Предлаже се метод учења без надзора за одређивање глобалних морских еколошких провинција (еко-провинција) на основу структуре планктонске заједнице и података о протоку хранљивих материја.Метода систематске интегрисане еколошке провинције (САГЕ) може идентификовати еколошке провинције у високо нелинеарним моделима екосистема.Да би се прилагодио не-Гаусовој коваријанси података, САГЕ користи т рандом сусед ембеддинг (т-СНЕ) да смањи димензионалност.Помоћу апликације за буку засновану на просторној групирању на бази густине (ДБСцан), више од сто еколошких покрајина може се идентификовати.Користећи мапу повезаности са еколошким разликама као мером удаљености, робусна агрегирана еколошка провинција (АЕП) је објективно дефинисана кроз угнежђене еколошке провинције.Користећи АЕПс, истражена је контрола стопе снабдевања хранљивим материјама у структури заједнице.Еко-провинција и АЕП су јединствени и могу помоћи у тумачењу модела.Они могу олакшати поређења између модела и могу побољшати разумевање и праћење морских екосистема.
Покрајине су региони у којима је сложена биогеографија на мору или земљишту организована у кохерентне и смислене области (1).Ове покрајине су веома важне за поређење и супротстављање локација, карактерисање посматрања, праћења и заштите.Сложене и нелинеарне интеракције које производе ове покрајине чине ненадмашеним методама у учењу машине врло погодне за утврђивање провинција објективно, јер је Коваријанција у подацима сложена и не-гауссова.Овде се предлаже МЛ метода, која систематски идентификује јединствене морске еколошке покрајине (ЕЦО-провинције) из дарвин глобалне тродимензионалне (3Д) модела / екосистема (2).Израз "јединствени" користи се за означавање да се идентификовано подручје не преклапа са другим областима.Ова метода се назива методом система интегрисане еколошке провинције (Саге).Да би се обављала корисна класификација, метода алгоритама треба дозволити (и) глобалну класификацију и (ии) вишеструку анализу која се може угнијеждити / агрегирати у простору и времену (3).У овом истраживању је прво предложено мудрац метода и разговарали су о утврђеним еколошким покрајинама.Еко-провинције могу промовисати разумевање фактора који контролишу структуру заједнице, пружити корисне увиде за стратегије праћења и помоћи у праћењу промена у екосистему.
Земаљске покрајине се обично класификују према сличностима у клими (падавина и температура), тла, вегетације и фауне и користе се за помоћно управљање, истраживање биодиверзитета и контролу болести (1, 4).Морске провинције је теже дефинисати.Већина организама је микроскопска, са границама течности.Лонгхурст ет ал.(5) Обезбеђена је једна од првих глобалних класификација Министарства за океанографију на основу услова животне средине.Дефиниција ових провинција "Лонгхурст" укључује варијабле као што су стопа мешања, стратификације и нерадијанства, као и обимно искуство Лонгхурста као морски океанограф, који има и друге важне услове за морске екосистеме.Лонгхурст се интензивно користи, на пример, за процену примарних производних и угљеничних токова, риболова за помоћ и план у ситуацијама за посматрање (5-9).Да би се дефинисале провинције објективније, коришћени су методе попут нејасног логике и регионалне ненасиљене кластерирање / статистике (9-14).Сврха таквих метода је да идентификују смислене структуре које могу идентификовати провинције у доступним подацима посматрања.На пример, динамичне морске провинције (12) користе самоорганизовање мапа да бисте смањили буку и користе хијерархијско (серво) кластерирање да би се одредили производи морског бора који потичу из регионалних сателита [хлорофил А (ЦХЛ-А (ЦХЛ-А), нормализована висина флуоресценције обојена растворена органска материја] и физичко поље (температура површине мора и салинитет, апсолутна динамичка топографија и морски лед).
Структура заједнице планктона је забрињавајућа јер његова екологија има велики утицај на виши ниво хранљивих материја, апсорпцију угљеника и климу.Ипак, још увек је изазован и неухватљив циљ одредити глобалну еколошку провинцију засновану на структури планктонске заједнице.Морски сателити у боји потенцијално могу пружити увид у грубо зрнату класификацију фитопланктона или сугерисати предности функционалних група (15), али тренутно нису у могућности да пруже детаљне информације о структури заједнице.Недавна истраживања [нпр. Тара Оцеан (16)] пружају мерења структуре заједнице без преседана;тренутно постоје само ретка посматрања на лицу места на глобалном нивоу (17).Претходне студије су у великој мери одредиле „Биогеохемијску провинцију“ (12, 14, 18) на основу одређивања биохемијских сличности (као што су примарна производња, Цхл и доступно светло).Овде се за излаз [Дарвин(2)] користи нумерички модел, а еколошка провинција се одређује према структури заједнице и протоку хранљивих материја.Нумерички модел коришћен у овој студији има глобалну покривеност и може се упоредити са постојећим теренским подацима (17) и пољима даљинске детекције (Напомена С1).Подаци нумеричког модела коришћени у овој студији имају предност глобалне покривености.Моделни екосистем се састоји од 35 врста фитопланктона и 16 врста зоопланктона (погледајте материјале и методе).Типови планктона модела реагују нелинеарно са не-Гаусовим структурама коваријансе, тако да једноставне дијагностичке методе нису погодне за идентификацију јединствених и конзистентних образаца у новонасталим структурама заједнице.Метода САГЕ која је овде представљена пружа нов начин за проверу резултата сложених Дарвинових модела.
