို့ရယူရမည်ကို ရှင်းပြထားသည်။ဤအကောင်ထည်ဖော်မှု 10 ခုအနက်တစ်ခုစီအတွက်၊ ပြည်နယ်အချင်းချင်းကြားရှိ Bray-Curtis (BC) မတူကွဲပြားသော matrix ကို phytoplankton အမျိုးအစား 51 မျိုး၏ဇီဝဒြပ်ထုအပေါ်အခြေခံ၍ ဆုံးဖြတ်ခဲ့သည်။ရှုပ်ထွေးမှု 1 AEP မှ အပြည့်အဝရှုပ်ထွေးမှု 115 အထိ BC စံနှုန်းကို Longhurst ပြည်နယ်မှ သတ်မှတ်သည်။
SAGE နည်းလမ်းသည် ဂေဟစနစ်ဆိုင်ရာပြည်နယ်ကို သတ်မှတ်ရန် ကမ္ဘာလုံးဆိုင်ရာ 3D ရုပ်ပိုင်းဆိုင်ရာ/ဂေဟစနစ် ကိန်းဂဏာန်းပုံစံ၏ ရလဒ်ကို အသုံးပြုသည် [Darwin (2);Materials and Methods နှင့် Note S1] ကိုကြည့်ပါ။ဂေဟစနစ်၏ အစိတ်အပိုင်းများတွင် ဖောလလန်တန်မျိုးစိတ် ၃၅ မျိုးနှင့် တိရိစ္ဆာန်မျိုးစိတ် ၁၆ မျိုးဖြင့် ဖွဲ့စည်းထားပြီး၊ ကြိုတင်သတ်မှတ်ထားသော လုပ်ငန်းဆောင်တာအုပ်စု ခုနစ်ခုပါရှိသော ပရိုကာရီယိုနှင့် ယူကရီယိုများ အာဟာရနည်းသော ပတ်ဝန်းကျင်တွင် လိုက်လျောညီထွေဖြစ်အောင်၊ ကယ်လ်စီယမ်ကာဗွန်နိတ်အလွှာပါသော coccidia၊ နှင့် နိုက်ထရိုဂျင်များ ဖြည့်တင်းပေးသည့် နိုက်ထရိုဂျင် အာဟာရဓာတ်များ (များသောအားဖြင့် ပျောက်ဆုံးနေသည်၊ အရေးကြီးသောအာဟာရများ)၊ siliceous ဖုံးအုပ်ထားခြင်းဖြင့်၊ အခြား Plankton photosynthesis နှင့် nutrient flagellates နှင့် zooplankton နွားပေါက်များကို ရောနှောစားကျက်ပြုလုပ်နိုင်သည်။အရွယ်အစား အတိုင်းအတာသည် 0.6 မှ 2500μm နှင့်ညီမျှသော စက်လုံးပုံအချင်းဖြစ်သည်။မျောက်ပလန်တွန်အရွယ်အစားနှင့် လုပ်ငန်းဆိုင်ရာအုပ်စုခွဲမှုပုံစံခွဲဝေမှုသည် ဂြိုလ်တုနှင့်တွင်းရှိ စူးစမ်းလေ့လာမှုများတွင်တွေ့မြင်ရသော အလုံးစုံဝိသေသလက္ခဏာများကို ဖမ်းယူသည် (ပုံ S1 မှ S3 ကိုကြည့်ပါ)။ကိန်းဂဏာန်းပုံစံနှင့် လေ့လာတွေ့ရှိရသော သမုဒ္ဒရာကြား တူညီမှုသည် မော်ဒယ်မှသတ်မှတ်ထားသော ပြည်နယ်များသည် in-site သမုဒ္ဒရာအတွက် သက်ဆိုင်နိုင်သည်ဟု ညွှန်ပြသည်။ဤပုံစံသည် ဖိုတိုပလန်တွန်၏ ကွဲပြားမှုအချို့ကိုသာ ဖမ်းယူနိုင်ပြီး သမုဒ္ဒရာအတွင်းရှိ အချို့သော ရုပ်ပိုင်းဆိုင်ရာနှင့် ဓာတုဗေဒဆိုင်ရာ တွန်းအားပေးသည့်အပိုင်းများကိုသာ ဖမ်းယူနိုင်သည်ကို ကျေးဇူးပြု၍ သတိပြုပါ။SAGE နည်းလမ်းသည် စံပြရပ်ရွာဖွဲ့စည်းပုံ၏ မြင့်မားသော ဒေသဆိုင်ရာ ထိန်းချုပ်မှု ယန္တရားအား လူများအား ပိုမိုကောင်းမွန်စွာ နားလည်နိုင်စေပါသည်။
Plankton functional group တစ်ခုစီတွင် မျက်နှာပြင် ဇီဝဒြပ်ထု၏ ပေါင်းလဒ် (ပျမ်းမျှ အနှစ် 20) သာ ပါဝင်ခြင်းဖြင့် ဒေတာ၏ အတိုင်းအတာကို လျှော့ချနိုင်သည်။အစောပိုင်းလေ့လာမှုများက ရပ်ရွာဖွဲ့စည်းပုံတည်ဆောက်ရာတွင် ၎င်းတို့၏အဓိကအခန်းကဏ္ဍကိုပြသပြီးနောက်၊ ၎င်းတွင် အာဟာရစီးဆင်းမှုအတွက် မျက်နှာပြင်အရင်းအမြစ်သတ်မှတ်ချက်များ (နိုက်ထရိုဂျင်၊ သံ၊ ဖော့စဖိတ်နှင့် ဆီလီဆစ်အက်ဆစ်) [ဥပမာ (၂၀၊ ၂၁)] ပါဝင်သည်။လုပ်ငန်းဆောင်တာအုပ်စုများ၏ ပေါင်းစည်းမှုသည် ပြဿနာကို 55 (မျောက်တွန် 51 နှင့် 4 အာဟာရအတက်အကျ) မှ 11 အတိုင်းအတာအထိ လျှော့ချပေးသည်။ဤကနဦးလေ့လာမှုတွင်၊ algorithm မှချမှတ်ထားသောတွက်ချက်မှုဆိုင်ရာကန့်သတ်ချက်များကြောင့်၊ အနက်နှင့်အချိန်ကွဲပြားမှုကိုထည့်သွင်းစဉ်းစားခြင်းမပြုပါ။
SAGE နည်းလမ်းသည် လိုင်းမဟုတ်သော လုပ်ငန်းစဉ်များနှင့် လုပ်ဆောင်နိုင်သော အုပ်စုဇီဝလောင်စာနှင့် အာဟာရစီးဆင်းမှုအကြား အပြန်အလှန်တုံ့ပြန်မှု၏ အဓိကအင်္ဂါရပ်များကြား အရေးပါသော ဆက်ဆံရေးများကို ဖော်ထုတ်နိုင်သည်။Euclidean အကွာအဝေး သင်ယူမှုနည်းလမ်းများ (K-Means ကဲ့သို့သော) ကိုအခြေခံ၍ 11-ဖက်မြင်ဒေတာကိုအသုံးပြုခြင်းဖြင့် ယုံကြည်စိတ်ချရပြီး မျိုးပွားနိုင်သောပြည်နယ်များကို မရရှိနိုင်ပါ (19၊ 22)။အဘယ်ကြောင့်ဆိုသော် ဂေဟစနစ်ပြည်နယ်ကို သတ်မှတ်သည့် အဓိကဒြပ်စင်များ ကွဲလွဲမှု၏ အခြေခံခွဲဝေမှုတွင် Gaussian ပုံသဏ္ဍာန်ကို မတွေ့ရှိရသောကြောင့်ဖြစ်သည်။Voronoi ဆဲလ်များ၏ K-အဓိပ္ပာယ် (အဖြောင့်လိုင်းများ) သည် Gaussian မဟုတ်သော အခြေခံဖြန့်ဖြူးမှုကို ထိန်းသိမ်းထားနိုင်မည်မဟုတ်ပေ။
Plankton functional group ခုနစ်ခုနှင့် အာဟာရ flux လေးခု၏ ဇီဝဒြပ်ထုသည် 11-dimensional vector x ကိုဖွဲ့စည်းသည်။ထို့ကြောင့် x သည် မော်ဒယ်ဂရစ်ပေါ်တွင် ကွက်လပ်တစ်ခုဖြစ်ပြီး၊ ဒြပ်စင်တစ်ခုစီသည် xi သည် မော်ဒယ်အလျားလိုက်ဇယားတွင် သတ်မှတ်ထားသော 11-dimensional vector ကိုကိုယ်စားပြုသည်။အညွှန်းတစ်ခုစီတွင် ကျွန်ုပ်သည် စက်လုံးပေါ်ရှိ ဂရစ်အမှတ်တစ်ခုကို ထူးထူးခြားခြား ခွဲခြားသတ်မှတ်ပေးပါသည်။ (lon, lat) = (ϕi, θi)။မော်ဒယ်ဂရစ်ဒ်ယူနစ်၏ ဇီဝလောင်စာသည် 1.2×10-3mg Chl/m3 ထက်နည်းပါက သို့မဟုတ် ရေခဲလွှမ်းခြုံမှုနှုန်း 70% ကျော်လွန်ပါက၊ ဇီဝလောင်စာဒေတာမှတ်တမ်းကို အသုံးပြုပြီး စွန့်ပစ်လိုက်ပါ။ဒေတာကို ပုံမှန်ဖြစ်အောင် စံပြုထားသောကြောင့် ဒေတာအားလုံးသည် [0 မှ 1] အကွာအဝေးတွင် ရှိနေသောကြောင့် ပျမ်းမျှအား ဖယ်ရှားပြီး ယူနစ်ကွဲလွဲမှုသို့ ချိန်ညှိထားသည်။ထိုသို့လုပ်ဆောင်ခြင်းဖြင့် အင်္ဂါရပ်များ (ဇီဝလောင်စာနှင့် အာဟာရဓာတ်များ) ဖြစ်နိုင်သည့်တန်ဖိုးများ၏ အကွာအဝေးတွင် ခြားနားချက်ဖြင့် ကန့်သတ်မထားပါ။အစုလိုက်ဖွဲ့ခြင်းသည် ပထဝီဝင်အကွာအဝေးထက် အင်္ဂါရပ်များကြား အဓိကဖြစ်နိုင်ခြေအကွာအဝေးမှ ပြောင်းလဲမှုဆိုင်ရာ ဆက်နွယ်မှုကို ဖမ်းယူသင့်သည်။ဤအကွာအဝေးများကို တွက်ချက်ခြင်းဖြင့်၊ မလိုအပ်သောအသေးစိတ်အချက်အလက်များကို ဖယ်ထားစဉ်တွင် အရေးကြီးသောအင်္ဂါရပ်များ ထွက်ပေါ်လာပါသည်။ဂေဟဗေဒရှုထောင့်မှကြည့်လျှင် ဇီဝဒြပ်ထုအနည်းငယ်ပါသော အချို့သောပလပ်စတန်အမျိုးအစားများသည် ဒိုင်ယာဇိုရိုဖိုက်ဘက်တီးရီးယားမှ နိုက်ထရိုဂျင်ကို ပြုပြင်ခြင်းကဲ့သို့သော ဇီဝဘူမိဓာတုဆိုင်ရာသက်ရောက်မှုများ ပိုမိုများပြားနိုင်သောကြောင့် ၎င်းသည် လိုအပ်ပါသည်။ဒေတာကို စံချိန်စံညွှန်းသတ်မှတ်ခြင်းနှင့် ပုံမှန်ပြုလုပ်သည့်အခါ၊ ဤ covariates အမျိုးအစားများကို မီးမောင်းထိုးပြပါမည်။
အနိမ့်ပိုင်းကိုယ်စားပြုမှုတွင် အမြင့်ဘက်မြင်အာကာသရှိ အင်္ဂါရပ်များအနီးအဝေးကို အလေးပေးခြင်းဖြင့်၊ ရှိရင်းစွဲအလားတူဒေသများကို ပိုမိုရှင်းလင်းစေရန် t-SNE အယ်လဂိုရီသမ်ကို အသုံးပြုသည်။အဝေးမှ အာရုံခံအက်ပ်လီကေးရှင်းများအတွက် နက်ရှိုင်းသောအာရုံခံကွန်ရက်များတည်ဆောက်ရန် ရည်ရွယ်သည့် ယခင်အလုပ်သည် t-SNE ကိုအသုံးပြုခဲ့ပြီး အဓိကအင်္ဂါရပ်များကို ပိုင်းခြားရန် ၎င်း၏ကျွမ်းကျင်မှုကို သက်သေပြခဲ့သည့် (၂၃)။ဤသည်မှာ ပေါင်းစပ်မဟုတ်သော ဖြေရှင်းချက်များကို ရှောင်ရှားနေစဉ် အင်္ဂါရပ်ဒေတာတွင် ခိုင်မာသောအစုအဝေးကို ခွဲခြားသတ်မှတ်ရန် လိုအပ်သောအဆင့်ဖြစ်သည် (မှတ်စု S2)။Gaussian kernels ကိုအသုံးပြု၍ t-SNE သည် မြင့်မားသောအဖက်ဖက်မှ အရာဝတ္ထုတစ်ခုစီကို 3D အဆင့်နေရာရှိ အမှတ်တစ်ခုဆီသို့ မြေပုံဆွဲခြင်းဖြင့် ဒေတာ၏ ကိန်းဂဏန်းဂုဏ်သတ္တိများကို ထိန်းသိမ်းပေးကာ၊ ထို့ကြောင့် အမြင့်နှင့်အနိမ့်လမ်းကြောင်းများရှိ အလားတူအရာဝတ္ထုများ၏ ဖြစ်နိုင်ခြေသည် မြင့်မားကြောင်းသေချာစေပါသည်။ dimensional space (24)။N ၏ မျက်နှာပြင်မြင့် အရာဝတ္ထု x1,…,xN တို့ကို ပေးထားသည့် t-SNE algorithm သည် Kullback-Leibler (KL) ခြားနားချက် (25) ကို လျှော့ချခြင်းဖြင့် လျှော့ချသည်။KL divergence သည် ဒုတိယကိုးကားမှုဖြစ်နိုင်ခြေ ဖြန့်ဖြူးမှုမှ မည်မျှကွဲပြားနိုင်သည်ကို အတိုင်းအတာတစ်ခုဖြစ်ပြီး မြင့်မားသောဖက်မြင်အင်္ဂါရပ်များ၏ အနိမ့်ပိုင်း ကိုယ်စားပြုမှုများကြား ဆက်စပ်မှု ဖြစ်နိုင်ခြေကို ထိရောက်စွာ အကဲဖြတ်နိုင်သည်။xi သည် N-dimensional space တွင် i-th object ဖြစ်ပါက xj သည် N-dimensional space တွင် j-th object ဖြစ်ပြီး yi သည် low-dimensional space တွင် i-th object ဖြစ်ပြီး yj သည် j-th object ဖြစ်သည်။ -dimensional space၊ ထို့နောက် t -SNE သည် ဆင်တူယိုးမှားဖြစ်နိုင်ခြေကို ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2) နှင့် dimensionality လျှော့ချသတ်မှတ်မှုအတွက်၊ q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
