ماحولیاتی پیچیدگی کو واضح کرنا: غیر زیر نگرانی تعلیم عالمی سمندری ماحولیاتی صوبے کا تعین کرتی ہے۔

پلانکٹن کمیونٹی کے ڈھانچے اور غذائی اجزاء کے بہاؤ کے اعداد و شمار کی بنیاد پر عالمی سمندری ماحولیاتی صوبوں (ماحولیاتی صوبوں) کا تعین کرنے کے لیے ایک غیر زیر نگرانی سیکھنے کا طریقہ تجویز کیا گیا ہے۔منظم مربوط ماحولیاتی صوبہ (SAGE) طریقہ انتہائی نان لائنر ایکو سسٹم ماڈلز میں ماحولیاتی صوبوں کی شناخت کر سکتا ہے۔ڈیٹا کے غیر گاوسی ہم آہنگی کو اپنانے کے لیے، SAGE جہتی کو کم کرنے کے لیے t بے ترتیب پڑوسی ایمبیڈنگ (t-SNE) کا استعمال کرتا ہے۔کثافت پر مبنی مقامی کلسٹرنگ (DBSCAN) الگورتھم پر مبنی شور ایپلی کیشن کی مدد سے، ایک سو سے زیادہ ماحولیاتی صوبوں کی نشاندہی کی جا سکتی ہے۔فاصلے کی پیمائش کے طور پر ماحولیاتی اختلافات کے ساتھ رابطے کے نقشے کا استعمال کرتے ہوئے، ایک مضبوط مجموعی ماحولیاتی صوبہ (AEP) کو نیسٹڈ ماحولیاتی صوبوں کے ذریعے معروضی طور پر بیان کیا گیا ہے۔AEPs کا استعمال کرتے ہوئے، کمیونٹی ڈھانچے پر غذائی اجزاء کی فراہمی کی شرح کے کنٹرول کی کھوج کی گئی۔Eco-province اور AEP منفرد ہیں اور ماڈل کی تشریح میں مدد کر سکتے ہیں۔وہ ماڈلز کے درمیان موازنہ کو آسان بنا سکتے ہیں اور سمندری ماحولیاتی نظام کی تفہیم اور نگرانی کو بڑھا سکتے ہیں۔
صوبے وہ علاقے ہیں جہاں سمندر یا زمین پر پیچیدہ جیوگرافی کو مربوط اور بامعنی علاقوں میں منظم کیا جاتا ہے (1)۔یہ صوبے مقامات کا موازنہ اور تضاد، مشاہدات کی خصوصیات، نگرانی اور تحفظ کے لیے بہت اہم ہیں۔پیچیدہ اور غیر لکیری تعاملات جو ان صوبوں کو پیدا کرتے ہیں غیر زیر نگرانی مشین لرننگ (ML) طریقوں کو معروضی طور پر صوبوں کا تعین کرنے کے لیے بہت موزوں بناتے ہیں، کیونکہ ڈیٹا میں ہم آہنگی پیچیدہ اور غیر گاوسی ہے۔یہاں، ایک ایم ایل طریقہ تجویز کیا گیا ہے، جو ڈارون کے عالمی سہ جہتی (3D) طبعی/ماحولیاتی نظام ماڈل (2) سے منظم طریقے سے منفرد سمندری ماحولیاتی صوبوں (ماحولیاتی صوبوں) کی شناخت کرتا ہے۔"منفرد" کی اصطلاح اس بات کی نشاندہی کرنے کے لیے استعمال کی جاتی ہے کہ شناخت شدہ علاقہ دوسرے علاقوں کے ساتھ کافی حد تک متجاوز نہیں ہے۔اس طریقہ کو سسٹم انٹیگریٹڈ ایکولوجیکل پرونس (SAGE) طریقہ کہا جاتا ہے۔مفید درجہ بندی کو انجام دینے کے لیے، ایک الگورتھم کے طریقہ کار کو (i) عالمی درجہ بندی اور (ii) کثیر پیمانے کے تجزیے کی اجازت دینے کی ضرورت ہے جو کہ جگہ اور وقت (3) میں گھوںسلا/جمع کیا جا سکتا ہے۔اس تحقیق میں، سب سے پہلے SAGE طریقہ تجویز کیا گیا تھا اور شناخت شدہ ماحولیاتی صوبوں پر تبادلہ خیال کیا گیا تھا۔ماحولیاتی صوبے ان عوامل کی تفہیم کو فروغ دے سکتے ہیں جو کمیونٹی کی ساخت کو کنٹرول کرتے ہیں، نگرانی کی حکمت عملیوں کے لیے مفید بصیرت فراہم کرتے ہیں، اور ماحولیاتی نظام میں تبدیلیوں کو ٹریک کرنے میں مدد کرتے ہیں۔
