පාරිසරික සංකීර්ණත්වය පැහැදිලි කිරීම: අධීක්ෂණය නොකළ ඉගෙනීම ගෝලීය සාගර පාරිසරික පළාත තීරණය කරයි

ප්ලවාංග ප්‍රජා ව්‍යුහය සහ පෝෂක ප්‍රවාහ දත්ත මත පදනම්ව ගෝලීය සාගර පාරිසරික පළාත් (පාරිසරික පළාත්) නිර්ණය කිරීමට අධීක්‍ෂණය නොකළ ඉගෙනුම් ක්‍රමයක් යෝජනා කෙරේ.ක්‍රමානුකූල ඒකාබද්ධ පාරිසරික පළාත (SAGE) ක්‍රමයට ඉතා රේඛීය නොවන පරිසර පද්ධති ආකෘතිවල පාරිසරික පළාත් හඳුනාගත හැකිය.දත්තවල Gaussian නොවන covariance වලට අනුවර්තනය වීම සඳහා, SAGE විසින් මානය අඩු කිරීමට t සසම්භාවී අසල්වැසි කාවැද්දීම (t-SNE) භාවිතා කරයි.ඝනත්වය මත පදනම් වූ අවකාශීය පොකුරු (DBSCAN) ඇල්ගොරිතම මත පදනම් වූ ශබ්ද යෙදුමේ ආධාරයෙන්, පාරිසරික පළාත් සියයකට වඩා හඳුනාගත හැකිය.දුර මිනුමක් ලෙස පාරිසරික වෙනස්කම් සහිත සම්බන්ධතා සිතියම භාවිතා කරමින්, ශක්තිමත් සමූහ පාරිසරික පළාතක් (AEP) වෛෂයිකව කැදැලි පාරිසරික පළාත් හරහා නිර්වචනය කෙරේ.AEPs භාවිතා කරමින්, ප්‍රජා ව්‍යුහය මත පෝෂක සැපයුම් අනුපාතය පාලනය කිරීම ගවේෂණය කරන ලදී.පරිසර-පළාත් සහ AEP අද්විතීය වන අතර ආදර්ශ අර්ථ නිරූපණයට උපකාර කළ හැකිය.ඒවාට ආකෘති අතර සංසන්දනය සඳහා පහසුකම් සැලසිය හැකි අතර සාගර පරිසර පද්ධති පිළිබඳ අවබෝධය සහ අධීක්ෂණය වැඩි දියුණු කළ හැකිය.
පළාත් යනු මුහුදේ හෝ ගොඩබිමෙහි සංකීර්ණ ජෛව භූගෝල විද්‍යාව සුසංයෝගී සහ අර්ථවත් ප්‍රදේශ ලෙස සංවිධානය කර ඇති කලාප වේ (1).ස්ථාන සංසන්දනය කිරීම සහ සංසන්දනය කිරීම, නිරීක්ෂණ ගුනාංගීකරනය කිරීම, අධීක්ෂණය සහ ආරක්ෂාව සඳහා මෙම පළාත් ඉතා වැදගත් වේ.මෙම පළාත් නිපදවන සංකීර්ණ සහ රේඛීය නොවන අන්තර්ක්‍රියා මඟින් අධීක්‍ෂණය නොකළ යන්ත්‍ර ඉගෙනුම් (ML) ක්‍රම වෛෂයිකව පළාත් නිර්ණය කිරීම සඳහා ඉතා යෝග්‍ය කරයි, මන්ද දත්තවල සහජීවනය සංකීර්ණ සහ ගවුසියන් නොවන බැවිනි.මෙහිදී, ඩාවින් ගෝලීය ත්‍රිමාණ (3D) භෞතික/පරිසර පද්ධති ආකෘතියෙන් (2) අද්විතීය සමුද්‍ර පාරිසරික පළාත් (පාරිසරික පළාත්) ක්‍රමානුකූලව හඳුනා ගන්නා ML ක්‍රමයක් යෝජනා කෙරේ.හඳුනාගත් ප්‍රදේශය අනෙකුත් ප්‍රදේශ සමඟ ප්‍රමාණවත් ලෙස අතිච්ඡාදනය නොවන බව දැක්වීමට "අද්විතීය" යන යෙදුම භාවිතා වේ.මෙම ක්‍රමය System Integrated Ecological Province (SAGE) ක්‍රමය ලෙස හැඳින්වේ.ප්‍රයෝජනවත් වර්ගීකරණයක් සිදු කිරීම සඳහා, ඇල්ගොරිතම ක්‍රමයක් (i) ගෝලීය වර්ගීකරණයට සහ (ii) අවකාශය සහ කාලය තුළ කැදලිගත/එකතු කළ හැකි බහු පරිමාණ විශ්ලේෂණයට ඉඩ දීම අවශ්‍ය වේ (3).මෙම පර්යේෂණයේදී SAGE ක්‍රමය මුලින්ම යෝජනා කරන ලද අතර හඳුනාගත් පාරිසරික පළාත් පිළිබඳව සාකච්ඡා කරන ලදී.ප්‍රජා ව්‍යුහය පාලනය කරන සාධක පිළිබඳ අවබෝධය ප්‍රවර්ධනය කිරීමට, උපාය මාර්ග නිරීක්‍ෂණය සඳහා ප්‍රයෝජනවත් අවබෝධයක් ලබා දීමට සහ පරිසර පද්ධතියේ වෙනස්වීම් නිරීක්ෂණය කිරීමට පරිසර-පළාත්වලට හැකිය.
භෞමික පළාත් සාමාන්‍යයෙන් දේශගුණය (වර්ෂාපතනය සහ උෂ්ණත්වය), පස, වෘක්ෂලතා සහ සත්ත්ව විශේෂවල සමානකම් අනුව වර්ගීකරණය කර ඇති අතර, සහායක කළමනාකරණය, ජෛව විවිධත්ව පර්යේෂණ සහ රෝග පාලනය සඳහා යොදා ගැනේ (1, 4).සාගර පළාත් නිර්වචනය කිරීම වඩා දුෂ්කර ය.බොහෝ ජීවීන් දියරමය මායිම් සහිත අන්වීක්ෂීය වේ.Longhurst et al.(5) පාරිසරික තත්ත්වයන් මත පදනම්ව සාගර විද්‍යා අමාත්‍යාංශයේ පළමු ගෝලීය වර්ගීකරණයන්ගෙන් එකක් සපයා ඇත.මෙම "Longhurst" පළාත්වල නිර්වචනයට මිශ්‍ර අනුපාතය, ස්තරීකරණය සහ ප්‍රකිරණය වැනි විචල්‍යයන් මෙන්ම සමුද්‍ර පරිසර පද්ධති සඳහා වෙනත් වැදගත් කොන්දේසි ඇති සමුද්‍ර සාගර විද්‍යාඥයෙකු ලෙස Longhurst ගේ පුළුල් අත්දැකීම් ඇතුළත් වේ.උදාහරණයක් ලෙස, ප්‍රාථමික නිෂ්පාදනය සහ කාබන් ප්‍රවාහයන් තක්සේරු කිරීම, ධීවර කර්මාන්තයට ආධාර කිරීම සහ ස්ථානීය නිරීක්ෂණ ක්‍රියාකාරකම්වල සැලසුම් කිරීම සඳහා Longhurst බහුලව භාවිතා කර ඇත (5-9).පළාත් වඩාත් වෛෂයිකව නිර්වචනය කිරීම සඳහා, නොපැහැදිලි තර්කනය සහ කලාපීය අධීක්‍ෂණය නොකළ පොකුරු/සංඛ්‍යාලේඛන වැනි ක්‍රම භාවිතා කර ඇත (9-14).එවැනි ක්‍රමවල අරමුණ වන්නේ පවතින නිරීක්ෂණ දත්තවල පළාත් හඳුනාගත හැකි අර්ථවත් ව්‍යුහයන් හඳුනා ගැනීමයි.උදාහරණයක් ලෙස, ගතික සමුද්‍ර පළාත් (12) ශබ්දය අඩු කිරීමට ස්වයං-සංවිධාන සිතියම් භාවිතා කරන අතර, කලාපීය චන්ද්‍රිකා වලින් ලබාගත් සමුද්‍ර වර්ණ නිෂ්පාදන නිර්ණය කිරීම සඳහා ධූරාවලි (ගස් මත පදනම් වූ) පොකුරු භාවිතා කරයි [chlorophyll a (Chl-a), සාමාන්‍යකරණය කරන ලද ප්‍රතිදීප්ත රේඛා උස සහ වර්ණිත ද්රාවිත කාබනික ද්රව්ය] සහ භෞතික ක්ෂේත්රය (මුහුදු මතුපිට උෂ්ණත්වය සහ ලවණතාව, නිරපේක්ෂ ගතික භූ විෂමතාව සහ මුහුදු අයිස්).
ප්ලවාංග වල ප්‍රජා ව්‍යුහය සැලකිලිමත් වන්නේ එහි පරිසර විද්‍යාව ඉහළ පෝෂක මට්ටම්, කාබන් අවශෝෂණය සහ දේශගුණය කෙරෙහි විශාල බලපෑමක් ඇති කරන බැවිනි.එසේ වුවද, ප්ලවාංග ප්‍රජා ව්‍යුහය මත පදනම්ව ගෝලීය පාරිසරික පළාතක් තීරණය කිරීම තවමත් අභියෝගාත්මක සහ නොපැහැදිලි ඉලක්කයකි.සමුද්‍ර වර්ණ චන්ද්‍රිකා මගින් ෆයිටොප්ලැන්ක්ටන්හි ගොරෝසු වර්ගීකරණය පිළිබඳ අවබෝධයක් ලබා දීමට හෝ ක්‍රියාකාරී කණ්ඩායම්වල (15) වාසි යෝජනා කළ හැකි නමුත් ප්‍රජා ව්‍යුහය පිළිබඳ සවිස්තරාත්මක තොරතුරු සැපයීමට දැනට ඔවුන්ට නොහැකි වී ඇත.මෑත සමීක්ෂණ [උදා: Tara Ocean (16)] ප්‍රජා ව්‍යුහයේ පෙර නොවූ විරූ මිනුම් සපයයි;දැනට ගෝලීය පරිමාණයෙන් ඇත්තේ විරල ස්ථානීය නිරීක්ෂණ පමණි (17).පෙර අධ්‍යයනයන් බොහෝ දුරට ජෛව රසායනික සමානකම් (ප්‍රාථමික නිෂ්පාදනය, Chl සහ පවතින ආලෝකය වැනි) නිර්ණය කිරීම මත පදනම්ව "ජෛව රසායනික පළාත" (12, 14, 18) තීරණය කර ඇත.මෙහිදී සංඛ්‍යාත්මක ආකෘතිය [Darwin(2)] ප්‍රතිදානය කිරීමට භාවිතා කරන අතර ප්‍රජා ව්‍යුහය සහ පෝෂක ප්‍රවාහය අනුව පාරිසරික පළාත තීරණය වේ.මෙම අධ්‍යයනයේ භාවිතා වන සංඛ්‍යාත්මක ආකෘතිය ගෝලීය ආවරණයක් ඇති අතර පවතින ක්ෂේත්‍ර දත්ත (17) සහ දුරස්ථ සංවේද ක්ෂේත්‍ර (සටහන S1) සමඟ සැසඳිය හැක.මෙම අධ්‍යයනයේ භාවිතා වන සංඛ්‍යාත්මක ආකෘති දත්ත ගෝලීය ආවරණයේ වාසිය ඇත.ආදර්ශ පරිසර පද්ධතිය phytoplankton විශේෂ 35 කින් සහ zooplankton විශේෂ 16 කින් සමන්විත වේ (කරුණාකර ද්‍රව්‍ය සහ ක්‍රම බලන්න).ආදර්ශ ප්ලවාංග වර්ග ගවුසියන් නොවන සහසම්බන්ධතා ව්‍යුහයන් සමඟ රේඛීය නොවන ලෙස අන්තර්ක්‍රියා කරයි, එබැවින් නැගී එන ප්‍රජා ව්‍යුහයන් තුළ අද්විතීය සහ ස්ථාවර රටා හඳුනා ගැනීමට සරල රෝග විනිශ්චය ක්‍රම සුදුසු නොවේ.මෙහි හඳුන්වා දී ඇති SAGE ක්‍රමය සංකීර්ණ ඩාවින් ආකෘතිවල ප්‍රතිදානය පරීක්ෂා කිරීමට නව ක්‍රමයක් සපයයි.