ပုံ 2A သည် 11-dimensional ပေါင်းစပ်မှု၏ biomass နှင့် nutrient flux vector များကို လျှော့ချခြင်း၏အကျိုးသက်ရောက်မှုကို 3D သို့ သရုပ်ဖော်သည်။t-SNE ကို အသုံးပြုခြင်း၏ စေ့ဆော်မှုအား ဒေတာ၏ ဧရိယာ/ attribute ကို အလေးပေးရန်အတွက် ကွဲလွဲမှု ရည်ညွှန်းချက်ကို အသုံးပြုသည့် အဓိက အစိတ်အပိုင်း ခွဲခြမ်းစိတ်ဖြာမှု (PCA) ၏ စေ့ဆော်မှုနှင့် နှိုင်းယှဉ်နိုင်သည်၊ ထို့ကြောင့် အတိုင်းအတာကို လျှော့ချနိုင်သည်။Eco-Ministry အတွက် ယုံကြည်စိတ်ချရပြီး မျိုးပွားနိုင်သော ရလဒ်များ ပေးဆောင်ရာတွင် t-SNE နည်းလမ်းသည် PCA ထက် သာလွန်ကြောင်း တွေ့ရှိခဲ့သည် (မှတ်ချက် S2 ကိုကြည့်ပါ)။PCA ၏ အချိုးညီညီ ယူဆချက်သည် အလွန်လိုင်းမဟုတ်သော အပြန်အလှန်အကျိုးသက်ရောက်မှုရှိသော အင်္ဂါရပ်များကြားတွင် အရေးပါသော အပြန်အလှန်တုံ့ပြန်မှုများကို ခွဲခြားသတ်မှတ်ရန် မသင့်လျော်သောကြောင့်၊ PCA သည် မျဉ်းသားကွဲလွဲမှုတည်ဆောက်ပုံများ (26) ကိုအာရုံစိုက်သောကြောင့်ဖြစ်သည်။အဝေးမှအာရုံခံခြင်းဒေတာကိုအသုံးပြုခြင်း, Luga et al.(27) Gaussian ဖြန့်ဖြူးမှုမှ သွေဖည်သွားသော ရှုပ်ထွေးပြီး လိုင်းမဟုတ်သော ရောင်စဉ်တန်းများကို မီးမောင်းထိုးပြရန် SNE နည်းလမ်းကို အသုံးပြုပုံကို သရုပ်ဖော်ထားသည်။
(က) စံပြအာဟာရထောက်ပံ့မှုနှုန်း၊ ဖောလလန်တန်နှင့် တိရစ္ဆာန်ပလပ်စတန်တို့၏ လုပ်ငန်းလုပ်ဆောင်နိုင်သော အုပ်စုဇီဝဒြပ်များကို t-SNE အယ်လဂိုရီသမ်ဖြင့် DBSCAN အသုံးပြု၍ ပြည်နယ်အလိုက် အရောင်ခြယ်ထားသည်။ပုံ 6B တွင်ပြထားသည့်အတိုင်း အမှတ်တစ်ခုစီသည် အမြင့်ဘက်မြင်အာကာသရှိ အမှတ်တစ်ခုကို ကိုယ်စားပြုသည်၊ အမှတ်အများစုကို ဖမ်းယူထားသည်။Shafts များသည် "t-SNE" အရွယ်အစား 1၊ 2 နှင့် 3 ကို ရည်ညွှန်းပါသည်။ (ခ) မူလအစ၏ လတ္တီတွဒ်-လောင်ဂျီကျူဇယားပေါ်တွင် DBSCAN မှတွေ့ရှိသော ပြည်နယ်၏ ပထဝီဝင်အနေအထားကို ပြဆိုသည်။အရောင်ကို မည်သည့်အရောင်အဖြစ် မှတ်ယူသင့်သော်လည်း (A) နှင့် ကိုက်ညီသင့်သည်။
ပုံ 2A ရှိ t-SNE ဖြန့်ကြဲကွက်ရှိ အမှတ်များသည် လတ္တီတွဒ်နှင့် လောင်ဂျီတွဒ်တို့နှင့် အသီးသီး ဆက်စပ်နေသည်။ပုံ 2A ပါ အချက်နှစ်ချက်သည် တစ်ခုနှင့်တစ်ခု နီးကပ်နေပါက၊ ၎င်းတို့၏ ဇီဝလောင်စာနှင့် အာဟာရအတက်အကျများသည် ပထဝီဝင်အနေအထားကြောင့်မဟုတ်ဘဲ တူညီသောကြောင့်ဖြစ်သည်။ပုံ 2A ရှိ အရောင်များသည် DBSCAN နည်းလမ်း (28) ကို အသုံးပြု၍ ရှာဖွေတွေ့ရှိထားသော အစုအဝေးများဖြစ်သည်။သိပ်သည်းသော အကဲခတ်မှုများကို ရှာဖွေသောအခါ၊ DBSCAN အယ်လဂိုရီသမ်သည် အမှတ်များကြားရှိ 3D ကိုယ်စားပြုအကွာအဝေးကို အသုံးပြုသည် (ϵ = 0.39; ဤရွေးချယ်မှုဆိုင်ရာ အချက်အလက်အတွက်၊ ပစ္စည်းများနှင့် နည်းလမ်းများကို ကြည့်ပါ)၊ အစုအဝေးကို သတ်မှတ်ရန် အလားတူ အမှတ်အရေအတွက် လိုအပ်သည် (ဤနေရာတွင် အမှတ် 100၊ အပေါ်ကိုကြည့်ပါ)။DBSCAN နည်းလမ်းသည် အောက်တွင်ဖော်ပြထားသည့်အတိုင်း ဒေတာအတွင်းရှိ ပုံသဏ္ဍာန် သို့မဟုတ် အစုအစည်းများ၏ အရေအတွက်နှင့် ပတ်သက်၍ မည်သည့် ယူဆချက်ကိုမျှ မပြုလုပ်ပါ-
3) အတွင်းအကွာအဝေးအတွင်းအဖြစ်သတ်မှတ်ထားသောအချက်များအားလုံးအတွက်၊ အစုအဝေးနယ်နိမိတ်ကိုဆုံးဖြတ်ရန် အဆင့် 2 ကို ထပ်ခါတလဲလဲပြန်လုပ်ပါ။သတ်မှတ်အနိမ့်ဆုံးတန်ဖိုးထက် အမှတ်အရေအတွက်များပါက၊ ၎င်းကို အစုအဝေးတစ်ခုအဖြစ် သတ်မှတ်သည်။
အနိမ့်ဆုံး အစုအဖွဲ့ဝင်နှင့် အကွာအဝေး ϵ မက်ထရစ်နှင့် မကိုက်ညီသော ဒေတာကို "ဆူညံသံ" ဟု သတ်မှတ်ပြီး အရောင်တစ်ခု သတ်မှတ်မထားပါ။DBSCAN သည် အဆိုးဆုံးအခြေအနေတွင် O(n2) စွမ်းဆောင်ရည်ပါရှိသော မြန်ဆန်ပြီး အရွယ်တင်နိုင်သော အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။လက်ရှိခွဲခြမ်းစိတ်ဖြာမှုအတွက်၊ ၎င်းသည် အမှန်တကယ် ကျပန်းမဟုတ်ပါ။အနည်းဆုံး အမှတ်အရေအတွက်ကို ကျွမ်းကျင်အကဲဖြတ်မှုဖြင့် ဆုံးဖြတ်သည်။အကွာအဝေးကို ချိန်ညှိပြီးနောက်၊ ရလဒ်သည် ≈±10 အကွာအဝေးတွင် မတည်ငြိမ်ပါ။ဤအကွာအဝေးကို ချိတ်ဆက်မှု (ပုံ 6A) နှင့် သမုဒ္ဒရာလွှမ်းခြုံမှု ရာခိုင်နှုန်း (ပုံ 6B) ကို အသုံးပြု၍ သတ်မှတ်ထားသည်။ချိတ်ဆက်မှုအား ပေါင်းစပ်အစုအစည်းများ၏ အရေအတွက်အဖြစ် သတ်မှတ်ပြီး ϵ ကန့်သတ်ချက်အပေါ် အကဲဆတ်သည်။ချိတ်ဆက်မှု နည်းပါးခြင်းသည် သင့်လျော်မှု မလုံလောက်ခြင်းကို ညွှန်ပြပြီး ဒေသများကို အတုအယောင်ဖြင့် အုပ်စုဖွဲ့ခြင်း ဖြစ်သည်။မြင့်မားသော ချိတ်ဆက်မှုသည် အလွန်အကျွံကို ညွှန်ပြသည်။ပိုမိုမြင့်မားသော အနိမ့်ဆုံးကို အသုံးပြုရန် စိတ်ကူးနိုင်သော်လည်း အနိမ့်ဆုံး ca ထက်ကျော်လွန်ပါက ယုံကြည်စိတ်ချရသော အဖြေတစ်ခုကို ရရှိရန် မဖြစ်နိုင်ပေ။135 (အသေးစိတ်အချက်အလက်များအတွက်၊ ပစ္စည်းများနှင့် နည်းလမ်းများကို ကြည့်ပါ)။
ပုံ 2A တွင် ဖော်ပြထားသော အစုအဝေး 115 ခုအား ပုံ 2B တွင် ကမ္ဘာမြေပေါ်သို့ ပြန်မြင်သည်။အရောင်တစ်ခုစီသည် DBSCAN မှသတ်မှတ်ထားသော ဇီဝဘူမိဓာတုနှင့် ဂေဟဗေဒဆိုင်ရာအချက်များ ပေါင်းစပ်မှုတစ်ခုနှင့် သက်ဆိုင်သည်။အစုအဝေးများကို ဆုံးဖြတ်ပြီးသည်နှင့်၊ ပုံ 2A တွင် သီးခြားလတ္တီတွဒ်နှင့် လောင်ဂျီတွဒ်တို့နှင့်အတူ အမှတ်တစ်ခုစီ၏ ပေါင်းစည်းခြင်းကို ပထဝီဝင်ဧရိယာသို့ ပြန်တင်ပြရန် အသုံးပြုသည်။ပုံ 2B သည် ပုံ 2A ကဲ့သို့ တူညီသောအစုအစည်းအရောင်များဖြင့် ၎င်းကို သရုပ်ဖော်သည်။အလားတူအရောင်များကို အယ်လဂိုရီသမ်ဖြင့် ရှာဖွေတွေ့ရှိသည့် အစီအစဥ်အရ ၎င်းတို့ကို ဂေဟဗေဒဆိုင်ရာ တူညီမှုအဖြစ် အဓိပ္ပာယ်မကောက်ယူသင့်ပါ။
ပုံ 2B ရှိ ဧရိယာသည် သမုဒ္ဒရာ၏ ရုပ်ပိုင်းဆိုင်ရာနှင့်/သို့မဟုတ် ဇီဝဘူမိဓာတုဗေဒဆိုင်ရာ သတ်မှတ်ဧရိယာနှင့် အရည်အသွေးတူနိုင်သည်။ဥပမာအားဖြင့်၊ တောင်ပိုင်းသမုဒ္ဒရာရှိ အစုအဝေးများသည် ဇုံ-အချိုးကျပြီး oligotrophic vortices များပေါ်လာပြီး ပြတ်သားသောအကူးအပြောင်းသည် ကုန်သွယ်မှုလေတိုက်ခတ်မှု၏လွှမ်းမိုးမှုကို ညွှန်ပြသည်။ဥပမာအားဖြင့်၊ အီကွေတာပစိဖိတ်ဒေသတွင် မြင့်တက်မှုနှင့်ဆက်စပ်သော ကွဲပြားသောဒေသများကို တွေ့မြင်ရသည်။