زمینی صوبوں کو عام طور پر آب و ہوا (بارش اور درجہ حرارت)، مٹی، پودوں اور حیوانات میں مماثلت کے مطابق درجہ بندی کیا جاتا ہے، اور اسے معاون انتظام، حیاتیاتی تنوع کی تحقیق، اور بیماریوں کے کنٹرول کے لیے استعمال کیا جاتا ہے (1, 4)۔سمندری صوبوں کی وضاحت کرنا زیادہ مشکل ہے۔زیادہ تر حیاتیات خوردبین ہیں، سیال کی حدود کے ساتھ۔Longhurst et al.(5) ماحولیاتی حالات کی بنیاد پر وزارت بحریات کی پہلی عالمی درجہ بندی میں سے ایک فراہم کی گئی۔ان "Longhurst" صوبوں کی تعریف میں متغیرات شامل ہیں جیسے اختلاط کی شرح، استحکام، اور شعاع ریزی، نیز سمندری بحری ماہر کے طور پر Longhurst کا وسیع تجربہ، جس کے پاس سمندری ماحولیاتی نظام کے لیے دیگر اہم شرائط ہیں۔لونگ ہارسٹ کو بڑے پیمانے پر استعمال کیا گیا ہے، مثال کے طور پر، بنیادی پیداوار اور کاربن کے بہاؤ کا اندازہ لگانے، ماہی گیری میں مدد، اور صورتحال کے مشاہدے کی سرگرمیوں میں منصوبہ بندی کرنے کے لیے (5-9)۔صوبوں کو زیادہ معروضی طور پر بیان کرنے کے لیے، فزی لاجک اور علاقائی غیر زیر نگرانی کلسٹرنگ/اعداد و شمار جیسے طریقے استعمال کیے گئے ہیں (9-14)۔اس طرح کے طریقوں کا مقصد ایسے بامعنی ڈھانچے کی نشاندہی کرنا ہے جو دستیاب مشاہداتی ڈیٹا میں صوبوں کی شناخت کر سکیں۔مثال کے طور پر، متحرک سمندری صوبے (12) شور کو کم کرنے کے لیے خود ساختہ نقشے استعمال کرتے ہیں، اور علاقائی مصنوعی سیاروں سے اخذ کردہ سمندری رنگ کی مصنوعات کا تعین کرنے کے لیے درجہ بندی (درخت پر مبنی) کلسٹرنگ کا استعمال کرتے ہیں رنگین تحلیل شدہ نامیاتی مادہ] اور طبعی میدان (سمندر کی سطح کا درجہ حرارت اور نمکیات، مطلق متحرک ٹپوگرافی اور سمندری برف)۔
پلانکٹن کا اجتماعی ڈھانچہ تشویش کا باعث ہے کیونکہ اس کی ماحولیات کا اعلیٰ غذائیت کی سطح، کاربن جذب اور آب و ہوا پر بہت زیادہ اثر پڑتا ہے۔بہر حال، یہ اب بھی ایک چیلنجنگ اور مضحکہ خیز ہدف ہے کہ ایک عالمی ماحولیاتی صوبے کا تعین پلانکٹن کمیونٹی کے ڈھانچے کی بنیاد پر کیا جائے۔سمندری رنگ کے مصنوعی سیارہ ممکنہ طور پر فائٹوپلانکٹن کی موٹے دانے دار درجہ بندی کے بارے میں بصیرت فراہم کر سکتے ہیں یا فنکشنل گروپس (15) کے فوائد بتا سکتے ہیں، لیکن وہ فی الحال کمیونٹی کی ساخت کے بارے میں تفصیلی معلومات فراہم کرنے سے قاصر ہیں۔حالیہ سروے [جیسے تارا اوقیانوس (16)] کمیونٹی ڈھانچے کی بے مثال پیمائش فراہم کر رہے ہیں۔فی الحال، عالمی سطح پر صرف معمولی مشاہدے موجود ہیں (17)۔پچھلے مطالعات نے بڑے پیمانے پر "بائیو کیمیکل صوبہ" (12, 14, 18) کا تعین بائیو کیمیکل مماثلتوں (جیسے بنیادی پیداوار، Chl اور دستیاب روشنی) کے تعین کی بنیاد پر کیا ہے۔یہاں، عددی ماڈل [Darwin(2)] کو آؤٹ پٹ کرنے کے لیے استعمال کیا جاتا ہے، اور ماحولیاتی صوبے کا تعین کمیونٹی کی ساخت اور غذائیت کے بہاؤ کے مطابق کیا جاتا ہے۔اس مطالعے میں استعمال ہونے والے عددی ماڈل کی عالمی کوریج ہے اور اس کا موازنہ موجودہ فیلڈ ڈیٹا (17) اور ریموٹ سینسنگ فیلڈز (نوٹ S1) سے کیا جا سکتا ہے۔اس مطالعے میں استعمال ہونے والے عددی ماڈل ڈیٹا کو عالمی کوریج کا فائدہ ہے۔ماڈل ماحولیاتی نظام فائٹوپلانکٹن کی 35 انواع اور زوپلانکٹن کی 16 انواع پر مشتمل ہے (براہ کرم مواد اور طریقوں سے رجوع کریں)۔ماڈل پلانکٹن کی قسمیں غیر گاؤشیائی ہم آہنگی کے ڈھانچے کے ساتھ غیر خطی طور پر تعامل کرتی ہیں، لہذا سادہ تشخیصی طریقے ابھرتے ہوئے کمیونٹی ڈھانچے میں منفرد اور مستقل نمونوں کی شناخت کے لیے موزوں نہیں ہیں۔یہاں متعارف کرایا گیا SAGE طریقہ پیچیدہ ڈارون ماڈلز کے آؤٹ پٹ کو چیک کرنے کا ایک نیا طریقہ فراہم کرتا ہے۔
