పర్యావరణ సంక్లిష్టతను స్పష్టం చేయడం: పర్యవేక్షించబడని అభ్యాసం ప్రపంచ సముద్ర పర్యావరణ ప్రావిన్స్‌ను నిర్ణయిస్తుంది

ప్లాంక్టన్ కమ్యూనిటీ స్ట్రక్చర్ మరియు న్యూట్రియంట్ ఫ్లక్స్ డేటా ఆధారంగా గ్లోబల్ మెరైన్ ఎకోలాజికల్ ప్రావిన్సులు (ఎకో-ప్రావిన్సులు) నిర్ణయించడానికి పర్యవేక్షించబడని అభ్యాస పద్ధతి ప్రతిపాదించబడింది.సిస్టమాటిక్ ఇంటిగ్రేటెడ్ ఎకోలాజికల్ ప్రావిన్స్ (SAGE) పద్ధతి అత్యంత నాన్ లీనియర్ ఎకోసిస్టమ్ మోడల్‌లలో పర్యావరణ ప్రావిన్సులను గుర్తించగలదు.డేటా యొక్క నాన్-గాస్సియన్ కోవియారెన్స్‌కు అనుగుణంగా, SAGE డైమెన్షియాలిటీని తగ్గించడానికి t యాదృచ్ఛిక పొరుగు ఎంబెడింగ్ (t-SNE)ని ఉపయోగిస్తుంది.సాంద్రత-ఆధారిత ప్రాదేశిక క్లస్టరింగ్ (DBSCAN) అల్గోరిథం ఆధారంగా నాయిస్ అప్లికేషన్ సహాయంతో, వంద కంటే ఎక్కువ పర్యావరణ ప్రావిన్సులను గుర్తించవచ్చు.పర్యావరణ వ్యత్యాసాలతో కూడిన కనెక్టివిటీ మ్యాప్‌ను దూర కొలతగా ఉపయోగించడం ద్వారా, ఒక దృఢమైన సమగ్ర పర్యావరణ ప్రావిన్స్ (AEP) సమూహ పర్యావరణ ప్రావిన్సుల ద్వారా నిష్పాక్షికంగా నిర్వచించబడుతుంది.AEPలను ఉపయోగించి, సమాజ నిర్మాణంపై పోషక సరఫరా రేటు నియంత్రణ అన్వేషించబడింది.ఎకో-ప్రావిన్స్ మరియు AEP ప్రత్యేకమైనవి మరియు మోడల్ వివరణకు సహాయపడతాయి.అవి నమూనాల మధ్య పోలికలను సులభతరం చేయగలవు మరియు సముద్ర పర్యావరణ వ్యవస్థల అవగాహన మరియు పర్యవేక్షణను మెరుగుపరుస్తాయి.
సముద్రం లేదా భూమిపై సంక్లిష్టమైన జీవభూగోళశాస్త్రం పొందికైన మరియు అర్థవంతమైన ప్రాంతాలుగా నిర్వహించబడే ప్రాంతాలను ప్రావిన్సులు అంటారు (1).ఈ ప్రావిన్స్‌లు లొకేషన్‌లను పోల్చడం మరియు విరుద్ధం చేయడం, పరిశీలనలను వర్గీకరించడం, పర్యవేక్షణ మరియు రక్షణ కోసం చాలా ముఖ్యమైనవి.ఈ ప్రావిన్స్‌లను ఉత్పత్తి చేసే సంక్లిష్టమైన మరియు నాన్-లీనియర్ ఇంటరాక్షన్‌లు ప్రావిన్సులను నిష్పక్షపాతంగా నిర్ణయించడానికి పర్యవేక్షించబడని మెషీన్ లెర్నింగ్ (ML) పద్ధతులను చాలా అనుకూలంగా చేస్తాయి, ఎందుకంటే డేటాలోని కోవియారిన్స్ సంక్లిష్టమైనది మరియు నాన్-గాస్సియన్.ఇక్కడ, ఒక ML పద్ధతి ప్రతిపాదించబడింది, ఇది డార్విన్ గ్లోబల్ త్రీ-డైమెన్షనల్ (3D) ఫిజికల్/ఎకోసిస్టమ్ మోడల్ (2) నుండి ప్రత్యేకమైన సముద్ర పర్యావరణ ప్రావిన్స్‌లను (ఎకో-ప్రావిన్సులు) క్రమపద్ధతిలో గుర్తిస్తుంది.గుర్తించబడిన ప్రాంతం ఇతర ప్రాంతాలతో తగినంతగా అతివ్యాప్తి చెందదని సూచించడానికి "ప్రత్యేకత" అనే పదాన్ని ఉపయోగిస్తారు.ఈ పద్ధతిని సిస్టమ్ ఇంటిగ్రేటెడ్ ఎకోలాజికల్ ప్రావిన్స్ (SAGE) పద్ధతి అంటారు.ఉపయోగకరమైన వర్గీకరణను నిర్వహించడానికి, ఒక అల్గారిథమ్ పద్ధతి (i) గ్లోబల్ వర్గీకరణ మరియు (ii) స్థలం మరియు సమయం (3)లో గూడు/సమగ్రీకరించబడే బహుళ-స్థాయి విశ్లేషణలను అనుమతించాలి.ఈ పరిశోధనలో, SAGE పద్ధతి మొదట ప్రతిపాదించబడింది మరియు గుర్తించబడిన పర్యావరణ ప్రావిన్సులు చర్చించబడ్డాయి.పర్యావరణ-ప్రావిన్స్‌లు సమాజ నిర్మాణాన్ని నియంత్రించే కారకాల అవగాహనను ప్రోత్సహించగలవు, పర్యవేక్షణ వ్యూహాలకు ఉపయోగకరమైన అంతర్దృష్టులను అందిస్తాయి మరియు పర్యావరణ వ్యవస్థలో మార్పులను ట్రాక్ చేయడంలో సహాయపడతాయి.
భూసంబంధమైన ప్రావిన్సులు సాధారణంగా వాతావరణం (అవపాతం మరియు ఉష్ణోగ్రత), నేల, వృక్షసంపద మరియు జంతుజాలంలో సారూప్యతలను బట్టి వర్గీకరించబడతాయి మరియు సహాయక నిర్వహణ, జీవవైవిధ్య పరిశోధన మరియు వ్యాధి నియంత్రణ (1, 4) కోసం ఉపయోగించబడతాయి.సముద్ర ప్రావిన్స్‌లను నిర్వచించడం చాలా కష్టం.చాలా జీవులు ద్రవ సరిహద్దులతో సూక్ష్మదర్శినిగా ఉంటాయి.లాంగ్‌హర్స్ట్ మరియు ఇతరులు.(5) పర్యావరణ పరిస్థితుల ఆధారంగా ఓషనోగ్రఫీ మంత్రిత్వ శాఖ యొక్క మొదటి ప్రపంచ వర్గీకరణలలో ఒకటి అందించబడింది.ఈ "లాంగ్‌హర్స్ట్" ప్రావిన్సుల నిర్వచనంలో మిక్సింగ్ రేట్, స్తరీకరణ మరియు రేడియన్స్ వంటి వేరియబుల్స్ ఉన్నాయి, అలాగే సముద్ర పర్యావరణ వ్యవస్థలకు ఇతర ముఖ్యమైన పరిస్థితులను కలిగి ఉన్న సముద్ర సముద్ర శాస్త్రవేత్తగా లాంగ్‌హర్స్ట్ యొక్క విస్తృతమైన అనుభవం.లాంగ్‌హర్స్ట్ విస్తృతంగా ఉపయోగించబడింది, ఉదాహరణకు, ప్రాథమిక ఉత్పత్తి మరియు కార్బన్ ఫ్లక్స్‌లను అంచనా వేయడానికి, ఫిషరీస్‌కు సహాయం చేయడానికి మరియు సిటు పరిశీలన కార్యకలాపాలలో ప్లాన్ చేయడానికి (5-9).ప్రావిన్సులను మరింత నిష్పాక్షికంగా నిర్వచించడానికి, మసక తర్కం మరియు ప్రాంతీయ పర్యవేక్షించబడని క్లస్టరింగ్/గణాంకాలు వంటి పద్ధతులు ఉపయోగించబడ్డాయి (9-14).అందుబాటులో ఉన్న పరిశీలనా డేటాలో ప్రావిన్సులను గుర్తించగల అర్థవంతమైన నిర్మాణాలను గుర్తించడం అటువంటి పద్ధతుల యొక్క ఉద్దేశ్యం.ఉదాహరణకు, డైనమిక్ మెరైన్ ప్రావిన్సులు (12) శబ్దాన్ని తగ్గించడానికి స్వీయ-ఆర్గనైజింగ్ మ్యాప్‌లను ఉపయోగిస్తాయి మరియు ప్రాంతీయ ఉపగ్రహాల [క్లోరోఫిల్ a (Chl-a), సాధారణీకరించిన ఫ్లోరోసెన్స్ లైన్ ఎత్తు మరియు రంగు కరిగిన సేంద్రీయ పదార్థం] మరియు భౌతిక క్షేత్రం (సముద్ర ఉపరితల ఉష్ణోగ్రత మరియు లవణీయత, సంపూర్ణ డైనమిక్ స్థలాకృతి మరియు సముద్రపు మంచు).
పాచి యొక్క సమాజ నిర్మాణం ఆందోళన కలిగిస్తుంది ఎందుకంటే దాని జీవావరణ శాస్త్రం అధిక పోషక స్థాయిలు, కార్బన్ శోషణ మరియు వాతావరణంపై గొప్ప ప్రభావాన్ని చూపుతుంది.అయినప్పటికీ, ప్లాంక్టన్ కమ్యూనిటీ నిర్మాణం ఆధారంగా ప్రపంచ పర్యావరణ ప్రావిన్స్‌ను నిర్ణయించడం ఇప్పటికీ సవాలు మరియు అంతుచిక్కని లక్ష్యం.సముద్ర రంగు ఉపగ్రహాలు ఫైటోప్లాంక్టన్ యొక్క ముతక-కణిత వర్గీకరణపై అంతర్దృష్టులను అందించగలవు లేదా ఫంక్షనల్ గ్రూపుల ప్రయోజనాలను సూచించగలవు (15), కానీ అవి ప్రస్తుతం సమాజ నిర్మాణంపై వివరణాత్మక సమాచారాన్ని అందించలేకపోయాయి.ఇటీవలి సర్వేలు [ఉదా తారా మహాసముద్రం (16)] సమాజ నిర్మాణం యొక్క అపూర్వమైన కొలతలను అందిస్తున్నాయి;ప్రస్తుతం, గ్లోబల్ స్కేల్ (17)లో చాలా తక్కువ ఇన్-సిటు పరిశీలనలు మాత్రమే ఉన్నాయి.మునుపటి అధ్యయనాలు బయోకెమికల్ సారూప్యతలను (ప్రాథమిక ఉత్పత్తి, Chl మరియు అందుబాటులో ఉన్న కాంతి వంటివి) నిర్ణయించడం ఆధారంగా "బయోజియోకెమికల్ ప్రావిన్స్" (12, 14, 18)ను ఎక్కువగా నిర్ణయించాయి.ఇక్కడ, సంఖ్యా నమూనా [డార్విన్(2)] అవుట్‌పుట్ చేయడానికి ఉపయోగించబడుతుంది మరియు సమాజ నిర్మాణం మరియు పోషక ప్రవాహాన్ని బట్టి పర్యావరణ ప్రావిన్స్ నిర్ణయించబడుతుంది.ఈ అధ్యయనంలో ఉపయోగించిన సంఖ్యా నమూనా ప్రపంచ కవరేజీని కలిగి ఉంది మరియు ఇప్పటికే ఉన్న ఫీల్డ్ డేటా (17) మరియు రిమోట్ సెన్సింగ్ ఫీల్డ్‌లతో (గమనిక S1) పోల్చవచ్చు.ఈ అధ్యయనంలో ఉపయోగించిన సంఖ్యా నమూనా డేటా ప్రపంచ కవరేజ్ యొక్క ప్రయోజనాన్ని కలిగి ఉంది.మోడల్ పర్యావరణ వ్యవస్థలో 35 రకాల ఫైటోప్లాంక్టన్ మరియు 16 రకాల జూప్లాంక్టన్ ఉన్నాయి (దయచేసి పదార్థాలు మరియు పద్ధతులను చూడండి).మోడల్ ప్లాంక్టన్ రకాలు నాన్-గాస్సియన్ కోవియారిన్స్ స్ట్రక్చర్‌లతో సరళంగా సంకర్షణ చెందుతాయి, కాబట్టి సాధారణ రోగనిర్ధారణ పద్ధతులు అభివృద్ధి చెందుతున్న కమ్యూనిటీ నిర్మాణాలలో ప్రత్యేకమైన మరియు స్థిరమైన నమూనాలను గుర్తించడానికి తగినవి కావు.ఇక్కడ ప్రవేశపెట్టిన SAGE పద్ధతి సంక్లిష్టమైన డార్విన్ నమూనాల అవుట్‌పుట్‌ను తనిఖీ చేయడానికి ఒక కొత్త మార్గాన్ని అందిస్తుంది.