Eco-Province ၏ဂေဟဗေဒပတ်ဝန်းကျင်ကိုနားလည်ရန်အတွက် Bray-Curtis (BC) ခြားနားချက်အညွှန်းကိန်း (29) ကို အစုအဖွဲ့အတွင်းရှိဂေဟဗေဒအကဲဖြတ်ရန်အသုံးပြုခဲ့သည်။BC ညွှန်ပြချက်သည် မတူညီသောဆိုက်နှစ်ခုကြားရှိ အသိုင်းအဝိုင်းဖွဲ့စည်းပုံဆိုင်ရာ ကွာခြားချက်ကို တွက်ချက်ရန်အတွက် အသုံးပြုသည့် ကိန်းဂဏန်းအချက်အလက်တစ်ခုဖြစ်သည်။BCninj = 1-2CninjSni + Snj ၏ ဇီဝဒြပ်ထုနှင့် BCninj = 1-2CninjSni + Snj၊
BCninj သည် ပေါင်းစပ် ni နှင့် ပေါင်းစပ် nj အကြား ဆင်တူယိုးမှားကို ရည်ညွှန်းသည်၊ Cninj သည် ပေါင်းစပ် ni နှင့် nj နှစ်ခုလုံးတွင်ရှိသော ဇီဝဒြပ်တစ်မျိုး၏ အနိမ့်ဆုံးတန်ဖိုးဖြစ်ပြီး Sni သည် ပေါင်းစပ် ni နှင့် Snj နှစ်ခုလုံးတွင်ရှိသော ဇီဝဒြပ်ထုအားလုံးကို ကိုယ်စားပြုသည်။BC ခြားနားချက်သည် အကွာအဝေးတိုင်းတာမှုနှင့် ဆင်တူသော်လည်း၊ ဂေဟဗေဒဒေတာနှင့် ၎င်း၏အဓိပ္ပာယ်ဖွင့်ဆိုချက်များအတွက် ပိုမိုသင့်လျော်ဖွယ်ရှိသည့် ယူကလစ်မဟုတ်သော အာကာသအတွင်း လုပ်ဆောင်သည်။
ပုံ 2B တွင်ဖော်ပြထားသော အစုအဝေးတစ်ခုစီအတွက်၊ ပြည်နယ်တွင်းနှင့်ပြည်နယ်ကြား BC ၏တူညီမှုကို အကဲဖြတ်နိုင်ပါသည်။ပြည်နယ်တစ်ခုအတွင်းရှိ BC ကွာခြားချက်သည် ပြည်နယ်၏ပျမ်းမျှတန်ဖိုးနှင့် ပြည်နယ်အတွင်းရှိ အမှတ်တစ်ခုစီကြား ကွာခြားချက်ကို ရည်ညွှန်းသည်။BC ပြည်နယ်များကြား ခြားနားချက်သည် ပြည်နယ်တစ်ခုနှင့် အခြားပြည်နယ်များကြား တူညီမှုကို ရည်ညွှန်းသည်။ပုံ 3A သည် အချိုးညီသော BC matrix (0၊ အနက်ရောင်- လုံးဝသက်ဆိုင်သော၊ 1၊ အဖြူရောင်- လုံးဝတူညီသည်) ကိုပြသထားသည်။ဂရပ်ရှိ စာကြောင်းတစ်ခုစီသည် ဒေတာရှိ ပုံစံတစ်ခုကို ပြသသည်။ပုံ 3B သည် ပြည်နယ်တစ်ခုစီအတွက် ပုံ 3A တွင် BC ရလဒ်များ၏ ပထဝီဝင်အဓိပါယ်ကို ပြသည်။အာဟာရနည်းပြီး အာဟာရနည်းသောဒေသရှိ ပြည်နယ်တစ်ခုအတွက်၊ ပုံ 3B သည် အီကွေတာတစ်ဝိုက်နှင့် အိန္ဒိယသမုဒ္ဒရာတစ်ဝိုက်ရှိ ကြီးမားသောဧရိယာများ၏ အချိုးညီမှုကို အခြေခံအားဖြင့် ဆင်တူသော်လည်း၊ မြင့်မားသောလတ္တီတွဒ်နှင့် အထွတ်အထိပ်ဧရိယာများသည် သိသိသာသာကွဲပြားကြောင်းပြသသည်။
(က) ကမ္ဘာလုံးဆိုင်ရာ အနှစ် ၂၀ ပျမ်းမျှ ကမ္ဘာ့မျက်နှာပြင် ပျှမ်းမျှ ရေမျော ၅၁ ကောင်အပေါ် အခြေခံ၍ ပြည်နယ်တစ်ခုစီအတွက် အကဲဖြတ်သည့် BC ကွာခြားချက်။မျှော်မှန်းထားသော တန်ဖိုးများ၏ တူညီမှုကို မှတ်သားပါ။(ခ) ကော်လံ (သို့မဟုတ်) အတန်း၏ spatial projection ။dystrophic စက်ဝိုင်းအတွင်းရှိ ပြည်နယ်တစ်ခုအတွက်၊ BC အလားတူတိုင်းတာမှု၏ ကမ္ဘာလုံးဆိုင်ရာ ဖြန့်ဖြူးမှုကို အကဲဖြတ်ပြီး ကမ္ဘာ့နှစ် 20 ပျမ်းမျှအား အကဲဖြတ်ခဲ့သည်။အနက်ရောင် (BC = 0) ဆိုသည်မှာ တူညီသော ဧရိယာဖြစ်ပြီး အဖြူရောင် (BC = 1) ဆိုသည်မှာ တူညီမှုမရှိပါ။
ပုံ 4A သည် ပုံ 2B တွင် ပြည်နယ်တစ်ခုစီရှိ BC ၏ကွာခြားချက်ကို ဖော်ပြသည်။အစုအဖွဲ့တစ်ခုရှိ ပျမ်းမျှဧရိယာ၏ ပျမ်းမျှပေါင်းစပ်မှုကို အသုံးပြု၍ BC နှင့် ပြည်နယ်အတွင်းရှိ ဂရစ်အမှတ်တစ်ခုစီ၏ ပျမ်းမျှကွာခြားမှုကို ဆုံးဖြတ်ခြင်းဖြင့်၊ SAGE နည်းလမ်းသည် ဂေဟဗေဒဆိုင်ရာ ဆင်တူယိုးမှားအမျိုးအစားကို အခြေခံ၍ မျိုးစိတ်ပေါင်း 51 မျိုးအား ကောင်းစွာခွဲခြားနိုင်သည်ကိုပြသသည်။ မော်ဒယ်ဒေတာ။51 အမျိုးအစားအားလုံး၏ ပျမ်းမျှအစုလိုက် BC တူညီမှုမှာ 0.102±0.0049 ဖြစ်သည်။
(A၊ B နှင့် D) ပြည်နယ်အတွင်းရှိ BC ကွာခြားချက်ကို ဂရစ်ဒ်အမှတ်အသိုက်အဝန်းတစ်ခုစီနှင့် ပျမ်းမျှပြည်နယ်ကြားရှိ ပျမ်းမျှ BC ကွာခြားချက်ကြောင့် အကဲဖြတ်ပြီး ရှုပ်ထွေးမှုကို လျှော့ချမည်မဟုတ်ပါ။(၂) ကမ္ဘာလုံးဆိုင်ရာ ပျမ်းမျှပြည်နယ်တွင်း BC ကွာခြားချက်မှာ 0.227±0.117 ဖြစ်သည်။ဤအလုပ်က အဆိုပြုထားသော ဂေဟဗေဒဆိုင်ရာ လှုံ့ဆော်မှုအခြေခံ အမျိုးအစားခွဲခြားခြင်း၏ အခြေခံစံညွှန်း [(C)] တွင် အစိမ်းရောင်လိုင်းဖြစ်သည်။(ဂ) ပျှမ်းမျှပြည်တွင်း BC ခြားနားချက်- အနက်ရောင်မျဉ်းသည် ရှုပ်ထွေးမှုတိုးလာသဖြင့် ခရိုင်အတွင်း BC ခြားနားချက်ကို ကိုယ်စားပြုသည်။2σ သည် eco-provence ခွဲခြားသတ်မှတ်ခြင်းလုပ်ငန်းစဉ် 10 ကြိမ်မှလာသည်။DBSCAN မှရှာဖွေတွေ့ရှိခဲ့သောပြည်နယ်များ၏စုစုပေါင်းရှုပ်ထွေးမှုအတွက်၊ (A) သည် ပြည်နယ်အတွင်းရှိ BC ကွဲပြားမှုမှာ 0.099 ဖြစ်ပြီး (C) မှတင်ပြသော ရှုပ်ထွေးမှုအမျိုးအစားခွဲခြားမှုသည် 12 ဖြစ်ပြီး၊ ပြည်နယ်အတွင်းရှိ BC ကွဲပြားမှုမှာ 0.200 ဖြစ်သည်ကိုပြသသည်။ပုံမှာပြထားသလိုပါပဲ။(ဃ)။
ပုံ 4B တွင်၊ ရေမျောမျောအမျိုးအစား ၅၁ ခု၏ ဇီဝဒြပ်ထုကို Longhurst ပြည်နယ်ရှိ BC ခြားနားချက်နှင့် ညီမျှသော BC ကွာခြားချက်ကို ကိုယ်စားပြုရန်အတွက် အသုံးပြုသည်။ပြည်နယ်တစ်ခုစီ၏ ပျမ်းမျှစုစုပေါင်းသည် 0.227 ဖြစ်ပြီး BC ပြည်နယ်ရှိ ခြားနားချက်ကို ကိုးကား၍ ဇယားကွက်အမှတ်များ၏ စံသွေဖည်မှုသည် 0.046 ဖြစ်သည်။၎င်းသည် ပုံ 1B တွင် ဖော်ပြထားသော အစုအဝေးထက် ကြီးသည်။ယင်းအစား၊ လုပ်ဆောင်နိုင်သောအုပ်စုခုနစ်ခု၏ပေါင်းလဒ်ကိုအသုံးပြု၍ Longhurst ရှိ ပျမ်းမျှရာသီအတွင်း BC ကွဲပြားမှုမှာ 0.232 သို့တိုးလာသည်။
ကမ္ဘာလုံးဆိုင်ရာဂေဟစနစ်မြေပုံသည် Longhurst ပြည်နယ်၏ဂေဟစနစ်တည်ဆောက်ပုံတစ်ခုလုံးကိုအသုံးပြု၍ ထူးခြားသောဂေဟစနစ်ဆိုင်ရာအပြန်အလှန်ဆက်သွယ်မှုများ၏ရှုပ်ထွေးနက်နဲသောအသေးစိတ်အချက်အလက်များကိုပံ့ပိုးပေးပါသည်။ဂေဟဗေဒ ဝန်ကြီးဌာနသည် ကိန်းဂဏာန်းစံပြဂေဟစနစ်ကို ထိန်းချုပ်သည့် လုပ်ငန်းစဉ်ကို ထိုးထွင်းသိမြင်နိုင်စေရန် မျှော်လင့်ထားပြီး ဤထိုးထွင်းသိမြင်မှုသည် ကွင်းဆင်းလေ့လာရေးလုပ်ငန်းများကို အထောက်အကူဖြစ်စေမည်ဖြစ်သည်။ဤသုတေသန၏ရည်ရွယ်ချက်အတွက် ပြည်နယ်တစ်ရာထက်ပို၍ အပြည့်အဝပြသရန် မဖြစ်နိုင်ပါ။နောက်အပိုင်းတွင် ပြည်နယ်များကို အကျဉ်းချုပ်ဖော်ပြသည့် SAGE နည်းလမ်းကို မိတ်ဆက်ပေးသည်။
ပြည်နယ်၏ ရည်ရွယ်ချက်များထဲမှ တစ်ခုမှာ ပြည်နယ်၏ တည်နေရာနှင့် စီမံခန့်ခွဲမှုကို နားလည်သဘောပေါက်စေရန် ဖြစ်သည်။အရေးပေါ်အခြေအနေများကို ဆုံးဖြတ်ရန်အတွက် ပုံ 1B တွင်ရှိသော နည်းလမ်းသည် ဂေဟဗေဒအရ ဆင်တူသောပြည်နယ်များ၏ အသိုက်များကို သရုပ်ဖော်သည်။ဂေဟစနစ်ဆိုင်ရာ ပြည်နယ်များကို ဂေဟဗေဒဆိုင်ရာ တူညီမှုအပေါ် အခြေခံ၍ စုစည်းထားပြီး ထိုကဲ့သို့သော ပြည်နယ်များကို AEP ဟုခေါ်သည်။ထည့်သွင်းစဉ်းစားရမည့် စုစုပေါင်းပြည်နယ်အရေအတွက်အပေါ် အခြေခံ၍ ချိန်ညှိနိုင်သော "ရှုပ်ထွေးမှု" ကို သတ်မှတ်ပါ။"ရှုပ်ထွေးမှု" ဟူသောအသုံးအနှုန်းကို အရေးပေါ်အခြေအနေ၏အရည်အသွေးများကို ချိန်ညှိနိုင်စေသောကြောင့် ၎င်းကိုအသုံးပြုသည်။အဓိပ္ပါယ်ရှိသော စုစည်းမှုများကို သတ်မှတ်ရန်အတွက် Longhurst မှ 0.227 ရှိသော ပျမ်းမျှပြည်တွင်း BC ခြားနားချက်ကို စံသတ်မှတ်ချက်အဖြစ် အသုံးပြုသည်။ဤစံနှုန်းအောက်တွင်၊ ပေါင်းစပ်ပြည်နယ်များကို အသုံးမဝင်တော့ပါ။