ڈیٹا سائنس/ایم ایل ٹکنالوجی کی طاقتور تبدیلی کی صلاحیتیں اعداد و شمار کے ہم آہنگی میں پیچیدہ لیکن مضبوط ڈھانچے کو ظاہر کرنے کے لیے بہت زیادہ پیچیدہ ماڈل سلوشنز کو قابل بناتی ہیں۔ایک مضبوط طریقہ کو ایک ایسے طریقہ کے طور پر بیان کیا گیا ہے جو دی گئی غلطی کی حد کے اندر نتائج کو ایمانداری سے دوبارہ پیش کر سکتا ہے۔یہاں تک کہ سادہ نظاموں میں بھی، مضبوط پیٹرن اور سگنلز کا تعین کرنا ایک چیلنج ہوسکتا ہے۔جب تک مشاہدہ شدہ پیٹرن کی طرف لے جانے والی دلیل کا تعین نہیں کیا جاتا ہے، ابھرتی ہوئی پیچیدگی کو حل کرنا پیچیدہ/مشکل معلوم ہو سکتا ہے۔ماحولیاتی نظام کی ساخت کو ترتیب دینے کا کلیدی عمل فطرت میں غیر خطی ہے۔غیر لکیری تعاملات کا وجود مضبوط درجہ بندی کو الجھا سکتا ہے، اس لیے ایسے طریقوں سے پرہیز کرنا ضروری ہے جو اعداد و شمار کے ہم آہنگی کی بنیادی شماریاتی تقسیم کے بارے میں مضبوط مفروضے بناتے ہیں۔اعلی جہتی اور غیر خطی ڈیٹا بحر علم میں عام ہیں اور پیچیدہ، غیر گاوسی ٹوپولوجی کے ساتھ ہم آہنگی کا ڈھانچہ ہو سکتا ہے۔اگرچہ غیر گاوسی ہم آہنگی کے ڈھانچے کے ساتھ ڈیٹا مضبوط درجہ بندی میں رکاوٹ بن سکتا ہے، SAGE طریقہ نیا ہے کیونکہ اسے من مانی ٹوپولاجیز والے کلسٹرز کی شناخت کے لیے ڈیزائن کیا گیا ہے۔
SAGE طریقہ کار کا مقصد معروضی طور پر ابھرتے ہوئے نمونوں کی نشاندہی کرنا ہے جو ماحولیاتی تفہیم میں مزید مدد کر سکتے ہیں۔(19) کی طرح کلسٹر پر مبنی ورک فلو کے بعد، ڈیٹا میں واحد کلسٹر کا تعین کرنے کے لیے ماحولیاتی اور غذائیت کے بہاؤ کے متغیرات کا استعمال کیا جاتا ہے، جسے ماحولیاتی صوبہ کہا جاتا ہے۔اس مطالعہ میں تجویز کردہ SAGE طریقہ (شکل 1) سب سے پہلے طول و عرض کو 55 سے 11 طول و عرض کو کم کرتا ہے جس میں پلاکٹن فنکشنل گروپس کا خلاصہ کیا جاتا ہے جو ایک ترجیحی وضاحت کرتا ہے (ملاحظہ کریں مواد اور طریقے)۔ٹی-رینڈم پڑوسی ایمبیڈنگ (t-SNE) طریقہ استعمال کرتے ہوئے، 3D اسپیس میں امکان کو پیش کرتے ہوئے سائز کو مزید کم کیا جاتا ہے۔غیر زیر نگرانی کلسٹرنگ ماحولیاتی طور پر قریبی علاقوں کی شناخت کر سکتی ہے [آواز پر مبنی ایپلی کیشنز کے لیے کثافت پر مبنی مقامی کلسٹرنگ (DBSCAN)]۔T-SNE اور DBSCAN دونوں موروثی غیر لکیری ماحولیاتی نظام کے عددی ماڈل ڈیٹا پر لاگو ہوتے ہیں۔پھر نتیجے میں ماحولیاتی صوبے کو زمین پر دوبارہ پروجیکٹ کریں۔ایک سو سے زیادہ منفرد ماحولیاتی صوبوں کی نشاندہی کی گئی ہے، جو علاقائی تحقیق کے لیے موزوں ہیں۔عالمی سطح پر مسلسل ماحولیاتی نظام کے ماڈل پر غور کرنے کے لیے، ماحولیاتی صوبوں کی تاثیر کو بہتر بنانے کے لیے ماحولیاتی صوبوں کو مجموعی ماحولیاتی صوبوں (AEP) میں جمع کرنے کے لیے SAGE طریقہ استعمال کیا جاتا ہے۔