Снажне трансформативне могућности технологије података / мл технологије могу омогућити необугавајуће сложене моделне решења за откривање сложених, али робусних структура у скупу података.Робусна метода је дефинисана као метода која може верно репродуковати резултате у датом опсегу грешака.Чак и у једноставним системима, одређивање робусних образаца и сигнала може бити изазов.Док се утврди да се утврди образложење према посматраном обрасцу, сложеност у настајању може изгледати компликовано / тешко решити.Кључни поступак постављања састава екосистема је нелинеарно у природи.Постојање нелинеарних интеракција може збунити робусну класификацију, тако да је потребно да се избегну методе које чине снажне претпоставке о основној статистичкој расподјели података која се коваријансају.Високодимензионални и нелинеарни подаци су уобичајени у океанографији и могу имати коваријантну структуру са сложеном, не-Гаусовом топологијом.Иако подаци са не-Гауссовом коваријанском структуром могу ометати робусну класификацију, мудрац метода је роман јер је дизајниран да идентификује кластере са произвољним топологијама.
Циљ САГЕ методе је да објективно идентификује нове обрасце који могу помоћи даљем еколошком разумевању.Пратећи радни ток заснован на кластерима сличан (19), варијабле еколошког протока и протока хранљивих материја се користе за одређивање јединог кластера у подацима, који се зове еколошка провинција.Метода САГЕ предложена у овој студији (слика 1) прво смањује димензионалност са 55 на 11 димензија сумирањем функционалних група планктона дефинисаних а приори (видети Материјали и методе).Користећи методу т-случајног уграђивања суседа (т-СНЕ), величина се даље смањује пројектовањем вероватноће у 3Д простор.Груписање без надзора може да идентификује еколошки блиске области [просторно груписање засновано на густини (ДБСЦАН) за апликације засноване на буци].И т-СНЕ и ДБСЦАН су применљиви на инхерентне податке нумеричког модела нелинеарног екосистема.Затим поново пројектујте насталу еколошку провинцију на земљу.Идентификовано је више од стотину јединствених еколошких провинција, погодних за регионална истраживања.Да би се размотрио глобално конзистентан модел екосистема, метода САГЕ се користи за агрегирање еколошких провинција у агрегиране еколошке провинције (АЕП) како би се побољшала ефикасност еколошких провинција.Ниво агрегације (који се назива „сложеност“) може се прилагодити потребном нивоу детаља.Одредите минималну сложеност робусног АЕП-а.Фокус селекције је метода мудраца и истраживање најмањих случајева сложености АЕП-а да би се утврдила контрола структуре хитне заједнице.Обрасци се затим могу анализирати како би се обезбедио еколошки увид.Метода која је овде уведена такође се може користити за опсежније поређење модела, на пример, проценом локација сличних еколошких провинција које се налазе у различитим моделима да би се истакле разлике и сличности, како би се упоредили модели.
(А) шематски дијаграм радног тока за одређивање еколошке провинције;Користећи суму у функционалној групи да бисте смањили оригиналне 55 димензионалне податке на 11-димензионалне производње модела, укључујући биомасу од седам функционалних / хранљивих плаката и четири стопе хранљивих материја.Занемарљива вредност и издржљива површина леденог покривача.Подаци су стандардизовани и стандардизовани.Обезбедите 11-димензионалне податке на алгоритаму Т-Сне-а да бисте истакли статистички сличне комбинације функција.ДБСцан ће пажљиво одабрати кластер да постави вредност параметра.Коначно пројектујте податке на пројекцију ширине / дужине.Имајте на уму да се овај поступак понавља 10 пута јер се незнатно насумичности може генерирати применом Т-СНА-а.(Б) Објашњава како да добијете АЕП понављањем радног тока у (а) 10 пута.За сваку од ових 10 имплементација, интер-покрајински браи-Цуртис (БЦ) матрица матрица је одређена на основу биомасе 51 типове фитопланктона.Одредите разлика у БЦ-у између провинција, од сложености 1 АЕП до пуне сложености 115. БЦ Бенцхмарк је поставила провинција Лонгхурст.
САГЕ метода користи излаз глобалног 3Д физичког/екосистемског нумеричког модела за дефинисање еколошке провинције [Дарвин (2);види материјале и методе и белешку С1].Компоненте екосистема се састоје од 35 врста фитопланктона и 16 врста зоопланктона, са седам унапред дефинисаних функционалних група: прокариоти и еукариоти прилагођени окружењу са ниским садржајем хранљивих материја, кокцидије са омотачем калцијум карбоната и тешка фиксација азота. важне хранљиве материје), са силицијумским покривачем, могу да направе фотосинтезу другог планктона и испашу мешаних хранљивих састојака флагелата и сточара зоопланктона.Распон величине је од 0,6 до 2500 μм еквивалентног сферног пречника.Модел дистрибуције величине фитопланктона и функционалног груписања обухвата свеукупне карактеристике које се виде у сателитским и ин ситу посматрањима (видети слике С1 до С3).Сличност између нумеричког модела и посматраног океана указује на то да провинције дефинисане моделом могу бити применљиве на океан ин-ситу.Имајте на уму да овај модел обухвата само одређену разноликост фитопланктона и само одређене физичке и хемијске опсеге ин ситу океана.Мутросијска метода може омогућити људима да боље разумеју високо регионални механизам контроле модела структуре заједнице.
Укључивањем само суме површинске биомасе (са просечним временом од 20 година) у свакој планктонској функционалној групи, димензија података се може смањити.Након што су раније студије показале њихову кључну улогу у успостављању структуре заједнице, она је такође укључила термине површинских извора за токове хранљивих материја (снабдевање азотом, гвожђем, фосфатом и силицијумском киселином) [нпр. (20, 21)].Сумирање функционалних група смањује проблем са 55 (51 планктон и 4 токова хранљивих материја) на 11 димензија.У овој почетној студији, због рачунских ограничења која намеће алгоритам, дубина и временска варијабилност нису узети у обзир.
