Métode pangajaran anu teu diawaskeun diusulkeun pikeun nangtukeun propinsi ékologi laut global (eco-provinces) dumasar kana struktur komunitas plankton sareng data fluks gizi.Métode propinsi ékologis terpadu sistematis (SAGE) tiasa ngaidentipikasi propinsi ékologis dina modél ékosistem nonlinier pisan.Pikeun adaptasi kana kovarians non-Gaussian data, SAGE ngagunakeun t random neighbor embedding (t-SNE) pikeun ngurangan dimensi.Kalayan bantuan aplikasi bising dumasar kana algoritma clustering spasial dumasar-dénsitas (DBSCAN), leuwih ti saratus propinsi ékologis bisa dicirikeun.Ngagunakeun peta konektipitas kalawan béda ékologis salaku ukuran jarak, propinsi ékologis aggregated mantap (AEP) sacara obyektif ditetepkeun ngaliwatan propinsi ékologis nested.Ngagunakeun AEPs, kontrol laju suplai gizi dina struktur masarakat digali.Eco-provinsi sareng AEP unik sareng tiasa ngabantosan interpretasi modél.Éta tiasa ngagampangkeun ngabandingkeun antara modél sareng tiasa ningkatkeun pamahaman sareng ngawaskeun ékosistem laut.
Propinsi mangrupa wewengkon dimana biogéografi kompléks di laut atawa darat diatur kana wewengkon koheren jeung bermakna (1).Propinsi ieu penting pisan pikeun ngabandingkeun sarta kontras lokasi, characterizing observasi, monitoring sarta panyalindungan.Interaksi kompléks jeung non-linier nu ngahasilkeun propinsi ieu ngajadikeun métode unsupervised machine learning (ML) cocog pisan pikeun nangtukeun propinsi sacara obyektif, sabab kovarians dina data kompleks jeung non-Gaussian.Di dieu, métode ML diusulkeun, anu sacara sistematis ngaidentipikasi propinsi ékologis laut unik (eco-provinsi) tina model fisik/ékosistem global Darwin tilu diménsi (3D) (2).Istilah "unik" dianggo pikeun nunjukkeun yén daérah anu diidentifikasi henteu cekap tumpang tindih sareng daérah sanés.Métode ieu disebut métode System Integrated Ecological Province (SAGE).Dina raraga nedunan klasifikasi mangpaat, hiji métode algoritma perlu ngidinan (i) klasifikasi global jeung (ii) analisis multi-skala nu bisa nested / aggregated dina spasi jeung waktu (3).Dina ieu panalungtikan, métode SAGE munggaran diajukeun jeung propinsi ékologis anu diidentifikasi dibahas.Eco-provinsi tiasa ngamajukeun pamahaman ngeunaan faktor anu ngatur struktur komunitas, nyayogikeun wawasan anu mangpaat pikeun strategi ngawaskeun, sareng ngabantosan ngalacak parobihan dina ékosistem.
Propinsi terestrial biasana digolongkeun dumasar kana kamiripan dina iklim (présipitasi jeung suhu), taneuh, vegetasi, jeung fauna, sarta dipaké pikeun manajemén bantu, panalungtikan biodiversity, jeung kontrol kasakit (1, 4).Propinsi laut leuwih hese dihartikeun.Seuseueurna organisme mikroskopis, kalayan wates cairan.Longhurst et al.(5) Nyadiakeun salah sahiji klasifikasi global munggaran Departemen Oseanografi dumasar kana kaayaan lingkungan.Definisi propinsi "Longhurst" ieu kalebet variabel sapertos laju campuran, stratifikasi, sareng sinar, ogé pangalaman éksténsif Longhurst salaku ahli oseanografi laut, anu ngagaduhan kaayaan penting sanés pikeun ékosistem laut.Longhurst parantos dianggo sacara éksténsif, contona, pikeun meunteun produksi primér sareng fluks karbon, ngabantosan perikanan, sareng ngarencanakeun kagiatan observasi in situ (5-9).Dina raraga nangtukeun propinsi leuwih obyektif, métode kayaning fuzzy logic jeung regional unsupervised clustering/statistika geus dipaké (9-14).Tujuan tina métode ieu nyaéta pikeun ngaidentipikasi struktur bermakna anu tiasa ngaidentipikasi propinsi dina data observasi anu aya.Contona, propinsi laut dinamis (12) ngagunakeun peta timer pangatur pikeun ngurangan bising, sarta ngagunakeun hirarki (basis tangkal) clustering pikeun nangtukeun produk warna laut diturunkeun tina satelit régional [klorofil a (Chl-a), dinormalisasi jangkungna garis Fluoresensi jeung bahan organik leyur berwarna] jeung widang fisik (suhu permukaan laut jeung salinitas, topografi dinamis mutlak tur és laut).
Struktur komunitas plankton jadi perhatian sabab ékologi na boga pangaruh badag dina tingkat gizi luhur, nyerep karbon jeung iklim.Sanajan kitu, éta masih mangrupa tujuan nangtang jeung hese dihartikeun pikeun nangtukeun hiji propinsi ékologis global dumasar kana struktur komunitas plankton.Satelit warna laut berpotensi tiasa masihan wawasan ngeunaan klasifikasi fitoplankton kasar atanapi nunjukkeun kaunggulan gugus fungsi (15), tapi ayeuna aranjeunna henteu tiasa masihan inpormasi lengkep ngeunaan struktur komunitas.Survey panganyarna [misalna Tara Ocean (16)] nyadiakeun ukuran unprecedented struktur komunitas;ayeuna, aya ngan sparse observasi di-situ dina skala global (17).Studi saméméhna geus sakitu legana nangtukeun "Provinsi Biogéokimia" (12, 14, 18) dumasar kana tekad tina kamiripan biokimia (kayaning produksi primér, Chl jeung lampu sadia).Di dieu, model numerik dipaké pikeun kaluaran [Darwin(2)], sarta propinsi ékologis ditangtukeun nurutkeun struktur komunitas sarta fluks gizi.Modél numeris anu digunakeun dina ieu panalungtikan miboga cakupan global sarta bisa dibandingkeun jeung data lapangan (17) jeung widang sensing jauh (Catetan S1).Data model numerik anu digunakeun dina ieu panalungtikan miboga kaunggulan tina cakupan global.Ékosistem modél diwangun ku 35 spésiés fitoplankton sareng 16 spésiés zooplankton (mangga tingal bahan sareng metode).Model tipe plankton berinteraksi nonlinier jeung struktur kovarian non-Gaussian, jadi métode diagnostik basajan teu cocog pikeun ngaidentipikasi pola unik tur konsisten dina struktur komunitas munculna.Metodeu SAGE anu diwanohkeun di dieu nyayogikeun cara novél pikeun mariksa kaluaran modél Darwin kompleks.
Kamampuh transformatif kuat élmu data / téhnologi ML bisa ngaktipkeun solusi model overwhelmingly kompléks nembongkeun struktur kompléks tapi mantap dina kovarian data.Métode anu kuat dihartikeun salaku padika anu satia tiasa ngahasilkeun deui hasil dina rentang kasalahan anu ditangtukeun.Malah dina sistem saderhana, nangtukeun pola sareng sinyal anu kuat tiasa janten tantangan.Nepi ka rationale ngarah kana pola observasi ditangtukeun, pajeulitna munculna sigana pajeulit / hese direngsekeun.Prosés konci pikeun netepkeun komposisi ékosistem nyaéta nonlinier.Ayana interaksi non-linier bisa ngabingungkeun klasifikasi mantap, ku kituna perlu nyingkahan métode anu nyieun asumsi kuat ngeunaan sebaran statistik dasar kovarians data.Data dimensi luhur sareng nonlinier umum dina oseanografi sareng tiasa gaduh struktur kovarian sareng topologi non-Gaussian anu kompleks.Sanajan data kalawan struktur kovarian non-Gaussian bisa ngahalangan klasifikasi mantap, métode SAGE téh novel sabab dirancang pikeun ngaidentipikasi klaster kalawan topologies arbitrary.