දත්ත විද්‍යාව/ML තාක්‍ෂණයේ බලගතු පරිවර්තනීය හැකියාවන් මඟින් දත්ත සහජීවනය තුළ සංකීර්ණ නමුත් ශක්තිමත් ව්‍යුහයන් හෙළිදරව් කිරීමට අතිමහත් සංකීර්ණ ආකෘති විසඳුම් සක්‍රීය කළ හැකිය.ශක්තිමත් ක්‍රමයක් යනු දී ඇති දෝෂ පරාසයක් තුළ ප්‍රතිඵල විශ්වාසවන්තව ප්‍රතිනිෂ්පාදනය කළ හැකි ක්‍රමයක් ලෙස අර්ථ දැක්වේ.සරල පද්ධතිවල පවා ශක්තිමත් රටා සහ සංඥා නිර්ණය කිරීම අභියෝගයක් විය හැක.නිරීක්ෂණය කරන ලද රටාවට තුඩු දෙන තාර්කිකත්වය නිශ්චය කරන තුරු, මතුවන සංකීර්ණත්වය සංකීර්ණ/විසඳීමට අපහසු බවක් පෙනෙන්නට තිබේ.පරිසර පද්ධතියේ සංයුතිය සැකසීමේ ප්‍රධාන ක්‍රියාවලිය රේඛීය නොවන ස්වභාවයකි.රේඛීය නොවන අන්තර්ක්‍රියා වල පැවැත්ම ශක්තිමත් වර්ගීකරණය ව්‍යාකූල කළ හැක, එබැවින් දත්ත සහසම්බන්ධතාවයේ මූලික සංඛ්‍යානමය ව්‍යාප්තිය පිළිබඳ ප්‍රබල උපකල්පන ඇති කරන ක්‍රමවලින් වැළකී සිටීම අවශ්‍ය වේ.අධි-මාන සහ රේඛීය නොවන දත්ත සාගර විද්‍යාවේ බහුලව දක්නට ලැබෙන අතර සංකීර්ණ, ගවුසියන් නොවන ස්ථල විද්‍යාව සමඟ සහසංයුජ ව්‍යුහයක් තිබිය හැක.Gaussian නොවන covariance ව්‍යුහයක් සහිත දත්ත ශක්තිමත් වර්ගීකරණයට බාධාවක් විය හැකි වුවද, SAGE ක්‍රමය නව්‍ය වන්නේ එය අත්තනෝමතික ස්ථලක සහිත පොකුරු හඳුනා ගැනීමට සැලසුම් කර ඇති බැවිනි.
SAGE ක්‍රමයේ පරමාර්ථය වන්නේ තවදුරටත් පාරිසරික අවබෝධය සඳහා උපකාර විය හැකි නැගී එන රටා වෛෂයිකව හඳුනා ගැනීමයි.(19) ට සමාන පොකුරු මත පදනම් වූ කාර්ය ප්‍රවාහයක් අනුගමනය කරමින්, පාරිසරික පළාත ලෙස හැඳින්වෙන දත්තවල ඇති එකම පොකුර තීරණය කිරීම සඳහා පාරිසරික සහ පෝෂක ප්‍රවාහ විචල්‍යයන් භාවිතා කරයි.මෙම අධ්‍යයනයේ යෝජිත SAGE ක්‍රමය (රූපය 1) ප්‍රථමයෙන් මාන 55 සිට 11 දක්වා මානයන් අඩු කරන්නේ ප්ලාන්ක්ටන් ක්‍රියාකාරී කණ්ඩායම් ප්‍රියෝරි ලෙස අර්ථ දක්වා ඇත (ද්‍රව්‍ය සහ ක්‍රම බලන්න).t-random අසල්වැසි කාවැද්දීම (t-SNE) ක්‍රමය භාවිතා කරමින්, සම්භාවිතාව ත්‍රිමාණ අවකාශයට ප්‍රක්ෂේපණය කිරීමෙන් ප්‍රමාණය තවදුරටත් අඩු වේ.අධීක්‍ෂණය නොකළ පොකුරු මගින් පාරිසරික වශයෙන් සමීප ප්‍රදේශ හඳුනා ගත හැක [ඝනත්වය මත පදනම් වූ අවකාශීය පොකුරු (DBSCAN) ශබ්දය පදනම් වූ යෙදුම් සඳහා].t-SNE සහ DBSCAN යන දෙකම ආවේනික රේඛීය නොවන පරිසර පද්ධති සංඛ්‍යාත්මක ආකෘති දත්ත සඳහා අදාළ වේ.ඉන්පසුව ඇති වන පාරිසරික පළාත පෘථිවියට නැවත ප්‍රක්ෂේපණය කරන්න.කලාපීය පර්යේෂණ සඳහා සුදුසු අද්විතීය පාරිසරික පළාත් සියයකට වඩා හඳුනාගෙන ඇත.ගෝලීය වශයෙන් ස්ථාවර පරිසර පද්ධති ආකෘතිය සලකා බැලීම සඳහා, පාරිසරික පළාත්වල සඵලතාවය වැඩි දියුණු කිරීම සඳහා පාරිසරික පළාත් සමූහ පාරිසරික පළාත් (AEP) බවට ඒකාබද්ධ කිරීමට SAGE ක්‍රමය භාවිතා කරයි.එකතු කිරීමේ මට්ටම ("සංකීර්ණත්වය" ලෙස හැඳින්වේ) අවශ්ය විස්තර මට්ටමට සකස් කළ හැක.ශක්තිමත් AEP හි අවම සංකීර්ණතාව තීරණය කරන්න.තෝරාගැනීමේ අවධානය SAGE ක්‍රමය වන අතර හදිසි ප්‍රජා ව්‍යුහය පාලනය කිරීම තීරණය කිරීම සඳහා කුඩාම සංකීර්ණ AEP අවස්ථා ගවේෂණය කරයි.පාරිසරික තීක්ෂ්ණ බුද්ධිය ලබා දීම සඳහා රටා විශ්ලේෂණය කළ හැකිය.මෙහි හඳුන්වා දී ඇති ක්‍රමය ආකෘති සංසන්දනය සඳහා වඩාත් පුළුල් ලෙස භාවිතා කළ හැකිය, නිදසුනක් ලෙස, ආකෘති සංසන්දනය කිරීම සඳහා වෙනස්කම් සහ සමානකම් ඉස්මතු කිරීම සඳහා විවිධ ආකෘතිවල ඇති සමාන පාරිසරික පළාත්වල ස්ථාන ඇගයීමෙන්.
(A) පාරිසරික පළාත තීරණය කිරීම සඳහා කාර්ය ප්රවාහයේ ක්රමානුරූප රූප සටහන;ක්‍රියාකාරී/පෝෂක ප්ලවාංග හතක ජෛව ස්කන්ධය සහ පෝෂක සැපයුම් අනුපාත හතරක් ඇතුළුව මුල් 55-මාන දත්ත 11-මාන ආකෘති ප්‍රතිදානයකට අඩු කිරීමට ක්‍රියාකාරී කාණ්ඩයේ එකතුව භාවිතා කිරීම.නොසැලකිය හැකි වටිනාකම සහ කල් පවතින අයිස් ආවරණ ප්රදේශය.දත්ත ප්‍රමිතිගත කර ප්‍රමිතිගත කර ඇත.සංඛ්‍යානමය වශයෙන් සමාන විශේෂාංග සංයෝජන ඉස්මතු කිරීමට t-SNE ඇල්ගොරිතමයට 11-මාන දත්ත සපයන්න.DBSCAN පරාමිති අගය සැකසීමට පොකුර ප්රවේශමෙන් තෝරා ගනු ඇත.අවසාන වශයෙන් දත්ත නැවත අක්ෂාංශ/දේශාංශ ප්‍රක්ෂේපණය වෙත ප්‍රක්ෂේපණය කරන්න.t-SNE යෙදීමෙන් සුළු අහඹු බවක් ඇති විය හැකි බැවින් මෙම ක්‍රියාවලිය 10 වතාවක් පුනරාවර්තනය වන බව කරුණාවෙන් සලකන්න.(B) (A) හි වැඩ ප්‍රවාහය 10 වතාවක් පුනරාවර්තනය කිරීමෙන් AEP ලබා ගන්නේ කෙසේද යන්න පැහැදිලි කරයි.මෙම එක් එක් ක්‍රියාත්මක කිරීම් 10 සඳහා, අන්තර්-පළාත් Bray-Curtis (BC) අසමානතා න්‍යාසය නිර්ණය කරන ලද්දේ ෆයිටොප්ලැන්ක්ටන් වර්ග 51ක ජෛව ස්කන්ධය මත පදනම්වය.සංකීර්ණත්වය 1 AEP සිට සම්පූර්ණ සංකීර්ණත්වය දක්වා 115 දක්වා පළාත් අතර BC වෙනස නිර්ණය කරන්න. BC මිණුම් ලකුණ Longhurst Province විසින් සකසා ඇත.
SAGE ක්‍රමය පාරිසරික පළාත නිර්වචනය කිරීම සඳහා ගෝලීය 3D භෞතික/පරිසර පද්ධති සංඛ්‍යාත්මක ආකෘතියේ ප්‍රතිදානය භාවිතා කරයි [ඩාවින් (2);ද්‍රව්‍ය සහ ක්‍රම සහ සටහන S1] බලන්න.පරිසර පද්ධතියේ සංරචක ෆයිටොප්ලැන්ක්ටන් විශේෂ 35 කින් සහ zooplankton විශේෂ 16 කින් සමන්විත වන අතර, පූර්ව නිශ්චිත ක්‍රියාකාරී කාණ්ඩ හතකින් සමන්විත වේ: ප්‍රොකැරියෝට සහ යුකැරියෝට් අඩු පෝෂක පරිසරයන්ට අනුවර්තනය කරන ලද, කැල්සියම් කාබනේට් ආලේපනයක් සහිත කොක්සිඩියා සහ අධික නයිට්‍රජන් රහිත නයිට්‍රජන් සවිකිරීම වැදගත් පෝෂ්‍ය පදාර්ථ), සිලිසියස් ආවරණයක් සහිතව, අනෙකුත් ප්ලවාංග ප්‍රභාසංශ්ලේෂණ සහ තෘණ මිශ්‍ර පෝෂක ධජ සහ zooplankton එඬේරුන් සෑදිය හැක.විශාලත්වය පරාසය 0.6 සිට 2500μm දක්වා සමාන ගෝලාකාර විෂ්කම්භයකි.ෆයිටොප්ලැන්ක්ටන් ප්‍රමාණයේ ආකෘති ව්‍යාප්තිය සහ ක්‍රියාකාරී සමූහගත කිරීම චන්ද්‍රිකා සහ ස්ථානගත නිරීක්ෂණවල දක්නට ලැබෙන සමස්ත ලක්‍ෂණ ග්‍රහණය කරයි (රූප S1 සිට S3 දක්වා බලන්න).සංඛ්‍යාත්මක ආකෘතිය සහ නිරීක්ෂණය කරන ලද සාගරය අතර ඇති සමානකම පෙන්නුම් කරන්නේ ආකෘතිය මගින් අර්ථ දක්වා ඇති පළාත් ස්ථානගත සාගරයට අදාළ විය හැකි බවයි.මෙම ආකෘතිය ෆයිටොප්ලැන්ක්ටන්හි යම් විවිධත්වයක් පමණක් ග්‍රහණය කර ගන්නා අතර, අභ්‍යන්තර සාගරයේ ඇතැම් භෞතික හා රසායනික බල පරාසයන් පමණක් ග්‍රහණය කර ගන්නා බව කරුණාවෙන් සලකන්න.SAGE ක්‍රමය මඟින් ආදර්ශ ප්‍රජා ව්‍යුහයේ ඉහළ කලාපීය පාලන යාන්ත්‍රණය වඩා හොඳින් අවබෝධ කර ගැනීමට මිනිසුන්ට හැකි වේ.
එක් එක් ප්ලවාංග ක්‍රියාකාරී කාණ්ඩයේ මතුපිට ජෛව ස්කන්ධ එකතුව (සාමාන්‍ය අවුරුදු 20ක් සහිත) පමණක් ඇතුළත් කිරීමෙන් දත්තවල මානය අඩු කළ හැක.පෙර අධ්‍යයනයන් ප්‍රජා ව්‍යුහය සැකසීමේදී ඔවුන්ගේ ප්‍රධාන භූමිකාව පෙන්නුම් කිරීමෙන් පසුව, එයට පෝෂක ප්‍රවාහ (නයිට්‍රජන්, යකඩ, පොස්පේට් සහ සිලිසිලික් අම්ලය සැපයීම) සඳහා මතුපිට මූලාශ්‍ර නියමයන් ද ඇතුළත් විය [උදා (20, 21)] .ක්‍රියාකාරී කණ්ඩායම්වල සාරාංශය මඟින් ගැටලුව 55 (ප්ලවාංග 51 සහ පෝෂක ප්‍රවාහ 4) සිට මාන 11 දක්වා අඩු කරයි.මෙම මූලික අධ්‍යයනයේ දී, ඇල්ගොරිතම මගින් පනවන ලද ගණනය කිරීමේ සීමාවන් හේතුවෙන්, ගැඹුර සහ කාල විචල්‍යතාව නොසැලකේ.
SAGE ක්‍රමයට රේඛීය නොවන ක්‍රියාවලීන් සහ ක්‍රියාකාරී කණ්ඩායම් ජෛව ස්කන්ධ සහ පෝෂක ප්‍රවාහය අතර අන්තර්ක්‍රියා වල ප්‍රධාන ලක්ෂණ අතර වැදගත් සම්බන්ධතා හඳුනා ගැනීමට හැකි වේ.යුක්ලීඩියානු දුරස්ථ ඉගෙනුම් ක්‍රම මත පදනම් වූ 11-මාන දත්ත භාවිතා කිරීමෙන් (K-means වැනි) විශ්වාසදායක සහ ප්‍රතිනිෂ්පාදනය කළ හැකි පළාත් ලබා ගත නොහැක (19, 22).මක්නිසාද යත්, පාරිසරික පළාත නිර්වචනය කරන ප්‍රධාන මූලද්‍රව්‍යවල සහවිචල්‍යයේ මූලික ව්‍යාප්තිය තුළ ගවුසියන් හැඩයක් දක්නට නොලැබෙන බැවිනි.Voronoi සෛලවල K-මධ්‍යන්‍ය (සරල රේඛා) ගවුසියානු නොවන මූලික ව්‍යාප්තිය රඳවා ගත නොහැක.