డేటా సైన్స్/ML టెక్నాలజీ యొక్క శక్తివంతమైన పరివర్తన సామర్థ్యాలు డేటా కోవియారెన్స్‌లో సంక్లిష్టమైన కానీ బలమైన నిర్మాణాలను బహిర్గతం చేయడానికి చాలా సంక్లిష్టమైన నమూనా పరిష్కారాలను ప్రారంభించగలవు.ఇచ్చిన లోపం పరిధిలో ఫలితాలను విశ్వసనీయంగా పునరుత్పత్తి చేయగల పద్ధతిగా బలమైన పద్ధతి నిర్వచించబడింది.సాధారణ వ్యవస్థలలో కూడా, బలమైన నమూనాలు మరియు సంకేతాలను నిర్ణయించడం ఒక సవాలుగా ఉంటుంది.గమనించిన నమూనాకు దారితీసే హేతువు నిర్ణయించబడే వరకు, ఉద్భవిస్తున్న సంక్లిష్టత సంక్లిష్టంగా/పరిష్కరించడం కష్టంగా అనిపించవచ్చు.పర్యావరణ వ్యవస్థ యొక్క కూర్పును అమర్చే కీలక ప్రక్రియ ప్రకృతిలో నాన్‌లీనియర్‌గా ఉంటుంది.నాన్-లీనియర్ ఇంటరాక్షన్‌ల ఉనికి బలమైన వర్గీకరణను గందరగోళానికి గురి చేస్తుంది, కాబట్టి డేటా కోవియరెన్స్ యొక్క ప్రాథమిక గణాంక పంపిణీ గురించి బలమైన అంచనాలను రూపొందించే పద్ధతులను నివారించడం అవసరం.సముద్ర శాస్త్రంలో హై-డైమెన్షనల్ మరియు నాన్ లీనియర్ డేటా సర్వసాధారణం మరియు సంక్లిష్టమైన, నాన్-గాస్సియన్ టోపోలాజీతో కోవియరెన్స్ నిర్మాణాన్ని కలిగి ఉండవచ్చు.నాన్-గాస్సియన్ కోవియారిన్స్ నిర్మాణంతో ఉన్న డేటా బలమైన వర్గీకరణకు ఆటంకం కలిగించినప్పటికీ, SAGE పద్ధతి కొత్తది ఎందుకంటే ఇది ఏకపక్ష టోపోలాజీలతో క్లస్టర్‌లను గుర్తించడానికి రూపొందించబడింది.
SAGE పద్ధతి యొక్క లక్ష్యం మరింత పర్యావరణ అవగాహనకు సహాయపడే ఉద్భవిస్తున్న నమూనాలను నిష్పాక్షికంగా గుర్తించడం.(19) మాదిరిగానే క్లస్టర్-ఆధారిత వర్క్‌ఫ్లోను అనుసరించి, ఎకోలాజికల్ ప్రావిన్స్ అని పిలువబడే డేటాలోని ఏకైక క్లస్టర్‌ను గుర్తించడానికి పర్యావరణ మరియు పోషక ఫ్లక్స్ వేరియబుల్స్ ఉపయోగించబడతాయి.ఈ అధ్యయనంలో ప్రతిపాదించబడిన SAGE పద్ధతి (మూర్తి 1) ముందుగా పాచి ఫంక్షనల్ గ్రూపులను ఒక ప్రియోరిని నిర్వచించడం ద్వారా పరిమాణాన్ని 55 నుండి 11 కొలతలకు తగ్గిస్తుంది (మెటీరియల్స్ మరియు మెథడ్స్ చూడండి).t-ర్యాండమ్ పొరుగు ఎంబెడ్డింగ్ (t-SNE) పద్ధతిని ఉపయోగించి, సంభావ్యతను 3D స్పేస్‌లోకి ప్రొజెక్ట్ చేయడం ద్వారా పరిమాణం మరింత తగ్గించబడుతుంది.పర్యవేక్షించబడని క్లస్టరింగ్ పర్యావరణపరంగా దగ్గరి ప్రాంతాలను గుర్తించగలదు [శబ్దం-ఆధారిత అనువర్తనాల కోసం సాంద్రత-ఆధారిత ప్రాదేశిక క్లస్టరింగ్ (DBSCAN)].t-SNE మరియు DBSCAN రెండూ స్వాభావిక నాన్-లీనియర్ ఎకోసిస్టమ్ న్యూమరికల్ మోడల్ డేటాకు వర్తిస్తాయి.అప్పుడు ఏర్పడిన పర్యావరణ ప్రావిన్స్‌ను భూమిపైకి మళ్లీ ప్రసరింపజేయండి.ప్రాంతీయ పరిశోధనలకు అనువైన వంద కంటే ఎక్కువ ప్రత్యేకమైన పర్యావరణ ప్రావిన్సులు గుర్తించబడ్డాయి.ప్రపంచవ్యాప్తంగా స్థిరమైన పర్యావరణ వ్యవస్థ నమూనాను పరిగణనలోకి తీసుకోవడానికి, పర్యావరణ ప్రావిన్సుల ప్రభావాన్ని మెరుగుపరచడానికి పర్యావరణ ప్రావిన్సులను సమగ్ర పర్యావరణ ప్రావిన్స్‌లుగా (AEP) సమగ్రపరచడానికి SAGE పద్ధతి ఉపయోగించబడుతుంది.అగ్రిగేషన్ స్థాయిని ("సంక్లిష్టత" అని పిలుస్తారు) అవసరమైన వివరాల స్థాయికి సర్దుబాటు చేయవచ్చు.బలమైన AEP యొక్క కనీస సంక్లిష్టతను నిర్ణయించండి.ఎమర్జెన్సీ కమ్యూనిటీ నిర్మాణం యొక్క నియంత్రణను గుర్తించడానికి SAGE పద్ధతి మరియు అతిచిన్న సంక్లిష్టత AEP కేసులను అన్వేషించడం ఎంపిక యొక్క దృష్టి.పర్యావరణ అంతర్దృష్టులను అందించడానికి నమూనాలను విశ్లేషించవచ్చు.ఇక్కడ ప్రవేశపెట్టిన పద్ధతి మోడల్ పోలిక కోసం మరింత విస్తృతంగా ఉపయోగించబడుతుంది, ఉదాహరణకు, విభిన్న నమూనాలలో కనిపించే సారూప్య పర్యావరణ ప్రావిన్సుల స్థానాలను మూల్యాంకనం చేయడం ద్వారా తేడాలు మరియు సారూప్యతలను హైలైట్ చేయడానికి, తద్వారా నమూనాలను పోల్చడానికి.
(A) పర్యావరణ ప్రావిన్స్‌ని నిర్ణయించడానికి వర్క్‌ఫ్లో యొక్క స్కీమాటిక్ రేఖాచిత్రం;ఏడు ఫంక్షనల్/న్యూట్రియంట్ ప్లాంక్టన్ యొక్క బయోమాస్ మరియు నాలుగు పోషక సరఫరా రేట్లతో సహా అసలైన 55-డైమెన్షనల్ డేటాను 11-డైమెన్షనల్ మోడల్ అవుట్‌పుట్‌కి తగ్గించడానికి ఫంక్షనల్ గ్రూప్‌లోని మొత్తాన్ని ఉపయోగించడం.అతితక్కువ విలువ మరియు మన్నికైన మంచు కవర్ ప్రాంతం.డేటా ప్రమాణీకరించబడింది మరియు ప్రమాణీకరించబడింది.గణాంకపరంగా ఒకే విధమైన ఫీచర్ కాంబినేషన్‌లను హైలైట్ చేయడానికి t-SNE అల్గారిథమ్‌కు 11-డైమెన్షనల్ డేటాను అందించండి.పారామితి విలువను సెట్ చేయడానికి DBSCAN క్లస్టర్‌ను జాగ్రత్తగా ఎంచుకుంటుంది.చివరగా డేటాను తిరిగి అక్షాంశం/రేఖాంశం ప్రొజెక్షన్‌కి ప్రొజెక్ట్ చేయండి.దయచేసి ఈ ప్రక్రియ 10 సార్లు పునరావృతమవుతుందని గమనించండి ఎందుకంటే t-SNEని వర్తింపజేయడం ద్వారా కొంచెం యాదృచ్ఛికత ఏర్పడవచ్చు.(A)లోని వర్క్‌ఫ్లోను 10 సార్లు పునరావృతం చేయడం ద్వారా AEPని ఎలా పొందాలో (B) వివరిస్తుంది.ఈ 10 అమలులలో ప్రతిదానికి, 51 ఫైటోప్లాంక్టన్ రకాల బయోమాస్ ఆధారంగా ఇంటర్-ప్రావిన్షియల్ బ్రే-కర్టిస్ (BC) అసమానత మాతృక నిర్ణయించబడింది.ప్రావిన్సుల మధ్య BC వ్యత్యాసాన్ని నిర్ణయించండి, సంక్లిష్టత 1 AEP నుండి పూర్తి సంక్లిష్టత వరకు 115. BC బెంచ్‌మార్క్ లాంగ్‌హర్స్ట్ ప్రావిన్స్ ద్వారా సెట్ చేయబడింది.
SAGE పద్ధతి పర్యావరణ ప్రావిన్స్‌ను నిర్వచించడానికి గ్లోబల్ 3D భౌతిక/ఎకోసిస్టమ్ సంఖ్యా నమూనా యొక్క అవుట్‌పుట్‌ను ఉపయోగిస్తుంది [డార్విన్ (2);మెటీరియల్స్ మరియు మెథడ్స్ మరియు గమనిక S1] చూడండి.పర్యావరణ వ్యవస్థలోని భాగాలు 35 జాతుల ఫైటోప్లాంక్టన్ మరియు 16 రకాల జూప్లాంక్టన్‌లతో రూపొందించబడ్డాయి, ఏడు ముందే నిర్వచించబడిన ఫంక్షనల్ గ్రూపులు ఉన్నాయి: ప్రొకార్యోట్‌లు మరియు యూకారియోట్‌లు తక్కువ-పోషక వాతావరణాలకు అనుగుణంగా ఉంటాయి, కాల్షియం కార్బోనేట్ పూతతో కూడిన కోక్సిడియా మరియు భారీ నైట్రోజన్‌నట్ ఫిక్సేషన్ నైట్రోజన్‌నట్ ఫిక్సేషన్ ముఖ్యమైన పోషకాలు), సిలిసియస్ కవరింగ్‌తో, ఇతర పాచి కిరణజన్య సంయోగక్రియ మరియు మేత మిశ్రమ పోషక జెండాలు మరియు జూప్లాంక్టన్ పశువుల కాపరులను తయారు చేయవచ్చు.పరిమాణం పరిధి 0.6 నుండి 2500μm సమానమైన గోళాకార వ్యాసం.ఫైటోప్లాంక్టన్ పరిమాణం మరియు ఫంక్షనల్ గ్రూపింగ్ యొక్క నమూనా పంపిణీ శాటిలైట్ మరియు ఇన్-సిటు పరిశీలనలలో కనిపించే మొత్తం లక్షణాలను సంగ్రహిస్తుంది (గణాంకాలు S1 నుండి S3 వరకు చూడండి).సంఖ్యా నమూనా మరియు గమనించిన మహాసముద్రం మధ్య సారూప్యత మోడల్ ద్వారా నిర్వచించబడిన ప్రావిన్సులు ఇన్-సిటు మహాసముద్రానికి వర్తించవచ్చని సూచిస్తుంది.దయచేసి ఈ మోడల్ ఫైటోప్లాంక్టన్ యొక్క నిర్దిష్ట వైవిధ్యాన్ని మాత్రమే సంగ్రహిస్తుందని మరియు సిటు సముద్రంలో కొన్ని భౌతిక మరియు రసాయన బలవంతపు పరిధులను మాత్రమే సంగ్రహిస్తుందని గమనించండి.SAGE పద్ధతి ప్రజలు మోడల్ కమ్యూనిటీ నిర్మాణం యొక్క అత్యంత ప్రాంతీయ నియంత్రణ యంత్రాంగాన్ని బాగా అర్థం చేసుకోవడానికి వీలు కల్పిస్తుంది.
ప్రతి ప్లాంక్టన్ ఫంక్షనల్ గ్రూప్‌లో ఉపరితల బయోమాస్ మొత్తాన్ని (సగటున 20 సంవత్సరాలతో) చేర్చడం ద్వారా, డేటా యొక్క పరిమాణాన్ని తగ్గించవచ్చు.మునుపటి అధ్యయనాలు కమ్యూనిటీ నిర్మాణాన్ని సెట్ చేయడంలో వారి కీలక పాత్రను చూపించిన తర్వాత, ఇది పోషక ప్రవాహాల (నత్రజని, ఇనుము, ఫాస్ఫేట్ మరియు సిలిసిక్ ఆమ్లం సరఫరా) [ఉదా (20, 21)] కోసం ఉపరితల మూల నిబంధనలను కూడా కలిగి ఉంది.ఫంక్షనల్ గ్రూపుల సమ్మషన్ సమస్యను 55 (51 పాచి మరియు 4 పోషక ప్రవాహాలు) నుండి 11 కొలతలకు తగ్గిస్తుంది.ఈ ప్రారంభ అధ్యయనంలో, అల్గోరిథం విధించిన గణన పరిమితుల కారణంగా, లోతు మరియు సమయ వైవిధ్యం పరిగణించబడలేదు.
SAGE పద్ధతి నాన్ లీనియర్ ప్రక్రియలు మరియు ఫంక్షనల్ గ్రూప్ బయోమాస్ మరియు న్యూట్రియంట్ ఫ్లక్స్ మధ్య పరస్పర చర్యల యొక్క ముఖ్య లక్షణాల మధ్య ముఖ్యమైన సంబంధాలను గుర్తించగలదు.యూక్లిడియన్ దూర అభ్యాస పద్ధతుల ఆధారంగా 11-డైమెన్షనల్ డేటాను ఉపయోగించడం (కె-మీన్స్ వంటివి) నమ్మదగిన మరియు పునరుత్పాదక ప్రావిన్సులను పొందలేము (19, 22).ఎందుకంటే పర్యావరణ ప్రావిన్స్‌ను నిర్వచించే కీలక అంశాల కోవియారిన్స్ యొక్క ప్రాథమిక పంపిణీలో గాస్సియన్ ఆకారం కనుగొనబడలేదు.వోరోనోయి కణాల యొక్క K-మీన్స్ (సరళ రేఖలు) నాన్-గాస్సియన్ ప్రాథమిక పంపిణీని కలిగి ఉండవు.
