ପରିବେଶ ଜଟିଳତାକୁ ସ୍ପଷ୍ଟ କରିବା: ପର୍ଯ୍ୟବେକ୍ଷଣଶୀଳ ଶିକ୍ଷଣ ବିଶ୍ୱ ସାମୁଦ୍ରିକ ପରିବେଶ ପ୍ରଦେଶ ନିର୍ଣ୍ଣୟ କରେ |

ପ୍ଲାଙ୍କଟନ୍ ସମ୍ପ୍ରଦାୟର ଗଠନ ଏବଂ ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ ତଥ୍ୟ ଉପରେ ଆଧାର କରି ବିଶ୍ global ର ସାମୁଦ୍ରିକ ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶ (ଇକୋ-ପ୍ରଦେଶ) ନିର୍ଣ୍ଣୟ କରିବାକୁ ଏକ ଅସୁରକ୍ଷିତ ଶିକ୍ଷଣ ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ |ବ୍ୟବସ୍ଥିତ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶ (SAGE) ପଦ୍ଧତି ଅତ୍ୟଧିକ ଅଣ-ଲାଇନ୍ ଇକୋସିଷ୍ଟମ୍ ମଡେଲଗୁଡିକରେ ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିପାରିବ |ତଥ୍ୟର ଅଣ-ଗ uss ସିଆନ୍ କୋଭାରିଆନ୍ସ ସହିତ ଖାପ ଖୁଆଇବା ପାଇଁ, SAGE ଡାଇମେନ୍ସନାଲିଟି ହ୍ରାସ କରିବାକୁ t ରାଣ୍ଡମ ପଡୋଶୀ ଏମ୍ବେଡିଂ (t-SNE) ବ୍ୟବହାର କରେ |ଘନତା-ଆଧାରିତ ସ୍ପେସାଲ୍ କ୍ଲଷ୍ଟରିଙ୍ଗ (DBSCAN) ଆଲଗୋରିଦମ ଉପରେ ଆଧାର କରି ଶବ୍ଦ ପ୍ରୟୋଗର ସାହାଯ୍ୟରେ ଏକ ଶହରୁ ଅଧିକ ପରିବେଶ ପ୍ରଦେଶ ଚିହ୍ନଟ ହୋଇପାରିବ |ଦୂରତା ମାପ ଭାବରେ ପରିବେଶଗତ ପାର୍ଥକ୍ୟ ସହିତ କନେକ୍ଟିଭିଟି ମାନଚିତ୍ର ବ୍ୟବହାର କରି, ଏକ ଦୃ ust ସଂଗଠିତ ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶ (AEP) ବସ୍ତୁତ ec ପରିବେଶିତ ପ୍ରଦେଶ ମାଧ୍ୟମରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଥାଏ |AEP ବ୍ୟବହାର କରି, ସମ୍ପ୍ରଦାୟର ଗଠନ ଉପରେ ପୁଷ୍ଟିକର ଯୋଗାଣ ହାରର ନିୟନ୍ତ୍ରଣ ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା |ଇକୋ-ପ୍ରଦେଶ ଏବଂ AEP ଅନନ୍ୟ ଏବଂ ମଡେଲ ବ୍ୟାଖ୍ୟା କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ |ସେମାନେ ମଡେଲଗୁଡିକ ମଧ୍ୟରେ ତୁଳନାକୁ ସହଜ କରିପାରିବେ ଏବଂ ସାମୁଦ୍ରିକ ଇକୋସିଷ୍ଟମର ବୁ understanding ାମଣା ଏବଂ ମନିଟରିଂକୁ ବ enhance ାଇପାରନ୍ତି |
ପ୍ରଦେଶଗୁଡ଼ିକ ହେଉଛି ସେହି ଅଞ୍ଚଳ ଯେଉଁଠାରେ ସମୁଦ୍ର କିମ୍ବା ସ୍ଥଳଭାଗରେ ଜଟିଳ ବାୟୋଗେଗ୍ରାଫି ସମନ୍ୱିତ ଏବଂ ଅର୍ଥପୂର୍ଣ୍ଣ ଅଞ୍ଚଳରେ ସଂଗଠିତ ହୋଇଛି |ପର୍ଯ୍ୟବେକ୍ଷଣ, ମନିଟରିଂ ଏବଂ ସୁରକ୍ଷାକୁ ବର୍ଣ୍ଣିତ କରି ଅବସ୍ଥାନଗୁଡିକ ତୁଳନା ଏବଂ ବିପରୀତ କରିବା ପାଇଁ ଏହି ପ୍ରଦେଶଗୁଡ଼ିକ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ |ଜଟିଳ ଏବଂ ଅଣ-ର ar ଖ୍ୟ ପାରସ୍ପରିକ କ୍ରିୟା ଯାହା ଏହି ପ୍ରଦେଶଗୁଡିକ ଉତ୍ପାଦନ କରେ ଅଣକ୍ଷଣୀୟ ମେସିନ୍ ଲର୍ନିଂ (ML) ପ୍ରଣାଳୀଗୁଡ଼ିକୁ ପ୍ରଦେଶଗୁଡ଼ିକୁ ଅବଜେକ୍ଟିଭ୍ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ଅତ୍ୟନ୍ତ ଉପଯୁକ୍ତ କରିଥାଏ, କାରଣ ତଥ୍ୟରେ କୋଭାରିଆନ୍ସ ଜଟିଳ ଏବଂ ଗାଉସିଆନ୍ ନୁହେଁ |ଏଠାରେ, ଏକ ML ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ, ଯାହାକି ଡାରୱିନ୍ ଗ୍ଲୋବାଲ୍ ତ୍ରି-ଡାଇମେନ୍ସନାଲ୍ (3D) ଭ physical ତିକ / ଇକୋସିଷ୍ଟମ୍ ମଡେଲ୍ (2) ରୁ ଅନନ୍ୟ ସାମୁଦ୍ରିକ ପରିବେଶ ପ୍ରଦେଶ (ଇକୋ-ପ୍ରଦେଶ) କୁ ବ୍ୟବସ୍ଥିତ ଭାବରେ ଚିହ୍ନଟ କରେ |ଚିହ୍ନିତ ଅ area ୍ଚଳ ଅନ୍ୟ ଅ with ୍ଚଳ ସହିତ ଯଥେଷ୍ଟ ଆଚ୍ଛାଦନ କରେ ନାହିଁ ବୋଲି ସୂଚାଇବା ପାଇଁ “ଅନନ୍ୟ” ଶବ୍ଦ ବ୍ୟବହୃତ ହୁଏ |ଏହି ପଦ୍ଧତିକୁ ସିଷ୍ଟମ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶ (SAGE) ପଦ୍ଧତି କୁହାଯାଏ |ଉପଯୋଗୀ ବର୍ଗୀକରଣ କରିବାକୁ, ଏକ ଆଲଗୋରିଦମ ପଦ୍ଧତି (i) ବିଶ୍ global ସ୍ତରୀୟ ବର୍ଗୀକରଣ ଏବଂ (ii) ମଲ୍ଟି-ସ୍କେଲ୍ ବିଶ୍ଳେଷଣକୁ ଅନୁମତି ଦେବା ଆବଶ୍ୟକ କରେ ଯାହା ସ୍ପେସ୍ ଏବଂ ସମୟ (3) ରେ ବସା / ଏକତ୍ର ହୋଇପାରିବ |ଏହି ଅନୁସନ୍ଧାନରେ, SAGE ପଦ୍ଧତି ପ୍ରଥମେ ପ୍ରସ୍ତାବିତ ହୋଇଥିଲା ଏବଂ ଚିହ୍ନିତ ପରିବେଶ ପ୍ରଦେଶଗୁଡ଼ିକ ଉପରେ ଆଲୋଚନା କରାଯାଇଥିଲା |ଇକୋ-ପ୍ରଦେଶଗୁଡିକ କାରକଗୁଡିକର ବୁ understanding ାମଣାକୁ ପ୍ରୋତ୍ସାହନ ଦେଇପାରେ ଯାହା ସମ୍ପ୍ରଦାୟର ଗଠନକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ, ମନିଟରିଂ ରଣନୀତି ପାଇଁ ଉପଯୋଗୀ ଜ୍ଞାନ ପ୍ରଦାନ କରିଥାଏ ଏବଂ ଇକୋସିଷ୍ଟମରେ ପରିବର୍ତ୍ତନଗୁଡ଼ିକୁ ଟ୍ରାକ୍ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ |
ଭୂତଳ ପ୍ରଦେଶଗୁଡିକ ସାଧାରଣତ climate ଜଳବାୟୁ (ବୃଷ୍ଟିପାତ ଏବଂ ତାପମାତ୍ରା), ମୃତ୍ତିକା, ଉଦ୍ଭିଦ ଏବଂ ଜୀବଜନ୍ତୁଙ୍କ ସମାନତା ଅନୁଯାୟୀ ବର୍ଗୀକୃତ ହୁଏ ଏବଂ ସହାୟକ ପରିଚାଳନା, ଜ odi ବ ବିବିଧତା ଅନୁସନ୍ଧାନ ଏବଂ ରୋଗ ନିୟନ୍ତ୍ରଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ (1, 4) |ସାମୁଦ୍ରିକ ପ୍ରଦେଶଗୁଡିକ ବ୍ୟାଖ୍ୟା କରିବା ଅଧିକ କଷ୍ଟକର |ଅଧିକାଂଶ ଜୀବ ତରଳ ସୀମା ସହିତ ମାଇକ୍ରୋସ୍କୋପିକ୍ |ଲଙ୍ଗହର୍ଷ୍ଟ ଏବଂ ଅନ୍ୟମାନେ |(5) ପରିବେଶ ଅବସ୍ଥା ଉପରେ ଆଧାର କରି ମହାସାଗର ମନ୍ତ୍ରଣାଳୟର ପ୍ରଥମ ବିଶ୍ global ସ୍ତରୀୟ ବର୍ଗୀକରଣ ମଧ୍ୟରୁ ଗୋଟିଏ ପ୍ରଦାନ କରାଯାଇଛି |ଏହି “ଲଙ୍ଗହର୍ଷ୍ଟ” ପ୍ରଦେଶଗୁଡ଼ିକର ସଂଜ୍ଞାରେ ମିଶ୍ରଣ ହାର, ଷ୍ଟ୍ରାଟାଇଫେସନ୍, ଏବଂ ଇରାଦିଆନ୍ସ ଭଳି ଭେରିଏବଲ୍ ଅନ୍ତର୍ଭୁକ୍ତ, ଏବଂ ସାମୁଦ୍ରିକ ମହାସାଗରୀୟ ଭାବରେ ଲଙ୍ଗହର୍ଷ୍ଟଙ୍କ ବିସ୍ତୃତ ଅଭିଜ୍ଞତା, ଯାହାର ସାମୁଦ୍ରିକ ଇକୋସିଷ୍ଟମ୍ ପାଇଁ ଅନ୍ୟାନ୍ୟ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅବସ୍ଥା ଅଛି |ଲଙ୍ଗହର୍ଷ୍ଟ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ହୋଇଛି, ଉଦାହରଣ ସ୍ୱରୂପ, ପ୍ରାଥମିକ ଉତ୍ପାଦନ ଏବଂ ଅଙ୍ଗାରକାମ୍ଳ ଫ୍ଲକ୍ସ, ସହାୟତା ମତ୍ସ୍ୟଜୀବୀ ଏବଂ ସେଟୁ ପର୍ଯ୍ୟବେକ୍ଷଣ କାର୍ଯ୍ୟକଳାପରେ ଯୋଜନା କରିବା ପାଇଁ (5-9) |ପ୍ରଦେଶଗୁଡ଼ିକୁ ଅଧିକ ଅବଜେକ୍ଟିଭ୍ ବ୍ୟାଖ୍ୟା କରିବାକୁ, ଅସ୍ପଷ୍ଟ ତର୍କ ଏବଂ ଆଞ୍ଚଳିକ ଅଣସଂରକ୍ଷିତ କ୍ଲଷ୍ଟରିଙ୍ଗ / ପରିସଂଖ୍ୟାନ ଭଳି ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଇଛି (9-14) |ଏହିପରି ପଦ୍ଧତିଗୁଡିକର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଅର୍ଥପୂର୍ଣ୍ଣ ସଂରଚନା ଚିହ୍ନଟ କରିବା ଯାହା ଉପଲବ୍ଧ ପର୍ଯ୍ୟବେକ୍ଷଣ ତଥ୍ୟରେ ପ୍ରଦେଶଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିପାରିବ |ଉଦାହରଣ ସ୍ୱରୂପ, ଗତିଶୀଳ ସାମୁଦ୍ରିକ ପ୍ରଦେଶଗୁଡିକ (12) ଶବ୍ଦ ହ୍ରାସ କରିବା ପାଇଁ ସ୍ୱ-ସଂଗଠିତ ମାନଚିତ୍ରଗୁଡିକ ବ୍ୟବହାର କରନ୍ତି ଏବଂ ଆଞ୍ଚଳିକ ଉପଗ୍ରହରୁ ଉତ୍ପନ୍ନ ସାମୁଦ୍ରିକ ରଙ୍ଗ ଉତ୍ପାଦଗୁଡିକ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ହାଇରାର୍କିକାଲ୍ (ଗଛ-ଆଧାରିତ) କ୍ଲଷ୍ଟରିଂ ବ୍ୟବହାର କରନ୍ତି, କ୍ଲୋରୋଫିଲ୍ a (Chl-a), ସ୍ ized ାଭାବିକ ଫ୍ଲୋରୋସେନ୍ସ ଲାଇନର ଉଚ୍ଚତା ଏବଂ ରଙ୍ଗୀନ ଦ୍ରବୀଭୂତ ଜ organic ବ ପଦାର୍ଥ] ଏବଂ ଭ physical ତିକ କ୍ଷେତ୍ର (ସମୁଦ୍ର ପୃଷ୍ଠର ତାପମାତ୍ରା ଏବଂ ଲୁଣିଆତା, ସଂପୂର୍ଣ୍ଣ ଗତିଶୀଳ ଟପୋଗ୍ରାଫି ଏବଂ ସମୁଦ୍ର ବରଫ) |
ପ୍ଲାନକଟନ୍ ର ସମ୍ପ୍ରଦାୟ ଗଠନ ଚିନ୍ତାର କାରଣ ଏହାର ଉଚ୍ଚ ପୁଷ୍ଟିକର ସ୍ତର, କାର୍ବନ ଅବଶୋଷଣ ଏବଂ ଜଳବାୟୁ ଉପରେ ଏହାର ପରିବେଶର ବହୁତ ପ୍ରଭାବ ପଡିଥାଏ |ତଥାପି, ପ୍ଲାଙ୍କଟନ୍ ସମ୍ପ୍ରଦାୟର ଗଠନ ଉପରେ ଆଧାର କରି ଏକ ବିଶ୍ୱସ୍ତରୀୟ ପରିବେଶ ପ୍ରଦେଶ ନିର୍ଣ୍ଣୟ କରିବା ଏକ ଚ୍ୟାଲେଞ୍ଜିଂ ଏବଂ ଉପଯୋଗୀ ଲକ୍ଷ୍ୟ |ସାମୁଦ୍ରିକ ରଙ୍ଗ ଉପଗ୍ରହଗୁଡିକ ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ର କଠିନ-ଗ୍ରେଡ୍ ବର୍ଗୀକରଣ ବିଷୟରେ ଅନ୍ତର୍ନିହିତ ସୂଚନା ପ୍ରଦାନ କରିପାରନ୍ତି କିମ୍ବା କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର ସୁବିଧା ପରାମର୍ଶ ଦେଇପାରନ୍ତି (15), କିନ୍ତୁ ସେମାନେ ବର୍ତ୍ତମାନ ସମ୍ପ୍ରଦାୟର ଗଠନ ବିଷୟରେ ବିସ୍ତୃତ ସୂଚନା ପ୍ରଦାନ କରିବାରେ ଅସମର୍ଥ |ସାମ୍ପ୍ରତିକ ସର୍ବେକ୍ଷଣଗୁଡିକ [ଉଦାହରଣ ସ୍ୱରୂପ ତର ମହାସାଗର (16)] ସମ୍ପ୍ରଦାୟ ଗଠନର ଅଦୃଶ୍ୟ ମାପ ଯୋଗାଉଛି;ସମ୍ପ୍ରତି, ବିଶ୍ scale ସ୍ତରରେ କେବଳ ଅଳ୍ପ ଇନ୍-ସିଟ୍ ପର୍ଯ୍ୟବେକ୍ଷଣ ଅଛି (୧)) |ବାୟୋକେମିକାଲ୍ ସମାନତା (ଯେପରିକି ପ୍ରାଥମିକ ଉତ୍ପାଦନ, Chl ଏବଂ ଉପଲବ୍ଧ ଆଲୋକ ପରି) ନିର୍ଣ୍ଣୟ ଉପରେ ଆଧାର କରି ପୂର୍ବ ଅଧ୍ୟୟନଗୁଡ଼ିକ ମୁଖ୍ୟତ ““ ବାୟୋଜୋକେମିକାଲ୍ ପ୍ରଦେଶ ”(12, 14, 18) ନିର୍ଣ୍ଣୟ କରିଛନ୍ତି |ଏଠାରେ, ସାଂଖ୍ୟିକ ମଡେଲ୍ [ଡାରୱିନ୍ (୨)] ଆଉଟପୁଟ୍ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ଏବଂ ସମ୍ପ୍ରଦାୟର ଗଠନ ଏବଂ ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ ଅନୁଯାୟୀ ପରିବେଶ ପ୍ରଦେଶ ନିର୍ଣ୍ଣୟ କରାଯାଏ |ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ସାଂଖ୍ୟିକ ମଡେଲର ବିଶ୍ୱସ୍ତରୀୟ କଭରେଜ ଅଛି ଏବଂ ବିଦ୍ୟମାନ ଫିଲ୍ଡ ଡାଟା (17) ଏବଂ ରିମୋଟ ସେନ୍ସିଙ୍ଗ ଫିଲ୍ଡ (ଟିପ୍ପଣୀ S1) ସହିତ ତୁଳନା କରାଯାଇପାରେ |ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ସାଂଖ୍ୟିକ ମଡେଲ ତଥ୍ୟ ବିଶ୍ global ର କଭରେଜର ସୁବିଧା ରହିଛି |ମଡେଲ ଇକୋସିଷ୍ଟମରେ 35 ପ୍ରଜାତିର ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ଏବଂ 16 ପ୍ରଜାତିର ଜୁପ୍ଲ୍ୟାକଟନ୍ ଅଛି (ଦୟାକରି ସାମଗ୍ରୀ ଏବଂ ପଦ୍ଧତିକୁ ଅନୁସରଣ କରନ୍ତୁ) |ମଡେଲ୍ ପ୍ଲାଙ୍କଟନ୍ ପ୍ରକାରଗୁଡିକ ଅଣ-ଗାଉସିଆନ୍ କୋଭାରିଆନ୍ସ ସଂରଚନା ସହିତ ଅଣ-ର ar ଖିକ ଭାବରେ କାର୍ଯ୍ୟ କରନ୍ତି, ତେଣୁ ଉଦୀୟମାନ ସମ୍ପ୍ରଦାୟ ସଂରଚନାରେ ଅନନ୍ୟ ଏବଂ ସ୍ଥିର s ାଞ୍ଚା ଚିହ୍ନଟ କରିବା ପାଇଁ ସରଳ ନିଦାନ ପ୍ରଣାଳୀ ଉପଯୁକ୍ତ ନୁହେଁ |ଏଠାରେ ଉପସ୍ଥାପିତ SAGE ପଦ୍ଧତି ଜଟିଳ ଡାରୱିନ୍ ମଡେଲଗୁଡିକର ଆଉଟପୁଟ୍ ଯାଞ୍ଚ କରିବା ପାଇଁ ଏକ ନୂତନ ଉପାୟ ପ୍ରଦାନ କରେ |