Мутросијска метода је у стању да идентификује важне односе између нелинеарних процеса и кључних карактеристика интеракције између биомасе функционалне групе и флукса хранљивих материја.Употреба 11-димензионалних података на основу метода учења у еуклидској даљини (као што је К-средства) не могу добити поуздане и репродуциране покрајине (19, 22).То је зато што се у основној дистрибуцији коваријансе кључних елемената који дефинишу еколошку провинцију не налази Гаусов облик.К-средње вредности Воронојевих ћелија (праве линије) не могу задржати не-Гаусову основну дистрибуцију.
Биомаса седам функционалних група планктона и четири тока хранљивих материја формирају 11-димензионални вектор к.Дакле, к је векторско поље на мрежи модела, где сваки елемент ки представља 11-димензионални вектор дефинисан на хоризонталној мрежи модела.Сваки индекс и јединствено идентификује тачку мреже на сфери, где је (лон, лат) = (ϕи, θи).Ако је биомаса моделне јединице мреже мања од 1,2×10-3мг Цхл/м3 или стопа покривености ледом прелази 70%, користи се и одбацује се евиденција података о биомаси.Подаци су нормализовани и стандардизовани, тако да су сви подаци у опсегу од [0 до 1], средња вредност је уклоњена и скалирана на јединичну варијансу.Ово се ради тако да карактеристике (биомаса и ток хранљивих материја) нису ограничене контрастом у опсегу могућих вредности.Груписање би требало да обухвати однос промене са удаљености кључне вероватноће између обележја, а не географске удаљености.Квантификацијом ових удаљености појављују се важне карактеристике, док се непотребни детаљи одбацују.Са еколошке тачке гледишта, ово је неопходно јер неке врсте фитопланктона са мало биомасе могу имати веће биогеохемијске ефекте, као што је фиксација азота дијазотрофним бактеријама.Приликом стандардизације и нормализације података, ове врсте коваријата ће бити истакнуте.
Наглашавајући близину функција високодимензионалног простора у нискодимензионалном представљању, алгоритам Т-СНА користи се за постављање постојећих сличних региона.Претходни рад усмерени на изградњу дубоких неуронских мрежа за апликације за даљинско осјећавање које је користило Т-СНЕ, што је доказало своју вештину у раздвајању кључних функција (23).Ово је неопходан корак да се идентификује робусно груписање у подацима о карактеристикама уз избегавање неконвергентних решења (напомена С2).Користећи Гауссове језгре, Т-СИНЕ чува статистичка својства података мапирањем сваког високодимензионалног објекта до тачке у простору 3Д фазе, чиме се осигурава да је вероватноћа сличних објеката у високим и ниским правцима висока Димензионални простор (24).Дати скуп од Н високодимензионалних објеката к1,…,кН, т-СНЕ алгоритам смањује минимизирањем Куллбацк-Леиблерове (КЛ) дивергенције (25).КЛ дивергенција је мера колико се дистрибуција вероватноће разликује од друге референтне дистрибуције вероватноће и може ефикасно проценити могућност корелације између нискодимензионалних репрезентација високодимензионалних карактеристика.Ако је ки и-ти објекат у Н-димензионалном простору, кј је ј-ти објекат у Н-димензионалном простору, ии је и-ти објекат у нискодимензионалном простору, а иј је ј-ти објекат у нискодимензионалном простору -Димензионална простора, а затим Т-СНЕ дефинише вероватноћу сличности ппЈ|и = екп (-∥ки-кј∥2 / 2σи2) σк = иекп (-∥ки-ккп / 2σи2) и за сет смањења димензија к∣ј = (1+ ∥ ии-иј∥2)-1∑к=и(1 +∥иј-ик∥2)-1
Слика 2А илуструје ефекат смањења вектора биомасе и тока хранљивих материја 11-димензионалне комбинације у 3Д.Мотивација примене т-СНЕ може се упоредити са мотивацијом анализе главних компоненти (ПЦА), која користи атрибут варијансе да нагласи област/атрибут података, чиме се смањује димензионалност.Утврђено је да је т-СНЕ метода супериорнија у односу на ПЦА у обезбеђивању поузданих и поновљивих резултата за Еко-Министарство (видети белешку С2).Ово може бити зато што претпоставка ортогоналности ПЦА није погодна за идентификацију критичних интеракција између високо нелинеарних интерактивних карактеристика, јер се ПЦА фокусира на линеарне структуре коваријансе (26).Користећи податке даљинског истраживања, Лунга ет ал.(27) илуструје како користити СНЕ методу за истицање сложених и нелинеарних спектралних карактеристика које одступају од Гаусове расподеле.
(А) Моделирана стопа снабдевања хранљивим материјама, биомаса функционалне групе фитопланктона и зоопланктона нацртана т-СНЕ алгоритмом и обојена по провинцијама користећи ДБСЦАН.Свака тачка представља тачку у високодимензионалном простору, као што је приказано на слици 6Б, већина тачака је ухваћена.Шахтови се односе на „т-СНЕ” величине 1, 2 и 3. (Б) Географска пројекција провинције коју је пронашао ДБСЦАН на мрежи географске ширине и дужине порекла.Боју треба сматрати било којом бојом, али треба да одговара (А).
Тачке на т-СНЕ дијаграму расејања на слици 2А су респективно повезане са географском ширином и дужином.Ако су две тачке на слици 2А блиске једна другој, то је зато што су им токови биомасе и хранљивих материја слични, а не због географске близине.Боје на слици 2А су кластери откривени коришћењем ДБСЦАН методе (28).Када тражи густа посматрања, ДБСЦАН алгоритам користи растојање у 3Д приказу између тачака (ϵ = 0,39; за информације о овом избору погледајте Материјали и методе), а број сличних тачака је потребан за дефинисање кластера (овде 100 поена, погледајте горе).Метода ДБСЦАН не даје никакве претпоставке о облику или броју кластера у подацима, као што је приказано у наставку:
3) За све тачке идентификоване као унутар унутарње удаљености, поновите корак 2 итеративно да одредите границу кластера.Ако је број поена већи од постављене минималне вредности, означава се као кластер.