ပုံ 3B တွင်ပြထားသည့်အတိုင်း၊ ကမ္ဘာလုံးဆိုင်ရာဂေဟစနစ်ပြည်နယ်များသည် စည်းလုံးညီညွတ်ပါသည်။ပြည်နယ်အတွင်း BC ခြားနားချက်များကို အသုံးပြု၍ အချို့သောဖွဲ့စည်းပုံများသည် အလွန် "အဖြစ်များ" ကြောင်း တွေ့နိုင်ပါသည်။မျိုးရိုးဗီဇနှင့် ဂရပ်ဖစ်သီအိုရီနည်းလမ်းများဖြင့် မှုတ်သွင်းထားသော၊ "ချိတ်ဆက်ထားသောဂရပ်များ" ကို ၎င်းတို့နှင့်အလားတူဆုံးပြည်နယ်များပေါ်မူတည်၍ ပြည်နယ်ပေါင်း 100 > အမျိုးအစားခွဲရန် အသုံးပြုပါသည်။ဤနေရာတွင် "ချိတ်ဆက်မှု" မက်ထရစ်ကို ပြည်နယ်အချင်းချင်း BC ကွဲပြားမှု (30) ကို အသုံးပြု၍ ဆုံးဖြတ်သည်။> 100 ပြည်နယ်များကို အမျိုးအစားခွဲရန်အတွက် ပိုကြီးသောနေရာရှိသော ပြည်နယ်အရေအတွက်ကို ဤနေရာတွင် ရှုပ်ထွေးမှုအဖြစ် ရည်ညွှန်းနိုင်သည်။AEP သည် ပြည်နယ်ပေါင်း 100 ကျော်ကို အလွှမ်းမိုးနိုင်ဆုံး/အနီးဆုံးဂေဟစနစ်ပြည်နယ်များအဖြစ် အမျိုးအစားခွဲထားသော ထုတ်ကုန်တစ်ခုဖြစ်သည်။ဂေဟဗေဒဆိုင်ရာပြည်နယ်တစ်ခုစီကို ၎င်းတို့နှင့်ဆင်တူဆုံးဖြစ်သည့် လွှမ်းမိုးကြီးစိုး/အလွန်အမင်းချိတ်ဆက်ထားသော ဂေဟစနစ်ပြည်နယ်အဖြစ် သတ်မှတ်ထားသည်။BC ခြားနားချက်မှ ဆုံးဖြတ်ထားသော ဤစုစည်းမှုသည် ကမ္ဘာလုံးဆိုင်ရာဂေဟစနစ်ဆီသို့ အသိုက်အဝန်းချဉ်းကပ်မှုကို ခွင့်ပြုသည်။
ရွေးချယ်ထားသော ရှုပ်ထွေးမှုသည် 1 မှ FIG ၏ ပြီးပြည့်စုံသော ရှုပ်ထွေးမှုအထိ မည်သည့်တန်ဖိုးမဆို ဖြစ်နိုင်သည်။2Aရှုပ်ထွေးမှုနည်းပါးချိန်တွင်၊ AEP သည် ဖြစ်နိုင်ခြေရှိသောအတိုင်းအတာလျှော့ချရေးအဆင့် (t-SNE) ကြောင့် ပျက်ယွင်းသွားနိုင်သည်။ပျက်စီးယိုယွင်းမှုဆိုသည်မှာ ဂေဟစနစ်ဆိုင်ရာပြည်နယ်များကို ထပ်ခါတလဲလဲကြားတွင် မတူညီသော AEPs များသို့ တာဝန်ပေးအပ်နိုင်ပြီး၊ သို့ဖြင့် လွှမ်းခြုံထားသော ပထဝီဝင်ဧရိယာကို ပြောင်းလဲနိုင်သည်။ပုံ 4C သည် AEPs ရှိ ပြည်နယ်များအတွင်း BC ကွဲပြားမှုများ ပျံ့နှံ့မှုကို သရုပ်ဖော်သည့် အကောင်အထည်ဖော်မှု 10 ခု (ပုံ 1B တွင် ပုံဥပမာ) တွင် ရှုပ်ထွေးမှုများ တိုးလာနေသည်။ပုံ 4C တွင်၊ 2σ (အပြာရောင်ဧရိယာ) သည် အကောင်အထည်ဖော်မှု 10 ခုတွင် ပြိုကွဲသွားသည့်အတိုင်းအတာတစ်ခုဖြစ်ပြီး အစိမ်းရောင်မျဉ်းသည် Longhurst စံညွှန်းကိုကိုယ်စားပြုသည်။12 ၏ရှုပ်ထွေးမှုသည် အကောင်အထည်ဖော်မှုအားလုံးတွင် Longhurst စံနှုန်းအောက်ရှိပြည်နယ်ရှိ BC ခြားနားချက်ကို ထိန်းသိမ်းနိုင်ပြီး အတော်လေးသေးငယ်သော 2σ ပြိုကွဲမှုကို ထိန်းသိမ်းထားနိုင်ကြောင်း သက်သေပြခဲ့သည်။အချုပ်အားဖြင့်၊ အနည်းဆုံး အကြံပြုထားသော ရှုပ်ထွေးမှုသည် AEPs 12 ခုဖြစ်ပြီး၊ 51 Plankton အမျိုးအစားများကို အသုံးပြု၍ အကဲဖြတ်သည့် ပျမ်းမျှပြည်တွင်းတွင်း BC ကွာခြားချက်မှာ ပုံ 4D တွင် ပြထားသည့်အတိုင်း 0.198±0.013 ဖြစ်သည်။Plankton functional group ခုနစ်ခု၏ ပေါင်းစည်းမှုကို အသုံးပြု၍ ပြည်နယ်အတွင်း ပျမ်းမျှ BC ကွာခြားချက်မှာ 0.198±0.004 အစား 2σ ဖြစ်သည်။လုပ်ငန်းသုံးအုပ်စုခုနစ်ခု၏ စုစုပေါင်းဇီဝဒြပ်နှင့် တွက်ချက်ထားသော BC ကွာခြားချက်များကြားမှ နှိုင်းယှဉ်ချက်တွင် ရေမျောမျောအမျိုးအစား 51 ခု၏ ဇီဝဒြပ်ထုသည် SAGE နည်းလမ်းသည် 51-ဖက်မြင်အခြေအနေနှင့် သက်ဆိုင်သော်လည်း ၎င်းသည် လုပ်ဆောင်နိုင်သော အုပ်စုခုနစ်ခု၏ စုစုပေါင်းဇီဝဒြပ်အတွက်ဖြစ်ကြောင်း ပြသသည်။ သင်တန်းအတွက်။
မည်သည့်သုတေသန၏ရည်ရွယ်ချက်ပေါ် မူတည်၍ ကွဲပြားခြားနားသောရှုပ်ထွေးမှုအဆင့်ကိုထည့်သွင်းစဉ်းစားနိုင်သည်။ဒေသဆိုင်ရာလေ့လာမှုများသည် အပြည့်အဝရှုပ်ထွေးမှု လိုအပ်နိုင်သည် (ဆိုလိုသည်မှာ ပြည်နယ် 115 ခုလုံး)။ဥပမာတစ်ခုအနေနှင့် ရှင်းလင်းမှုအတွက်၊ အနည်းဆုံးအကြံပြုထားသော ရှုပ်ထွေးမှု 12 ကို သုံးသပ်ကြည့်ပါ။
SAGE နည်းလမ်း၏ အသုံးဝင်ပုံနမူနာအနေဖြင့်၊ အနည်းဆုံးရှုပ်ထွေးမှု 12 ခုရှိသည့် AEPs 12 ခုသည် အရေးပေါ်အသိုက်အဝန်းဖွဲ့စည်းပုံကို ထိန်းချုပ်ရန်အတွက် ဤနေရာတွင် အသုံးပြုပါသည်။ပုံ 5 သည် AEP (A မှ L အထိ) ဖြင့် အုပ်စုဖွဲ့ထားသော ဂေဟဗေဒဆိုင်ရာ ထိုးထွင်းသိမြင်မှုကို သရုပ်ဖော်သည်- Redfield stoichiometry တွင် ပထဝီဝင်အနေအထား (ပုံ 5C)၊ လုပ်ဆောင်နိုင်သော အုပ်စုဇီဝလောင်စာဖွဲ့စည်းမှု (ပုံ 5A) နှင့် အာဟာရထောက်ပံ့မှု (ပုံ 5B) တို့ကို N Zoomed မှ လုပ်ဆောင်ပါသည်။အချိုး (N:Si:P:Fe၊ 1:1:16:16×103) ကို ပြထားသည်။နောက်ဆုံးအကန့်အတွက် P ကို ​​16 ဖြင့် မြှောက်ပြီး Fe ကို 16×103 ဖြင့် မြှောက်ထားသောကြောင့် ဘားဂရပ်သည် ဖော့ပလန်တွန်၏ အာဟာရလိုအပ်ချက်များနှင့် ညီမျှသည်။
ပြည်နယ်များကို AEPs A မှ L. (A) Biomass (mgC/m3) ခရိုင် 12 ခုတွင် ဂေဟစနစ် ၁၂ ခုအဖြစ် ခွဲခြားထားသည်။(ခ) ပျော်ဝင်မနစ်နိုက်ထရိုဂျင် (N)၊ သံ (Fe)၊ ဖော့စဖိတ် (P) နှင့် ဆီလီဆစ်အက်ဆစ် (Si) (တစ်နှစ်လျှင် mmol/m3) ၏ အာဟာရစီးဆင်းမှုနှုန်း။Fe နှင့် P ကို ​​16 နှင့် 16 × 103 ဖြင့် အသီးသီး မြှောက်ထားသောကြောင့် strips များကို phytoplankton stoichiometry လိုအပ်ချက်များနှင့်အညီ စံပြုနိုင်ရန်။(ဂ) ဝင်ရိုးစွန်းဒေသများ၊ အပူပိုင်းဒေသ ဆိုင်ကလုန်းများနှင့် အဓိက ရာသီအလိုက်/မြင့်တက်လာသော ဒေသများကြား ခြားနားချက်ကို သတိပြုပါ။စောင့်ကြည့်ရေးစခန်းများကို အောက်ပါအတိုင်း အမှတ်အသားပြုပါသည်- 1၊ ထိုင်ခုံများ၊2, ALOHA;3, ဘူတာရုံ P;နှင့် 4၊ BATS။
သတ်မှတ်ထားသော AEP သည် ထူးခြားသည်။အတ္တလန္တိတ်နှင့် ပစိဖိတ်သမုဒ္ဒရာအတွင်း အီကွေတာတစ်ဝိုက်တွင် ညီမျှမှုအချို့ရှိပြီး အလားတူသော်လည်း ကျယ်ဝန်းသောဧရိယာသည် အိန္ဒိယသမုဒ္ဒရာတွင် ရှိနေသည်။အချို့သော AEP များသည် တောင်တက်ခြင်းနှင့်ဆက်စပ်နေသော တိုက်ကြီး၏အနောက်ဘက်ခြမ်းကို လက်ခံယုံကြည်ကြသည်။တောင်ဝင်ရိုးစွန်း Circumpolar Current ကို ကြီးမားသော ဇုံအင်္ဂါရပ်တစ်ခုအဖြစ် သတ်မှတ်သည်။အပူပိုင်းဆိုင်ကလုန်းမုန်တိုင်းသည် ရှုပ်ထွေးသော oligotrophic AEP စီးရီးတစ်ခုဖြစ်သည်။ဤပြည်နယ်များတွင်၊ Plankton ကြီးစိုးသော oligotrophic vortices နှင့် diatom ကြွယ်ဝသော ဝင်ရိုးစွန်းဒေသများကြားရှိ ဇီဝဒြပ်ထုကွဲပြားမှုပုံစံမှာ သိသာထင်ရှားပါသည်။
အလွန်ဆင်တူသော စုစုပေါင်း ပင်ပလန်တွန်ဇီဝဒြပ်များပါရှိသော AEP များတွင် အလွန်ကွဲပြားခြားနားသော အသိုက်အဝန်းဖွဲ့စည်းပုံများ ရှိနိုင်ပြီး D၊ H နှင့် K ကဲ့သို့သော မတူညီသော ပထဝီဝင်ဧရိယာများကို ဖုံးအုပ်နိုင်သည်၊၊AEP H သည် အဓိကအားဖြင့် အီကွေတာအိန္ဒိယသမုဒ္ဒရာတွင်တည်ရှိပြီး ဒိုင်ယာဇိုရိုဖိုက်ဘက်တီးရီးယား ပိုများသည်။AEP D ကို အင်စတော အများအပြားတွင် တွေ့ရှိသော်လည်း အီကွေတာ အတက်အဆင်း ပတ်၀န်းကျင်တွင် အထွက်နှုန်း မြင့်မားသော ဒေသများ အနီး ပစိဖိတ် ဒေသတွင် အထူး ထင်ရှားသည်။ဤပစိဖိတ်ပြည်နယ်၏ ပုံသဏ္ဍာန်သည် ဂြိုလ်လှိုင်းရထားတစ်ခု၏ ပုံသဏ္ဍာန်ဖြစ်သည်။AEP D တွင် ဒိုင်ယာဇိုဘက်တီးရီးယား အနည်းငယ် ရှိပြီး ဖန်ခွက်များ ပိုများသည်။အခြားပြည်နယ်နှစ်ခုနှင့် နှိုင်းယှဉ်ပါက AEP K သည် အာတိတ်သမုဒ္ဒရာ၏ ကုန်းမြင့်များတွင်သာ တွေ့ရပြီး ဒိုင်ယာတမ်များ နှင့် ရေမျောတွန်များ နည်းပါးသည်။ဤဒေသသုံးခုရှိ ရေမျောပမာဏမှာလည်း အလွန်ကွာခြားသည်ကို သတိပြုသင့်သည်။၎င်းတို့အနက် AEP K ၏ ရေမျော ပေါများမှုသည် အတော်လေးနည်းသော်လည်း AEP D နှင့် H သည် အတော်အတန်မြင့်မားသည်။ထို့ကြောင့် ၎င်းတို့၏ ဇီဝဒြပ်ထု (ထို့ကြောင့် Chl-a နှင့် ဆင်တူသော်လည်း) ဤပြည်နယ်များသည် အတော်လေး ကွဲပြားသည်- Chl-based ပြည်နယ် စမ်းသပ်ခြင်းတွင် အဆိုပါ ကွဲပြားမှုများကို ဖမ်းယူနိုင်မည်မဟုတ်ပေ။