جمع کی سطح (جسے "پیچیدگی" کہا جاتا ہے) کو مطلوبہ تفصیل کی سطح پر ایڈجسٹ کیا جا سکتا ہے۔ایک مضبوط AEP کی کم از کم پیچیدگی کا تعین کریں۔انتخاب کا فوکس SAGE طریقہ ہے اور ہنگامی کمیونٹی ڈھانچے کے کنٹرول کا تعین کرنے کے لیے سب سے چھوٹی پیچیدگی AEP کیسز کی تلاش ہے۔اس کے بعد ماحولیاتی بصیرت فراہم کرنے کے لیے پیٹرن کا تجزیہ کیا جا سکتا ہے۔یہاں متعارف کرائے گئے طریقہ کو ماڈل کے موازنہ کے لیے بھی زیادہ وسیع پیمانے پر استعمال کیا جا سکتا ہے، مثال کے طور پر، مختلف ماڈلز میں پائے جانے والے ایک جیسے ماحولیاتی صوبوں کے مقامات کا جائزہ لے کر فرق اور مماثلت کو اجاگر کرنے کے لیے، تاکہ ماڈلز کا موازنہ کیا جا سکے۔
(A) ماحولیاتی صوبے کا تعین کرنے کے لیے ورک فلو کا اسکیمیٹک خاکہ؛اصل 55 جہتی ڈیٹا کو 11 جہتی ماڈل آؤٹ پٹ تک کم کرنے کے لیے فنکشنل گروپ میں رقم کا استعمال کرتے ہوئے، بشمول سات فنکشنل/غذائیت پلانکٹن کا بایوماس اور چار غذائی اجزاء کی فراہمی کی شرح۔نہ ہونے کے برابر قیمت اور پائیدار برف کا احاطہ کرنے والا علاقہ۔ڈیٹا کو معیاری اور معیاری بنایا گیا ہے۔اعدادوشمار سے ملتی جلتی خصوصیات کے امتزاج کو نمایاں کرنے کے لیے t-SNE الگورتھم کو 11 جہتی ڈیٹا فراہم کریں۔DBSCAN پیرامیٹر ویلیو سیٹ کرنے کے لیے کلسٹر کو احتیاط سے منتخب کرے گا۔آخر میں ڈیٹا کو عرض البلد/طول البلد پروجیکشن پر پیش کریں۔براہ کرم نوٹ کریں کہ یہ عمل 10 بار دہرایا جاتا ہے کیونکہ t-SNE لگانے سے معمولی بے ترتیب پن پیدا ہو سکتی ہے۔(B) بتاتا ہے کہ (A) میں ورک فلو کو 10 بار دہرا کر AEP کیسے حاصل کیا جائے۔ان 10 نفاذ میں سے ہر ایک کے لیے، بین الصوبائی بری-کرٹس (BC) تفاوت میٹرکس کا تعین 51 فائٹوپلانکٹن اقسام کے بایوماس کی بنیاد پر کیا گیا تھا۔صوبوں کے درمیان BC فرق کا تعین کریں، پیچیدگی 1 AEP سے لے کر مکمل پیچیدگی 115 تک۔ BC بینچ مارک صوبہ Longhurst کے ذریعے ترتیب دیا گیا ہے۔
SAGE طریقہ ماحولیاتی صوبے کی وضاحت کے لیے عالمی 3D فزیکل/ایکو سسٹم کے عددی ماڈل کے آؤٹ پٹ کا استعمال کرتا ہے [ڈارون (2)؛مواد اور طریقے دیکھیں اور نوٹ S1]۔ماحولیاتی نظام کے اجزاء فائٹوپلانکٹن کی 35 پرجاتیوں اور زوپلانکٹن کی 16 انواع پر مشتمل ہیں، جن میں سات پہلے سے طے شدہ فنکشنل گروپس ہیں: پروکیریٹس اور یوکریوٹس کم غذائیت والے ماحول کے مطابق ڈھالتے ہیں، کیلشیم کاربونیٹ کوٹنگ کے ساتھ کوکسیڈیا، اور ہیوی نائٹروجنٹروجن کے ساتھ اہم غذائی اجزاء)، سلیئسس ڈھانپنے کے ساتھ، دوسرے پلاکٹن فوٹو سنتھیس اور چرنے کے مخلوط غذائی اجزاء کے فلیجیلیٹس اور زوپلانکٹن چرواہے بنا سکتے ہیں۔سائز کا دورانیہ 0.6 سے 2500μm مساوی کروی قطر ہے۔فائٹوپلانکٹن سائز اور فنکشنل گروپنگ کی ماڈل کی تقسیم سیٹلائٹ اور ان سیٹو مشاہدات میں نظر آنے والی مجموعی خصوصیات کو حاصل کرتی ہے (دیکھیں اعداد و شمار S1 سے S3)۔عددی ماڈل اور مشاہدہ شدہ سمندر کے درمیان مماثلت اس بات کی نشاندہی کرتی ہے کہ ماڈل کے ذریعے بیان کردہ صوبے اندرونِ سمندر پر لاگو ہو سکتے ہیں۔براہ کرم نوٹ کریں کہ یہ ماڈل صرف فائٹوپلانکٹن کے کچھ تنوع کو حاصل کرتا ہے، اور صرف سمندر میں موجود بعض جسمانی اور کیمیائی جبری حدود کو۔SAGE طریقہ لوگوں کو ماڈل کمیونٹی ڈھانچے کے انتہائی علاقائی کنٹرول کے طریقہ کار کو بہتر طور پر سمجھنے کے قابل بنا سکتا ہے۔