Подаци који не задовољавају минимални члан кластера и метрику удаљености ϵ сматрају се „шумом“ и не додељују им се боја.ДБСЦАН је брз и скалабилан алгоритам са О(н2) перформансама у најгорем случају.За тренутну анализу, то заправо није случајно.Минимални број бодова утврђује се стручном оценом.Након подешавања удаљености, резултат није довољно стабилан у опсегу од ≈±10.Ово растојање је подешено коришћењем повезаности (Слика 6А) и процента покривености океаном (Слика 6Б).Повезивост је дефинисана као сложени број кластера и осетљива је на параметар ϵ.Нижа повезаност указује на недовољно уклапање, вештачко груписање региона заједно.Висока повезаност указује на преоптерећеност.Замисливо је коришћење већег минимума, али ако минимум прелази ца, немогуће је постићи поуздано решење.135 (За више детаља погледајте Материјали и методе).
115 кластера идентификованих на слици 2А је пројектовано назад на земљу на слици 2Б.Свака боја одговара кохерентној комбинацији биогеохемијских и еколошких фактора идентификованих од стране ДБСЦАН-а.Када се кластери одреде, повезивање сваке тачке на слици 2А са одређеном географском ширином и дужином се користи за пројектовање кластера назад у географску област.Слика 2Б ово илуструје истим бојама кластера као и слика 2А.Сличне боје не треба тумачити као еколошку сличност, јер се додељују редоследом којим алгоритам открива кластере.
Подручје на слици 2Б може бити квалитативно слично утврђеном подручју у физичкој и/или биогеохемији океана.На пример, кластери у Јужном океану су зонски симетрични, са појавом олиготрофних вртлога, а оштар прелаз указује на утицај пасата.На пример, у екваторијалном Пацифику се виде различити региони повезани са успоном.
Да би се разумела еколошко окружење Еко-провинције, коришћена је варијација индекса разлика у Цуртису (БЦ) (29) за процену екологије у кластеру.БЦ индикатор је статистички податак који се користи за квантификацију разлике у структури заједнице између две различите локације.БЦ мерење је применљиво на биомасу 51 врсте фитопланктона и зоопланктона БЦнињ = 1-2ЦнињСни + Сњ
БЦнињ се односи на сличност између комбинације ни и комбинације њ, где је Цнињ минимална вредност једне врсте биомасе која постоји у обе комбинације ни и њ, а Сни представља збир свих биомаса које постоје у обе комбинације ни и Сњ.БЦ разлика је слична мери удаљености, али делује у нееуклидском простору, што је вероватно погодније за еколошке податке и њихову интерпретацију.
За сваки кластер идентификован на Слици 2Б, може се проценити сличност међупокрајинског и међупокрајинског БЦ.БЦ разлика унутар провинције односи се на разлику између просечне вредности покрајине и сваке тачке у покрајини.Разлика између провинција БЦ односи се на сличност између једне провинције и других провинција.Слика 3А приказује симетричну БЦ матрицу (0, црна: потпуно одговарајућа; 1, бела: потпуно различита).Свака линија на графикону показује образац у подацима.Слика 3Б приказује географски значај резултата БЦ на слици 3А за сваку провинцију.За провинцију у области ниске исхране и нискохтјери, слика 3б показује да је симетрија великих подручја око екватора и Индијски океан у основи слична, али виши латитуди и наводни простори су значајно различити.
(А) Степен БЦ разлике процењен за сваку провинцију на основу глобалног 20-годишњег просечног глобалног просека површине од 51 планктона.Обратите пажњу на очекивану симетрију вредности.(Б) Просторна пројекција колоне (или реда).За провинцију у дистрофичном кругу процењена је глобална расподјела мере сличности сличности БЦ и процењена је глобална 20-годишња просека.Црна (БЦ = 0) означава исту површину, а бела (БЦ = 1) значи да нема сличности.
Слика 4А илуструје разлику у БЦ унутар сваке провинције на слици 2Б.Одређено коришћењем просечне комбинације просечног подручја у кластеру и одређивање разлике између БЦ и средње тачке сваке мреже у покрајини, она показује да метода мудраца може добро да одвоји 51 врста на основу еколошке врсте сличности Подаци модела.Укупна просечна различитост кластера БЦ свих 51 типа је 0,102±0,0049.
(А, Б и Д) БЦ разлика у провинцији се оцењује као просјечна разлика у БЦ између сваке заједнице Грид Поинт и просечне провинције и сложеност се не смањује.(2) Глобална просечна интрапокрајинска БЦ разлика је 0,227±0,117.Ово је репер класификације засноване на еколошкој мотивацији коју предлаже овај рад [зелена линија у (Ц)].(Ц) Просечна унутарпровинцијална БЦ разлика: Црна линија представља разлику између покрајине БЦ са растућом сложеношћу.2σ долази из 10 понављања процеса идентификације еко-провинције.За укупну сложеност провинција које је открио ДБСцан, (а) показује да је БЦ различитост у покрајини 0,099, а сложеност класификација коју је предложила (Ц) је 12, што је резултирало БЦ-ом различитости од 0.200 у покрајини.Као што слика показује.(Д).
На слици 4Б, биомаса 51 типа планктона се користи за представљање еквивалентне БЦ разлике у провинцији Лонгхурст.Општи просек сваке покрајине је 0.227, а стандардно одступање решетки у односу на разлику у провинцији БЦ је 0,046.Ово је веће од кластера идентификованог на слици 1Б.Уместо тога, користећи збир седам функционалних група, просечна разлика између БЦ-а у току сезоне у Лонгхурсту се повећала на 0,232.