ප්ලවාංග ක්‍රියාකාරී කණ්ඩායම් හතක සහ පෝෂක ප්‍රවාහ හතරක ජෛව ස්කන්ධ 11-මාන දෛශික x සාදයි.එබැවින්, x යනු ආකෘති ජාලයේ දෛශික ක්ෂේත්‍රයකි, එහිදී එක් එක් මූලද්‍රව්‍ය xi ආකෘති තිරස් ජාලකයේ අර්ථ දක්වා ඇති 11-මාන දෛශිකයක් නියෝජනය කරයි.එක් එක් දර්ශකය i ගෝලයේ ජාල ලක්ෂ්‍යයක් අනන්‍ය ලෙස හඳුනා ගනී, එහිදී (lon, lat) = (ϕi, θi).ආකෘති ජාල ඒකකයේ ජෛව ස්කන්ධය 1.2×10-3mg Chl/m3 ට අඩු නම් හෝ අයිස් ආවරණ අනුපාතය 70% ඉක්මවන්නේ නම්, ජෛව ස්කන්ධ දත්ත ලඝු-සටහන භාවිතා කර ඉවත දමනු ලැබේ.දත්ත සාමාන්‍යකරණය කර ප්‍රමිතිගත කර ඇත, එබැවින් සියලුම දත්ත [0 සිට 1] පරාසයේ පවතී, මධ්‍යන්‍යය ඉවත් කර ඒකක විචලනයට පරිමාණය කෙරේ.මෙය සිදු කරනුයේ හැකි අගයන් පරාසයේ වෙනස මගින් ලක්ෂණ (ජෛව ස්කන්ධය සහ පෝෂක ප්රවාහය) සීමා නොවන පරිදි ය.පොකුරු කිරීම භූගෝලීය දුරකට වඩා විශේෂාංග අතර ප්‍රධාන සම්භාවිතා දුර සිට වෙනස් කිරීමේ සම්බන්ධතාවය ග්‍රහණය කර ගත යුතුය.මෙම දුර ප්‍රමාණනය කිරීමෙන්, අනවශ්‍ය විස්තර ඉවතලන අතර, වැදගත් ලක්ෂණ මතු වේ.පාරිසරික දෘෂ්ටි කෝණයකින්, මෙය අවශ්‍ය වන්නේ කුඩා ජෛව ස්කන්ධ සහිත සමහර ෆයිටොප්ලැන්ක්ටන් වර්ග වලට ඩයසොට්‍රොෆික් බැක්ටීරියා මගින් නයිට්‍රජන් සවි කිරීම වැනි විශාල ජෛව භූ රසායනික බලපෑම් ඇති විය හැකි බැවිනි.දත්ත ප්‍රමිතිකරණය සහ සාමාන්‍යකරණය කිරීමේදී, මෙම වර්ගයේ covariates ඉස්මතු වනු ඇත.
අඩු-මාන නිරූපණයේ දී ඉහළ-මාන අවකාශයේ විශේෂාංගවල සමීපත්වය අවධාරණය කිරීමෙන්, පවතින සමාන කලාප වඩාත් පැහැදිලි කිරීමට t-SNE ඇල්ගොරිතම භාවිතා කරයි.දුරස්ථ සංවේදක යෙදුම් සඳහා ගැඹුරු ස්නායුක ජාල තැනීම ඉලක්ක කරගත් පෙර වැඩ ටී-එස්එන්ඊ භාවිතා කරන ලද අතර එය ප්‍රධාන අංගයන් වෙන් කිරීමේ දක්ෂතාවය ඔප්පු කළේය (23).අභිසාරී නොවන විසඳුම් මඟහරිමින් විශේෂාංග දත්තවල ශක්තිමත් පොකුරු හඳුනා ගැනීමට මෙය අවශ්‍ය පියවරකි (සටහන S2).Gaussian kernels භාවිතා කරමින්, t-SNE විසින් එක් එක් අධිමාන වස්තුවක් ත්‍රිමාණ අවකාශ අවකාශයේ ලක්ෂ්‍යයකට සිතියම්ගත කිරීමෙන් දත්තවල සංඛ්‍යානමය ගුණාංග ආරක්ෂා කරයි, එමඟින් ඉහළ සහ පහත දිශාවන්හි සමාන වස්තූන්ගේ සම්භාවිතාව ඉහළ-දි සහතික කරයි. මාන අවකාශය (24).N අධිමාන වස්තු x1,...,xN කට්ටලයක් ලබා දී ඇති අතර, t-SNE ඇල්ගොරිතම Kullback-Leibler (KL) අපසරනය (25) අවම කිරීම මගින් අඩු කරයි.KL divergence යනු සම්භාවිතා ව්‍යාප්තිය දෙවන යොමු සම්භාවිතා ව්‍යාප්තියකට වඩා කෙතරම් වෙනස්ද යන්න පිළිබඳ මිනුමක් වන අතර ඉහළ මාන ලක්ෂණ වල අඩු මාන නිරූපණයන් අතර සහසම්බන්ධතාවයේ හැකියාව ඵලදායී ලෙස ඇගයීමට හැකිය.xi යනු N-මාන අවකාශයේ i-th වස්තුව නම්, xj යනු N-මාන අවකාශයේ j-th වස්තුව නම්, yi යනු අඩු-මාන අවකාශයේ i-th වස්තුව වන අතර, yj යනු පහත්-මාන අවකාශයේ j-th වස්තුව වේ. -dimensional space, පසුව t -SNE සමානතා සම්භාවිතාව ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2), සහ මාන අඩු කිරීමේ කට්ටලය සඳහා අර්ථ දක්වයි. q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
11-මාන සංයෝගයේ ජෛව ස්කන්ධ සහ පෝෂක ප්‍රවාහ දෛශික 3D දක්වා අඩු කිරීමේ බලපෑම 2A රූපයෙන් දැක්වේ.t-SNE යෙදීමේ අභිප්‍රේරණය ප්‍රධාන සංරචක විශ්ලේෂණයේ (PCA) අභිප්‍රේරණය සමඟ සැසඳිය හැක, එමඟින් දත්තවල ප්‍රදේශය/ගුණාංගය අවධාරණය කිරීමට විචල්‍ය ගුණාංගය භාවිතා කරයි, එමඟින් මානය අඩු කරයි.t-SNE ක්‍රමය පරිසර අමාත්‍යාංශය සඳහා විශ්වාසනීය සහ ප්‍රතිනිෂ්පාදනය කළ හැකි ප්‍රතිඵල සැපයීමේදී PCA ට වඩා උසස් බව සොයා ගන්නා ලදී (සටහන S2 බලන්න).මෙයට හේතුව PCA හි විකලාංග උපකල්පනය ඉතා රේඛීය නොවන අන්තර්ක්‍රියාකාරී ලක්ෂණ අතර තීරණාත්මක අන්තර්ක්‍රියා හඳුනා ගැනීම සඳහා සුදුසු නොවන නිසා විය හැකිය, මන්ද PCA රේඛීය සහවිචල්‍ය ව්‍යුහයන් කෙරෙහි අවධානය යොමු කරයි (26).දුරස්ථ සංවේදක දත්ත භාවිතා කරමින්, Lunga et al.(27) Gaussian ව්‍යාප්තියෙන් බැහැර වන සංකීර්ණ සහ රේඛීය නොවන වර්ණාවලි ලක්ෂණ ඉස්මතු කිරීමට SNE ක්‍රමය භාවිතා කරන ආකාරය නිදර්ශනය කරයි.
(A) t-SNE ඇල්ගොරිතම මගින් අඳින ලද සහ DBSCAN භාවිතයෙන් පළාත අනුව වර්ණ ගැන්වූ ආකෘතිගත පෝෂක සැපයුම් අනුපාතයක්, phytoplankton සහ zooplankton ක්රියාකාරී කණ්ඩායම් ජෛවස්කන්ධය.සෑම ලක්ෂයක්ම අධිමාන අවකාශයේ ලක්ෂ්‍යයක් නියෝජනය කරයි, රූප සටහන 6B හි පෙන්වා ඇති පරිදි, බොහෝ ලක්ෂ්‍ය ග්‍රහණය කර ඇත.පතුවළ "t-SNE" ප්‍රමාණයන් 1, 2 සහ 3 වෙත යොමු කරයි. (B) DBSCAN විසින් මූලාරම්භයේ අක්ෂාංශ-දේශාංශ ජාලය මත සොයා ගත් පළාතේ භූගෝලීය ප්‍රක්ෂේපණය.වර්ණය ඕනෑම වර්ණයක් ලෙස සැලකිය යුතුය, නමුත් (A) ට අනුරූප විය යුතුය.
රූප සටහන 2A හි t-SNE විසිරුම් කුමන්ත්‍රණයේ ලක්ෂ්‍ය පිළිවෙලින් අක්ෂාංශ සහ දේශාංශ සමඟ සම්බන්ධ වේ.රූප සටහන 2A හි ඇති ලක්ෂ්‍ය දෙක එකිනෙකට ආසන්න නම්, ඒ ඒවායේ ජෛව ස්කන්ධ සහ පෝෂක ප්‍රවාහ සමාන වන නිසා මිස භූගෝලීය සමීපත්වය නිසා නොවේ.රූප සටහන 2A හි ඇති වර්ණ DBSCAN ක්‍රමය (28) භාවිතයෙන් සොයා ගන්නා ලද පොකුරු වේ.ඝන නිරීක්ෂණ සොයන විට, DBSCAN ඇල්ගොරිතම ලක්ෂ්‍ය අතර ත්‍රිමාණ නිරූපණයේ දුර භාවිතා කරයි (ϵ = 0.39; මෙම තේරීම පිළිබඳ තොරතුරු සඳහා, ද්‍රව්‍ය සහ ක්‍රම බලන්න), සහ පොකුර නිර්වචනය කිරීමට සමාන ලක්ෂ්‍ය ගණන අවශ්‍ය වේ (මෙහි ලකුණු 100, කරුණාකර ඉහත බලන්න).DBSCAN ක්‍රමය පහත දැක්වෙන පරිදි දත්තවල හැඩය හෝ පොකුරු ගණන පිළිබඳ කිසිදු උපකල්පනයක් සිදු නොකරයි:
3) ඇතුළත ඇති දුර තුළ හඳුනාගෙන ඇති සියලුම ලක්ෂ්‍ය සඳහා, පොකුරු මායිම තීරණය කිරීම සඳහා පියවර 2 නැවත නැවත කරන්න.ලකුණු ගණන නියම කර ඇති අවම අගයට වඩා වැඩි නම්, එය පොකුරක් ලෙස නම් කෙරේ.
අවම පොකුරු සාමාජිකයා සහ දුර ϵ මෙට්‍රික් නොගැලපෙන දත්ත "ශබ්ද" ලෙස සලකනු ලබන අතර වර්ණයක් පවරා නැත.DBSCAN යනු නරකම අවස්ථාවක O(n2) කාර්ය සාධනය සහිත වේගවත් සහ පරිමාණය කළ හැකි ඇල්ගොරිතමයකි.වත්මන් විශ්ලේෂණය සඳහා, එය ඇත්ත වශයෙන්ම අහඹු නොවේ.අවම ලකුණු සංඛ්යාව විශේෂඥ ඇගයීම මගින් තීරණය කරනු ලැබේ.පසු දුර සකස් කිරීමෙන් පසුව, ප්රතිඵලය ≈±10 පරාසය තුළ ප්රමාණවත් තරම් ස්ථායී නොවේ.මෙම දුර සම්බන්ධතාව (රූපය 6A) සහ සාගර ආවරණ ප්‍රතිශතය (රූපය 6B) භාවිතයෙන් සකසා ඇත.සම්බන්ධතාවය යනු පොකුරු වල සංයුක්ත සංඛ්‍යාව ලෙස අර්ථ දක්වා ඇති අතර එය ϵ පරාමිතියට සංවේදී වේ.පහළ සම්බන්ධතාවය පෙන්නුම් කරන්නේ ප්‍රමාණවත් නොගැලපීම, කෘත්‍රිමව කලාප එකට කාණ්ඩ කිරීම.ඉහළ සම්බන්ධතාවය අධි සවි කිරීම පෙන්නුම් කරයි.ඉහළ අවමයක් භාවිතා කිරීම සිතාගත හැකි නමුත් අවමය ca ඉක්මවා ගියහොත් විශ්වාසදායක විසඳුමක් ලබා ගත නොහැක.135 (වැඩි විස්තර සඳහා, ද්‍රව්‍ය සහ ක්‍රම බලන්න).