ଡାଟା ସାଇନ୍ସ / ML ଟେକ୍ନୋଲୋଜିର ଶକ୍ତିଶାଳୀ ପରିବର୍ତ୍ତନଶୀଳ କ୍ଷମତା ତଥ୍ୟ କୋଭାରିଆନ୍ସରେ ଜଟିଳ କିନ୍ତୁ ଦୃ ust ସଂରଚନାକୁ ପ୍ରକାଶ କରିବାକୁ ଅତ୍ୟଧିକ ଜଟିଳ ମଡେଲ ସମାଧାନକୁ ସକ୍ଷମ କରିପାରିବ |ଏକ ଦୃ ust ପଦ୍ଧତିକୁ ଏକ ପଦ୍ଧତି ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି ଯାହାକି ନିର୍ଦ୍ଦିଷ୍ଟ ତ୍ରୁଟି ପରିସର ମଧ୍ୟରେ ଫଳାଫଳକୁ ବିଶ୍ୱସ୍ତ ଭାବରେ ପୁନ oduc ପ୍ରକାଶ କରିପାରିବ |ସରଳ ପ୍ରଣାଳୀରେ ମଧ୍ୟ ଦୃ ust ଼ s ାଞ୍ଚା ଏବଂ ସଙ୍କେତ ନିର୍ଣ୍ଣୟ କରିବା ଏକ ଚ୍ୟାଲେଞ୍ଜ ହୋଇପାରେ |ଯେପର୍ଯ୍ୟନ୍ତ ପର୍ଯ୍ୟବେକ୍ଷଣ କରାଯାଇଥିବା pattern ାଞ୍ଚାକୁ ନେଇ ଆସୁଥିବା ଯୁକ୍ତି ନିର୍ଣ୍ଣୟ ନହେବା ପର୍ଯ୍ୟନ୍ତ, ଉଦୀୟମାନ ଜଟିଳତା ଜଟିଳ / ସମାଧାନ କରିବା କଷ୍ଟକର ମନେହୁଏ |ଇକୋସିଷ୍ଟମର ରଚନା ସ୍ଥିର କରିବାର ମୁଖ୍ୟ ପ୍ରକ୍ରିୟା ହେଉଛି ପ୍ରକୃତିର ଅଣନ ar ତିକ |ଅଣ-ର ar ଖ୍ୟ ପାରସ୍ପରିକ କାର୍ଯ୍ୟର ଅସ୍ତିତ୍ୱ ଦୃ ust ବର୍ଗୀକରଣକୁ ଦ୍ୱନ୍ଦରେ ପକାଇପାରେ, ତେଣୁ ପଦ୍ଧତିକୁ ଏଡ଼ାଇବା ଆବଶ୍ୟକ, ଯାହା ତଥ୍ୟ କୋଭାରିଆନ୍ସର ମ basic ଳିକ ପରିସଂଖ୍ୟାନ ବଣ୍ଟନ ବିଷୟରେ ଦୃ strong ଅନୁମାନ କରିଥାଏ |ମହାସାଗରରେ ଉଚ୍ଚ-ଡାଇମେନ୍ସନାଲ୍ ଏବଂ ଅଣ-ଲାଇନ୍ ଡାଟା ସାଧାରଣ ଏବଂ ଜଟିଳ, ଅଣ-ଗ uss ସିଆନ୍ ଟପୋଲୋଜି ସହିତ ଏକ କୋଭାରିଆନ୍ସ ଗଠନ ହୋଇପାରେ |ଯଦିଓ ଏକ ଅଣ-ଗ uss ସିଆନ୍ କୋଭାରିଆନ୍ସ structure ାଞ୍ଚା ସହିତ ତଥ୍ୟ ଦୃ ust ଶ୍ରେଣୀକରଣରେ ବାଧା ସୃଷ୍ଟି କରିପାରେ, SAGE ପଦ୍ଧତି ଉପନ୍ୟାସ ଅଟେ କାରଣ ଏହା କ୍ଲଷ୍ଟରକୁ ନିର୍ଦ୍ଦିଷ୍ଟ ଟପୋଲୋଜି ସହିତ ଚିହ୍ନଟ କରିବା ପାଇଁ ପରିକଳ୍ପିତ |
SAGE ପଦ୍ଧତିର ଲକ୍ଷ୍ୟ ହେଉଛି ଉଦୀୟମାନ s ାଞ୍ଚାଗୁଡ଼ିକୁ ଅବଜେକ୍ଟିଭ୍ ଚିହ୍ନଟ କରିବା ଯାହାକି ଅଧିକ ପରିବେଶ ବୁ understanding ିବାରେ ସାହାଯ୍ୟ କରିଥାଏ |(19) ପରି ଏକ କ୍ଲଷ୍ଟର-ଆଧାରିତ କାର୍ଯ୍ୟଧାରା ଅନୁସରଣ କରି, ଇକୋଲୋଜିକାଲ୍ ଏବଂ ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ ଭେରିଏବଲ୍ ଗୁଡିକ ତଥ୍ୟର ଏକମାତ୍ର କ୍ଲଷ୍ଟର ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ଯାହାକୁ ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶ କୁହାଯାଏ |ଏହି ଅଧ୍ୟୟନରେ ପ୍ରସ୍ତାବିତ SAGE ପଦ୍ଧତି (ଚିତ୍ର 1) ପ୍ରଥମେ ଏକ ପ୍ରାଥମିକତାକୁ ବ୍ୟାଖ୍ୟା କରିଥିବା ପ୍ଲାନକଟନ୍ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀକୁ ସଂକ୍ଷେପରେ ଡାଇମେନ୍ସନାଲିଟି 55 ରୁ 11 ଡାଇମେନ୍ସନ୍ ହ୍ରାସ କରେ (ସାମଗ୍ରୀ ଏବଂ ପଦ୍ଧତି ଦେଖନ୍ତୁ) |ଟି-ରାଣ୍ଡମ ପଡୋଶୀ ଏମ୍ବେଡିଂ (t-SNE) ପଦ୍ଧତି ବ୍ୟବହାର କରି, 3D ସ୍ପେସରେ ସମ୍ଭାବ୍ୟତା ପ୍ରୋଜେକ୍ଟ କରି ଆକାର ଆହୁରି ହ୍ରାସ ହୁଏ |ଅଣସଂରକ୍ଷିତ କ୍ଲଷ୍ଟରିଙ୍ଗ ପରିବେଶଗତ ଭାବରେ ନିକଟବର୍ତ୍ତୀ ସ୍ଥାନଗୁଡିକ ଚିହ୍ନଟ କରିପାରିବ [ଶବ୍ଦ-ଆଧାରିତ ପ୍ରୟୋଗଗୁଡ଼ିକ ପାଇଁ ଘନତା-ଆଧାରିତ ସ୍ଥାନିକ କ୍ଲଷ୍ଟରିଙ୍ଗ (DBSCAN) |ଉଭୟ t-SNE ଏବଂ DBSCAN ଅନ୍ତର୍ନିହିତ ଅଣ-ର ar ଖ୍ୟ ଇକୋସିଷ୍ଟମ୍ ସାଂଖ୍ୟିକ ମଡେଲ୍ ତଥ୍ୟ ପାଇଁ ପ୍ରଯୁଜ୍ୟ |ତା’ପରେ ପରିଣତ ହୋଇଥିବା ପରିବେଶ ପ୍ରଦେଶକୁ ପୃଥିବୀକୁ ପ୍ରତ୍ୟାଖ୍ୟାନ କର |ଆଞ୍ଚଳିକ ଅନୁସନ୍ଧାନ ପାଇଁ ଉପଯୁକ୍ତ ଶହେରୁ ଅଧିକ ଅନନ୍ୟ ପରିବେଶ ପ୍ରଦେଶ ଚିହ୍ନଟ କରାଯାଇଛି |ସର୍ବଭାରତୀୟ ସ୍ତରରେ ସ୍ଥିର ଇକୋସିଷ୍ଟମ ମଡେଲକୁ ବିଚାର କରିବାକୁ, SAGE ପଦ୍ଧତିକୁ ପରିବେଶ ପ୍ରଦେଶଗୁଡ଼ିକର କାର୍ଯ୍ୟକାରିତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ପରିବେଶ ପ୍ରଦେଶଗୁଡ଼ିକୁ ଏକତ୍ରିତ ଇକୋଲୋଜିକାଲ ପ୍ରଦେଶ (AEP) ରେ ଏକତ୍ର କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ |ଏକୀକରଣର ସ୍ତର (“ଜଟିଳତା” କୁହାଯାଏ) ଆବଶ୍ୟକ ସବିଶେଷ ସ୍ତରରେ ଆଡଜଷ୍ଟ ହୋଇପାରିବ |ଏକ ଦୃ ust AEP ର ସର୍ବନିମ୍ନ ଜଟିଳତା ନିର୍ଣ୍ଣୟ କରନ୍ତୁ |ଚୟନର ଧ୍ୟାନ ହେଉଛି SAGE ପଦ୍ଧତି ଏବଂ ଜରୁରୀକାଳୀନ ସମ୍ପ୍ରଦାୟର ଗଠନର ନିୟନ୍ତ୍ରଣ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ଛୋଟ ଜଟିଳତା AEP ମାମଲା ଅନୁସନ୍ଧାନ |ତାପରେ ପରିବେଶ ସମ୍ବନ୍ଧୀୟ ଜ୍ଞାନ ପ୍ରଦାନ କରିବାକୁ s ାଞ୍ଚାଗୁଡ଼ିକୁ ବିଶ୍ଳେଷଣ କରାଯାଇପାରେ |ଏଠାରେ ପ୍ରବର୍ତ୍ତିତ ପଦ୍ଧତିକୁ ମଡେଲ ତୁଳନା ପାଇଁ ଅଧିକ ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଉଦାହରଣ ସ୍ୱରୂପ, ଭିନ୍ନ ଭିନ୍ନ ମଡେଲରେ ମିଳୁଥିବା ସମାନ ପରିବେଶ ପ୍ରଦେଶଗୁଡିକର ଅବସ୍ଥାନକୁ ମୂଲ୍ୟାଙ୍କନ କରି ଭିନ୍ନତା ଏବଂ ସମାନତାକୁ ଆଲୋକିତ କରିବା ପାଇଁ, ମଡେଲଗୁଡିକ ତୁଳନା କରିବା ପାଇଁ |
(କ) ପରିବେଶ ପ୍ରଦେଶ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ କାର୍ଯ୍ୟ ପ୍ରବାହର ସ୍କିଜେଟିକ୍ ଚିତ୍ର;ସାତଟି କାର୍ଯ୍ୟକ୍ଷମ / ପୁଷ୍ଟିକର ପ୍ଲାନକଟନର ବାୟୋମାସ୍ ଏବଂ ଚାରୋଟି ପୁଷ୍ଟିକର ଯୋଗାଣ ହାର ସହିତ ମୂଳ 55-ଡାଇମେନ୍ସନାଲ ତଥ୍ୟକୁ 11-ଡାଇମେନ୍ସନାଲ ମଡେଲ ଆଉଟପୁଟକୁ ହ୍ରାସ କରିବା ପାଇଁ କାର୍ଯ୍ୟକଳାପ ଗୋଷ୍ଠୀରେ ଏହି ରାଶି ବ୍ୟବହାର କରି |ଅବହେଳିତ ମୂଲ୍ୟ ଏବଂ ସ୍ଥାୟୀ ବରଫ ଆବରଣ କ୍ଷେତ୍ର |ତଥ୍ୟ ମାନକ ଏବଂ ମାନକ ହୋଇଛି |ପରିସଂଖ୍ୟାନିକ ସମାନ ବ feature ଶିଷ୍ଟ୍ୟ ମିଶ୍ରଣକୁ ହାଇଲାଇଟ୍ କରିବାକୁ t-SNE ଆଲଗୋରିଦମକୁ 11-ଡାଇମେନ୍ସନାଲ୍ ଡାଟା ପ୍ରଦାନ କରନ୍ତୁ |ପାରାମିଟର ମୂଲ୍ୟ ସେଟ୍ କରିବାକୁ DBSCAN ଯତ୍ନର ସହିତ କ୍ଲଷ୍ଟରକୁ ବାଛିବ |ଶେଷରେ ତଥ୍ୟକୁ ଅକ୍ଷାଂଶ / ଦ୍ରାଘିମା ପ୍ରୋଜେକସନକୁ ପ୍ରୋଜେକ୍ଟ କରନ୍ତୁ |ଦୟାକରି ଧ୍ୟାନ ଦିଅନ୍ତୁ ଯେ ଏହି ପ୍ରକ୍ରିୟା 10 ଥର ପୁନରାବୃତ୍ତି ହୋଇଛି କାରଣ t-SNE ପ୍ରୟୋଗ କରି ସାମାନ୍ୟ ଅନିୟମିତତା ସୃଷ୍ଟି ହୋଇପାରେ |(ଖ) କାର୍ଯ୍ୟ ପ୍ରବାହକୁ (A) 10 ଥର ପୁନରାବୃତ୍ତି କରି କିପରି AEP ପାଇବେ ତାହା ବ୍ୟାଖ୍ୟା କରେ |ଏହି 10 ଟି କାର୍ଯ୍ୟକାରିତା ପାଇଁ, ଆନ୍ତ f- ପ୍ରାଦେଶିକ ବ୍ରେ-କାର୍ଟିସ୍ (ବିସି) ଭିନ୍ନତା ମ୍ୟାଟ୍ରିକ୍ସ 51 ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ପ୍ରକାରର ବାୟୋମାସ୍ ଉପରେ ଆଧାର କରି ନିର୍ଣ୍ଣୟ କରାଯାଇଥିଲା |ଜଟିଳତା 1 AEP ଠାରୁ ସମ୍ପୂର୍ଣ୍ଣ ଜଟିଳତା ପର୍ଯ୍ୟନ୍ତ ପ୍ରଦେଶଗୁଡିକ ମଧ୍ୟରେ ବିସି ପାର୍ଥକ୍ୟ ନିର୍ଣ୍ଣୟ କର | BC ମାନଦଣ୍ଡ ଲଙ୍ଗହର୍ଷ୍ଟ ପ୍ରଦେଶ ଦ୍ୱାରା ସ୍ଥିର ହୋଇଛି |
SAGE ପଦ୍ଧତି ବିଶ୍ 3D ର 3D ଭ physical ତିକ / ଇକୋସିଷ୍ଟମ୍ ସାଂଖ୍ୟିକ ମଡେଲର ଫଳାଫଳକୁ ପରିବେଶ ପ୍ରଦେଶକୁ ବ୍ୟାଖ୍ୟା କରିବାକୁ ବ୍ୟବହାର କରେ [ଡାରୱିନ୍ (୨);ସାମଗ୍ରୀ ଏବଂ ପଦ୍ଧତି ଏବଂ ଟିପ୍ପଣୀ S1 ଦେଖନ୍ତୁ |ଇକୋସିଷ୍ଟମର ଉପାଦାନଗୁଡିକ 35 ପ୍ରଜାତିର ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ଏବଂ 16 ପ୍ରଜାତିର ଜୁପ୍ଲ୍ୟାକଟନ୍ ସହିତ ଗଠିତ, ସାତଟି ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ କାର୍ଯ୍ୟକଳାପ ସହିତ: ପ୍ରୋକାରିଓଟ୍ ଏବଂ ଇଉକାରିଓଟ୍ ସ୍ୱଳ୍ପ ପୁଷ୍ଟିକର ପରିବେଶ ସହିତ ଖାପ ଖୁଆଇଛି, କ୍ୟାଲସିୟମ୍ କାର୍ବୋନାଟ୍ ଆବରଣ ସହିତ କୋକ୍ସିଡିଆ ଏବଂ ଭାରୀ ନାଇଟ୍ରୋଜେନ୍ ଫିକ୍ସିସନ ନାଇଟ୍ରୋଜେନ୍ ପୁଷ୍ଟିକର | ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପୋଷକ ତତ୍ତ୍ୱ), ସିଲାଇସିସ୍ ଆଚ୍ଛାଦନ ସହିତ, ଅନ୍ୟ ପ୍ଲାନ୍କଟନ୍ ଫଟୋସନ୍ଥେସିସ୍ ଏବଂ ଚରିବା ମିଶ୍ରିତ ପୁଷ୍ଟିକର ଫ୍ଲାଗେଲେଟ୍ ଏବଂ ଜୁପ୍ଲ୍ୟାକଟନ୍ ପଶୁପାଳକ ତିଆରି କରିପାରନ୍ତି |ଆକାର ବ୍ୟବଧାନ ହେଉଛି 0.6 ରୁ 2500μm ସମାନ ଗୋଲାକାର ବ୍ୟାସ |ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ଆକାରର ମଡେଲ୍ ବଣ୍ଟନ ଏବଂ କାର୍ଯ୍ୟକ୍ଷମ ଗ୍ରୁପିଂ ଉପଗ୍ରହ ଏବଂ ଇନ୍-ସିଟ୍ ପର୍ଯ୍ୟବେକ୍ଷଣରେ ଦେଖାଯାଇଥିବା ସାମଗ୍ରିକ ବ characteristics ଶିଷ୍ଟ୍ୟଗୁଡିକୁ କ୍ୟାପଚର୍ କରିଥାଏ (ଚିତ୍ର S1 ରୁ S3 ଦେଖନ୍ତୁ) |ସାଂଖ୍ୟିକ ମଡେଲ ଏବଂ ଦେଖାଯାଇଥିବା ମହାସାଗର ମଧ୍ୟରେ ସମାନତା ସୂଚାଇଥାଏ ଯେ ମଡେଲ ଦ୍ defined ାରା ବ୍ୟାଖ୍ୟା କରାଯାଇଥିବା ପ୍ରଦେଶଗୁଡ଼ିକ ଇନ୍-ସିଟ୍ ମହାସାଗରରେ ପ୍ରଯୁଜ୍ୟ ହୋଇପାରେ |ଦୟାକରି ଧ୍ୟାନ ଦିଅନ୍ତୁ ଯେ ଏହି ମଡେଲ୍ କେବଳ ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ର କିଛି ବିବିଧତାକୁ କ୍ୟାପଚର୍ କରିଥାଏ ଏବଂ କେବଳ ସେଟୁ ମହାସାଗରରେ କିଛି ଭ physical ତିକ ଏବଂ ରାସାୟନିକ ବାଧ୍ୟତାମୂଳକ ପରିସର ଧାରଣ କରିଥାଏ |SAGE ପଦ୍ଧତି ଲୋକମାନଙ୍କୁ ମଡେଲ୍ ସମ୍ପ୍ରଦାୟ ଗଠନର ଉଚ୍ଚ ଆଞ୍ଚଳିକ ନିୟନ୍ତ୍ରଣ ଯନ୍ତ୍ରକୁ ଭଲ ଭାବରେ ବୁ to ିବାକୁ ସକ୍ଷମ କରିପାରିବ |
ପ୍ରତ୍ୟେକ ପ୍ଲାନକଟନ୍ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀରେ କେବଳ ଭୂପୃଷ୍ଠ ବାୟୋମାସ୍ (ହାରାହାରି 20 ବର୍ଷ ସହିତ) ଅନ୍ତର୍ଭୂକ୍ତ କରି, ତଥ୍ୟର ପରିମାଣ କମିଯାଇପାରେ |ପୂର୍ବ ଅଧ୍ୟୟନଗୁଡିକ ସମ୍ପ୍ରଦାୟର ଗଠନ ସ୍ଥିର କରିବାରେ ସେମାନଙ୍କର ପ୍ରମୁଖ ଭୂମିକା ଦେଖାଇବା ପରେ, ଏଥିରେ ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ (ନାଇଟ୍ରୋଜେନ୍, ଆଇରନ୍, ଫସଫେଟ୍ ଏବଂ ସିଲିକିକ୍ ଏସିଡ୍ ଯୋଗାଣ) ପାଇଁ ଭୂପୃଷ୍ଠ ଉତ୍ସ ଶବ୍ଦ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଥିଲା (ଯଥା (20, 21)] |କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର ସମନ୍ୱୟ ସମସ୍ୟାକୁ 55 (51 ପ୍ଲାନକଟନ୍ ଏବଂ 4 ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ) ରୁ 11 ଆକାରକୁ ହ୍ରାସ କରେ |ଏହି ପ୍ରାରମ୍ଭିକ ଅଧ୍ୟୟନରେ, ଆଲଗୋରିଦମ ଦ୍ imposed ାରା ଲଗାଯାଇଥିବା ଗଣନାଗତ ପ୍ରତିବନ୍ଧକ ହେତୁ, ଗଭୀରତା ଏବଂ ସମୟ ପରିବର୍ତ୍ତନଶୀଳତାକୁ ବିଚାର କରାଯାଇନଥିଲା |