ఏడు ప్లాంక్టన్ ఫంక్షనల్ గ్రూపులు మరియు నాలుగు పోషక ప్రవాహాల బయోమాస్ 11-డైమెన్షనల్ వెక్టర్ xని ఏర్పరుస్తాయి.కాబట్టి, x అనేది మోడల్ గ్రిడ్‌లోని వెక్టార్ ఫీల్డ్, ఇక్కడ ప్రతి మూలకం xi మోడల్ క్షితిజ సమాంతర గ్రిడ్‌లో నిర్వచించబడిన 11-డైమెన్షనల్ వెక్టర్‌ను సూచిస్తుంది.ప్రతి సూచిక i గోళంపై ఒక గ్రిడ్ పాయింట్‌ను ప్రత్యేకంగా గుర్తిస్తుంది, ఇక్కడ (లోన్, లాట్) = (ϕi, θi).మోడల్ గ్రిడ్ యూనిట్ యొక్క బయోమాస్ 1.2×10-3mg Chl/m3 కంటే తక్కువగా ఉంటే లేదా మంచు కవరేజ్ రేటు 70% మించి ఉంటే, బయోమాస్ డేటా యొక్క లాగ్ ఉపయోగించబడుతుంది మరియు విస్మరించబడుతుంది.డేటా సాధారణీకరించబడింది మరియు ప్రమాణీకరించబడింది, కాబట్టి మొత్తం డేటా [0 నుండి 1] పరిధిలో ఉంటుంది, సగటు తీసివేయబడుతుంది మరియు యూనిట్ వ్యత్యాసానికి స్కేల్ చేయబడుతుంది.లక్షణాలు (బయోమాస్ మరియు న్యూట్రియంట్ ఫ్లక్స్) సాధ్యమయ్యే విలువల పరిధిలో విరుద్ధంగా పరిమితం కాకుండా ఇది జరుగుతుంది.క్లస్టరింగ్ అనేది భౌగోళిక దూరం కంటే లక్షణాల మధ్య కీ సంభావ్యత దూరం నుండి మార్పు సంబంధాన్ని సంగ్రహించాలి.ఈ దూరాలను లెక్కించడం ద్వారా, ముఖ్యమైన లక్షణాలు బయటపడతాయి, అయితే అనవసరమైన వివరాలు విస్మరించబడతాయి.పర్యావరణ దృక్కోణం నుండి, ఇది అవసరం ఎందుకంటే తక్కువ బయోమాస్ కలిగిన కొన్ని రకాల ఫైటోప్లాంక్టన్‌లు డయాజోట్రోఫిక్ బ్యాక్టీరియా ద్వారా నత్రజని స్థిరీకరణ వంటి ఎక్కువ బయోజెకెమికల్ ప్రభావాలను కలిగి ఉండవచ్చు.డేటాను ప్రామాణీకరించేటప్పుడు మరియు సాధారణీకరించేటప్పుడు, ఈ రకమైన కోవేరియేట్‌లు హైలైట్ చేయబడతాయి.
తక్కువ డైమెన్షనల్ ప్రాతినిధ్యంలో హై-డైమెన్షనల్ స్పేస్‌లోని లక్షణాల సామీప్యతను నొక్కి చెప్పడం ద్వారా, ఇప్పటికే ఉన్న సారూప్య ప్రాంతాలను స్పష్టంగా చేయడానికి t-SNE అల్గారిథమ్ ఉపయోగించబడుతుంది.రిమోట్ సెన్సింగ్ అప్లికేషన్‌ల కోసం డీప్ న్యూరల్ నెట్‌వర్క్‌లను రూపొందించే లక్ష్యంతో మునుపటి పని t-SNE ఉపయోగించబడింది, ఇది కీలక లక్షణాలను వేరు చేయడంలో దాని నైపుణ్యాన్ని నిరూపించింది (23).నాన్-కన్వర్జెంట్ సొల్యూషన్స్‌ను తప్పించుకుంటూ ఫీచర్ డేటాలో బలమైన క్లస్టరింగ్‌ను గుర్తించడానికి ఇది అవసరమైన దశ (గమనిక S2).గాస్సియన్ కెర్నల్‌లను ఉపయోగించి, t-SNE ప్రతి హై-డైమెన్షనల్ ఆబ్జెక్ట్‌ను 3D ఫేజ్ స్పేస్‌లోని ఒక బిందువుకు మ్యాప్ చేయడం ద్వారా డేటా యొక్క గణాంక లక్షణాలను సంరక్షిస్తుంది, తద్వారా అధిక మరియు తక్కువ దిశలలో సారూప్య వస్తువుల సంభావ్యత అధిక-లో ఎక్కువగా ఉండేలా చేస్తుంది. డైమెన్షనల్ స్పేస్ (24).N హై-డైమెన్షనల్ ఆబ్జెక్ట్‌ల x1,…,xN యొక్క సమితిని బట్టి, t-SNE అల్గోరిథం Kullback-Leibler (KL) డైవర్జెన్స్ (25)ని తగ్గించడం ద్వారా తగ్గిస్తుంది.KL డైవర్జెన్స్ అనేది రెండవ సూచన సంభావ్యత పంపిణీ నుండి సంభావ్యత పంపిణీ ఎంత భిన్నంగా ఉందో కొలమానం మరియు అధిక-డైమెన్షనల్ లక్షణాల యొక్క తక్కువ-డైమెన్షనల్ ప్రాతినిధ్యాల మధ్య పరస్పర సంబంధం యొక్క అవకాశాన్ని సమర్థవంతంగా అంచనా వేయగలదు.xi అనేది N-డైమెన్షనల్ స్పేస్‌లో i-th వస్తువు అయితే, xj అనేది N-డైమెన్షనల్ స్పేస్‌లో j-th వస్తువు, yi అనేది తక్కువ డైమెన్షనల్ స్పేస్‌లో i-th వస్తువు, మరియు yj అనేది తక్కువ పరిమాణంలో ఉన్న j-th వస్తువు. -డైమెన్షనల్ స్పేస్, ఆపై t -SNE సారూప్యత సంభావ్యతను నిర్వచిస్తుంది ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2), మరియు డైమెన్షియాలిటీ తగ్గింపు సెట్ కోసం q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
11-డైమెన్షనల్ కలయిక యొక్క బయోమాస్ మరియు న్యూట్రియంట్ ఫ్లక్స్ వెక్టర్స్‌ను 3Dకి తగ్గించే ప్రభావాన్ని మూర్తి 2A వివరిస్తుంది.t-SNEని వర్తింపజేయడం యొక్క ప్రేరణను ప్రిన్సిపల్ కాంపోనెంట్ అనాలిసిస్ (PCA) యొక్క ప్రేరణతో పోల్చవచ్చు, ఇది డేటా యొక్క ప్రాంతం/లక్షణాన్ని నొక్కి చెప్పడానికి వైవిధ్య లక్షణాన్ని ఉపయోగిస్తుంది, తద్వారా డైమెన్షియాలిటీని తగ్గిస్తుంది.ఎకో-మినిస్ట్రీకి నమ్మకమైన మరియు పునరుత్పాదక ఫలితాలను అందించడంలో t-SNE పద్ధతి PCA కంటే మెరుగైనదిగా గుర్తించబడింది (గమనిక S2 చూడండి).PCA యొక్క ఆర్తోగోనాలిటీ ఊహ అత్యంత నాన్ లీనియర్ ఇంటరాక్టివ్ ఫీచర్‌ల మధ్య క్లిష్టమైన పరస్పర చర్యలను గుర్తించడానికి తగినది కాదు, ఎందుకంటే PCA లీనియర్ కోవియారిన్స్ స్ట్రక్చర్‌లపై దృష్టి పెడుతుంది (26).రిమోట్ సెన్సింగ్ డేటాను ఉపయోగించి, లుంగా మరియు ఇతరులు.(27) గాస్సియన్ పంపిణీ నుండి వైదొలిగే సంక్లిష్ట మరియు నాన్ లీనియర్ స్పెక్ట్రల్ లక్షణాలను హైలైట్ చేయడానికి SNE పద్ధతిని ఎలా ఉపయోగించాలో వివరిస్తుంది.
(A) మోడల్ చేయబడిన పోషక సరఫరా రేటు, t-SNE అల్గారిథమ్ ద్వారా గీసిన మరియు DBSCAN ఉపయోగించి ప్రావిన్స్ ద్వారా రంగులు వేయబడిన ఫైటోప్లాంక్టన్ మరియు జూప్లాంక్టన్ ఫంక్షనల్ గ్రూప్ బయోమాస్.ప్రతి పాయింట్ హై-డైమెన్షనల్ స్పేస్‌లో ఒక బిందువును సూచిస్తుంది, మూర్తి 6Bలో చూపిన విధంగా, చాలా పాయింట్లు సంగ్రహించబడతాయి.షాఫ్ట్‌లు "t-SNE" పరిమాణాలు 1, 2 మరియు 3ని సూచిస్తాయి. (B) మూలం యొక్క అక్షాంశ-రేఖాంశ గ్రిడ్‌లో DBSCAN ద్వారా కనుగొనబడిన ప్రావిన్స్ యొక్క భౌగోళిక ప్రొజెక్షన్.రంగు ఏదైనా రంగుగా పరిగణించబడాలి, కానీ (A)కి అనుగుణంగా ఉండాలి.
మూర్తి 2Aలోని t-SNE స్కాటర్ ప్లాట్‌లోని పాయింట్లు వరుసగా అక్షాంశం మరియు రేఖాంశంతో సంబంధం కలిగి ఉంటాయి.మూర్తి 2Aలోని రెండు పాయింట్లు ఒకదానికొకటి దగ్గరగా ఉంటే, వాటి బయోమాస్ మరియు పోషక ప్రవాహాలు ఒకేలా ఉంటాయి, భౌగోళిక సామీప్యత వల్ల కాదు.మూర్తి 2Aలోని రంగులు DBSCAN పద్ధతిని ఉపయోగించి కనుగొనబడిన క్లస్టర్‌లు (28).దట్టమైన పరిశీలనల కోసం వెతుకుతున్నప్పుడు, DBSCAN అల్గోరిథం పాయింట్ల మధ్య 3D ప్రాతినిధ్యంలో దూరాన్ని ఉపయోగిస్తుంది (ϵ = 0.39; ఈ ఎంపిక గురించి సమాచారం కోసం, మెటీరియల్స్ మరియు మెథడ్స్ చూడండి), మరియు క్లస్టర్‌ను నిర్వచించడానికి ఒకే విధమైన పాయింట్ల సంఖ్య అవసరం (ఇక్కడ 100 పాయింట్లు, దయచేసి పైన చూడండి).దిగువ చూపిన విధంగా, డేటాలోని క్లస్టర్‌ల ఆకారం లేదా సంఖ్య గురించి DBSCAN పద్ధతి ఎటువంటి అంచనాలను చేయదు:
3) లోపల దూరం లోపల గుర్తించబడిన అన్ని పాయింట్ల కోసం, క్లస్టర్ సరిహద్దును నిర్ణయించడానికి దశ 2ని పునరావృతం చేయండి.పాయింట్ల సంఖ్య సెట్ కనిష్ట విలువ కంటే ఎక్కువగా ఉంటే, అది క్లస్టర్‌గా సూచించబడుతుంది.
కనిష్ట క్లస్టర్ సభ్యుడు మరియు దూరం ϵ మెట్రిక్‌ని అందుకోని డేటా "శబ్దం"గా పరిగణించబడుతుంది మరియు రంగు కేటాయించబడదు.DBSCAN అనేది చెత్త సందర్భంలో O(n2) పనితీరుతో వేగవంతమైన మరియు స్కేలబుల్ అల్గారిథమ్.ప్రస్తుత విశ్లేషణ కోసం, ఇది వాస్తవానికి యాదృచ్ఛికం కాదు.పాయింట్ల కనీస సంఖ్య నిపుణుల మూల్యాంకనం ద్వారా నిర్ణయించబడుతుంది.తర్వాత దూరాన్ని సర్దుబాటు చేసిన తర్వాత, ఫలితం ≈±10 పరిధిలో తగినంత స్థిరంగా ఉండదు.ఈ దూరం కనెక్టివిటీ (Figure 6A) మరియు సముద్ర కవరేజ్ శాతం (Figure 6B) ఉపయోగించి సెట్ చేయబడింది.కనెక్టివిటీ అనేది క్లస్టర్‌ల మిశ్రమ సంఖ్యగా నిర్వచించబడింది మరియు ϵ పారామీటర్‌కు సున్నితంగా ఉంటుంది.దిగువ కనెక్టివిటీ తగినంతగా సరిపోకపోవడం, కృత్రిమంగా ప్రాంతాలను సమూహపరచడం సూచిస్తుంది.అధిక కనెక్టివిటీ ఓవర్ ఫిట్‌ని సూచిస్తుంది.అధిక కనిష్టాన్ని ఉపయోగించడం ఊహించదగినది, కానీ కనిష్టం ca మించి ఉంటే, నమ్మదగిన పరిష్కారాన్ని సాధించడం అసాధ్యం.135 (మరిన్ని వివరాల కోసం, మెటీరియల్స్ మరియు మెథడ్స్ చూడండి).
