पारिस्थितिक जटिलता स्पष्ट गर्दै: असुरक्षित शिक्षाले विश्वव्यापी समुद्री पारिस्थितिक प्रान्त निर्धारण गर्दछ

प्लाङ्कटन समुदायको संरचना र पोषक तत्व प्रवाह डेटाको आधारमा विश्वव्यापी समुद्री पारिस्थितिकीय प्रान्तहरू (इको-प्रान्तहरू) निर्धारण गर्न एक अप्रवेक्षित सिकाइ विधि प्रस्ताव गरिएको छ।व्यवस्थित एकीकृत इकोलोजिकल प्रान्त (SAGE) विधिले उच्च ननलाइनर इकोसिस्टम मोडेलहरूमा पारिस्थितिक प्रान्तहरू पहिचान गर्न सक्छ।डाटाको गैर-गाउसियन सहविभाजनमा अनुकूलन गर्नको लागि, SAGE ले आयाम कम गर्न t अनियमित छिमेकी इम्बेडिङ (t-SNE) प्रयोग गर्दछ।घनत्व-आधारित स्थानिय क्लस्टरिङ (DBSCAN) एल्गोरिथ्ममा आधारित ध्वनि अनुप्रयोगको सहयोगमा, एक सय भन्दा बढी पारिस्थितिक प्रान्तहरू पहिचान गर्न सकिन्छ।दूरी मापनको रूपमा पारिस्थितिक भिन्नताहरूसँग जडान नक्सा प्रयोग गर्दै, एक बलियो समग्र पारिस्थितिक प्रान्त (AEP) नेस्टेड पारिस्थितिक प्रान्तहरू मार्फत वस्तुनिष्ठ रूपमा परिभाषित गरिएको छ।AEPs को प्रयोग गरेर, सामुदायिक संरचना मा पोषक तत्व आपूर्ति दर को नियन्त्रण अन्वेषण गरियो।इको-प्रान्त र AEP अद्वितीय छन् र मोडेल व्याख्या गर्न मद्दत गर्न सक्छन्।तिनीहरूले मोडेलहरू बीचको तुलनालाई सहज बनाउन सक्छन् र समुद्री पारिस्थितिकी तंत्रहरूको बुझाइ र निगरानी बढाउन सक्छन्।
प्रान्तहरू क्षेत्रहरू हुन् जहाँ समुद्र वा जमिनमा जटिल जैविक भूगोल सुसंगत र अर्थपूर्ण क्षेत्रहरूमा व्यवस्थित गरिएको छ (१)।यी प्रान्तहरू तुलना र विपरित स्थानहरू, विशेषताहरू अवलोकन, अनुगमन र संरक्षणका लागि धेरै महत्त्वपूर्ण छन्।यी प्रान्तहरू उत्पादन गर्ने जटिल र गैर-रैखिक अन्तरक्रियाहरूले वस्तुनिष्ठ रूपमा प्रान्तहरू निर्धारण गर्नका लागि अनसुपरभाइज्ड मेशिन लर्निङ (ML) विधिहरूलाई धेरै उपयुक्त बनाउँदछ, किनभने डाटामा सहविभाजन जटिल र गैर-गाउसियन छ।यहाँ, एउटा एमएल विधि प्रस्ताव गरिएको छ, जसले डार्विन ग्लोबल थ्रीडी (थ्रीडी) भौतिक/इकोसिस्टम मोडेल (२) बाट व्यवस्थित रूपमा अद्वितीय समुद्री पारिस्थितिकी प्रान्तहरू (इको-प्रान्तहरू) पहिचान गर्दछ।"अद्वितीय" शब्द पहिचान गरिएको क्षेत्र अन्य क्षेत्रहरूसँग पर्याप्त रूपमा ओभरल्याप गर्दैन भनेर संकेत गर्न प्रयोग गरिन्छ।यो विधिलाई प्रणाली एकीकृत पारिस्थितिक प्रान्त (SAGE) विधि भनिन्छ।उपयोगी वर्गीकरण गर्नको लागि, एल्गोरिदम विधिलाई अनुमति दिन आवश्यक छ (i) विश्वव्यापी वर्गीकरण र (ii) अन्तरिक्ष र समय (3) मा नेस्टेड/एकत्रित गर्न सकिने बहु-स्केल विश्लेषण।यस अनुसन्धानमा, SAGE विधि पहिलो प्रस्ताव गरिएको थियो र पहिचान गरिएका पारिस्थितिक प्रान्तहरू छलफल गरियो।इको-प्रान्तहरूले सामुदायिक संरचनालाई नियन्त्रण गर्ने कारकहरूको बुझाइलाई बढावा दिन सक्छन्, अनुगमन रणनीतिहरूको लागि उपयोगी अन्तर्दृष्टि प्रदान गर्न सक्छन्, र इकोसिस्टममा भएका परिवर्तनहरू ट्र्याक गर्न मद्दत गर्छन्।
स्थलीय प्रान्तहरूलाई सामान्यतया जलवायु (वर्षा र तापक्रम), माटो, वनस्पति र जीवजन्तुमा समानता अनुसार वर्गीकरण गरिन्छ र सहायक व्यवस्थापन, जैविक विविधता अनुसन्धान र रोग नियन्त्रणका लागि प्रयोग गरिन्छ (१, ४)।समुद्री प्रान्तहरू परिभाषित गर्न गाह्रो छ।धेरैजसो जीवहरू तरल सीमाहरू सहित माइक्रोस्कोपिक हुन्छन्।Longhurst et al।(५) वातावरणीय अवस्थाहरूमा आधारित समुद्र विज्ञान मन्त्रालयको पहिलो विश्वव्यापी वर्गीकरण प्रदान गरियो।यी "Longhurst" प्रान्तहरूको परिभाषामा मिश्रण दर, स्तरीकरण, र विकिरण जस्ता चरहरू समावेश छन्, साथै समुद्री पारिस्थितिकी तंत्रका लागि अन्य महत्त्वपूर्ण अवस्थाहरू भएका समुद्री महासागरविद्को रूपमा Longhurst को व्यापक अनुभव।Longhurst व्यापक रूपमा प्रयोग गरिएको छ, उदाहरणका लागि, प्राथमिक उत्पादन र कार्बन फ्लक्स, सहायता माछापालन, र स्थिति अवलोकन गतिविधिहरूमा योजना (5-9) को मूल्याङ्कन गर्न।प्रान्तहरूलाई अझ वस्तुनिष्ठ रूपमा परिभाषित गर्नको लागि, फज्जी तर्क र क्षेत्रीय असुरक्षित क्लस्टरिङ/आंकड़ाहरू जस्ता विधिहरू प्रयोग गरिएका छन् (९-१४)।त्यस्ता विधिहरूको उद्देश्य उपलब्ध अवलोकन डेटामा प्रान्तहरू पहिचान गर्न सक्ने अर्थपूर्ण संरचनाहरू पहिचान गर्नु हो।उदाहरणका लागि, गतिशील समुद्री प्रान्तहरू (12) आवाज कम गर्न स्व-व्यवस्थित नक्साहरू प्रयोग गर्छन्, र क्षेत्रीय उपग्रहहरू [क्लोरोफिल ए (Chl-a), सामान्यीकृत फ्लोरोसेन्स रेखा उचाइ र समुद्री रंग उत्पादनहरू निर्धारण गर्न श्रेणीबद्ध (रुख-आधारित) क्लस्टरिङ प्रयोग गर्छन्। रंगीन घुलनशील जैविक पदार्थ] र भौतिक क्षेत्र (समुद्रको सतहको तापक्रम र लवणता, निरपेक्ष गतिशील स्थलाकृति र समुद्री बरफ)।
प्लाङ्कटनको सामुदायिक संरचना चिन्ताको विषय हो किनभने यसको पारिस्थितिकीले उच्च पोषक तत्वको स्तर, कार्बन अवशोषण र जलवायुमा ठूलो प्रभाव पार्छ।तैपनि, प्लाङ्कटन समुदाय संरचनामा आधारित विश्वव्यापी पारिस्थितिक प्रान्त निर्धारण गर्न अझै पनि चुनौतीपूर्ण र मायावी लक्ष्य हो।समुद्री रङ उपग्रहहरूले सम्भावित रूपमा फाइटोप्लाङ्क्टनको मोटे-दाना वर्गीकरणमा अन्तर्दृष्टि प्रदान गर्न सक्छन् वा कार्यात्मक समूहहरू (15) को फाइदाहरू सुझाव दिन सक्छन्, तर तिनीहरू हाल सामुदायिक संरचनामा विस्तृत जानकारी प्रदान गर्न असमर्थ छन्।हालैका सर्वेक्षणहरू [जस्तै तारा महासागर (१६)] सामुदायिक संरचनाको अभूतपूर्व मापन प्रदान गर्दै छन्;हाल, विश्वव्यापी स्तरमा विरल इन-सिटू अवलोकनहरू मात्र छन् (१७)।अघिल्लो अध्ययनहरूले बायोकेमिकल समानताहरू (जस्तै प्राथमिक उत्पादन, Chl र उपलब्ध प्रकाश) को निर्धारणमा आधारित "बायोजियोकेमिकल प्रान्त" (12, 14, 18) लाई धेरै हदसम्म निर्धारण गरेको छ।यहाँ, संख्यात्मक मोडेल [डार्विन(2)] आउटपुट गर्न प्रयोग गरिन्छ, र पारिस्थितिक प्रान्त समुदाय संरचना र पोषक प्रवाह अनुसार निर्धारण गरिन्छ।यस अध्ययनमा प्रयोग गरिएको संख्यात्मक मोडेलको विश्वव्यापी कभरेज छ र अवस्थित फिल्ड डाटा (17) र रिमोट सेन्सिङ फिल्डहरू (नोट S1) सँग तुलना गर्न सकिन्छ।यस अध्ययनमा प्रयोग गरिएको संख्यात्मक मोडेल डाटाको विश्वव्यापी कभरेजको फाइदा छ।मोडेल इकोसिस्टममा फाइटोप्लाङ्क्टनका ३५ प्रजाति र जुप्ल्याङ्क्टनका १६ प्रजातिहरू हुन्छन् (कृपया सामग्री र विधिहरू हेर्नुहोस्)।मोडेल प्लाङ्क्टन प्रकारहरू गैर-गाउसियन सहविभाजन संरचनाहरूसँग गैर-रेखीय रूपमा अन्तरक्रिया गर्दछ, त्यसैले साधारण निदान विधिहरू उदीयमान सामुदायिक संरचनाहरूमा अद्वितीय र सुसंगत ढाँचाहरू पहिचान गर्न उपयुक्त छैनन्।यहाँ प्रस्तुत गरिएको SAGE विधिले जटिल डार्विन मोडेलहरूको आउटपुट जाँच गर्न एउटा नयाँ तरिका प्रदान गर्दछ।