රූප සටහන 2A හි හඳුනාගෙන ඇති පොකුරු 115 රූපය 2B හි නැවත පෘථිවියට ප්‍රක්ෂේපණය කර ඇත.සෑම වර්ණයක්ම DBSCAN විසින් හඳුනාගෙන ඇති ජෛව භූ රසායනික හා පාරිසරික සාධකවල සුසංයෝගී සංයෝජනයකට අනුරූප වේ.පොකුරු තීරණය කළ පසු, රූප සටහන 2A හි එක් එක් ලක්ෂ්‍යය නිශ්චිත අක්ෂාංශ සහ දේශාංශ සමඟ සම්බන්ධ කිරීම පොකුරු නැවත භූගෝලීය ප්‍රදේශයට ප්‍රක්ෂේපණය කිරීමට භාවිතා කරයි.රූප සටහන 2B රූප සටහන 2A හා සමාන පොකුරු වර්ණවලින් මෙය නිරූපණය කරයි.ඇල්ගොරිතම මගින් පොකුරු සොයා ගන්නා අනුපිළිවෙල අනුව ඒවා පවරනු ලබන නිසා සමාන වර්ණ පාරිසරික සමානකම් ලෙස අර්ථ දැක්විය යුතු නොවේ.
රූප සටහන 2B හි ඇති ප්‍රදේශය සාගර භෞතික සහ/හෝ ජෛව රසායන විද්‍යාවේ ස්ථාපිත ප්‍රදේශයකට ගුණාත්මකව සමාන විය හැක.නිදසුනක් ලෙස, දක්ෂිණ සාගරයේ පොකුරු කලාප-සමමිතික වන අතර, ඔලිගොට්‍රොෆික් සුලිය දිස්වන අතර තියුණු සංක්‍රාන්තිය වෙළඳ සුළං වල බලපෑම පෙන්නුම් කරයි.නිදසුනක් ලෙස, සමක පැසිෆික් කලාපයේ, නැගීම හා සම්බන්ධ විවිධ කලාප දක්නට ලැබේ.
Eco-Province හි පාරිසරික පරිසරය අවබෝධ කර ගැනීම සඳහා, පොකුරේ පරිසර විද්යාව ඇගයීම සඳහා Bray-Curtis (BC) වෙනස දර්ශකයේ (29) විචලනය භාවිතා කරන ලදී.BC දර්ශකය යනු විවිධ අඩවි දෙකක් අතර ප්‍රජා ව්‍යුහයේ වෙනස ගණනය කිරීමට භාවිතා කරන සංඛ්‍යාන දත්තයකි.BC මැනීම phytoplankton සහ zooplankton BCninj = 1-2CninjSni + Snj විශේෂ 51 ක ජෛව ස්කන්ධයට අදාළ වේ.
BCninj යනු ni සහ nj සංයෝග දෙකෙහිම පවතින තනි ජෛව ස්කන්ධයක අවම අගය වන Cninj වන අතර ni සහ nj යන සංයෝජන දෙකෙහිම පවතින සියලුම ජෛව ස්කන්ධවල එකතුව Sni නියෝජනය කරයි.ක්‍රි.පූ වෙනස දුර මිනුමට සමාන නමුත් යුක්ලීඩීය නොවන අවකාශයේ ක්‍රියාත්මක වන අතර එය පාරිසරික දත්ත සහ එහි අර්ථ නිරූපණය සඳහා වඩාත් සුදුසු විය හැකිය.
රූප සටහන 2B හි හඳුනාගෙන ඇති සෑම පොකුරක් සඳහාම, අන්තර්-පළාත් සහ අන්තර්-පළාත් BC හි සමානතාවය තක්සේරු කළ හැක.පළාතක් තුළ BC වෙනස යන්නෙන් අදහස් කරන්නේ පළාතේ සාමාන්‍ය අගය සහ පළාතේ එක් එක් ලක්ෂ්‍යය අතර වෙනසයි.ක්‍රි.පූ පළාත් අතර වෙනස යන්නෙන් අදහස් වන්නේ එක් පළාතක් සහ අනෙකුත් පළාත් අතර ඇති සමානත්වයයි.රූප සටහන 3A හි සමමිතික BC න්‍යාසයක් පෙන්වයි (0, කළු: සම්පූර්ණයෙන්ම අනුරූප; 1, සුදු: සම්පූර්ණයෙන්ම අසමාන).ප්‍රස්ථාරයේ සෑම පේළියක්ම දත්තවල රටාවක් පෙන්වයි.රූප සටහන 3B මඟින් එක් එක් පළාත සඳහා 3A හි BC හි ප්‍රතිඵලවල භූගෝලීය වැදගත්කම පෙන්වයි.අඩු පෝෂණ හා අඩු පෝෂක ප්‍රදේශයක පළාතක් සඳහා, රූප සටහන 3B පෙන්නුම් කරන්නේ සමකය සහ ඉන්දියන් සාගරය අවට විශාල ප්‍රදේශ වල සමමිතිය මූලික වශයෙන් සමාන වන නමුත් ඉහළ අක්ෂාංශ සහ ඉහළ යන ප්‍රදේශ සැලකිය යුතු ලෙස වෙනස් වන බවයි.
(A) ගෝලීය 20-වසරක සාමාන්‍ය ගෝලීය මතුපිට සාමාන්‍ය ප්ලවාංග 51 මත පදනම්ව එක් එක් පළාත සඳහා ඇගයීමට ලක් කරන ලද BC වෙනසෙහි උපාධිය.අගයන්හි අපේක්ෂිත සමමිතිය සටහන් කරන්න.(B) තීරුවක (හෝ පේළියේ) අවකාශීය ප්රක්ෂේපණය.ඩිස්ට්‍රොෆික් කවයක ඇති පළාතක් සඳහා, BC සමානතා මිනුමෙහි ගෝලීය ව්‍යාප්තිය ඇගයීමට ලක් කරන ලද අතර, ගෝලීය 20-වසරක සාමාන්‍යය ඇගයීමට ලක් කරන ලදී.කළු (BC = 0) යන්නෙන් එකම ප්‍රදේශය අදහස් වන අතර සුදු (BC = 1) යනු සමානකමක් නැත.
රූප සටහන 2B හි එක් එක් පළාත තුළ BC හි වෙනස රූප සටහන 4A මගින් නිරූපණය කෙරේ.පොකුරක සාමාන්‍ය ප්‍රදේශයේ සාමාන්‍ය සංයෝජනය භාවිතා කිරීමෙන් සහ පළාතේ එක් එක් ජාල ලක්ෂ්‍යයේ ක්‍රි.පූ සහ මධ්‍යන්‍ය අතර අසමානතාවය නිර්ණය කිරීමෙන්, එය පෙන්නුම් කරන්නේ SAGE ක්‍රමයට පරිසර විද්‍යාත්මක සමානතාවය මත පදනම්ව විශේෂ 51 ක් වෙන් කළ හැකි බවයි. ආකෘති දත්ත.සියලුම වර්ග 51 හි සමස්ත සාමාන්‍ය පොකුරු BC අසමානතාවය 0.102± 0.0049 වේ.
(A, B, සහ D) පළාත තුළ BC වෙනස එක් එක් ග්‍රිඩ් පොයින්ට් ප්‍රජාව සහ සාමාන්‍ය පළාත අතර සාමාන්‍ය BC වෙනස ලෙස ඇගයීමට ලක් කෙරෙන අතර සංකීර්ණත්වය අඩු නොවේ.(2) ගෝලීය සාමාන්‍ය අන්තර්-පළාත් BC වෙනස 0.227±0.117 වේ.මෙම කාර්යය මගින් යෝජනා කරන ලද පාරිසරික අභිප්‍රේරණය පදනම් වූ වර්ගීකරණයේ මිණුම් ලකුණ මෙයයි [(C) හි හරිත රේඛාව].(C) සාමාන්‍ය අභ්‍යන්තර-පළාත් BC වෙනස: කළු රේඛාව වැඩිවන සංකීර්ණත්වය සමඟ අන්තර්-පළාත් BC වෙනස නියෝජනය කරයි.2σ පාරිසරික-පළාත් හඳුනාගැනීමේ ක්‍රියාවලියේ පුනරාවර්තන 10කින් පැමිණේ.DBSCAN විසින් සොයා ගන්නා ලද පළාත්වල සම්පූර්ණ සංකීර්ණත්වය සඳහා, (A) පළාතේ BC අසමානතාවය 0.099 වන අතර (C) මගින් යෝජනා කරන ලද සංකීර්ණතා වර්ගීකරණය 12 වන අතර, පළාතේ 0.200 හි BC අසමානතාවයක් ඇති කරයි.පින්තූරයේ දැක්වෙන පරිදි.(D)
රූප සටහන 4B හි, Longhurst පළාතේ සමාන BC වෙනස නියෝජනය කිරීම සඳහා ප්ලවාංග වර්ග 51 ක ජෛව ස්කන්ධය භාවිතා වේ.එක් එක් පළාතේ සමස්ත සාමාන්‍යය 0.227 වන අතර, ක්‍රි.පූ පළාතේ වෙනසට අදාළව ජාල ලක්ෂ්‍යවල සම්මත අපගමනය 0.046 වේ.මෙය රූප සටහන 1B හි හඳුනාගෙන ඇති පොකුරට වඩා විශාලය.ඒ වෙනුවට, ක්‍රියාකාරී කණ්ඩායම් හතේ එකතුව භාවිතා කරමින්, Longhurst හි සාමාන්‍ය අන්තර් වාර BC අසමානතාවය 0.232 දක්වා වැඩි විය.
ගෝලීය පරිසර-පළාත් සිතියම අද්විතීය පාරිසරික අන්තර්ක්‍රියා පිළිබඳ සංකීර්ණ විස්තර සපයන අතර Longhurst පළාතේ සමස්ත පරිසර පද්ධති ව්‍යුහය භාවිතා කිරීමේදී වැඩිදියුණු කිරීම් සිදු කර ඇත.සංඛ්‍යාත්මක ආදර්ශ පරිසර පද්ධතිය පාලනය කිරීමේ ක්‍රියාවලිය පිළිබඳ අවබෝධයක් ලබා දීමට පරිසර විද්‍යා අමාත්‍යාංශය බලාපොරොත්තු වන අතර මෙම අවබෝධය ක්ෂේත්‍ර කටයුතු ගවේෂණයට උපකාරී වනු ඇත.මෙම පර්යේෂණයේ අරමුණ සඳහා, පළාත් සියයකට වඩා සම්පූර්ණයෙන්ම ප්‍රදර්ශනය කළ නොහැක.ඊළඟ කොටසින් පළාත් සාරාංශ කරන SAGE ක්‍රමය හඳුන්වා දෙයි.
පළාතේ එක් අරමුණක් වන්නේ පළාතේ පිහිටීම සහ කළමනාකරණය පිළිබඳ අවබෝධය ප්‍රවර්ධනය කිරීමයි.හදිසි අවස්ථා නිර්ණය කිරීම සඳහා, රූප සටහන 1B හි ක්‍රමය මගින් පාරිසරික වශයෙන් සමාන පළාත්වල කැදැල්ල නිදර්ශනය කරයි.පාරිසරික සමානකම් මත පරිසර-පළාත් එකට කාණ්ඩගත කර ඇති අතර, එවැනි පළාත් කණ්ඩායම් කිරීම AEP ලෙස හැඳින්වේ.සලකා බැලිය යුතු මුළු පළාත් සංඛ්‍යාව මත පදනම්ව වෙනස් කළ හැකි “සංකීර්ණතාවයක්” සකසන්න."සංකීර්ණත්වය" යන යෙදුම භාවිතා කරනුයේ එය හදිසි ගුණාංග මට්ටම සකස් කිරීමට ඉඩ සලසන බැවිනි.අර්ථවත් එකතු කිරීම් නිර්වචනය කිරීම සඳහා, Longhurst සිට 0.227 හි සාමාන්‍ය අන්තර්-පළාත් BC වෙනස මිණුම් ලකුණ ලෙස භාවිතා කරයි.මෙම මිණුම් ලකුණට පහළින්, ඒකාබද්ධ පළාත් තවදුරටත් ප්‍රයෝජනවත් ලෙස නොසැලකේ.
රූප සටහන 3B හි පෙන්වා ඇති පරිදි, ගෝලීය පාරිසරික පළාත් සමපාත වේ.අන්තර්-පළාත් BC වෙනස්කම් භාවිතා කරමින්, සමහර වින්‍යාසයන් ඉතා "පොදු" බව දැකිය හැකිය.ප්‍රවේණි විද්‍යාව සහ ප්‍රස්තාර න්‍යාය ක්‍රම මගින් දේවානුභාවයෙන්, “සම්බන්ධිත ප්‍රස්ථාර” ඒවාට වඩාත්ම සමාන පළාත් මත පදනම්ව >පළාත් 100ක් වර්ග කිරීමට භාවිත කෙරේ.මෙහි “සම්බන්ධතා” මෙට්‍රික් තීරණය කරනු ලබන්නේ අන්තර්-පළාත් BC අසමානතාවය (30) භාවිතා කරමිනි.පළාත් 100ක් වර්ගීකරණය සඳහා විශාල ඉඩක් ඇති පළාත් සංඛ්‍යාව මෙහි සංකීර්ණත්වය ලෙස හැඳින්විය හැක.AEP යනු පළාත් 100කට වඩා වැඩි ප්‍රමාණයක් ප්‍රමුඛ/ සමීපතම පාරිසරික පළාත් ලෙස වර්ග කරන නිෂ්පාදනයකි.සෑම පරිසර විද්‍යාත්මක පළාතක්ම ඒවාට වඩාත් සමාන වන අධිපති/ඉහළ සම්බන්ධිත පාරිසරික පළාතට පවරා ඇත.BC වෙනස මගින් නිර්ණය කරන ලද මෙම එකතුව ගෝලීය පරිසර විද්‍යාවට කැදලි ප්‍රවේශයකට ඉඩ සලසයි.