మూర్తి 2Aలో గుర్తించబడిన 115 సమూహాలు మూర్తి 2Bలో భూమిపైకి తిరిగి అంచనా వేయబడ్డాయి.ప్రతి రంగు DBSCAN ద్వారా గుర్తించబడిన బయోజెకెమికల్ మరియు పర్యావరణ కారకాల యొక్క పొందికైన కలయికకు అనుగుణంగా ఉంటుంది.సమూహాలను నిర్ణయించిన తర్వాత, నిర్దిష్ట అక్షాంశం మరియు రేఖాంశంతో మూర్తి 2Aలోని ప్రతి బిందువు యొక్క అనుబంధం సమూహాలను తిరిగి భౌగోళిక ప్రాంతానికి ప్రొజెక్ట్ చేయడానికి ఉపయోగించబడుతుంది.మూర్తి 2B మూర్తి 2A వలె అదే క్లస్టర్ రంగులతో దీనిని వివరిస్తుంది.సారూప్య రంగులను పర్యావరణ సారూప్యతగా అన్వయించకూడదు, ఎందుకంటే అవి అల్గోరిథం ద్వారా క్లస్టర్‌లను కనుగొనే క్రమంలో కేటాయించబడతాయి.
మూర్తి 2Bలోని ప్రాంతం సముద్రం యొక్క భౌతిక మరియు/లేదా బయోజెకెమిస్ట్రీలో స్థాపించబడిన ప్రాంతాన్ని గుణాత్మకంగా పోలి ఉంటుంది.ఉదాహరణకు, దక్షిణ మహాసముద్రంలోని సమూహాలు జోన్-సుష్టంగా ఉంటాయి, ఒలిగోట్రోఫిక్ వోర్టిసెస్ కనిపిస్తాయి మరియు పదునైన పరివర్తన వాణిజ్య గాలుల ప్రభావాన్ని సూచిస్తుంది.ఉదాహరణకు, భూమధ్యరేఖ పసిఫిక్‌లో, పెరుగుదలకు సంబంధించిన వివిధ ప్రాంతాలు కనిపిస్తాయి.
ఎకో-ప్రావిన్స్ యొక్క పర్యావరణ వాతావరణాన్ని అర్థం చేసుకోవడానికి, క్లస్టర్‌లోని జీవావరణ శాస్త్రాన్ని అంచనా వేయడానికి బ్రే-కర్టిస్ (BC) తేడా సూచిక (29) యొక్క వైవిధ్యం ఉపయోగించబడింది.BC సూచిక అనేది రెండు వేర్వేరు సైట్‌ల మధ్య కమ్యూనిటీ నిర్మాణంలో వ్యత్యాసాన్ని లెక్కించడానికి ఉపయోగించే గణాంక డేటా.BC కొలత 51 జాతుల ఫైటోప్లాంక్టన్ మరియు జూప్లాంక్టన్ BCninj = 1-2CninjSni + Snj యొక్క బయోమాస్‌కు వర్తిస్తుంది.
BCninj కలయిక ni మరియు కలయిక nj మధ్య సారూప్యతను సూచిస్తుంది, ఇక్కడ Cninj అనేది ni మరియు nj రెండింటిలో ఉండే ఒకే రకమైన బయోమాస్ యొక్క కనిష్ట విలువ, మరియు Sni అనేది ni మరియు Snj రెండు కలయికలలో ఉన్న అన్ని బయోమాస్‌ల మొత్తాన్ని సూచిస్తుంది.BC వ్యత్యాసం దూర కొలతను పోలి ఉంటుంది, కానీ యూక్లిడియన్ కాని ప్రదేశంలో పనిచేస్తుంది, ఇది పర్యావరణ డేటా మరియు దాని వివరణకు మరింత అనుకూలంగా ఉంటుంది.
మూర్తి 2Bలో గుర్తించబడిన ప్రతి క్లస్టర్‌కు, ఇంట్రా-ప్రావిన్షియల్ మరియు ఇంటర్-ప్రావిన్షియల్ BCల సారూప్యతను అంచనా వేయవచ్చు.ప్రావిన్స్‌లోని BC వ్యత్యాసం ప్రావిన్స్ యొక్క సగటు విలువ మరియు ప్రావిన్స్‌లోని ప్రతి పాయింట్ మధ్య వ్యత్యాసాన్ని సూచిస్తుంది.BC ప్రావిన్సుల మధ్య వ్యత్యాసం ఒక ప్రావిన్స్ మరియు ఇతర ప్రావిన్సుల మధ్య సారూప్యతను సూచిస్తుంది.మూర్తి 3A సుష్ట BC మాతృకను చూపుతుంది (0, నలుపు: పూర్తిగా సంబంధిత; 1, తెలుపు: పూర్తిగా అసమానమైనది).గ్రాఫ్‌లోని ప్రతి పంక్తి డేటాలో ఒక నమూనాను చూపుతుంది.మూర్తి 3B ప్రతి ప్రావిన్స్‌కు సంబంధించిన మూర్తి 3Aలో BC ఫలితాల భౌగోళిక ప్రాముఖ్యతను చూపుతుంది.తక్కువ-పోషకాహారం మరియు తక్కువ-పోషక ప్రాంతంలో ఉన్న ప్రావిన్స్ కోసం, భూమధ్యరేఖ మరియు హిందూ మహాసముద్రం చుట్టూ ఉన్న పెద్ద ప్రాంతాల సమరూపత ప్రాథమికంగా సమానంగా ఉంటుందని మూర్తి 3B చూపిస్తుంది, అయితే అధిక అక్షాంశాలు మరియు పైకి వచ్చే ప్రాంతాలు గణనీయంగా భిన్నంగా ఉంటాయి.
(A) గ్లోబల్ 20-సంవత్సరాల సగటు ప్రపంచ ఉపరితల సగటు 51 ప్లాంక్టన్ ఆధారంగా ప్రతి ప్రావిన్స్‌కు BC వ్యత్యాసం యొక్క డిగ్రీని అంచనా వేస్తారు.విలువల అంచనా సమరూపతను గమనించండి.(B) కాలమ్ (లేదా అడ్డు వరుస) యొక్క ప్రాదేశిక ప్రొజెక్షన్.డిస్ట్రోఫిక్ సర్కిల్‌లోని ఒక ప్రావిన్స్ కోసం, BC సారూప్యత కొలత యొక్క ప్రపంచ పంపిణీ మూల్యాంకనం చేయబడింది మరియు ప్రపంచ 20 సంవత్సరాల సగటు మూల్యాంకనం చేయబడింది.నలుపు (BC = 0) అంటే అదే ప్రాంతం, మరియు తెలుపు (BC = 1) అంటే సారూప్యత లేదు.
మూర్తి 2Bలో ప్రతి ప్రావిన్స్‌లో BCలో ఉన్న వ్యత్యాసాన్ని మూర్తి 4A వివరిస్తుంది.ఒక క్లస్టర్‌లోని సగటు ప్రాంతం యొక్క సగటు కలయికను ఉపయోగించడం ద్వారా మరియు ప్రావిన్స్‌లోని ప్రతి గ్రిడ్ పాయింట్ యొక్క BC మరియు సగటు మధ్య అసమానతను నిర్ణయించడం ద్వారా నిర్ణయించబడుతుంది, SAGE పద్ధతి పర్యావరణ సారూప్యత రకం ఆధారంగా 51 జాతులను బాగా వేరు చేయగలదని చూపిస్తుంది. మోడల్ డేటా.మొత్తం 51 రకాల మొత్తం సగటు క్లస్టర్ BC అసమానత 0.102±0.0049.
(A, B, మరియు D) ప్రావిన్స్‌లోని BC వ్యత్యాసం ప్రతి గ్రిడ్ పాయింట్ కమ్యూనిటీ మరియు సగటు ప్రావిన్స్ మధ్య సగటు BC వ్యత్యాసంగా అంచనా వేయబడుతుంది మరియు సంక్లిష్టత తగ్గలేదు.(2) ప్రపంచ సగటు ఇంట్రా-ప్రావిన్షియల్ BC వ్యత్యాసం 0.227±0.117.ఈ పని [గ్రీన్ లైన్ ఇన్ (C)] ద్వారా ప్రతిపాదించబడిన పర్యావరణ ప్రేరణ-ఆధారిత వర్గీకరణ యొక్క బెంచ్‌మార్క్ ఇది.(C) సగటు ఇంట్రా-ప్రావిన్షియల్ BC వ్యత్యాసం: బ్లాక్ లైన్ పెరుగుతున్న సంక్లిష్టతతో ఇంట్రా-ప్రావిన్షియల్ BC వ్యత్యాసాన్ని సూచిస్తుంది.2σ ఎకో-ప్రావిన్స్ గుర్తింపు ప్రక్రియ యొక్క 10 పునరావృతాల నుండి వచ్చింది.DBSCAN ద్వారా కనుగొనబడిన ప్రావిన్సుల మొత్తం సంక్లిష్టత కోసం, (A) ప్రావిన్స్‌లో BC అసమానత 0.099 మరియు (C) ద్వారా ప్రతిపాదించబడిన సంక్లిష్టత వర్గీకరణ 12, ఫలితంగా ప్రావిన్స్‌లో 0.200 BC అసమానత ఏర్పడింది.చిత్రం చూపిస్తుంది.(డి)
మూర్తి 4Bలో, లాంగ్‌హర్స్ట్ ప్రావిన్స్‌లో సమానమైన BC వ్యత్యాసాన్ని సూచించడానికి 51 ప్లాంక్టన్ రకాల బయోమాస్ ఉపయోగించబడుతుంది.ప్రతి ప్రావిన్స్ యొక్క మొత్తం సగటు 0.227, మరియు BC ప్రావిన్స్‌లో వ్యత్యాసానికి సంబంధించి గ్రిడ్ పాయింట్ల ప్రామాణిక విచలనం 0.046.ఇది మూర్తి 1Bలో గుర్తించబడిన క్లస్టర్ కంటే పెద్దది.బదులుగా, ఏడు ఫంక్షనల్ గ్రూపుల మొత్తాన్ని ఉపయోగించి, లాంగ్‌హర్స్ట్‌లో సగటు ఇంట్రా-సీజన్ BC అసమానత 0.232కి పెరిగింది.
గ్లోబల్ ఎకో-ప్రావిన్స్ మ్యాప్ ప్రత్యేకమైన పర్యావరణ పరస్పర చర్యల యొక్క క్లిష్టమైన వివరాలను అందిస్తుంది మరియు లాంగ్‌హర్స్ట్ ప్రావిన్స్ యొక్క మొత్తం పర్యావరణ వ్యవస్థ నిర్మాణాన్ని ఉపయోగించడంలో మెరుగుదలలు చేయబడ్డాయి.మినిస్ట్రీ ఆఫ్ ఎకాలజీ న్యూమరికల్ మోడల్ ఎకోసిస్టమ్‌ను నియంత్రించే ప్రక్రియపై అంతర్దృష్టిని అందించాలని భావిస్తున్నారు మరియు ఈ అంతర్దృష్టి ఫీల్డ్ వర్క్ యొక్క అన్వేషణకు సహాయం చేస్తుంది.ఈ పరిశోధన ప్రయోజనం కోసం, వంద కంటే ఎక్కువ ప్రావిన్సులను పూర్తిగా ప్రదర్శించడం సాధ్యం కాదు.తదుపరి విభాగం ప్రావిన్సులను సంగ్రహించే SAGE పద్ధతిని పరిచయం చేస్తుంది.
ప్రావిన్స్ యొక్క స్థానం మరియు నిర్వహణపై అవగాహనను ప్రోత్సహించడం ప్రావిన్స్ యొక్క ప్రయోజనాలలో ఒకటి.అత్యవసర పరిస్థితులను గుర్తించడానికి, మూర్తి 1Bలోని పద్ధతి పర్యావరణపరంగా సారూప్యమైన ప్రావిన్సుల గూడును వివరిస్తుంది.పర్యావరణ సారూప్యత ఆధారంగా ఎకో-ప్రావిన్స్‌లు కలిసి ఉంటాయి మరియు అటువంటి ప్రావిన్సుల సమూహాన్ని AEP అంటారు.పరిగణించవలసిన మొత్తం ప్రావిన్సుల సంఖ్య ఆధారంగా సర్దుబాటు చేయగల “సంక్లిష్టత”ని సెట్ చేయండి."సంక్లిష్టత" అనే పదం ఉపయోగించబడుతుంది ఎందుకంటే ఇది అత్యవసర లక్షణాల స్థాయిని సర్దుబాటు చేయడానికి అనుమతిస్తుంది.అర్ధవంతమైన అగ్రిగేషన్‌లను నిర్వచించడానికి, లాంగ్‌హర్స్ట్ నుండి 0.227 సగటు ఇంట్రా-ప్రావిన్షియల్ BC వ్యత్యాసం బెంచ్‌మార్క్‌గా ఉపయోగించబడుతుంది.ఈ బెంచ్‌మార్క్ దిగువన, ఉమ్మడి ప్రావిన్సులు ఇకపై ఉపయోగకరంగా పరిగణించబడవు.