ہر پلانکٹن فنکشنل گروپ میں صرف سطحی بایوماس (20 سال کے اوسط وقت کے ساتھ) کے مجموعے کو شامل کرکے، ڈیٹا کی جہت کو کم کیا جا سکتا ہے۔ابتدائی مطالعات نے کمیونٹی ڈھانچے کو ترتیب دینے میں اپنا کلیدی کردار ظاہر کرنے کے بعد، اس میں غذائیت کے بہاؤ (نائٹروجن، آئرن، فاسفیٹ اور سلیلک ایسڈ کی فراہمی) کے لیے سطحی ماخذ کی اصطلاحات بھی شامل ہیں [مثلاً (20, 21)]۔فنکشنل گروپس کا خلاصہ مسئلہ کو 55 (51 پلانکٹن اور 4 غذائی اجزاء) سے 11 جہتوں تک کم کر دیتا ہے۔اس ابتدائی مطالعہ میں، الگورتھم کی طرف سے لگائی گئی کمپیوٹیشنل رکاوٹوں کی وجہ سے، گہرائی اور وقت کی تغیر پر غور نہیں کیا گیا۔
SAGE طریقہ غیر خطی عمل اور فنکشنل گروپ بایوماس اور غذائی اجزاء کے بہاؤ کے درمیان تعامل کی اہم خصوصیات کے درمیان اہم تعلقات کی نشاندہی کرنے کے قابل ہے۔Euclidean فاصلاتی سیکھنے کے طریقوں پر مبنی 11 جہتی ڈیٹا کا استعمال (جیسے K-means) قابل اعتماد اور تولیدی صوبے حاصل نہیں کر سکتا (19, 22)۔اس کی وجہ یہ ہے کہ ماحولیاتی صوبے کی وضاحت کرنے والے کلیدی عناصر کے ہم آہنگی کی بنیادی تقسیم میں کوئی گاوسی شکل نہیں پائی جاتی ہے۔Voronoi خلیات (سیدھی لکیریں) کے K-ذریعے غیر گاوسی بنیادی تقسیم کو برقرار نہیں رکھ سکتے ہیں۔
سات پلانکٹن فنکشنل گروپس اور چار غذائی اجزاء کا بایوماس ایک 11 جہتی ویکٹر x بناتا ہے۔لہذا، x ماڈل گرڈ پر ایک ویکٹر فیلڈ ہے، جہاں ہر عنصر xi ماڈل افقی گرڈ پر بیان کردہ 11 جہتی ویکٹر کی نمائندگی کرتا ہے۔ہر اشاریہ i منفرد طور پر کرہ پر ایک گرڈ پوائنٹ کی نشاندہی کرتا ہے، جہاں (lon, lat) = (ϕi, θi)۔اگر ماڈل گرڈ یونٹ کا بائیو ماس 1.2×10-3mg Chl/m3 سے کم ہے یا برف کی کوریج کی شرح 70% سے زیادہ ہے تو، بائیو ماس ڈیٹا کا لاگ استعمال کیا جاتا ہے اور ضائع کر دیا جاتا ہے۔ڈیٹا کو نارمل اور معیاری بنایا گیا ہے، اس لیے تمام ڈیٹا [0 سے 1] کی حد میں ہیں، وسط کو ہٹا دیا جاتا ہے اور اکائی کے تغیر پر چھوٹا کیا جاتا ہے۔ایسا اس لیے کیا جاتا ہے کہ خصوصیات (بائیو ماس اور غذائیت کا بہاؤ) ممکنہ قدروں کی حد میں تضاد سے محدود نہ ہوں۔کلسٹرنگ کو جغرافیائی فاصلے کی بجائے خصوصیات کے درمیان کلیدی امکانی فاصلے سے تبدیلی کے تعلق کو حاصل کرنا چاہیے۔ان فاصلوں کو درست کرنے سے، اہم خصوصیات سامنے آتی ہیں، جب کہ غیر ضروری تفصیلات کو ضائع کر دیا جاتا ہے۔ماحولیاتی نقطہ نظر سے، یہ ضروری ہے کیونکہ کچھ قسم کے فائٹوپلانکٹن میں بہت کم بایوماس کے ساتھ زیادہ بایو جیو کیمیکل اثرات ہوسکتے ہیں، جیسے ڈائیزوٹروفک بیکٹیریا کے ذریعے نائٹروجن کا تعین۔ڈیٹا کو معیاری بنانے اور معمول پر لانے پر، اس قسم کی کوویریٹس کو نمایاں کیا جائے گا۔