තෝරාගත් සංකීර්ණත්වය 1 සිට FIG හි සම්පූර්ණ සංකීර්ණත්වය දක්වා ඕනෑම අගයක් විය හැක.2A.අඩු සංකීර්ණතාවයකදී, AEP සම්භාවිතා මාන අඩු කිරීමේ පියවර (t-SNE) හේතුවෙන් පිරිහීමට ලක්විය හැක.පරිහානිය යන්නෙන් අදහස් වන්නේ පුනරාවර්තන අතර විවිධ AEPs වෙත පාරිසරික පළාත් පැවරිය හැකි අතර එමඟින් ආවරණය වන භූගෝලීය ප්‍රදේශය වෙනස් කිරීමයි.රූප සටහන 4C මගින් ක්‍රියාත්මක කිරීම් 10ක් හරහා සංකීර්ණත්වය වැඩි වන AEP වල පළාත් තුළ ක්‍රි.පූ අසමානතා පැතිරීම නිදර්ශනය කරයි (රූපය 1B හි නිදර්ශනය).රූප සටහන 4C හි, 2σ (නිල් ප්‍රදේශය) යනු ක්‍රියාත්මක කිරීම් 10 කදී පිරිහීමේ මිනුමක් වන අතර හරිත රේඛාව Longhurst මිණුම් ලකුණ නියෝජනය කරයි.12 හි සංකීර්ණත්වය මගින් පළාතේ BC වෙනස Longhurst මිණුම් ලකුණට පහළින් සියලු ක්‍රියාත්මක කිරීම් වලදී තබා ගැනීමට සහ සාපේක්ෂව කුඩා 2σ පිරිහීමක් පවත්වා ගත හැකි බව කරුණු ඔප්පු කර ඇත.සාරාංශයක් ලෙස, අවම නිර්දේශිත සංකීර්ණත්වය AEPs 12ක් වන අතර, ප්ලවාංග වර්ග 51ක් භාවිතයෙන් ඇගයීමට ලක් කරන ලද සාමාන්‍ය අභ්‍යන්තර-පළාත් BC වෙනස 4D හි පෙන්වා ඇති පරිදි 0.198±0.013 වේ.ප්ලවාංග ක්‍රියාකාරී කණ්ඩායම් හතක එකතුව භාවිතා කරමින්, පළාත තුළ සාමාන්‍ය BC වෙනස 0.198±0.004 වෙනුවට 2σ වේ.ක්‍රියාකාරී කණ්ඩායම් හතේ සම්පූර්ණ ජෛව ස්කන්ධය හෝ ප්ලවාංග වර්ග 51 හි ජෛව ස්කන්ධය සමඟ ගණනය කරන ලද BC වෙනස්කම් අතර සංසන්දනය පෙන්නුම් කරන්නේ SAGE ක්‍රමය 51-මාන තත්වයට අදාළ වුවද, එය ක්‍රියාකාරී කණ්ඩායම් හතේ සම්පූර්ණ ජෛව ස්කන්ධය සඳහා බවයි. පුහුණුව සඳහා.
ඕනෑම පර්යේෂණයක අරමුණ අනුව, විවිධ මට්ටමේ සංකීර්ණතා සලකා බැලිය හැකිය.කලාපීය අධ්‍යයනයන් සඳහා සම්පූර්ණ සංකීර්ණත්වයක් අවශ්‍ය විය හැකිය (එනම්, සියලුම පළාත් 115).උදාහරණයක් ලෙස සහ පැහැදිලිකම සඳහා, 12 හි අවම නිර්දේශිත සංකීර්ණත්වය සලකා බලන්න.
SAGE ක්‍රමයේ උපයෝගීතාවයේ උදාහරණයක් ලෙස, හදිසි ප්‍රජා ව්‍යුහය පාලනය කිරීම ගවේෂණය කිරීම සඳහා අවම සංකීර්ණත්වය 12ක් සහිත AEPs 12ක් මෙහිදී භාවිතා කෙරේ.රූප සටහන 5 මගින් AEP (A සිට L දක්වා) කාණ්ඩගත කර ඇති පාරිසරික තීක්ෂ්ණ බුද්ධිය නිදර්ශනය කරයි: Redfield stoichiometry හි භූගෝලීය ප්‍රමාණය (Figure 5C), ක්‍රියාකාරී කණ්ඩායම් ජෛව ස්කන්ධ සංයුතිය (Figure 5A) සහ පෝෂක සැපයුම (Figure 5B) N Zoomed මගින් සිදු කරයි.අනුපාතය (N:Si:P:Fe, 1:1:16:16×103) පෙන්වා ඇත.අවසාන පුවරුව සඳහා, P 16 න් ගුණ කළ අතර Fe 16 × 103 කින් ගුණ කරයි, එබැවින් තීරු ප්‍රස්ථාරය phytoplankton හි පෝෂණ අවශ්‍යතා වලට සමාන වේ.
පළාත් 12 AEPs A සිට L. (A) ජෛව ස්කන්ධ (mgC/m3) පරිසර පද්ධති 12කට වර්ග කර ඇත.(B) විසුරුවා හරින ලද අකාබනික නයිට්‍රජන් (N), යකඩ (Fe), පොස්පේට් (P) සහ සිලිසිලික් අම්ලය (Si) (වසරකට mmol/m3) වල පෝෂක ප්‍රවාහ අනුපාතය.Fe සහ P පිළිවෙලින් 16 සහ 16×103 න් ගුණ කරනු ලැබේ, එවිට තීරු phytoplankton stoichiometry අවශ්යතා සඳහා ප්රමිතිගත වේ.(C) ධ්‍රැවීය කලාප, උපනිවර්තන සුළි සුළං සහ ප්‍රධාන සෘතුමය/නැගෙන කලාප අතර වෙනස සටහන් කරන්න.අධීක්ෂණ ස්ථාන පහත පරිදි සලකුණු කර ඇත: 1, ආසන;2, ALOHA;3, ස්ථානය P;සහ 4, BATS.
හඳුනාගත් AEP අද්විතීයයි.අත්ලාන්තික් සහ පැසිෆික් සාගරවල සමකය වටා යම් සමමිතියක් පවතින අතර, ඊට සමාන නමුත් විශාල වූ ප්‍රදේශයක් ඉන්දියන් සාගරයේ පවතී.සමහර AEPs නැගීම හා සම්බන්ධ මහාද්වීපයේ බටහිර පැත්ත වැළඳ ගනී.දක්ෂිණ ධ්‍රැව වටකුරු ධාරාව විශාල කලාපීය ලක්ෂණයක් ලෙස සැලකේ.උපනිවර්තන සුළි සුළඟ යනු ඔලිගොට්‍රොෆික් AEP හි සංකීර්ණ මාලාවකි.මෙම පළාත්වල, ප්ලවාංග ආධිපත්‍යය දරන ඔලිගොට්‍රොෆික් සුළි සහ ඩයටම් බහුල ධ්‍රැවීය කලාප අතර ජෛව ස්කන්ධ වෙනස්කම්වල හුරුපුරුදු රටාව පැහැදිලිය.
ඉතා සමාන සම්පූර්ණ ෆයිටොප්ලැන්ක්ටන් ජෛව ස්කන්ධයක් සහිත AEP වලට බෙහෙවින් වෙනස් ප්‍රජා ව්‍යුහයන් තිබිය හැකි අතර සමාන සම්පූර්ණ ෆයිටොප්ලැන්ක්ටන් ජෛව ස්කන්ධයක් ඇති D, H සහ K වැනි විවිධ භූගෝලීය ප්‍රදේශ ආවරණය කළ හැකිය.AEP H ප්‍රධාන වශයෙන් සමක ඉන්දියන් සාගරයේ පවතින අතර වැඩි ඩයසොට්‍රොෆික් බැක්ටීරියා ඇත.AEP D ද්‍රෝණි කිහිපයක දක්නට ලැබේ, නමුත් එය විශේෂයෙන් පැසිෆික් සාගරයේ සමක උච්චාවචනය අවට ඉහළ අස්වැන්නක් ලැබෙන ප්‍රදේශ අවට ප්‍රමුඛ වේ.මෙම පැසිෆික් පළාතේ හැඩය ග්‍රහලෝක තරංග දුම්රියක් සිහිගන්වයි.AEP D හි ඩයසොබැක්ටීරියා ස්වල්පයක් සහ තවත් කේතු ඇත.අනෙකුත් පළාත් දෙක හා සසඳන විට, AEP K ආක්ටික් සාගරයේ උස්බිම් වල පමණක් දක්නට ලැබෙන අතර, වැඩි ඩයටම් සහ ප්ලවාංග අඩුය.මෙම කලාප තුනේ ප්ලවාංග ප්‍රමාණය ද බෙහෙවින් වෙනස් බව සඳහන් කිරීම වටී.ඒවා අතර AEP K හි ප්ලවාංග බහුලත්වය සාපේක්ෂව අඩු වන අතර AEP D සහ H සාපේක්ෂ වශයෙන් ඉහළ අගයක් ගනී.එබැවින්, ඒවායේ ජෛව ස්කන්ධය (සහ එබැවින් Chl-a හා සමාන) තිබියදීත්, මෙම පළාත් බෙහෙවින් වෙනස් ය: Chl මත පදනම් වූ පළාත් පරීක්ෂාව මෙම වෙනස්කම් ග්‍රහණය කර නොගනී.
ෆයිටොප්ලැන්ක්ටන් ප්‍රජා ව්‍යුහය අනුව ඉතා වෙනස් ජෛව ස්කන්ධයක් ඇති සමහර AEPs සමාන විය හැකි බව ද පැහැදිලිය.උදාහරණයක් ලෙස, මෙය AEP D සහ E හි දෘශ්‍යමාන වේ. ඒවා එකිනෙකට සමීප වන අතර පැසිෆික් සාගරයේ AEP E ඉහළ ඵලදායි AEPJ වලට සමීප වේ.ඒ හා සමානව, phytoplankton biomass සහ zooplankton බහුලත්වය අතර පැහැදිලි සම්බන්ධයක් නොමැත.
AEP ඔවුන්ට ලබා දෙන පෝෂ්‍ය පදාර්ථ අනුව තේරුම් ගත හැකිය (රූපය 5B).ඩයටම් පවතින්නේ සිලිසිලික් අම්ලය ප්‍රමාණවත් ලෙස පවතින තැන්වල පමණි.සාමාන්‍යයෙන් සිලිසිලික් අම්ලය වැඩි වන තරමට ඩයටම් වල ජෛව ස්කන්ධය වැඩි වේ.ඩයටම් AEP A, J, K සහ L හි දැකිය හැක. අනෙකුත් ෆයිටොප්ලැන්ක්ටන් වලට සාපේක්ෂව ඩයටම් ජෛව ස්කන්ධයේ අනුපාතය තීරණය වන්නේ ඩයටම් ඉල්ලුමට සාපේක්ෂව සපයන N, P සහ Fe මගිනි.උදාහරණයක් ලෙස, AEP L ඩයැටම් මගින් ආධිපත්‍යය දරයි.අනෙකුත් පෝෂ්‍ය පදාර්ථ සමඟ සසඳන විට, Si හි ඉහළම සැපයුමක් ඇත.ඊට වෙනස්ව, ඉහළ ඵලදායිතාවයක් තිබියදීත්, AEP J හි ඩයටම් අඩු සහ සිලිකන් සැපයුම අඩුයි (සියල්ල සහ අනෙකුත් පෝෂක වලට සාපේක්ෂව).
ඩයසෝනියම් බැක්ටීරියාවට නයිට්‍රජන් සවි කිරීමේ හැකියාව ඇත, නමුත් සෙමින් වර්ධනය වේ (31).ඩයසෝනියම් නොවන පෝෂ්‍ය පදාර්ථ සඳහා ඇති ඉල්ලුමට සාපේක්ෂව යකඩ සහ පොස්පරස් අධික වන අනෙකුත් ෆයිටොප්ලැන්ක්ටන් සමඟ ඒවා සහජීවනය වේ (20, 21).ඩයසෝට්‍රොෆික් ජෛව ස්කන්ධය සාපේක්ෂ වශයෙන් ඉහළ බවත්, එන් සැපයුමට සාපේක්ෂව Fe සහ P සැපයුම සාපේක්ෂව විශාල බවත් සඳහන් කිරීම වටී. මේ ආකාරයට AEP J හි සම්පූර්ණ ජෛව ස්කන්ධය වැඩි වුවද, AEP H හි ඩයසෝනියම් ජෛව ස්කන්ධය වේ. J හි ඇති ප්‍රමාණයට වඩා විශාලයි. AEP J සහ H භූගෝලීය වශයෙන් බෙහෙවින් වෙනස් වන අතර H පිහිටා ඇත්තේ සමක ඉන්දියන් සාගරයේ බව කරුණාවෙන් සලකන්න.