डाटा साइंस/एमएल टेक्नोलोजीको शक्तिशाली रूपान्तरण क्षमताहरूले डाटा सहभियतामा जटिल तर बलियो संरचनाहरू प्रकट गर्न अत्यधिक जटिल मोडेल समाधानहरूलाई सक्षम पार्न सक्छ।एक बलियो विधिलाई एक विधिको रूपमा परिभाषित गरिएको छ जसले दिइएको त्रुटि दायरा भित्र परिणामहरूलाई विश्वासपूर्वक पुन: उत्पादन गर्न सक्छ।साधारण प्रणालीहरूमा पनि, बलियो ढाँचा र संकेतहरू निर्धारण गर्न चुनौती हुन सक्छ।जबसम्म अवलोकन गरिएको ढाँचामा नेतृत्व गर्ने औचित्य निर्धारण हुँदैन, उदीयमान जटिलतालाई समाधान गर्न जटिल/गाह्रो लाग्न सक्छ।इकोसिस्टमको संरचना सेट गर्ने मुख्य प्रक्रिया प्रकृतिमा ननलाइनर हो।गैर-रैखिक अन्तरक्रियाहरूको अस्तित्वले बलियो वर्गीकरणलाई भ्रमित गर्न सक्छ, त्यसैले डेटा सहविभाजनको आधारभूत सांख्यिकीय वितरणको बारेमा बलियो अनुमान गर्ने विधिहरूबाट बच्न आवश्यक छ।उच्च-आयामी र गैर-रेखीय डेटा समुद्री विज्ञानमा सामान्य छन् र जटिल, गैर-गौसियन टोपोलोजीको साथ सहप्रसरण संरचना हुन सक्छ।यद्यपि गैर-गौसियन सहविभाजन संरचना भएको डेटाले बलियो वर्गीकरणमा बाधा पुर्‍याउन सक्छ, SAGE विधि उपन्यास हो किनभने यो स्वेच्छाचारी टोपोलोजीहरूसँग क्लस्टरहरू पहिचान गर्न डिजाइन गरिएको हो।
SAGE विधिको लक्ष्य उदीयमान ढाँचाहरूलाई वस्तुगत रूपमा पहिचान गर्नु हो जसले थप पारिस्थितिकीय समझलाई मद्दत गर्न सक्छ।(19) जस्तै क्लस्टर-आधारित कार्यप्रवाह पछ्याउँदै, पारिस्थितिक र पोषक तत्व प्रवाह चरहरू डेटामा मात्र क्लस्टर निर्धारण गर्न प्रयोग गरिन्छ, जसलाई पारिस्थितिक प्रान्त भनिन्छ।यस अध्ययन (चित्र 1) मा प्रस्तावित SAGE विधिले पहिलो प्राथमिकता परिभाषित गरिएको प्लाङ्कटन कार्यात्मक समूहहरूलाई संक्षेप गरेर 55 देखि 11 आयामहरूलाई घटाउँछ (सामग्री र विधिहरू हेर्नुहोस्)।t-random neighbour embedding (t-SNE) विधि प्रयोग गरेर, थ्रीडी स्पेसमा सम्भावना प्रक्षेपण गरेर साइज थप घटाइन्छ।असुरक्षित क्लस्टरिङले पारिस्थितिक रूपमा नजिकका क्षेत्रहरू पहिचान गर्न सक्छ [घनत्व-आधारित स्थानिय क्लस्टरिङ (DBSCAN) आवाज-आधारित अनुप्रयोगहरूको लागि]।T-SNE र DBSCAN दुवै अन्तर्निहित गैर-रैखिक इकोसिस्टम संख्यात्मक मोडेल डेटामा लागू हुन्छन्।त्यसपछि पृथ्वीमा परिणामस्वरूप पारिस्थितिक प्रान्त पुन: प्रोजेक्ट गर्नुहोस्।क्षेत्रीय अनुसन्धानका लागि उपयुक्त एक सयभन्दा बढी अद्वितीय पारिस्थितिकीय प्रान्तहरू पहिचान गरिएका छन्।विश्वव्यापी रूपमा सुसंगत पारिस्थितिक प्रणाली मोडेललाई विचार गर्नको लागि, SAGE विधिलाई पारिस्थितिक प्रान्तहरूको प्रभावकारिता सुधार गर्न समग्र इकोलोजिकल प्रान्तहरू (AEP) मा पारिस्थितिक प्रान्तहरूलाई एकीकृत गर्न प्रयोग गरिन्छ।एकत्रीकरणको स्तर (जसलाई "जटिलता" भनिन्छ) आवश्यक विवरणको स्तरमा समायोजन गर्न सकिन्छ।बलियो AEP को न्यूनतम जटिलता निर्धारण गर्नुहोस्।चयनको फोकस SAGE विधि हो र आपतकालीन सामुदायिक संरचनाको नियन्त्रण निर्धारण गर्न सानो जटिलता AEP मामिलाहरू अन्वेषण गर्दै।ढाँचाहरू त्यसपछि पारिस्थितिक अन्तर्दृष्टि प्रदान गर्न विश्लेषण गर्न सकिन्छ।यहाँ प्रस्तुत गरिएको विधिलाई मोडेल तुलनाको लागि अझ व्यापक रूपमा प्रयोग गर्न सकिन्छ, उदाहरणका लागि, भिन्नता र समानताहरू हाइलाइट गर्न विभिन्न मोडेलहरूमा पाइने समान पारिस्थितिकी प्रान्तहरूको स्थानहरूको मूल्याङ्कन गरेर, मोडेलहरू तुलना गर्न।
(ए) पारिस्थितिक प्रान्त निर्धारण गर्न कार्यप्रवाहको योजनाबद्ध रेखाचित्र;सात कार्यात्मक/पोषक प्लाङ्कटनको बायोमास र चार पोषक तत्व आपूर्ति दरहरू सहित 11-आयामी मोडेल आउटपुटमा मूल 55-आयामी डेटा घटाउन कार्यात्मक समूहमा योग प्रयोग गर्दै।नगण्य मूल्य र टिकाउ बरफ कभर क्षेत्र।तथ्याङ्कलाई मानकीकृत र मानकीकृत गरिएको छ।t-SNE एल्गोरिथ्ममा 11-आयामी डेटा प्रदान गर्नुहोस् सांख्यिकीय रूपमा समान विशेषता संयोजनहरू हाइलाइट गर्न।DBSCAN ले प्यारामिटर मान सेट गर्न क्लस्टरलाई सावधानीपूर्वक चयन गर्नेछ।अन्तमा डेटालाई फिर्ता अक्षांश/देशान्तर प्रक्षेपणमा प्रोजेक्ट गर्नुहोस्।कृपया नोट गर्नुहोस् कि यो प्रक्रिया 10 पटक दोहोर्याइएको छ किनभने t-SNE लागू गरेर थोरै अनियमितता उत्पन्न हुन सक्छ।(B) 10 पटक (A) मा कार्यप्रवाह दोहोर्याएर AEP कसरी प्राप्त गर्ने भनेर व्याख्या गर्दछ।यी 10 कार्यान्वयनहरू मध्ये प्रत्येकको लागि, अन्तर-प्रान्तीय Bray-Curtis (BC) भिन्नता म्याट्रिक्स 51 फाइटोप्लाङ्क्टन प्रकारको बायोमासको आधारमा निर्धारण गरिएको थियो।जटिलता 1 AEP बाट पूर्ण जटिलता 115 सम्म, प्रान्तहरू बीच BC भिन्नता निर्धारण गर्नुहोस्। BC बेन्चमार्क Longhurst प्रान्त द्वारा सेट गरिएको छ।
SAGE विधिले पारिस्थितिक प्रान्त परिभाषित गर्न विश्वव्यापी 3D भौतिक/इकोसिस्टम संख्यात्मक मोडेलको आउटपुट प्रयोग गर्दछ [डार्विन (2);सामग्री र विधिहरू र नोट S1 हेर्नुहोस्]।इकोसिस्टमका अवयवहरू 35 प्रजातिका फाइटोप्लाङ्क्टन र 16 प्रजातिका जूप्ल्याङ्क्टनहरू मिलेर बनेका छन्, जसमा सात पूर्वनिर्धारित कार्यात्मक समूहहरू छन्: कम पोषक वातावरणमा अनुकूल प्रोकारियोट र युकेरियोटहरू, क्याल्सियम कार्बोनेट कोटिंग भएको कोकिडिया, र हेवी मिस्लिएनट्रोजेन (नाइट्रोजेन)। महत्त्वपूर्ण पोषक तत्वहरू), सिलिसियस आवरणको साथ, अन्य प्लाङ्क्टन प्रकाश संश्लेषण र मिश्रित पोषक तत्व फ्ल्यागेलेटहरू र zooplankton गोठालाहरू चराउन सक्छ।साइज स्प्यान 0.6 देखि 2500μm बराबर गोलाकार व्यास हो।फाइटोप्लाङ्क्टनको आकार र कार्यात्मक समूहीकरणको मोडेल वितरणले उपग्रह र इन-सीटु अवलोकनहरूमा देखिएका समग्र विशेषताहरूलाई क्याप्चर गर्दछ (चित्र S1 देखि S3 हेर्नुहोस्)।संख्यात्मक मोडेल र अवलोकन महासागर बीचको समानताले संकेत गर्दछ कि मोडेल द्वारा परिभाषित प्रान्तहरू इन-सीटु महासागरमा लागू हुन सक्छ।कृपया ध्यान दिनुहोस् कि यो मोडेलले फाइटोप्लाङ्क्टनको निश्चित विविधतालाई मात्र कब्जा गर्दछ, र केवल केही भौतिक र रासायनिक फोर्सिङ दायराहरू सिटु महासागरमा।SAGE विधिले मानिसहरूलाई मोडेल सामुदायिक संरचनाको उच्च क्षेत्रीय नियन्त्रण संयन्त्रलाई अझ राम्रोसँग बुझ्न सक्षम बनाउन सक्छ।
प्रत्येक प्लाङ्कटन कार्यात्मक समूहमा सतह बायोमासको योगफल (औसत 20 वर्षको साथ) मात्र समावेश गरेर, डाटाको आयाम घटाउन सकिन्छ।पहिलेका अध्ययनहरूले सामुदायिक संरचना सेटिङमा आफ्नो मुख्य भूमिका देखाएपछि, यसले पोषक तत्व प्रवाहहरू (नाइट्रोजन, फलाम, फस्फेट र सिलिकिक एसिडको आपूर्ति) [जस्तै (20, 21)] को लागि सतह स्रोत सर्तहरू पनि समावेश गरेको थियो।कार्यात्मक समूहहरूको योगले समस्यालाई 55 (51 प्लङ्कटन र 4 पोषक तत्व प्रवाहहरू) बाट 11 आयामहरूमा घटाउँछ।यस प्रारम्भिक अध्ययनमा, एल्गोरिदम द्वारा लगाइएको कम्प्युटेशनल अवरोधहरूको कारण, गहिराई र समय परिवर्तनशीलतालाई विचार गरिएन।
SAGE विधिले nonlinear प्रक्रियाहरू र कार्यात्मक समूह बायोमास र पोषक प्रवाह बीच अन्तरक्रिया को मुख्य विशेषताहरु बीच महत्वपूर्ण सम्बन्ध पहिचान गर्न सक्षम छ।इक्लिडियन दूरी सिकाइ विधिहरूमा आधारित 11-आयामी डेटा प्रयोग गरेर (जस्तै K-means) भरपर्दो र पुन: उत्पादन योग्य प्रान्तहरू प्राप्त गर्न सक्दैन (19, 22)।यो किनभने पारिस्थितिक प्रान्त परिभाषित गर्ने मुख्य तत्वहरूको सहविभाजनको आधारभूत वितरणमा कुनै गौसियन आकार फेला पर्दैन।Voronoi कोशिकाहरू (सीधा रेखाहरू) को K-अर्थहरूले गैर-गाउसियन आधारभूत वितरणलाई कायम राख्न सक्दैन।