Tujuan tina metode SAGE nyaéta pikeun ngaidentipikasi sacara objektif pola-pola anu muncul anu tiasa ngabantosan pamahaman ékologis salajengna.Handap a workflow dumasar-kluster sarupa (19), variabel fluks ékologis jeung gizi dipaké pikeun nangtukeun hijina klaster dina data, disebut propinsi ékologis.Métode SAGE diajukeun dina ulikan ieu (Gambar 1) mimiti ngurangan diménsi tina 55 ka 11 diménsi ku nyimpulkeun gugus fungsi plankton diartikeun apriori (tingali Bahan jeung Métode).Ngagunakeun métode t-random neighbor embedding (t-SNE), ukuranana satuluyna diréduksi ku ngaproyeksikan kamungkinan kana rohangan 3D.Klaster anu teu diawaskeun tiasa ngaidentipikasi daérah anu caket sacara ékologis [kluster spasial dumasar-dénsitas (DBSCAN) pikeun aplikasi dumasar-noise].Duanana t-SNE sareng DBSCAN tiasa dianggo pikeun data modél numerik ékosistem non-linier.Lajeng reproject propinsi ékologis hasilna onto bumi.Langkung ti saratus propinsi ékologis unik parantos diidentifikasi, cocog pikeun panalungtikan régional.Pikeun nganggap modél ékosistem anu konsisten sacara global, metode SAGE dianggo pikeun ngahijikeun propinsi ékologis kana propinsi ékologis agrégat (AEP) pikeun ningkatkeun éféktivitas propinsi ékologis.Tingkat aggregation (disebut "pajeulitna") bisa disaluyukeun jeung tingkat jéntré diperlukeun.Nangtukeun pajeulitna minimum AEP mantap.Fokus pilihan nyaéta metode SAGE sareng ngajalajah kasus AEP pajeulitna pangleutikna pikeun nangtukeun kadali struktur komunitas darurat.Pola-pola éta teras tiasa dianalisis pikeun masihan wawasan ékologis.Métode anu diwanohkeun di dieu ogé tiasa dianggo pikeun ngabandingkeun modél anu langkung éksténsif, contona, ku ngevaluasi lokasi propinsi ékologis anu sami anu aya dina modél anu béda pikeun nyorot bédana sareng kamiripan, pikeun ngabandingkeun modél.
(A) diagram skéma tina alur kerja pikeun nangtukeun propinsi ékologis;ngagunakeun jumlah dina gugus fungsi pikeun ngurangan data 55-dimensi aslina ka kaluaran model 11-dimensi, kaasup biomassa tujuh fungsi / plankton gizi sarta opat ongkos suplai gizi.Nilai negligible sarta aréa panutup és awét.Datana parantos standarisasi sareng standarisasi.Nyadiakeun data 11 diménsi ka algoritma t-SNE pikeun nyorot kombinasi fitur nu sarupa sacara statistik.DBSCAN bakal taliti milih klaster pikeun ngeset nilai parameter.Tungtungna proyeksi data deui ka proyéksi lintang / bujur.Perhatikeun yén prosés ieu diulang 10 kali sabab hiji randomness slight bisa dihasilkeun ku nerapkeun t-SNE.(B) ngécéskeun kumaha carana meunangkeun AEP ku repeating workflow dina (A) 10 kali.Pikeun masing-masing tina 10 palaksanaan ieu, matriks dissimilarity Bray-Curtis (BC) antar propinsi ditangtukeun dumasar kana biomassa 51 jenis fitoplankton.Nangtukeun bédana SM antara propinsi, ti pajeulitna 1 AEP ka pajeulitna pinuh 115. Patokan SM diatur ku Longhurst Province.
Metodeu SAGE ngagunakeun kaluaran model numerik fisik/ekosistem 3D global pikeun nangtukeun propinsi ékologis [Darwin (2);tingali Bahan jeung Métode jeung Catetan S1].Komponén ékosistem diwangun ku 35 spésiés fitoplankton sareng 16 spésiés zooplankton, kalayan tujuh gugus fungsi anu parantos ditangtukeun: prokariot sareng eukariot diadaptasi kana lingkungan anu rendah gizi, koksidia kalayan lapisan kalsium karbonat, sareng fiksasi nitrogen beurat Nutrisi nitrogén (biasana leungit). gizi penting), kalawan panutup siliceous, bisa nyieun plankton fotosintésis séjén sarta grazing campuran flagellates gizi sarta herders zooplankton.Bentang ukuranana 0,6 nepi ka 2500μm diaméterna buleud sarua.Sebaran modél ukuran fitoplankton sareng gugus fungsional ngarebut karakteristik sakabéh anu katingal dina observasi satelit sareng in-situ (tingali Gambar S1 dugi ka S3).Kasaruaan antara modél numerik sareng sagara anu dititénan nunjukkeun yén propinsi anu ditetepkeun ku modél tiasa dianggo pikeun sagara in-situ.Punten dicatet yén modél ieu ngan ukur ngarebut kabébasan fitoplankton anu tangtu, sareng ngan ukur rentang maksa fisik sareng kimia tina sagara in situ.Metodeu SAGE tiasa ngajantenkeun jalma langkung ngartos mékanisme kontrol régional pisan tina struktur komunitas modél.
Kalayan ngan ukur jumlah biomassa permukaan (kalayan waktos rata-rata 20 taun) dina unggal gugus fungsi plankton, dimensi data tiasa ngirangan.Sanggeus studi saméméhna némbongkeun peran konci maranéhanana dina netepkeun struktur komunitas, éta ogé kaasup istilah sumber permukaan pikeun fluxes gizi (suplai nitrogén, beusi, fosfat jeung asam silicic) [misalna (20, 21)].Penjumlahan gugus fungsi ngurangan masalah tina 55 (51 plankton jeung 4 fluxes gizi) kana 11 dimensi.Dina ulikan awal ieu, alatan konstrain komputasi ditumpukeun ku algoritma, jero tur variability waktu teu dianggap.
Metodeu SAGE tiasa ngaidentipikasi hubungan penting antara prosés nonlinier sareng fitur konci interaksi antara biomassa gugus fungsi sareng fluks gizi.Ngagunakeun data 11 diménsi dumasar kana métode pembelajaran jarak jauh Euclidean (sapertos K-means) teu tiasa kéngingkeun propinsi anu tiasa dipercaya sareng tiasa diproduksi deui (19, 22).Ieu kusabab henteu aya bentuk Gaussian anu kapanggih dina distribusi dasar kovarians unsur konci anu nangtukeun propinsi ékologis.K-means sél Voronoi (garis lempeng) teu bisa nahan sebaran dasar non-Gaussian.