Глобална мапа ЕЦО-провинције пружа замршене детаље јединствених еколошких интеракција и побољшања су извршене у коришћењу целокупне екосистемске структуре провинције Лонгхурст.Очекује се да ће Министарство екологије пружити увид у процес контроле нумеричког модела екосистема и овај увид ће помоћи истраживању теренског рада.У сврху овог истраживања, није могуће у потпуности у потпуности приказати више од сто провинција.Следећи одељак уводи мутропродајну методу који резимира покрајине.
Једна од сврха покрајине је да промовише разумевање локације и управљања покрајином.Да би се утврдиле ванредне ситуације, метода на слици 1Б илуструје гнежђење еколошки сличних провинција.Еко-провинције су груписане на основу еколошке сличности, а такво груписање провинција се назива АЕП.Подесите подесиву „сложеност“ на основу укупног броја провинција које треба узети у обзир.Термин „сложеност“ се користи зато што омогућава прилагођавање нивоа атрибута за хитне случајеве.Да би се дефинисале значајне агрегације, просечна унутарпровинцијална БЦ разлика од 0,227 од Лонгхурста се користи као мерило.Испод овог стандарда, комбиноване провинције се више не сматрају корисним.
Као што је приказано на слици 3Б, глобалне еколошке провинције су кохерентне.Користећи међупокрајинске разлике у БЦ, може се видети да су неке конфигурације веома „уобичајене“.Инспирисани генетиком и методама теорије графова, „повезани графови“ се користе за сортирање >100 провинција на основу провинција које су им најсличније.метрика „повезаности“ се овде одређује коришћењем међупровинцијске разлике у БЦ (30).Број покрајина са већим простором за класификацију од > 100 провинција се овде може назвати сложеношћу.АЕП је производ који категорише више од 100 провинција као најдоминантније/најближе еколошке провинције.Свака еколошка провинција је додељена доминантној/високо повезаној еколошкој провинцији која им је најсличнија.Ова агрегација одређена БЦ разликом омогућава угнежђени приступ глобалној екологији.
2а.При нижим сложеношћу АЕП може да се дегенише због корака за смањење пробабилистичке димензије (Т-СНЕ).Дегенерација значи да се еколошке покрајине могу доделити различитим АЕПС-у између итерација, чиме се прекривено географско подручје покривено.Слика 4Ц илуструје ширење БЦ различитости унутар провинција у АЕП-овима све сложености у 10 имплементација (илустрација на Слици 1Б).На слици 4Ц, 2σ (плава површина) је мерило деградације у 10 имплементација, а зелена линија представља Лонгхурст референтност.Чињенице су доказале да сложеност од 12 може задржати разлику БЦ у провинцији испод Лонгхурст референтне вредности у свим имплементацијама и одржати релативно малу деградацију од 2σ.Укратко, минимална препоручена сложеност је 12 АЕП-а, а просечна разлика БЦ унутар провинције процењена коришћењем 51 типа планктона је 0,198±0,013, као што је приказано на слици 4Д.Поређење између БЦ разлика израчунатих са укупном биомасом седам функционалних група или биомасом свих 51 типа планктона показује да иако је САГЕ метода применљива на 51-димензионалну ситуацију, она је за укупну биомасу седам функционалних група За тренинг.
У зависности од сврха било којег истраживања, могу се размотрити различити нивои сложености.Регионалне студије могу захтевати потпуну сложеност (тј. Све 115 покрајина).Као пример и за јасноћу, узмите у обзир минималну препоручену сложеност од 12.
Као пример корисности мудра методе, овде се користи 12 АЕП-а са минималном сложеношћу 12, овде се користи контрола структуре хитне заједнице.Слика 5 илуструје еколошке увиде груписане АЕП-ом (од А до Л): у црвеној пољу Стоициометрија, географска мерена (слика 5ц), функционална група биомаса (слика 5а) и храњиво снабдевање (слика 5б) врши се Н зумирана.Приказан је однос (Н:Си:П:Фе, 1:1:16:16×103).За последњи панел, П помножен са 16 и Фе помножен са 16 × 103, тако да је тракасти графикон еквивалентан нутритивним потребама фитопланктона.
Покрајине су класификоване у 12 АЕП А до Л. (А) Биомаса (мгЦ/м3) екосистема у 12 провинција.(Б) Брзина протока хранљивих материја раствореног неорганског азота (Н), гвожђа (Фе), фосфата (П) и силицијумске киселине (Си) (ммол/м3 годишње).Фе и П се множе са 16 и 16×103, респективно, тако да су траке стандардизоване према захтевима стехиометрије фитопланктона.(Ц) Обратите пажњу на разлику између поларних региона, суптропских циклона и главних сезонских/растућих региона.Мониторинг станице су означене на следећи начин: 1, СЕДИШТА;2, Алоха;3, станица П;и 4, слепи мишеви.
Идентификовани АЕП је јединствен.Неки АЕПС прихватају западно страну континента повезаног са успоном.Циркунгуларну струју Јужни пол сматра се великом зонском карактеристиком.Субтропски циклон је сложена серија олиготрофичног АЕП-а.У овим провинцијама, очигледан је познати образац разлика у биомаси између олиготрофних вртлога којима доминира планктон и поларних региона богатих дијатомејима.
АЕП са веома сличном укупном биомасом фитопланктона могу имати веома различите структуре заједнице и покривати различите географске области, као што су Д, Х и К, које имају сличну укупну биомасу фитопланктона.АЕП Х углавном постоји у екваторијалном Индијском океану, а има и више дијазотрофних бактерија.АЕП Д се налази у неколико басена, али је посебно истакнут у Пацифику око области високог приноса око екваторијалног уздизања.Облик ове пацифичке провинције подсећа на планетарни таласни воз.У АЕП Д има мало дијазобактерија, а више чуњева.У поређењу са друге две провинције, АЕП К се налази само у висоравнима Арктичког океана, а има више дијатомеја и мање планктона.Вреди напоменути да је количина планктона у ова три региона такође веома различита.Међу њима, обиље планктона АЕП К је релативно ниско, док је АЕП Д и Х релативно високо.Стога, упркос њиховој биомаси (и стога сличне Цхл-а), ове провинције су прилично различите: тестирање провинција засновано на Цхл можда неће обухватити ове разлике.