सात प्लैंकटन कार्यात्मक समूहहरू र चार पोषक तत्व प्रवाहहरूको बायोमासले 11-आयामी भेक्टर x बनाउँछ।त्यसकारण, x मोडेल ग्रिडमा भेक्टर क्षेत्र हो, जहाँ प्रत्येक तत्व xi ले मोडेल तेर्सो ग्रिडमा परिभाषित ११-आयामी भेक्टर प्रतिनिधित्व गर्दछ।प्रत्येक अनुक्रमणिका i ले गोलामा ग्रिड बिन्दुलाई विशिष्ट रूपमा पहिचान गर्दछ, जहाँ (lon, lat) = (ϕi, θi)।यदि मोडेल ग्रिड इकाईको बायोमास 1.2×10-3mg Chl/m3 भन्दा कम छ वा बरफ कभरेज दर 70% भन्दा बढी छ भने, बायोमास डेटाको लग प्रयोग गरिन्छ र खारेज गरिन्छ।डाटा सामान्यीकृत र मानकीकृत छ, त्यसैले सबै डाटा [0 देखि 1] को दायरामा छन्, मतलब हटाइएको छ र एकाइ भिन्नता मा मापन गरिएको छ।यो यसरी गरिन्छ कि सुविधाहरू (बायोमास र पोषक तत्व प्रवाह) सम्भावित मानहरूको दायरामा विपरित द्वारा सीमित छैनन्।क्लस्टरिङले भौगोलिक दूरीको सट्टा विशेषताहरू बीचको प्रमुख सम्भाव्यता दूरीबाट परिवर्तन सम्बन्धलाई क्याप्चर गर्नुपर्छ।यी दूरीहरू परिमाण गरेर, महत्त्वपूर्ण विशेषताहरू देखा पर्छन्, जबकि अनावश्यक विवरणहरू खारेज गरिन्छ।पारिस्थितिक दृष्टिकोणबाट, यो आवश्यक छ किनभने थोरै बायोमास भएका केही प्रकारका फाइटोप्लाङ्क्टनमा डाइजोट्रोफिक ब्याक्टेरियाद्वारा नाइट्रोजन फिक्सेशन जस्ता जैव-रासायनिक प्रभावहरू हुन सक्छन्।डेटाको मानकीकरण र सामान्यीकरण गर्दा, यी प्रकारका कोभिएरहरू हाइलाइट गरिनेछ।
न्यून-आयामी प्रतिनिधित्वमा उच्च-आयामी ठाउँमा सुविधाहरूको निकटतालाई जोड दिएर, T-SNE एल्गोरिदम अवस्थित समान क्षेत्रहरूलाई स्पष्ट बनाउन प्रयोग गरिन्छ।रिमोट सेन्सिङ एप्लिकेसनहरूका लागि गहिरो न्यूरल नेटवर्कहरू निर्माण गर्ने लक्ष्य राखिएको अघिल्लो कामले t-SNE प्रयोग गर्‍यो, जसले मुख्य विशेषताहरू (23) छुट्याउन आफ्नो सीप प्रमाणित गर्‍यो।यो गैर-कन्भर्जेन्ट समाधानहरू (नोट S2) बेवास्ता गर्दा सुविधा डेटामा बलियो क्लस्टरिङ पहिचान गर्न आवश्यक कदम हो।Gaussian कर्नेलहरू प्रयोग गरेर, t-SNE ले प्रत्येक उच्च-आयामी वस्तुलाई 3D चरण अन्तरिक्षमा एक बिन्दुमा म्याप गरेर डाटाको सांख्यिकीय गुणहरू सुरक्षित गर्दछ, जसले गर्दा उच्च र निम्न दिशाहरूमा समान वस्तुहरूको सम्भावना उच्च-मा उच्च छ भनेर सुनिश्चित गर्दछ। आयामी ठाउँ (24)।N उच्च-आयामी वस्तुहरू x1,…,xN को सेट दिएर, t-SNE एल्गोरिथ्मले Kullback-Leibler (KL) विचलन (25) लाई न्यूनिकरण गरेर घटाउँछ।KL विचलन दोस्रो सन्दर्भ सम्भाव्यता वितरणबाट सम्भाव्यता वितरण कत्तिको फरक छ भन्ने मापन हो, र उच्च-आयामी विशेषताहरूको निम्न-आयामी प्रतिनिधित्वहरू बीचको सम्बन्धको सम्भावनालाई प्रभावकारी रूपमा मूल्याङ्कन गर्न सक्छ।यदि xi N-आयामिक स्पेसमा i-th वस्तु हो, xj N-आयामी स्पेसमा j-th वस्तु हो, yi कम-आयामी स्पेसमा i-th वस्तु हो, र yj कममा j-th वस्तु हो। -आयामिक स्पेस, त्यसपछि t -SNE ले समानता सम्भाव्यता परिभाषित गर्दछ ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2), र आयाम घटाउने सेटको लागि q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
चित्र 2A ले 11-आयामी संयोजनको बायोमास र पोषक तत्व प्रवाह भेक्टरहरूलाई 3D मा घटाउने प्रभावलाई चित्रण गर्दछ।t-SNE लागू गर्ने प्रेरणालाई प्रिन्सिपल कम्पोनेन्ट एनालिसिस (PCA) को प्रेरणासँग तुलना गर्न सकिन्छ, जसले डेटाको क्षेत्र/विशेषतालाई जोड दिन भिन्नता विशेषता प्रयोग गर्दछ, जसले गर्दा आयाम घटाउँछ।T-SNE विधि Eco-Ministry को लागि भरपर्दो र पुन: उत्पादन योग्य नतिजाहरू प्रदान गर्नमा PCA भन्दा उच्च रहेको पाइयो (नोट S2 हेर्नुहोस्)।यो हुन सक्छ किनभने PCA को orthogonality अनुमान उच्च ननलाइनर अन्तरक्रियात्मक सुविधाहरू बीचको महत्वपूर्ण अन्तरक्रियाहरू पहिचान गर्न उपयुक्त छैन, किनकि PCA रैखिक सह-विभाजन संरचनाहरूमा केन्द्रित छ (26)।रिमोट सेन्सिङ डाटा प्रयोग गरेर, लुंगा एट अल।(27) गाउसियन वितरणबाट विचलित जटिल र गैररेखीय वर्णक्रमीय सुविधाहरू हाइलाइट गर्न SNE विधि कसरी प्रयोग गर्ने भनेर वर्णन गर्दछ।
(A) T-SNE एल्गोरिथ्म द्वारा कोरिएको र DBSCAN प्रयोग गरी प्रान्तद्वारा रंगिएको एक मोडेल गरिएको पोषक आपूर्ति दर, फाइटोप्लाङ्क्टन र zooplankton कार्यात्मक समूह बायोमास।चित्र 6B मा देखाइए अनुसार प्रत्येक बिन्दुले उच्च-आयामी ठाउँमा एउटा बिन्दुलाई प्रतिनिधित्व गर्दछ, धेरैजसो बिन्दुहरू क्याप्चर गरिएका छन्।शाफ्टहरूले "t-SNE" आकारहरू 1, 2 र 3 लाई बुझाउँछ। (B) DBSCAN ले उत्पत्तिको अक्षांश-देशान्तर ग्रिडमा फेला पारेको प्रान्तको भौगोलिक प्रक्षेपण।रङ कुनै पनि रङको रूपमा मानिन्छ, तर (A) सँग मेल खानुपर्छ।
चित्र 2A मा t-SNE स्क्याटर प्लटका बिन्दुहरू क्रमशः अक्षांश र देशान्तरसँग सम्बन्धित छन्।यदि चित्र 2A मा दुईवटा बिन्दुहरू एकअर्काको नजिक छन् भने, यो किनभने तिनीहरूको बायोमास र पोषक तत्वहरू समान छन्, भौगोलिक निकटताको कारणले होइन।चित्र 2A मा रङहरू DBSCAN विधि (28) प्रयोग गरेर पत्ता लगाइएका क्लस्टरहरू हुन्।घना अवलोकनहरू खोज्दा, DBSCAN एल्गोरिदमले बिन्दुहरू (ϵ = 0.39; यस छनौटको बारेमा जानकारीको लागि, सामग्री र विधिहरू हेर्नुहोस्) बीचको थ्रीडी प्रतिनिधित्वमा दूरी प्रयोग गर्दछ, र क्लस्टर परिभाषित गर्न समान बिन्दुहरूको संख्या आवश्यक छ (यहाँ 100 अंक, कृपया माथि हेर्नुहोस्)।DBSCAN विधिले डेटाको आकार वा समूहहरूको संख्याको बारेमा कुनै पनि अनुमान गर्दैन, जस्तै तल देखाइएको छ:
3) भित्रको दूरी भित्रको रूपमा पहिचान गरिएका सबै बिन्दुहरूको लागि, क्लस्टर सीमा निर्धारण गर्न चरण 2 पुनरावृत्ति दोहोर्याउनुहोस्।यदि बिन्दुहरूको संख्या सेट गरिएको न्यूनतम मान भन्दा ठूलो छ भने, यसलाई क्लस्टरको रूपमा तोकिएको छ।
न्यूनतम क्लस्टर सदस्य र दूरी ϵ मेट्रिक पूरा नगर्ने डेटालाई "शोर" मानिन्छ र रङ तोकिएको छैन।DBSCAN सबैभन्दा खराब अवस्थामा O(n2) कार्यसम्पादन भएको द्रुत र स्केलेबल एल्गोरिदम हो।हालको विश्लेषणको लागि, यो वास्तवमा यादृच्छिक छैन।बिन्दुहरूको न्यूनतम संख्या विशेषज्ञ मूल्याङ्कन द्वारा निर्धारण गरिन्छ।पछि दूरी समायोजन गरेपछि, परिणाम ≈±10 को दायरामा पर्याप्त स्थिर छैन।यो दूरी जडान (चित्र 6A) र महासागर कभरेज प्रतिशत (चित्र 6B) प्रयोग गरेर सेट गरिएको छ।जडानलाई क्लस्टरहरूको समग्र संख्याको रूपमा परिभाषित गरिएको छ र ϵ प्यारामिटरमा संवेदनशील छ।तल्लो जडानले अपर्याप्त फिटिंग, कृत्रिम रूपमा क्षेत्रहरूलाई एकसाथ समूहबद्ध गर्ने संकेत गर्दछ।उच्च जडानले ओभरफिटिंगलाई संकेत गर्दछ।यो एक उच्च न्यूनतम प्रयोग गर्न को लागी कल्पना गर्न सकिन्छ, तर यदि न्यूनतम ca भन्दा बढी छ, यो एक भरपर्दो समाधान प्राप्त गर्न असम्भव छ।135 (थप विवरणहरूको लागि, सामग्री र विधिहरू हेर्नुहोस्)।