SAGE ପଦ୍ଧତି ଅଣ-ର ar ଖିକ ପ୍ରକ୍ରିୟା ଏବଂ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀ ବାୟୋମାସ୍ ଏବଂ ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ ମଧ୍ୟରେ ପାରସ୍ପରିକ କାର୍ଯ୍ୟର ମୁଖ୍ୟ ବ features ଶିଷ୍ଟ୍ୟ ମଧ୍ୟରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସମ୍ପର୍କ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ ଅଟେ |ଇଉକ୍ଲିଡିଆନ୍ ଦୂରତା ଶିକ୍ଷା ପଦ୍ଧତି ଉପରେ ଆଧାରିତ 11-ଡାଇମେନ୍ସନାଲ୍ ଡାଟା ବ୍ୟବହାର କରିବା (ଯେପରିକି କେ-ଅର୍ଥ) ନିର୍ଭରଯୋଗ୍ୟ ଏବଂ ପୁନ oduc ଉତ୍ପାଦନକାରୀ ପ୍ରଦେଶ (19, 22) ହାସଲ କରିପାରିବ ନାହିଁ |ଏହାର କାରଣ ହେଉଛି, କ ological ଣସି ଗ uss ସିଆନ୍ ଆକୃତି ମୂଖ୍ୟ ଉପାଦାନଗୁଡ଼ିକର କୋଭାରିଆନ୍ସର ମ distribution ଳିକ ବଣ୍ଟନରେ ମିଳୁ ନାହିଁ ଯାହା ପରିବେଶ ପ୍ରଦେଶକୁ ବ୍ୟାଖ୍ୟା କରେ |ଭୋରୋନୋଇ କୋଷଗୁଡ଼ିକର କେ-ମାଧ୍ୟମ (ସିଧା ରେଖା) ଅଣ-ଗ uss ସିଆନ୍ ମ basic ଳିକ ବଣ୍ଟନକୁ ବଜାୟ ରଖିପାରିବ ନାହିଁ |
ସାତଟି ପ୍ଲାଙ୍କଟନ୍ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର ବାୟୋମାସ୍ ଏବଂ ଚାରୋଟି ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ ଏକ 11-ଡାଇମେନ୍ସନାଲ୍ ଭେକ୍ଟର x ଗଠନ କରେ |ତେଣୁ, x ହେଉଛି ମଡେଲ୍ ଗ୍ରୀଡ୍ ଉପରେ ଏକ ଭେକ୍ଟର ଫିଲ୍ଡ, ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ ଉପାଦାନ xi ମଡେଲ୍ ଭୂସମାନ୍ତର ଗ୍ରୀଡ୍ ଉପରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଥିବା 11-ଡାଇମେନ୍ସନାଲ୍ ଭେକ୍ଟରକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ |ପ୍ରତ୍ୟେକ ଇଣ୍ଡେକ୍ସ i ସ୍ iqu ତନ୍ତ୍ର ଭାବରେ କ୍ଷେତ୍ର ଉପରେ ଏକ ଗ୍ରୀଡ୍ ପଏଣ୍ଟ ଚିହ୍ନଟ କରେ, ଯେଉଁଠାରେ (lon, lat) = (ϕi, θi) |ଯଦି ମଡେଲ୍ ଗ୍ରୀଡ୍ ୟୁନିଟ୍ ର ବାୟୋମାସ୍ 1.2 × 10-3mg Chl / m3 ରୁ କମ୍ କିମ୍ବା ବରଫ କଭରେଜ୍ ହାର 70% ରୁ ଅଧିକ, ବାୟୋମାସ୍ ତଥ୍ୟର ଲଗ୍ ବ୍ୟବହାର କରାଯାଇ ପରିତ୍ୟାଗ କରାଯାଏ |ଡାଟା ସ୍ ized ାଭାବିକ ଏବଂ ମାନକ ହୋଇଛି, ତେଣୁ ସମସ୍ତ ତଥ୍ୟ [0 ରୁ 1] ପରିସର ମଧ୍ୟରେ ଅଛି, ଏହାର ଅର୍ଥ ଅପସାରିତ ହୋଇଛି ଏବଂ ୟୁନିଟ୍ ଭାରିଏନ୍ସକୁ ମାପ କରାଯାଇଛି |ଏହା କରାଯାଇଛି ଯାହା ଦ୍ the ାରା ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ (ବାୟୋମାସ୍ ଏବଂ ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ) ସମ୍ଭାବ୍ୟ ମୂଲ୍ୟ ପରିସରର ବିପରୀତ ଦ୍ୱାରା ସୀମିତ ନୁହେଁ |ଭ ographic ଗୋଳିକ ଦୂରତା ଅପେକ୍ଷା ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ମଧ୍ୟରେ ମୁଖ୍ୟ ସମ୍ଭାବ୍ୟତା ଦୂରତାରୁ କ୍ଲଷ୍ଟରିଙ୍ଗ ପରିବର୍ତ୍ତନ ସମ୍ପର୍କକୁ କ୍ୟାପଚର କରିବା ଉଚିତ |ଏହି ଦୂରତାକୁ ପରିମାଣ କରି, ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ଉତ୍ପନ୍ନ ହୁଏ, ଯେତେବେଳେ ଅନାବଶ୍ୟକ ବିବରଣୀଗୁଡିକ ପରିତ୍ୟାଗ କରାଯାଏ |ଏକ ପରିବେଶ ଦୃଷ୍ଟିକୋଣରୁ, ଏହା ଆବଶ୍ୟକ କାରଣ ଅଳ୍ପ ବାୟୋମାସ୍ ସହିତ କେତେକ ପ୍ରକାରର ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ଅଧିକ ବାୟୋଜୋକେମିକାଲ୍ ପ୍ରଭାବ ପକାଇପାରେ, ଯେପରିକି ଡାଏଜୋଟ୍ରୋଫିକ୍ ବ୍ୟାକ୍ଟେରିଆ ଦ୍ nit ାରା ନାଇଟ୍ରୋଜେନ୍ ଫିକ୍ସିସନ |ଡାଟା ମାନକ ଏବଂ ସ୍ normal ାଭାବିକ କରିବାବେଳେ, ଏହି ପ୍ରକାରର କୋଭାରିଏଟ୍ ଗୁଡିକ ହାଇଲାଇଟ୍ ହେବ |
ନିମ୍ନ-ଡାଇମେନ୍ସନାଲ୍ ଉପସ୍ଥାପନାରେ ଉଚ୍ଚ-ଡାଇମେନ୍ସନାଲ୍ ସ୍ପେସରେ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକର ନିକଟତରତାକୁ ଗୁରୁତ୍ୱ ଦେଇ, t-SNE ଆଲଗୋରିଦମ ବିଦ୍ୟମାନ ସମାନ ଅଞ୍ଚଳକୁ ଅଧିକ ସ୍ପଷ୍ଟ କରିବାକୁ ବ୍ୟବହୃତ ହୁଏ |ରିମୋଟ ସେନ୍ସିଂ ପ୍ରୟୋଗଗୁଡ଼ିକ ପାଇଁ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କ ନିର୍ମାଣ ପାଇଁ ଲକ୍ଷ୍ୟ ରଖାଯାଇଥିବା ପୂର୍ବ କାର୍ଯ୍ୟ, t-SNE ବ୍ୟବହୃତ ହୋଇଥିଲା, ଯାହାକି ମୁଖ୍ୟ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ପୃଥକ କରିବାରେ ଏହାର ଦକ୍ଷତା ପ୍ରମାଣ କରିଥିଲା ​​(23) |ଅଣ-ସମ୍ମିଳିତ ସମାଧାନଗୁଡିକ (ନୋଟ୍ S2) କୁ ଏଡାଇବାବେଳେ ବ feature ଶିଷ୍ଟ୍ୟ ତଥ୍ୟରେ ଦୃ ust କ୍ଲଷ୍ଟରିଙ୍ଗ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏହା ଏକ ଆବଶ୍ୟକୀୟ ପଦକ୍ଷେପ |ଗାଉସିଆନ୍ କର୍ଣ୍ଣଲ ବ୍ୟବହାର କରି, t-SNE ପ୍ରତ୍ୟେକ ଉଚ୍ଚ-ଡାଇମେନ୍ସନାଲ୍ ବସ୍ତୁକୁ 3D ଫେଜ୍ ସ୍ପେସରେ ଏକ ମ୍ୟାପ୍ କରି ତଥ୍ୟର ପରିସଂଖ୍ୟାନ ଗୁଣ ସଂରକ୍ଷଣ କରେ, ଯାହା ଦ୍ high ାରା ଉଚ୍ଚ ଏବଂ ନିମ୍ନ ଦିଗରେ ସମାନ ବସ୍ତୁର ସମ୍ଭାବନା ଏକ ଉଚ୍ଚ- ଡାଇମେନ୍ସନାଲ୍ ସ୍ପେସ୍ (24) |N ଉଚ୍ଚ-ଡାଇମେନ୍ସନାଲ୍ ବସ୍ତୁର ଏକ ସେଟ୍ ପ୍ରଦାନ କରାଯାଇଛି x1,…, xN, t-SNE ଆଲଗୋରିଦମ କୁଲବ୍ୟାକ୍-ଲାଇବଲର୍ (KL) ବିଭେଦ (25) କୁ କମ୍ କରି ହ୍ରାସ କରେ |ଦ୍ୱିତୀୟ ରେଫରେନ୍ସ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନ ଠାରୁ ଏକ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନ କେତେ ଭିନ୍ନ, ଏହାର ଏକ ମାପ ହେଉଛି, ଏବଂ ଉଚ୍ଚ-ଡାଇମେନ୍ସନାଲ୍ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକର ନିମ୍ନ-ଡାଇମେନ୍ସନାଲ୍ ଉପସ୍ଥାପନା ମଧ୍ୟରେ ସମ୍ପର୍କର ସମ୍ଭାବନାକୁ ଫଳପ୍ରଦ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରିପାରିବ |ଯଦି xi ହେଉଛି N- ଡାଇମେନ୍ସନାଲ୍ ସ୍ପେସ୍ ରେ i-th ବସ୍ତୁ, xj ହେଉଛି N- ଡାଇମେନ୍ସନାଲ୍ ସ୍ପେସ୍ ରେ j-th ବସ୍ତୁ, yi ହେଉଛି ଲୋ-ଡାଇମେନ୍ସନାଲ୍ ସ୍ପେସ୍ ରେ i-th ବସ୍ତୁ, ଏବଂ yj କମ୍ ରେ j-th ବସ୍ତୁ | -ଡିମେନସନାଲ ସ୍ପେସ୍, ତାପରେ t -SNE ସମାନତା ସମ୍ଭାବନା ppj∣i = exp (-∥xi-xj∥2 / 2σi2) ∑k ≠ iexp (-∥xi-xk∥2 / 2σi2), ଏବଂ ଡାଇମେନ୍ସନାଲିଟି ହ୍ରାସ ସେଟ୍ ପାଇଁ ବ୍ୟାଖ୍ୟା କରେ | q∣j = (1+ ∥ yi-yj∥2) -1∑k ≠ i (1 + ∥yj-yk∥2) -1
ଚିତ୍ର 2A 11-ଡାଇମେନ୍ସନାଲ୍ ମିଶ୍ରଣର ବାୟୋମାସ୍ ଏବଂ ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ ଭେକ୍ଟରକୁ 3D କୁ ହ୍ରାସ କରିବାର ପ୍ରଭାବକୁ ବର୍ଣ୍ଣନା କରେ |T-SNE ପ୍ରୟୋଗ କରିବାର ପ୍ରେରଣାକୁ ମୁଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣ (PCA) ର ପ୍ରେରଣା ସହିତ ତୁଳନା କରାଯାଇପାରେ, ଯାହା ତଥ୍ୟର କ୍ଷେତ୍ର / ଗୁଣକୁ ଗୁରୁତ୍ୱ ଦେବା ପାଇଁ ଭାରିଏନ୍ସ ଆଟ୍ରିବ୍ୟୁଟ୍ ବ୍ୟବହାର କରିଥାଏ, ଯାହାଦ୍ୱାରା ଡାଇମେନ୍ସନାଲିଟି କମିଯାଏ |ଇକୋ-ମନ୍ତ୍ରଣାଳୟ ପାଇଁ ନିର୍ଭରଯୋଗ୍ୟ ଏବଂ ପୁନ oduc ଉତ୍ପାଦନ ଫଳାଫଳ ପ୍ରଦାନ କରିବାରେ t-SNE ପଦ୍ଧତି PCA ଠାରୁ ଉନ୍ନତ ବୋଲି ଜଣାପଡିଛି (ଟିପ୍ପଣୀ S2 ଦେଖନ୍ତୁ) |ଏହା ହୋଇପାରେ କାରଣ PCA ର ଅର୍ଥୋଗୋନାଲିଟି ଅନୁମାନ ଅତ୍ୟଧିକ ଅଣ-ର ar ଖ୍ୟ ଇଣ୍ଟରାକ୍ଟିଭ୍ ବ features ଶିଷ୍ଟ୍ୟ ମଧ୍ୟରେ ଜଟିଳ ପାରସ୍ପରିକ ପାରସ୍ପରିକ ଚିହ୍ନଟ ପାଇଁ ଉପଯୁକ୍ତ ନୁହେଁ, କାରଣ PCA ର line ଖ୍ୟ କୋଭାରିଆନ୍ସ ସଂରଚନା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ |ରିମୋଟ ସେନ୍ସିଂ ଡାଟା ବ୍ୟବହାର କରି, ଲୁଙ୍ଗା ଇତ୍ୟାଦି |(27) ଜଟିଳ ଏବଂ ଅଣ-ଲାଇନ୍ ସ୍ପେକ୍ଟ୍ରାଲ୍ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକୁ ହାଇଲାଇଟ୍ କରିବାକୁ SNE ପଦ୍ଧତିକୁ କିପରି ବ୍ୟବହାର କରାଯିବ ତାହା ବର୍ଣ୍ଣନା କରେ ଯାହା ଗ uss ସିଆନ୍ ବଣ୍ଟନରୁ ବିଚ୍ଛିନ୍ନ |
(କ) T-SNE ଆଲଗୋରିଦମ ଦ୍ drawn ାରା ଅଙ୍କିତ ଏବଂ DBSCAN ବ୍ୟବହାର କରି ପ୍ରଦେଶ ଦ୍ୱାରା ରଙ୍ଗିତ ଏକ ମଡେଲ ହୋଇଥିବା ପୁଷ୍ଟିକର ଯୋଗାଣ ହାର, ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ଏବଂ ଜୁପ୍ଲ୍ୟାକଟନ୍ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀ ବାୟୋମାସ୍ |ପ୍ରତ୍ୟେକ ବିନ୍ଦୁ ଉଚ୍ଚ-ଡାଇମେନ୍ସନାଲ ସ୍ପେସରେ ଏକ ବିନ୍ଦୁକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, ଚିତ୍ର 6B ରେ ଦେଖାଯାଇଥିବା ପରି, ଅଧିକାଂଶ ପଏଣ୍ଟଗୁଡ଼ିକ ଧରାଯାଇଥାଏ |ଶାଫ୍ଟଗୁଡିକ “t-SNE” ଆକାର 1, 2 ଏବଂ 3 କୁ ସୂଚିତ କରେ |ରଙ୍ଗକୁ ଯେକ any ଣସି ରଙ୍ଗ ଭାବରେ ବିବେଚନା କରାଯିବା ଉଚିତ, କିନ୍ତୁ (A) ସହିତ ଅନୁରୂପ ହେବା ଉଚିତ |
ଚିତ୍ର 2A ରେ t-SNE ବିଛାଇବା ପ୍ଲଟରେ ଥିବା ପଏଣ୍ଟଗୁଡ଼ିକ ଯଥାକ୍ରମେ ଅକ୍ଷାଂଶ ଏବଂ ଦ୍ରାଘିମା ସହିତ ଜଡିତ |ଯଦି ଚିତ୍ର 2A ର ଦୁଇଟି ପଏଣ୍ଟ ପରସ୍ପରର ନିକଟତର, ଏହାର କାରଣ ହେଉଛି ସେମାନଙ୍କର ଜ om ବ ଜୀବ ଏବଂ ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ ସମାନ, ଭ ge ଗୋଳିକ ନିକଟତରତା ହେତୁ ନୁହେଁ |ଚିତ୍ର 2A ରେ ଥିବା ରଙ୍ଗଗୁଡ଼ିକ ହେଉଛି DBSCAN ପଦ୍ଧତି (28) ବ୍ୟବହାର କରି ଆବିଷ୍କୃତ କ୍ଲଷ୍ଟର |ଘନ ପର୍ଯ୍ୟବେକ୍ଷଣ ଖୋଜୁଥିବାବେଳେ, DBSCAN ଆଲଗୋରିଦମ ପଏଣ୍ଟ ମଧ୍ୟରେ 3D ଉପସ୍ଥାପନାରେ ଦୂରତା ବ୍ୟବହାର କରିଥାଏ (ϵ = 0.39; ଏହି ପସନ୍ଦ ବିଷୟରେ ସୂଚନା ପାଇଁ, ସାମଗ୍ରୀ ଏବଂ ପଦ୍ଧତି ଦେଖନ୍ତୁ), ଏବଂ କ୍ଲଷ୍ଟରକୁ ବ୍ୟାଖ୍ୟା କରିବା ପାଇଁ ସମାନ ପଏଣ୍ଟ ସଂଖ୍ୟା ଆବଶ୍ୟକ | 100 ପଏଣ୍ଟ, ଦୟାକରି ଉପରେ ଦେଖନ୍ତୁ) |ନିମ୍ନରେ ଦେଖାଯାଇଥିବା ପରି DBSCAN ପଦ୍ଧତି ତଥ୍ୟର କ୍ଲଷ୍ଟର ଆକୃତି କିମ୍ବା ସଂଖ୍ୟା ବିଷୟରେ କ ass ଣସି ଅନୁମାନ କରେ ନାହିଁ:
3) ଦୂରତା ମଧ୍ୟରେ ଚିହ୍ନିତ ସମସ୍ତ ପଏଣ୍ଟଗୁଡିକ ପାଇଁ, କ୍ଲଷ୍ଟର ସୀମା ନିର୍ଣ୍ଣୟ କରିବାକୁ ଷ୍ଟେପ୍ 2 କୁ ପୁନରାବୃତ୍ତି କରନ୍ତୁ |ଯଦି ପଏଣ୍ଟ ସଂଖ୍ୟା ନିର୍ଦ୍ଧାରିତ ସର୍ବନିମ୍ନ ମୂଲ୍ୟଠାରୁ ଅଧିକ, ଏହାକୁ ଏକ କ୍ଲଷ୍ଟର ଭାବରେ ନାମିତ କରାଯାଇଛି |