Такође је очигледно да неки АЕП са веома различитом биомасом могу бити слични у погледу структуре заједнице фитопланктона.На пример, ово је видљиво у АЕП Д и Е. Они су близу један другом, ау Тихом океану, АЕП Е је близу високо продуктивног АЕПЈ.Слично томе, не постоји јасна веза између биомасе фитопланктона и обиља зоопланктона.
АЕП се може разумети у смислу хранљивих материја које им се пружају (Слика 5Б).Дијатомеје постоје само тамо где има довољно силицијумске киселине.Генерално, што је већа залиха силицијумске киселине, већа је биомаса дијатомеја.Дијатомеје се могу видети у АЕП А, Ј, К и Л. Однос биомасе дијатомеја у односу на други фитопланктон одређен је Н, П и Фе обезбеђеним у односу на потребе дијатомеја.На пример, у АЕП Л доминирају дијатомеје.У поређењу са другим хранљивим материјама, Си има највећу понуду.Насупрот томе, упркос већој продуктивности, АЕП Ј има мање дијатомеја и мање количине силицијума (све и у односу на друге хранљиве материје).
Диазонијум бактерије имају могућност поправљања азота, али расти полако (31).Они коегзистирају са другим фитопланктоном, где су гвожђе и фосфорни претерани у односу на потражњу за не-диазонијумским храњивим материјама (20, 21).Вриједно је напоменути да је дијазотрофична биомаса релативно висока, а понуда ФЕ и П је релативно велика у односу на снабдевање Н. на овај начин, иако је укупни биомаса у АЕП Ј већем, диазонијум биомаса у АЕП-у је Већи од оне у Ј. Имајте на уму да су АЕП Ј и Х географски веома различити и Х се налази у екваторијалном Индијском океану.
Ако јединствена структура екосистема није подељена на провинције, увиди добијени из 12 АЕП модела најниже сложености неће бити тако јасни.АЕП који генерише САГЕ олакшава кохерентно и истовремено поређење сложених и високодимензионалних информација из модела екосистема.АЕП ефикасно наглашава зашто Цхл није добар и алтернативни метод за одређивање структуре заједнице или обиља зоопланктона на вишим нивоима хранљивих материја.Детаљна анализа текућих истраживачких тема је ван оквира овог чланка.Метода САГЕ пружа начин да се истраже други механизми у моделу који је лакши за руковање него посматрање од тачке до тачке.
Метода САГЕ је предложена да помогне у разјашњавању изузетно сложених еколошких података из глобалних физичких/биогеохемијских/екосистемских нумеричких модела.Еколошка провинција је одређена укупном биомасом унакрсних планктонских функционалних група, применом алгоритма смањења димензионалности вероватноће т-СНЕ и кластерисањем коришћењем ненадгледане МЛ методе ДБСЦАН.Међупровинцијална теорија БЦ разлике/графова за методу гнежђења је примењена да би се добио робустан АЕП који се може користити за глобалну интерпретацију.У грађевинском погледу, Еко-покрајина и АЕП су јединствени.АЕП гнежђење се може подесити између пуне сложености оригиналне еколошке провинције и препорученог минималног прага од 12 АЕП.Угнежђење и одређивање минималне сложености АЕП-а се сматрају кључним корацима, јер вероватноћа т-СНЕ дегенерише АЕП-ове <12 сложености.Метода САГЕ је глобална, а њена сложеност се креће од> 100 АЕП до 12. Ради једноставности, тренутни фокус је на сложености 12 глобалних АЕП-а.Будућа истраживања, посебно регионалне студије, могу сматрати корисним мањи просторни подскуп глобалних еко-провинција, и могу бити агрегирани на мањем подручју како би се искористиле исте еколошке увиде о којима се овдје расправља.Он даје предлоге о томе како се ове еколошке провинције и увиди стечени из њих могу користити за даље еколошко разумевање, олакшати поређење модела и потенцијално побољшати праћење морских екосистема.
Еколошка провинција и АЕП идентификовани методом САГЕ засновани су на подацима у нумеричком моделу.По дефиницији, нумерички модел је поједностављена структура која покушава да ухвати суштину циљног система, а различити модели ће имати различиту дистрибуцију планктона.Нумерички модел коришћен у овој студији не може у потпуности да обухвати неке од уочених образаца (на пример, у проценама Цхл за екваторијални регион и Јужни океан).Ухваћен је само мали део разноликости у стварном океану, а мезо и субмезоскале се не могу решити, што може утицати на проток хранљивих материја и структуру заједнице мањег обима.Упркос овим недостацима, показало се да је АЕП веома користан у помагању у разумевању сложених модела.Процењујући где се налазе сличне еколошке провинције, АЕП пружа потенцијални алат за поређење нумеричких модела.Тренутни нумерички модел обухвата укупни образац концентрације фитопланктона Цхл-а на даљину и дистрибуцију величине планктона и функционалне групе (Напомена С1 и Слика С1) (2, 32).