चित्र 2A मा पहिचान गरिएका 115 क्लस्टरहरूलाई चित्र 2B मा पृथ्वीमा फिर्ता प्रक्षेपण गरिएको छ।प्रत्येक रङ DBSCAN द्वारा पहिचान गरिएको बायोजियोकेमिकल र पारिस्थितिक कारकहरूको सुसंगत संयोजनसँग मेल खान्छ।एक पटक क्लस्टरहरू निर्धारण भएपछि, चित्र 2A मा प्रत्येक बिन्दुको एक विशिष्ट अक्षांश र देशान्तरको साथ क्लस्टरहरूलाई भौगोलिक क्षेत्रमा फिर्ता प्रोजेक्ट गर्न प्रयोग गरिन्छ।चित्र 2B ले चित्र 2A को रूपमा उही क्लस्टर रङहरूसँग चित्रण गर्दछ।समान रङहरूलाई पारिस्थितिक समानताको रूपमा व्याख्या गरिनु हुँदैन, किनभने तिनीहरू एल्गोरिदमद्वारा क्लस्टरहरू पत्ता लगाउने क्रममा तोकिएका हुन्छन्।
चित्र 2B मा रहेको क्षेत्र गुणात्मक रूपमा समुद्रको भौतिक र/वा जैविक रसायनमा स्थापित क्षेत्रसँग मिल्दोजुल्दो हुन सक्छ।उदाहरणका लागि, दक्षिणी महासागरका क्लस्टरहरू क्षेत्र-सममित छन्, ओलिगोट्रोफिक भोर्टिसहरू देखा पर्छन्, र तीव्र संक्रमणले व्यापारिक हावाको प्रभावलाई संकेत गर्दछ।उदाहरणका लागि, भूमध्य रेखा प्रशान्तमा, वृद्धिसँग सम्बन्धित विभिन्न क्षेत्रहरू देखिएका छन्।
इको-प्रान्तको पारिस्थितिक वातावरण बुझ्नको लागि, क्लस्टरमा पारिस्थितिकी मूल्याङ्कन गर्न Bray-Curtis (BC) भिन्नता सूचकांक (29) को एक भिन्नता प्रयोग गरिएको थियो।BC सूचक एक सांख्यिकीय डेटा हो जुन दुई फरक साइटहरू बीचको सामुदायिक संरचनामा भिन्नता मापन गर्न प्रयोग गरिन्छ।BC मापन फाइटोप्लाङ्क्टन र zooplankton BCninj = 1-2CninjSni + Snj को 51 प्रजातिहरूको बायोमासमा लागू हुन्छ।
BCninj ले संयोजन ni र संयोजन nj बीचको समानतालाई बुझाउँछ, जहाँ Cninj एकल प्रकारको बायोमासको न्यूनतम मान हो जुन ni र nj दुवै संयोजनहरूमा अवस्थित हुन्छ, र Sni ले ni र Snj दुवै संयोजनहरूमा अवस्थित सबै बायोमासहरूको योगलाई प्रतिनिधित्व गर्दछ।BC भिन्नता दूरी मापन जस्तै हो, तर गैर-युक्लिडियन स्पेसमा काम गर्दछ, जुन पारिस्थितिक डेटा र यसको व्याख्याको लागि अधिक उपयुक्त हुन सक्छ।
चित्र 2B मा पहिचान गरिएको प्रत्येक क्लस्टरको लागि, अन्तर-प्रान्तीय र अन्तर-प्रदेशीय BC को समानता मूल्याङ्कन गर्न सकिन्छ।प्रान्त भित्रको BC भिन्नताले प्रान्तको औसत मान र प्रान्तको प्रत्येक बिन्दु बीचको भिन्नतालाई जनाउँछ।BC प्रान्तहरू बीचको भिन्नताले एक प्रान्त र अन्य प्रान्तहरू बीचको समानतालाई जनाउँछ।चित्र 3A ले सममित BC म्याट्रिक्स देखाउँछ (0, कालो: पूर्ण रूपमा सम्बन्धित; 1, सेतो: पूर्ण रूपमा भिन्न)।ग्राफमा प्रत्येक रेखाले डेटामा ढाँचा देखाउँछ।चित्र 3B ले प्रत्येक प्रान्तको लागि चित्र 3A मा BC को नतिजाहरूको भौगोलिक महत्त्व देखाउँछ।कम पोषण र न्यून-पोषक क्षेत्र भएको प्रान्तको लागि, चित्र 3B ले भूमध्य रेखा र हिन्द महासागर वरपरका ठूला क्षेत्रहरूको सममितता मूल रूपमा समान छ, तर उच्च अक्षांश र उकालो क्षेत्रहरू उल्लेखनीय रूपमा फरक छन्।
(A) BC भिन्नताको डिग्री प्रत्येक प्रान्तको लागि मूल्याङ्कन गरिएको विश्वव्यापी २०-वर्षको औसत विश्वव्यापी सतहको औसत ५१ प्लाङ्क्टनको आधारमा।मानहरूको अपेक्षित सममिति नोट गर्नुहोस्।(B) स्तम्भ (वा पङ्क्ति) को स्थानिक प्रक्षेपण।डिस्ट्रोफिक सर्कलमा रहेको प्रान्तको लागि, BC समानता मापनको विश्वव्यापी वितरण मूल्याङ्कन गरिएको थियो, र विश्वव्यापी 20-वर्षको औसत मूल्याङ्कन गरिएको थियो।कालो (BC = 0) को अर्थ समान क्षेत्र हो, र सेतो (BC = 1) को अर्थ कुनै समानता छैन।
चित्र 4A ले चित्र 2B मा प्रत्येक प्रान्त भित्र BC मा भिन्नतालाई चित्रण गर्दछ।क्लस्टरमा औसत क्षेत्रफलको औसत संयोजन प्रयोग गरेर, र BC र प्रान्तको प्रत्येक ग्रिड बिन्दुको औसत बीचको भिन्नता निर्धारण गरेर, यसले देखाउँछ कि SAGE विधिले पारिस्थितिक समानताको आधारमा 51 प्रजातिहरूलाई राम्रोसँग अलग गर्न सक्छ। मोडेल डाटा।सबै 51 प्रकारहरूको समग्र औसत क्लस्टर BC भिन्नता 0.102± 0.0049 हो।
(A, B, र D) प्रान्त भित्रको BC भिन्नतालाई प्रत्येक ग्रिड बिन्दु समुदाय र औसत प्रान्त बीचको औसत BC भिन्नताको रूपमा मूल्याङ्कन गरिन्छ, र जटिलता घटाइएको छैन।(२) विश्वव्यापी औसत अन्तर-प्रान्तीय BC भिन्नता ०.२२७±०.११७ हो।यो यस कार्य द्वारा प्रस्तावित पारिस्थितिक प्रेरणा आधारित वर्गीकरण को बेन्चमार्क हो [(C) मा हरियो रेखा]।(C) औसत अन्तर-प्रान्तीय BC भिन्नता: कालो रेखाले बढ्दो जटिलताको साथ अन्तर-प्रान्तीय BC भिन्नतालाई प्रतिनिधित्व गर्दछ।2σ इको-प्रान्त पहिचान प्रक्रियाको 10 पुनरावृत्तिबाट आउँछ।DBSCAN द्वारा पत्ता लगाएका प्रान्तहरूको कुल जटिलताका लागि, (A) ले प्रान्तमा BC असमानता ०.०९९ रहेको देखाउँछ, र (C) द्वारा प्रस्तावित जटिलता वर्गीकरण १२ हो, फलस्वरूप प्रान्तमा BC असमानता ०.२०० छ।जसरी चित्रले देखाउँछ।(डी)।
चित्र 4B मा, लङहर्स्ट प्रान्तमा BC बराबरको भिन्नतालाई प्रतिनिधित्व गर्न 51 प्लाङ्क्टन प्रकारको बायोमास प्रयोग गरिएको छ।प्रत्येक प्रान्तको समग्र औसत ०.२२७ छ, र BC प्रान्तको भिन्नताको सन्दर्भमा ग्रिड बिन्दुहरूको मानक विचलन ०.०४६ छ।यो चित्र 1B मा पहिचान गरिएको क्लस्टर भन्दा ठूलो छ।यसको सट्टा, सात कार्यात्मक समूहहरूको योगफल प्रयोग गरेर, लङहर्स्टमा औसत अन्तर-सिजन BC भिन्नता ०.२३२ मा बढ्यो।
ग्लोबल इको-प्रान्तको नक्साले अनौठो पारिस्थितिक अन्तरक्रियाको जटिल विवरणहरू प्रदान गर्दछ र लङहर्स्ट प्रान्तको सम्पूर्ण पारिस्थितिकी प्रणालीको संरचना प्रयोग गरेर सुधारहरू गरिएको छ।इकोलोजी मन्त्रालयले संख्यात्मक मोडेल इकोसिस्टम नियन्त्रण गर्ने प्रक्रियामा अन्तरदृष्टि प्रदान गर्ने अपेक्षा गरिएको छ, र यो अन्तरदृष्टिले क्षेत्रीय कार्यको अन्वेषणमा मद्दत गर्नेछ।यस अनुसन्धानको उद्देश्यका लागि, एक सय भन्दा बढी प्रदेशहरू पूर्ण रूपमा प्रदर्शन गर्न सम्भव छैन।अर्को खण्डले SAGE विधिको परिचय दिन्छ जसले प्रान्तहरूको सारांश दिन्छ।
प्रान्तको एक उद्देश्य प्रान्तको स्थान र व्यवस्थापनको बुझाइ प्रवर्द्धन गर्नु हो।आपतकालीन अवस्थाहरू निर्धारण गर्न, चित्र 1B मा रहेको विधिले पारिस्थितिक रूपमा समान प्रान्तहरूको गुँड चित्रण गर्दछ।पारिस्थितिक समानताको आधारमा इको-प्रान्तहरू एकसाथ समूहबद्ध हुन्छन्, र प्रान्तहरूको यस्तो समूहलाई AEP भनिन्छ।विचार गरिने प्रान्तहरूको कुल संख्याको आधारमा समायोजन योग्य "जटिलता" सेट गर्नुहोस्।"जटिलता" शब्द प्रयोग गरिन्छ किनभने यसले आपतकालीन विशेषताहरूको स्तर समायोजन गर्न अनुमति दिन्छ।अर्थपूर्ण एकत्रीकरणहरू परिभाषित गर्न, लङहर्स्टबाट ०.२२७ को औसत अन्तर-प्रान्तीय BC भिन्नतालाई बेन्चमार्कको रूपमा प्रयोग गरिन्छ।यो बेन्चमार्क मुनि, संयुक्त प्रदेश अब उपयोगी मानिने छैन।