අද්විතීය පරිසර පද්ධති ව්‍යුහය පළාත්වලට බෙදී නොමැති නම්, AEP හි අවම සංකීර්ණතා ආකෘති 12 න් ලබා ගන්නා අවබෝධය එතරම් පැහැදිලි නොවනු ඇත.SAGE විසින් ජනනය කරන ලද AEP පරිසර පද්ධති ආකෘතිවලින් සංකීර්ණ සහ ඉහළ-මාන තොරතුරු සංසන්දනාත්මක හා සමගාමීව සැසඳීමට පහසුකම් සපයයි.ප්‍රජා ව්‍යුහය හෝ ඉහළ පෝෂක මට්ටම්වලදී zooplankton බහුලත්වය තීරණය කිරීමට Chl හොඳ සහ විකල්ප ක්‍රමයක් නොවන්නේ මන්දැයි AEP ඵලදායි ලෙස අවධාරණය කරයි.දැනට පවතින පර්යේෂණ මාතෘකා පිළිබඳ සවිස්තරාත්මක විශ්ලේෂණයක් මෙම ලිපියේ විෂය පථයෙන් ඔබ්බට ය.SAGE ක්‍රමය මඟින් ලක්ෂ්‍ය සිට ලක්ෂ්‍ය නැරඹීමට වඩා හැසිරවීමට පහසු ආකෘතියේ අනෙකුත් යාන්ත්‍රණ ගවේෂණය කිරීමට ක්‍රමයක් සපයයි.
ගෝලීය භෞතික/ජෛව රසායනික/පරිසර පද්ධති සංඛ්‍යාත්මක ආකෘතිවලින් අතිශය සංකීර්ණ පාරිසරික දත්ත පැහැදිලි කිරීමට උපකාර කිරීමට SAGE ක්‍රමය යෝජනා කෙරේ.පාරිසරික පළාත තීරණය වන්නේ හරස් ප්ලාන්ක්ටන් ක්‍රියාකාරී කණ්ඩායම්වල සම්පූර්ණ ජෛව ස්කන්ධය, t-SNE සම්භාවිතා මානය අඩු කිරීමේ ඇල්ගොරිතමයේ යෙදීම සහ අධීක්‍ෂණය නොකළ ML ක්‍රමය DBSCAN භාවිතා කරන පොකුරු මගිනි.අන්තර්-පළාත් BC වෙනස/ප්‍රස්තාර න්‍යාය කැදලි තැබීමේ ක්‍රමය ගෝලීය අර්ථ නිරූපණය සඳහා භාවිතා කළ හැකි ශක්තිමත් AEP ව්‍යුත්පන්න කිරීමට යොදා ගනී.ඉදිකිරීම් සම්බන්ධයෙන් ගත් කල, Eco-Province සහ AEP අද්විතීය වේ.AEP කැදැල්ල මුල් පාරිසරික පළාතේ සම්පූර්ණ සංකීර්ණත්වය සහ නිර්දේශිත අවම සීමාව වන 12 AEP අතර සකස් කළ හැක.t-SNE සම්භාවිතාව <12 සංකීර්ණත්වයේ AEP පරිහානියට පත් කරන බැවින්, කැදලි තැබීම සහ AEP හි අවම සංකීර්ණතාව නිර්ණය කිරීම ප්‍රධාන පියවර ලෙස සැලකේ.SAGE ක්‍රමය ගෝලීය වන අතර, එහි සංකීර්ණත්වය AEPs 100 සිට 12 දක්වා පරාසයක පවතී. සරල බව සඳහා, වර්තමාන අවධානය ගෝලීය AEPs 12 හි සංකීර්ණත්වය වෙත යොමු කෙරේ.අනාගත පර්යේෂණ, විශේෂයෙන්ම කලාපීය අධ්‍යයනයන්, ගෝලීය පරිසර-පළාත්වල කුඩා අවකාශීය උප කුලකයක් ප්‍රයෝජනවත් විය හැකි අතර, මෙහි සාකච්ඡා කර ඇති එම පාරිසරික තීක්ෂ්ණ බුද්ධියෙන් ප්‍රයෝජන ගැනීමට කුඩා ප්‍රදේශයක එකතු කළ හැක.මෙම පාරිසරික පළාත් සහ ඒවායින් ලබා ගන්නා තීක්ෂ්ණ බුද්ධිය තවදුරටත් පාරිසරික අවබෝධය, ආකෘති සංසන්දනය සඳහා පහසුකම් සැලසීම සහ සාගර පරිසර පද්ධති අධීක්‍ෂණය වැඩි දියුණු කිරීම සඳහා යොදා ගත හැකි ආකාරය පිළිබඳ යෝජනා සපයයි.
SAGE ක්‍රමය මගින් හඳුනාගෙන ඇති පාරිසරික පළාත සහ AEP සංඛ්‍යාත්මක ආකෘතියේ දත්ත මත පදනම් වේ.නිර්වචනය අනුව, සංඛ්‍යාත්මක ආකෘතිය සරල කළ ව්‍යුහයක් වන අතර, ඉලක්ක පද්ධතියේ සාරය ග්‍රහණය කර ගැනීමට උත්සාහ කරන අතර විවිධ මාදිලිවල ප්ලවාංගවල විවිධ ව්‍යාප්තිය ඇත.මෙම අධ්‍යයනයේ දී භාවිතා කරන ලද සංඛ්‍යාත්මක ආකෘතියට නිරීක්ෂණය කරන ලද සමහර රටා සම්පූර්ණයෙන් ග්‍රහණය කර ගත නොහැක (උදාහරණයක් ලෙස, සමක කලාපය සහ දකුණු සාගරය සඳහා වන Chl ඇස්තමේන්තු වල).සැබෑ සාගරයේ ඇති විවිධත්වයෙන් කුඩා කොටසක් පමණක් ග්‍රහණය කර ගන්නා අතර, පෝෂක ප්‍රවාහයට සහ කුඩා පරිමාණ ප්‍රජා ව්‍යුහයට බලපෑ හැකි මීසෝ සහ උප-මෙසෝ පරිමාණයන් විසඳිය නොහැක.මෙම අඩුපාඩු තිබියදීත්, සංකීර්ණ ආකෘති තේරුම් ගැනීමට උපකාර කිරීම සඳහා AEP ඉතා ප්රයෝජනවත් බව පෙනී යයි.සමාන පාරිසරික පළාත් ඇති ස්ථාන ඇගයීමෙන්, AEP විභව සංඛ්‍යාත්මක ආකෘති සංසන්දන මෙවලමක් සපයයි.වත්මන් සංඛ්‍යාත්මක ආකෘතිය දුරස්ථ සංවේද ෆයිටොප්ලැන්ක්ටන් Chl-a සාන්ද්‍රණයේ සමස්ත රටාව සහ ප්ලවාංග ප්‍රමාණයේ සහ ක්‍රියාකාරී කාණ්ඩයේ ව්‍යාප්තිය ග්‍රහණය කරයි (සටහන S1 සහ Figure S1) (2, 32).
0.1 mgChl-a/m-3 සමෝච්ඡ රේඛාවෙන් පෙන්වා ඇති පරිදි, AEP ඔලිගොට්‍රොෆික් ප්‍රදේශය සහ මෙසොට්‍රොෆික් ප්‍රදේශය ලෙස බෙදා ඇත (රූපය S1B): AEP B, C, D, E, F සහ G යනු ඔලිගොට්‍රොෆික් ප්‍රදේශ වන අතර ඉතිරි ප්‍රදේශ වන්නේ ඉහළ Chl-a පිහිටා ඇත.AEP Longhurst Province (Figure S3A) සමඟ යම් ලිපි හුවමාරුවක් පෙන්වයි, උදාහරණයක් ලෙස, දකුණු සාගරය සහ සමක පැසිෆික් කලාපය.සමහර කලාපවල, AEP Longhurst කලාප කිහිපයක් ආවරණය කරයි, සහ අනෙක් අතට.මෙම ප්‍රදේශයේ සහ Longhurst හි පළාත් සීමා නිර්ණය කිරීමේ අභිප්‍රාය වෙනස් බැවින්, වෙනස්කම් ඇති වනු ඇතැයි අපේක්ෂා කෙරේ.Longhurst පළාතක බහු AEPs පෙන්නුම් කරන්නේ සමාන ජෛව භූ රසායන විද්‍යාව සහිත ඇතැම් ප්‍රදේශ ඉතා වෙනස් පරිසර පද්ධති ව්‍යුහයන් තිබිය හැකි බවයි.AEP භෞතික තත්වයන් සමඟ යම් ලිපි හුවමාරුවක් ප්‍රදර්ශනය කරයි, අධීක්‍ෂණය නොකළ ඉගෙනුම් (19) භාවිතයෙන් හෙළිදරව් කර ඇත, උදාහරණයක් ලෙස, දකුණු සාගරය සහ සමක පැසිෆික්; රූපය S3, C සහ D).මෙම ලිපි හුවමාරු වලින් පෙන්නුම් කරන්නේ ප්ලවාංග වල ප්‍රජා ව්‍යුහය සාගර ගතිකතාවයෙන් දැඩි ලෙස බලපා ඇති බවයි.උතුරු අත්ලාන්තික් සාගරය වැනි ප්‍රදේශවල, AEP භෞතික පළාත් හරහා ගමන් කරයි.මෙම වෙනස්කම් ඇති කරන යාන්ත්‍රණයට දූවිලි ප්‍රවාහනය වැනි ක්‍රියාවලීන් ඇතුළත් විය හැකි අතර, එය සමාන භෞතික තත්වයන් යටතේ පවා සම්පූර්ණයෙන්ම වෙනස් පෝෂණ වැඩසටහන් වලට තුඩු දිය හැකිය.
සාගර පරිසර විද්‍යා ප්‍රජාව දැනටමත් අවබෝධ කරගෙන ඇති පරිදි Chl භාවිතා කිරීමෙන් පමණක් පාරිසරික සංරචක හඳුනාගත නොහැකි බව පරිසර විද්‍යා අමාත්‍යාංශය සහ AEP පෙන්වා දුන්නේය.මෙය සමාන ජෛව ස්කන්ධයක් ඇති නමුත් සැලකිය යුතු ලෙස වෙනස් පාරිසරික සංයුතිය (D සහ E වැනි) ඇති AEP වල දක්නට ලැබේ.ඊට වෙනස්ව, D සහ K වැනි AEPs ඉතා වෙනස් ජෛව ස්කන්ධයක් ඇති නමුත් සමාන පාරිසරික සංයුතියකි.ජෛව ස්කන්ධය, පාරිසරික සංයුතිය සහ zooplankton බහුලත්වය අතර සම්බන්ධය සංකීර්ණ බව AEP අවධාරණය කරයි.උදාහරණයක් ලෙස, AEP J ෆයිටොප්ලැන්ක්ටන් සහ ප්ලවාංග ජෛව ස්කන්ධය අනුව කැපී පෙනෙන නමුත්, AEP හි A සහ ​​L සමාන ප්ලවාංග ජෛව ස්කන්ධයක් ඇත, නමුත් A හි ඉහළ ප්ලවාංග බහුලත්වයක් ඇත.zooplankton biomass පුරෝකථනය කිරීමට phytoplankton biomass (හෝ Chl) භාවිතා කළ නොහැකි බව AEP අවධාරණය කරයි.Zooplankton යනු ධීවර ආහාර දාමයේ පදනම වන අතර වඩාත් නිවැරදි ඇස්තමේන්තු වඩා හොඳ සම්පත් කළමනාකරණයකට හේතු විය හැක.අනාගත සාගර වර්ණ චන්ද්‍රිකා [උදාහරණයක් ලෙස, PACE (plankton, aerosol, cloud, and marine ecosystem)] phytoplankton හි ප්‍රජා ව්‍යුහය ඇස්තමේන්තු කිරීමට උපකාර කිරීම සඳහා වඩා හොඳින් ස්ථානගත කළ හැක.AEP පුරෝකථනය භාවිතා කිරීමෙන් අභ්‍යවකාශයේ සිට zooplankton ඇස්තමේන්තු කිරීමට පහසුකම් සැලසිය හැක.SAGE වැනි ක්‍රම, නව තාක්‍ෂණයන් සමඟ සම්බන්ධ වී, භූ සත්‍ය සමීක්ෂණ සඳහා ලබා ගත හැකි වැඩි වැඩියෙන් ක්ෂේත්‍ර දත්ත (ටාරා සහ පසු විපරම් පර්යේෂණ වැනි), චන්ද්‍රිකා මත පදනම් වූ පරිසර පද්ධති සෞඛ්‍ය නිරීක්ෂණ සඳහා ඒකාබද්ධව පියවරක් ගත හැකිය.