Као што показује линија контуре од 0,1 мгЦхл-а/м-3, АЕП је подељен на олиготрофну и мезотрофну област (слика С1Б): АЕП Б, Ц, Д, Е, Ф и Г су олиготрофне области, а преостале области су Смјештен је виши ЦХЛ-а.АЕП показује извесну кореспонденцију са провинцијом Лонгхурст (слика С3А), на пример, Јужним океаном и екваторијалним Пацификом.У неким регионима, АЕП покрива више региона Лонгхурста, и обрнуто.Будући да је намера разграничења провинција на овом подручју и Лонгхурста другачија, очекује се да ће бити разлика.АЕП показује извесну кореспонденцију са физичким стањима, као што је откривено коришћењем ненадгледаног учења (19), као што су стања високог пораста (на пример, Јужни океан и екваторијални Пацифик; слика С3, Ц и Д).Ове кореспонденције указују да је структура заједнице планктона под јаким утицајем динамике океана.У областима као што је северни Атлантик, АЕП пролази кроз физичке провинције.Механизам који узрокује ове разлике може укључивати процесе као што је транспорт прашине, што може довести до потпуно различитих програма исхране чак и под сличним физичким условима.
Министарство екологије и АЕП су истакли да се само коришћењем Цхл-а не могу идентификовати еколошке компоненте, као што је заједница за екологију мора већ схватила.Ово се види код АЕП са сличном биомасом, али значајно другачијим еколошким саставом (као што су Д и Е).Насупрот томе, АЕП као што су Д и К имају веома различиту биомасу, али сличан еколошки састав.АЕП наглашава да је однос између биомасе, еколошког састава и обиља зоопланктона сложен.На пример, иако се АЕП Ј истиче у погледу фитопланктона и биомасе планктона, АЕП-ови А и Л имају сличну биомасу планктона, али А има већу количину планктона.Зоопланктон је основа ланца исхране рибарства, а тачније процене могу довести до бољег управљања ресурсима.Будући сателити у боји мора [на пример, ПАЦЕ (планктон, аеросол, облак и морски екосистем)] могу бити боље позиционирани да помогну у процени структуре заједнице фитопланктона.Методе као што је САГЕ, заједно са новим технологијама, и све више и више података са терена доступних за теренска истраживања истине (као што су Тара и накнадно истраживање), могу заједно да направе корак ка сателитском праћењу здравља екосистема.
Метода САГЕ пружа згодан начин за процену неких механизама који контролишу карактеристике провинције, као што су биомаса/Цхл, нето примарна производња и структура заједнице.На пример, релативна количина дијатомеја је одређена неравнотежом у снабдевању Си, Н, П и Фе у односу на стехиометријске захтеве фитопланктона.Када је стопа понуде неуравнотежена (то јест, снабдевање силицијумом је ниже од потражње за нутријентима дијатомеја), дијатомеје чине само мали део Удела (К).
Еко-провинција и АЕП су подручја са сличним структурама заједнице.Временске серије са одређене локације у оквиру еколошке покрајине или АЕП могу се сматрати референтном тачком и могу представљати подручје које покрива еколошка покрајина или АЕП.Дугорочно праћење на лицу места пружају такве временске серије.Дугорочни сетови података у Ситу и даље ће играти неразумљиву улогу.Из перспективе праћења структуре заједнице, САГЕ метод се може посматрати као начин да се помогне у одређивању најкорисније локације нових локација.На пример, временска серија из дугорочне процене олиготрофног станишта (АЛОХА) је у АЕП Б олиготрофног подручја (Слика 5Ц, ознака 2).Пошто је АЛОХА близу границе другог АЕП-а, временска серија можда неће бити репрезентативна за целу област, као што је претходно сугерисано (33).У истом АЕП Б, временска серија СЕАТС (Соутхеаст Асиан Тиме Сериес) налази се на југозападу Тајвана (34), даље од граница других АЕП (слика 5Ц, ознака 1), и може се користити као боља локација за праћење АЕПБ.Временска серија БАТС (Бермуда Атлантиц Тиме Сериес Студи) (Слика 5Ц, ознака 4) у АЕПЦ је веома близу границе између АЕП Ц и Ф, што указује да праћење АЕП Ц користећи БАТС временске серије може бити директно проблематично.Станица П у АЕП Ј (Слика 5Ц, налепница 3) далеко је од АЕП границе, тако да је то представнији.Еко-покрајина и АЕП могу помоћи да се успостави оквир за праћење који је погодан за процену глобалних промена, јер дозвола провинција да процени где узорковање на лицу места може да пружи кључне увиде.
Успех методе кадуље постиже се пажљивом применом наука о подацима / мЛ методама и знању специфично за домена.Конкретно, т-СНЕ се користи за извођење редукције димензионалности, чиме се чува структура коваријансе високодимензионалних података и олакшава визуализација коваријансне топологије.Подаци су распоређени у облику трака и коваријанси (Слика 2А), што указује на то да мере искључиво засноване на удаљености (као што су К-средње вредности) нису прикладне јер обично користе Гаусову (кружну) основну дистрибуцију (о којој се говори у Напомени С2) .Метода ДБСцан је погодна за било коју коваријанску топологију.Рачунски трошкови т-СНЕ алгоритма су високи, што ограничава његову тренутну примену на већу количину података, што значи да га је тешко применити на дубока или временски променљива поља.Рад на скалабилности т-СНЕ је у току.До сада, друге обећавајуће методе смањења димензионалности које могу боље смањити величину укључују технике обједињене вишеструке апроксимације и пројекције (УМАП), али је неопходна евалуација у контексту података о океану.Подручја која не могу да се класификују у било којој покрајини могу се сматрати преосталим црним тачкицама на слици 2А.Географски, ове области су углавном у веома сезонским областима, што указује да ће снимати еколошке покрајине које ће се променити током времена дају бољу покривеност.
Да би се конструисао САГЕ метод, коришћене су идеје из сложених система/науке о подацима, коришћењем могућности одређивања кластера функционалних група (могућност да буду веома блиски у 11-димензионалном простору) и одређивања провинција.Слично, Поенкареов део се може користити за процену „запремина” простора стања који трајекторија заузима да би се одредило „нормално” или „хаотично” понашање (36).За излаз статичког 11-димензионалног модела, запремина која је заузета након што су подаци конвертовани у 3Д фазни простор се може објаснити на сличан начин.Однос између географског подручја и подручја у 3Д фазном простору није једноставан, али се може објаснити у смислу еколошке сличности.