चित्र 3B मा देखाइए अनुसार, विश्वव्यापी पारिस्थितिक प्रान्तहरू सुसंगत छन्।अन्तर-प्रान्तीय BC भिन्नताहरू प्रयोग गरेर, यो देख्न सकिन्छ कि केहि कन्फिगरेसनहरू धेरै "सामान्य" छन्।आनुवंशिकी र ग्राफ सिद्धान्त विधिहरूबाट प्रेरित भएर, तिनीहरूसँग मिल्दोजुल्दो प्रान्तहरूमा आधारित > १०० प्रान्तहरू क्रमबद्ध गर्न "जडित ग्राफहरू" प्रयोग गरिन्छ।यहाँ "कनेक्टिभिटी" मेट्रिक अन्तर-प्रान्तीय BC भिन्नता (30) प्रयोग गरेर निर्धारण गरिएको छ।100 प्रदेशको वर्गीकरणको लागि ठूलो ठाउँ भएका प्रदेशहरूको संख्यालाई यहाँ जटिलता भन्न सकिन्छ।AEP एउटा उत्पादन हो जसले १०० भन्दा बढी प्रान्तहरूलाई सबैभन्दा प्रभावशाली/नजिक पारिस्थितिक प्रान्तहरूको रूपमा वर्गीकृत गर्दछ।प्रत्येक पारिस्थितिक प्रान्तलाई प्रभावशाली/उच्च जोडिएको इकोलोजिकल प्रान्तलाई तोकिएको छ जुन तिनीहरूसँग सबैभन्दा मिल्दोजुल्दो छ।BC भिन्नता द्वारा निर्धारण गरिएको यो एकत्रीकरणले विश्वव्यापी पारिस्थितिकीमा नेस्टेड दृष्टिकोणलाई अनुमति दिन्छ।
चयन गरिएको जटिलता 1 देखि FIG को पूर्ण जटिलता सम्म कुनै पनि मान हुन सक्छ।2A।कम जटिलतामा, एईपी सम्भावित आयाम घटाउने चरण (t-SNE) को कारणले पतन हुन सक्छ।डिजेनेरेसी भनेको इकोलोजिकल प्रान्तहरूलाई पुनरावृत्तिहरू बीचको विभिन्न एईपीहरूलाई तोक्न सकिन्छ, जसले गर्दा कभर गरिएको भौगोलिक क्षेत्र परिवर्तन हुन्छ।चित्र 4C ले 10 कार्यान्वयनहरूमा बढ्दो जटिलताको AEPs मा प्रान्तहरू भित्र BC असमानताहरूको फैलावटलाई चित्रण गर्दछ (चित्र 1B मा चित्रण)।चित्र 4C मा, 2σ (नीलो क्षेत्र) 10 कार्यान्वयनहरूमा गिरावटको मापन हो, र हरियो रेखाले Longhurst बेन्चमार्क प्रतिनिधित्व गर्दछ।तथ्यहरूले प्रमाणित गरेको छ कि 12 को जटिलताले प्रान्तमा BC भिन्नतालाई सबै कार्यान्वयनहरूमा Longhurst बेन्चमार्क भन्दा तल राख्न सक्छ र अपेक्षाकृत सानो 2σ गिरावट कायम राख्न सक्छ।संक्षेपमा, न्यूनतम सिफारिस गरिएको जटिलता १२ AEPs हो, र 51 प्लाङ्कटन प्रकारहरू प्रयोग गरी मूल्याङ्कन गरिएको औसत अन्तर-प्रान्त BC भिन्नता 0.198±0.013 हो, चित्र 4D मा देखाइए अनुसार।सात प्लाङ्कटन कार्यात्मक समूहहरूको योगफल प्रयोग गरेर, प्रान्त भित्रको औसत BC भिन्नता ०.१९८±०.००४ को सट्टा २σ हुन्छ।सात कार्यात्मक समूहहरूको कुल बायोमास वा सबै 51 प्लैंकटन प्रकारहरूको बायोमाससँग गणना गरिएको BC भिन्नताहरू बीचको तुलनाले देखाउँछ कि SAGE विधि 51-आयामी परिस्थितिमा लागू भए पनि, यो सात कार्यात्मक समूहहरूको कुल बायोमासको लागि हो। तालिमको लागि।
कुनै पनि अनुसन्धानको उद्देश्यमा निर्भर गर्दै, जटिलताको विभिन्न स्तरहरू विचार गर्न सकिन्छ।क्षेत्रीय अध्ययन पूरा जटिलता आवश्यक हुन सक्छ (अर्थात्, सबै 115 प्रान्तहरू)।उदाहरणको रूपमा र स्पष्टताको लागि, 12 को न्यूनतम सिफारिस गरिएको जटिलतालाई विचार गर्नुहोस्।
SAGE विधि को उपयोगिता को एक उदाहरण को रूप मा, 12 को न्यूनतम जटिलता संग 12 AEPs को आपतकालीन सामुदायिक संरचना को नियन्त्रण को अन्वेषण गर्न को लागी यहाँ प्रयोग गरिन्छ।चित्र 5 ले AEP (A देखि L सम्म) द्वारा समूहबद्ध पारिस्थितिक अन्तरदृष्टिहरू चित्रण गर्दछ: Redfield stoichiometry मा, भौगोलिक सीमा (चित्र 5C), कार्यात्मक समूह बायोमास संरचना (चित्र 5A) र पोषक तत्व आपूर्ति (चित्र 5B) N जुम द्वारा प्रदर्शन गरिन्छ।अनुपात (N:Si:P:Fe, 1:1:16:16×103) देखाइएको छ।पछिल्लो प्यानलको लागि, P लाई 16 र Fe लाई 16 × 103 ले गुणा गरियो, त्यसैले बार ग्राफ फाइटोप्लाङ्क्टनको पोषण आवश्यकताहरूसँग बराबर हुन्छ।
प्रान्तहरूलाई १२ प्रान्तहरूमा इकोसिस्टमको १२ AEPs A देखि L. (A) बायोमास (mgC/m3) मा वर्गीकृत गरिएको छ।(B) घुलनशील अकार्बनिक नाइट्रोजन (N), फलाम (Fe), फास्फेट (P) र सिलिकिक एसिड (Si) (mmol/m3 प्रति वर्ष) को पोषक प्रवाह दर।Fe र P लाई क्रमशः 16 र 16×103 ले गुणन गरिन्छ, जसले गर्दा स्ट्रिपहरूलाई फाइटोप्लाङ्क्टन स्टोइचियोमेट्री आवश्यकताहरूमा मानकीकृत गरिन्छ।(C) ध्रुवीय क्षेत्रहरू, उपोष्णकटिबंधीय चक्रवातहरू र प्रमुख मौसमी/बढ्दो क्षेत्रहरू बीचको भिन्नतालाई ध्यान दिनुहोस्।अनुगमन स्टेशनहरूलाई निम्नानुसार चिन्ह लगाइएको छ: 1, सीटहरू;२, अलोहा;3, स्टेशन P;र 4, BATS।
पहिचान गरिएको AEP अद्वितीय छ।एट्लान्टिक र प्रशान्त महासागरमा भूमध्य रेखा वरिपरि केही सममिति छ, र हिन्द महासागरमा समान तर विस्तारित क्षेत्र अवस्थित छ।केही एईपीहरूले आरोहणसँग सम्बन्धित महाद्वीपको पश्चिमी पक्षलाई अँगालेका छन्।दक्षिण ध्रुव सर्कमपोलर वर्तमानलाई ठूलो क्षेत्रीय विशेषताको रूपमा लिइन्छ।उपोष्णकटिबंधीय चक्रवात ओलिगोट्रोफिक AEP को एक जटिल श्रृंखला हो।यी प्रान्तहरूमा, प्लाङ्कटन-प्रभुत्व भएको ओलिगोट्रोफिक भोर्टिस र डायटम-समृद्ध ध्रुवीय क्षेत्रहरू बीचको बायोमास भिन्नताहरूको परिचित ढाँचा स्पष्ट छ।
धेरै समान कुल फाइटोप्लाङ्क्टन बायोमास भएका एईपीहरू धेरै फरक सामुदायिक संरचनाहरू हुन सक्छन् र विभिन्न भौगोलिक क्षेत्रहरू, जस्तै D, H, र K, जसमा समान कुल फाइटोप्लाङ्क्टन बायोमास हुन्छ।AEP H मुख्यतया भूमध्यवर्ती हिन्द महासागरमा अवस्थित छ, र त्यहाँ धेरै डायजोट्रोफिक ब्याक्टेरियाहरू छन्।AEP D धेरै बेसिनहरूमा पाइन्छ, तर यो विशेष गरी प्रशान्त क्षेत्रमा भूमध्य रेखाको वरिपरि उच्च-उत्पादन क्षेत्रहरूमा प्रख्यात छ।यस प्रशान्त प्रान्तको आकार ग्रहको लहर रेलको सम्झना दिलाउने छ।AEP D मा थोरै डायजोब्याक्टेरिया र अधिक शंकुहरू छन्।अन्य दुई प्रान्तहरूको तुलनामा, AEP K केवल आर्कटिक महासागरको उच्च भूमिमा पाइन्छ, र त्यहाँ धेरै डायटमहरू र कम प्लाङ्क्टनहरू छन्।यो ध्यान दिन लायक छ कि यी तीन क्षेत्रहरूमा प्लाङ्कटनको मात्रा पनि धेरै फरक छ।ती मध्ये, AEP K को प्लैंकटन प्रचुरता अपेक्षाकृत कम छ, जबकि AEP D र H को तुलनात्मक रूपमा उच्च छ।तसर्थ, तिनीहरूको बायोमास (र त्यसैले Chl-a सँग मिल्दोजुल्दो) भए तापनि यी प्रान्तहरू एकदमै फरक छन्: Chl-आधारित प्रान्त परीक्षणले यी भिन्नताहरू कब्जा गर्न सक्दैन।
यो पनि स्पष्ट छ कि धेरै फरक बायोमास भएका केही AEPs फाइटोप्लाङ्क्टन सामुदायिक संरचनाको सन्दर्भमा समान हुन सक्छन्।उदाहरणका लागि, यो AEP D र E मा देखिन्छ। तिनीहरू एकअर्काको नजिक छन्, र प्रशान्त महासागरमा, AEP E उच्च उत्पादनशील AEPJ नजिक छ।त्यसैगरी, फाइटोप्लाङ्क्टन बायोमास र zooplankton प्रशस्तता बीच कुनै स्पष्ट सम्बन्ध छैन।
AEP तिनीहरूलाई प्रदान गरिएको पोषक तत्वहरूको सन्दर्भमा बुझ्न सकिन्छ (चित्र 5B)।डायटमहरू मात्र त्यहाँ अवस्थित हुन्छन् जहाँ सिलिकिक एसिडको पर्याप्त आपूर्ति हुन्छ।सामान्यतया, सिलिकिक एसिडको उच्च आपूर्ति, डायटोमको बायोमास उच्च हुन्छ।डायटमहरू AEP A, J, K र L मा देख्न सकिन्छ। अन्य फाइटोप्लाङ्क्टनसँग सापेक्ष डायटम बायोमासको अनुपात डायटम मागको सापेक्ष N, P र Fe द्वारा निर्धारण गरिन्छ।उदाहरण को लागी, AEP L डायटोमहरु द्वारा हावी छ।अन्य पोषक तत्वहरूको तुलनामा, सीमा सबैभन्दा बढी आपूर्ति छ।यसको विपरित, उच्च उत्पादकताको बावजुद, AEP J सँग कम डायटम र कम सिलिकन आपूर्ति छ (सबै र अन्य पोषक तत्वहरूको सापेक्ष)।