کم جہتی نمائندگی میں اعلی جہتی جگہ میں خصوصیات کی قربت پر زور دیتے ہوئے، t-SNE الگورتھم کا استعمال موجودہ ملتے جلتے علاقوں کو واضح کرنے کے لیے کیا جاتا ہے۔پچھلے کام کا مقصد ریموٹ سینسنگ ایپلی کیشنز کے لیے گہرے نیورل نیٹ ورکس کی تعمیر کرنا تھا جس میں t-SNE استعمال کیا گیا تھا، جس نے کلیدی خصوصیات کو الگ کرنے میں اپنی مہارت ثابت کی (23)۔غیر متضاد حل (نوٹ S2) سے گریز کرتے ہوئے فیچر ڈیٹا میں مضبوط کلسٹرنگ کی نشاندہی کرنے کے لیے یہ ایک ضروری قدم ہے۔Gaussian kernels کا استعمال کرتے ہوئے، t-SNE 3D فیز اسپیس میں ہر ایک اعلی جہتی آبجیکٹ کو ایک نقطہ پر نقشہ بنا کر ڈیٹا کی شماریاتی خصوصیات کو محفوظ رکھتا ہے، اس طرح اس بات کو یقینی بناتا ہے کہ اونچی اور نیچی سمتوں میں ایک جیسی اشیاء کا امکان زیادہ ہے۔ جہتی جگہ (24)۔N اعلی جہتی اشیاء x1,…,xN کے ایک سیٹ کو دیکھتے ہوئے، T-SNE الگورتھم Kullback-Leibler (KL) ڈائیورجنس (25) کو کم سے کم کر کے کم کرتا ہے۔KL ڈائیورجنس اس بات کا ایک پیمانہ ہے کہ امکانی تقسیم دوسرے حوالہ کے امکانی تقسیم سے کتنی مختلف ہے، اور اعلی جہتی خصوصیات کی کم جہتی نمائندگی کے درمیان ارتباط کے امکان کو مؤثر طریقے سے جانچ سکتی ہے۔اگر N-جہتی جگہ میں xi i-th آبجیکٹ ہے، xj N-dimensional space میں j-th آبجیکٹ ہے، yi کم جہتی جگہ میں i-th آبجیکٹ ہے، اور yj کم میں j-th آبجیکٹ ہے -جہتی جگہ، پھر t -SNE مماثلت کے امکان کی وضاحت کرتا ہے ppj∣i = exp(-∥xi-xj∥2/2σi2)∑k≠iexp(-∥xi-xk∥2/2σi2)، اور جہتی کمی سیٹ کے لیے q∣j = (1+ ∥ yi-yj∥2)-1∑k≠i(1 +∥yj-yk∥2)-1
شکل 2A 11 جہتی امتزاج کے بائیو ماس اور غذائی اجزاء کے بہاؤ ویکٹر کو 3D تک کم کرنے کے اثر کو واضح کرتا ہے۔T-SNE کو لاگو کرنے کے محرک کا موازنہ پرنسپل جزو تجزیہ (PCA) کے محرک سے کیا جا سکتا ہے، جو اعداد و شمار کے رقبہ/خصوصیت پر زور دینے کے لیے تغیر وصف کا استعمال کرتا ہے، اس طرح جہت کو کم کرتا ہے۔ماحولیات کی وزارت کے لیے قابل اعتماد اور تولیدی نتائج فراہم کرنے میں T-SNE طریقہ PCA سے برتر پایا گیا (دیکھیں نوٹ S2)۔اس کی وجہ یہ ہو سکتی ہے کہ PCA کا آرتھوگونالٹی مفروضہ انتہائی نان لائنر انٹرایکٹو خصوصیات کے درمیان اہم تعاملات کی نشاندہی کرنے کے لیے موزوں نہیں ہے، کیونکہ PCA لکیری ہم آہنگی کے ڈھانچے (26) پر فوکس کرتا ہے۔ریموٹ سینسنگ ڈیٹا کا استعمال کرتے ہوئے، Lunga et al.(27) اس بات کی وضاحت کرتا ہے کہ SNE طریقہ کو کس طرح استعمال کیا جائے تاکہ پیچیدہ اور نان لائنر اسپیکٹرل خصوصیات کو اجاگر کیا جائے جو گاوسی تقسیم سے ہٹ جاتی ہیں۔
(A) ایک ماڈل شدہ غذائیت کی فراہمی کی شرح، فائٹوپلانکٹن اور زوپلانکٹن فنکشنل گروپ بایوماس جو t-SNE الگورتھم کے ذریعے تیار کیا گیا ہے اور DBSCAN کا استعمال کرتے ہوئے صوبے کے لحاظ سے رنگین ہے۔ہر نقطہ اعلی جہتی جگہ میں ایک نقطہ کی نمائندگی کرتا ہے، جیسا کہ شکل 6B میں دکھایا گیا ہے، زیادہ تر پوائنٹس کیپچر کیے گئے ہیں۔شافٹ "t-SNE" سائز 1، 2 اور 3 کا حوالہ دیتے ہیں۔ (B) DBSCAN کے ذریعہ اصل کے عرض البلد-طول بلد گرڈ پر پائے جانے والے صوبے کا جغرافیائی تخمینہ۔رنگ کو کسی بھی رنگ کے طور پر شمار کیا جانا چاہئے، لیکن (A) کے مطابق ہونا چاہئے.