ଡାଟା ଯାହା ସର୍ବନିମ୍ନ କ୍ଲଷ୍ଟର ସଦସ୍ୟ ଏବଂ ଦୂରତା ϵ ମେଟ୍ରିକକୁ ପୂରଣ କରେ ନାହିଁ “ଶବ୍ଦ” ଭାବରେ ବିବେଚନା କରାଯାଏ ଏବଂ ଏକ ରଙ୍ଗ ଦିଆଯାଏ ନାହିଁ |ଖରାପ ପରିସ୍ଥିତିରେ O (n2) କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ DBSCAN ଏକ ଦ୍ରୁତ ଏବଂ ମାପନୀୟ ଆଲଗୋରିଦମ |ସାମ୍ପ୍ରତିକ ବିଶ୍ଳେଷଣ ପାଇଁ, ଏହା ପ୍ରକୃତରେ ଅନିୟମିତତା ନୁହେଁ |ବିଶେଷଜ୍ଞ ମୂଲ୍ୟାଙ୍କନ ଦ୍ୱାରା ସର୍ବନିମ୍ନ ସଂଖ୍ୟକ ପଏଣ୍ଟ ନିର୍ଣ୍ଣୟ କରାଯାଏ |ପରେ ଦୂରତା ସଜାଡିବା ପରେ, ଫଳାଫଳ ≈ ± 10 ପରିସର ମଧ୍ୟରେ ଯଥେଷ୍ଟ ସ୍ଥିର ନୁହେଁ |ଏହି ଦୂରତା ସଂଯୋଗୀକରଣ (ଚିତ୍ର 6A) ଏବଂ ସମୁଦ୍ର କଭରେଜ୍ ଶତକଡା (ଚିତ୍ର 6 ବି) ବ୍ୟବହାର କରି ସେଟ୍ ହୋଇଛି |କନେକ୍ଟିଭିଟି କ୍ଲଷ୍ଟରର ମିଶ୍ରିତ ସଂଖ୍ୟା ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି ଏବଂ ϵ ପାରାମିଟର ପ୍ରତି ସମ୍ବେଦନଶୀଳ |ଲୋୟର କନେକ୍ଟିଭିଟି ପର୍ଯ୍ୟାପ୍ତ ଫିଟିଂକୁ ସୂଚାଏ, କୃତ୍ରିମ ଭାବରେ ଅଞ୍ଚଳଗୁଡିକୁ ଏକତ୍ର କରିଦିଏ |ଉଚ୍ଚ ସଂଯୋଗୀକରଣ ଅତ୍ୟଧିକ ଫିଟ୍ ସୂଚାଏ |ଏକ ଉଚ୍ଚ ସର୍ବନିମ୍ନ ବ୍ୟବହାର କରିବା କଳ୍ପନା ଯୋଗ୍ୟ, କିନ୍ତୁ ଯଦି ସର୍ବନିମ୍ନ ca ଅତିକ୍ରମ କରେ, ଏକ ନିର୍ଭରଯୋଗ୍ୟ ସମାଧାନ ହାସଲ କରିବା ଅସମ୍ଭବ ଅଟେ |135 (ଅଧିକ ବିବରଣୀ ପାଇଁ, ସାମଗ୍ରୀ ଏବଂ ପଦ୍ଧତି ଦେଖନ୍ତୁ) |
ଚିତ୍ର 2A ରେ ଚିହ୍ନିତ 115 ଟି କ୍ଲଷ୍ଟର ଚିତ୍ର 2B ରେ ପୁନର୍ବାର ପୃଥିବୀକୁ ଆକଳନ କରାଯାଇଛି |ପ୍ରତ୍ୟେକ ରଙ୍ଗ DBSCAN ଦ୍ୱାରା ଚିହ୍ନିତ ବାୟୋଜୋକେମିକାଲ୍ ଏବଂ ଇକୋଲୋଜିକାଲ୍ ଫ୍ୟାକ୍ଟରଗୁଡିକର ଏକ ସମନ୍ୱିତ ମିଶ୍ରଣ ସହିତ ଅନୁରୂପ ଅଟେ |ଥରେ କ୍ଲଷ୍ଟରଗୁଡ଼ିକ ସ୍ଥିର ହୋଇଗଲେ, ଚିତ୍ର 2A ର ପ୍ରତ୍ୟେକ ବିନ୍ଦୁର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଅକ୍ଷାଂଶ ଏବଂ ଦ୍ରାଘିମା ସହିତ ମିଳିତତା କ୍ଲଷ୍ଟରଗୁଡ଼ିକୁ ଭ ographic ଗୋଳିକ କ୍ଷେତ୍ରକୁ ପୁନ project ପ୍ରୋଜେକ୍ଟ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ |ଚିତ୍ର 2B ଏହାକୁ ଚିତ୍ର 2A ସହିତ ସମାନ କ୍ଲଷ୍ଟର ରଙ୍ଗ ସହିତ ବର୍ଣ୍ଣନା କରେ |ସମାନ ରଙ୍ଗକୁ ପରିବେଶଗତ ସମାନତା ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯିବା ଉଚିତ ନୁହେଁ, କାରଣ ସେଗୁଡିକ କ୍ରମ ଦ୍ୱାରା ନ୍ୟସ୍ତ ହୋଇଛି ଯେଉଁଥିରେ କ୍ଲଷ୍ଟରଗୁଡିକ ଆଲଗୋରିଦମ ଦ୍ୱାରା ଆବିଷ୍କୃତ ହୋଇଛି |
ଚିତ୍ର 2B ର କ୍ଷେତ୍ର ଗୁଣାତ୍ମକ ଭାବରେ ସମୁଦ୍ରର ଭ physical ତିକ ଏବଂ / କିମ୍ବା ବାୟୋଗୋକେମିଷ୍ଟ୍ରିରେ ଏକ ପ୍ରତିଷ୍ଠିତ କ୍ଷେତ୍ର ସହିତ ସମାନ ହୋଇପାରେ |ଉଦାହରଣ ସ୍ୱରୂପ, ଦକ୍ଷିଣ ମହାସାଗରରେ ଥିବା କ୍ଲଷ୍ଟରଗୁଡ଼ିକ ଜୋନ୍-ସମୃଦ୍ଧ, ଅଲିଗୋଟ୍ରୋଫିକ୍ ଭର୍ଟିସେସ୍ ଦେଖାଯାଏ ଏବଂ ତୀକ୍ଷ୍ଣ ପରିବର୍ତ୍ତନ ବାଣିଜ୍ୟ ପବନର ପ୍ରଭାବକୁ ସୂଚିତ କରେ |ଉଦାହରଣ ସ୍ୱରୂପ, ସମୀକରଣ ପ୍ରଶାନ୍ତ ମହାସାଗରରେ, ବୃଦ୍ଧି ସହିତ ଜଡିତ ବିଭିନ୍ନ ଅଞ୍ଚଳ ଦେଖାଯାଏ |
ଇକୋ-ପ୍ରଦେଶର ପରିବେଶ ପରିବେଶକୁ ବୁ to ିବା ପାଇଁ, କ୍ଲଷ୍ଟରରେ ପରିବେଶର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ବ୍ରେ-କାର୍ଟିସ୍ (ବିସି) ପାର୍ଥକ୍ୟ ସୂଚକାଙ୍କ (29) ର ଏକ ପରିବର୍ତ୍ତନ ବ୍ୟବହାର କରାଯାଇଥିଲା |ବିସି ସୂଚକ ହେଉଛି ଏକ ପରିସଂଖ୍ୟାନ ତଥ୍ୟ ଯାହାକି ଦୁଇଟି ଭିନ୍ନ ସାଇଟ ମଧ୍ୟରେ ସମ୍ପ୍ରଦାୟ ଗଠନର ପାର୍ଥକ୍ୟକୁ ପରିମାଣ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ |ବିସି ମାପ 51 ପ୍ରଜାତିର ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ଏବଂ ଜୁପ୍ଲ୍ୟାକଟନ୍ BCninj = 1-2CninjSni + Snj ର ବାୟୋମାସ୍ ପାଇଁ ପ୍ରଯୁଜ୍ୟ |
BCninj ମିଶ୍ରଣ ni ଏବଂ ମିଶ୍ରଣ nj ମଧ୍ୟରେ ସମାନତାକୁ ବୁ refers ାଏ, ଯେଉଁଠାରେ Cninj ହେଉଛି ଏକ ପ୍ରକାରର ବାୟୋମାସ୍ ର ସର୍ବନିମ୍ନ ମୂଲ୍ୟ ଯାହା ଉଭୟ ମିଶ୍ରଣ ni ଏବଂ nj ରେ ଅବସ୍ଥିତ, ଏବଂ Sni ଉଭୟ ଜ bi ବ ଜୀବର ସମଷ୍ଟିକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ ଯାହା ଉଭୟ ଏବଂ nij ରେ ମିଳିତ ଅଟେ |ବିସି ପାର୍ଥକ୍ୟ ଦୂରତା ମାପ ସହିତ ସମାନ, କିନ୍ତୁ ଅଣ-ଇଉକ୍ଲିଡିଆନ୍ ସ୍ପେସରେ କାର୍ଯ୍ୟ କରେ, ଯାହା ପରିବେଶ ତଥ୍ୟ ଏବଂ ଏହାର ବ୍ୟାଖ୍ୟା ପାଇଁ ଅଧିକ ଉପଯୁକ୍ତ ହୋଇପାରେ |
ଚିତ୍ର 2B ରେ ଚିହ୍ନିତ ପ୍ରତ୍ୟେକ କ୍ଲଷ୍ଟର ପାଇଁ, ଆନ୍ତ a- ପ୍ରାଦେଶିକ ଏବଂ ଆନ୍ତ - ପ୍ରାଦେଶିକ BC ର ସମାନତାକୁ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇପାରେ |ଏକ ପ୍ରଦେଶ ମଧ୍ୟରେ ବିସି ପାର୍ଥକ୍ୟ ପ୍ରଦେଶର ହାରାହାରି ମୂଲ୍ୟ ଏବଂ ପ୍ରଦେଶର ପ୍ରତ୍ୟେକ ବିନ୍ଦୁ ମଧ୍ୟରେ ପାର୍ଥକ୍ୟକୁ ବୁ .ାଏ |ବିସି ପ୍ରଦେଶ ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ ଗୋଟିଏ ପ୍ରଦେଶ ଏବଂ ଅନ୍ୟାନ୍ୟ ପ୍ରଦେଶ ମଧ୍ୟରେ ସମାନତାକୁ ବୁ .ାଏ |ଚିତ୍ର 3A ଏକ ସମୃଦ୍ଧ ବିସି ମ୍ୟାଟ୍ରିକ୍ସ ଦେଖାଏ (0, କଳା: ସଂପୂର୍ଣ୍ଣ ଅନୁରୂପ; 1, ଧଳା: ସଂପୂର୍ଣ୍ଣ ଭିନ୍ନ) |ଗ୍ରାଫରେ ଥିବା ପ୍ରତ୍ୟେକ ଧାଡ଼ି ତଥ୍ୟରେ ଏକ ନମୁନା ଦେଖାଏ |ଚିତ୍ର 3B ପ୍ରତ୍ୟେକ ପ୍ରଦେଶ ପାଇଁ ଚିତ୍ର 3A ରେ BC ର ଫଳାଫଳର ଭ ographic ଗୋଳିକ ମହତ୍ତ୍ୱ ଦର୍ଶାଏ |ସ୍ୱଳ୍ପ ପୁଷ୍ଟିକର ଏବଂ ସ୍ୱଳ୍ପ ପୁଷ୍ଟିକର ଅଞ୍ଚଳରେ ଥିବା ଏକ ପ୍ରଦେଶ ପାଇଁ ଚିତ୍ର 3 ବି ଦର୍ଶାଏ ଯେ ଇକ୍ୟୁଏଟର ଏବଂ ଭାରତ ମହାସାଗରର ଚାରିପାଖରେ ଥିବା ବଡ଼ ଅଞ୍ଚଳର ସମୃଦ୍ଧତା ମୂଳତ similar ସମାନ, କିନ୍ତୁ ଉଚ୍ଚ ଅକ୍ଷାଂଶ ଏବଂ ଉପରମୁଣ୍ଡଗୁଡିକ ଯଥେଷ୍ଟ ଭିନ୍ନ |
(କ) ବିସି ପାର୍ଥକ୍ୟର ଡିଗ୍ରୀ ପ୍ରତ୍ୟେକ ପ୍ରଦେଶ ପାଇଁ ମୂଲ୍ୟାଙ୍କିତ ହୋଇଛି ବିଶ୍ global ର 20 ବର୍ଷର ହାରାହାରି ବିଶ୍ surface ପୃଷ୍ଠର ହାରାହାରି 51 ପ୍ଲାନ୍କଟନ୍ |ମୂଲ୍ୟଗୁଡ଼ିକର ଆଶାକରାଯାଇଥିବା ସମୃଦ୍ଧତାକୁ ଧ୍ୟାନ ଦିଅନ୍ତୁ |(ଖ) ଏକ ସ୍ତମ୍ଭର ସ୍ଥାନିକ ପ୍ରୋଜେକସନ (କିମ୍ବା ଧାଡି) |ଏକ ଡିଷ୍ଟ୍ରୋଫିକ୍ ସର୍କଲରେ ଥିବା ଏକ ପ୍ରଦେଶ ପାଇଁ, ବିସି ସମାନତା ମାପର ବିଶ୍ distribution ର ବଣ୍ଟନକୁ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା ଏବଂ ବିଶ୍ 20 ର 20 ବର୍ଷର ହାରାହାରି ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା |କଳା (BC = 0) ର ଅର୍ଥ ସମାନ କ୍ଷେତ୍ର, ଏବଂ ଧଳା (BC = 1) ର ଅର୍ଥ କ no ଣସି ସମାନତା ନୁହେଁ |
ଚିତ୍ର 4A ଚିତ୍ର 2B ରେ ପ୍ରତ୍ୟେକ ପ୍ରଦେଶ ମଧ୍ୟରେ ଖ୍ରୀଷ୍ଟପୂର୍ବ ପାର୍ଥକ୍ୟକୁ ବର୍ଣ୍ଣନା କରେ |ଏକ କ୍ଲଷ୍ଟରରେ ହାରାହାରି କ୍ଷେତ୍ରର ହାରାହାରି ମିଶ୍ରଣକୁ ବ୍ୟବହାର କରି ନିର୍ଣ୍ଣୟ କରାଯାଏ, ଏବଂ ବିସି ଏବଂ ପ୍ରଦେଶର ପ୍ରତ୍ୟେକ ଗ୍ରୀଡ୍ ପଏଣ୍ଟ ମଧ୍ୟରେ ଭିନ୍ନତା ନିର୍ଣ୍ଣୟ କରି ଏହା ଦର୍ଶାଏ ଯେ SAGE ପଦ୍ଧତି ପରିବେଶଗତ ସମାନତା ପ୍ରକାର ଉପରେ ଆଧାର କରି 51 ପ୍ରଜାତିକୁ ପୃଥକ କରିପାରିବ | ମଡେଲ୍ ତଥ୍ୟ |ସମସ୍ତ 51 ପ୍ରକାରର ସାମଗ୍ରିକ ହାରାହାରି କ୍ଲଷ୍ଟର ବିସି ଭିନ୍ନତା ହେଉଛି 0.102 ± 0.0049 |
(ଏ, ବି, ଏବଂ ଡି) ପ୍ରଦେଶ ମଧ୍ୟରେ ଥିବା ବିସି ପାର୍ଥକ୍ୟକୁ ପ୍ରତ୍ୟେକ ଗ୍ରୀଡ୍ ପଏଣ୍ଟ ସମ୍ପ୍ରଦାୟ ଏବଂ ହାରାହାରି ପ୍ରଦେଶ ମଧ୍ୟରେ ହାରାହାରି ବିସି ପାର୍ଥକ୍ୟ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଏ, ଏବଂ ଜଟିଳତା ହ୍ରାସ ହୁଏ ନାହିଁ |(2) ବିଶ୍ average ର ହାରାହାରି ଆନ୍ତ a- ପ୍ରାଦେଶିକ ବିସି ପାର୍ଥକ୍ୟ ହେଉଛି 0.227 ± 0.117 |ଏହି କାର୍ଯ୍ୟ ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ପରିବେଶ ପ୍ରେରଣା-ଆଧାରିତ ବର୍ଗୀକରଣର ଏହା ହେଉଛି ମାନଦଣ୍ଡ |(ଗ) ହାରାହାରି ଆନ୍ତ a- ପ୍ରାଦେଶିକ ଖ୍ରୀଷ୍ଟପୂର୍ବ ପାର୍ଥକ୍ୟ: କଳା ରେଖା ବ increasing ୁଥିବା ଜଟିଳତା ସହିତ ଆନ୍ତ a- ପ୍ରାଦେଶିକ ବିସି ପାର୍ଥକ୍ୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ |2σ ଇକୋ-ପ୍ରଦେଶ ଚିହ୍ନଟ ପ୍ରକ୍ରିୟାର 10 ପୁନରାବୃତ୍ତିରୁ ଆସିଥାଏ |DBSCAN ଦ୍ discovered ାରା ଆବିଷ୍କୃତ ହୋଇଥିବା ପ୍ରଦେଶଗୁଡିକର ସମୁଦାୟ ଜଟିଳତା ପାଇଁ, (A) ଦର୍ଶାଏ ଯେ ପ୍ରଦେଶରେ ବିସି ଭିନ୍ନତା 0.099, ଏବଂ (C) ଦ୍ proposed ାରା ପ୍ରସ୍ତାବିତ ଜଟିଳତା ବର୍ଗୀକରଣ ହେଉଛି 12, ଯାହା ଦ୍ BC ାରା ପ୍ରଦେଶରେ 0.200 ବିସି ଭିନ୍ନତା ଦେଖାଦେଇଛି।ଯେପରି ଚିତ୍ର ଦେଖାଏ |(ଘ)
ଚିତ୍ର 4B ରେ, ଲଙ୍ଗହର୍ଷ୍ଟ ପ୍ରଦେଶରେ ସମାନ ବିସି ପାର୍ଥକ୍ୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବା ପାଇଁ 51 ପ୍ଲାଙ୍କଟନ୍ ପ୍ରକାରର ବାୟୋମାସ୍ ବ୍ୟବହୃତ ହୁଏ |ପ୍ରତ୍ୟେକ ପ୍ରଦେଶର ହାରାହାରି ହାରାହାରି ହେଉଛି 0.227, ଏବଂ ବିସି ପ୍ରଦେଶର ପାର୍ଥକ୍ୟକୁ ଦର୍ଶାଇ ଗ୍ରୀଡ୍ ପଏଣ୍ଟଗୁଡିକର ମାନକ ବିଘ୍ନ ହେଉଛି 0.046 |ଚିତ୍ର 1B ରେ ଚିହ୍ନିତ କ୍ଲଷ୍ଟରଠାରୁ ଏହା ବଡ଼ |ଏହା ପରିବର୍ତ୍ତେ, ସାତଟି କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର ସମଷ୍ଟି ବ୍ୟବହାର କରି, ଲଙ୍ଗହର୍ଷ୍ଟରେ ହାରାହାରି ଆନ୍ତ a- season ତୁ ବିଚ୍ଛେଦ 0.232 କୁ ବୃଦ୍ଧି ପାଇଲା |
ବିଶ୍ global ର ଇକୋ-ପ୍ରଦେଶ ମାନଚିତ୍ରରେ ଅନନ୍ୟ ଇକୋଲୋଜିକାଲ୍ ପାରସ୍ପରିକ ସମ୍ବନ୍ଧର ଜଟିଳ ବିବରଣୀ ପ୍ରଦାନ କରାଯାଇଛି ଏବଂ ଲଙ୍ଗହର୍ଷ୍ଟ ପ୍ରଦେଶର ସମଗ୍ର ଇକୋସିଷ୍ଟମ୍ ଗଠନ ବ୍ୟବହାରରେ ଉନ୍ନତି କରାଯାଇଛି |ସଂଖ୍ୟା କିମ୍ବା ପ୍ରତୀକ ସହିତ ଅକ୍ଷର ମଧ୍ଯ ବ୍ୟବହାର କରି।ଏହି ଅନୁସନ୍ଧାନର ଉଦ୍ଦେଶ୍ୟ ପାଇଁ, ଶହେରୁ ଅଧିକ ପ୍ରଦେଶକୁ ସମ୍ପୂର୍ଣ୍ଣ ରୂପେ ପ୍ରଦର୍ଶନ କରିବା ସମ୍ଭବ ନୁହେଁ |ପରବର୍ତ୍ତୀ ବିଭାଗ SAGE ପଦ୍ଧତିକୁ ଉପସ୍ଥାପନ କରେ ଯାହା ପ୍ରଦେଶଗୁଡ଼ିକୁ ସାରାଂଶିତ କରେ |