डायजोनियम ब्याक्टेरियासँग नाइट्रोजन ठीक गर्ने क्षमता छ, तर बिस्तारै बढ्छ (31)।तिनीहरू अन्य फाइटोप्लाङ्क्टनसँग सहअस्तित्वमा रहन्छन्, जहाँ फलाम र फस्फोरस गैर-डायजोनियम पोषक तत्वहरूको मागको तुलनामा अत्यधिक हुन्छ (20, 21)।यो ध्यान दिन लायक छ कि diazotrophic बायोमास अपेक्षाकृत उच्च छ, र Fe र P को आपूर्ति N को आपूर्तिको तुलनामा तुलनात्मक रूपमा ठूलो छ। यसरी, AEP J मा कुल बायोमास उच्च भए तापनि, AEP H मा डायजोनियम बायोमास छ। J मा त्यो भन्दा ठूलो। कृपया ध्यान दिनुहोस् कि AEP J र H भौगोलिक रूपमा धेरै फरक छन्, र H भूमध्यरेखीय हिन्द महासागरमा अवस्थित छ।
यदि अद्वितीय इकोसिस्टम संरचनालाई प्रान्तहरूमा विभाजित गरिएको छैन भने, 12 AEP को सबैभन्दा कम जटिलता मोडेलहरूबाट प्राप्त अन्तरदृष्टिहरू स्पष्ट हुनेछैनन्।SAGE द्वारा उत्पन्न AEP ले इकोसिस्टम मोडेलहरूबाट जटिल र उच्च-आयामी जानकारीको सुसंगत र एकसाथ तुलना गर्न सुविधा दिन्छ।सामुदायिक संरचना वा उच्च पोषण स्तरहरूमा zooplankton प्रशस्तता निर्धारण गर्न Chl किन राम्रो र वैकल्पिक विधि होइन भनेर AEP ले प्रभावकारी रूपमा जोड दिन्छ।जारी अनुसन्धान विषयहरूको विस्तृत विश्लेषण यस लेखको दायरा बाहिर छ।SAGE विधिले मोडेलमा अन्य संयन्त्रहरू अन्वेषण गर्ने तरिका प्रदान गर्दछ जुन पोइन्ट-टु-पोइन्ट हेराइ भन्दा ह्यान्डल गर्न सजिलो छ।
SAGE विधि विश्वव्यापी भौतिक/बायोजियोकेमिकल/इकोसिस्टम संख्यात्मक मोडेलहरूबाट अत्यन्त जटिल पारिस्थितिक डेटा स्पष्ट गर्न मद्दत गर्न प्रस्ताव गरिएको छ।पारिस्थितिक प्रान्त क्रस-प्लाङ्कटन कार्यात्मक समूहहरूको कुल बायोमास, t-SNE सम्भाव्यता आयाम घटाउने एल्गोरिथ्मको प्रयोग र सुपरिवेक्षण नगरिएको ML विधि DBSCAN प्रयोग गरी क्लस्टरिङद्वारा निर्धारण गरिन्छ।नेस्टिङ विधिको लागि अन्तर-प्रान्तीय BC भिन्नता/ग्राफ सिद्धान्तलाई विश्वव्यापी व्याख्याको लागि प्रयोग गर्न सकिने बलियो AEP प्राप्त गर्न लागू गरिएको छ।निर्माणको सन्दर्भमा, इको-प्रान्त र AEP अद्वितीय छन्।AEP नेस्टिङलाई मूल पारिस्थितिक प्रान्तको पूर्ण जटिलता र 12 AEPs को सिफारिस गरिएको न्यूनतम थ्रेसहोल्ड बीच समायोजन गर्न सकिन्छ।नेस्टिङ र AEP को न्यूनतम जटिलता निर्धारणलाई मुख्य चरणहरूको रूपमा मानिन्छ, किनभने सम्भावना t-SNE ले <12 जटिलताको AEPs लाई घटाउँछ।SAGE विधि विश्वव्यापी छ, र यसको जटिलता> 100 AEPs देखि 12 सम्मको छ। सरलताको लागि, हालको फोकस 12 वैश्विक AEPs को जटिलतामा छ।भविष्यको अनुसन्धान, विशेष गरी क्षेत्रीय अध्ययनहरूले, विश्वव्यापी पारिस्थितिक-प्रान्तहरूको सानो स्थानिय उपसमूह उपयोगी पाउन सक्छ, र यहाँ छलफल गरिएको समान पारिस्थितिक अन्तरदृष्टिको फाइदा लिनको लागि सानो क्षेत्रमा जम्मा गर्न सकिन्छ।यसले कसरी यी पारिस्थितिक प्रान्तहरू र तिनीहरूबाट प्राप्त अन्तर्दृष्टिहरू थप पारिस्थितिकीय समझको लागि प्रयोग गर्न सकिन्छ, मोडेल तुलनालाई सहज बनाउन, र समुद्री पारिस्थितिकी तंत्रहरूको अनुगमनलाई सम्भावित रूपमा सुधार गर्न सुझावहरू प्रदान गर्दछ।
पारिस्थितिक प्रान्त र SAGE विधि द्वारा पहिचान गरिएको AEP संख्यात्मक मोडेलमा डाटामा आधारित छ।परिभाषा अनुसार, संख्यात्मक मोडेल एक सरलीकृत संरचना हो, लक्ष्य प्रणाली को सार क्याप्चर गर्न कोशिस गर्दै, र विभिन्न मोडेल प्लैंकटन को विभिन्न वितरण हुनेछ।यस अध्ययनमा प्रयोग गरिएको संख्यात्मक मोडेलले अवलोकन गरिएका केही ढाँचाहरू पूर्ण रूपमा कब्जा गर्न सक्दैन (उदाहरणका लागि, भूमध्य रेखा र दक्षिणी महासागरका लागि Chl अनुमानहरूमा)।वास्तविक महासागरमा विविधताको एक सानो भाग मात्र कब्जा गरिएको छ, र मेसो र उप-मेसोस्केलहरू समाधान गर्न सकिँदैन, जसले पोषक प्रवाह र साना-स्तरीय सामुदायिक संरचनालाई असर गर्न सक्छ।यी कमजोरीहरूको बावजुद, यो बाहिर जान्छ कि AEP जटिल मोडेलहरू बुझ्न मद्दत गर्न धेरै उपयोगी छ।समान पारिस्थितिक प्रान्तहरू फेला परेका ठाउँहरू मूल्याङ्कन गरेर, AEP ले सम्भावित संख्यात्मक मोडेल तुलना उपकरण प्रदान गर्दछ।हालको संख्यात्मक मोडेलले रिमोट सेन्सिङ फाइटोप्लाङ्क्टन Chl-a एकाग्रता र प्लाङ्कटन साइज र कार्यात्मक समूह (नोट S1 र चित्र S1) (2, 32) को वितरणको समग्र ढाँचा कैद गर्दछ।
0.1 mgChl-a/m-3 समोच्च रेखा द्वारा देखाइए अनुसार, AEP लाई ओलिगोट्रोफिक क्षेत्र र मेसोट्रोफिक क्षेत्र (चित्र S1B) मा विभाजित गरिएको छ: AEP B, C, D, E, F र G ओलिगोट्रोफिक क्षेत्रहरू हुन्, र बाँकी क्षेत्रहरू हुन्। स्थित उच्च Chl-a।AEP ले Longhurst प्रान्त (चित्र S3A) सँग केही पत्राचार देखाउँछ, उदाहरणका लागि, दक्षिणी महासागर र भूमध्यीय प्रशान्त।केही क्षेत्रहरूमा, AEP ले धेरै Longhurst क्षेत्रहरू समेट्छ, र यसको विपरित।यस क्षेत्र र लङहर्स्टमा प्रान्त छुट्याउने नियत फरक भएकाले भिन्नता हुने अपेक्षा गरिएको छ ।लङहर्स्ट प्रान्तमा धेरै AEPs ले समान जैव-जियोकेमिस्ट्री भएका निश्चित क्षेत्रहरूमा धेरै फरक पारिस्थितिक प्रणाली संरचनाहरू हुन सक्ने संकेत गर्छ।AEP ले भौतिक अवस्थाहरूसँग एक निश्चित पत्राचार प्रदर्शन गर्दछ, जसरी पर्यवेक्षण नगरिएको सिकाइ (19) को प्रयोग गरेर खुलासा गरिएको छ, जस्तै उच्च अपवेलिङ राज्यहरूमा (उदाहरणका लागि, दक्षिणी महासागर र भूमध्यीय प्रशान्त; चित्र S3, C र D)।यी पत्राचारहरूले संकेत गर्दछ कि प्लङ्कटनको सामुदायिक संरचना महासागर गतिशीलताबाट कडा रूपमा प्रभावित छ।उत्तरी एट्लान्टिक जस्ता क्षेत्रहरूमा, AEP भौतिक प्रान्तहरू पार गर्दछ।यी भिन्नताहरू निम्त्याउने संयन्त्रमा धुलो यातायात जस्ता प्रक्रियाहरू समावेश हुन सक्छन्, जसले समान शारीरिक अवस्थाहरूमा पनि पूर्ण रूपमा फरक पोषण कार्यक्रमहरू निम्त्याउन सक्छ।
इकोलोजी मन्त्रालय र AEP ले औंल्याए कि Chl को प्रयोगले मात्र पारिस्थितिक घटकहरू पहिचान गर्न सकिँदैन, किनकि समुद्री पारिस्थितिकी समुदायले पहिले नै महसुस गरिसकेको छ।यो समान बायोमास तर उल्लेखनीय रूपमा फरक पारिस्थितिक संरचना (जस्तै D र E) भएको AEPs मा देखिन्छ।यसको विपरित, D र K जस्ता AEPs सँग धेरै फरक बायोमास छ तर समान पारिस्थितिक संरचना छ।AEP जोड दिन्छ कि बायोमास, पारिस्थितिक संरचना र zooplankton प्रचुरता बीचको सम्बन्ध जटिल छ।उदाहरणका लागि, यद्यपि AEP J फाइटोप्लाङ्क्टन र प्लाङ्क्टन बायोमासको सन्दर्भमा फरक छ, AEP को A र L सँग समान प्लाङ्क्टन बायोमास छ, तर A मा उच्च प्लैंकटन प्रचुरता छ।AEP ले जोड दिन्छ कि फाइटोप्लाङ्क्टन बायोमास (वा Chl) को प्रयोग zooplankton बायोमास भविष्यवाणी गर्न सकिँदैन।Zooplankton माछा पालन खाद्य श्रृंखला को आधार हो, र अधिक सही अनुमान राम्रो संसाधन व्यवस्थापन गर्न नेतृत्व गर्न सक्छ।भविष्यका समुद्री रङ उपग्रहहरू [उदाहरणका लागि, PACE (प्लाङ्क्टन, एरोसोल, क्लाउड, र समुद्री इकोसिस्टम)] फाइटोप्लाङ्क्टनको सामुदायिक संरचना अनुमान गर्न मद्दत गर्नको लागि राम्रो स्थितिमा हुन सक्छ।AEP भविष्यवाणी प्रयोग गरेर सम्भावित रूपमा अन्तरिक्षबाट zooplankton को अनुमान सहज बनाउन सक्छ।SAGE जस्ता विधिहरू, नयाँ प्रविधिहरूसँग मिलेर, र ग्राउन्ड ट्रुथ सर्वेक्षणहरू (जस्तै तारा र फलो-अप अनुसन्धान) को लागि उपलब्ध अधिक र अधिक फिल्ड डाटाले उपग्रह-आधारित इकोसिस्टम स्वास्थ्य अनुगमन तर्फ संयुक्त रूपमा कदम चाल्न सक्छ।