У будућем раду ће се поново користити САГЕ метод за сезонске промене података како би се проценила просторна варијабилност идентификованих провинција и АЕП.Будући циљ је да се користи овај метод како би се утврдило које провинције се могу одредити путем сателитских мерења (као што је Цхл-а, рефлективност даљинског сензора и температура површине мора).Ово ће омогућити даљинску процену еколошких компоненти и веома флексибилно праћење еколошких провинција и њихове варијабилности.
Сврха овог истраживања је увођење САГЕ методе, која дефинише еколошку провинцију кроз њену јединствену структуру планктонске заједнице.Овде ће бити дате детаљније информације о физичком/биогеохемијском/екосистемском моделу и избору параметара т-СНЕ и ДБСЦАН алгоритама.
Физичке компоненте модела потичу из процене циркулације океана и климе [ЕЦЦОв4;Метод најмањих квадрата са методом Лагранжовог множитеља се користи за добијање почетних и граничних услова и интерних параметара модела прилагођених посматрањем, чиме се генерише МИТ модел општег циклуса (МИТгцм) (39), модел Након оптимизације, резултати могу бити пратити и посматрати.
Биогеохемија/екосистем има потпунији опис (тј. једначине и вредности параметара) у (2).Модел обухвата циркулацију Ц, Н, П, Си и Фе кроз неорганска и органска језера.Верзија која се овде користи укључује 35 врста фитопланктона: 2 врсте микропрокариота и 2 врсте микроеукариота (погодне за окружења са мало хранљивих материја), 5 врста Цриптомонас спхаероидес (са пресвлаком калцијум карбоната), 5 врста диазонијума (може да фиксира азот, тако да није ограничено) доступност раствореног неорганског азота), 11 дијатомеја (формирају силиконски покривач), 10 мешовито-вегетативних флагелата (могу да фотосинтетишу и једу други планктон) и 16 зоопланктона (пасу се на другом планктону).Оне се називају "биогеохемијске функционалне групе" јер имају различите ефекте на морску биогеохемију (40, 41) и често се користе у посматрању и студијама модела.У овом моделу, свака функционална група је састављена од неколико планктона различитих величина, са распоном од 0,6 до 2500 μм еквивалентног сферног пречника.
Параметри који утичу на раст фитопланктона, испашу и потонуће повезани су са величином, а постоје специфичне разлике између шест функционалних група фитопланктона (32).Упркос различитим физичким оквирима, резултати 51 планктонске компоненте модела коришћени су у бројним недавним студијама (42-44).
У овој студији, просек ових излаза 20 година коришћен је као унос еколошке провинције.Цхл, дистрибуција биомасе планктона и концентрације хранљивих материја и дистрибуција функционалних група се пореде са сателитским и ин ситу посматрањима [видети (2, 44), напомену С1 и слику.С1 до С3].
За методу кадуље, главни извор случајности долази из корака Т-СНА.САГЕ метода ригорозно тестира робусност одређивањем скупа параметара т-СНЕ и ДБСЦАН, који могу доследно да идентификују кластере када се понављају.Одређивање „збуњености“ параметра т-СНЕ може се схватити као одређивање степена до којег мапирање од високих до ниских димензија треба да поштује локалне или глобалне карактеристике података.Дошло је до конфузије од 400 и 300 итерација.
Минимални број је 100. Већа минимална вредност (мање од <135 пре него што горња граница зелене постане шира) може се узети у обзир, али не може да замени метод агрегације заснован на БЦ различитости.Висока повезаност указује на преоптерећеност.На слици 6а, ви видите оштар пораст површине висоравни (жута,> 200 кластера), а затим нагло смањење (зелено, 100 кластера), до око 130, окружено врло мало кластера (плаве, <60 кластера) ).У најмање 100 плавих подручја, било једног кластера доминира читав океан (ε <0,42), или већина океана није класификована и сматра се буком (ε> 0,99).Како се ϵ смањује, бука се повећава.Ово је оптималан регион.Иако се користи Т-СИН-СНА, БЦ различитост у покрајини и даље се може користити за одређивање поузданог кластера.Користећи слику 6 (А и Б), СЕТ Ε до 0,39.Већи минимални број, мања вероватноћа да се достиже поуздане класификације, а веће зелено подручје са вриједношћу већем од 135. Проширење ове области указује да ће лакто бити теже да се нађу или не- Постоје.
Након подешавања параметара т-СНЕ, укупан број пронађених кластера ће се користити као мера повезаности (А) и процента података додељених кластеру (Б).Минимални број је постављен у складу са минималним бројем који се односи на екологију.
За додатне материјале за овај чланак, погледајте хттп://адванцес.сциенцемаг.орг/цги/цонтент/фулл/6/22/еааи4740/ДЦ1
Ово је чланак отвореног приступа који се дистрибуира под условима лиценце Цреативе Цоммонс Аттрибутион.Чланак дозвољава неограничену употребу, дистрибуцију и репродукцију у било ком медију под условом да је оригинално дело правилно цитирано.
Напомена: Од вас тражимо само да наведете своју адресу е-поште како би особа коју препоручите на страници знала да желите да види е-пошту и да није нежељена пошта.Нећемо ухватити ниједну адресу е-поште.
Ово питање се користи за тестирање да ли сте посетилац и спречавање аутоматског слања нежељене поште.
Глобално Министарство за морску морску и екологију је утврђено да реши сложене проблеме и користи ненадмашени МЛ за истраживање структура заједнице.
Глобално Министарство за морску морску и екологију је утврђено да реши сложене проблеме и користи ненадмашени МЛ за истраживање структура заједнице.
Време поста: Јан-12-2021