အချို့သော AEP များသည် အလွန်ကွဲပြားသော ဇီဝဒြပ်ထုများနှင့် phytoplankton အသိုက်အဝန်းဖွဲ့စည်းပုံအရ အလားတူဖြစ်နိုင်သည်ကို ထင်ရှားပါသည်။ဥပမာအားဖြင့်၊ ၎င်းကို AEP D နှင့် E တွင် မြင်နိုင်သည်။ ၎င်းတို့သည် တစ်ခုနှင့်တစ်ခု နီးကပ်နေပြီး ပစိဖိတ်သမုဒ္ဒရာတွင် AEP E သည် အလွန်အကျိုးဖြစ်ထွန်းသော AEPJ နှင့် နီးကပ်သည်။အလားတူပင်၊
AEP သည် ၎င်းတို့အား ပေးသော အာဟာရများ၏ စည်းကမ်းချက်များကို နားလည်နိုင်သည် (ပုံ 5B)။ဆီလီဆစ်အက်ဆစ် လုံလောက်စွာ ထောက်ပံ့ပေးနိုင်သော Diatom များသာရှိသည်။ယေဘုယျအားဖြင့် ဆီလီဆစ်အက်ဆစ် ထောက်ပံ့မှု မြင့်မားလေ၊ ဒိုင်ယာတမ်၏ ဇီဝဒြပ်ထု မြင့်မားလေဖြစ်သည်။Diatoms များကို AEP A၊ J, K နှင့် L တွင်တွေ့မြင်နိုင်သည် ။ ဒိုင်ယာတမ် ဇီဝဒြပ်ထု၏ အချိုးသည် အခြားပလပ်စင်္ကြာဂြိုဟ်နှင့် ပတ်သက်သည့် ဒိုင်ယာတမ်ဝယ်လိုအားနှင့် သက်ဆိုင်သည့် N, P နှင့် Fe တို့က ဆုံးဖြတ်သည်။ဥပမာအားဖြင့်၊ AEP L ကို ဒိုင်ယာတမ်များဖြင့် လွှမ်းမိုးထားသည်။အခြားအာဟာရများနှင့် နှိုင်းယှဉ်ပါက Si သည် အမြင့်ဆုံးထောက်ပံ့မှုရှိသည်။ဆန့်ကျင်ဘက်အားဖြင့်၊ ကုန်ထုတ်စွမ်းအားပိုမြင့်သော်လည်း AEP J တွင် ဒိုင်ယာတမ်နည်းပါးပြီး ဆီလီကွန်ထောက်ပံ့မှုနည်းသည် (အားလုံးနှင့် အခြားအာဟာရများနှင့် ပတ်သက်သည်)။
Diazonium ဘက်တီးရီးယားသည် နိုက်ထရိုဂျင်ကို ပြုပြင်နိုင်စွမ်းရှိသော်လည်း ဖြည်းဖြည်းချင်း ကြီးထွားလာသည် (၃၁)။သံနှင့် ဖော့စဖရပ်စ်တို့သည် ဒိုင်ယာဇောနီယမ်မဟုတ်သော အာဟာရလိုအပ်ချက်နှင့် အလွန်အကျွံ ဆက်စပ်နေသည့် အခြားပလပ်စတန်များနှင့် အတူရှိနေကြသည် (20၊ 21)။Diazotrophic biomass သည် အတော်အတန်မြင့်မားပြီး၊ Fe နှင့် P သည် N ၏ထောက်ပံ့မှုနှင့် နှိုင်းယှဉ်ပါက ကြီးမားပါသည်။ ဤနည်းအားဖြင့် AEP J တွင် စုစုပေါင်းဇီဝဒြပ်ပိုမိုမြင့်မားသော်လည်း AEP H ရှိ diazonium biomass သည် J တွင် ၎င်းထက်ကြီးမားသော AEP J နှင့် H သည် ပထဝီဝင်အနေအထားအရ အလွန်ကွာခြားပြီး H သည် အီကွေတာအိန္ဒိယသမုဒ္ဒရာတွင်တည်ရှိကြောင်း ကျေးဇူးပြု၍ သတိပြုပါ။
တစ်မူထူးခြားသော ဂေဟစနစ်ဖွဲ့စည်းပုံကို ပြည်နယ်များအဖြစ် ပိုင်းခြားမထားပါက၊ AEP ၏ အနိမ့်ဆုံးရှုပ်ထွေးမှုပုံစံ 12 ခုမှ ရရှိသော ထိုးထွင်းသိမြင်မှုများသည် ဤမျှရှင်းလင်းမည်မဟုတ်ပါ။SAGE မှထုတ်လုပ်သော AEP သည် ဂေဟစနစ်မော်ဒယ်များမှ ရှုပ်ထွေးပြီး မြင့်မားသောအဘက်ဘက်မှ သတင်းအချက်အလက်များကို ပေါင်းစပ်ပြီး တစ်ပြိုင်နက် နှိုင်းယှဉ်မှုကို လွယ်ကူချောမွေ့စေသည်။AEP သည် အဘယ်ကြောင့် Chl သည် ရပ်ရွာဖွဲ့စည်းပုံ သို့မဟုတ် တိရစ္ဆာန်ဥယျာဉ်များ ပေါကြွယ်ဝမှုကို ဆုံးဖြတ်ရန် အဘယ်ကြောင့် Chl သည် ကောင်းမွန်ပြီး အခြားနည်းလမ်းမဟုတ်ကြောင်း ထိရောက်စွာ အလေးပေးဖော်ပြပါသည်။ဆက်လက်လုပ်ဆောင်နေသော သုတေသနအကြောင်းအရာများကို အသေးစိတ်ခွဲခြမ်းစိတ်ဖြာခြင်းသည် ဤဆောင်းပါး၏ အတိုင်းအတာထက် ကျော်လွန်ပါသည်။SAGE နည်းလမ်းသည် point-to-point ကြည့်ရှုခြင်းထက် ကိုင်တွယ်ရလွယ်ကူသော မော်ဒယ်ရှိ အခြားသော ယန္တရားများကို ရှာဖွေရန် နည်းလမ်းကို ပံ့ပိုးပေးပါသည်။
SAGE နည်းလမ်းသည် ကမ္ဘာလုံးဆိုင်ရာ ရုပ်ပိုင်းဆိုင်ရာ/ဇီဝဓာတု/ဂေဟစနစ်ဆိုင်ရာ ကိန်းဂဏာန်းပုံစံများမှ အလွန်ရှုပ်ထွေးသော ဂေဟဗေဒဒေတာကို ရှင်းလင်းစေရန် ကူညီပေးရန် အဆိုပြုထားသည်။ဂေဟဗေဒစီရင်စုအား ရေမျောကူးခြင်းလုပ်ငန်းဆိုင်ရာ အုပ်စုများ၏ စုစုပေါင်းဇီဝဒြပ်ထု၊ t-SNE ဖြစ်နိုင်ခြေအတိုင်းအတာ အတိုင်းအတာလျှော့ချရေး အယ်လဂိုရီသမ် အသုံးချမှုနှင့် ကြီးကြပ်မထားသော ML နည်းလမ်း DBSCAN ကို အသုံးပြု၍ အစုအဝေးဖြင့် ဆုံးဖြတ်သည်။ဒေသဆိုင်ရာ BC ခြားနားချက်/ဂရပ်သီအိုရီသည် အသိုက်နည်းလမ်းအတွက် ကမ္ဘာလုံးဆိုင်ရာ အဓိပ္ပာယ်ဖွင့်ဆိုမှုအတွက် အသုံးပြုနိုင်သည့် ခိုင်မာသော AEP ကိုရရှိစေရန် အသုံးချပါသည်။ဆောက်လုပ်ရေးနှင့် ပတ်သက်၍ Eco-Province နှင့် AEP တို့သည် ထူးခြားသည်။AEP အသိုက်ကို မူလဂေဟစနစ်၏ ရှုပ်ထွေးမှုအပြည့်နှင့် AEP 12 ၏ အကြံပြုထားသော အနိမ့်ဆုံးအဆင့်များကြားတွင် ချိန်ညှိနိုင်သည်။ဖြစ်နိုင်ခြေ t-SNE သည် AEPs ၏ <12 ရှုပ်ထွေးမှုကို ပျက်ပြားစေသောကြောင့် AEP ၏ အနိမ့်ဆုံးရှုပ်ထွေးမှုကို အဓိကကျသောအဆင့်များအဖြစ် ထည့်သွင်းစဉ်းစားပြီး ဆုံးဖြတ်ခြင်းဖြစ်သည်။SAGE နည်းလမ်းသည် ကမ္ဘာလုံးဆိုင်ရာဖြစ်ပြီး ၎င်း၏ရှုပ်ထွေးမှုသည် > 100 AEPs မှ 12 အထိရှိသည်။ ရိုးရှင်းရန်အတွက်၊ လက်ရှိအာရုံစိုက်မှုသည် ကမ္ဘာလုံးဆိုင်ရာ AEP 12 ခု၏ရှုပ်ထွေးမှုအပေါ်တွင်သာဖြစ်သည်။အနာဂတ် သုတေသနပြုချက်များ အထူးသဖြင့် ဒေသဆိုင်ရာလေ့လာမှုများသည် ကမ္ဘာလုံးဆိုင်ရာဂေဟစနစ်ဒေသများ၏ အသုံးဝင်ပုံအသေးစားကို တွေ့ရှိနိုင်ပြီး ဤနေရာတွင် ဆွေးနွေးထားသည့် တူညီသောဂေဟဗေဒဆိုင်ရာထိုးထွင်းသိမြင်မှုများကို အခွင့်ကောင်းယူရန် သေးငယ်သောဧရိယာတွင် စုစည်းထားနိုင်သည်။၎င်းသည် ဂေဟစနစ်ဆိုင်ရာပြည်နယ်များနှင့် ၎င်းတို့ထံမှရရှိသော ထိုးထွင်းသိမြင်မှုများကို ဂေဟဗေဒဆိုင်ရာနားလည်သဘောပေါက်မှု၊ စံပြနှိုင်းယှဉ်မှုကို လွယ်ကူချောမွေ့စေရန်နှင့် အဏ္ဏဝါဂေဟစနစ်များကို စောင့်ကြည့်လေ့လာခြင်းတို့ကို တိုးတက်ကောင်းမွန်စေမည့် အလားအလာများကို မည်သို့အသုံးပြုနိုင်ကြောင်း အကြံပြုချက်ပေးပါသည်။
SAGE နည်းလမ်းဖြင့်သတ်မှတ်ထားသော ဂေဟစနစ်ပြည်နယ်နှင့် AEP တို့သည် ကိန်းဂဏာန်းစံနမူနာရှိ အချက်အလက်များအပေါ် အခြေခံထားသည်။အဓိပ္ပါယ်အားဖြင့်၊ ကိန်းဂဏာန်းမော်ဒယ်သည် ရိုးရှင်းသောဖွဲ့စည်းပုံဖြစ်ပြီး ပစ်မှတ်စနစ်၏အနှစ်သာရကို ဖမ်းဆုပ်ရန်ကြိုးစားကာ မတူညီသောမော်ဒယ်လ်များသည် ရေမျောပျံ့နှံ့မှုကွဲပြားမည်ဖြစ်သည်။ဤလေ့လာမှုတွင် အသုံးပြုသည့် ကိန်းဂဏာန်းပုံစံသည် လေ့လာတွေ့ရှိထားသော ပုံစံအချို့ကို အပြည့်အဝ မဖမ်းယူနိုင်ပါ (ဥပမာ၊ အီကွေတာဒေသနှင့် တောင်ပိုင်းသမုဒ္ဒရာအတွက် Chl ခန့်မှန်းချက်တွင်)။စစ်မှန်သော သမုဒ္ဒရာရှိ ကွဲပြားမှု၏ သေးငယ်သော အစိတ်အပိုင်းကိုသာ ဖမ်းယူထားပြီး Meso နှင့် mesoscales များကို မဖြေရှင်းနိုင်ပါ၊ ၎င်းသည် အာဟာရစီးဆင်းမှုနှင့် သေးငယ်သော အသိုင်းအဝိုင်းဖွဲ့စည်းပုံကို ထိခိုက်စေနိုင်ပါသည်။ဤချို့ယွင်းချက်များရှိနေသော်လည်း၊ AEP သည် ရှုပ်ထွေးသောပုံစံများကို နားလည်ရန် ကူညီပေးရာတွင် အလွန်အသုံးဝင်ကြောင်း တွေ့ရှိရပါသည်။အလားတူ ဂေဟစနစ်ဆိုင်ရာပြည်နယ်များကို တွေ့ရှိသည့်နေရာတွင် အကဲဖြတ်ခြင်းဖြင့် AEP သည် အလားအလာရှိသော ကိန်းဂဏာန်းပုံစံ နှိုင်းယှဉ်မှုကိရိယာကို ပံ့ပိုးပေးပါသည်။လက်ရှိ ကိန်းဂဏာန်းမော်ဒယ်သည် အဝေးမှ အာရုံခံ ဖမ်းယူနိုင်သော ဖောပလပ်တန် Chl-a အာရုံစူးစိုက်မှု နှင့် ရေမျော အရွယ်အစား နှင့် လုပ်ဆောင်နိုင်သော အုပ်စု (မှတ်ချက် S1 နှင့် ပုံ S1) (2၊ 32) ၏ အလုံးစုံ ပုံစံကို ဖမ်းယူပါသည်။