Biomassa tujuh gugus fungsi plankton sareng opat fluks gizi ngabentuk véktor 11 diménsi x.Ku alatan éta, x mangrupakeun médan vektor dina grid model, dimana unggal unsur xi ngagambarkeun véktor 11-dimensi didefinisikeun dina model grid horizontal.Unggal indéks i unik nangtukeun titik grid dina bal, dimana (lon, lat) = (ϕi, θi).Upami biomassa unit grid modél kirang ti 1,2 × 10-3mg Chl/m3 atanapi tingkat cakupan és langkung ti 70%, log data biomassa dianggo sareng dipiceun.Data dinormalisasi sareng distandarisasi, janten sadayana data dina rentang [0 dugi ka 1], rata-rata dileungitkeun sareng diskalakeun kana varian unit.Hal ieu dilakukeun supados fitur (biomassa sareng fluks gizi) henteu diwatesan ku kontras dina kisaran nilai anu mungkin.Clustering kedah néwak hubungan robah tina jarak probabiliti konci antara fitur tinimbang jarak géografis.Ku ngitung jarak ieu, fitur penting muncul, sedengkeun detil anu teu perlu dipiceun.Tina sudut pandang ékologis, hal ieu dipikabutuh sabab sababaraha jinis fitoplankton kalayan biomassa saeutik tiasa gaduh épék biogéokimia anu langkung ageung, sapertos fiksasi nitrogén ku baktéri diazotrofik.Nalika ngabakukeun sareng normalisasi data, jenis kovariat ieu bakal disorot.
Ku nekenkeun kadeukeutna fitur dina spasi dimensi luhur dina ngagambarkeun diménsi low, algoritma t-SNE dipaké pikeun nyieun wewengkon sarupa aya jelas.Karya saméméhna aimed dina ngawangun jaringan neural jero pikeun aplikasi sensing jauh dipaké t-SNE, nu ngabuktikeun skill na di misahkeun fitur konci (23).Ieu mangrupikeun léngkah anu diperyogikeun pikeun ngaidentipikasi clustering anu kuat dina data fitur bari ngahindarkeun solusi anu henteu konvergen (catetan S2).Ngagunakeun kernel Gaussian, t-SNE ngajaga sipat statistik data ku cara memetakan unggal obyék diménsi luhur ka hiji titik dina rohangan fase 3D, ku kituna mastikeun probabiliti objék sarupa dina arah luhur jeung handap luhur di luhur-. spasi diménsi (24).Dibéré susunan N objék diménsi luhur x1,…,xN, algoritma t-SNE ngurangan ku ngaminimalkeun divergénsi Kullback-Leibler (KL) (25).KL divergence mangrupakeun ukuran kumaha bédana sebaran probabiliti ti sebaran probabiliti rujukan kadua, tur éféktif bisa evaluate kamungkinan korelasi antara Répréséntasi low-dimensi fitur tinggi-dimensi.Lamun xi nyaéta obyék i-th dina spasi N-dimensi, xj nyaéta obyék j-th dina spasi N-dimensi, yi nyaéta obyék i-th dina rohangan diménsi low, jeung yj nyaéta obyék j-th dina low. spasi diménsi, lajeng t -SNE ngahartikeun probabiliti kasaruaan ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2), jeung pikeun set réduksi dimensi. q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
Gambar 2A ngagambarkeun pangaruh ngurangan biomassa jeung véktor fluks gizi tina kombinasi 11-dimensi ka 3D.Motivasi ngalarapkeun t-SNE bisa dibandingkeun jeung motivasi analisis komponén pokok (PCA), anu ngagunakeun atribut varians pikeun ngantebkeun wewengkon/atribut data, kukituna ngurangan dimensi.Métode t-SNE kapanggih leuwih unggul batan PCA dina méré hasil nu bisa dipercaya jeung bisa diulang pikeun Eco-Ministry (tingali Catetan S2).Ieu meureun kusabab asumsi ortogonality PCA henteu cocog pikeun ngaidentipikasi interaksi kritis antara fitur interaktif kacida nonlinier, sabab PCA museurkeun kana struktur kovarian linier (26).Ngagunakeun data sensing jauh, Lunga et al.(27) ngagambarkeun cara ngagunakeun métode SNE pikeun nyorot fitur spéktral kompléks jeung nonlinier anu nyimpang tina distribusi Gaussian.
(A) Laju suplai gizi anu dimodelkeun, biomassa gugus fungsi fitoplankton sareng zooplankton digambar ku algoritma t-SNE sareng diwarnaan ku propinsi nganggo DBSCAN.Unggal titik ngagambarkeun titik dina spasi dimensi luhur, ditémbongkeun saperti dina Gambar 6B, paling titik direbut.Shafts nujul kana "t-SNE" ukuran 1, 2 jeung 3. (B) The proyéksi géografis propinsi kapanggih ku DBSCAN dina grid lintang-bujur asal.Warna kedah dianggap salaku warna naon waé, tapi kedah pakait sareng (A).
Titik-titik dina plot paburencay t-SNE dina Gambar 2A masing-masing pakait sareng lintang sareng bujur.Lamun dua titik dina Gambar 2A deukeut silih, éta alatan biomassa jeung fluxes gizi maranéhanana sarua, lain alatan jarak geografis.Warna dina Gambar 2A mangrupakeun klaster kapanggih maké métode DBSCAN (28).Nalika milarian observasi anu padet, algoritma DBSCAN nganggo jarak dina representasi 3D antara titik-titik (ϵ = 0.39; kanggo inpormasi ngeunaan pilihan ieu, tingali Bahan sareng Métode), sareng jumlah titik anu sami diperyogikeun pikeun nangtukeun klaster (di dieu. 100 titik, mangga tingali di luhur).Métode DBSCAN henteu ngadamel asumsi ngeunaan bentuk atanapi jumlah klaster dina data, sapertos anu dipidangkeun di handap ieu:
3) Pikeun sakabéh titik diidentifikasi minangka dina jarak dina, ulang hambalan 2 iteratively nangtukeun wates klaster.Lamun jumlah titik leuwih gede ti nilai minimum set, mangka ditunjuk salaku klaster.
Data anu henteu nyumponan anggota klaster minimum sareng métrik jarak ϵ dianggap "noise" sareng henteu dipasihan warna.DBSCAN mangrupikeun algoritma anu gancang sareng skalabel kalayan kinerja O (n2) dina kasus anu paling parah.Pikeun analisis ayeuna, teu sabenerna acak.Jumlah minimum titik ditangtukeun ku evaluasi ahli.Sanggeus nyaluyukeun jarak sanggeus, hasilna teu cukup stabil dina rentang ≈±10.Jarak ieu diatur ngagunakeun konektipitas (Gambar 6A) jeung persentase cakupan laut (Gambar 6B).Konéktipitas dihartikeun salaku jumlah komposit klaster sarta sénsitip kana parameter ϵ.Konektipitas handap nunjukkeun pas pas, artifisial ngagolongkeun wilayah babarengan.Konektipitas luhur nunjukkeun overfitting.Éta conceivable ngagunakeun minimum luhur, tapi lamun minimum ngaleuwihan ca, mustahil pikeun ngahontal solusi dipercaya.135 (Pikeun leuwih jéntré, tingali Bahan jeung Métode).
115 klaster anu dicirikeun dina Gambar 2A diproyeksikan deui ka bumi dina Gambar 2B.Unggal warna pakait sareng kombinasi koheren faktor biogéokimia sareng ékologis anu diidentipikasi ku DBSCAN.Sakali klaster ditangtukeun, pakaitna unggal titik dina Gambar 2A kalawan lintang husus sarta bujur dipaké pikeun proyéksi klaster deui ka wewengkon géografis.Gambar 2B illustrates ieu kalawan kelir klaster sarua Gambar 2A.Warna anu sami teu kedah diinterpretasi salaku kamiripan ékologis, sabab ditugaskeun ku urutan dimana klaster kapanggih ku algoritma.