شکل 2A میں t-SNE سکیٹر پلاٹ کے پوائنٹس بالترتیب عرض البلد اور عرض البلد سے وابستہ ہیں۔اگر شکل 2A میں دو نکات ایک دوسرے کے قریب ہیں، تو اس کی وجہ یہ ہے کہ ان کا بایوماس اور غذائی اجزاء ایک جیسے ہیں، جغرافیائی قربت کی وجہ سے نہیں۔شکل 2A میں رنگ کلسٹر ہیں جو DBSCAN طریقہ (28) کا استعمال کرتے ہوئے دریافت کیے گئے ہیں۔گھنے مشاہدات کی تلاش میں، DBSCAN الگورتھم پوائنٹس کے درمیان 3D نمائندگی میں فاصلے کا استعمال کرتا ہے (ϵ = 0.39؛ اس انتخاب کے بارے میں معلومات کے لیے، مواد اور طریقے دیکھیں)، اور کلسٹر کی وضاحت کے لیے ملتے جلتے پوائنٹس کی تعداد درکار ہے (یہاں 100 پوائنٹس، براہ کرم اوپر دیکھیں)۔DBSCAN طریقہ ڈیٹا میں کلسٹرز کی شکل یا تعداد کے بارے میں کوئی قیاس نہیں کرتا، جیسا کہ ذیل میں دکھایا گیا ہے:
3) ان تمام پوائنٹس کے لیے جن کی نشاندہی کی گئی فاصلے کے اندر اندر، کلسٹر باؤنڈری کا تعین کرنے کے لیے مرحلہ 2 کو تکراری طور پر دہرائیں۔اگر پوائنٹس کی تعداد مقرر کردہ کم از کم قیمت سے زیادہ ہے، تو اسے کلسٹر کے طور پر نامزد کیا جاتا ہے۔
وہ ڈیٹا جو کلسٹر کے کم از کم ممبر اور فاصلہ ϵ میٹرک کو پورا نہیں کرتا اسے "شور" سمجھا جاتا ہے اور اسے رنگ تفویض نہیں کیا جاتا ہے۔DBSCAN ایک تیز اور قابل توسیع الگورتھم ہے جس میں O(n2) کی کارکردگی انتہائی خراب ہے۔موجودہ تجزیہ کے لیے، یہ اصل میں بے ترتیب نہیں ہے۔پوائنٹس کی کم از کم تعداد کا تعین ماہر تشخیص سے کیا جاتا ہے۔اس کے بعد فاصلے کو ایڈجسٹ کرنے کے بعد، نتیجہ ≈±10 کی حد میں کافی مستحکم نہیں ہے۔یہ فاصلہ کنیکٹیویٹی (شکل 6A) اور سمندری کوریج فیصد (شکل 6B) کا استعمال کرتے ہوئے طے کیا گیا ہے۔کنیکٹیویٹی کو کلسٹرز کی جامع تعداد کے طور پر بیان کیا گیا ہے اور یہ ϵ پیرامیٹر کے لیے حساس ہے۔کم کنیکٹوٹی ناکافی فٹنگ کی نشاندہی کرتی ہے، مصنوعی طور پر خطوں کو ایک ساتھ گروپ کرنا۔ہائی کنیکٹوٹی اوور فٹنگ کی نشاندہی کرتی ہے۔یہ ایک اعلی کم از کم استعمال کرنے کے لئے قابل فہم ہے، لیکن اگر کم از کم ca سے زیادہ ہو، تو قابل اعتماد حل حاصل کرنا ناممکن ہے۔135 (مزید تفصیلات کے لیے مواد اور طریقے دیکھیں)۔
شکل 2A میں شناخت کیے گئے 115 کلسٹرز کو شکل 2B میں زمین پر واپس دکھایا گیا ہے۔ہر رنگ DBSCAN کے ذریعہ شناخت شدہ بائیو کیمیکل اور ماحولیاتی عوامل کے مربوط امتزاج سے مطابقت رکھتا ہے۔ایک بار جب کلسٹرز کا تعین ہو جاتا ہے، تو شکل 2A میں ہر ایک نقطہ کا ایک مخصوص عرض البلد اور طول البلد کے ساتھ استعمال کیا جاتا ہے تاکہ کلسٹرز کو جغرافیائی علاقے میں پیش کیا جا سکے۔شکل 2B اس کو اسی کلسٹر رنگوں کے ساتھ واضح کرتا ہے جیسا کہ شکل 2A۔ملتے جلتے رنگوں کو ماحولیاتی مماثلت سے تعبیر نہیں کیا جانا چاہیے، کیونکہ وہ اس ترتیب سے تفویض کیے جاتے ہیں جس میں الگورتھم کے ذریعے کلسٹرز دریافت کیے جاتے ہیں۔