మూర్తి 3Bలో చూపినట్లుగా, ప్రపంచ పర్యావరణ ప్రావిన్సులు పొందికగా ఉన్నాయి.అంతర్-ప్రాంతీయ BC వ్యత్యాసాలను ఉపయోగించి, కొన్ని కాన్ఫిగరేషన్‌లు చాలా "సాధారణం"గా ఉన్నట్లు చూడవచ్చు.జన్యుశాస్త్రం మరియు గ్రాఫ్ థియరీ పద్ధతుల ద్వారా ప్రేరణ పొంది, "కనెక్ట్ చేయబడిన గ్రాఫ్‌లు"> 100 ప్రావిన్సులను వాటికి అత్యంత సారూప్యమైన ప్రావిన్సుల ఆధారంగా క్రమబద్ధీకరించడానికి ఉపయోగించబడతాయి.ఇక్కడ "కనెక్టివిటీ" మెట్రిక్ ఇంటర్-ప్రావిన్షియల్ BC అసమానత (30) ఉపయోగించి నిర్ణయించబడుతుంది.100 ప్రావిన్సుల వర్గీకరణ కోసం ఎక్కువ స్థలం ఉన్న ప్రావిన్సుల సంఖ్యను ఇక్కడ సంక్లిష్టతగా సూచించవచ్చు.AEP అనేది 100 కంటే ఎక్కువ ప్రావిన్సులను అత్యంత ఆధిపత్య/సమీప పర్యావరణ ప్రావిన్సులుగా వర్గీకరించే ఉత్పత్తి.ప్రతి పర్యావరణ ప్రావిన్స్ వాటికి అత్యంత సారూప్యమైన/అధికంగా అనుసంధానించబడిన పర్యావరణ ప్రావిన్స్‌కు కేటాయించబడుతుంది.BC వ్యత్యాసం ద్వారా నిర్ణయించబడిన ఈ అగ్రిగేషన్ గ్లోబల్ ఎకాలజీకి సమూహ విధానాన్ని అనుమతిస్తుంది.
ఎంచుకున్న సంక్లిష్టత 1 నుండి FIG యొక్క పూర్తి సంక్లిష్టత వరకు ఏదైనా విలువ కావచ్చు.2A.తక్కువ సంక్లిష్టత వద్ద, సంభావ్యత డైమెన్షియాలిటీ తగ్గింపు దశ (t-SNE) కారణంగా AEP క్షీణించవచ్చు.క్షీణత అంటే పర్యావరణ ప్రావిన్స్‌లను పునరావృతాల మధ్య వివిధ AEPలకు కేటాయించవచ్చు, తద్వారా కవర్ చేయబడిన భౌగోళిక ప్రాంతాన్ని మార్చవచ్చు.Figure 4C, AEPలలో ప్రావిన్సులలో BC అసమానతల వ్యాప్తిని వివరిస్తుంది, 10 అమలులలో సంక్లిష్టత పెరుగుతోంది (మూర్తి 1Bలోని ఉదాహరణ).మూర్తి 4Cలో, 2σ (నీలం ప్రాంతం) అనేది 10 ఇంప్లిమెంటేషన్‌లలో అధోకరణం యొక్క కొలత, మరియు ఆకుపచ్చ గీత లాంగ్‌హర్స్ట్ బెంచ్‌మార్క్‌ను సూచిస్తుంది.12 యొక్క సంక్లిష్టత ప్రావిన్స్‌లో BC వ్యత్యాసాన్ని అన్ని అమలులలో లాంగ్‌హర్స్ట్ బెంచ్‌మార్క్ కంటే దిగువన ఉంచగలదని మరియు సాపేక్షంగా చిన్న 2σ క్షీణతను కొనసాగించగలదని వాస్తవాలు నిరూపించాయి.సారాంశంలో, కనీస సిఫార్సు సంక్లిష్టత 12 AEPలు మరియు 51 పాచి రకాలను ఉపయోగించి అంచనా వేయబడిన సగటు ఇంట్రా-ప్రావిన్స్ BC వ్యత్యాసం మూర్తి 4Dలో చూపిన విధంగా 0.198±0.013.ఏడు ప్లాంక్టన్ ఫంక్షనల్ గ్రూపుల మొత్తాన్ని ఉపయోగించి, ప్రావిన్స్‌లో సగటు BC వ్యత్యాసం 0.198±0.004కి బదులుగా 2σ.ఏడు ఫంక్షనల్ గ్రూపుల మొత్తం బయోమాస్ లేదా మొత్తం 51 ప్లాంక్టన్ రకాల బయోమాస్‌తో లెక్కించబడిన BC తేడాల మధ్య పోలిక SAGE పద్ధతి 51-డైమెన్షనల్ పరిస్థితికి వర్తింపజేసినప్పటికీ, ఇది ఏడు ఫంక్షనల్ గ్రూపుల మొత్తం బయోమాస్‌కు అని చూపిస్తుంది. శిక్షణ కోసం.
ఏదైనా పరిశోధన యొక్క ఉద్దేశ్యంపై ఆధారపడి, సంక్లిష్టత యొక్క వివిధ స్థాయిలను పరిగణించవచ్చు.ప్రాంతీయ అధ్యయనాలకు పూర్తి సంక్లిష్టత అవసరం కావచ్చు (అంటే, మొత్తం 115 ప్రావిన్సులు).ఉదాహరణగా మరియు స్పష్టత కోసం, కనీస సిఫార్సు సంక్లిష్టత 12ని పరిగణించండి.
SAGE పద్ధతి యొక్క వినియోగానికి ఉదాహరణగా, అత్యవసర కమ్యూనిటీ నిర్మాణం యొక్క నియంత్రణను అన్వేషించడానికి కనిష్ట సంక్లిష్టత 12తో 12 AEPలు ఇక్కడ ఉపయోగించబడతాయి.AEP (A నుండి L వరకు) ద్వారా సమూహం చేయబడిన పర్యావరణ అంతర్దృష్టులను మూర్తి 5 వివరిస్తుంది: రెడ్‌ఫీల్డ్ స్టోయికియోమెట్రీలో, భౌగోళిక పరిధి (Figure 5C), ఫంక్షనల్ గ్రూప్ బయోమాస్ కంపోజిషన్ (Figure 5A) మరియు పోషక సరఫరా (Figure 5B) N Zoomed ద్వారా నిర్వహించబడుతుంది.నిష్పత్తి (N:Si:P:Fe, 1:1:16:16×103) చూపబడింది.తరువాతి ప్యానెల్ కోసం, P 16తో గుణించబడుతుంది మరియు Fe 16×103తో గుణించబడుతుంది, కాబట్టి బార్ గ్రాఫ్ ఫైటోప్లాంక్టన్ యొక్క పోషక అవసరాలకు సమానం.
ప్రావిన్స్‌లు 12 ప్రావిన్సులలోని 12 AEPలు A నుండి L. (A) బయోమాస్ (mgC/m3) పర్యావరణ వ్యవస్థలుగా వర్గీకరించబడ్డాయి.(B) కరిగిన అకర్బన నత్రజని (N), ఇనుము (Fe), ఫాస్ఫేట్ (P) మరియు సిలిసిక్ ఆమ్లం (Si) (సంవత్సరానికి mmol/m3) యొక్క పోషక ప్రవాహ రేటు.Fe మరియు P వరుసగా 16 మరియు 16×103తో గుణించబడతాయి, తద్వారా స్ట్రిప్స్ ఫైటోప్లాంక్టన్ స్టోయికియోమెట్రీ అవసరాలకు ప్రమాణీకరించబడతాయి.(సి) ధ్రువ ప్రాంతాలు, ఉపఉష్ణమండల తుఫానులు మరియు ప్రధాన కాలానుగుణ/పెరుగుతున్న ప్రాంతాల మధ్య వ్యత్యాసాన్ని గమనించండి.పర్యవేక్షణ స్టేషన్లు క్రింది విధంగా గుర్తించబడ్డాయి: 1, సీట్లు;2, అలోహా;3, స్టేషన్ P;మరియు 4, BATS.
గుర్తించబడిన AEP ప్రత్యేకమైనది.అట్లాంటిక్ మరియు పసిఫిక్ మహాసముద్రాలలో భూమధ్యరేఖ చుట్టూ కొంత సమరూపత ఉంది మరియు హిందూ మహాసముద్రంలో ఇదే విధమైన కానీ విస్తరించిన ప్రాంతం ఉంది.కొన్ని AEPలు అధిరోహణతో అనుబంధించబడిన ఖండం యొక్క పశ్చిమ భాగాన్ని స్వీకరించాయి.సౌత్ పోల్ సర్కమ్‌పోలార్ కరెంట్ పెద్ద జోనల్ ఫీచర్‌గా పరిగణించబడుతుంది.ఉపఉష్ణమండల తుఫాను అనేది ఒలిగోట్రోఫిక్ AEP యొక్క సంక్లిష్ట శ్రేణి.ఈ ప్రావిన్స్‌లలో, పాచి-ఆధిపత్యం కలిగిన ఒలిగోట్రోఫిక్ వోర్టిసెస్ మరియు డయాటమ్-రిచ్ ధ్రువ ప్రాంతాల మధ్య బయోమాస్ తేడాల యొక్క సుపరిచితమైన నమూనా స్పష్టంగా ఉంది.
చాలా సారూప్యమైన మొత్తం ఫైటోప్లాంక్టన్ బయోమాస్‌తో ఉన్న AEPలు చాలా భిన్నమైన కమ్యూనిటీ నిర్మాణాలను కలిగి ఉంటాయి మరియు D, H మరియు K వంటి విభిన్న భౌగోళిక ప్రాంతాలను కలిగి ఉంటాయి, ఇవి ఒకే విధమైన మొత్తం ఫైటోప్లాంక్టన్ బయోమాస్‌ను కలిగి ఉంటాయి.AEP H ప్రధానంగా భూమధ్యరేఖ హిందూ మహాసముద్రంలో ఉంది మరియు ఎక్కువ డయాజోట్రోఫిక్ బ్యాక్టీరియా ఉన్నాయి.AEP D అనేక బేసిన్‌లలో కనుగొనబడింది, అయితే ఇది ముఖ్యంగా పసిఫిక్‌లో భూమధ్యరేఖ ఉప్పెన చుట్టూ ఉన్న అధిక-దిగుబడి ప్రాంతాల చుట్టూ ప్రముఖంగా ఉంటుంది.ఈ పసిఫిక్ ప్రావిన్స్ ఆకారం ప్లానెటరీ వేవ్ రైలును తలపిస్తుంది.AEP Dలో కొన్ని డయాజోబాక్టీరియా మరియు మరిన్ని శంకువులు ఉన్నాయి.ఇతర రెండు ప్రావిన్స్‌లతో పోలిస్తే, AEP K అనేది ఆర్కిటిక్ మహాసముద్రంలోని ఎత్తైన ప్రాంతాలలో మాత్రమే కనిపిస్తుంది మరియు ఎక్కువ డయాటమ్‌లు మరియు తక్కువ పాచి ఉన్నాయి.ఈ మూడు ప్రాంతాలలో పాచి మొత్తం కూడా చాలా భిన్నంగా ఉండటం గమనించదగ్గ విషయం.వాటిలో, AEP K యొక్క పాచి సమృద్ధి చాలా తక్కువగా ఉంటుంది, అయితే AEP D మరియు H సాపేక్షంగా ఎక్కువగా ఉంటుంది.అందువల్ల, వాటి బయోమాస్ (మరియు అందువల్ల Chl-a మాదిరిగానే) ఉన్నప్పటికీ, ఈ ప్రావిన్సులు చాలా భిన్నంగా ఉంటాయి: Chl-ఆధారిత ప్రావిన్స్ పరీక్ష ఈ తేడాలను సంగ్రహించకపోవచ్చు.
ఫైటోప్లాంక్టన్ కమ్యూనిటీ నిర్మాణం పరంగా చాలా భిన్నమైన బయోమాస్‌తో కొన్ని AEP లు ఒకే విధంగా ఉండవచ్చని కూడా స్పష్టంగా తెలుస్తుంది.ఉదాహరణకు, ఇది AEP D మరియు Eలలో కనిపిస్తుంది. అవి ఒకదానికొకటి దగ్గరగా ఉంటాయి మరియు పసిఫిక్ మహాసముద్రంలో, AEP E అధిక ఉత్పాదక AEPJకి దగ్గరగా ఉంటుంది.అదేవిధంగా, ఫైటోప్లాంక్టన్ బయోమాస్ మరియు జూప్లాంక్టన్ సమృద్ధి మధ్య స్పష్టమైన సంబంధం లేదు.
AEP వారికి అందించబడిన పోషకాల పరంగా అర్థం చేసుకోవచ్చు (మూర్తి 5B).సిలిసిక్ ఆమ్లం పుష్కలంగా ఉన్న చోట మాత్రమే డయాటమ్‌లు ఉంటాయి.సాధారణంగా, సిలిసిక్ యాసిడ్ సరఫరా ఎంత ఎక్కువగా ఉంటే, డయాటమ్‌ల బయోమాస్ అంత ఎక్కువగా ఉంటుంది.డయాటమ్‌లను AEP A, J, K మరియు L లలో చూడవచ్చు. ఇతర ఫైటోప్లాంక్టన్‌కు సంబంధించి డయాటమ్ బయోమాస్ నిష్పత్తి డయాటమ్ డిమాండ్‌కు సంబంధించి అందించబడిన N, P మరియు Fe ద్వారా నిర్ణయించబడుతుంది.ఉదాహరణకు, AEP L డయాటమ్‌లచే ఆధిపత్యం చెలాయిస్తుంది.ఇతర పోషకాలతో పోలిస్తే, Si అత్యధిక సరఫరాను కలిగి ఉంది.దీనికి విరుద్ధంగా, అధిక ఉత్పాదకత ఉన్నప్పటికీ, AEP J తక్కువ డయాటమ్‌లను మరియు తక్కువ సిలికాన్ సరఫరాను కలిగి ఉంది (అన్నీ మరియు ఇతర పోషకాలకు సంబంధించి).