Wewengkon dina Gambar 2B tiasa sacara kualitatif mirip sareng daérah anu mapan dina fisik sareng/atawa biogéokimia sagara.Contona, klaster di Samudra Kidul zona simetris, kalawan vortices oligotrophic muncul, sarta transisi seukeut nunjukkeun pangaruh angin dagang.Contona, di Pasifik katulistiwa, wewengkon béda patali naékna katempo.
Pikeun ngartos lingkungan ékologis di Eco-Province, variasi indéks bédana Bray-Curtis (BC) (29) digunakeun pikeun meunteun ékologi dina klaster.Indikator SM nyaéta data statistik anu digunakeun pikeun ngitung bédana struktur komunitas antara dua situs anu béda.Pangukuran SM lumaku pikeun biomassa 51 spésiés fitoplankton jeung zooplankton BCninj = 1-2CninjSni + Snj
BCninj nujul kana kasaruaan antara kombinasi ni jeung kombinasi nj, dimana Cninj mangrupakeun nilai minimum tina tipe tunggal biomassa nu aya dina duanana kombinasi ni jeung nj, sarta Sni ngagambarkeun jumlah sadaya biomassa nu aya dina duanana kombinasi ni jeung Snj.Beda SM sarua jeung ukuran jarak, tapi ngoperasikeun dina spasi non-Euclidean, nu kamungkinan jadi leuwih cocog pikeun data ékologis jeung interpretasi na.
Pikeun unggal klaster anu dicirikeun dina Gambar 2B, kasaruaan SM intra-provinsi sareng antarpropinsi tiasa ditaksir.Béda SM dina hiji propinsi ngarujuk kana bédana antara nilai rata-rata propinsi sareng unggal titik di propinsi.Beda antara propinsi SM nujul kana kasaruaan antara hiji propinsi jeung propinsi lianna.Gambar 3A nembongkeun matriks SM simetris (0, hideung: lengkep pakait; 1, bodas: lengkep dissimilar).Unggal garis dina grafik nembongkeun pola dina data.Gambar 3B nembongkeun significance géografis tina hasil SM dina Gambar 3A pikeun tiap propinsi.Pikeun propinsi di wewengkon gizi low jeung low gizi, Gambar 3B nembongkeun yen simetri wewengkon badag sabudeureun khatulistiwa jeung Samudra Hindia dasarna sarupa, tapi lintang luhur jeung wewengkon upwelling béda sacara signifikan.
(A) Derajat bédana SM dievaluasi pikeun tiap propinsi dumasar kana rata-rata permukaan global rata-rata 20 taun global 51 plankton.Catetan simétri ekspektasi tina nilai.(B) Proyeksi spasial hiji kolom (atawa baris).Pikeun propinsi dina bunderan dystrophic, distribusi global ukuran kasaruaan SM dievaluasi, sareng rata-rata 20 taun global dievaluasi.Hideung (SM = 0) hartina wewengkon sarua, jeung bodas (BC = 1) hartina euweuh kamiripan.
Gambar 4A ngagambarkeun bédana SM dina unggal propinsi dina Gambar 2B.Ditangtukeun ku ngagunakeun kombinasi rata-rata aréa rata-rata dina klaster, sarta nangtukeun dissimilarity antara SM jeung rata-rata unggal titik grid di propinsi, éta nunjukeun yen metoda SAGE ogé bisa misahkeun 51 spésiés dumasar kana kamiripan ékologis. data modél.Rata-rata bédana klaster SM sakabéh 51 jenis nyaéta 0,102±0,0049.
(A, B, jeung D) Bedana SM dina propinsi ieu dievaluasi salaku béda SM rata antara unggal komunitas titik grid jeung propinsi rata, sarta pajeulitna teu ngurangan.(2) Bédana rata-rata global intra-propinsi SM nyaéta 0,227±0,117.Ieu patokan klasifikasi dumasar-motivasi ékologis diajukeun ku karya ieu [garis héjo dina (C)].(C) Rata-rata bédana SM intra-propinsi: Garis hideung ngagambarkeun bédana SM intra-propinsi kalayan ngaronjatna pajeulitna.2σ asalna tina 10 pangulangan prosés idéntifikasi eco-propinsi.Pikeun total pajeulitna propinsi kapanggih ku DBSCAN, (A) nunjukeun yen SM dissimilarity di propinsi nyaeta 0,099, sarta klasifikasi pajeulitna diajukeun ku (C) nyaeta 12, hasilna SM dissimilarity 0,200 di propinsi.sakumaha gambar nembongkeun.(D).
Dina Gambar 4B, biomassa tina 51 jenis plankton dipaké pikeun ngagambarkeun béda SM sarimbag di propinsi Longhurst.Rata-rata sakabéh unggal propinsi nyaéta 0,227, sarta simpangan baku tina titik grid kalawan rujukan kana bédana di propinsi SM nyaéta 0,046.Ieu leuwih badag batan klaster dicirikeun dina Gambar 1B.Gantina, ngagunakeun jumlah tujuh gugus fungsi, rata-rata intra-musim SM dissimilarity di Longhurst ngaronjat ka 0.232.
Peta eco-propinsi global nyadiakeun rinci intricate tina interaksi ékologis unik tur perbaikan geus dilakukeun dina ngagunakeun sakabéh struktur ékosistem Propinsi Longhurst.Kamentrian Ekologi diperkirakeun masihan wawasan kana prosés ngadalikeun ékosistem modél numerik, sareng wawasan ieu bakal ngabantosan eksplorasi kerja lapangan.Pikeun kaperluan ieu panalungtikan, teu mungkin pikeun pinuh mintonkeun leuwih ti saratus propinsi.Bagian salajengna ngenalkeun metode SAGE anu nyimpulkeun propinsi.
Salah sahiji tujuan propinsi nyaéta pikeun ngamajukeun pamahaman ngeunaan lokasi sareng manajemen propinsi.Pikeun nangtukeun kaayaan darurat, métode dina Gambar 1B ngagambarkeun nyarang propinsi sarupa ékologis.Eko-provinsi dikelompokkeun dumasar kana kamiripan ékologis, sareng pangkelompok propinsi sapertos kitu disebut AEP.Setel "kompléksitas" anu tiasa disaluyukeun dumasar kana jumlah propinsi anu bakal dipertimbangkeun.Istilah "kompléksisitas" dianggo sabab ngamungkinkeun tingkat atribut darurat disaluyukeun.Dina raraga nangtukeun aggregations bermakna, bédana SM intra-propinsi rata 0,227 ti Longhurst dipaké salaku patokan.Handapeun patokan ieu, propinsi gabungan henteu deui dianggap mangpaat.
Sapertos dina Gambar 3B, propinsi ékologis global koheren.Ngagunakeun béda SM antar propinsi, bisa ditempo yén sababaraha konfigurasi pisan "umum".Diideuan ku métode téori génétika sareng grafik, "grafik anu nyambung" dianggo pikeun nyortir> 100 propinsi dumasar kana propinsi anu paling mirip sareng aranjeunna.Métrik "konektipitas" di dieu ditangtukeun nganggo dissimilarity SM antar propinsi (30).Jumlah propinsi anu ruangna langkung ageung pikeun klasifikasi > 100 propinsi tiasa disebat di dieu salaku kompleksitas.AEP mangrupikeun produk anu ngagolongkeun langkung ti 100 propinsi salaku propinsi ékologis anu paling dominan/pangdeukeutna.Tiap propinsi ékologis ditugaskeun ka propinsi ékologis dominan/hubungkeun pisan nu paling sarupa jeung aranjeunna.Aggregation ieu ditangtukeun ku bédana SM ngamungkinkeun pendekatan nested kana ékologi global.