SAGE विधिले प्रादेशिक विशेषताहरू, जस्तै बायोमास/Chl, शुद्ध प्राथमिक उत्पादन, र सामुदायिक संरचनालाई नियन्त्रण गर्ने केही संयन्त्रहरूको मूल्याङ्कन गर्न सजिलो तरिका प्रदान गर्दछ।उदाहरण को लागी, डायटम को सापेक्ष मात्रा फाइटोप्लाङ्क्टन स्टोइचियोमेट्रिक आवश्यकताहरु को सापेक्ष Si, N, P, र Fe को आपूर्ति मा एक असंतुलन द्वारा सेट गरिएको छ।सन्तुलित आपूर्ति दरमा, समुदायमा डायटम (L) को प्रभुत्व छ।जब आपूर्ति दर असंतुलित हुन्छ (अर्थात, सिलिकनको आपूर्ति डायटोमको पोषक तत्वको माग भन्दा कम हुन्छ), डायटोमले सानो अंश मात्र शेयर (K) को लागि खाता बनाउँछ।जब Fe र P को आपूर्ति N को आपूर्ति भन्दा बढी हुन्छ (उदाहरणका लागि, E र H), डायजोट्रोफिक ब्याक्टेरियाहरू बलियो रूपमा बढ्नेछ।AEP द्वारा प्रदान गरिएको सन्दर्भ मार्फत, नियन्त्रण संयन्त्रहरूको अन्वेषण थप उपयोगी हुनेछ।
इको-प्रान्त र AEP समान सामुदायिक संरचना भएका क्षेत्रहरू हुन्।पारिस्थितिक प्रान्त वा AEP भित्रको निश्चित स्थानबाट समय श्रृंखलालाई सन्दर्भ बिन्दुको रूपमा मान्न सकिन्छ र यसले पारिस्थितिक प्रान्त वा AEP द्वारा कभर गरिएको क्षेत्रलाई प्रतिनिधित्व गर्न सक्छ।दीर्घकालीन अन-साइट निगरानी स्टेशनहरूले यस्तो समय श्रृंखला प्रदान गर्दछ।दीर्घकालीन in-situ डेटा सेटहरूले अकल्पनीय भूमिका खेल्न जारी राख्नेछ।सामुदायिक संरचना अनुगमनको दृष्टिकोणबाट, SAGE विधिलाई नयाँ साइटहरूको सबैभन्दा उपयोगी स्थान निर्धारण गर्न मद्दत गर्ने तरिकाको रूपमा हेर्न सकिन्छ।उदाहरणका लागि, दीर्घकालीन ओलिगोट्रोफिक आवास मूल्याङ्कन (ALOHA) बाट समय श्रृंखला ओलिगोट्रोफिक क्षेत्रको AEP B मा छ (चित्र 5C, लेबल 2)।किनभने ALOHA अर्को AEP को सिमाना नजिक छ, समय श्रृङ्खला सम्पूर्ण क्षेत्रको प्रतिनिधि नहुन सक्छ, पहिले नै सुझाव (33)।उही AEP B मा, समय शृङ्खला SEATS (दक्षिणपूर्व एशियाई समय शृङ्खला) अन्य AEPs (चित्र 5C, लेबल 1) को सिमानाबाट टाढा दक्षिणपश्चिम ताइवान (34) मा अवस्थित छ, र अनुगमन गर्न राम्रो स्थानको रूपमा प्रयोग गर्न सकिन्छ। AEPB।AEPC मा BATS (बरमुडा एट्लान्टिक टाइम सीरीज स्टडी) समय श्रृंखला (चित्र 5C, लेबल 4) AEP C र F बीचको सीमानाको धेरै नजिक छ, जसले संकेत गर्दछ कि BATS समय श्रृंखला प्रयोग गरेर AEP C को निगरानी प्रत्यक्ष रूपमा समस्याग्रस्त हुन सक्छ।AEP J मा स्टेशन P (चित्र 5C, लेबल 3) AEP सीमाबाट टाढा छ, त्यसैले यो अधिक प्रतिनिधि हो।इको-प्रान्त र AEP ले विश्वव्यापी परिवर्तनहरूको मूल्याङ्कन गर्न उपयुक्त अनुगमन ढाँचा स्थापना गर्न मद्दत गर्न सक्छ, किनभने साइटमा नमूनाले प्रमुख अन्तर्दृष्टिहरू प्रदान गर्न सक्ने ठाउँहरू मूल्याङ्कन गर्न प्रान्तहरूको अनुमति।समय बचत परिवर्तनशीलता मूल्याङ्कन गर्न जलवायु डेटामा लागू गर्न SAGE विधि थप विकसित गर्न सकिन्छ।
SAGE विधिको सफलता डेटा विज्ञान/ML विधिहरू र डोमेन-विशिष्ट ज्ञानको सावधानीपूर्वक प्रयोग गरेर प्राप्त हुन्छ।विशेष रूपमा, t-SNE को आयाम घटाउने कार्य गर्न प्रयोग गरिन्छ, जसले उच्च-आयामी डेटाको सहविभाजन संरचनालाई सुरक्षित गर्दछ र कोभेरियन्स टोपोलोजीको दृश्यलाई सहज बनाउँछ।डेटा स्ट्राइप र कोभेरियन्स (चित्र 2A) को रूपमा व्यवस्थित गरिएको छ, विशुद्ध रूपमा दूरी-आधारित उपायहरू (जस्तै के-माध्यमहरू) उपयुक्त छैनन् किनभने तिनीहरू सामान्यतया गाउसियन (वृत्ताकार) आधार वितरण प्रयोग गर्छन् (नोट S2 मा छलफल गरिएको)। ।DBSCAN विधि कुनै पनि सहप्रवाह टोपोलोजीको लागि उपयुक्त छ।जबसम्म तपाइँ सेटिङ प्यारामिटरहरूमा ध्यान दिनुहुन्छ, भरपर्दो पहिचान प्रदान गर्न सकिन्छ।t-SNE एल्गोरिथ्मको कम्प्युटेशनल लागत उच्च छ, जसले यसको हालको अनुप्रयोगलाई डेटाको ठूलो मात्रामा सीमित गर्दछ, जसको मतलब यो गहिरो वा समय-भिन्न क्षेत्रहरूमा लागू गर्न गाह्रो छ।T-SNE को स्केलेबिलिटीमा काम प्रगतिमा छ।KL दूरी समानान्तर गर्न सजिलो भएकोले, t-SNE एल्गोरिदममा भविष्यमा विस्तारको लागि राम्रो सम्भावना छ (35)।अहिलेसम्म, आकारलाई राम्रोसँग घटाउन सक्ने अन्य आशाजनक आयाम घटाउने विधिहरूमा एकीकृत मेनिफोल्ड अनुमान र प्रक्षेपण (UMAP) प्रविधिहरू समावेश छन्, तर महासागर डेटाको सन्दर्भमा मूल्याङ्कन आवश्यक छ।राम्रो स्केलेबिलिटीको अर्थ, उदाहरणका लागि, मिश्रित तहमा विभिन्न जटिलता भएका विश्वव्यापी मौसम वा मोडेलहरू वर्गीकरण गर्नु हो।कुनै पनि प्रान्तमा SAGE द्वारा वर्गीकृत गर्न असफल भएका क्षेत्रहरूलाई चित्र 2A मा बाँकी कालो थोप्लाहरू मान्न सकिन्छ।भौगोलिक रूपमा, यी क्षेत्रहरू मुख्यतया उच्च मौसमी क्षेत्रहरूमा छन्, जसले सुझाव दिन्छ कि समयसँगै परिवर्तन हुने पारिस्थितिक प्रान्तहरूलाई कब्जा गर्दा राम्रो कभरेज प्रदान गर्दछ।
SAGE विधि निर्माण गर्न, जटिल प्रणाली/डेटा विज्ञानका विचारहरू प्रयोग गरिएको छ, कार्यात्मक समूहहरूको क्लस्टरहरू (११-आयामी ठाउँमा धेरै नजिक हुने सम्भावना) र प्रान्तहरू निर्धारण गर्ने क्षमता प्रयोग गरेर।यी प्रान्तहरूले हाम्रो 3D t-SNE चरण स्पेसमा विशिष्ट मात्राहरू चित्रण गर्दछ।त्यसैगरी, Poincaré भागलाई "सामान्य" वा "अराजक" व्यवहार (36) निर्धारण गर्न ट्र्याजेक्टोरीले ओगटेको राज्य स्पेसको "भोल्युम" मूल्याङ्कन गर्न प्रयोग गर्न सकिन्छ।स्थिर 11-आयामी मोडेल आउटपुटको लागि, डेटालाई 3D चरण स्पेसमा रूपान्तरण गरेपछि ओगटेको भोल्युमलाई समान रूपमा व्याख्या गर्न सकिन्छ।थ्रीडी फेज स्पेसमा भौगोलिक क्षेत्र र क्षेत्रबीचको सम्बन्ध सरल छैन, तर यसलाई पारिस्थितिक समानताको सन्दर्भमा व्याख्या गर्न सकिन्छ।यस कारणका लागि, अधिक परम्परागत BC भिन्नता उपायलाई प्राथमिकता दिइन्छ।
भविष्यको कार्यले पहिचान गरिएका प्रान्तहरू र AEP को स्थानिय परिवर्तनशीलताको मूल्याङ्कन गर्न मौसमी डेटा परिवर्तन गर्न SAGE विधि पुन: प्रयोग गर्नेछ।भविष्यको लक्ष्य भनेको उपग्रह मापन (जस्तै Chl-a, रिमोट सेन्सिङ रिफ्लेभिभिटी र समुद्री सतहको तापक्रम) मार्फत कुन प्रान्तहरू निर्धारण गर्न सकिन्छ भनेर निर्धारण गर्न यो विधि प्रयोग गर्नु हो।यसले पारिस्थितिक घटकहरूको रिमोट सेन्सिङ मूल्याङ्कन र पारिस्थितिक प्रान्तहरूको उच्च लचिलो अनुगमन र तिनीहरूको परिवर्तनशीलतालाई अनुमति दिनेछ।
यस अनुसन्धानको उद्देश्य SAGE विधिको परिचय दिनु हो, जसले एक पारिस्थितिक प्रान्तलाई यसको अद्वितीय प्लाङ्कटन समुदाय संरचना मार्फत परिभाषित गर्दछ।यहाँ, भौतिक/बायोजियोकेमिकल/इकोसिस्टम मोडेल र t-SNE र DBSCAN एल्गोरिदमको प्यारामिटर चयनको बारेमा थप विस्तृत जानकारी प्रदान गरिनेछ।