ପ୍ରଦେଶର ଏକ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ପ୍ରଦେଶର ଅବସ୍ଥାନ ଏବଂ ପରିଚାଳନା ବିଷୟରେ ବୁ understanding ାମଣାକୁ ପ୍ରୋତ୍ସାହିତ କରିବା |ଜରୁରୀକାଳୀନ ପରିସ୍ଥିତି ନିର୍ଣ୍ଣୟ କରିବାକୁ, ଚିତ୍ର 1 ବିରେ ଥିବା ପଦ୍ଧତି ପରିବେଶଗତ ସମାନ ପ୍ରଦେଶଗୁଡ଼ିକର ବସାକୁ ବର୍ଣ୍ଣନା କରେ |ଇକୋ-ପ୍ରଦେଶଗୁଡ଼ିକ ପରିବେଶଗତ ସମାନତା ଉପରେ ଆଧାର କରି ଏକତ୍ରିତ ହୋଇଛି ଏବଂ ପ୍ରଦେଶଗୁଡ଼ିକର ଏହିପରି ଗୋଷ୍ଠୀକରଣକୁ AEP କୁହାଯାଏ |ବିବେଚନା କରାଯିବାକୁ ଥିବା ସମୁଦାୟ ପ୍ରଦେଶ ସଂଖ୍ୟା ଉପରେ ଆଧାର କରି ଏକ ନିୟନ୍ତ୍ରିତ “ଜଟିଳତା” ସେଟ୍ କରନ୍ତୁ |ଶବ୍ଦ “ଜଟିଳତା” ବ୍ୟବହୃତ ହୁଏ କାରଣ ଏହା ଜରୁରୀକାଳୀନ ଗୁଣଗୁଡ଼ିକର ସ୍ତରକୁ ସଜାଡ଼ିବାକୁ ଅନୁମତି ଦିଏ |ଅର୍ଥପୂର୍ଣ୍ଣ ଏକୀକରଣକୁ ବ୍ୟାଖ୍ୟା କରିବାକୁ, ଲଙ୍ଗହର୍ଷ୍ଟ ଠାରୁ ହାରାହାରି ଆନ୍ତ a- ପ୍ରାଦେଶିକ ଖ୍ରୀଷ୍ଟପୂର୍ବ 0.227 ର ପାର୍ଥକ୍ୟ ମାନଦଣ୍ଡ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ |ଏହି ମାନଦଣ୍ଡ ତଳେ, ମିଳିତ ପ୍ରଦେଶଗୁଡ଼ିକ ଆଉ ଉପଯୋଗୀ ବିବେଚନା କରାଯାଏ ନାହିଁ |
ଚିତ୍ର 3B ରେ ଦେଖାଯାଇଥିବା ପରି, ବିଶ୍ ec ର ପରିବେଶ ପ୍ରଦେଶଗୁଡ଼ିକ ସମନ୍ୱିତ |ଆନ୍ତ - ପ୍ରାଦେଶିକ ଖ୍ରୀଷ୍ଟପୂର୍ବ ପାର୍ଥକ୍ୟ ବ୍ୟବହାର କରି, ଏହା ଦେଖାଯାଇପାରେ ଯେ କିଛି ବିନ୍ୟାସକରଣ “ସାଧାରଣ” |ଜେନେଟିକ୍ସ ଏବଂ ଗ୍ରାଫ୍ ସିଦ୍ଧାନ୍ତ ପ୍ରଣାଳୀ ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ, “ସଂଯୁକ୍ତ ଗ୍ରାଫ୍” ସେମାନଙ୍କ ସହିତ ସମାନ ପ୍ରଦେଶ ଉପରେ ଆଧାର କରି 100 ଟି ପ୍ରଦେଶକୁ ସର୍ଟ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ |ଏଠାରେ ଥିବା “କନେକ୍ଟିଭିଟି” ମେଟ୍ରିକ୍ ଆନ୍ତ - ପ୍ରାଦେଶିକ ବିସି ଭିନ୍ନତା (30) ବ୍ୟବହାର କରି ନିର୍ଣ୍ଣୟ କରାଯାଏ |100 ଟି ପ୍ରଦେଶର ଶ୍ରେଣୀକରଣ ପାଇଁ ଏକ ବୃହତ ସ୍ଥାନ ଥିବା ପ୍ରଦେଶ ସଂଖ୍ୟାକୁ ଏଠାରେ ଜଟିଳତା ଭାବରେ କୁହାଯାଇପାରେ |AEP ହେଉଛି ଏକ ଉତ୍ପାଦ ଯାହା 100 ରୁ ଅଧିକ ପ୍ରଦେଶକୁ ସବୁଠାରୁ ପ୍ରାଧାନ୍ୟ / ନିକଟତମ ପରିବେଶ ପ୍ରଦେଶ ଭାବରେ ବର୍ଗୀକୃତ କରେ |ପ୍ରତ୍ୟେକ ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶ ପ୍ରାଧାନ୍ୟ / ଅତ୍ୟଧିକ ସଂଯୁକ୍ତ ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶକୁ ନ୍ୟସ୍ତ ହୋଇଛି ଯାହା ସେମାନଙ୍କ ସହିତ ସମାନ |ବିସି ପାର୍ଥକ୍ୟ ଦ୍ determined ାରା ନିର୍ଣ୍ଣୟ କରାଯାଇଥିବା ଏହି ଏକୀକରଣ ବିଶ୍ global ର ପରିବେଶ ପ୍ରତି ଏକ ନଷ୍ଟେଡ୍ ଆଭିମୁଖ୍ୟକୁ ଅନୁମତି ଦିଏ |
ମନୋନୀତ ଜଟିଳତା 1 ରୁ FIG ର ସମ୍ପୂର୍ଣ୍ଣ ଜଟିଳତା ପର୍ଯ୍ୟନ୍ତ ଯେକ any ଣସି ମୂଲ୍ୟ ହୋଇପାରେ |2Aକମ୍ ଜଟିଳତାରେ, ସମ୍ଭାବ୍ୟ ଡାଇମେନ୍ସନାଲିଟି ହ୍ରାସ ପଦକ୍ଷେପ (t-SNE) ହେତୁ AEP ଖରାପ ହୋଇପାରେ |ଡିଜେନେରେସିର ଅର୍ଥ ହେଉଛି ଯେ ପରିବେଶ ପ୍ରଦେଶଗୁଡିକ ପୁନରାବୃତ୍ତି ମଧ୍ୟରେ ବିଭିନ୍ନ AEP କୁ ନ୍ୟସ୍ତ କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ଭ covered ଗୋଳିକ କ୍ଷେତ୍ର ପରିବର୍ତ୍ତନ ହେବ |ଚିତ୍ର 4C 10 ଟି କାର୍ଯ୍ୟାନ୍ୱୟନରେ ଜଟିଳତାର ବ increasing ୁଥିବା AEP ଗୁଡ଼ିକରେ ପ୍ରଦେଶ ମଧ୍ୟରେ ବିସି ଭିନ୍ନତାର ବିସ୍ତାରକୁ ବର୍ଣ୍ଣନା କରେ (ଚିତ୍ର 1 ବିରେ ଚିତ୍ର) |ଚିତ୍ର 4C ରେ, 2σ (ନୀଳ କ୍ଷେତ୍ର) ହେଉଛି 10 ପ୍ରୟୋଗରେ ଅବନତିର ଏକ ମାପ, ଏବଂ ସବୁଜ ରେଖା ଲଙ୍ଗହର୍ଷ୍ଟ ମାନଦଣ୍ଡକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ |ତଥ୍ୟ ପ୍ରମାଣିତ କରିଛି ଯେ 12 ର ଜଟିଳତା ପ୍ରଦେଶରେ ବିସି ପାର୍ଥକ୍ୟକୁ ସମସ୍ତ କାର୍ଯ୍ୟାନ୍ୱୟନରେ ଲଙ୍ଗହର୍ଷ୍ଟ ମାନଦଣ୍ଡ ତଳେ ରଖିପାରେ ଏବଂ ଅପେକ୍ଷାକୃତ ଛୋଟ 2σ ଅବକ୍ଷୟ ବଜାୟ ରଖିପାରେ |ସଂକ୍ଷେପରେ, ସର୍ବନିମ୍ନ ପରାମର୍ଶିତ ଜଟିଳତା ହେଉଛି 12 AEP, ଏବଂ ହାରାହାରି ଆନ୍ତ a- ପ୍ରଦେଶ ବିସି ପାର୍ଥକ୍ୟ 51 ପ୍ଲାନକଟନ୍ ପ୍ରକାର ବ୍ୟବହାର କରି ମୂଲ୍ୟାଙ୍କିତ ହେଉଛି 0.198 ± 0.013, ଚିତ୍ର 4D ରେ ଦେଖାଯାଇଥିବା ପରି |ସାତଟି ପ୍ଲାନକଟନ୍ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର ସମଷ୍ଟି ବ୍ୟବହାର କରି, ପ୍ରଦେଶ ମଧ୍ୟରେ ହାରାହାରି BC ପାର୍ଥକ୍ୟ 0.198 ± 0.004 ପରିବର୍ତ୍ତେ 2σ ଅଟେ |ସାତଟି କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର ସମୁଦାୟ ବାୟୋମାସ୍ କିମ୍ବା ସମସ୍ତ 51 ପ୍ଲାନକଟନ୍ ପ୍ରକାରର ବାୟୋମାସ୍ ସହିତ ଗଣାଯାଇଥିବା ବିସି ପାର୍ଥକ୍ୟ ମଧ୍ୟରେ ତୁଳନାତ୍ମକତା ଦର୍ଶାଏ ଯେ ଯଦିଓ SAGE ପଦ୍ଧତି 51-ଡାଇମେନ୍ସନାଲ୍ ପରିସ୍ଥିତି ପାଇଁ ପ୍ରଯୁଜ୍ୟ, ଏହା ସାତୋଟି କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର ସମୁଦାୟ ବାୟୋମାସ୍ ପାଇଁ | ତାଲିମ ପାଇଁ
ଯେକ any ଣସି ଅନୁସନ୍ଧାନର ଉଦ୍ଦେଶ୍ୟ ଉପରେ ନିର୍ଭର କରି ବିଭିନ୍ନ ସ୍ତରର ଜଟିଳତାକୁ ବିଚାର କରାଯାଇପାରେ |ଆଞ୍ଚଳିକ ଅଧ୍ୟୟନଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ଜଟିଳତା ଆବଶ୍ୟକ କରିପାରନ୍ତି (ଅର୍ଥାତ୍ ସମସ୍ତ 115 ଟି ପ୍ରଦେଶ) |ଏକ ଉଦାହରଣ ଏବଂ ସ୍ୱଚ୍ଛତା ପାଇଁ, 12 ର ସର୍ବନିମ୍ନ ସୁପାରିଶ କରାଯାଇଥିବା ଜଟିଳତାକୁ ବିଚାର କରନ୍ତୁ |
SAGE ପଦ୍ଧତିର ଉପଯୋଗୀତାର ଏକ ଉଦାହରଣ ଭାବରେ, ସର୍ବନିମ୍ନ ଜଟିଳତା 12 ସହିତ 12 AEP ଗୁଡିକ ଜରୁରୀକାଳୀନ ସମ୍ପ୍ରଦାୟର ସଂରଚନାକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ଏଠାରେ ବ୍ୟବହୃତ ହୁଏ |ଚିତ୍ର 5 AEP (A ରୁ L) ଦ୍ group ାରା ଗ୍ରୁପ୍ ହୋଇଥିବା ଇକୋଲୋଜିକାଲ୍ ଇନ୍ସାଇଟ୍ସକୁ ବର୍ଣ୍ଣନା କରେ: ରେଡଫିଲ୍ଡ ଷ୍ଟୋଇଚିଓମିଟ୍ରିରେ, ଭ ographic ଗୋଳିକ ପରିମାଣ (ଚିତ୍ର 5C), କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀ ବାୟୋମାସ୍ ରଚନା (ଚିତ୍ର 5A) ଏବଂ ପୁଷ୍ଟିକର ଯୋଗାଣ (ଚିତ୍ର 5B) N ଜୁମ୍ ଦ୍ୱାରା ସଂପନ୍ନ |ଅନୁପାତ (N: Si: P: Fe, 1: 1: 16: 16 × 103) ଦର୍ଶାଯାଇଛି |ପରବର୍ତ୍ତୀ ପ୍ୟାନେଲ୍ ପାଇଁ, P 16 କୁ ଗୁଣିତ ହୋଇଛି ଏବଂ Fe 16 × 103 କୁ ଗୁଣିତ ହୋଇଛି, ତେଣୁ ବାର୍ ଗ୍ରାଫ୍ ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ର ପୁଷ୍ଟିକର ଆବଶ୍ୟକତା ସହିତ ସମାନ |
ଏହି ପ୍ରଦେଶଗୁଡିକ 12 ଟି ପ୍ରଦେଶରେ ଇକୋସିଷ୍ଟମର 12 AEPs A ରୁ L. (A) ବାୟୋମାସ୍ (mgC / m3) ରେ ବିଭକ୍ତ |(ଖ) ଦ୍ରବୀଭୂତ ଅଜ ic ବିକ ନାଇଟ୍ରୋଜେନ୍ (N), ଲୁହା (Fe), ଫସଫେଟ୍ (P) ଏବଂ ସିଲିକିକ୍ ଏସିଡ୍ (ସି) (mmol / m3) ର ପୁଷ୍ଟିକର ଫ୍ଲକ୍ସ ହାର |Fe ଏବଂ P ଯଥାକ୍ରମେ 16 ଏବଂ 16 × 103 ଦ୍ multip ାରା ଗୁଣିତ ହୁଏ, ଯାହାଫଳରେ ଷ୍ଟ୍ରିପଗୁଡିକ ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ଷ୍ଟୋଇଚିଓମିଟ୍ରି ଆବଶ୍ୟକତା ଅନୁଯାୟୀ ମାନକ ହୋଇଯାଏ |(ଗ) ପୋଲାର ଅଞ୍ଚଳ, ସବଟ୍ରୋପିକାଲ୍ ସାଇକ୍ଲୋନନ୍ ଏବଂ ପ୍ରମୁଖ al ତୁ / ବ rising ୁଥିବା ଅଞ୍ଚଳ ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ ଧ୍ୟାନ ଦିଅନ୍ତୁ |ମନିଟରିଂ ଷ୍ଟେସନଗୁଡିକ ନିମ୍ନଲିଖିତ ଭାବରେ ଚିହ୍ନିତ ହୋଇଛି: 1, SEATS;2, ALOHA;3, ଷ୍ଟେସନ୍ P;ଏବଂ 4, BATS |
ଚିହ୍ନିତ AEP ଅନନ୍ୟ ଅଟେ |ଆଟଲାଣ୍ଟିକ୍ ଏବଂ ପ୍ରଶାନ୍ତ ମହାସାଗରରେ ଇକ୍ୟୁଏଟର ଚାରିପାଖରେ କିଛି ସମୃଦ୍ଧତା ଅଛି ଏବଂ ଭାରତ ମହାସାଗରରେ ସମାନ କିନ୍ତୁ ବିସ୍ତାରିତ ଅଞ୍ଚଳ ଅବସ୍ଥିତ |କେତେକ AEP ଆରୋହଣ ସହିତ ଜଡିତ ମାଳଦ୍ୱୀପର ପଶ୍ଚିମ ପାର୍ଶ୍ୱକୁ ଆଲିଙ୍ଗନ କରନ୍ତି |ସାଉଥ୍ ପୋଲ୍ ସର୍କମ୍ପୋଲାର୍ କରେଣ୍ଟକୁ ଏକ ବୃହତ ଜୋନାଲ ବ feature ଶିଷ୍ଟ୍ୟ ଭାବରେ ବିବେଚନା କରାଯାଏ |ସବଟ୍ରୋପିକାଲ୍ ସାଇକ୍ଲୋନ୍ ହେଉଛି ଅଲିଗୋଟ୍ରୋଫିକ୍ AEP ର ଏକ ଜଟିଳ କ୍ରମ |ଏହି ପ୍ରଦେଶଗୁଡିକରେ, ପ୍ଲାଙ୍କଟନ୍-ପ୍ରାଧାନ୍ୟରେ ଥିବା ଅଲିଗୋଟ୍ରୋଫିକ୍ ଭର୍ଟିସେସ୍ ଏବଂ ଡାଏଟମ୍ ସମୃଦ୍ଧ ପୋଲାର ଅଞ୍ଚଳ ମଧ୍ୟରେ ବାୟୋମାସ୍ ପାର୍ଥକ୍ୟର ପରିଚିତ pattern ାଞ୍ଚା ସ୍ପଷ୍ଟ |
ଅତ୍ୟଧିକ ସମାନ ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ବାୟୋମାସ୍ ସହିତ AEP ଗୁଡ଼ିକରେ ଭିନ୍ନ ଭିନ୍ନ ସମ୍ପ୍ରଦାୟ ଗଠନ ରହିପାରେ ଏବଂ ବିଭିନ୍ନ ଭ ographic ଗୋଳିକ କ୍ଷେତ୍ର ଯେପରିକି D, H, ଏବଂ K କୁ ଧାରଣ କରିଥାଏ, ଯାହାର ସମାନ ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ବାୟୋମାସ୍ ଅଛି |AEP H ମୁଖ୍ୟତ the ସମବାୟ ଭାରତ ମହାସାଗରରେ ଅବସ୍ଥିତ ଏବଂ ସେଠାରେ ଅଧିକ ଡିଆଜୋଟ୍ରୋଫିକ୍ ଜୀବାଣୁ ଅଛନ୍ତି |AEP D ଅନେକ ବେସିନରେ ମିଳିଥାଏ, କିନ୍ତୁ ଏହା ପ୍ରଶାନ୍ତ ମହାସାଗରରେ ଉଚ୍ଚ ଅମଳକ୍ଷମ ଅଞ୍ଚଳରେ ଚତୁର୍ଦ୍ଦିଗରେ ଅବସ୍ଥିତ |ଏହି ପ୍ରଶାନ୍ତ ପ୍ରଦେଶର ଆକୃତି ଏକ ଗ୍ରହ ତରଙ୍ଗ ଟ୍ରେନ୍ କୁ ମନେ ପକାଇଥାଏ |AEP D ରେ ଅଳ୍ପ ଡାଏଜୋବ୍ୟାକ୍ଟେରିଆ ଏବଂ ଅଧିକ କୋଣ ଅଛି |ଅନ୍ୟ ଦୁଇଟି ପ୍ରଦେଶ ତୁଳନାରେ, AEP K କେବଳ ଆର୍କଟିକ୍ ମହାସାଗରର ଉଚ୍ଚଭୂମିରେ ମିଳିଥାଏ, ଏବଂ ସେଠାରେ ଅଧିକ ଡାଏଟୋମ୍ ଏବଂ କମ୍ ପ୍ଲାନ୍କଟନ୍ ଅଛି |ସୂଚନାଯୋଗ୍ୟ ଯେ ଏହି ତିନୋଟି ଅଞ୍ଚଳରେ ପ୍ଲାଙ୍କଟନ୍ ପରିମାଣ ମଧ୍ୟ ବହୁତ ଭିନ୍ନ |ସେଥିମଧ୍ୟରୁ, AEP K ର ପ୍ଲାଙ୍କଟନ୍ ପ୍ରଚୁରତା ଅପେକ୍ଷାକୃତ କମ୍ ଥିବାବେଳେ AEP D ଏବଂ H ର ଅପେକ୍ଷାକୃତ ଅଧିକ |ତେଣୁ, ସେମାନଙ୍କର ବାୟୋମାସ୍ ସତ୍ତ୍ (େ (ଏବଂ ସେଥିପାଇଁ Chl-a ସହିତ ସମାନ), ଏହି ପ୍ରଦେଶଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ଭିନ୍ନ: Chl- ଆଧାରିତ ପ୍ରଦେଶ ପରୀକ୍ଷା ଏହି ପାର୍ଥକ୍ୟକୁ ଧରିପାରେ ନାହିଁ |
ଏହା ମଧ୍ୟ ସ୍ପଷ୍ଟ ଯେ ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ସମ୍ପ୍ରଦାୟର ଗଠନ ଦୃଷ୍ଟିରୁ ବହୁତ ଭିନ୍ନ ଜ om ବ ଜୀବ ସହିତ କିଛି AEP ସମାନ ହୋଇପାରେ |ଉଦାହରଣ ସ୍ୱରୂପ, ଏହା AEP D ଏବଂ E ରେ ଦୃଶ୍ୟମାନ ହୁଏ ସେମାନେ ପରସ୍ପରର ନିକଟତର, ଏବଂ ପ୍ରଶାନ୍ତ ମହାସାଗରରେ, AEP E ଅତ୍ୟଧିକ ଉତ୍ପାଦନକାରୀ AEPJ ର ନିକଟବର୍ତ୍ତୀ |ସେହିଭଳି, ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ବାୟୋମାସ୍ ଏବଂ ଜୁପ୍ଲ୍ୟାକଟନ୍ ପ୍ରଚୁରତା ମଧ୍ୟରେ କ clear ଣସି ସ୍ପଷ୍ଟ ଲିଙ୍କ୍ ନାହିଁ |