Pajeulitna anu dipilih tiasa janten nilai tina 1 dugi ka kompleksitas lengkep Gbr.2A.Dina pajeulitna handap, AEP bisa degenerate alatan probabilistic dimensionality reduction step (t-SNE).Degenerasi hartina propinsi ékologis bisa ditugaskeun ka AEP béda antara iterasi, kukituna ngarobah wewengkon géografis katutupan.Gambar 4C illustrates sumebarna SM dissimilarities dina propinsi di AEPs ngaronjatna pajeulitna sakuliah 10 palaksanaan (ilustrasi dina Gambar 1B).Dina Gambar 4C, 2σ (daérah biru) nyaéta ukuran degradasi dina 10 palaksanaan, sareng garis héjo ngagambarkeun patokan Longhurst.Fakta geus ngabuktikeun yén pajeulitna 12 bisa ngajaga bédana SM di propinsi handap patokan Longhurst dina sakabéh palaksanaan sarta ngajaga degradasi 2σ relatif leutik.Kasimpulanana, pajeulitna minimum anu disarankeun nyaéta 12 AEP, sareng rata-rata bédana intra-propinsi SM dievaluasi nganggo 51 jinis plankton nyaéta 0,198 ± 0,013, sapertos anu dipidangkeun dina Gambar 4D.Ngagunakeun jumlah tujuh gugus fungsi plankton, rata-rata béda SM di propinsi nyaéta 2σ tinimbang 0,198±0,004.Perbandingan antara béda SM diitung kalawan total biomassa tujuh gugus fungsi atawa biomassa sadaya 51 plankton jenis nunjukeun yen sanajan metoda SAGE lumaku pikeun situasi 51 diménsi, éta pikeun total biomassa tujuh gugus fungsi. Pikeun latihan.
Gumantung kana tujuan panalungtikan naon waé, tingkat pajeulitna anu béda-béda tiasa dipertimbangkeun.Studi régional tiasa ngabutuhkeun kompleksitas lengkep (nyaéta, sadaya 115 propinsi).Salaku conto sareng kajelasan, pertimbangkeun pajeulitna minimum anu disarankeun 12.
Salaku conto utilitas metode SAGE, 12 AEP kalayan pajeulitna minimum 12 dianggo di dieu pikeun ngajalajah kontrol struktur komunitas darurat.angka 5 illustrates wawasan ékologis dikelompokeun ku AEP (ti A nepi ka L): Dina Redfield stoichiometry, extent géografis (Gambar 5C), komposisi biomassa gugus fungsi (Gambar 5A) jeung suplai gizi (Gambar 5B) dipigawé ku N Zoomed.Babandingan (N:Si:P:Fe, 1:1:16:16×103) ditémbongkeun.Pikeun panel dimungkinkeun, P dikali 16 jeung Fe dikali 16 × 103, jadi grafik bar sarua jeung sarat gizi fitoplankton.
Propinsi-propinsi digolongkeun kana 12 AEPs A nepi ka L. (A) Biomassa (mgC/m3) ékosistem di 12 propinsi.(B) Laju fluks gizi larut nitrogén anorganik (N), beusi (Fe), fosfat (P) jeung asam silikat (Si) (mmol/m3 per taun).Fe jeung P dikali 16 jeung 16 × 103, masing-masing ku kituna strips anu standarisasi kana sarat stoichiometry fitoplankton.(C) Catet bédana antara wewengkon kutub, siklon subtropis jeung wewengkon musiman/naékna.Stasion ngawaskeun ditandaan kieu: 1, SEATS;2, ALOHA;3, stasion P;jeung 4, BATS.
AEP anu diidentifikasi unik.Aya sababaraha simétri di sabudeureun khatulistiwa di Atlantik sarta Samudra Pasifik, sarta wewengkon sarupa tapi digedékeun aya di Samudra Hindia.Sababaraha AEPs nangkeup sisi kulon buana pakait sareng naek.The South Pole Circumpolar Current dianggap salaku fitur zonal badag.Siklon subtropis nyaéta runtuyan kompléks AEP oligotrofik.Di propinsi ieu, pola akrab tina béda biomassa antara vortices oligotrophic didominasi plankton jeung wewengkon polar-euyeub diatom jelas.
AEP kalayan total biomassa fitoplankton anu sami pisan tiasa gaduh struktur komunitas anu béda pisan sareng nutupan daérah géografis anu béda, sapertos D, H, sareng K, anu gaduh total biomassa fitoplankton anu sami.AEP H utamana aya di Samudra Hindia katulistiwa, sarta aya deui baktéri diazotrophic.AEP D kapanggih dina sababaraha basins, tapi utamana nonjol di Pasifik sabudeureun wewengkon ngahasilkeun luhur sabudeureun upwelling katulistiwa.Bentuk propinsi Pasifik ieu reminiscent tina karéta gelombang planet.Aya sababaraha diazobaktéri dina AEP D, sarta leuwih congcot.Dibandingkeun jeung dua propinsi séjénna, AEP K ngan kapanggih di dataran luhur Samudra Arktik, sarta aya leuwih diatom sarta leuwih saeutik plankton.Perhatos yén jumlah plankton di tilu daérah ieu ogé béda pisan.Di antarana, kelimpahan plankton AEP K kawilang handap, sedengkeun AEP D jeung H kawilang luhur.Ku alatan éta, sanajan biomassa maranéhanana (jeung ku kituna sarupa Chl-a), propinsi ieu rada béda: Tés propinsi basis Chl bisa jadi teu néwak béda ieu.
Éta ogé écés yén sababaraha AEP kalayan biomassa anu béda pisan tiasa sami dina hal struktur komunitas fitoplankton.Salaku conto, ieu katingali dina AEP D sareng E. Aranjeunna caket sareng anu sanés, sareng di Samudra Pasifik, AEP E caket sareng AEPJ anu produktif pisan.Nya kitu, teu aya hubungan anu jelas antara biomassa fitoplankton sareng kalimpahan zooplankton.
AEP tiasa kahartos tina segi gizi anu disayogikeun ka aranjeunna (Gambar 5B).Diatom ngan ukur aya dimana aya pasokan asam silikat anu cukup.Sacara umum, nu leuwih luhur suplai asam silicic, nu leuwih luhur biomassa diatoms.Diatom bisa ditempo dina AEP A, J, K jeung L. Babandingan biomassa diatom relatif ka fitoplankton séjén ditangtukeun ku N, P jeung Fe disadiakeun relatif ka paménta diatom.Contona, AEP L didominasi ku diatom.Dibandingkeun jeung gizi lianna, Si boga suplai pangluhurna.Sabalikna, sanajan produktivitasna leuwih luhur, AEP J boga leuwih saeutik diatom jeung kurang suplai silikon (sadayana jeung relatif ka gizi lianna).
Baktéri diazonium miboga kamampuh ngalereskeun nitrogén, tapi tumuwuh lalaunan (31).Aranjeunna hirup babarengan jeung fitoplankton séjén, dimana beusi jeung fosfor anu kaleuleuwihan relatif ka paménta pikeun gizi non-diazonium (20, 21).Eta sia noting yén biomassa diazotrophic kawilang luhur, sarta suplai Fe jeung P relatif badag relatif ka suplai N. Ku cara kieu, sanajan total biomassa dina AEP J leuwih luhur, biomassa diazonium dina AEP H nyaéta leuwih badag batan nu di J. Punten dicatet yén AEP J jeung H sacara géografis béda pisan, sarta H aya di Samudra Hindia katulistiwa.