SAGE ක්‍රමය මඟින් ජෛව ස්කන්ධ/Chl, ශුද්ධ ප්‍රාථමික නිෂ්පාදනය සහ ප්‍රජා ව්‍යුහය වැනි පළාත් ලක්ෂණ පාලනය කරන සමහර යාන්ත්‍රණ ඇගයීමට පහසු ක්‍රමයක් සපයයි.උදාහරණයක් ලෙස, ෆයිටොප්ලැන්ක්ටන් ස්ටොයිකියෝමිතික අවශ්‍යතාවලට සාපේක්ෂව Si, N, P, සහ Fe සැපයුමේ අසමතුලිතතාවයකින් ඩයැටම්වල සාපේක්ෂ ප්‍රමාණය සකසා ඇත.සමතුලිත සැපයුම් අනුපාතයකින්, ප්‍රජාව ඩයටම් (L) මගින් ආධිපත්‍යය දරයි.සැපයුම් අනුපාතය අසමතුලිත වූ විට (එනම්, සිලිකන් සැපයුම ඩයැටම්වල පෝෂක ඉල්ලුමට වඩා අඩුය), ඩයටම් කොටස් (K) කුඩා කොටසකට පමණි.Fe සහ P සැපයුම N සැපයුම ඉක්මවා ගිය විට (උදාහරණයක් ලෙස, E සහ H), ඩයසොට්‍රොෆික් බැක්ටීරියාව ප්‍රබල ලෙස වර්ධනය වේ.AEP විසින් සපයන ලද සන්දර්භය හරහා, පාලන යාන්ත්‍රණ ගවේෂණය වඩාත් ප්‍රයෝජනවත් වනු ඇත.
Eco-Province සහ AEP යනු සමාන ප්‍රජා ව්‍යුහයන් සහිත ප්‍රදේශ වේ.පාරිසරික පළාතක් හෝ AEP තුළ නිශ්චිත ස්ථානයක සිට කාල ශ්‍රේණිය යොමු ලක්ෂ්‍යයක් ලෙස සැලකිය හැකි අතර පාරිසරික පළාත හෝ AEP මගින් ආවරණය වන ප්‍රදේශය නියෝජනය කළ හැක.දිගුකාලීන ස්ථානීය නිරීක්ෂණ ස්ථාන එවැනි කාල මාලාවක් සපයයි.දිගු කාලීන ස්ථානීය දත්ත කට්ටල ගණන් කළ නොහැකි කාර්යභාරයක් ඉටු කරනු ඇත.ප්‍රජා ව්‍යුහය අධීක්‍ෂණය කිරීමේ දෘෂ්ටිකෝණයෙන්, SAGE ක්‍රමය නව අඩවිවල වඩාත් ප්‍රයෝජනවත් ස්ථානය තීරණය කිරීමට උපකාරී වන මාර්ගයක් ලෙස දැකිය හැකිය.උදාහරණයක් ලෙස, දිගුකාලීන ඔලිගොට්‍රොෆික් වාසස්ථාන තක්සේරුවෙන් (ALOHA) කාල ශ්‍රේණිය ඔලිගොට්‍රොෆික් ප්‍රදේශයේ AEP B හි ඇත (රූපය 5C, ලේබලය 2).ALOHA වෙනත් AEP හි මායිමට ආසන්න බැවින්, කලින් යෝජනා කළ පරිදි කාල ශ්‍රේණිය මුළු ප්‍රදේශයම නියෝජනය නොකළ හැකිය (33).එම AEP B හි, කාල ශ්‍රේණිය SEATS (අග්නිදිග ආසියාතික කාල ශ්‍රේණිය) නිරිතදිග තායිවානයේ (34) පිහිටා ඇත, අනෙකුත් AEPs (Figure 5C, ලේබලය 1) හි මායිම්වලට වඩා දුරින් පිහිටා ඇති අතර එය නිරීක්ෂණය කිරීමට වඩා හොඳ ස්ථානයක් ලෙස භාවිතා කළ හැක. AEPB.AEPC හි BATS (බර්මියුඩා අත්ලාන්තික් කාල ශ්‍රේණි අධ්‍යයනය) කාල ශ්‍රේණිය (රූපය 5C, ලේබලය 4) AEP C සහ F අතර මායිමට ඉතා ආසන්න වේ, එයින් පෙන්නුම් කරන්නේ BATS කාල ශ්‍රේණිය භාවිතයෙන් AEP C නිරීක්ෂණය කිරීම සෘජුවම ගැටලුකාරී විය හැකි බවයි.AEP J හි P ස්ථානය (රූපය 5C, ලේබලය 3) AEP මායිමෙන් බොහෝ දුරින් පිහිටා ඇත, එබැවින් එය වඩාත් නියෝජනය වේ.Eco-Province සහ AEP ගෝලීය වෙනස්කම් තක්සේරු කිරීම සඳහා සුදුසු අධීක්ෂණ රාමුවක් පිහිටුවීමට උදවු කළ හැක, මන්ද ස්ථානීය නියැදීමෙන් ප්‍රධාන තීක්ෂ්ණ බුද්ධිය ලබා දිය හැක්කේ කොතැනදැයි තක්සේරු කිරීමට පළාත්වල අවසරය නිසා.කාලය ඉතිරි කිරීමේ විචල්‍යතාවය තක්සේරු කිරීම සඳහා දේශගුණික දත්ත සඳහා යොදා ගැනීමට SAGE ක්‍රමය තවදුරටත් වර්ධනය කළ හැකිය.
SAGE ක්‍රමයේ සාර්ථකත්වය සාක්ෂාත් කරගනු ලබන්නේ දත්ත විද්‍යාව/ML ක්‍රම සහ වසම්-විශේෂිත දැනුම ප්‍රවේශමෙන් භාවිතා කිරීමෙනි.විශේෂයෙන්, t-SNE භාවිතා කරනුයේ මානයන් අඩු කිරීම සිදු කිරීම සඳහා වන අතර, එය අධි-මාන දත්තවල සහවිචල්‍ය ව්‍යුහය ආරක්ෂා කරන අතර සහවිචල්‍ය ස්ථල විද්‍යාව දෘශ්‍යකරණයට පහසුකම් සපයයි.දත්ත ඉරි සහ සහ විචල්‍ය ආකාරයෙන් සකස් කර ඇත (රූපය 2A), ඒවා සාමාන්‍යයෙන් Gaussian (චක්‍රලේඛය) පදනම් ව්‍යාප්තියක් භාවිතා කරන බැවින් (සටහන S2 හි සාකච්ඡා කර ඇත) සම්පූර්ණයෙන්ම දුර මත පදනම් වූ මිනුම් (K-මධ්‍යයන් වැනි) සුදුසු නොවන බව පෙන්නුම් කරයි. .DBSCAN ක්‍රමය ඕනෑම covariance topology සඳහා සුදුසු වේ.ඔබ පරාමිති සැකසීමට අවධානය යොමු කරන තාක් කල්, විශ්වසනීය හඳුනාගැනීමක් ලබා දිය හැකිය.t-SNE ඇල්ගොරිතමයේ ගණනය කිරීමේ පිරිවැය ඉහළ ය, එය එහි වත්මන් යෙදුම විශාල දත්ත ප්‍රමාණයකට සීමා කරයි, එයින් අදහස් කරන්නේ ගැඹුරු හෝ කාලය වෙනස් වන ක්ෂේත්‍රවලට යෙදීම අපහසු බවයි.t-SNE හි පරිමාණය පිළිබඳ වැඩ කටයුතු සිදු වෙමින් පවතී.KL දුර සමාන්තර කිරීමට පහසු වන බැවින්, t-SNE ඇල්ගොරිතම අනාගතයේදී (35) ප්‍රසාරණය සඳහා හොඳ විභවයක් ඇත.මේ වන විට, ප්‍රමාණය වඩා හොඳින් අඩු කළ හැකි වෙනත් පොරොන්දු වූ මානයන් අඩු කිරීමේ ක්‍රමවලට ඒකාබද්ධ බහුවිධ ආසන්නකරණය සහ ප්‍රක්ෂේපණ (UMAP) ශිල්පීය ක්‍රම ඇතුළත් වේ, නමුත් සාගර දත්ත සන්දර්භය තුළ ඇගයීම අවශ්‍ය වේ.වඩා හොඳ පරිමාණය යන්නෙහි තේරුම, උදාහරණයක් ලෙස, මිශ්‍ර ස්ථරයක් මත විවිධ සංකීර්ණතා සහිත ගෝලීය දේශගුණයන් හෝ ආකෘති වර්ගීකරණය කිරීමයි.ඕනෑම පළාතක SAGE මගින් වර්ගීකරණය කිරීමට අපොහොසත් වන ප්‍රදේශ රූප සටහන 2A හි ඉතිරි කළු තිත් ලෙස සැලකිය හැක.භූගෝලීය වශයෙන්, මෙම ප්‍රදේශ ප්‍රධාන වශයෙන් ඉතා සෘතුමය ප්‍රදේශ වල පවතින අතර, එයින් ඇඟවෙන්නේ කාලයත් සමඟ වෙනස් වන පාරිසරික පළාත් අල්ලා ගැනීම වඩා හොඳ ආවරණයක් ලබා දෙනු ඇති බවයි.
SAGE ක්‍රමය ගොඩනැගීම සඳහා, ක්‍රියාකාරී කණ්ඩායම් (11-මාන අවකාශයක ඉතා සමීප වීමේ හැකියාව) පොකුරු තීරණය කිරීමේ හැකියාව සහ පළාත් තීරණය කිරීමේ හැකියාව භාවිතා කරමින් සංකීර්ණ පද්ධති/දත්ත විද්‍යාවෙන් අදහස් භාවිතා කර ඇත.මෙම පළාත් අපගේ 3D t-SNE අදියර අවකාශයේ නිශ්චිත වෙළුම් නිරූපණය කරයි.ඒ හා සමානව, "සාමාන්‍ය" හෝ "අවුල් සහගත" හැසිරීම තීරණය කිරීම සඳහා ගමන් පථය විසින් අල්ලාගෙන සිටින රාජ්‍ය අවකාශයේ "පරිමාව" ඇගයීමට Poincaré කොටස භාවිතා කළ හැක (36).ස්ථිතික 11-මාන ආකෘති ප්‍රතිදානය සඳහා, දත්ත ත්‍රිමාණ අවකාශ අවකාශයක් බවට පරිවර්තනය කිරීමෙන් පසුව අල්ලා ගන්නා පරිමාව සමානව පැහැදිලි කළ හැක.ත්‍රිමාණ අවකාශ අවකාශයේ භූගෝලීය ප්‍රදේශය සහ ප්‍රදේශය අතර සම්බන්ධය සරල නැත, නමුත් එය පාරිසරික සමානකම් අනුව පැහැදිලි කළ හැකිය.මෙම හේතුව නිසා, වඩාත් සාම්ප්‍රදායික BC අසමානතා මිනුම වඩාත් කැමති වේ.
හඳුනාගත් පළාත් සහ AEP හි අවකාශීය විචල්‍යතාවය තක්සේරු කිරීම සඳහා සෘතුමය දත්ත වෙනස් කිරීම සඳහා අනාගත කටයුතු SAGE ක්‍රමය නැවත භාවිතා කරනු ඇත.අනාගත ඉලක්කය වන්නේ චන්ද්‍රිකා මිනුම් (Chl-a, දුරස්ථ සංවේදක පරාවර්තනය සහ මුහුදු මතුපිට උෂ්ණත්වය වැනි) හරහා තීරණය කළ හැක්කේ කුමන පළාත්ද යන්න තීරණය කිරීමට උපකාර කිරීමට මෙම ක්‍රමය භාවිතා කිරීමයි.මෙමගින් පාරිසරික සංරචක පිළිබඳ දුරස්ථ සංවේද ඇගයීමට සහ පාරිසරික පළාත් සහ ඒවායේ විචල්‍යතාව ඉතා නම්‍යශීලී ලෙස නිරීක්ෂණය කිරීමට ඉඩ සැලසේ.
මෙම පර්යේෂණයේ අරමුණ වන්නේ එහි අද්විතීය ප්ලවාංග ප්‍රජා ව්‍යුහය හරහා පාරිසරික පළාතක් නිර්වචනය කරන SAGE ක්‍රමය හඳුන්වා දීමයි.මෙහිදී, භෞතික/ජෛව රසායන/පරිසර පද්ධති ආකෘතිය සහ t-SNE සහ DBSCAN ඇල්ගොරිතමවල පරාමිති තේරීම පිළිබඳ වඩාත් සවිස්තරාත්මක තොරතුරු සපයනු ලැබේ.
ආකෘතියේ භෞතික සංරචක පැමිණෙන්නේ සාගර සංසරණය සහ දේශගුණය ඇස්තමේන්තු කිරීමෙනි [ECCOv4;(37) (38) මගින් විස්තර කර ඇති ගෝලීය රාජ්‍ය ඇස්තමේන්තුව.රාජ්ය ඇස්තමේන්තු නාමික විභේදනය 1/5 වේ.Lagrangian ගුණක ක්‍රමය සමඟින් අඩු කොටු ක්‍රමය නිරීක්‍ෂණයෙන් සකස් කරන ලද ආරම්භක සහ මායිම් තත්ත්වයන් සහ අභ්‍යන්තර ආකෘති පරාමිතීන් ලබා ගැනීමට භාවිතා කරයි, එමඟින් නිදහස් ධාවන MIT සාමාන්‍ය චක්‍ර ආකෘතියක් (MITgcm) (39) උත්පාදනය කරයි, ආකෘතිය ප්‍රශස්තකරණයෙන් පසුව, ප්‍රතිඵල ලබා ගත හැක. නිරීක්ෂණය කර නිරීක්ෂණය කළ යුතුය.