0.1 mgChl-a/m-3 contour line ဖြင့်ပြသထားသည့်အတိုင်း AEP ကို ​​oligotrophic area နှင့် mesotrophic area (ပုံ S1B) ဟူ၍ ပိုင်းခြားထားသည်- AEP B, C, D, E, F နှင့် G တို့သည် oligotrophic ဧရိယာများဖြစ်ပြီး ကျန်ဧရိယာများမှာ Higher Chl-a တွင် တည်ရှိသည်။AEP သည် Longhurst ပြည်နယ် (ပုံ S3A)၊ ဥပမာ၊ တောင်ပိုင်းသမုဒ္ဒရာနှင့် အီကွေတာပစိဖိတ်ဒေသတို့နှင့် စာပေးစာယူအချို့ကို ပြသသည်။အချို့သောဒေသများတွင်၊ AEP သည် Longhurst ဒေသအများအပြားနှင့် အပြန်အလှန်အားဖြင့် အကျုံးဝင်သည်။ဤဧရိယာရှိ ပြည်နယ်များကို ပိုင်းခြားရန် ရည်ရွယ်ချက်နှင့် Longhurst ကွဲပြားသောကြောင့် ကွဲပြားမှုများရှိမည်ဟု မျှော်လင့်ပါသည်။Longhurst ပြည်နယ်ရှိ AEPs အများအပြားသည် အလားတူ ဇီဝဘူမိဓာတုဗေဒဆိုင်ရာ အချို့သောနေရာများတွင် အလွန်ကွဲပြားသော ဂေဟစနစ်တည်ဆောက်ပုံများ ရှိကောင်းရှိနိုင်သည်ဟု ညွှန်ပြပါသည်။AEP သည် ကြီးကြပ်မထားသော သင်ယူမှု (19) ကို အသုံးပြု၍ ဖော်ပြထားသည့်အတိုင်း မြင့်မားသော အထပ်ထပ်ပြည်နယ်များ (ဥပမာ၊ တောင်ပိုင်းသမုဒ္ဒရာနှင့် အီကွေတာပစိဖိတ်သမုဒ္ဒရာ၊ ပုံ S3၊ C နှင့် D) တို့ကို အသုံးပြု၍ ဖော်ပြထားသည့်အတိုင်း AEP သည် ရုပ်ပိုင်းဆိုင်ရာအခြေအနေများနှင့် တုံ့ပြန်မှုကို ပြသထားသည်။ဤစာပေးစာများသည် ရေမျောမျော၏ အသိုင်းအဝိုင်းဖွဲ့စည်းပုံသည် သမုဒ္ဒရာ ဒိုင်းနမစ်များကြောင့် ပြင်းထန်စွာ လွှမ်းမိုးထားကြောင်း ဖော်ပြသည်။မြောက်အတ္တလန္တိတ်ကဲ့သို့သော ဧရိယာများတွင် AEP သည် ရုပ်ပိုင်းဆိုင်ရာပြည်နယ်များကို ဖြတ်သန်းသည်။ဤကွဲပြားမှုများကိုဖြစ်စေသော ယန္တရားတွင် အလားတူရုပ်ပိုင်းဆိုင်ရာအခြေအနေများအောက်တွင်ပင် လုံးဝကွဲပြားခြားနားသော အာဟာရအစီအစဉ်များကို ဖြစ်ပေါ်စေနိုင်သည့် ဖုန်မှုန့်များပို့ဆောင်ခြင်းကဲ့သို့သော လုပ်ငန်းစဉ်များ ပါဝင်နိုင်သည်။
အဏ္ဏဝါဂေဟဗေဒအသိုင်းအဝိုင်းက သဘောပေါက်ထားပြီးဖြစ်သည့်အတိုင်း Chl တစ်ခုတည်းကို အသုံးပြု၍ ဂေဟဗေဒဆိုင်ရာ အစိတ်အပိုင်းများကို ခွဲခြား၍မရကြောင်း ဂေဟဗေဒနှင့် AEP ဝန်ကြီးဌာနက ထောက်ပြသည်။၎င်းကို AEPs များတွင် အလားတူ ဇီဝဒြပ်ထုများ ပါရှိသော်လည်း သိသိသာသာကွဲပြားသော ဂေဟဗေဒဖွဲ့စည်းမှု (ဥပမာ D နှင့် E ကဲ့သို့)။ဆန့်ကျင်ဘက်အားဖြင့်၊ D နှင့် K ကဲ့သို့သော AEP များသည် အလွန်ကွဲပြားခြားနားသော ဇီဝဒြပ်ထုရှိသော်လည်း အလားတူဂေဟဗေဒဖွဲ့စည်းမှုမျိုးရှိသည်။AEP သည် ဇီဝဒြပ်ထု၊ ဂေဟဗေဒဖွဲ့စည်းမှုနှင့် တိရိစ္ဆာန်များ ပေါများခြင်းကြား ဆက်နွယ်မှု ရှုပ်ထွေးကြောင်း AEP က အလေးပေးဖော်ပြသည်။ဥပမာအားဖြင့်၊ AEP J သည် ဖောလလန်တွန်နှင့် ရေမျောဇီဝလောင်စာများတွင် ထင်ရှားသော်လည်း AEP ၏ A နှင့် L တွင် ဆင်တူသော ရေမျောဇီဝဒြပ်စင်များ ရှိသော်လည်း A တွင် ရေမျောပလတ်စတစ် ပေါများပါသည်။AEP သည် တိရစ္ဆာန်ပလပ်တန်ဇီဝလောင်စာ (သို့မဟုတ် Chl) ကို အသုံးပြု၍မရကြောင်း အလေးပေးဖော်ပြသည်။Zooplankton သည် ရေထွက်ပစ္စည်းအစာကွင်းဆက်၏ အခြေခံအုတ်မြစ်ဖြစ်ပြီး ပိုမိုတိကျသော ခန့်မှန်းချက်များသည် ပိုမိုကောင်းမွန်သော အရင်းအမြစ်စီမံခန့်ခွဲမှုကို ဖြစ်ပေါ်စေနိုင်သည်။အနာဂတ် အဏ္ဏဝါရောင် ဂြိုလ်တုများ [ဥပမာ၊ PACE (plankton၊ aerosol၊ cloud၊ နှင့် marine ecosystem)] သည် phytoplankton ၏ ရပ်ရွာဖွဲ့စည်းပုံအား ခန့်မှန်းရာတွင် ကူညီရန်အတွက် ပိုမိုကောင်းမွန်သော အနေအထားဖြစ်နိုင်သည်။AEP ခန့်မှန်းမှုကို အသုံးပြုခြင်းဖြင့် အာကာသမှ တိရစ္ဆာန်ဥယျာဉ်၏ ခန့်မှန်းမှုကို လွယ်ကူချောမွေ့စေနိုင်သည်။SAGE ကဲ့သို့သော နည်းလမ်းများ၊ နည်းပညာအသစ်များနှင့် ပေါင်းစပ်ကာ မြေပြင်အမှန်တရားစစ်တမ်းများ (Tara နှင့် နောက်ဆက်တွဲသုတေသနများကဲ့သို့) အတွက် ရရှိနိုင်သော ကွင်းဆင်းအချက်အလက်များ ပိုများလာကာ ဂြိုလ်တုအခြေခံဂေဟစနစ် ကျန်းမာရေးစောင့်ကြည့်ခြင်းဆီသို့ ပူးတွဲခြေလှမ်းလှမ်းနိုင်မည်ဖြစ်သည်။
SAGE နည်းလမ်းသည် ပြည်နယ်ဝိသေသလက္ခဏာများဖြစ်သည့် ဇီဝလောင်စာ/Chl၊ အသားတင်အဓိကထုတ်လုပ်မှုနှင့် ရပ်ရွာဖွဲ့စည်းပုံကဲ့သို့သော ပြည်နယ်၏ဝိသေသလက္ခဏာအချို့ကို အကဲဖြတ်ရန် အဆင်ပြေသောနည်းလမ်းကို ပံ့ပိုးပေးပါသည်။ဥပမာအားဖြင့်၊ ဒိုင်ယာတမ်ပမာဏကို Si, N, P, နှင့် Fe ထောက်ပံ့မှုတွင် မညီမျှမှုဖြင့် သတ်မှတ်သည်။မျှတသော ထောက်ပံ့မှုနှုန်းဖြင့် အသိုင်းအဝိုင်းအား ဒိုင်နမ် (L) ဖြင့် လွှမ်းမိုးထားသည်။ထောက်ပံ့မှုနှုန်းသည် ဟန်ချက်မညီသောအခါ (ဆိုလိုသည်မှာ၊ ဆီလီကွန်၏ထောက်ပံ့မှုသည် ဒိုင်ယာတမ်များ၏ အာဟာရလိုအပ်ချက်ထက်နည်းသည်)၊ ဒိုင်ယာတမ်များသည် Share (K) အနည်းငယ်မျှသာရှိသည်။Fe နှင့် P ၏ထောက်ပံ့မှုသည် N (ဥပမာ၊ E နှင့် H) ထက်ကျော်လွန်သောအခါ၊ ဒိုင်ယာဇိုရိုဖိုက်ဘက်တီးရီးယားများသည် ပြင်းထန်စွာကြီးထွားလာမည်ဖြစ်သည်။AEP မှ ပံ့ပိုးပေးသော အကြောင်းအရာအားဖြင့်၊ ထိန်းချုပ်မှု ယန္တရားများကို ရှာဖွေခြင်းသည် ပိုမိုအသုံးဝင်လာမည်ဖြစ်ပါသည်။
Eco-Province နှင့် AEP တို့သည် အလားတူ အသိုက်အဝန်းဖွဲ့စည်းပုံများရှိသော နယ်မြေများဖြစ်သည်။ဂေဟစနစ်ပြည်နယ် သို့မဟုတ် AEP အတွင်းရှိ တည်နေရာတစ်ခုမှ အချိန်စီးရီးကို ကိုးကားချက်အဖြစ် မှတ်ယူနိုင်ပြီး ဂေဟစနစ်ပြည်နယ် သို့မဟုတ် AEP က လွှမ်းခြုံထားသည့် ဧရိယာကို ကိုယ်စားပြုနိုင်သည်။ရေရှည်စောင့်ကြည့်ရေးစခန်းများသည် ထိုကဲ့သို့သော အချိန်စီးရီးများကို ပေးဆောင်သည်။ရေရှည်တွင်း ဒေတာအစုံများသည် တွက်ချက်၍မရသော အခန်းကဏ္ဍတွင် ဆက်လက်ပါဝင်နေပါမည်။အသိုင်းအဝိုင်းဖွဲ့စည်းပုံကို စောင့်ကြည့်လေ့လာခြင်းရှုထောင့်မှကြည့်လျှင် SAGE နည်းလမ်းသည် ဝဘ်ဆိုက်အသစ်များ၏ အသုံးဝင်ဆုံးတည်နေရာကို ဆုံးဖြတ်ရာတွင် ကူညီပေးသည့်နည်းလမ်းအဖြစ် ရှုမြင်နိုင်ပါသည်။ဥပမာအားဖြင့်၊ ရေရှည် oligotrophic နေရင်းအကဲဖြတ်ခြင်း (ALOHA) မှ အချိန်စီးရီးများသည် oligotrophic ဧရိယာ၏ AEP B တွင်ဖြစ်သည် (ပုံ 5C၊ အညွှန်း 2)။ALOHA သည် အခြားသော AEP ၏ နယ်နိမိတ်နှင့် နီးကပ်သောကြောင့်၊ ယခင်အကြံပြုထားသည့်အတိုင်း အချိန်စီးရီးသည် ဧရိယာတစ်ခုလုံးကို ကိုယ်စားပြုနိုင်မည်မဟုတ်ပေ။တူညီသော AEP B တွင်၊ အချိန်စီးရီး SEATS (အရှေ့တောင်အာရှအချိန်စီးရီး) သည် ထိုင်ဝမ်အနောက်တောင်ဘက် (၃၄) တွင် တည်ရှိပြီး အခြား AEP များ (ပုံ 5C၊ အညွှန်း 1) ၏ နယ်နိမိတ်များနှင့် ဝေးကွာပြီး စောင့်ကြည့်ရန် ပိုမိုကောင်းမွန်သောတည်နေရာအဖြစ် အသုံးပြုနိုင်သည်။ AEPBAEPC ရှိ BATS (Bermuda Atlantic Time Series Study) အချိန်စီးရီး (ပုံ 5C၊ အညွှန်း 4) သည် AEP C နှင့် F အကြား နယ်နိမိတ်နှင့် အလွန်နီးကပ်နေပြီး BATS အချိန်စီးရီးကို အသုံးပြု၍ AEP C ကို စောင့်ကြည့်ခြင်းသည် တိုက်ရိုက် ပြဿနာရှိနိုင်ကြောင်း ညွှန်ပြသည်။AEP J ရှိ ဘူတာရုံ P (ပုံ 5C၊ တံဆိပ် 3) သည် AEP နယ်နိမိတ်နှင့် ဝေးသောကြောင့် ၎င်းသည် ပိုမိုကိုယ်စားပြုသည်။Eco-Province နှင့် AEP တို့သည် ကမ္ဘာလုံးဆိုင်ရာပြောင်းလဲမှုများကို အကဲဖြတ်ရန်အတွက် သင့်လျော်သော စောင့်ကြည့်မှုမူဘောင်တစ်ခုကို ထူထောင်ရာတွင် ကူညီနိုင်သည်၊ အကြောင်းမှာ ပြည်နယ်များ၏ ခွင့်ပြုချက်သည် ဆိုက်ပေါ်နမူနာယူခြင်းတွင် အဓိကထိုးထွင်းသိမြင်နိုင်သည်များကို ပေးစွမ်းနိုင်သောကြောင့် ဖြစ်သည်။SAGE နည်းလမ်းကို အချိန်ကုန်သက်သာစေသော ကွဲပြားမှုကို အကဲဖြတ်ရန် ရာသီဥတုဒေတာကို အသုံးချရန်အတွက် ထပ်မံတီထွင်နိုင်ပါသည်။