Upami struktur ékosistem anu unik henteu dibagi kana propinsi, wawasan anu dicandak tina 12 modél pajeulitna panghandapna AEP moal écés.AEP anu dihasilkeun ku SAGE ngagampangkeun ngabandingkeun koheren sareng simultaneous inpormasi kompleks sareng dimensi luhur tina modél ékosistem.AEP sacara efektif nekenkeun naha Chl sanes metode anu sae sareng alternatif pikeun nangtukeun struktur komunitas atanapi kaayaanana zooplankton dina tingkat gizi anu langkung luhur.Analisis detil ngeunaan topik panalungtikan anu aya di luar ruang lingkup tulisan ieu.Metodeu SAGE nyayogikeun cara pikeun ngajalajah mékanisme sanés dina modél anu langkung gampang diurus tibatan ningali titik-ka-titik.
Métode SAGE diusulkeun pikeun mantuan netelakeun data ékologis anu kompleks pisan tina model numerik fisik/biogéokimia/ékosistem global.Propinsi ékologis ditangtukeun ku total biomassa gugus fungsi cross-plankton, aplikasi t-SNE probabiliti réduksi diménsi algoritma jeung clustering ngagunakeun unsupervised ML metoda DBSCAN.Téori bédana / grafik antarpropinsi SM pikeun métode nyarang diterapkeun pikeun ngahasilkeun AEP anu kuat anu tiasa dianggo pikeun interpretasi global.Dina hal konstruksi, Eco-Province sareng AEP unik.Nyarang AEP tiasa disaluyukeun antara kompleksitas lengkep propinsi ékologis asli sareng ambang minimum anu disarankeun 12 AEP.Nyarang jeung nangtukeun pajeulitna minimum AEP dianggap salaku léngkah konci, sabab probabiliti t-SNE degenerates AEPs <12 pajeulitna.Metodeu SAGE sacara global, sareng kompleksitasna berkisar ti> 100 AEP dugi ka 12. Pikeun kesederhanaan, fokus ayeuna nyaéta dina kompleksitas 12 AEP global.Panaliti kahareup, khususna kajian régional, tiasa mendakan sawaréh spatial anu langkung alit tina eko-provinsi global mangpaat, sareng tiasa dihijikeun di daérah anu langkung alit pikeun ngamangpaatkeun wawasan ékologis anu sami anu dibahas di dieu.Eta nyadiakeun bongbolongan ngeunaan kumaha propinsi ékologis ieu sareng wawasan anu dicandak ti aranjeunna tiasa dianggo pikeun pamahaman ékologis salajengna, ngagampangkeun ngabandingkeun modél, sareng berpotensi ningkatkeun ngawaskeun ékosistem laut.
Propinsi ékologis sareng AEP anu diidentipikasi ku metode SAGE dumasar kana data dina modél numerik.Dumasar watesan, model numeris mangrupa struktur saderhana, nyoba nangkep hakekat sistem target, sarta model béda bakal distribusi plankton béda.Modél numeris anu digunakeun dina ulikan ieu teu bisa pinuh nangkep sababaraha pola observasi (contona, dina perkiraan Chl pikeun wewengkon katulistiwa jeung Samudra Kidul).Ngan sabagian leutik tina karagaman di sagara nyata kawengku, sarta meso jeung sub-mesoscales teu bisa direngsekeun, nu bisa mangaruhan fluks gizi jeung struktur komunitas skala leutik.Sanajan kakurangan ieu, tétéla yén AEP mangpaat pisan pikeun mantuan ngartos model kompléks.Ku evaluating dimana propinsi ékologis sarupa kapanggih, AEP nyadiakeun poténsi alat ngabandingkeun model numerik.Modél numeris ayeuna ngarebut pola sakabéh fitoplankton sensing jauh konsentrasi Chl-a jeung distribusi ukuran plankton jeung gugus fungsi (Catetan S1 jeung Gambar S1) (2, 32).
Ditémbongkeun ku garis kontur 0,1 mgChl-a/m-3, AEP dibagi kana wewengkon oligotrofik jeung wewengkon mesotropik (Gambar S1B): AEP B, C, D, E, F jeung G mangrupa wewengkon oligotrofik, sarta wewengkon sésana mangrupa lokasina Higher Chl-a.AEP nunjukkeun sababaraha korespondensi sareng Propinsi Longhurst (Gambar S3A), contona, Samudra Kidul sareng Pasifik katulistiwa.Di sababaraha daérah, AEP nyertakeun sababaraha daérah Longhurst, sareng sabalikna.Kusabab niat ngawates propinsi di daérah ieu sareng Longhurst béda, diperkirakeun bakal aya bédana.Sababaraha AEPs di propinsi Longhurst nunjukkeun yén wewengkon nu tangtu mibanda biogéokimia sarupa bisa mibanda struktur ékosistem pisan béda.AEP nunjukkeun korespondensi anu tangtu sareng kaayaan fisik, sakumaha anu diungkabkeun ku cara diajar anu teu diawasi (19), sapertos di nagara bagian luhur (contona, Samudra Kidul sareng Pasifik katulistiwa; Gambar S3, C sareng D).Korespondensi ieu nunjukkeun yén struktur komunitas plankton dipangaruhan pisan ku dinamika sagara.Di daérah sapertos Atlantik Kalér, AEP ngalangkungan propinsi fisik.Mékanisme anu nyababkeun bédana ieu tiasa kalebet prosés sapertos transportasi lebu, anu tiasa nyababkeun program gizi anu béda-béda sanajan dina kaayaan fisik anu sami.
Kamentrian Ékologi sareng AEP nunjukkeun yén ngagunakeun Chl nyalira teu tiasa ngaidentipikasi komponén ékologis, sakumaha komunitas ékologi laut parantos sadar.Ieu katingal dina AEPs kalawan biomassa sarupa tapi komposisi ékologis béda signifikan (sapertos D jeung E).Sabalikna, AEP sapertos D sareng K gaduh biomassa anu béda pisan tapi komposisi ékologis anu sami.AEP negeskeun yén hubungan antara biomassa, komposisi ékologis sareng kelimpahan zooplankton rumit.Contona, sanajan AEP J nangtung kaluar dina hal fitoplankton jeung biomassa plankton, AEP urang A jeung L boga biomassa plankton sarupa, tapi A boga kaayaanana plankton luhur.AEP nekenkeun yén biomassa fitoplankton (atanapi Chl) teu tiasa dianggo pikeun ngaduga biomassa zooplankton.Zooplankton mangrupikeun pondasi ranté dahareun perikanan, sareng perkiraan anu langkung akurat tiasa nyababkeun manajemén sumberdaya anu langkung saé.Satelit warna laut kahareup [contona, PACE (plankton, aerosol, awan, sareng ekosistem laut)] tiasa diposisikan langkung saé pikeun ngabantosan perkiraan struktur komunitas fitoplankton.Ngagunakeun prediksi AEP berpotensi mempermudah estimasi zooplankton ti luar angkasa.Métode kawas SAGE, gandeng jeung téknologi anyar, sarta beuki loba data widang sadia pikeun survey bebeneran taneuh (saperti Tara jeung panalungtikan nurutan-up), bisa babarengan nyokot léngkah nuju ngawas kaséhatan ékosistem basis satelit.