ସେମାନଙ୍କୁ ଦିଆଯାଇଥିବା ପୋଷକ ତତ୍ତ୍ୱ ଅନୁଯାୟୀ AEP ବୁ understood ିହେବ (ଚିତ୍ର 5 ବି) |ଡାଏଟିକ୍ କେବଳ ସେଠାରେ ଅଛି ଯେଉଁଠାରେ ସିଲିକିକ୍ ଏସିଡ୍ ର ଯଥେଷ୍ଟ ଯୋଗାଣ ଅଛି |ସାଧାରଣତ ,, ସିଲିକିକ୍ ଏସିଡ୍ ଯୋଗାଣ ଯେତେ ଅଧିକ, ଡାଏଟୋମର ବାୟୋମାସ୍ ସେତେ ଅଧିକ |ଡାଏଟୋମଗୁଡିକ AEP A, J, K ଏବଂ L ରେ ଦେଖାଯାଇପାରେ, ଅନ୍ୟ ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ସହିତ ଡାଏଟମ୍ ବାୟୋମାସର ଅନୁପାତ ଡାଏଟୋମ୍ ଚାହିଦା ଅନୁଯାୟୀ ପ୍ରଦାନ କରାଯାଇଥିବା N, P ଏବଂ Fe ଦ୍ determined ାରା ନିର୍ଣ୍ଣୟ କରାଯାଏ |ଉଦାହରଣ ସ୍ୱରୂପ, AEP L ଡାଏଟୋମ୍ ଦ୍ୱାରା ପ୍ରାଧାନ୍ୟ ପ୍ରାପ୍ତ ହୁଏ |ଅନ୍ୟ ପୋଷକ ତତ୍ତ୍ୱ ତୁଳନାରେ ସି’ର ସର୍ବାଧିକ ଯୋଗାଣ ଅଛି |ଏହାର ବିପରୀତରେ, ଅଧିକ ଉତ୍ପାଦନ ସତ୍ତ୍ A େ, AEP J ରେ କମ୍ ଡାଏଟୋମ୍ ଏବଂ କମ୍ ସିଲିକନ୍ ଯୋଗାଣ ଅଛି (ସମସ୍ତ ଏବଂ ଅନ୍ୟ ପୋଷକ ତତ୍ତ୍ୱ ସହିତ) |
ଡିଆଜୋନିୟମ୍ ବ୍ୟାକ୍ଟେରିଆରେ ନାଇଟ୍ରୋଜେନ୍ ଠିକ୍ କରିବାର କ୍ଷମତା ଅଛି, କିନ୍ତୁ ଧୀରେ ଧୀରେ ବ grow ିଥାଏ (31) |ସେମାନେ ଅନ୍ୟ ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ସହିତ ସହଭାଗୀ ହୁଅନ୍ତି, ଯେଉଁଠାରେ ଲୁହା ଏବଂ ଫସଫରସ୍ ଅଣ-ଡିଆଜୋନିୟମ୍ ପୁଷ୍ଟିକର ଚାହିଦା ସହିତ ଅତ୍ୟଧିକ ଆପେକ୍ଷିକ (20, 21) |ସୂଚନାଯୋଗ୍ୟ ଯେ ଡାଏଜୋଟ୍ରୋଫିକ୍ ବାୟୋମାସ୍ ଅପେକ୍ଷାକୃତ ଅଧିକ, ଏବଂ N. ଯୋଗାଣ ସହିତ Fe ଏବଂ P ର ଯୋଗାଣ ଅପେକ୍ଷାକୃତ ଅଧିକ ଅଟେ ଏହି ଉପାୟରେ, ଯଦିଓ AEP J ରେ ସମୁଦାୟ ବାୟୋମାସ୍ ଅଧିକ, AEP H ରେ ଥିବା ଡିଆଜୋନିୟମ୍ ବାୟୋମାସ୍ ହେଉଛି | ଜେ ଠାରୁ ଏହାଠାରୁ ବଡ | ଦୟାକରି ଧ୍ୟାନ ଦିଅନ୍ତୁ ଯେ AEP J ଏବଂ H ଭ ograph ଗୋଳିକ ଦୃଷ୍ଟିରୁ ବହୁତ ଭିନ୍ନ, ଏବଂ H ସମୀକରଣ ଭାରତ ମହାସାଗରରେ ଅବସ୍ଥିତ |
ଯଦି ଅନନ୍ୟ ଇକୋସିଷ୍ଟମ୍ ଗଠନ ପ୍ରଦେଶରେ ବିଭକ୍ତ ନହୁଏ, 12 AEP ର ସର୍ବନିମ୍ନ ଜଟିଳତା ମଡେଲରୁ ମିଳିଥିବା ଆନ୍ତରିକତା ଏତେ ସ୍ପଷ୍ଟ ହେବ ନାହିଁ |SAGE ଦ୍ ated ାରା ଉତ୍ପାଦିତ AEP ଇକୋସିଷ୍ଟମ୍ ମଡେଲଗୁଡିକରୁ ଜଟିଳ ଏବଂ ଉଚ୍ଚ-ଡାଇମେନ୍ସନାଲ୍ ତଥ୍ୟର ସମନ୍ୱିତ ଏବଂ ଏକକାଳୀନ ତୁଳନାକୁ ସହଜ କରିଥାଏ |ଅଧିକ ପୁଷ୍ଟିକର ସ୍ତରରେ ସମ୍ପ୍ରଦାୟର ଗଠନ କିମ୍ବା ଜୁପ୍ଲ୍ୟାକଟନ୍ ପ୍ରଚୁରତା ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ Chl ଏକ ଉତ୍ତମ ଏବଂ ବିକଳ୍ପ ପଦ୍ଧତି ନୁହେଁ ବୋଲି AEP ପ୍ରଭାବଶାଳୀ ଭାବରେ ଜୋର ଦେଇଥାଏ |ଚାଲୁଥିବା ଅନୁସନ୍ଧାନ ବିଷୟଗୁଡିକର ବିସ୍ତୃତ ବିଶ୍ଳେଷଣ ଏହି ପ୍ରବନ୍ଧର ପରିସର ବାହାରେ |SAGE ପଦ୍ଧତି ମଡେଲରେ ଅନ୍ୟାନ୍ୟ ଯାନ୍ତ୍ରିକ କ explore ଶଳ ଅନୁସନ୍ଧାନ କରିବାର ଏକ ଉପାୟ ପ୍ରଦାନ କରେ ଯାହା ପଏଣ୍ଟ-ଟୁ-ପଏଣ୍ଟ ଦେଖିବା ଅପେକ୍ଷା ପରିଚାଳନା କରିବା ସହଜ ଅଟେ |
ବିଶ୍ global ର ଶାରୀରିକ / ବାୟୋଗୋକେମିକାଲ୍ / ଇକୋସିଷ୍ଟମ୍ ସାଂଖ୍ୟିକ ମଡେଲଗୁଡିକରୁ ଅତ୍ୟଧିକ ଜଟିଳ ପରିବେଶ ତଥ୍ୟକୁ ସ୍ପଷ୍ଟ କରିବାରେ ସାହାଯ୍ୟ କରିବାକୁ SAGE ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ |କ୍ରସ୍-ପ୍ଲାନ୍କଟନ୍ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର ସମୁଦାୟ ବାୟୋମାସ୍, t-SNE ସମ୍ଭାବ୍ୟତା ହ୍ରାସ ଆଲଗୋରିଦମର ପ୍ରୟୋଗ ଏବଂ ଅଣସଂରକ୍ଷିତ ML ପଦ୍ଧତି DBSCAN ବ୍ୟବହାର କରି କ୍ଲଷ୍ଟରିଙ୍ଗ ଦ୍ୱାରା ପରିବେଶ ପ୍ରଦେଶ ନିର୍ଣ୍ଣୟ କରାଯାଏ |ବସା ପ୍ରଣାଳୀ ପାଇଁ ଆନ୍ତ provin- ପ୍ରାଦେଶିକ ବିସି ପାର୍ଥକ୍ୟ / ଗ୍ରାଫ୍ ସିଦ୍ଧାନ୍ତ ଏକ ଦୃ ust AEP ପାଇବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଏ ଯାହା ବିଶ୍ global ବ୍ୟାପୀ ବ୍ୟାଖ୍ୟା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ |ନିର୍ମାଣ ଦୃଷ୍ଟିରୁ, ଇକୋ-ପ୍ରଦେଶ ଏବଂ AEP ଅନନ୍ୟ |ମୂଳ ପରିବେଶ ପ୍ରଦେଶର ସମ୍ପୂର୍ଣ୍ଣ ଜଟିଳତା ଏବଂ 12 AEP ର ସୁପାରିଶ କରାଯାଇଥିବା ସର୍ବନିମ୍ନ ସୀମା ମଧ୍ୟରେ AEP ବସାକୁ ନିୟନ୍ତ୍ରଣ କରାଯାଇପାରିବ |AEP ର ସର୍ବନିମ୍ନ ଜଟିଳତାକୁ ନଷ୍ଟ କରିବା ଏବଂ ନିର୍ଣ୍ଣୟ କରିବା ମୁଖ୍ୟ ପଦକ୍ଷେପ ଭାବରେ ବିବେଚନା କରାଯାଏ, କାରଣ ସମ୍ଭାବ୍ୟତା t-SNE <12 ଜଟିଳତାର AEP ଗୁଡ଼ିକୁ ଖରାପ କରିଥାଏ |SAGE ପଦ୍ଧତି ବିଶ୍ global ସ୍ତରୀୟ, ଏବଂ ଏହାର ଜଟିଳତା> 100 AEP ରୁ 12 ପର୍ଯ୍ୟନ୍ତ ରହିଥାଏ | ସରଳତା ପାଇଁ, ବର୍ତ୍ତମାନର ଧ୍ୟାନ 12 ଟି ବିଶ୍ global ସ୍ତରୀୟ AEP ର ଜଟିଳତା ଉପରେ ଅଛି |ଭବିଷ୍ୟତର ଅନୁସନ୍ଧାନ, ବିଶେଷତ regional ଆଞ୍ଚଳିକ ଅଧ୍ୟୟନ, ବିଶ୍ ec ର ଇକୋ-ପ୍ରଦେଶଗୁଡ଼ିକର ଏକ ଛୋଟ ସ୍ଥାନିକ ଉପସେଟ୍ ଉପଯୋଗୀ ହୋଇପାରେ ଏବଂ ଏଠାରେ ଆଲୋଚନା ହୋଇଥିବା ସମାନ ପରିବେଶଗତ ଜ୍ଞାନର ଲାଭ ଉଠାଇବା ପାଇଁ ଏକ ଛୋଟ ଅଞ୍ଚଳରେ ଏକତ୍ରିତ ହୋଇପାରେ |ଏହା କିପରି ପରିବେଶଗତ ପ୍ରଦେଶ ଏବଂ ସେମାନଙ୍କଠାରୁ ପ୍ରାପ୍ତ ଜ୍ଞାନକୁ ଅଧିକ ପରିବେଶ ବୁ understanding ାମଣା, ମଡେଲ ତୁଳନାକୁ ସହଜ କରିବା ଏବଂ ସାମୁଦ୍ରିକ ଇକୋସିଷ୍ଟମର ମନିଟରିଂରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ସେ ସମ୍ବନ୍ଧରେ ପରାମର୍ଶ ପ୍ରଦାନ କରେ |
SAGE ପଦ୍ଧତି ଦ୍ୱାରା ଚିହ୍ନିତ ପରିବେଶ ପ୍ରଦେଶ ଏବଂ AEP ସାଂଖ୍ୟିକ ମଡେଲରେ ଥିବା ତଥ୍ୟ ଉପରେ ଆଧାରିତ |ପରିଭାଷା ଅନୁଯାୟୀ, ସାଂଖ୍ୟିକ ମଡେଲ୍ ହେଉଛି ଏକ ସରଳୀକୃତ ସଂରଚନା, ଲକ୍ଷ୍ୟ ପ୍ରଣାଳୀର ମହତ୍ତ୍ capture କୁ କାବୁ କରିବାକୁ ଚେଷ୍ଟା କରେ, ଏବଂ ବିଭିନ୍ନ ମଡେଲଗୁଡିକରେ ପ୍ଲାନକଟନ୍ ର ଭିନ୍ନ ବଣ୍ଟନ ହେବ |ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ସାଂଖ୍ୟିକ ମଡେଲ୍ କିଛି ଦେଖାଯାଇଥିବା s ାଞ୍ଚାଗୁଡ଼ିକୁ ସମ୍ପୂର୍ଣ୍ଣ ରୂପେ କ୍ୟାପଚର୍ କରିପାରିବ ନାହିଁ (ଉଦାହରଣ ସ୍ୱରୂପ, ସମୀକରଣ ଅଞ୍ଚଳ ଏବଂ ଦକ୍ଷିଣ ମହାସାଗର ପାଇଁ Chl ଆକଳନରେ) |ପ୍ରକୃତ ମହାସାଗରରେ ବିବିଧତାର କେବଳ ଏକ ଛୋଟ ଅଂଶ ଧରାଯାଇଥାଏ, ଏବଂ ମେସୋ ଏବଂ ସବ୍-ମେସୋସ୍କାଲ୍ ସମାଧାନ ହୋଇପାରିବ ନାହିଁ, ଯାହା ପୁଷ୍ଟିକର ପ୍ରବାହ ଏବଂ ଛୋଟ ଆକାରର ସମ୍ପ୍ରଦାୟ ଗଠନ ଉପରେ ପ୍ରଭାବ ପକାଇପାରେ |ଏହି ଅଭାବଗୁଡିକ ସତ୍ତ୍ it େ, ଜଟିଳ ମଡେଲଗୁଡିକ ବୁ understand ିବାରେ ସାହାଯ୍ୟ କରିବାରେ AEP ଅତ୍ୟନ୍ତ ଉପଯୋଗୀ |କେଉଁଠାରେ ସମାନ ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶଗୁଡିକ ମିଳୁଛି ତାହାର ମୂଲ୍ୟାଙ୍କନ କରି, AEP ଏକ ସମ୍ଭାବ୍ୟ ସାଂଖ୍ୟିକ ମଡେଲ୍ ତୁଳନା ଉପକରଣ ପ୍ରଦାନ କରେ |ସାମ୍ପ୍ରତିକ ସାଂଖ୍ୟିକ ମଡେଲ୍ ରିମୋଟ୍ ସେନ୍ସିଙ୍ଗ୍ ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ Chl- ଏକ ଏକାଗ୍ରତା ଏବଂ ପ୍ଲାନ୍କଟନ୍ ଆକାର ଏବଂ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀ ବଣ୍ଟନ (ନୋଟ୍ S1 ଏବଂ ଚିତ୍ର S1) (2, 32) ର ସାମଗ୍ରିକ pattern ାଞ୍ଚାକୁ କ୍ୟାପଚର୍ କରିଥାଏ |
0.1 mgChl-a / m-3 କଣ୍ଟୋର ଲାଇନ ଦ୍ୱାରା ଦର୍ଶାଯାଇଥିବା ପରି, AEP ଅଲିଗୋଟ୍ରୋଫିକ୍ କ୍ଷେତ୍ର ଏବଂ ମେସୋଟ୍ରୋଫିକ୍ ଅ area ୍ଚଳରେ ବିଭକ୍ତ ହୋଇଛି (ଚିତ୍ର S1B): AEP B, C, D, E, F ଏବଂ G ହେଉଛି ଅଲିଗୋଟ୍ରୋଫିକ୍ ଅ areas ୍ଚଳ, ଏବଂ ଅବଶିଷ୍ଟ ଅ are ୍ଚଳଗୁଡ଼ିକ | ଉଚ୍ଚ Chl-a ଅବସ୍ଥିତ |AEP ଲଙ୍ଗହର୍ଷ୍ଟ ପ୍ରଦେଶ (ଚିତ୍ର S3A) ସହିତ କିଛି ଚିଠି ଦେଖାଏ, ଉଦାହରଣ ସ୍ୱରୂପ ଦକ୍ଷିଣ ମହାସାଗର ଏବଂ ସମୀକରଣ ପ୍ରଶାନ୍ତ |କେତେକ ଅଞ୍ଚଳରେ, AEP ଏକାଧିକ ଲଙ୍ଗହର୍ଷ୍ଟ ଅଞ୍ଚଳକୁ ଆବୃତ କରେ ଏବଂ ବିପରୀତରେ |ଯେହେତୁ ଏହି ଅଞ୍ଚଳରେ ଏବଂ ଲଙ୍ଗହର୍ଷ୍ଟରେ ପ୍ରଦେଶଗୁଡିକ ବିଲୋପ କରିବାର ଉଦ୍ଦେଶ୍ୟ ଭିନ୍ନ, ତେଣୁ ପାର୍ଥକ୍ୟ ହେବ ବୋଲି ଆଶା କରାଯାଉଛି |ଏକ ଲଙ୍ଗହର୍ଷ୍ଟ ପ୍ରଦେଶର ଏକାଧିକ AEP ସୂଚିତ କରେ ଯେ ସମାନ ବାୟୋଗୋକେମିଷ୍ଟ୍ରି ସହିତ କେତେକ କ୍ଷେତ୍ରରେ ବହୁତ ଭିନ୍ନ ଇକୋସିଷ୍ଟମ୍ ଗଠନ ହୋଇପାରେ |AEP ଶାରୀରିକ ସ୍ଥିତି ସହିତ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସମ୍ବାଦପତ୍ର ପ୍ରଦର୍ଶିତ କରେ, ଯେପରି ଅସୁରକ୍ଷିତ ଶିକ୍ଷଣ (19) ବ୍ୟବହାର କରି ପ୍ରକାଶ ପାଇଲା, ଯେପରିକି ଉଚ୍ଚ ଉନ୍ନତ ରାଜ୍ୟଗୁଡିକରେ (ଉଦାହରଣ ସ୍ୱରୂପ, ଦକ୍ଷିଣ ମହାସାଗର ଏବଂ ସମୀକରଣ ପ୍ରଶାନ୍ତ; ଚିତ୍ର S3, C ଏବଂ D) |ଏହି ସମ୍ବାଦପତ୍ରଗୁଡିକ ସୂଚାଇଥାଏ ଯେ ପ୍ଲାନକଟନ୍ ର ସମ୍ପ୍ରଦାୟ ଗଠନ ସମୁଦ୍ରର ଗତିଶୀଳତା ଦ୍ୱାରା ଦୃ strongly ଭାବରେ ପ୍ରଭାବିତ ହୋଇଥାଏ |ଉତ୍ତର ଆଟଲାଣ୍ଟିକ୍ ପରି ଅଞ୍ଚଳରେ, AEP ଭ physical ତିକ ପ୍ରଦେଶ ଅତିକ୍ରମ କରେ |ଏହି ପାର୍ଥକ୍ୟ ସୃଷ୍ଟି କରୁଥିବା ଯନ୍ତ୍ରକ dust ଶଳରେ ଧୂଳି ପରିବହନ ପରି ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ଭୂକ୍ତ ହୋଇପାରେ, ଯାହା ସମାନ ଶାରୀରିକ ଅବସ୍ଥାରେ ମଧ୍ୟ ସମ୍ପୂର୍ଣ୍ଣ ଭିନ୍ନ ପୁଷ୍ଟିକର ପ୍ରୋଗ୍ରାମକୁ ନେଇପାରେ |
ଇକୋଲୋଜି ମନ୍ତ୍ରଣାଳୟ ଏବଂ AEP ସୂଚାଇ ଦେଇଛନ୍ତି ଯେ କେବଳ Chl ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ପରିବେଶ ଉପାଦାନ ଚିହ୍ନଟ ହୋଇପାରିବ ନାହିଁ, ଯେହେତୁ ସାମୁଦ୍ରିକ ଇକୋଲୋଜି ସମ୍ପ୍ରଦାୟ ଏହା ହୃଦୟଙ୍ଗମ କରିସାରିଛି।ସମାନ ଜ bi ବ ଜୀବ ସହିତ AEP ରେ ଏହା ଦେଖାଯାଏ କିନ୍ତୁ ଯଥେଷ୍ଟ ଭିନ୍ନ ପରିବେଶ ରଚନା (ଯେପରିକି D ଏବଂ E) |ଏହାର ବିପରୀତରେ, D ଏବଂ K ପରି AEP ଗୁଡ଼ିକର ବହୁତ ଭିନ୍ନ ଜ om ବ ଜୀବ ଅଛି କିନ୍ତୁ ସମାନ ପରିବେଶ ରଚନା |AEP ଜୋର ଦେଇଥାଏ ଯେ ବାୟୋମାସ୍, ଇକୋଲୋଜିକାଲ୍ ରଚନା ଏବଂ ଜୁପ୍ଲ୍ୟାକଟନ୍ ପ୍ରଚୁରତା ମଧ୍ୟରେ ସମ୍ପର୍କ ଜଟିଳ |ଉଦାହରଣ ସ୍ୱରୂପ, ଯଦିଓ ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ଏବଂ ପ୍ଲାନ୍କଟନ୍ ବାୟୋମାସ୍ ଦୃଷ୍ଟିରୁ AEP J ଛିଡା ହୋଇଛି, AEP ର A ଏବଂ L ର ସମାନ ପ୍ଲାନ୍କଟନ୍ ବାୟୋମାସ୍ ଅଛି, କିନ୍ତୁ A ରେ ଅଧିକ ପ୍ଲାନ୍କଟନ୍ ପ୍ରଚୁରତା ଅଛି |AEP ଜୋର ଦେଇଥାଏ ଯେ ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ବାୟୋମାସ୍ (କିମ୍ବା Chl) ଜୁପ୍ଲ୍ୟାକଟନ୍ ବାୟୋମାସ୍ ପୂର୍ବାନୁମାନ କରିବାକୁ ବ୍ୟବହାର କରାଯାଇପାରିବ ନାହିଁ |ଜୁପ୍ଲ୍ୟାକଟନ୍ ହେଉଛି ମତ୍ସ୍ୟ ଖାଦ୍ୟ ଶୃଙ୍ଖଳାର ମୂଳଦୁଆ, ଏବଂ ଅଧିକ ସଠିକ୍ ଆକଳନ ଉତ୍ତମ ଉତ୍ସ ପରିଚାଳନାକୁ ନେଇପାରେ |ଭବିଷ୍ୟତର ସାମୁଦ୍ରିକ ରଙ୍ଗ ଉପଗ୍ରହଗୁଡିକ [ଉଦାହରଣ ସ୍ୱରୂପ, PACE (ପ୍ଲାନ୍କଟନ୍, ଏରୋସୋଲ୍, କ୍ଲାଉଡ୍, ଏବଂ ସାମୁଦ୍ରିକ ଇକୋସିଷ୍ଟମ୍)] ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ର ସମ୍ପ୍ରଦାୟର ଗଠନ ଆକଳନ କରିବାରେ ସାହାଯ୍ୟ କରିବାକୁ ଭଲ ସ୍ଥିତ ହୋଇପାରେ |AEP ଭବିଷ୍ୟବାଣୀ ବ୍ୟବହାର କରିବା ଦ୍ space ାରା ମହାକାଶରୁ ଜୁପ୍ଲାକ୍ଟନ୍ ର ଆକଳନ ସହଜ ହୋଇପାରେ |SAGE ପରି ପଦ୍ଧତିଗୁଡିକ, ନୂତନ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ସହିତ ମିଶି, ଏବଂ ଗ୍ରାଉଣ୍ଡ ସତ୍ୟ ସର୍ବେକ୍ଷଣ ପାଇଁ ଉପଲବ୍ଧ ଅଧିକରୁ ଅଧିକ କ୍ଷେତ୍ର ତଥ୍ୟ (ଯେପରିକି ତର ଏବଂ ଅନୁସରଣ ଅନୁସନ୍ଧାନ), ମିଳିତ ଭାବରେ ଉପଗ୍ରହ ଆଧାରିତ ଇକୋସିଷ୍ଟମ୍ ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ ଦିଗରେ ପଦକ୍ଷେପ ନେଇପାରେ |