ජෛව භූ රසායන විද්‍යාව/පරිසර පද්ධතියට (2) හි වඩාත් සම්පූර්ණ විස්තරයක් (එනම් සමීකරණ සහ පරාමිති අගයන්) ඇත.මෙම ආකෘතිය අකාබනික හා කාබනික පොකුණු හරහා C, N, P, Si සහ Fe සංසරණය ග්‍රහණය කරයි.මෙහි භාවිතා කරන ලද අනුවාදයට ෆයිටොප්ලැන්ක්ටන් විශේෂ 35 ක් ඇතුළත් වේ: ක්ෂුද්‍ර ප්‍රොකැරියෝට් විශේෂ 2 ක් සහ ක්ෂුද්‍ර යුකැරියෝට් විශේෂ 2 ක් (අඩු පෝෂක පරිසරයන්ට සුදුසු), ක්‍රිප්ටෝමොනාස් ස්පෙරොයිඩ් විශේෂ 5 ක් (කැල්සියම් කාබනේට් ආලේපනය සහිත), ඩයසෝනියම් විශේෂ 5 ක් ( නයිට්‍රජන් සවි කළ හැකිය, එබැවින් එය සීමා නොවේ) විසුරුවා හරින ලද අකාබනික නයිට්‍රජන් ලබා ගැනීමේ හැකියාව), ඩයටම් 11 (සිලිසියස් ආවරණයක් සාදයි), මිශ්‍ර-ශාකමය ධජ 10 (ප්‍රභාසංශ්ලේෂණය කර වෙනත් ප්ලවාංග අනුභව කළ හැකිය) සහ සූප්ලැන්ක්ටන් 16 (අනෙකුත් ප්ලවාංග මත තෘණ).සමුද්‍ර ජෛව රසායන විද්‍යාවට (40, 41) විවිධ බලපෑම් ඇති කරන නිසාත්, නිරීක්ෂණ සහ ආදර්ශ අධ්‍යයනයන්හිදී බොහෝ විට භාවිතා වන නිසාත් මේවා "ජෛව රසායන ක්‍රියාකාරී කණ්ඩායම්" ලෙස හැඳින්වේ.මෙම ආකෘතියේ දී, සෑම ක්‍රියාකාරී කණ්ඩායමක්ම විවිධ ප්‍රමාණයේ ප්ලවාංග කිහිපයකින් සමන්විත වන අතර, 0.6 සිට 2500 μm සමාන ගෝලාකාර විෂ්කම්භයකින් යුක්ත වේ.
ෆයිටොප්ලැන්ක්ටන් වර්ධනයට, තෘණ වැසීමට සහ ගිලා බැසීමට බලපාන පරාමිතීන් ප්‍රමාණයට සම්බන්ධ වන අතර, ෆයිටොප්ලැන්ක්ටන් ක්‍රියාකාරී කණ්ඩායම් හයක් අතර විශේෂිත වෙනස්කම් ඇත (32).විවිධ භෞතික රාමු තිබියදීත්, ආකෘතියේ ප්ලවාංග සංරචක 51 හි ප්රතිඵල මෑත අධ්යයනයන් (42-44) ගණනාවක භාවිතා කර ඇත.
1992 සිට 2011 දක්වා, භෞතික/ජෛව රසායන/පරිසර පද්ධති සම්බන්ධ කිරීමේ ආකෘතිය වසර 20ක් පුරා ක්‍රියාත්මක විය.ආකෘතියේ නිමැවුමට ප්ලවාංග ජෛව ස්කන්ධය, පෝෂක සාන්ද්‍රණය සහ පෝෂක සැපයුම් අනුපාතය (DIN, PO4, Si සහ Fe) ඇතුළත් වේ.මෙම අධ්‍යයනයේ දී, මෙම නිමැවුම් වල වසර 20ක සාමාන්‍යය පාරිසරික පළාතේ ආදානය ලෙස භාවිතා කරන ලදී.Chl, ප්ලවාංග ජෛව ස්කන්ධ ව්‍යාප්තිය සහ පෝෂක සාන්ද්‍රණය සහ ක්‍රියාකාරී කණ්ඩායම් ව්‍යාප්තිය චන්ද්‍රිකා සහ ස්ථානගත නිරීක්ෂණ සමඟ සසඳා ඇත [බලන්න (2, 44), සටහන S1 සහ රූපය.S1 සිට S3].
SAGE ක්‍රමය සඳහා, අහඹු බවේ ප්‍රධාන මූලාශ්‍රය t-SNE පියවරෙන් පැමිණේ.අහඹු බව පුනරාවර්තනයට බාධා කරයි, එයින් අදහස් වන්නේ ප්රතිඵල විශ්වාස කළ නොහැකි බවයි.SAGE ක්‍රමය t-SNE සහ DBSCAN හි පරාමිති සමූහයක් නිර්ණය කිරීමෙන් ශක්තිමත් බව දැඩි ලෙස පරීක්‍ෂා කරයි, එමඟින් නැවත නැවත කරන විට නිරන්තරයෙන් පොකුරු හඳුනාගත හැකිය.t-SNE පරාමිතියෙහි "ව්‍යාකූලත්වය" නිර්ණය කිරීම, ඉහළ සිට පහළ මානයන් දක්වා සිතියම්ගත කිරීම දත්තවල දේශීය හෝ ගෝලීය ලක්ෂණවලට ගරු කළ යුතු මට්ටම තීරණය කිරීම ලෙස තේරුම් ගත හැකිය.400 සහ 300 පුනරාවර්තන ව්‍යාකූලත්වය කරා ළඟා විය.
Clustering algorithm DBSCAN සඳහා, පොකුරේ ඇති දත්ත ලක්ෂ්‍යවල අවම ප්‍රමාණය සහ දුර මෙට්‍රික් තීරණය කිරීම අවශ්‍ය වේ.විශේෂඥයින්ගේ මගපෙන්වීම යටතේ අවම සංඛ්යාව තීරණය කරනු ලැබේ.මෙම දැනුම වත්මන් සංඛ්‍යාත්මක ආකෘතිකරණ රාමුවට සහ විභේදනයට ගැලපෙන දේ දනී.අවම සංඛ්‍යාව 100. ඉහළ අවම අගයක් (කොළයේ ඉහළ සීමාව පුළුල් වීමට පෙර <135 ට වඩා අඩු) සලකා බැලිය හැක, නමුත් එයට BC අසමානතාවය මත පදනම් වූ එකතු කිරීමේ ක්‍රමය ප්‍රතිස්ථාපනය කළ නොහැක.සම්බන්ධතාවයේ උපාධිය (රූපය 6A) ϵ පරාමිතිය සැකසීමට භාවිතා කරයි, එය ඉහළ ආවරණයක් සඳහා හිතකර වේ (රූපය 6B).සම්බන්ධතාවය යනු පොකුරු වල සංයුක්ත සංඛ්‍යාව ලෙස අර්ථ දක්වා ඇති අතර එය ϵ පරාමිතියට සංවේදී වේ.පහළ සම්බන්ධතාවය පෙන්නුම් කරන්නේ ප්‍රමාණවත් නොගැලපීම, කෘත්‍රිමව කලාප එකට කාණ්ඩ කිරීම.ඉහළ සම්බන්ධතාවය අධි සවි කිරීම පෙන්නුම් කරයි.මුල් අහඹු අනුමාන කිරීම් ප්‍රතිනිෂ්පාදනය කළ නොහැකි ප්‍රතිඵලවලට හේතු විය හැකි බව පෙන්නුම් කරන බැවින්, අධික ලෙස ගැලපීම ද ගැටළු සහගත ය.මෙම අන්ත දෙක අතර තියුණු වැඩිවීමක් (සාමාන්‍යයෙන් "වැලමිට" ලෙස හැඳින්වේ) හොඳම ϵ පෙන්නුම් කරයි.රූප සටහන 6A හි, ඔබ සානුව ප්‍රදේශයේ තියුණු වැඩිවීමක් දකියි (කහ,> පොකුරු 200), පසුව තියුණු අඩුවීමක් (කොළ, පොකුරු 100), 130 පමණ දක්වා, ඉතා ස්වල්පයකින් වට වූ (නිල්, <60 පොකුරු) )අවම වශයෙන් නිල් ප්‍රදේශ 100ක, එක් පොකුරක් මුළු සාගරයේම ආධිපත්‍යය දරයි (ϵ <0.42), නැතහොත් සාගරයේ වැඩි ප්‍රමාණයක් වර්ගීකරණය කර නැති අතර එය ශබ්දය (ϵ> 0.99) ලෙස සැලකේ.කහ ප්‍රදේශය ඉතා විචල්‍ය, ප්‍රතිනිෂ්පාදනය කළ නොහැකි පොකුරු ව්‍යාප්තියක් ඇත.ϵ අඩු වන විට ශබ්දය වැඩි වේ.තියුනු ලෙස වැඩි වන හරිත ප්රදේශය වැලමිට ලෙස හැඳින්වේ.මෙය ප්රශස්ත කලාපයකි.t-SNE සම්භාවිතාව භාවිතා කළද, විශ්වාසදායක පොකුරු නිර්ණය කිරීම සඳහා පළාත තුළ ඇති BC අසමානතාවය තවමත් භාවිතා කළ හැක.රූප සටහන 6 (A සහ B) භාවිතා කරමින්, ϵ 0.39 ලෙස සකසන්න.අවම සංඛ්‍යාව විශාල වන තරමට විශ්වාසදායක වර්ගීකරණයට ඉඩ සලසන ϵ වෙත ළඟා වීමේ සම්භාවිතාව කුඩා වන අතර හරිත ප්‍රදේශය 135 ට වඩා වැඩි අගයක් ගනී. මෙම ප්‍රදේශයේ විශාල වීම පෙන්නුම් කරන්නේ වැලමිට සොයා ගැනීමට හෝ නොවීමට වඩා අපහසු වනු ඇති බවයි. පවතින.
t-SNE හි පරාමිතීන් සැකසීමෙන් පසු, සොයාගත් මුළු පොකුරු සංඛ්‍යාව සම්බන්ධතා (A) සහ පොකුරු (B) වෙත වෙන් කරන ලද දත්ත ප්‍රතිශතයේ මිනුමක් ලෙස භාවිතා කරනු ඇත.රතු තිත පෙන්නුම් කරන්නේ ආවරණය සහ සම්බන්ධතාවයේ හොඳම සංයෝජනයයි.පරිසර විද්‍යාවට අදාළ අවම සංඛ්‍යාව අනුව අවම සංඛ්‍යාව සකසා ඇත.
මෙම ලිපිය සඳහා අතිරේක ද්රව්ය සඳහා, කරුණාකර http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1 බලන්න
මෙය Creative Commons Attribution බලපත්‍රයේ නියමයන් යටතේ බෙදා හරින ලද විවෘත ප්‍රවේශ ලිපියකි.මුල් කෘතිය නිසියාකාරව උපුටා දක්වා ඇති කොන්දේසිය යටතේ ඕනෑම මාධ්‍යයක අසීමිත භාවිතය, බෙදා හැරීම සහ ප්‍රතිනිෂ්පාදනය කිරීමට ලිපිය ඉඩ දෙයි.
සටහන: අපි ඔබෙන් ඉල්ලා සිටින්නේ ඔබේ විද්‍යුත් තැපැල් ලිපිනය ලබා දෙන ලෙස පමණි, එවිට ඔබ පිටුවට නිර්දේශ කරන පුද්ගලයා ඔබට විද්‍යුත් තැපෑල බැලීමට අවශ්‍ය බවත් එය අයාචිත තැපෑල නොවන බවත් දැන ගනී.අපි කිසිදු විද්‍යුත් තැපැල් ලිපිනයක් අල්ලා නොගනිමු.
මෙම ප්‍රශ්නය ඔබ අමුත්තෙක්ද යන්න පරීක්ෂා කිරීමට සහ ස්වයංක්‍රීය අයාචිත තැපැල් ඉදිරිපත් කිරීම වැලැක්වීමට භාවිතා කරයි.
සමුද්‍ර පරිසර විද්‍යාව පිළිබඳ ගෝලීය අමාත්‍යාංශය සංකීර්ණ ගැටලු විසඳීමට අධිෂ්ඨාන කරගෙන සිටින අතර ප්‍රජා ව්‍යුහයන් ගවේෂණය කිරීම සඳහා අධීක්ෂණය නොකළ ML භාවිතා කරයි.
සමුද්‍ර පරිසර විද්‍යාව පිළිබඳ ගෝලීය අමාත්‍යාංශය සංකීර්ණ ගැටලු විසඳීමට අධිෂ්ඨාන කරගෙන සිටින අතර ප්‍රජා ව්‍යුහයන් ගවේෂණය කිරීම සඳහා අධීක්ෂණය නොකළ ML භාවිතා කරයි.