Metoda SAGE nyadiakeun cara merenah pikeun evaluate sababaraha mékanisme nu ngadalikeun ciri propinsi, kayaning biomassa/Chl, net produksi primér, jeung struktur masarakat.Contona, jumlah relatif diatom diatur ku teu saimbangna dina suplai Si, N, P, jeung Fe relatif ka sarat stoikiometri fitoplankton.Dina laju suplai saimbang, masarakat didominasi ku diatom (L).Lamun laju suplai teu saimbang (nyaéta, suplai silikon leuwih handap tina paménta gizi diatoms), diatoms akun ngan porsi leutik Bagikeun (K).Lamun suplai Fe jeung P ngaleuwihan suplai N (contona, E jeung H), baktéri diazotrophic bakal tumuwuh vigorously.Ngaliwatan kontéks anu disayogikeun ku AEP, éksplorasi mékanisme kontrol bakal langkung mangpaat.
Eco-Province sareng AEP mangrupikeun daérah anu struktur komunitas anu sami.Runtuyan waktu ti lokasi nu tangtu dina hiji propinsi ékologis atawa AEP bisa dianggap salaku titik rujukan tur bisa ngagambarkeun wewengkon katutupan ku propinsi ékologis atawa AEP.Stasion ngawaskeun dina situs jangka panjang nyayogikeun séri waktos sapertos kitu.Set data in-situ jangka panjang bakal terus maénkeun peran anu teu kaétang.Tina sudut pandang ngawaskeun struktur komunitas, metode SAGE tiasa ditingali salaku cara pikeun ngabantosan lokasi anu paling kapaké pikeun situs énggal.Contona, runtuyan waktu ti assessment habitat oligotrophic jangka panjang (ALOHA) aya dina AEP B wewengkon oligotrophic (Gambar 5C, labél 2).Kusabab ALOHA caket sareng wates AEP anu sanés, séri waktos tiasa waé henteu ngawakilan sakumna daérah, sapertos anu disarankeun sateuacana (33).Dina AEP B anu sami, séri waktos SEATS (Seri Waktos Asia Tenggara) ayana di kidul-kulon Taiwan (34), langkung tebih ti wates AEP anu sanés (Gambar 5C, labél 1), sareng tiasa dianggo salaku lokasi anu langkung saé pikeun ngawas. AEPB.Runtuyan waktos BATS (Bermuda Atlantic Time Series Study) (Gambar 5C, labél 4) dina AEPC caket pisan sareng wates antara AEP C sareng F, anu nunjukkeun yén ngawaskeun AEP C nganggo séri waktos BATS tiasa langsung janten masalah.Stasion P dina AEP J (Gambar 5C, labél 3) jauh ti wates AEP, ku kituna leuwih ngawakilan.Eco-Province sareng AEP tiasa ngabantosan ngadamel kerangka ngawaskeun anu cocog pikeun ngira-ngira parobahan global, sabab idin propinsi pikeun meunteun dimana sampling dina situs tiasa masihan wawasan konci.Métode SAGE tiasa dikembangkeun deui pikeun dilarapkeun kana data iklim pikeun meunteun variabilitas ngahémat waktos.
Kasuksésan métode SAGE dihontal ngaliwatan aplikasi ati-ati métode élmu data/ML jeung pangaweruh domain-spésifik.Husus, t-SNE dipaké pikeun ngalakukeun réduksi dimensi, nu preserves struktur kovarian data tinggi-dimensi sarta mempermudah visualisasi topologi kovarian.Data disusun dina wangun garis-garis jeung kovarian (Gambar 2A), nuduhkeun yén ukuran dumasar-jarak murni (saperti K-means) teu luyu sabab biasana ngagunakeun distribusi basis Gaussian (circular) (dibahas dina Catetan S2). .Métode DBSCAN cocog pikeun topologi kovarians naon waé.Salami anjeun nengetan netepkeun parameter, idéntifikasi dipercaya tiasa disayogikeun.Biaya komputasi tina algoritma t-SNE tinggi, anu ngabatesan aplikasina ayeuna pikeun jumlah data anu langkung ageung, anu hartosna sesah dilarapkeun kana widang anu jero atanapi waktos-variasi.Gawé dina skalabilitas t-SNE nuju lumangsung.Kusabab jarak KL gampang parallelize, algoritma t-SNE boga potensi alus keur ékspansi dina mangsa nu bakal datang (35).Sajauh ieu, métode pangurangan diménsi anu ngajangjikeun anu langkung saé tiasa ngirangan ukuran kalebet téknik perkiraan manifold sareng proyéksi (UMAP), tapi évaluasi dina kontéks data sagara diperyogikeun.Harti skalabilitas anu langkung saé nyaéta, contona, ngagolongkeun iklim global atanapi modél kalayan pajeulitna anu béda dina lapisan campuran.Wewengkon anu gagal diklasifikasikeun ku SAGE di propinsi mana waé tiasa dianggap salaku titik-titik hideung sésana dina Gambar 2A.Sacara géografis, daérah ieu utamana aya di daérah anu musiman pisan, anu nunjukkeun yén néwak propinsi ékologis anu robih kana waktosna bakal nyayogikeun cakupan anu langkung saé.
Dina raraga ngawangun métode SAGE, gagasan tina sistem kompléks / elmu data geus dipaké, ngagunakeun kamampuhan pikeun nangtukeun klaster gugus fungsi (kamungkinan keur deukeut pisan dina spasi 11 diménsi) jeung nangtukeun propinsi.Propinsi ieu ngagambarkeun volume husus dina spasi fase 3D t-SNE urang.Nya kitu, bagian Poincaré bisa dipaké pikeun evaluate "volume" spasi kaayaan dikawasaan ku lintasan pikeun nangtukeun kabiasaan "normal" atawa "kacau" (36).Pikeun kaluaran modél statik 11 diménsi, volume anu ditempatan saatos data dirobih janten rohangan fase 3D tiasa dijelaskeun sami.Hubungan antara wewengkon géografis jeung wewengkon dina spasi fase 3D teu basajan, tapi bisa dipedar dina hal kamiripan ékologis.Ku sabab kitu, ukuran dissimilarity SM leuwih konvensional pikaresep.
Karya anu bakal datang bakal ngagunakeun deui metode SAGE pikeun ngarobih data musiman pikeun meunteun variabilitas spasial propinsi anu diidentifikasi sareng AEP.Tujuan kahareup nyaéta ngagunakeun métode ieu pikeun mantuan nangtukeun propinsi mana nu bisa ditangtukeun ngaliwatan ukuran satelit (saperti Chl-a, reflectivity sensing jauh jeung suhu permukaan laut).Ieu bakal ngamungkinkeun penilaian sensing jauh tina komponén ékologis sareng ngawaskeun anu fleksibel pikeun propinsi ékologis sareng variabilitasna.
Tujuan tina ieu panalungtikan nya éta pikeun ngawanohkeun métode SAGE, nu nangtukeun hiji propinsi ékologis ngaliwatan struktur komunitas plankton unik na.Di dieu, inpormasi anu langkung rinci ngeunaan modél fisik/biogéokimia/ékosistem sareng pilihan parameter tina algoritma t-SNE sareng DBSCAN bakal disayogikeun.