SAGE နည်းလမ်း၏ အောင်မြင်မှုသည် ဒေတာသိပ္ပံ/ML နည်းလမ်းများကို ဂရုတစိုက် အသုံးချခြင်းနှင့် ဒိုမိန်းအလိုက် အသိပညာများမှတဆင့် ရရှိသည်။အထူးသဖြင့်၊ t-SNE ကို Dimensional လျှော့ချရေးလုပ်ဆောင်ရန်၊ မြင့်မားသောဘက်မြင်ဒေတာများ၏ ကွဲလွဲမှုဖွဲ့စည်းပုံကို ထိန်းသိမ်းကာ ကွဲပြားမှုရှိသော topology ၏အမြင်အာရုံကို လွယ်ကူချောမွေ့စေရန် အသုံးပြုပါသည်။ဒေတာကို အစင်းကြောင်းများနှင့် ကွဲလွဲမှုပုံစံ (ပုံ 2A) ဖြင့်စီစဉ်ထားပါသည်၊ ၎င်းတို့သည် များသောအားဖြင့် Gaussian (မြို့ပတ်ရထား) အခြေခံဖြန့်ဖြူးမှုကို (Note S2 တွင် ဆွေးနွေးထားသည်) ကြောင့် သက်သက်အကွာအဝေးကိုအခြေခံသည့်အတိုင်းအတာများ (ဥပမာ K-ဆိုလိုသည်) မသင့်လျော်ကြောင်း ညွှန်ပြသည်၊ .DBSCAN နည်းလမ်းသည် ကွဲပြားမှုရှိသော topology အတွက် သင့်လျော်သည်။သတ်မှတ်ဘောင်များကို အာရုံစိုက်နေသမျှ၊ ယုံကြည်စိတ်ချရသော အထောက်အထားကို ပေးနိုင်ပါသည်။t-SNE အယ်လဂိုရီသမ်၏ တွက်ချက်မှုကုန်ကျစရိတ်သည် မြင့်မားသည်၊ ၎င်းသည် ၎င်း၏လက်ရှိအပလီကေးရှင်းကို ဒေတာပမာဏပိုကြီးစေရန် ကန့်သတ်ထားသောကြောင့် နက်နဲသော သို့မဟုတ် အချိန်ကွဲပြားသောနယ်ပယ်များတွင် အသုံးချရန်ခက်ခဲသည်ဟု ဆိုလိုသည်။t-SNE ၏ ချဲ့ထွင်နိုင်မှုဆိုင်ရာ လုပ်ငန်းကို လုပ်ဆောင်နေပါသည်။KL အကွာအဝေးသည် မျဉ်းပြိုင်ရန် လွယ်ကူသောကြောင့်၊ t-SNE algorithm သည် အနာဂတ်တွင် ချဲ့ထွင်ရန် အလားအလာကောင်းတစ်ခု ရှိပါသည်။ယခုအချိန်အထိ၊ အရွယ်အစားကို ပိုမိုကောင်းမွန်စွာ လျှော့ချနိုင်သည့် အခြားသော အလားအလာရှိသော အတိုင်းအတာ လျှော့ချရေးနည်းလမ်းများတွင် စုစည်းထားသော အနီးစပ်ဆုံး အနီးစပ်ဆုံးနှင့် ပုံဖော်ခြင်း (UMAP) နည်းစနစ်များ ပါဝင်သော်လည်း သမုဒ္ဒရာဒေတာ၏ ဆက်စပ်မှုကို အကဲဖြတ်ရန် လိုအပ်ပါသည်။ပိုမိုကောင်းမွန်သော ချဲ့ထွင်နိုင်မှု၏ အဓိပ္ပါယ်မှာ ဥပမာအားဖြင့်၊ ကမ္ဘာလုံးဆိုင်ရာ ရာသီဥတုများ သို့မဟုတ် မော်ဒယ်များကို ရောနှောထားသော အလွှာတစ်ခုပေါ်တွင် ကွဲပြားခြားနားသော ရှုပ်ထွေးမှုဖြင့် အမျိုးအစားခွဲခြားခြင်းဖြစ်သည်။မည်သည့်ပြည်နယ်ရှိ SAGE မှ ခွဲခြားမရသော ဧရိယာများကို ပုံ 2A တွင် ကျန်ရှိသော အမဲစက်များအဖြစ် မှတ်ယူနိုင်ပါသည်။ပထဝီဝင်အနေအထားအရ၊ အဆိုပါဒေသများသည် ရာသီအလိုက် မြင့်မားသောဒေသများတွင်သာ ရှိပြီး အချိန်နှင့်အမျှ ပြောင်းလဲနေသော ဂေဟစနစ်ဆိုင်ရာ ပြည်နယ်များကို သိမ်းပိုက်ခြင်းသည် ပိုမိုကောင်းမွန်သော လွှမ်းခြုံမှုကို ပေးစွမ်းနိုင်သည်ဟု အကြံပြုထားသည်။
SAGE နည်းလမ်းကို တည်ဆောက်ရန်အတွက်၊ ရှုပ်ထွေးသော စနစ်များ/ဒေတာသိပ္ပံမှ စိတ်ကူးစိတ်သန်းများကို အသုံးပြုပြီး အလုပ်လုပ်နိုင်သော အုပ်စုများ (၁၁ ဖက်မြင် အာကာသအတွင်း အလွန်နီးကပ်နေခြင်း ဖြစ်နိုင်ခြေ) နှင့် ပြည်နယ်များကို ဆုံးဖြတ်ရန် စွမ်းရည်ကို အသုံးပြုထားသည်။ဤပြည်နယ်များသည် ကျွန်ုပ်တို့၏ 3D t-SNE အဆင့်နေရာရှိ သီးခြား volumes များကို သရုပ်ဖော်ပါသည်။အလားတူပင်၊ Poincaré အပိုင်းကို "သာမန်" သို့မဟုတ် "ဖရိုဖရဲ" အပြုအမူကို ဆုံးဖြတ်ရန် "သာမန်" သို့မဟုတ် "ဖရိုဖရဲ" အပြုအမူ (36) ကို ဆုံးဖြတ်ရန် လမ်းကြောင်းမှ သိမ်းပိုက်ထားသော ပြည်နယ်အာကာသ၏ "ထုထည်" ကို အကဲဖြတ်ရန် အသုံးပြုနိုင်သည်။static 11-dimensional model output အတွက် ဒေတာကို 3D အဆင့်နေရာအဖြစ်သို့ ပြောင်းလဲပြီးနောက် သိမ်းပိုက်ထားသော ထုထည်ပမာဏကို အလားတူ ရှင်းပြနိုင်ပါသည်။3D အဆင့် အာကာသရှိ ပထဝီဝင် ဧရိယာနှင့် ဧရိယာကြား ဆက်ဆံရေးသည် မရိုးရှင်းသော်လည်း ၎င်းကို ဂေဟဗေဒဆိုင်ရာ တူညီမှုအရ ရှင်းပြနိုင်သည်။ဤအကြောင်းကြောင့်၊ သမားရိုးကျ BC ကွဲပြားမှုအတိုင်းအတာကို ပိုမိုနှစ်သက်သည်။
အနာဂတ်လုပ်ငန်းသည် သတ်မှတ်ထားသောပြည်နယ်များနှင့် AEP ၏ spatial variability ကို အကဲဖြတ်ရန် ရာသီအလိုက်ပြောင်းလဲနေသောဒေတာအတွက် SAGE နည်းလမ်းကို ပြန်လည်အသုံးပြုပါမည်။အနာဂတ်ရည်မှန်းချက်မှာ မည်သည့်ပြည်နယ်များကို ဂြိုလ်တုတိုင်းတာခြင်းများဖြင့် ဆုံးဖြတ်နိုင်သည် (ဥပမာ Chl-a၊ အဝေးမှ အာရုံခံရောင်ပြန်ဟပ်မှုနှင့် ပင်လယ်ရေမျက်နှာပြင် အပူချိန်) ကို ဆုံးဖြတ်ရာတွင် ကူညီဆုံးဖြတ်ရန် ဤနည်းလမ်းကို အသုံးပြုရန်ဖြစ်သည်။၎င်းသည် ဂေဟစနစ်ဆိုင်ရာ အစိတ်အပိုင်းများကို အဝေးမှ အာရုံခံအကဲဖြတ်ခြင်းနှင့် ဂေဟစနစ်ဆိုင်ရာ ပြည်နယ်များကို လိုက်လျောညီထွေစွာ စောင့်ကြည့်ခြင်းနှင့် ၎င်းတို့၏ ကွဲပြားမှုကို မြင့်မားစေမည်ဖြစ်သည်။
ဤသုတေသန၏ရည်ရွယ်ချက်မှာ ၎င်း၏ထူးခြားသောမျော်လင့်ချက်အသိုက်အဝန်းတည်ဆောက်ပုံမှတစ်ဆင့် ဂေဟဗေဒပြည်နယ်တစ်ခုအား သတ်မှတ်ပေးသည့် SAGE နည်းလမ်းကို မိတ်ဆက်ပေးရန်ဖြစ်သည်။ဤတွင်၊ ရုပ်ပိုင်းဆိုင်ရာ/ဇီဝဓာတု/ဂေဟစနစ်မော်ဒယ်နှင့် t-SNE နှင့် DBSCAN အယ်လဂိုရီသမ်များ၏ ဘောင်ရွေးချယ်မှုဆိုင်ရာ အသေးစိတ်အချက်အလက်များကို ပေးပါမည်။
မော်ဒယ်၏ ရုပ်ပိုင်းဆိုင်ရာ အစိတ်အပိုင်းများသည် သမုဒ္ဒရာ လည်ပတ်မှုနှင့် ရာသီဥတု [ECCOv4;(၃၇) ကမ္ဘာ့နိုင်ငံတော် ခန့်မှန်းချက် (၃၈) ဖြင့် ဖော်ပြထားပါသည်။ပြည်နယ်ခန့်မှန်းချက်၏ အမည်ခံဖြေရှင်းချက်မှာ ၁/၅ ဖြစ်သည်။Lagrangian အမြှောက်နည်းလမ်းဖြင့် အနည်းဆုံးစတုရန်းပုံနည်းလမ်းကို ကနဦးနှင့် နယ်နိမိတ်အခြေအနေများနှင့် စူးစမ်းလေ့လာခြင်းဖြင့် ချိန်ညှိထားသော အတွင်းပိုင်းမော်ဒယ်ဘောင်များကို ရယူရန်အသုံးပြုသည်၊ သို့ဖြင့် အခမဲ့လည်ပတ်နေသော MIT အထွေထွေသံသရာမော်ဒယ် (MITgcm) (39) ကို ထုတ်ပေးသည့်ပုံစံကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ပြီးနောက် ရလဒ်များကို ထုတ်ပေးနိုင်သည်။ ခြေရာခံ စောင့်ကြည့်လေ့လာပါ။
ဇီဝဘူမိဓာတုဗေဒ/ဂေဟစနစ်တွင် (၂) တွင် ပိုမိုပြည့်စုံသော ဖော်ပြချက် (ဥပမာ ညီမျှခြင်းများနှင့် ဘောင်တန်ဖိုးများ) ရှိသည်။မော်ဒယ်သည် အော်ဂဲနစ်နှင့် အော်ဂဲနစ်ကန်များမှတစ်ဆင့် C၊ N၊ P၊ Si နှင့် Fe ၏လည်ပတ်မှုကို ဖမ်းယူသည်။ဤနေရာတွင်အသုံးပြုသည့်ဗားရှင်းတွင် ဖောပလာတန်မျိုးစိတ် ၃၅ မျိုးပါဝင်သည်- မိုက်ခရိုပရိုကာရီယိုအမျိုးအစား ၂ မျိုးနှင့် မိုက်ခရိုယူကာရီရိုအမျိုးအစား ၂ မျိုး (အာဟာရနည်းသောပတ်ဝန်းကျင်အတွက် သင့်လျော်သော)၊ Cryptomonas sphaeroides အမျိုးအစား ၅ မျိုး (ကယ်လ်စီယမ်ကာဗွန်နီယမ်အလွှာဖြင့်)၊ diazonium အမျိုးအစား ၅ မျိုး (နိုက်ထရိုဂျင်ကို ပြုပြင်ပေးနိုင်သောကြောင့်၊ ၎င်းသည် အကန့်အသတ်မရှိ) ပျော်ဝင်နေသော inorganic နိုက်ထရိုဂျင်ရရှိမှု)၊ ဒိုင်ယာတမ် (siliceous cover) 11 ခု (siliceous cover)၊ ရောနှောထားသော အသီးအနှံများဖြစ်သော flagellates 10 မျိုး (အခြားသောရေမျောများကို ဓါတ်ပြု၍စားနိုင်သည်) နှင့် Zooplankton 16 ခု (အခြားသောမျောက်များတွင်ကျက်စားသည်)။၎င်းတို့ကို အဏ္ဏဝါဇီဝဘူမိဓာတုဗေဒ (၄၀၊ ၄၁) တွင် မတူညီသောအကျိုးသက်ရောက်မှုများရှိသောကြောင့် ၎င်းတို့ကို "ဇီဝဓာတုလုပ်ငန်းဆိုင်ရာအဖွဲ့များ" ဟုခေါ်ပြီး လေ့လာစူးစမ်းမှုနှင့် စံပြလေ့လာမှုများတွင် အသုံးပြုလေ့ရှိပါသည်။ဤပုံစံတွင်၊ လုပ်ဆောင်နိုင်သောအုပ်စုတစ်ခုစီသည် အရွယ်အစားအမျိုးမျိုးရှိသော plankton များစွာဖြင့်ဖွဲ့စည်းထားပြီး၊ 0.6 မှ 2500 μm နှင့်ညီမျှသော စက်လုံးပတ်အကွာအဝေးရှိသည်။