డయాజోనియం బాక్టీరియా నత్రజనిని స్థిరీకరించే సామర్థ్యాన్ని కలిగి ఉంటుంది, కానీ నెమ్మదిగా పెరుగుతుంది (31).అవి ఇతర ఫైటోప్లాంక్టన్‌తో సహజీవనం చేస్తాయి, ఇక్కడ డయాజోనియం కాని పోషకాల డిమాండ్‌తో పోలిస్తే ఇనుము మరియు భాస్వరం అధికంగా ఉంటాయి (20, 21).డయాజోట్రోఫిక్ బయోమాస్ సాపేక్షంగా ఎక్కువగా ఉండటం గమనించదగ్గ విషయం, మరియు F మరియు P సరఫరా N సరఫరాతో పోలిస్తే చాలా పెద్దది. ఈ విధంగా, AEP Jలో మొత్తం బయోమాస్ ఎక్కువగా ఉన్నప్పటికీ, AEP Hలో డయాజోనియం బయోమాస్ J కంటే పెద్దది. AEP J మరియు H భౌగోళికంగా చాలా భిన్నంగా ఉన్నాయని మరియు H భూమధ్యరేఖ హిందూ మహాసముద్రంలో ఉన్నాయని దయచేసి గమనించండి.
ప్రత్యేకమైన పర్యావరణ వ్యవస్థ నిర్మాణం ప్రావిన్స్‌లుగా విభజించబడకపోతే, 12 AEP యొక్క అత్యల్ప సంక్లిష్టత నమూనాల నుండి పొందిన అంతర్దృష్టులు అంత స్పష్టంగా ఉండవు.SAGE ద్వారా రూపొందించబడిన AEP పర్యావరణ వ్యవస్థ నమూనాల నుండి సంక్లిష్టమైన మరియు అధిక-డైమెన్షనల్ సమాచారం యొక్క పొందికైన మరియు ఏకకాల పోలికను సులభతరం చేస్తుంది.అధిక పోషక స్థాయిలలో కమ్యూనిటీ నిర్మాణం లేదా జూప్లాంక్టన్ సమృద్ధిని నిర్ణయించడానికి Chl ఎందుకు మంచి మరియు ప్రత్యామ్నాయ పద్ధతి కాదని AEP ప్రభావవంతంగా నొక్కి చెప్పింది.కొనసాగుతున్న పరిశోధన అంశాల యొక్క వివరణాత్మక విశ్లేషణ ఈ కథనం యొక్క పరిధికి మించినది.SAGE పద్ధతి మోడల్‌లోని ఇతర మెకానిజమ్‌లను అన్వేషించడానికి ఒక మార్గాన్ని అందిస్తుంది, ఇది పాయింట్-టు-పాయింట్ వీక్షణ కంటే సులభంగా నిర్వహించవచ్చు.
గ్లోబల్ ఫిజికల్/బయోజియోకెమికల్/ఎకోసిస్టమ్ న్యూమరికల్ మోడల్స్ నుండి అత్యంత సంక్లిష్టమైన పర్యావరణ డేటాను స్పష్టం చేయడంలో సహాయపడటానికి SAGE పద్ధతి ప్రతిపాదించబడింది.క్రాస్-ప్లాంక్టన్ ఫంక్షనల్ గ్రూపుల యొక్క మొత్తం బయోమాస్, t-SNE సంభావ్యత డైమెన్షియాలిటీ రిడక్షన్ అల్గారిథమ్ యొక్క అప్లికేషన్ మరియు పర్యవేక్షించబడని ML పద్ధతి DBSCAN ఉపయోగించి క్లస్టరింగ్ ద్వారా పర్యావరణ ప్రావిన్స్ నిర్ణయించబడుతుంది.గ్లోబల్ ఇంటర్‌ప్రిటేషన్ కోసం ఉపయోగించబడే ఒక బలమైన AEPని పొందేందుకు గూడు పద్ధతి కోసం అంతర్-ప్రాంతీయ BC వ్యత్యాసం/గ్రాఫ్ సిద్ధాంతం వర్తించబడుతుంది.నిర్మాణం పరంగా, ఎకో-ప్రావిన్స్ మరియు AEP ప్రత్యేకమైనవి.AEP గూడును అసలైన పర్యావరణ ప్రావిన్స్ యొక్క పూర్తి సంక్లిష్టత మరియు సిఫార్సు చేయబడిన కనీస 12 AEPల మధ్య సర్దుబాటు చేయవచ్చు.గూడు కట్టడం మరియు AEP యొక్క కనీస సంక్లిష్టతను నిర్ణయించడం కీలక దశలుగా పరిగణించబడతాయి, ఎందుకంటే సంభావ్యత t-SNE <12 సంక్లిష్టత AEPలను క్షీణింపజేస్తుంది.SAGE పద్ధతి గ్లోబల్, మరియు దాని సంక్లిష్టత> 100 AEPల నుండి 12 వరకు ఉంటుంది. సరళత కోసం, ప్రస్తుత దృష్టి 12 ప్రపంచ AEPల సంక్లిష్టతపై ఉంది.భవిష్యత్ పరిశోధనలు, ప్రత్యేకించి ప్రాంతీయ అధ్యయనాలు, గ్లోబల్ ఎకో-ప్రావిన్స్‌ల యొక్క చిన్న ప్రాదేశిక ఉపసమితి ఉపయోగకరంగా ఉండవచ్చు మరియు ఇక్కడ చర్చించబడిన అదే పర్యావరణ అంతర్దృష్టుల ప్రయోజనాన్ని పొందడానికి చిన్న ప్రాంతంలో సమగ్రపరచబడవచ్చు.ఈ పర్యావరణ ప్రావిన్స్‌లు మరియు వాటి నుండి పొందిన అంతర్దృష్టులు మరింత పర్యావరణ అవగాహన కోసం, మోడల్ పోలికను సులభతరం చేయడం మరియు సముద్ర పర్యావరణ వ్యవస్థల పర్యవేక్షణను సమర్థవంతంగా మెరుగుపరచడం కోసం ఎలా ఉపయోగించవచ్చనే దానిపై ఇది సూచనలను అందిస్తుంది.
SAGE పద్ధతి ద్వారా గుర్తించబడిన పర్యావరణ ప్రావిన్స్ మరియు AEP సంఖ్యా నమూనాలోని డేటాపై ఆధారపడి ఉంటాయి.నిర్వచనం ప్రకారం, సంఖ్యా నమూనా అనేది సరళీకృత నిర్మాణం, లక్ష్య వ్యవస్థ యొక్క సారాంశాన్ని సంగ్రహించడానికి ప్రయత్నిస్తుంది మరియు వివిధ నమూనాలు పాచి యొక్క విభిన్న పంపిణీని కలిగి ఉంటాయి.ఈ అధ్యయనంలో ఉపయోగించిన సంఖ్యా నమూనా గమనించిన కొన్ని నమూనాలను పూర్తిగా సంగ్రహించలేదు (ఉదాహరణకు, భూమధ్యరేఖ ప్రాంతం మరియు దక్షిణ మహాసముద్రం కోసం Chl అంచనాలలో).నిజమైన సముద్రంలో వైవిధ్యంలో కొంత భాగం మాత్రమే సంగ్రహించబడుతుంది మరియు మీసో మరియు సబ్-మెసోస్కేల్‌లు పరిష్కరించబడవు, ఇది పోషక ప్రవాహాన్ని మరియు చిన్న-స్థాయి సమాజ నిర్మాణాన్ని ప్రభావితం చేస్తుంది.ఈ లోపాలు ఉన్నప్పటికీ, సంక్లిష్ట నమూనాలను అర్థం చేసుకోవడంలో AEP చాలా ఉపయోగకరంగా ఉంటుందని తేలింది.సారూప్య పర్యావరణ ప్రావిన్స్‌లు ఎక్కడ ఉన్నాయో మూల్యాంకనం చేయడం ద్వారా, AEP సంభావ్య సంఖ్యా నమూనా పోలిక సాధనాన్ని అందిస్తుంది.ప్రస్తుత సంఖ్యా నమూనా రిమోట్ సెన్సింగ్ ఫైటోప్లాంక్టన్ Chl-a ఏకాగ్రత మరియు పాచి పరిమాణం మరియు ఫంక్షనల్ గ్రూప్ (గమనిక S1 మరియు Figure S1) (2, 32) పంపిణీ యొక్క మొత్తం నమూనాను సంగ్రహిస్తుంది.
0.1 mgChl-a/m-3 ఆకృతి రేఖ ద్వారా చూపబడినట్లుగా, AEP ఒలిగోట్రోఫిక్ ప్రాంతం మరియు మెసోట్రోఫిక్ ప్రాంతంగా విభజించబడింది (మూర్తి S1B): AEP B, C, D, E, F మరియు G అనేది ఒలిగోట్రోఫిక్ ప్రాంతాలు, మరియు మిగిలిన ప్రాంతాలు హైయర్ Chl-a ఉంది.AEP లాంగ్‌హర్స్ట్ ప్రావిన్స్ (Figure S3A)తో కొంత అనురూప్యతను చూపుతుంది, ఉదాహరణకు, దక్షిణ మహాసముద్రం మరియు భూమధ్యరేఖ పసిఫిక్.కొన్ని ప్రాంతాలలో, AEP బహుళ లాంగ్‌హర్స్ట్ ప్రాంతాలను కవర్ చేస్తుంది మరియు వైస్ వెర్సా.ఈ ప్రాంతం మరియు లాంగ్‌హర్స్ట్‌లోని ప్రావిన్సులను డీలిమిట్ చేయాలనే ఉద్దేశ్యం భిన్నంగా ఉన్నందున, తేడాలు ఉండవచ్చని భావిస్తున్నారు.లాంగ్‌హర్స్ట్ ప్రావిన్స్‌లోని బహుళ AEPలు సారూప్య బయోజెకెమిస్ట్రీ ఉన్న కొన్ని ప్రాంతాలు చాలా భిన్నమైన పర్యావరణ వ్యవస్థ నిర్మాణాలను కలిగి ఉండవచ్చని సూచిస్తున్నాయి.AEP భౌతిక స్థితులతో నిర్దిష్ట అనురూప్యతను ప్రదర్శిస్తుంది, పర్యవేక్షించబడని అభ్యాసాన్ని (19) ఉపయోగించి బహిర్గతం చేస్తుంది, ఉదాహరణకు, అధిక ఉప్పెన రాష్ట్రాలలో (ఉదాహరణకు, దక్షిణ మహాసముద్రం మరియు భూమధ్యరేఖ పసిఫిక్; మూర్తి S3, C మరియు D).ఈ కరస్పాండెన్స్‌లు పాచి యొక్క కమ్యూనిటీ నిర్మాణం సముద్ర డైనమిక్స్ ద్వారా బలంగా ప్రభావితమైందని సూచిస్తున్నాయి.ఉత్తర అట్లాంటిక్ వంటి ప్రాంతాల్లో, AEP భౌతిక ప్రావిన్సులను దాటుతుంది.ఈ వ్యత్యాసాలకు కారణమయ్యే యంత్రాంగం దుమ్ము రవాణా వంటి ప్రక్రియలను కలిగి ఉండవచ్చు, ఇది సారూప్య భౌతిక పరిస్థితులలో కూడా పూర్తిగా భిన్నమైన పోషకాహార కార్యక్రమాలకు దారి తీస్తుంది.
సముద్ర జీవావరణ శాస్త్ర సంఘం ఇప్పటికే గ్రహించినట్లుగా, Chlని మాత్రమే ఉపయోగించడం వల్ల పర్యావరణ భాగాలను గుర్తించలేమని పర్యావరణ శాస్త్ర మంత్రిత్వ శాఖ మరియు AEP సూచించాయి.ఇది సారూప్య జీవపదార్ధాలతో AEP లలో కనిపిస్తుంది కానీ గణనీయంగా భిన్నమైన పర్యావరణ కూర్పు (D మరియు E వంటివి).దీనికి విరుద్ధంగా, D మరియు K వంటి AEPలు చాలా భిన్నమైన జీవపదార్ధాలను కలిగి ఉంటాయి కానీ ఒకే విధమైన పర్యావరణ కూర్పును కలిగి ఉంటాయి.బయోమాస్, పర్యావరణ కూర్పు మరియు జూప్లాంక్టన్ సమృద్ధి మధ్య సంబంధం సంక్లిష్టంగా ఉందని AEP నొక్కి చెప్పింది.ఉదాహరణకు, ఫైటోప్లాంక్టన్ మరియు ప్లాంక్టన్ బయోమాస్ పరంగా AEP J ప్రత్యేకించబడినప్పటికీ, AEP యొక్క A మరియు L ఒకే విధమైన పాచి బయోమాస్‌ను కలిగి ఉంటాయి, కానీ A అధిక పాచి సమృద్ధిని కలిగి ఉంటాయి.జూప్లాంక్టన్ బయోమాస్‌ను అంచనా వేయడానికి ఫైటోప్లాంక్టన్ బయోమాస్ (లేదా Chl) ఉపయోగించబడదని AEP నొక్కి చెప్పింది.జూప్లాంక్టన్ అనేది మత్స్య ఆహార గొలుసుకు పునాది, మరియు మరింత ఖచ్చితమైన అంచనాలు మెరుగైన వనరుల నిర్వహణకు దారితీయవచ్చు.భవిష్యత్ సముద్ర రంగు ఉపగ్రహాలు [ఉదాహరణకు, PACE (ప్లాంక్టన్, ఏరోసోల్, క్లౌడ్ మరియు మెరైన్ ఎకోసిస్టమ్)] ఫైటోప్లాంక్టన్ యొక్క కమ్యూనిటీ నిర్మాణాన్ని అంచనా వేయడంలో సహాయపడవచ్చు.AEP ప్రిడిక్షన్‌ని ఉపయోగించడం వల్ల అంతరిక్షం నుండి జూప్లాంక్టన్‌ను అంచనా వేయవచ్చు.SAGE వంటి పద్దతులు, కొత్త సాంకేతికతలతో పాటు, గ్రౌండ్ ట్రూత్ సర్వేల కోసం అందుబాటులో ఉన్న మరిన్ని ఫీల్డ్ డేటా (తారా మరియు తదుపరి పరిశోధన వంటివి) సంయుక్తంగా ఉపగ్రహ ఆధారిత పర్యావరణ వ్యవస్థ ఆరోగ్య పర్యవేక్షణ వైపు ఒక అడుగు వేయవచ్చు.