मोडेलको भौतिक अवयवहरू समुद्री परिसंचरण र जलवायुको अनुमानबाट आउँछन् [ECCOv4;(37) विश्वव्यापी राज्य अनुमान (38) द्वारा वर्णित।राज्य अनुमानको नाममात्र संकल्प 1/5 हो।Lagrangian गुणक विधिको साथ न्यूनतम वर्ग विधि प्रारम्भिक र सीमा अवस्थाहरू प्राप्त गर्न प्रयोग गरिन्छ र अवलोकनद्वारा समायोजित आन्तरिक मोडेल प्यारामिटरहरू, यसरी नि: शुल्क-चल्ने MIT सामान्य चक्र मोडेल (MITgcm) (39) उत्पन्न गर्दछ, मोडेल अनुकूलन पछि, परिणामहरू गर्न सक्छन्। ट्र्याक र अवलोकन गर्न।
बायोजियोकेमिस्ट्री/इकोसिस्टमको (२) मा थप पूर्ण विवरण (जस्तै समीकरण र प्यारामिटर मानहरू) छ।मोडेलले अकार्बनिक र जैविक पोखरीहरू मार्फत C, N, P, Si र Fe को परिसंचरण कब्जा गर्दछ।यहाँ प्रयोग गरिएको संस्करणमा फाइटोप्लाङ्क्टनका ३५ प्रजातिहरू समावेश छन्: २ प्रजातिका माइक्रोप्रोकारियोट्स र २ प्रजातिका माइक्रोयुकेरियोट्स (कम पोषक वातावरणका लागि उपयुक्त), ५ प्रजातिका क्रिप्टोमोनास स्फेरोइड्स (क्याल्सियम कार्बोनेट कोटिंगसहित), ५ प्रजातिका डाइजोनियम (सोफिक्स क्यानट्रोजेनियम)। यो सीमित छैन) घुलनशील अकार्बनिक नाइट्रोजनको उपलब्धता), 11 डायटोमहरू (सिलिसियस आवरण बनाउँदै), 10 मिश्रित-वनस्पति फ्ल्याजेलेट (फोटोसिन्थेसाइज गर्न र अन्य प्लैंकटन खान सक्छन्) र 16 Zooplankton (अन्य प्लवकमा चरन)।यिनीहरूलाई "बायोजियोकेमिकल फंक्शनल समूहहरू" भनिन्छ किनभने तिनीहरूको समुद्री जैव-जियोकेमिस्ट्री (40, 41) मा फरक प्रभावहरू छन् र प्रायः अवलोकन र मोडेल अध्ययनहरूमा प्रयोग गरिन्छ।यस मोडेलमा, प्रत्येक कार्यात्मक समूह 0.6 देखि 2500 μm बराबर गोलाकार व्यासको स्प्यानको साथ विभिन्न आकारका धेरै प्लाङ्कटनहरू मिलेर बनेको छ।
फाइटोप्लाङ्क्टनको वृद्धि, चरन र डुब्नलाई असर गर्ने मापदण्डहरू आकारसँग सम्बन्धित छन्, र छवटा फाइटोप्लाङ्क्टन कार्यात्मक समूहहरू (३२) बीच विशिष्ट भिन्नताहरू छन्।विभिन्न भौतिक ढाँचाहरूको बावजुद, मोडेलको 51 प्लैंकटन कम्पोनेन्टहरूको नतिजाहरू हालका अध्ययनहरू (42-44) मा प्रयोग गरिएको छ।
1992 देखि 2011 सम्म, भौतिक/बायोजियोकेमिकल/इकोसिस्टम युग्मन मोडेल 20 वर्षसम्म चल्यो।मोडेलको आउटपुटमा प्लाङ्कटन बायोमास, पोषक तत्व एकाग्रता र पोषक तत्व आपूर्ति दर (DIN, PO4, Si र Fe) समावेश छ।यस अध्ययनमा, यी उत्पादनहरूको 20-वर्षको औसतलाई पारिस्थितिक प्रान्तको इनपुटको रूपमा प्रयोग गरिएको थियो।Chl, प्लान्क्टन बायोमास र पोषक तत्व एकाग्रताको वितरण र कार्यात्मक समूहहरूको वितरणलाई उपग्रह र इन-सिटु अवलोकनहरूसँग तुलना गरिन्छ [हेर्नुहोस् (2, 44), नोट S1 र चित्र।S1 देखि S3]।
SAGE विधिको लागि, अनियमितताको मुख्य स्रोत t-SNE चरणबाट आउँछ।अनियमितताले पुनरावृत्तिमा बाधा पुर्‍याउँछ, जसको मतलब परिणामहरू अविश्वसनीय छन्।SAGE विधिले t-SNE र DBSCAN को प्यारामिटरहरूको सेट निर्धारण गरेर दृढतालाई कडाईका साथ परीक्षण गर्दछ, जसले दोहोर्याउँदा क्लस्टरहरू पहिचान गर्न सक्छ।t-SNE प्यारामिटरको "अस्पष्टता" निर्धारण गर्दा उच्च देखि निम्न आयामहरूमा म्यापिङले डेटाको स्थानीय वा विश्वव्यापी विशेषताहरूलाई सम्मान गर्नुपर्छ भन्ने डिग्री निर्धारण गर्ने रूपमा बुझ्न सकिन्छ।400 र 300 पुनरावृत्तिको भ्रममा पुग्यो।
क्लस्टरिङ एल्गोरिदम DBSCAN को लागि, क्लस्टरमा डाटा बिन्दुहरूको न्यूनतम आकार र दूरी मेट्रिक निर्धारण गर्न आवश्यक छ।न्यूनतम संख्या विशेषज्ञहरूको निर्देशन अन्तर्गत निर्धारण गरिन्छ।यो ज्ञानले हालको संख्यात्मक मोडलिङ ढाँचा र रिजोल्युसनमा के फिट हुन्छ भन्ने थाहा छ।न्यूनतम संख्या 100 हो। उच्च न्यूनतम मान (हरियोको माथिल्लो सीमा फराकिलो हुनु अघि <135 भन्दा कम) मान्न सकिन्छ, तर यसले BC भिन्नतामा आधारित एकत्रीकरण विधिलाई प्रतिस्थापन गर्न सक्दैन।जडानको डिग्री (चित्र 6A) ϵ प्यारामिटर सेट गर्न प्रयोग गरिन्छ, जुन उच्च कभरेज (चित्र 6B) को लागी अनुकूल छ।जडानलाई क्लस्टरहरूको समग्र संख्याको रूपमा परिभाषित गरिएको छ र ϵ प्यारामिटरमा संवेदनशील छ।तल्लो जडानले अपर्याप्त फिटिंग, कृत्रिम रूपमा क्षेत्रहरूलाई एकसाथ समूहबद्ध गर्ने संकेत गर्दछ।उच्च जडानले ओभरफिटिंगलाई संकेत गर्दछ।ओभरफिटिंग पनि समस्याग्रस्त छ, किनकि यसले देखाउँछ कि प्रारम्भिक अनियमित अनुमानहरूले अनुत्पादन गर्न नसकिने परिणामहरू निम्त्याउन सक्छ।यी दुई चरम सीमाहरू बीच, तीव्र वृद्धि (सामान्यतया "कुहिनो" भनिन्छ) ले उत्तम ϵ संकेत गर्दछ।चित्र 6A मा, तपाईंले पठार क्षेत्रमा तीव्र वृद्धि देख्नुहुन्छ (पहेंलो,> 200 क्लस्टर), त्यसपछि तीव्र कमी (हरियो, 100 क्लस्टरहरू), लगभग 130 सम्म, धेरै थोरै क्लस्टरहरू (नीलो, <60 क्लस्टरहरू) द्वारा घेरिएको। )।कम्तिमा 100 नीलो क्षेत्रहरूमा, या त एउटा क्लस्टरले सम्पूर्ण महासागर (ϵ <0.42) मा हावी हुन्छ, वा धेरै जसो महासागरलाई वर्गीकृत गरिएको छैन र शोर (ϵ> ०.९९) मानिन्छ।पहेंलो क्षेत्रमा अत्यधिक परिवर्तनशील, अप्रजनन क्लस्टर वितरण छ।ϵ कम हुँदा, आवाज बढ्छ।तीव्र रूपमा बढ्दै गएको हरियो क्षेत्रलाई एल्बो भनिन्छ।यो इष्टतम क्षेत्र हो।यद्यपि सम्भाव्यता t-SNE प्रयोग गरिन्छ, प्रान्त भित्र BC भिन्नता अझै पनि विश्वसनीय क्लस्टरिङ निर्धारण गर्न प्रयोग गर्न सकिन्छ।चित्र 6 (A र B) को प्रयोग गरेर, ϵ लाई ०.३९ मा सेट गर्नुहोस्।न्यूनतम संख्या जति ठूलो हुन्छ, भरपर्दो वर्गीकरणलाई अनुमति दिने ϵ मा पुग्ने सम्भावना त्यति नै कम हुन्छ, र 135 भन्दा बढी मान भएको हरियो क्षेत्र जति ठूलो हुन्छ। यस क्षेत्रको विस्तारले कुहिनो फेला पार्न गाह्रो हुने वा गैर- अवस्थित।
t-SNE को प्यारामिटरहरू सेट गरेपछि, फेला परेका क्लस्टरहरूको कुल संख्या जडानको मापन (A) र क्लस्टर (B) मा आवंटित डाटाको प्रतिशतको रूपमा प्रयोग गरिनेछ।रातो थोप्लाले कभरेज र कनेक्टिभिटीको उत्कृष्ट संयोजनलाई जनाउँछ।न्यूनतम संख्या पारिस्थितिकीसँग सम्बन्धित न्यूनतम संख्या अनुसार सेट गरिएको छ।
यस लेखको लागि पूरक सामग्रीहरूको लागि, कृपया हेर्नुहोस् http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1
यो क्रिएटिभ कमन्स एट्रिब्युसन लाइसेन्सको सर्तहरू अन्तर्गत वितरित खुला पहुँच लेख हो।लेखले कुनै पनि माध्यममा अप्रतिबन्धित प्रयोग, वितरण र पुनरुत्पादनलाई अनुमति दिन्छ जुन सर्तमा मौलिक कार्य ठीकसँग उद्धृत गरिएको छ।
नोट: हामीले तपाइँलाई तपाइँको इमेल ठेगाना प्रदान गर्न मात्र सोध्छौं ताकि तपाइँले पृष्ठमा सिफारिस गर्ने व्यक्तिलाई थाहा छ कि तपाइँ उनीहरूले इमेल हेर्न चाहनुहुन्छ र यो स्पाम होइन।हामी कुनै पनि इमेल ठेगानाहरू कब्जा गर्दैनौं।
यो प्रश्न तपाईं आगन्तुक हुनुहुन्छ कि छैन भनेर परीक्षण गर्न र स्वचालित स्प्याम सबमिशन रोक्न प्रयोग गरिन्छ।
विश्वव्यापी समुद्री पारिस्थितिकी मन्त्रालय जटिल समस्याहरू समाधान गर्न कटिबद्ध छ र सामुदायिक संरचनाहरू अन्वेषण गर्न असुरक्षित ML प्रयोग गर्दछ।
विश्वव्यापी समुद्री पारिस्थितिकी मन्त्रालय जटिल समस्याहरू समाधान गर्न कटिबद्ध छ र सामुदायिक संरचनाहरू अन्वेषण गर्न असुरक्षित ML प्रयोग गर्दछ।