ပင်စည်ကြီးထွားမှု၊ စားကျက်နှင့် နစ်မြုပ်မှုတို့ကို ထိခိုက်စေသည့် ကန့်သတ်ချက်များသည် အရွယ်အစားနှင့် ဆက်စပ်နေပြီး ဖော့ပလန်တန်လုပ်ငန်းဆိုင်ရာ အုပ်စုခြောက်စု (၃၂) အကြား သီးခြားကွာခြားချက်များရှိသည်။ကွဲပြားသော ရုပ်ပိုင်းဆိုင်ရာမူဘောင်များ ရှိသော်လည်း၊ မော်ဒယ်၏ ရေမျော အစိတ်အပိုင်း ၅၁ ခု၏ ရလဒ်များကို မကြာသေးမီက လေ့လာမှုများ (၄၂-၄၄) တွင် အသုံးပြုခဲ့သည်။
1992 မှ 2011 ခုနှစ်အထိ၊ ရုပ်ပိုင်းဆိုင်ရာ/ဇီဝဓာတု/ဂေဟစနစ်ပေါင်းစပ်မှုပုံစံသည် အနှစ် 20 လည်ပတ်ခဲ့သည်။မော်ဒယ်၏အထွက်တွင် Plankton ဇီဝလောင်စာ၊ အာဟာရအာရုံစူးစိုက်မှုနှင့် အာဟာရထောက်ပံ့မှုနှုန်း (DIN၊ PO4၊ Si နှင့် Fe) ပါဝင်သည်။ဤလေ့လာမှုတွင်၊ ဤအထွက်နှုန်းများ၏ နှစ် 20 ပျမ်းမျှအား ဂေဟဗေဒပြည်နယ်၏ ထည့်သွင်းမှုအဖြစ် အသုံးပြုခဲ့သည်။Chl၊ Plankton ဇီဝဒြပ်ထုနှင့် အာဟာရအာရုံစူးစိုက်မှုနှင့် လုပ်ငန်းလည်ပတ်မှုအုပ်စုများ ဖြန့်ဖြူးမှုကို ဂြိုလ်တုနှင့် in-situ လေ့လာတွေ့ရှိချက်များဖြင့် နှိုင်းယှဉ်ထားသည် [(၂၊ ၄၄)၊ မှတ်စု S1 နှင့် ပုံတို့ကို ကြည့်ပါ။S1 မှ S3]။
SAGE နည်းလမ်းအတွက်၊ ကျပန်းဖြစ်ခြင်း၏ အဓိကအရင်းအမြစ်သည် t-SNE အဆင့်မှ လာပါသည်။ကျပန်းလုပ်ဆောင်ခြင်းသည် ထပ်တလဲလဲဖြစ်နိုင်မှုကို နှောင့်နှေးစေသည်၊ ဆိုလိုသည်မှာ ရလဒ်များသည် ယုံကြည်စိတ်ချရခြင်းမရှိပါ။SAGE နည်းလမ်းသည် t-SNE နှင့် DBSCAN တို့၏ ကန့်သတ်ဘောင်များကို သတ်မှတ်ခြင်းဖြင့် ကြံ့ခိုင်မှုကို ပြင်းပြင်းထန်ထန် စမ်းသပ်သည်၊ ၎င်းသည် ထပ်ခါတလဲလဲ အခါတွင် အစုအဝေးများကို တသမတ်တည်း ခွဲခြားနိုင်သည်။t-SNE ပါရာမီတာ၏ “ရှုပ်ထွေးမှု” ကို ဆုံးဖြတ်ခြင်းသည် ဒေတာ၏ ဒေသဆိုင်ရာ သို့မဟုတ် ကမ္ဘာလုံးဆိုင်ရာ လက္ခဏာများကို လေးစားသင့်သည့် မြေပုံဆွဲခြင်းအဆင့်ကို သတ်မှတ်ခြင်းဟု နားလည်နိုင်ပါသည်။အကြိမ် 400 နှင့် 300 ၏ရှုပ်ထွေးမှုများသို့ရောက်ရှိခဲ့သည်။
အစုလိုက်အပြုံလိုက် အယ်လ်ဂိုရီသမ် DBSCAN အတွက်၊ အစုအဝေးရှိ ဒေတာအမှတ်များ၏ အနိမ့်ဆုံးအရွယ်အစားနှင့် အကွာအဝေးမက်ထရစ်ကို ဆုံးဖြတ်ရန် လိုအပ်သည်။အနိမ့်ဆုံးအရေအတွက်ကို ကျွမ်းကျင်သူများ၏ လမ်းညွှန်မှုအောက်တွင် ဆုံးဖြတ်သည်။ဤအသိပညာသည် လက်ရှိကိန်းဂဏာန်းပုံစံရေးဆွဲခြင်းဘောင်နှင့် ကြည်လင်ပြတ်သားမှုတို့နှင့်ကိုက်ညီသည့်အရာကို သိသည်။အနိမ့်ဆုံးနံပါတ်သည် 100 ဖြစ်သည်။ အနိမ့်ဆုံးတန်ဖိုး (အစိမ်းရောင်၏ အထက်ကန့်သတ်ချက် ပိုကျယ်မလာမီ <135 ထက်နည်းသည်) ဟု ယူဆနိုင်သော်လည်း BC ကွဲပြားမှုအပေါ် အခြေခံ၍ ပေါင်းစည်းနည်းကို အစားထိုး၍မရပါ။ချိတ်ဆက်မှုဒီဂရီ (ပုံ 6A) ကို ပိုမိုမြင့်မားသောလွှမ်းခြုံမှုအတွက် အထောက်အကူဖြစ်စေသည့် ϵ ကန့်သတ်ဘောင်ကို သတ်မှတ်ရန် အသုံးပြုပါသည်။ချိတ်ဆက်မှုအား ပေါင်းစပ်အစုအစည်းများ၏ အရေအတွက်အဖြစ် သတ်မှတ်ပြီး ϵ ကန့်သတ်ချက်အပေါ် အကဲဆတ်သည်။ချိတ်ဆက်မှု နည်းပါးခြင်းသည် သင့်လျော်မှု မလုံလောက်ခြင်းကို ညွှန်ပြပြီး ဒေသများကို အတုအယောင်ဖြင့် အုပ်စုဖွဲ့ခြင်း ဖြစ်သည်။မြင့်မားသော ချိတ်ဆက်မှုသည် အလွန်အကျွံကို ညွှန်ပြသည်။မူလကျပန်းမှန်းဆချက်များသည် ပြန်လည်ထုတ်လုပ်၍မရသောရလဒ်များဆီသို့ ဦးတည်သွားနိုင်သည်ဟု ပြသသောကြောင့် အလွန်အကျုံးဝင်ခြင်းသည်လည်း ပြဿနာရှိသည်။ဤအစွန်းနှစ်ဖက်ကြားတွင်၊ သိသိသာသာတိုးလာခြင်း (အများအားဖြင့် "တံတောင်ဆစ်") သည် အကောင်းဆုံး ϵ ကို ညွှန်ပြသည်။ပုံ 6A တွင်၊ ကုန်းပြင်မြင့်ဧရိယာ (အဝါရောင်၊ > 200 ပြွတ်များ)၊ ထို့နောက်တွင် သိသိသာသာလျော့ကျသွားခြင်း (အစိမ်းရောင်၊ 100 ပြွတ်များ) 130 ခန့်အထိ၊ အလွန်နည်းသောအစုများဖြင့်ဝန်းရံထားသည် (အပြာရောင်၊ <60 ပြွတ်များ)၊ )အနည်းဆုံး အပြာရောင်ဧရိယာ 100 တွင်၊ အစုအဖွဲ့တစ်ခုက သမုဒ္ဒရာတစ်ခုလုံးကို လွှမ်းမိုးထားသည် (ϵ <0.42) သို့မဟုတ် သမုဒ္ဒရာအများစုကို အမျိုးအစားခွဲခြားမထားဘဲ ဆူညံသံ (ϵ> 0.99) ဟု သတ်မှတ်သည်။အဝါရောင် ဧရိယာသည် အလွန်ပြောင်းလဲနိုင်သော၊ မျိုးပွား၍မရသော အစုအဝေး ဖြန့်ဖြူးမှု ရှိသည်။ϵ လျော့နည်းလာသည်နှင့်အမျှ ဆူညံသံများ တိုးလာသည်။သိသိသာသာတိုးလာတဲ့ အစိမ်းရောင်နေရာကို တံတောင်ဆစ်လို့ ခေါ်ပါတယ်။ဤသည်မှာ အကောင်းဆုံးဒေသဖြစ်သည်။ဖြစ်နိုင်ခြေ t-SNE ကို အသုံးပြုထားသော်လည်း၊ ပြည်နယ်အတွင်း BC ကွဲပြားမှုအား ယုံကြည်စိတ်ချရသော အစုအဝေးကို ဆုံးဖြတ်ရန်အတွက် ဆက်လက်အသုံးပြုနိုင်ပါသည်။ပုံ 6 (A နှင့် B) ကိုအသုံးပြု၍ ϵ ကို 0.39 သို့သတ်မှတ်ပါ။အနိမ့်ဆုံးနံပါတ် ပိုကြီးလေ၊ ယုံကြည်စိတ်ချရသော အမျိုးအစားခွဲခြင်းကို ခွင့်ပြုနိုင်သော ϵ သို့ရောက်ရှိနိုင်ခြေနည်းလေ၊ နှင့် 135 ထက်ကြီးသော အစိမ်းရောင်ဧရိယာ ကြီးလေလေဖြစ်သည်။ ဤဧရိယာ ကျယ်လာခြင်းသည် တံတောင်ဆစ်ကို ရှာဖွေရန် ပိုခက်ခဲမည် သို့မဟုတ် မဟုတ်သည်ကို ညွှန်ပြနေပါသည်။ ရှိပြီးသား။
t-SNE ၏ ကန့်သတ်ဘောင်များကို သတ်မှတ်ပြီးနောက်၊ တွေ့ရှိသော အစုအဝေးများ၏ စုစုပေါင်းအရေအတွက်ကို ချိတ်ဆက်မှုအတိုင်းအတာ (A) နှင့် အစုအဖွဲ့ (B) သို့ ခွဲဝေချထားပေးသည့် ဒေတာရာခိုင်နှုန်းကို အသုံးပြုမည်ဖြစ်သည်။အနီစက်သည် လွှမ်းခြုံမှုနှင့် ဆက်သွယ်မှု၏ အကောင်းဆုံးပေါင်းစပ်မှုကို ညွှန်ပြသည်။အနိမ့်ဆုံးနံပါတ်ကို ဂေဟဗေဒနှင့်သက်ဆိုင်သည့် အနည်းဆုံးနံပါတ်အလိုက် သတ်မှတ်ထားသည်။
ဤဆောင်းပါးအတွက် ဖြည့်စွက်ပစ္စည်းများအတွက် http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1 တွင် ဝင်ရောက်ကြည့်ရှုပါ။
ဤသည်မှာ Creative Commons Attribution License ၏ သတ်မှတ်ချက်များအောက်တွင် ဖြန့်ဝေထားသော ပွင့်လင်းဝင်ရောက်ခွင့် ဆောင်းပါးဖြစ်သည်။မူရင်းလက်ရာကို မှန်ကန်စွာ ကိုးကားဖော်ပြထားသည့် အခြေအနေအရ ဆောင်းပါးသည် အကန့်အသတ်မရှိ အသုံးပြုခြင်း၊ ဖြန့်ဖြူးခြင်းနှင့် မျိုးပွားခြင်းတို့ကို ခွင့်ပြုပါသည်။
မှတ်ချက်- သင့်အီးမေးလ်လိပ်စာကို ပေးဆောင်ရန်သာ ကျွန်ုပ်တို့ တောင်းဆိုထားသောကြောင့် စာမျက်နှာသို့ သင်အကြံပြုထားသည့်လူသည် ၎င်းတို့အား အီးမေးလ်ကို မြင်စေလိုပြီး ၎င်းသည် စပမ်းမဟုတ်ကြောင်း သိစေပါသည်။အီးမေးလ်လိပ်စာများကို ကျွန်ုပ်တို့ ဖမ်းယူမည်မဟုတ်ပါ။
သင်သည် လာလည်သူဟုတ်မဟုတ် စမ်းသပ်ရန်နှင့် အလိုအလျောက် spam တင်ပြခြင်းကို တားဆီးရန် ဤမေးခွန်းကို အသုံးပြုပါသည်။
ကမ္ဘာလုံးဆိုင်ရာ အဏ္ဏဝါဂေဟဗေဒ ဝန်ကြီးဌာနသည် ရှုပ်ထွေးသော ပြဿနာများကို ဖြေရှင်းရန် ဆုံးဖြတ်ထားပြီး ရပ်ရွာဖွဲ့စည်းပုံများကို ရှာဖွေရန် ကြီးကြပ်မထားသော ML ကို အသုံးပြုပါသည်။
ကမ္ဘာလုံးဆိုင်ရာ အဏ္ဏဝါဂေဟဗေဒ ဝန်ကြီးဌာနသည် ရှုပ်ထွေးသော ပြဿနာများကို ဖြေရှင်းရန် ဆုံးဖြတ်ထားပြီး ရပ်ရွာဖွဲ့စည်းပုံများကို ရှာဖွေရန် ကြီးကြပ်မထားသော ML ကို အသုံးပြုပါသည်။