Komponén fisik modél asalna tina estimasi sirkulasi sagara jeung iklim [ECCOv4;(37) estimasi kaayaan global digambarkeun ku (38).Resolusi nominal estimasi kaayaan nyaéta 1/5.Métode kuadrat pangleutikna kalawan métode Lagrangian multiplier dipaké pikeun meunangkeun kaayaan awal jeung wates jeung parameter modél internal disaluyukeun ku observasi, kukituna ngahasilkeun bebas-ngajalankeun MIT model siklus umum (MITgcm) (39), model Sanggeus optimasi, hasilna bisa dilacak jeung dititénan.
Biogéokimia/ékosistem gaduh déskripsi anu langkung lengkep (nyaéta persamaan sareng nilai parameter) dina (2).Modél ngarebut sirkulasi C, N, P, Si jeung Fe ngaliwatan balong anorganik jeung organik.Versi anu dianggo di dieu kalebet 35 spésiés fitoplankton: 2 spésiés mikroprokariota sareng 2 spésiés mikroeukariota (cocog pikeun lingkungan anu rendah gizi), 5 spésiés Cryptomonas sphaeroides (kalayan lapisan kalsium karbonat), 5 spésiés diazonium (Bisa ngabenerkeun nitrogen, janten. teu diwatesan) kasadiaan nitrogén anorganik larut), 11 diatom (ngabentuk panutup silika), 10 flagellata campuran-vegetatif (bisa fotosintésis jeung ngadahar plankton séjén) jeung 16 Zooplankton (ngarumput dina plankton séjén).Ieu disebut "grup fungsional biogéokimia" sabab boga épék béda dina biogéokimia laut (40, 41) sarta mindeng dipaké dina observasi sarta studi model.Dina modél ieu, unggal gugus fungsi diwangun ku sababaraha plankton ukuran béda, kalayan bentang 0,6 nepi ka 2500 μm diaméterna buleud sarua.
Parameter anu mangaruhan kana tumuwuhna fitoplankton, ngarumput sareng ngalelepkeun aya hubunganana sareng ukuran, sareng aya béda anu khusus antara genep gugus fungsi fitoplankton (32).Sanajan kerangka fisik béda, hasil tina 51 komponén plankton model geus dipaké dina sababaraha studi panganyarna (42-44).
Ti 1992 nepi ka 2011, modél gandeng fisik/biogéokimia/ékosistem ngajalankeun salila 20 taun.Kaluaran model ngawengku biomassa plankton, konsentrasi gizi jeung laju suplai gizi (DIN, PO4, Si jeung Fe).Dina ulikan ieu, rata-rata 20 taun kaluaran ieu dipaké salaku input ti Propinsi Ecological.Chl, distribusi biomassa plankton sareng konsentrasi gizi sareng sebaran gugus fungsi dibandingkeun sareng observasi satelit sareng in-situ [tingali (2, 44), Catetan S1 sareng gambar.S1 nepi ka S3].
Pikeun métode SAGE, sumber utama randomness asalna tina hambalan t-SNE.Randomness ngahalangan pangulangan, anu hartosna hasilna henteu tiasa dipercaya.Métode SAGE sacara ketat nguji kateguhan ku nangtukeun sakumpulan parameter t-SNE sareng DBSCAN, anu tiasa sacara konsisten ngaidentipikasi klaster nalika diulang.Nangtukeun "perplexity" tina parameter t-SNE bisa dipikaharti salaku nangtukeun darajat nu pemetaan ti luhur ka low dimensi kedah hormat ciri lokal atawa global data.Ngahontal kabingungan 400 sareng 300 iterasi.
Pikeun algoritma clustering DBSCAN, ukuran minimum jeung métrik jarak titik data dina klaster kudu ditangtukeun.Jumlah minimum ditangtukeun dina bimbingan para ahli.Pangaweruh ieu terang naon anu cocog sareng kerangka modeling numerik ayeuna sareng resolusi.Jumlah minimum nyaéta 100. A nilai minimum luhur (kirang ti <135 saméméh wates luhur héjo jadi lega) bisa dianggap, tapi teu bisa ngaganti metoda aggregation dumasar kana SM dissimilarity.Darajat sambungan (Gambar 6A) dipaké pikeun nyetél parameter ϵ, nu kondusif pikeun sinyalna luhur (Gambar 6B).Konektipitas dihartikeun salaku jumlah komposit klaster sarta sénsitip kana parameter ϵ.Konektipitas handap nunjukkeun pas pas, artifisial ngagolongkeun wilayah babarengan.Konektipitas luhur nunjukkeun overfitting.Overfitting oge masalah, sabab nunjukeun yen guesses acak awal bisa ngakibatkeun hasil unreproducible.Antara dua ekstrim ieu, paningkatan seukeut (biasana disebut "siku") nunjukkeun ϵ pangalusna.Dina Gambar 6A, anjeun ningali kanaékan seukeut dina wewengkon dataran (konéng,> 200 klaster), dituturkeun ku panurunan seukeut (héjo, 100 klaster), nepi ka kira 130, dikurilingan ku saeutik pisan klaster (biru, <60 klaster). ).Sakurang-kurangna 100 wewengkon biru, boh hiji gugusan ngadominasi sakabéh sagara (ϵ <0.42), atawa sabagéan ageung sagara teu digolongkeun sarta dianggap noise (ϵ> 0.99).Wewengkon konéng miboga sebaran klaster anu kacida variabel, teu bisa diulang deui.Nalika ϵ ngirangan, sorana ningkat.Wewengkon héjo anu nambahan seukeut disebut siku.Ieu wewengkon optimal.Sanajan probabiliti t-SNE dipaké, dissimilarity SM dina propinsi masih bisa dipaké pikeun nangtukeun clustering dipercaya.Ngagunakeun Gambar 6 (A jeung B), set ϵ ka 0,39.Nu leuwih gede jumlah minimum, nu leutik kamungkinan ngahontal ϵ nu ngidinan klasifikasi dipercaya, jeung nu leuwih gede wewengkon héjo nu nilai leuwih gede ti 135. The enlargement wewengkon ieu nunjukkeun yén siku bakal leuwih hese neangan atawa non- aya.
Saatos netepkeun parameter t-SNE, jumlah total klaster anu kapanggih bakal dianggo salaku ukuran konektipitas (A) sareng persentase data anu dialokasikeun kana klaster (B).Titik beureum nunjukkeun kombinasi pangsaéna tina sinyalna sareng konektipitas.Jumlah minimum diatur dumasar kana jumlah minimum anu aya hubunganana sareng ékologi.
Pikeun bahan tambahan pikeun artikel ieu, mangga tingali http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1
Ieu mangrupikeun artikel aksés kabuka anu disebarkeun dina kaayaan Lisensi Atribusi Creative Commons.Artikel ieu ngamungkinkeun pamakéan unrestricted, distribusi, sarta baranahan dina media mana wae dina kaayaan yén karya aslina geus bener dikutip.
Catetan: Kami ngan ukur nyuhunkeun anjeun nyayogikeun alamat email anjeun supados jalma anu anjeun nyarankeun ka halaman éta terang yén anjeun hoyong aranjeunna ningali email sareng yén éta sanés spam.Kami moal néwak alamat surélék.
Patarosan ieu dianggo pikeun nguji naha anjeun nganjang sareng nyegah kiriman spam otomatis.
Kamentrian Ekologi Kelautan Global nekad pikeun ngabéréskeun masalah anu rumit sareng ngagunakeun ML anu teu diawaskeun pikeun ngajalajah struktur komunitas.
Kamentrian Ekologi Kelautan Global nekad pikeun ngabéréskeun masalah anu rumit sareng ngagunakeun ML anu teu diawaskeun pikeun ngajalajah struktur komunitas.
waktos pos: Jan-12-2021