బయోమాస్/Chl, నికర ప్రైమరీ ప్రొడక్షన్ మరియు కమ్యూనిటీ నిర్మాణం వంటి ప్రావిన్స్ లక్షణాలను నియంత్రించే కొన్ని మెకానిజమ్‌లను మూల్యాంకనం చేయడానికి SAGE పద్ధతి అనుకూలమైన మార్గాన్ని అందిస్తుంది.ఉదాహరణకు, ఫైటోప్లాంక్టన్ స్టోయికియోమెట్రిక్ అవసరాలకు సంబంధించి Si, N, P మరియు Fe సరఫరాలో అసమతుల్యత ద్వారా డయాటమ్‌ల సాపేక్ష మొత్తం సెట్ చేయబడుతుంది.సమతుల్య సరఫరా రేటుతో, సంఘం డయాటమ్స్ (L)చే ఆధిపత్యం చెలాయిస్తుంది.సరఫరా రేటు అసమతుల్యమైనప్పుడు (అనగా, సిలికాన్ సరఫరా డయాటమ్‌ల పోషక డిమాండ్ కంటే తక్కువగా ఉంటుంది), డయాటమ్‌లు షేర్ (కె) చిన్న భాగాన్ని మాత్రమే కలిగి ఉంటాయి.Fe మరియు P యొక్క సరఫరా N సరఫరాను మించిపోయినప్పుడు (ఉదాహరణకు, E మరియు H), డయాజోట్రోఫిక్ బ్యాక్టీరియా తీవ్రంగా పెరుగుతుంది.AEP అందించిన సందర్భం ద్వారా, నియంత్రణ యంత్రాంగాల అన్వేషణ మరింత ఉపయోగకరంగా ఉంటుంది.
ఎకో-ప్రావిన్స్ మరియు AEP ఒకే విధమైన కమ్యూనిటీ నిర్మాణాలు కలిగిన ప్రాంతాలు.ఎకోలాజికల్ ప్రావిన్స్ లేదా AEPలోని ఒక నిర్దిష్ట ప్రదేశం నుండి సమయ శ్రేణిని రిఫరెన్స్ పాయింట్‌గా పరిగణించవచ్చు మరియు పర్యావరణ ప్రావిన్స్ లేదా AEP ద్వారా కవర్ చేయబడిన ప్రాంతాన్ని సూచించవచ్చు.దీర్ఘ-కాల ఆన్-సైట్ మానిటరింగ్ స్టేషన్లు అటువంటి సమయ శ్రేణిని అందిస్తాయి.దీర్ఘకాలిక ఇన్-సిటు డేటా సెట్‌లు లెక్కించలేని పాత్రను పోషిస్తూనే ఉంటాయి.కమ్యూనిటీ నిర్మాణాన్ని పర్యవేక్షించే దృక్కోణం నుండి, కొత్త సైట్‌ల యొక్క అత్యంత ఉపయోగకరమైన స్థానాన్ని గుర్తించడంలో సహాయపడే మార్గంగా SAGE పద్ధతిని చూడవచ్చు.ఉదాహరణకు, దీర్ఘ-కాల ఒలిగోట్రోఫిక్ నివాస అంచనా (ALOHA) నుండి సమయ శ్రేణి ఒలిగోట్రోఫిక్ ప్రాంతంలోని AEP Bలో ఉంది (మూర్తి 5C, లేబుల్ 2).ALOHA మరొక AEP సరిహద్దుకు దగ్గరగా ఉన్నందున, గతంలో సూచించినట్లుగా, సమయ శ్రేణి మొత్తం ప్రాంతానికి ప్రాతినిధ్యం వహించకపోవచ్చు (33).అదే AEP Bలో, సమయ శ్రేణి SEATS (ఆగ్నేయాసియా సమయ శ్రేణి) నైరుతి తైవాన్‌లో (34), ఇతర AEPల సరిహద్దులకు దూరంగా ఉంది (మూర్తి 5C, లేబుల్ 1), మరియు పర్యవేక్షించడానికి మెరుగైన ప్రదేశంగా ఉపయోగించవచ్చు. AEPB.AEPCలోని BATS (బెర్ముడా అట్లాంటిక్ టైమ్ సిరీస్ స్టడీ) సమయ శ్రేణి (Figure 5C, లేబుల్ 4) AEP C మరియు F మధ్య సరిహద్దుకు చాలా దగ్గరగా ఉంటుంది, ఇది BATS సమయ శ్రేణిని ఉపయోగించి AEP Cని పర్యవేక్షించడం నేరుగా సమస్యాత్మకంగా ఉండవచ్చని సూచిస్తుంది.AEP Jలోని స్టేషన్ P (మూర్తి 5C, లేబుల్ 3) AEP సరిహద్దుకు దూరంగా ఉంది, కనుక ఇది మరింత ప్రాతినిధ్యం వహిస్తుంది.ఎకో-ప్రావిన్స్ మరియు AEP గ్లోబల్ మార్పులను అంచనా వేయడానికి అనువైన పర్యవేక్షణ ఫ్రేమ్‌వర్క్‌ను ఏర్పాటు చేయడంలో సహాయపడతాయి, ఎందుకంటే ఆన్-సైట్ శాంప్లింగ్ ఎక్కడ కీలక అంతర్దృష్టులను అందించగలదో అంచనా వేయడానికి ప్రావిన్సుల అనుమతి.సమయాన్ని ఆదా చేసే వైవిధ్యాన్ని అంచనా వేయడానికి వాతావరణ డేటాకు వర్తించేలా SAGE పద్ధతిని మరింత అభివృద్ధి చేయవచ్చు.
డేటా సైన్స్/ML పద్ధతులు మరియు డొమైన్-నిర్దిష్ట పరిజ్ఞానాన్ని జాగ్రత్తగా ఉపయోగించడం ద్వారా SAGE పద్ధతి యొక్క విజయం సాధించబడుతుంది.ప్రత్యేకంగా, t-SNE డైమెన్షనాలిటీ తగ్గింపును నిర్వహించడానికి ఉపయోగించబడుతుంది, ఇది హై-డైమెన్షనల్ డేటా యొక్క కోవియారిన్స్ స్ట్రక్చర్‌ను సంరక్షిస్తుంది మరియు కోవియారిన్స్ టోపోలాజీ యొక్క విజువలైజేషన్‌ను సులభతరం చేస్తుంది.డేటా చారలు మరియు కోవియారెన్స్‌ల రూపంలో అమర్చబడింది (మూర్తి 2A), పూర్తిగా దూర-ఆధారిత కొలతలు (K-మీన్స్ వంటివి) తగినవి కావు ఎందుకంటే అవి సాధారణంగా గాస్సియన్ (వృత్తాకార) ప్రాతిపదిక పంపిణీని ఉపయోగిస్తాయి (గమనిక S2లో చర్చించబడింది) .DBSCAN పద్ధతి ఏదైనా కోవియారిన్స్ టోపోలాజీకి అనుకూలంగా ఉంటుంది.మీరు సెట్టింగు పారామితులపై శ్రద్ధ వహిస్తున్నంత కాలం, విశ్వసనీయ గుర్తింపును అందించవచ్చు.t-SNE అల్గారిథమ్ యొక్క గణన ధర ఎక్కువగా ఉంటుంది, ఇది దాని ప్రస్తుత అప్లికేషన్‌ను పెద్ద మొత్తంలో డేటాకు పరిమితం చేస్తుంది, అంటే లోతైన లేదా సమయం-మారుతున్న ఫీల్డ్‌లకు వర్తింపజేయడం కష్టం.t-SNE యొక్క స్కేలబిలిటీపై పని పురోగతిలో ఉంది.KL దూరం సమాంతరంగా చేయడం సులభం కనుక, t-SNE అల్గోరిథం భవిష్యత్తులో విస్తరణకు మంచి సామర్థ్యాన్ని కలిగి ఉంది (35).ఇప్పటివరకు, పరిమాణాన్ని బాగా తగ్గించగల ఇతర ఆశాజనకమైన డైమెన్షియాలిటీ తగ్గింపు పద్ధతులలో ఏకీకృత మానిఫోల్డ్ ఉజ్జాయింపు మరియు ప్రొజెక్షన్ (UMAP) పద్ధతులు ఉన్నాయి, అయితే సముద్ర డేటా సందర్భంలో మూల్యాంకనం అవసరం.మెరుగైన స్కేలబిలిటీ యొక్క అర్థం, ఉదాహరణకు, మిశ్రమ పొరపై విభిన్న సంక్లిష్టతతో ప్రపంచ వాతావరణాలు లేదా నమూనాలను వర్గీకరించడం.ఏ ప్రావిన్స్‌లోనైనా SAGE ద్వారా వర్గీకరించడంలో విఫలమైన ప్రాంతాలను మూర్తి 2Aలో మిగిలిన నల్ల చుక్కలుగా పరిగణించవచ్చు.భౌగోళికంగా, ఈ ప్రాంతాలు ప్రధానంగా అధిక కాలానుగుణ ప్రాంతాలలో ఉన్నాయి, ఇది కాలక్రమేణా మారుతున్న పర్యావరణ ప్రావిన్సులను స్వాధీనం చేసుకోవడం మెరుగైన కవరేజీని అందిస్తుందని సూచిస్తుంది.
SAGE పద్ధతిని నిర్మించడానికి, సంక్లిష్ట వ్యవస్థలు/డేటా సైన్స్ నుండి ఆలోచనలు ఉపయోగించబడ్డాయి, ఫంక్షనల్ గ్రూపుల సమూహాలను (11-డైమెన్షనల్ స్పేస్‌లో చాలా దగ్గరగా ఉండే అవకాశం) మరియు ప్రావిన్సులను నిర్ణయించే సామర్థ్యాన్ని ఉపయోగించి.ఈ ప్రావిన్సులు మా 3D t-SNE దశ స్థలంలో నిర్దిష్ట వాల్యూమ్‌లను వర్ణిస్తాయి.అదేవిధంగా, "సాధారణ" లేదా "అస్తవ్యస్తమైన" ప్రవర్తనను (36) నిర్ణయించడానికి పథం ఆక్రమించిన రాష్ట్ర స్థలం యొక్క "వాల్యూమ్"ని అంచనా వేయడానికి Poincaré భాగాన్ని ఉపయోగించవచ్చు.స్టాటిక్ 11-డైమెన్షనల్ మోడల్ అవుట్‌పుట్ కోసం, డేటా 3D ఫేజ్ స్పేస్‌గా మార్చబడిన తర్వాత ఆక్రమించబడిన వాల్యూమ్‌ను అదేవిధంగా వివరించవచ్చు.3D దశ స్థలంలో భౌగోళిక ప్రాంతం మరియు ప్రాంతం మధ్య సంబంధం సులభం కాదు, కానీ పర్యావరణ సారూప్యత పరంగా దీనిని వివరించవచ్చు.ఈ కారణంగా, మరింత సాంప్రదాయ BC అసమానత కొలతకు ప్రాధాన్యత ఇవ్వబడుతుంది.
గుర్తించబడిన ప్రావిన్సులు మరియు AEP యొక్క ప్రాదేశిక వైవిధ్యాన్ని అంచనా వేయడానికి కాలానుగుణంగా మారుతున్న డేటా కోసం భవిష్యత్ పని SAGE పద్ధతిని మళ్లీ ఉపయోగిస్తుంది.ఉపగ్రహ కొలతలు (Chl-a, రిమోట్ సెన్సింగ్ రిఫ్లెక్టివిటీ మరియు సముద్ర ఉపరితల ఉష్ణోగ్రత వంటివి) ద్వారా ఏ ప్రావిన్స్‌లను నిర్ణయించవచ్చో నిర్ణయించడంలో సహాయపడటానికి ఈ పద్ధతిని ఉపయోగించడం భవిష్యత్తు లక్ష్యం.ఇది పర్యావరణ భాగాల యొక్క రిమోట్ సెన్సింగ్ అంచనాను మరియు పర్యావరణ ప్రావిన్సుల యొక్క అత్యంత సౌకర్యవంతమైన పర్యవేక్షణ మరియు వాటి వైవిధ్యాన్ని అనుమతిస్తుంది.
ఈ పరిశోధన యొక్క ఉద్దేశ్యం SAGE పద్ధతిని పరిచయం చేయడం, ఇది పర్యావరణ ప్రావిన్స్‌ను దాని ప్రత్యేకమైన ప్లాంక్టన్ కమ్యూనిటీ నిర్మాణం ద్వారా నిర్వచిస్తుంది.ఇక్కడ, భౌతిక/బయోజియోకెమికల్/ఎకోసిస్టమ్ మోడల్ మరియు t-SNE మరియు DBSCAN అల్గారిథమ్‌ల పారామీటర్ ఎంపిక గురించి మరింత వివరమైన సమాచారం అందించబడుతుంది.