SAGE ପଦ୍ଧତି କେତେକ ଯନ୍ତ୍ରକ evalu ଶଳର ମୂଲ୍ୟାଙ୍କନ କରିବାକୁ ଏକ ସୁବିଧାଜନକ ଉପାୟ ପ୍ରଦାନ କରେ ଯାହା ପ୍ରଦେଶର ବ characteristics ଶିଷ୍ଟ୍ୟକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ, ଯେପରିକି ବାୟୋମାସ୍ / Chl, ନିଟ୍ ପ୍ରାଥମିକ ଉତ୍ପାଦନ, ଏବଂ ସମ୍ପ୍ରଦାୟ ଗଠନ |ଉଦାହରଣ ସ୍ .ରୁପ, ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ ଷ୍ଟୋଇଚିଓମେଟ୍ରିକ୍ ଆବଶ୍ୟକତା ସହିତ Si, N, P, ଏବଂ Fe ଯୋଗାଣରେ ଅସନ୍ତୁଳନ ଦ୍ di ାରା ଆପେକ୍ଷିକ ପରିମାଣ ସ୍ଥିର ହୋଇଛି |ଏକ ସନ୍ତୁଳିତ ଯୋଗାଣ ହାରରେ, ସମ୍ପ୍ରଦାୟ ଡାଏଟୋମ୍ (L) ଦ୍ୱାରା ପ୍ରାଧାନ୍ୟ ପ୍ରାପ୍ତ ହୁଏ |ଯେତେବେଳେ ଯୋଗାଣ ହାର ଅସନ୍ତୁଳିତ (ଅର୍ଥାତ୍, ସିଲିକନ୍ ଯୋଗାଣ ଡାଏଟୋମର ପୁଷ୍ଟିକର ଚାହିଦାଠାରୁ କମ୍), ଡାଏଟୋମ୍ କେବଳ ଏକ ଛୋଟ ଅଂଶ ଅଂଶ (K) ପାଇଁ ହିସାବ କରେ |ଯେତେବେଳେ Fe ଏବଂ P ର ଯୋଗାଣ N ର ଯୋଗାଣକୁ ଅତିକ୍ରମ କରେ (ଉଦାହରଣ ସ୍ୱରୂପ, E ଏବଂ H), ଡାଏଜୋଟ୍ରୋଫିକ୍ ଜୀବାଣୁ ଜୋରରେ ବ grow ିବେ |AEP ଦ୍ provided ାରା ପ୍ରଦାନ କରାଯାଇଥିବା ପ୍ରସଙ୍ଗ ମାଧ୍ୟମରେ, ନିୟନ୍ତ୍ରଣ ଯନ୍ତ୍ରର ଅନୁସନ୍ଧାନ ଅଧିକ ଉପଯୋଗୀ ହେବ |
ଇକୋ-ପ୍ରଦେଶ ଏବଂ AEP ସମାନ ସମ୍ପ୍ରଦାୟ ଗଠନ ସହିତ କ୍ଷେତ୍ର ଅଟେ |ଏକ ପରିବେଶ ପ୍ରଦେଶ କିମ୍ବା AEP ମଧ୍ୟରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ଥାନରୁ ସମୟ କ୍ରମକୁ ଏକ ରେଫରେନ୍ସ ପଏଣ୍ଟ ଭାବରେ ବିବେଚନା କରାଯାଇପାରେ ଏବଂ ପରିବେଶ ପ୍ରଦେଶ କିମ୍ବା AEP ଦ୍ୱାରା ଆବୃତ ଅଞ୍ଚଳକୁ ପ୍ରତିନିଧିତ୍ୱ କରିପାରିବ |ଦୀର୍ଘକାଳୀନ ଅନ-ସାଇଟ୍ ମନିଟରିଂ ଷ୍ଟେସନଗୁଡିକ ଏହିପରି ସମୟ କ୍ରମ ପ୍ରଦାନ କରିଥାଏ |ଦୀର୍ଘକାଳୀନ ଇନ୍-ସିଟ୍ ଡାଟା ସେଟ୍ ଏକ ଅବିସ୍ମରଣୀୟ ଭୂମିକା ଗ୍ରହଣ କରିବ |ସମ୍ପ୍ରଦାୟର ଗଠନ ଉପରେ ନଜର ରଖିବା ଦୃଷ୍ଟିକୋଣରୁ, SAGE ପଦ୍ଧତିକୁ ନୂତନ ସାଇଟଗୁଡିକର ସବୁଠାରୁ ଉପଯୋଗୀ ସ୍ଥାନ ନିର୍ଣ୍ଣୟ କରିବାରେ ସାହାଯ୍ୟ କରିବାକୁ ଏକ ଉପାୟ ଭାବରେ ଦେଖାଯାଇପାରେ |ଉଦାହରଣ ସ୍ୱରୂପ, ଦୀର୍ଘକାଳୀନ ଅଲିଗୋଟ୍ରୋଫିକ୍ ବାସସ୍ଥାନ ଆକଳନ (ALOHA) ରୁ ସମୟ କ୍ରମ ଅଲିଗୋଟ୍ରୋଫିକ୍ କ୍ଷେତ୍ରର AEP B ରେ ଅଛି (ଚିତ୍ର 5C, ଲେବଲ୍ 2) |କାରଣ ALOHA ଅନ୍ୟ AEP ର ସୀମା ନିକଟରେ, ସମୟ ସିରିଜ୍ ସମଗ୍ର କ୍ଷେତ୍ରର ପ୍ରତିନିଧୀ ହୋଇନପାରେ, ଯେପରି ପୂର୍ବରୁ ପରାମର୍ଶ ଦିଆଯାଇଥିଲା (33) |ସମାନ AEP B ରେ, ଟାଇମ୍ ସିରିଜ୍ SEATS (ଦକ୍ଷିଣ ପୂର୍ବ ଏସୀୟ ସମୟ ସିରିଜ୍) ଦକ୍ଷିଣ-ପଶ୍ଚିମ ତାଇୱାନରେ ଅବସ୍ଥିତ (34), ଅନ୍ୟ AEP ଗୁଡ଼ିକର ସୀମାଠାରୁ ଅଧିକ ଦୂରରେ (ଚିତ୍ର 5C, ଲେବଲ୍ 1), ଏବଂ ମନିଟରିଂ ପାଇଁ ଏକ ଉତ୍ତମ ସ୍ଥାନ ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ | AEPBAEPC ରେ ଥିବା BATS (ବରମୁଣ୍ଡା ଆଟଲାଣ୍ଟିକ୍ ଟାଇମ୍ ସିରିଜ୍ ଅଧ୍ୟୟନ) ସମୟ ସିରିଜ୍ (ଚିତ୍ର 5C, ଲେବଲ୍ 4) AEP C ଏବଂ F ମଧ୍ୟରେ ସୀମାକୁ ଅତି ନିକଟ ଅଟେ, ଯାହା ସୂଚାଇଥାଏ ଯେ BATS ସମୟ ସିରିଜ୍ ବ୍ୟବହାର କରି AEP C ଉପରେ ନଜର ରଖିବା ସିଧାସଳଖ ସମସ୍ୟା ସୃଷ୍ଟି କରିପାରେ |AEP J ରେ ଷ୍ଟେସନ୍ P (ଚିତ୍ର 5C, ଲେବଲ୍ 3) AEP ସୀମାଠାରୁ ବହୁତ ଦୂରରେ, ତେଣୁ ଏହା ଅଧିକ ପ୍ରତିନିଧୀ |ଇକୋ-ପ୍ରଦେଶ ଏବଂ AEP ବିଶ୍ global ସ୍ତରୀୟ ପରିବର୍ତ୍ତନଗୁଡିକର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଉପଯୁକ୍ତ ଏକ ମନିଟରିଂ framework ାଞ୍ଚା ପ୍ରତିଷ୍ଠା କରିବାରେ ସାହାଯ୍ୟ କରିପାରିବ, କାରଣ ଅନ-ସାଇଟ୍ ନମୁନା କେଉଁଠାରେ ପ୍ରମୁଖ ସୂଚନା ପ୍ରଦାନ କରିପାରିବ ତାହା ଆକଳନ କରିବାକୁ ପ୍ରଦେଶଗୁଡ଼ିକର ଅନୁମତି |ସମୟ ସଞ୍ଚୟ ପରିବର୍ତ୍ତନଶୀଳତାକୁ ଆକଳନ କରିବା ପାଇଁ ଜଳବାୟୁ ତଥ୍ୟରେ ପ୍ରୟୋଗ ହେବା ପାଇଁ SAGE ପଦ୍ଧତିକୁ ଆହୁରି ବିକଶିତ କରାଯାଇପାରିବ |
SAGE ପଦ୍ଧତିର ସଫଳତା ତଥ୍ୟ ବିଜ୍ଞାନ / ML ପଦ୍ଧତି ଏବଂ ଡୋମେନ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ଜ୍ଞାନର ଯତ୍ନର ସହିତ ପ୍ରୟୋଗ ଦ୍ୱାରା ହାସଲ ହୁଏ |ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବରେ, t-SNE ଡାଇମେନ୍ସନାଲିଟି ହ୍ରାସ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ଯାହା ଉଚ୍ଚ-ଡାଇମେନ୍ସନାଲ୍ ତଥ୍ୟର କୋଭାରିଆନ୍ସ ଗଠନକୁ ସଂରକ୍ଷଣ କରିଥାଏ ଏବଂ କୋଭାରିଆନ୍ସ ଟପୋଲୋଜିର ଭିଜୁଆଲାଇଜେସନକୁ ସହଜ କରିଥାଏ |ତଥ୍ୟଗୁଡିକ ଷ୍ଟ୍ରାଇପ୍ ଏବଂ କୋଭାରିଆନ୍ସ (ଚିତ୍ର 2A) ଆକାରରେ ବ୍ୟବହୃତ ହୋଇଛି, ସୂଚାଇଥାଏ ଯେ ସମ୍ପୂର୍ଣ୍ଣ ଦୂରତା ଭିତ୍ତିକ ପଦକ୍ଷେପଗୁଡିକ (ଯେପରିକି କେ-ଅର୍ଥ) ଉପଯୁକ୍ତ ନୁହେଁ କାରଣ ସେମାନେ ସାଧାରଣତ a ଏକ ଗାଉସିଆନ୍ (ବୃତ୍ତାକାର) ଆଧାର ବଣ୍ଟନ ବ୍ୟବହାର କରନ୍ତି (ନୋଟ୍ S2 ରେ ଆଲୋଚନା) | ।ଯେକ any ଣସି କୋଭାରିଆନ୍ସ ଟପୋଲୋଜି ପାଇଁ DBSCAN ପଦ୍ଧତି ଉପଯୁକ୍ତ |ଯେପର୍ଯ୍ୟନ୍ତ ଆପଣ ପାରାମିଟର ସେଟିଂ ପ୍ରତି ଧ୍ୟାନ ଦିଅନ୍ତି, ନିର୍ଭରଯୋଗ୍ୟ ପରିଚୟ ପ୍ରଦାନ କରାଯାଇପାରିବ |T-SNE ଆଲଗୋରିଦମର ଗଣନା ମୂଲ୍ୟ ଅଧିକ, ଯାହା ଏହାର ସାମ୍ପ୍ରତିକ ପ୍ରୟୋଗକୁ ଅଧିକ ପରିମାଣର ତଥ୍ୟରେ ସୀମିତ କରେ, ଅର୍ଥାତ୍ ଗଭୀର କିମ୍ବା ସମୟ ପରିବର୍ତ୍ତନ କ୍ଷେତ୍ରରେ ପ୍ରୟୋଗ କରିବା କଷ୍ଟକର |T-SNE ର ମାପନୀୟତା ଉପରେ କାର୍ଯ୍ୟ ଚାଲିଛି |ଯେହେତୁ KL ଦୂରତା ସମାନ୍ତରାଳ ଭାବରେ ସହଜ, ଭବିଷ୍ୟତରେ ବିସ୍ତାର ପାଇଁ t-SNE ଆଲଗୋରିଦମର ଏକ ଭଲ ସମ୍ଭାବନା ଅଛି (35) |ଏପର୍ଯ୍ୟନ୍ତ, ଅନ୍ୟାନ୍ୟ ପ୍ରତିଜ୍ଞାକାରୀ ଡାଇମେନିନାଲିଟି ହ୍ରାସ ପଦ୍ଧତି ଯାହା ଆକାରକୁ ଭଲ ଭାବରେ ହ୍ରାସ କରିପାରିବ ୟୁନିଫାଏଡ୍ ମେନିଫୋଲ୍ଡ ଆନୁମାନିକତା ଏବଂ ପ୍ରୋଜେକସନ (UMAP) କ ques ଶଳ ଅନ୍ତର୍ଭୂକ୍ତ କରେ, କିନ୍ତୁ ମହାସାଗର ତଥ୍ୟ ପରିପ୍ରେକ୍ଷୀରେ ମୂଲ୍ୟାଙ୍କନ ଆବଶ୍ୟକ |ଉତ୍ତମ ମାପନୀୟତାର ଅର୍ଥ ହେଉଛି, ଏକ ମିଶ୍ରିତ ସ୍ତରରେ ବିଭିନ୍ନ ଜଟିଳତା ସହିତ ବିଶ୍ୱ ଜଳବାୟୁ କିମ୍ବା ମଡେଲଗୁଡ଼ିକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା |ଯେକ provinces ଣସି ପ୍ରଦେଶରେ SAGE ଦ୍ class ାରା ଶ୍ରେଣୀଭୁକ୍ତ ହେବାକୁ ବିଫଳ ହୋଇଥିବା କ୍ଷେତ୍ରଗୁଡିକ ଚିତ୍ର 2A ରେ ଅବଶିଷ୍ଟ କଳା ବିନ୍ଦୁ ଭାବରେ ବିବେଚନା କରାଯାଇପାରେ |ଭ Ge ଗୋଳିକ ଦୃଷ୍ଟିରୁ, ଏହି କ୍ଷେତ୍ରଗୁଡିକ ମୁଖ୍ୟତ highly ଅତ୍ୟଧିକ al ତୁକାଳୀନ ଅଞ୍ଚଳରେ, ଯାହା ସୂଚାଇଥାଏ ଯେ ସମୟ ସହିତ ପରିବର୍ତ୍ତନ ହେଉଥିବା ପରିବେଶ ପ୍ରଦେଶଗୁଡ଼ିକୁ କାବୁ କରିବା ଉତ୍ତମ କଭରେଜ୍ ପ୍ରଦାନ କରିବ |
SAGE ପଦ୍ଧତି ନିର୍ମାଣ କରିବାକୁ, ଜଟିଳ ସିଷ୍ଟମ / ଡାଟା ସାଇନ୍ସରୁ ଧାରଣା ବ୍ୟବହାର କରାଯାଇଛି, କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର କ୍ଲଷ୍ଟର ନିର୍ଣ୍ଣୟ କରିବାର କ୍ଷମତା ବ୍ୟବହାର କରି (ଏକ 11-ଡାଇମେନ୍ସନାଲ ସ୍ପେସରେ ଅତି ନିକଟତର ହେବାର ସମ୍ଭାବନା) ଏବଂ ପ୍ରଦେଶ ନିର୍ଣ୍ଣୟ କରେ |ଏହି ପ୍ରଦେଶଗୁଡ଼ିକ ଆମର 3D t-SNE ପର୍ଯ୍ୟାୟ ସ୍ଥାନରେ ନିର୍ଦ୍ଦିଷ୍ଟ ପରିମାଣକୁ ଚିତ୍ରଣ କରେ |ସେହିଭଳି, “ସାଧାରଣ” କିମ୍ବା “ବିଶୃଙ୍ଖଳିତ” ଆଚରଣ (36) ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ଟ୍ରାଜେକ୍ଟୋରୀ ଦ୍ୱାରା ଅଧିକୃତ ରାଜ୍ୟ ସ୍ଥାନର “ଭଲ୍ୟୁମ୍” କୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ପଏଙ୍କାରେ ଅଂଶ ବ୍ୟବହାର କରାଯାଇପାରିବ |ଷ୍ଟାଟିକ୍ 11-ଡାଇମେନ୍ସନାଲ୍ ମଡେଲ୍ ଆଉଟପୁଟ୍ ପାଇଁ, ଡାଟା 3D ଫେଜ୍ ସ୍ପେସରେ ରୂପାନ୍ତରିତ ହେବା ପରେ ଅଧିକୃତ ଭଲ୍ୟୁମକୁ ସମାନ ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇପାରେ |3D ପର୍ଯ୍ୟାୟ ଜାଗାରେ ଭ ographic ଗୋଳିକ କ୍ଷେତ୍ର ଏବଂ କ୍ଷେତ୍ର ମଧ୍ୟରେ ସମ୍ପର୍କ ସରଳ ନୁହେଁ, କିନ୍ତୁ ଏହାକୁ ପରିବେଶଗତ ସମାନତା ଦୃଷ୍ଟିରୁ ବର୍ଣ୍ଣନା କରାଯାଇପାରେ |ଏହି କାରଣରୁ, ଅଧିକ ପାରମ୍ପାରିକ ବିସି ଭିନ୍ନତା ମାପକୁ ପସନ୍ଦ କରାଯାଏ |
ଭବିଷ୍ୟତର କାର୍ଯ୍ୟ ଚିହ୍ନିତ ପ୍ରଦେଶ ଏବଂ AEP ର ସ୍ଥାନିକ ପରିବର୍ତ୍ତନଶୀଳତାକୁ ଆକଳନ କରିବା ପାଇଁ ally ତୁକାଳୀନ ତଥ୍ୟ ପରିବର୍ତ୍ତନ ପାଇଁ SAGE ପଦ୍ଧତିକୁ ପୁନ use ବ୍ୟବହାର କରିବ |ଭବିଷ୍ୟତର ଲକ୍ଷ୍ୟ ହେଉଛି ଉପଗ୍ରହ ମାପ ମାଧ୍ୟମରେ କେଉଁ ପ୍ରଦେଶ ନିର୍ଣ୍ଣୟ କରାଯାଇପାରିବ (ଯେପରିକି Chl-a, ରିମୋଟ ସେନ୍ସିଙ୍ଗ ପ୍ରତିଫଳନ ଏବଂ ସମୁଦ୍ର ପୃଷ୍ଠର ତାପମାତ୍ରା) ନିର୍ଣ୍ଣୟ କରିବାରେ ଏହି ପଦ୍ଧତିକୁ ବ୍ୟବହାର କରିବା |ଏହା ଇକୋଲୋଜିକାଲ୍ ଉପାଦାନଗୁଡିକର ରିମୋଟ ସେନ୍ସିଂ ଆକଳନ ଏବଂ ପରିବେଶ ପ୍ରଦେଶଗୁଡ଼ିକର ଅତ୍ୟଧିକ ନମନୀୟ ମନିଟରିଂ ଏବଂ ସେମାନଙ୍କର ପରିବର୍ତ୍ତନଶୀଳତାକୁ ଅନୁମତି ଦେବ |
ଏହି ଅନୁସନ୍ଧାନର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି SAGE ପଦ୍ଧତିକୁ ପରିଚିତ କରାଇବା, ଯାହା ଏହାର ଅନନ୍ୟ ପ୍ଲାନକଟନ୍ ସମ୍ପ୍ରଦାୟ ଗଠନ ମାଧ୍ୟମରେ ଏକ ପରିବେଶ ପ୍ରଦେଶକୁ ବ୍ୟାଖ୍ୟା କରେ |ଏଠାରେ, ଭ physical ତିକ / ବାୟୋଜୋକେମିକାଲ୍ / ଇକୋସିଷ୍ଟମ୍ ମଡେଲ୍ ଏବଂ t-SNE ଏବଂ DBSCAN ଆଲଗୋରିଦମଗୁଡିକର ପାରାମିଟର ଚୟନ ବିଷୟରେ ଅଧିକ ବିସ୍ତୃତ ସୂଚନା ପ୍ରଦାନ କରାଯିବ |