నమూనా యొక్క భౌతిక భాగాలు సముద్ర ప్రసరణ మరియు వాతావరణం యొక్క అంచనా నుండి వచ్చాయి [ECCOv4;(37) (38) ద్వారా వివరించబడిన గ్లోబల్ స్టేట్ అంచనా.రాష్ట్ర అంచనా యొక్క నామమాత్రపు తీర్మానం 1/5.లాగ్రాంజియన్ గుణకం పద్ధతితో అతి తక్కువ చతురస్రాల పద్ధతి ప్రారంభ మరియు సరిహద్దు పరిస్థితులు మరియు పరిశీలన ద్వారా సర్దుబాటు చేయబడిన అంతర్గత నమూనా పారామితులను పొందేందుకు ఉపయోగించబడుతుంది, తద్వారా స్వేచ్ఛగా నడుస్తున్న MIT సాధారణ సైకిల్ మోడల్ (MITgcm) (39), మోడల్ ఆప్టిమైజేషన్ తర్వాత, ఫలితాలు పొందవచ్చు ట్రాక్ మరియు గమనించవచ్చు.
బయోజెకెమిస్ట్రీ/ఎకోసిస్టమ్ (2)లో మరింత పూర్తి వివరణను (అంటే సమీకరణాలు మరియు పారామితి విలువలు) కలిగి ఉంది.మోడల్ అకర్బన మరియు సేంద్రీయ చెరువుల ద్వారా C, N, P, Si మరియు Fe యొక్క ప్రసరణను సంగ్రహిస్తుంది.ఇక్కడ ఉపయోగించిన సంస్కరణలో 35 రకాల ఫైటోప్లాంక్టన్ ఉన్నాయి: 2 జాతుల మైక్రోప్రోకార్యోట్‌లు మరియు 2 జాతుల మైక్రోయూకారియోట్లు (తక్కువ పోషక వాతావరణాలకు అనుకూలం), 5 జాతుల క్రిప్టోమోనాస్ స్ఫేరోయిడ్‌లు (కాల్షియం కార్బోనేట్ పూతతో), 5 జాతుల డయాజోనియం ( నైట్రోజన్‌ని సరిచేయగలదు, కాబట్టి ఇది పరిమితం కాదు) కరిగిన అకర్బన నత్రజని లభ్యత), 11 డయాటమ్‌లు (సిలిసియస్ కవర్‌ను ఏర్పరుస్తుంది), 10 మిశ్రమ-ఏపుగా ఉండే ఫ్లాగెలేట్‌లు (కిరణజన్య సంయోగక్రియ మరియు ఇతర పాచిని తినవచ్చు) మరియు 16 జూప్లాంక్టన్ (ఇతర పాచిపై మేపుతాయి).వీటిని "బయోజియోకెమికల్ ఫంక్షనల్ గ్రూపులు" అని పిలుస్తారు, ఎందుకంటే ఇవి సముద్ర జీవరసాయన శాస్త్రం (40, 41)పై విభిన్న ప్రభావాలను కలిగి ఉంటాయి మరియు తరచుగా పరిశీలన మరియు నమూనా అధ్యయనాలలో ఉపయోగించబడతాయి.ఈ నమూనాలో, ప్రతి క్రియాత్మక సమూహం 0.6 నుండి 2500 μm సమానమైన గోళాకార వ్యాసంతో విభిన్న పరిమాణాల అనేక పాచిలతో కూడి ఉంటుంది.
ఫైటోప్లాంక్టన్ పెరుగుదల, మేత మరియు మునిగిపోవడాన్ని ప్రభావితం చేసే పారామితులు పరిమాణానికి సంబంధించినవి మరియు ఆరు ఫైటోప్లాంక్టన్ ఫంక్షనల్ గ్రూపుల మధ్య నిర్దిష్ట వ్యత్యాసాలు ఉన్నాయి (32).విభిన్న భౌతిక ఫ్రేమ్‌వర్క్‌లు ఉన్నప్పటికీ, మోడల్ యొక్క 51 పాచి భాగాల ఫలితాలు అనేక ఇటీవలి అధ్యయనాలలో ఉపయోగించబడ్డాయి (42-44).
1992 నుండి 2011 వరకు, ఫిజికల్/బయోజియోకెమికల్/ఎకోసిస్టమ్ కప్లింగ్ మోడల్ 20 సంవత్సరాల పాటు కొనసాగింది.మోడల్ యొక్క అవుట్‌పుట్‌లో ప్లాంక్టన్ బయోమాస్, పోషక సాంద్రత మరియు పోషక సరఫరా రేటు (DIN, PO4, Si మరియు Fe) ఉన్నాయి.ఈ అధ్యయనంలో, ఈ అవుట్‌పుట్‌ల యొక్క 20-సంవత్సరాల సగటు పర్యావరణ ప్రావిన్స్ యొక్క ఇన్‌పుట్‌గా ఉపయోగించబడింది.Chl, ప్లాంక్టన్ బయోమాస్ పంపిణీ మరియు పోషక ఏకాగ్రత మరియు ఫంక్షనల్ గ్రూపుల పంపిణీ ఉపగ్రహ మరియు ఇన్-సిటు పరిశీలనలతో పోల్చబడ్డాయి [(2, 44), గమనిక S1 మరియు ఫిగర్ చూడండి.S1 నుండి S3].
SAGE పద్ధతికి, యాదృచ్ఛికత యొక్క ప్రధాన మూలం t-SNE దశ నుండి వస్తుంది.యాదృచ్ఛికత పునరావృతతను అడ్డుకుంటుంది, అంటే ఫలితాలు నమ్మదగనివి.SAGE పద్ధతి t-SNE మరియు DBSCAN యొక్క పారామితుల సమితిని నిర్ణయించడం ద్వారా పటిష్టతను కఠినంగా పరీక్షిస్తుంది, ఇది పునరావృతమైనప్పుడు క్లస్టర్‌లను స్థిరంగా గుర్తించగలదు.t-SNE పరామితి యొక్క "అయోమయ స్థితి"ని నిర్ణయించడం అనేది డేటా యొక్క స్థానిక లేదా ప్రపంచ లక్షణాలను అధిక నుండి తక్కువ కొలతలు వరకు మ్యాపింగ్ ఏ స్థాయికి గౌరవించాలో నిర్ణయించడం అని అర్థం చేసుకోవచ్చు.400 మరియు 300 పునరావృతాల గందరగోళానికి చేరుకుంది.
క్లస్టరింగ్ అల్గారిథమ్ DBSCAN కోసం, క్లస్టర్‌లోని డేటా పాయింట్ల కనిష్ట పరిమాణం మరియు దూర మెట్రిక్‌ని నిర్ణయించడం అవసరం.నిపుణుల మార్గదర్శకత్వంలో కనీస సంఖ్య నిర్ణయించబడుతుంది.ఈ జ్ఞానం ప్రస్తుత సంఖ్యా మోడలింగ్ ఫ్రేమ్‌వర్క్ మరియు రిజల్యూషన్‌కు ఏది సరిపోతుందో తెలుసు.కనిష్ట సంఖ్య 100. అధిక కనిష్ట విలువ (ఆకుపచ్చ రంగు ఎగువ పరిమితి విస్తృతం కావడానికి ముందు <135 కంటే తక్కువ) పరిగణించబడుతుంది, అయితే ఇది BC అసమానత ఆధారంగా అగ్రిగేషన్ పద్ధతిని భర్తీ చేయదు.కనెక్షన్ డిగ్రీ (Figure 6A) ϵ పరామితిని సెట్ చేయడానికి ఉపయోగించబడుతుంది, ఇది అధిక కవరేజీకి అనుకూలంగా ఉంటుంది (మూర్తి 6B).కనెక్టివిటీ అనేది క్లస్టర్‌ల మిశ్రమ సంఖ్యగా నిర్వచించబడింది మరియు ϵ పారామీటర్‌కు సున్నితంగా ఉంటుంది.దిగువ కనెక్టివిటీ తగినంతగా సరిపోకపోవడం, కృత్రిమంగా ప్రాంతాలను సమూహపరచడం సూచిస్తుంది.అధిక కనెక్టివిటీ ఓవర్ ఫిట్‌ని సూచిస్తుంది.ఓవర్ ఫిట్టింగ్ కూడా సమస్యాత్మకం, ఎందుకంటే ఇది ప్రారంభ యాదృచ్ఛిక అంచనాలు పునరుత్పాదక ఫలితాలకు దారితీయవచ్చని చూపిస్తుంది.ఈ రెండు తీవ్రతల మధ్య, ఒక పదునైన పెరుగుదల (సాధారణంగా "మోచేయి" అని పిలుస్తారు) ఉత్తమ ϵని సూచిస్తుంది.మూర్తి 6Aలో, మీరు పీఠభూమి ప్రాంతంలో (పసుపు,> 200 క్లస్టర్‌లు) పదునైన పెరుగుదలను చూస్తారు, ఆ తర్వాత పదునైన తగ్గుదల (ఆకుపచ్చ, 100 క్లస్టర్‌లు), దాదాపు 130 వరకు, చాలా తక్కువ సమూహాలతో (నీలం, <60 క్లస్టర్‌లు) )కనీసం 100 నీలి రంగు ప్రాంతాలలో, ఒక క్లస్టర్ మొత్తం సముద్రంపై ఆధిపత్యం చెలాయిస్తుంది (ϵ <0.42), లేదా సముద్రంలో ఎక్కువ భాగం వర్గీకరించబడలేదు మరియు శబ్దంగా పరిగణించబడుతుంది (ϵ> 0.99).పసుపు ప్రాంతం చాలా వేరియబుల్, పునరుత్పత్తి చేయలేని క్లస్టర్ పంపిణీని కలిగి ఉంది.ϵ తగ్గినప్పుడు, శబ్దం పెరుగుతుంది.తీవ్రంగా పెరుగుతున్న ఆకుపచ్చ ప్రాంతాన్ని మోచేయి అంటారు.ఇది సరైన ప్రాంతం.సంభావ్యత t-SNE ఉపయోగించబడినప్పటికీ, ప్రావిన్స్‌లోని BC అసమానత ఇప్పటికీ నమ్మదగిన క్లస్టరింగ్‌ను గుర్తించడానికి ఉపయోగించబడుతుంది.మూర్తి 6 (A మరియు B) ఉపయోగించి, ϵని 0.39కి సెట్ చేయండి.కనిష్ట సంఖ్య ఎంత పెద్దదైతే, నమ్మదగిన వర్గీకరణను అనుమతించే ϵకి చేరే సంభావ్యత తక్కువగా ఉంటుంది మరియు 135 కంటే ఎక్కువ విలువ కలిగిన ఆకుపచ్చ ప్రాంతం ఎక్కువగా ఉంటుంది. ఈ ప్రాంతం యొక్క విస్తరణ మోచేయిని కనుగొనడం చాలా కష్టంగా ఉంటుందని లేదా నాన్-కాదని సూచిస్తుంది. ఉనికిలో ఉంది.
t-SNE యొక్క పారామితులను సెట్ చేసిన తర్వాత, కనుగొనబడిన మొత్తం క్లస్టర్‌ల సంఖ్య కనెక్టివిటీ (A) మరియు క్లస్టర్ (B)కి కేటాయించబడిన డేటా శాతంగా ఉపయోగించబడుతుంది.ఎరుపు బిందువు కవరేజ్ మరియు కనెక్టివిటీ యొక్క ఉత్తమ కలయికను సూచిస్తుంది.ఎకాలజీకి సంబంధించిన కనీస సంఖ్య ప్రకారం కనీస సంఖ్య సెట్ చేయబడింది.
ఈ కథనం కోసం సప్లిమెంటరీ మెటీరియల్స్ కోసం, దయచేసి http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1ని చూడండి
ఇది క్రియేటివ్ కామన్స్ అట్రిబ్యూషన్ లైసెన్స్ నిబంధనల ప్రకారం పంపిణీ చేయబడిన ఓపెన్ యాక్సెస్ కథనం.కథనం అసలైన పనిని సరిగ్గా ఉదహరించిన షరతుతో ఏ మాధ్యమంలోనైనా అనియంత్రిత ఉపయోగం, పంపిణీ మరియు పునరుత్పత్తిని అనుమతిస్తుంది.
గమనిక: మేము మీ ఇమెయిల్ చిరునామాను అందించమని మాత్రమే మిమ్మల్ని అడుగుతున్నాము, తద్వారా మీరు పేజీకి సిఫార్సు చేసిన వ్యక్తి ఇమెయిల్‌ను చూడాలనుకుంటున్నారని మరియు అది స్పామ్ కాదని మీకు తెలుస్తుంది.మేము ఏ ఇమెయిల్ చిరునామాలను క్యాప్చర్ చేయము.
మీరు సందర్శకులా కాదా అని పరీక్షించడానికి మరియు ఆటోమేటిక్ స్పామ్ సమర్పణను నిరోధించడానికి ఈ ప్రశ్న ఉపయోగించబడుతుంది.
గ్లోబల్ మినిస్ట్రీ ఆఫ్ మెరైన్ ఎకాలజీ సంక్లిష్ట సమస్యలను పరిష్కరించడానికి నిశ్చయించుకుంది మరియు సంఘం నిర్మాణాలను అన్వేషించడానికి పర్యవేక్షించబడని MLని ఉపయోగిస్తుంది.
గ్లోబల్ మినిస్ట్రీ ఆఫ్ మెరైన్ ఎకాలజీ సంక్లిష్ట సమస్యలను పరిష్కరించడానికి నిశ్చయించుకుంది మరియు సంఘం నిర్మాణాలను అన్వేషించడానికి పర్యవేక్షించబడని MLని ఉపయోగిస్తుంది.