ମଡେଲର ଭ physical ତିକ ଉପାଦାନଗୁଡ଼ିକ ସମୁଦ୍ରର ପ୍ରବାହ ଏବଂ ଜଳବାଯୁର ଆକଳନରୁ ଆସିଥାଏ [ECCOv4;())) ଦ୍ୱାରା ବର୍ଣ୍ଣିତ ବିଶ୍ state ର ରାଜ୍ୟ ଆକଳନ |ରାଜ୍ୟ ଆକଳନର ନାମକରଣ ରିଜୋଲ୍ୟୁସନ୍ ହେଉଛି 1/5 |ଲାଗ୍ରାଙ୍ଗିଆନ୍ ମଲ୍ଟିପ୍ଲେର୍ ପଦ୍ଧତି ସହିତ ସର୍ବନିମ୍ନ ବର୍ଗ ପଦ୍ଧତି ପ୍ରାରମ୍ଭିକ ଏବଂ ସୀମା ଅବସ୍ଥା ଏବଂ ଆଭ୍ୟନ୍ତରୀଣ ମଡେଲ୍ ପାରାମିଟରଗୁଡିକ ପର୍ଯ୍ୟବେକ୍ଷଣ ଦ୍ ed ାରା ନିୟନ୍ତ୍ରିତ ହେବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ଯାହା ଦ୍ a ାରା ଏକ ମାଗଣା ଚାଲୁଥିବା MIT ସାଧାରଣ ଚକ୍ର ମଡେଲ୍ (MITgcm) (39) ସୃଷ୍ଟି ହୁଏ, ମଡେଲ୍ ଅପ୍ଟିମାଇଜେସନ୍ ପରେ, ଫଳାଫଳଗୁଡିକ ହୋଇପାରେ | ଟ୍ରାକ୍ ଏବଂ ପାଳନ କର |
ବାୟୋଜୋକେମିଷ୍ଟ୍ରି / ଇକୋସିଷ୍ଟମର (2) ରେ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ବର୍ଣ୍ଣନା ଅଛି (ଅର୍ଥାତ୍ ସମୀକରଣ ଏବଂ ପାରାମିଟର ମୂଲ୍ୟ) |ମଡେଲଟି ଅଜ ic ବିକ ଏବଂ ଜ organic ବ ପୋଖରୀ ମାଧ୍ୟମରେ C, N, P, Si ଏବଂ Fe ର ପ୍ରଚାରକୁ କ୍ୟାପଚର କରିଥାଏ |ଏଠାରେ ବ୍ୟବହୃତ ସଂସ୍କରଣରେ 35 ପ୍ରଜାତିର ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ଅନ୍ତର୍ଭୁକ୍ତ: 2 ପ୍ରଜାତିର ମାଇକ୍ରୋପ୍ରୋକାରିଓଟ୍ ଏବଂ 2 ପ୍ରଜାତିର ମାଇକ୍ରୋଉକାରିଓଟ୍ (ସ୍ୱଳ୍ପ ପୁଷ୍ଟିକର ପରିବେଶ ପାଇଁ ଉପଯୁକ୍ତ), 5 ପ୍ରଜାତିର କ୍ରିପ୍ଟୋମାନାସ୍ ସ୍ପେରେଏଡ୍ (କ୍ୟାଲସିୟମ୍ କାର୍ବୋନାଟ୍ ଆବରଣ ସହିତ), 5 ପ୍ରଜାତିର ଡିଆଜୋନିୟମ୍ (ନାଇଟ୍ରୋଜେନ୍ ଠିକ୍ କରିପାରିବ, ତେଣୁ) ଏହା ସୀମିତ ନୁହେଁ) ଦ୍ରବୀଭୂତ ଅଜ ic ବିକ ନାଇଟ୍ରୋଜେନର ଉପଲବ୍ଧତା, 11 ଡାଏଟୋମ୍ (ଏକ ସିଲାଇସ୍ କଭର ଗଠନ), 10 ଟି ମିଶ୍ରିତ-ଶାକାହାରୀ ଫ୍ଲାଗେଲେଟ୍ (ଅନ୍ୟ ପ୍ଲାନକଟନ୍ ଫଟୋସାଇନ୍ଥାଇଜ୍ ଏବଂ ଖାଇପାରେ) ଏବଂ 16 ଜୁପ୍ଲ୍ୟାକଟନ୍ (ଅନ୍ୟ ପ୍ଲାଙ୍କଟନ୍ ଉପରେ ଚର) |ଏମାନଙ୍କୁ "ବାୟୋଜୋକେମିକାଲ୍ ଫଙ୍କସନାଲ ଗ୍ରୁପ୍" କୁହାଯାଏ କାରଣ ସାମୁଦ୍ରିକ ବାୟୋଜୋକେମିଷ୍ଟ୍ରି (40, 41) ଉପରେ ସେମାନଙ୍କର ଭିନ୍ନ ପ୍ରଭାବ ଥାଏ ଏବଂ ପ୍ରାୟତ observ ପର୍ଯ୍ୟବେକ୍ଷଣ ଏବଂ ମଡେଲ ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ହୁଏ |ଏହି ମଡେଲରେ, ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀ ବିଭିନ୍ନ ଆକାରର ଅନେକ ପ୍ଲାଙ୍କଟନ୍ ସହିତ ଗଠିତ, ଯାହାର ବ୍ୟବଧାନ 0.6 ରୁ 2500 μm ସମାନ ଗୋଲାକାର ବ୍ୟାସ |
ଫାଇଟୋପ୍ଲ୍ୟାକଟନ୍ ଅଭିବୃଦ୍ଧି, ଚରିବା ଏବଂ ବୁଡ଼ିଯିବା ଉପରେ ପ୍ରଭାବ ପକାଉଥିବା ପାରାମିଟରଗୁଡିକ ଆକାର ସହିତ ଜଡିତ, ଏବଂ six ଟି ଫାଇଟୋପ୍ଲାକ୍ଟନ୍ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ନିର୍ଦ୍ଦିଷ୍ଟ ପାର୍ଥକ୍ୟ ଅଛି |ବିଭିନ୍ନ ଶାରୀରିକ framework ାଞ୍ଚା ସତ୍ତ୍ model େ, ମଡେଲର 51 ଟି ପ୍ଲାଙ୍କଟନ୍ ଉପାଦାନର ଫଳାଫଳ ଅନେକ ସାମ୍ପ୍ରତିକ ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ହୋଇଛି (42-44) |
1992 ରୁ 2011 ପର୍ଯ୍ୟନ୍ତ, ଭ physical ତିକ / ବାୟୋଜୋକେମିକାଲ୍ / ଇକୋସିଷ୍ଟମ୍ କପଲିଂ ମଡେଲ୍ 20 ବର୍ଷ ପର୍ଯ୍ୟନ୍ତ ଚାଲିଲା |ମଡେଲର ଆଉଟପୁଟରେ ପ୍ଲାଙ୍କଟନ୍ ବାୟୋମାସ୍, ପୁଷ୍ଟିକର ଏକାଗ୍ରତା ଏବଂ ପୁଷ୍ଟିକର ଯୋଗାଣ ହାର (DIN, PO4, Si ଏବଂ Fe) ଅନ୍ତର୍ଭୁକ୍ତ |ଏହି ଅଧ୍ୟୟନରେ, ଏହି ଫଳାଫଳଗୁଡିକର 20 ବର୍ଷର ହାରାହାରି ଇକୋଲୋଜିକାଲ୍ ପ୍ରଦେଶର ଇନପୁଟ୍ ଭାବରେ ବ୍ୟବହୃତ ହୋଇଥିଲା |Chl, ପ୍ଲାଙ୍କଟନ୍ ବାୟୋମାସ୍ ଏବଂ ପୁଷ୍ଟିକର ଏକାଗ୍ରତା ଏବଂ କାର୍ଯ୍ୟକ୍ଷମ ଗୋଷ୍ଠୀର ବଣ୍ଟନକୁ ଉପଗ୍ରହ ଏବଂ ଇନ୍-ସିଟ୍ ପର୍ଯ୍ୟବେକ୍ଷଣ ସହିତ ତୁଳନା କରାଯାଏ (ଦେଖନ୍ତୁ (2, 44), ନୋଟ୍ S1 ଏବଂ ଚିତ୍ର |S1 ରୁ S3] |
SAGE ପଦ୍ଧତି ପାଇଁ, ଅନିୟମିତତାର ମୁଖ୍ୟ ଉତ୍ସ t-SNE ପଦକ୍ଷେପରୁ ଆସିଥାଏ |ଅନିୟମିତତା ପୁନରାବୃତ୍ତିରେ ବାଧା ସୃଷ୍ଟି କରେ, ଯାହାର ଅର୍ଥ ହେଉଛି ଫଳାଫଳ ଅବିଶ୍ୱସନୀୟ |SAGE ପଦ୍ଧତି t-SNE ଏବଂ DBSCAN ର ପାରାମିଟରର ଏକ ସେଟ୍ ନିର୍ଣ୍ଣୟ କରି ଦୃ ust ତାକୁ ପରୀକ୍ଷଣ କରେ, ଯାହା ପୁନରାବୃତ୍ତି ହେଲେ କ୍ରମାଗତ ଭାବରେ କ୍ଲଷ୍ଟରଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିପାରିବ |T-SNE ପାରାମିଟରର “ବିସ୍ମୟ” ନିର୍ଣ୍ଣୟ କରିବା ଉଚ୍ଚରୁ ନିମ୍ନ ଆକାରର ମ୍ୟାପିଙ୍ଗ୍ ତଥ୍ୟର ସ୍ଥାନୀୟ କିମ୍ବା ବିଶ୍ୱସ୍ତରୀୟ ବ characteristics ଶିଷ୍ଟ୍ୟକୁ ସମ୍ମାନ ଦେବା ଉଚିତ୍ ଡିଗ୍ରୀ ନିର୍ଣ୍ଣୟ କରିବା ପରି ବୁ understood ିହେବ |400 ଏବଂ 300 ପୁନରାବୃତ୍ତିର ଦ୍ୱନ୍ଦ୍ୱରେ ପହଞ୍ଚିଲା |
କ୍ଲଷ୍ଟରିଙ୍ଗ ଆଲଗୋରିଦମ DBSCAN ପାଇଁ, କ୍ଲଷ୍ଟରରେ ଡାଟା ପଏଣ୍ଟଗୁଡିକର ସର୍ବନିମ୍ନ ଆକାର ଏବଂ ଦୂରତା ମେଟ୍ରିକ୍ ନିର୍ଣ୍ଣୟ କରାଯିବା ଆବଶ୍ୟକ |ବିଶେଷଜ୍ଞଙ୍କ ମାର୍ଗଦର୍ଶନରେ ସର୍ବନିମ୍ନ ସଂଖ୍ୟା ନିର୍ଣ୍ଣୟ କରାଯାଏ |ଏହି ସାଂଖ୍ୟିକ ସାଂଖ୍ୟିକ ମଡେଲିଂ framework ାଞ୍ଚା ଏବଂ ରେଜୋଲୁସନ ସହିତ କ’ଣ ଫିଟ୍ ଅଛି ଏହି ଜ୍ଞାନ ଜାଣେ |ସର୍ବନିମ୍ନ ସଂଖ୍ୟା ହେଉଛି 100. ଏକ ଉଚ୍ଚ ସର୍ବନିମ୍ନ ମୂଲ୍ୟ (ସବୁଜ ର ଉପର ସୀମା ବ୍ୟାପକ ହେବା ପୂର୍ବରୁ <135 ରୁ କମ୍) ବିବେଚନା କରାଯାଇପାରେ, କିନ୍ତୁ ଏହା ବିସି ଭିନ୍ନତା ଉପରେ ଆଧାର କରି ଏକୀକରଣ ପଦ୍ଧତିକୁ ବଦଳାଇ ପାରିବ ନାହିଁ |ସଂଯୋଗର ଡିଗ୍ରୀ (ଚିତ୍ର 6A) ϵ ପାରାମିଟର ସେଟ୍ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ଯାହା ଉଚ୍ଚ କଭରେଜ୍ (ଚିତ୍ର 6 ବି) ପାଇଁ ଅନୁକୂଳ ଅଟେ |କନେକ୍ଟିଭିଟି କ୍ଲଷ୍ଟରର ମିଶ୍ରିତ ସଂଖ୍ୟା ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି ଏବଂ ϵ ପାରାମିଟର ପ୍ରତି ସମ୍ବେଦନଶୀଳ |ଲୋୟର କନେକ୍ଟିଭିଟି ପର୍ଯ୍ୟାପ୍ତ ଫିଟିଂକୁ ସୂଚାଏ, କୃତ୍ରିମ ଭାବରେ ଅଞ୍ଚଳଗୁଡିକୁ ଏକତ୍ର କରିଦିଏ |ଉଚ୍ଚ ସଂଯୋଗୀକରଣ ଅତ୍ୟଧିକ ଫିଟ୍ ସୂଚାଏ |ଓଭରଫିଟିଂ ମଧ୍ୟ ସମସ୍ୟାଜନିତ, କାରଣ ଏହା ଦର୍ଶାଏ ଯେ ପ୍ରାରମ୍ଭିକ ଅନିୟମିତ ଅନୁମାନ ଅଣ-ଉତ୍ପାଦନ ଫଳାଫଳକୁ ନେଇପାରେ |ଏହି ଦୁଇଟି ଚରମ ମଧ୍ୟରେ, ଏକ ତୀକ୍ଷ୍ଣ ବୃଦ୍ଧି (ସାଧାରଣତ ““ ଏଲବୋ ”କୁହାଯାଏ) ସର୍ବୋତ୍ତମ indicates କୁ ସୂଚିତ କରେ |ଚିତ୍ର 6A ରେ, ଆପଣ ମାଳଭୂମି ଅଞ୍ଚଳରେ (ହଳଦିଆ,> 200 କ୍ଲଷ୍ଟର) ଏକ ତୀବ୍ର ବୃଦ୍ଧି ଦେଖିଥିବେ, ତା’ପରେ ତୀବ୍ର ହ୍ରାସ (ସବୁଜ, 100 କ୍ଲଷ୍ଟର), ପ୍ରାୟ 130 ପର୍ଯ୍ୟନ୍ତ, ବହୁତ କମ୍ କ୍ଲଷ୍ଟର (ନୀଳ, <60 କ୍ଲଷ୍ଟର) ଦ୍ୱାରା ଘେରି ରହିଥାଏ | )ଅତିକମରେ 100 ନୀଳ ଅଞ୍ଚଳରେ, ଗୋଟିଏ କ୍ଲଷ୍ଟର ସମଗ୍ର ସମୁଦ୍ର ଉପରେ ପ୍ରାଧାନ୍ୟ ଦେଇଥାଏ (ϵ <0.42), କିମ୍ବା ସମୁଦ୍ରର ଅଧିକାଂଶ ଅଂଶ ଶ୍ରେଣୀଭୁକ୍ତ ହୋଇନଥାଏ ଏବଂ ଶବ୍ଦ ଭାବରେ ବିବେଚନା କରାଯାଏ (ϵ> 0.99) |ହଳଦିଆ ଅଞ୍ଚଳରେ ଏକ ଉଚ୍ଚ ପରିବର୍ତ୍ତନଶୀଳ, ଅଣ-ଉତ୍ପାଦକ କ୍ଲଷ୍ଟର ବଣ୍ଟନ ଅଛି |ଯେହେତୁ ϵ ହ୍ରାସ ହୁଏ, ଶବ୍ଦ ବ increases େ |ତୀବ୍ର ବ green ୁଥିବା ସବୁଜ କ୍ଷେତ୍ରକୁ ଏକ କୋଣ କୁହାଯାଏ |ଏହା ଏକ ଉତ୍କୃଷ୍ଟ ଅଞ୍ଚଳ |ଯଦିଓ ସମ୍ଭାବ୍ୟତା t-SNE ବ୍ୟବହୃତ ହୁଏ, ତଥାପି ପ୍ରଦେଶ ମଧ୍ୟରେ ଥିବା ବିସି ଭିନ୍ନତା ନିର୍ଭରଯୋଗ୍ୟ କ୍ଲଷ୍ଟରିଙ୍ଗ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ |ଚିତ୍ର 6 (A ଏବଂ B) ବ୍ୟବହାର କରି, ϵ କୁ 0.39 ସେଟ୍ କରନ୍ତୁ |ସର୍ବନିମ୍ନ ସଂଖ୍ୟା ଯେତେ ଅଧିକ, reliable ପହଞ୍ଚିବାର ସମ୍ଭାବନା ଛୋଟ reliable ଯାହା ନିର୍ଭରଯୋଗ୍ୟ ବର୍ଗୀକରଣକୁ ଅନୁମତି ଦିଏ, ଏବଂ ମୂଲ୍ୟ 135 ରୁ ଅଧିକ ଥିବା ସବୁଜ କ୍ଷେତ୍ରକୁ ଅଧିକ କରିଥାଏ | ଏହି କ୍ଷେତ୍ରର ବିସ୍ତାର ସୂଚାଇଥାଏ ଯେ କୋଣ ଖୋଜିବା କିମ୍ବା ପାଇବା କଷ୍ଟକର ହେବ | ବିଦ୍ୟମାନ |
T-SNE ର ପାରାମିଟର ସେଟିଂ କରିବା ପରେ, ମିଳିଥିବା ସମୁଦାୟ କ୍ଲଷ୍ଟର ସଂଯୋଗୀକରଣ (A) ଏବଂ କ୍ଲଷ୍ଟର (B) କୁ ଦିଆଯାଇଥିବା ତଥ୍ୟର ଶତକଡ଼ା ଭାବରେ ବ୍ୟବହୃତ ହେବ |ଲାଲ୍ ବିନ୍ଦୁ କଭରେଜ୍ ଏବଂ ସଂଯୋଗର ସର୍ବୋତ୍ତମ ମିଶ୍ରଣକୁ ସୂଚିତ କରେ |ପରିବେଶ ସହିତ ଜଡିତ ସର୍ବନିମ୍ନ ସଂଖ୍ୟା ଅନୁଯାୟୀ ସର୍ବନିମ୍ନ ସଂଖ୍ୟା ସେଟ୍ ହୋଇଛି |
ଏହି ପ୍ରବନ୍ଧ ପାଇଁ ସପ୍ଲିମେଣ୍ଟାରୀ ସାମଗ୍ରୀ ପାଇଁ, ଦୟାକରି http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1 ଦେଖନ୍ତୁ |
କ୍ରିଏଟିଭ କମନ୍ସ ଆଟ୍ରିବ୍ୟୁସନ୍ ଲାଇସେନ୍ସ ସର୍ତ୍ତାବଳୀ ଅନୁଯାୟୀ ଏହା ଏକ ଖୋଲା ଆକ୍ସେସ୍ ଆର୍ଟିକିଲ୍ |ମୂଳ କାର୍ଯ୍ୟଟି ସଠିକ୍ ଭାବରେ ଦର୍ଶାଯାଇଥିବା ସର୍ତ୍ତରେ ଆର୍ଟିକିଲ୍ ଯେକ medium ଣସି ମାଧ୍ୟମରେ ସୀମିତ ବ୍ୟବହାର, ବଣ୍ଟନ ଏବଂ ପୁନ oduction ପ୍ରବାହକୁ ଅନୁମତି ଦିଏ |
ଟିପନ୍ତୁ: ଆମେ ଆପଣଙ୍କୁ କେବଳ ଆପଣଙ୍କର ଇମେଲ୍ ଠିକଣା ପ୍ରଦାନ କରିବାକୁ କହୁଛୁ ଯାହା ଦ୍ you ାରା ଆପଣ ପୃଷ୍ଠାକୁ ସୁପାରିଶ କରୁଥିବା ବ୍ୟକ୍ତି ଜାଣନ୍ତି ଯେ ଆପଣ ଇମେଲ୍ ଦେଖିବା ପାଇଁ ଚାହୁଁଛନ୍ତି ଏବଂ ଏହା ସ୍ପାମ୍ ନୁହେଁ |ଆମେ କ any ଣସି ଇମେଲ୍ ଠିକଣା କ୍ୟାପଚର୍ କରିବୁ ନାହିଁ |
ଏହି ପ୍ରଶ୍ନଟି ଆପଣ ଜଣେ ପରିଦର୍ଶକ କି ନାହିଁ ଏବଂ ସ୍ୱୟଂଚାଳିତ ସ୍ପାମ୍ ଉପସ୍ଥାପନାକୁ ରୋକିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ |
ସାମୁଦ୍ରିକ ଇକୋଲୋଜି ମନ୍ତ୍ରଣାଳୟ ଜଟିଳ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ସଂକଳ୍ପବଦ୍ଧ ଏବଂ ସମ୍ପ୍ରଦାୟର ସଂରଚନାକୁ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ଅଣସଂରକ୍ଷିତ ML ବ୍ୟବହାର କରେ |
ସାମୁଦ୍ରିକ ଇକୋଲୋଜି ମନ୍ତ୍ରଣାଳୟ ଜଟିଳ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ସଂକଳ୍ପବଦ୍ଧ ଏବଂ ସମ୍ପ୍ରଦାୟର ସଂରଚନାକୁ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ଅଣସଂରକ୍ଷିତ ML ବ୍ୟବହାର କରେ |