شکل 2B میں موجود رقبہ قابلیت کے لحاظ سے سمندر کی فزیکل اور/یا بائیو جیو کیمسٹری میں قائم علاقے سے ملتا جلتا ہو سکتا ہے۔مثال کے طور پر، بحرِ جنوبی کے جھرمٹ زون کی ہم آہنگی کے حامل ہیں، جن میں اولیگوٹروفک بھور نظر آتے ہیں، اور تیز منتقلی تجارتی ہواؤں کے اثر کی نشاندہی کرتی ہے۔مثال کے طور پر، استوائی بحر الکاہل میں، عروج سے متعلق مختلف علاقے دیکھے جاتے ہیں۔
ایکو-صوبے کے ماحولیاتی ماحول کو سمجھنے کے لیے، برے کرٹس (BC) فرق انڈیکس (29) کی ایک تبدیلی کو کلسٹر میں ماحولیات کا جائزہ لینے کے لیے استعمال کیا گیا تھا۔BC انڈیکیٹر ایک شماریاتی ڈیٹا ہے جو دو مختلف سائٹوں کے درمیان کمیونٹی ڈھانچے میں فرق کو درست کرنے کے لیے استعمال ہوتا ہے۔BC کی پیمائش فائٹوپلانکٹن اور زوپلانکٹن کی 51 اقسام کے بایوماس پر لاگو ہوتی ہے BCninj = 1-2CninjSni + Snj
BCninj سے مراد مجموعہ ni اور combination nj کے درمیان مماثلت ہے، جہاں Cninj کسی ایک قسم کے بایوماس کی کم از کم قدر ہے جو ni اور nj دونوں مجموعوں میں موجود ہے، اور Sni ان تمام بایوماسز کے مجموعے کی نمائندگی کرتا ہے جو ni اور Snj دونوں مجموعوں میں موجود ہیں۔BC فرق فاصلے کی پیمائش کی طرح ہے، لیکن غیر Euclidean خلا میں کام کرتا ہے، جو ماحولیاتی ڈیٹا اور اس کی تشریح کے لیے زیادہ موزوں ہونے کا امکان ہے۔
شکل 2B میں شناخت کیے گئے ہر کلسٹر کے لیے، بین الصوبائی اور بین الصوبائی BC کی مماثلت کا اندازہ لگایا جا سکتا ہے۔ایک صوبے کے اندر BC فرق سے مراد صوبے کی اوسط قدر اور صوبے کے ہر پوائنٹ کے درمیان فرق ہے۔BC صوبوں کے درمیان فرق سے مراد ایک صوبے اور دوسرے صوبوں کے درمیان مماثلت ہے۔شکل 3A ایک ہم آہنگ BC میٹرکس دکھاتا ہے (0، سیاہ: مکمل طور پر متعلقہ؛ 1، سفید: مکمل طور پر مختلف)۔گراف کی ہر لائن ڈیٹا میں ایک پیٹرن دکھاتی ہے۔شکل 3B ہر صوبے کے لیے شکل 3A میں BC کے نتائج کی جغرافیائی اہمیت کو ظاہر کرتا ہے۔کم غذائیت اور کم غذائیت والے علاقے میں ایک صوبے کے لیے، شکل 3B ظاہر کرتا ہے کہ خط استوا اور بحر ہند کے ارد گرد بڑے علاقوں کی ہم آہنگی بنیادی طور پر ایک جیسی ہے، لیکن بلند عرض بلد اور بلندی والے علاقے نمایاں طور پر مختلف ہیں۔
(A) BC فرق کی ڈگری کا اندازہ ہر صوبے کے لیے عالمی 20 سالہ اوسط عالمی سطح کی اوسط 51 پلینکٹن کی بنیاد پر کیا جاتا ہے۔اقدار کی متوقع توازن کو نوٹ کریں۔(B) کالم (یا قطار) کا مقامی پروجیکشن۔ڈسٹروفک دائرے میں ایک صوبے کے لیے، BC مماثلت کی پیمائش کی عالمی تقسیم کا جائزہ لیا گیا، اور عالمی 20 سالہ اوسط کا جائزہ لیا گیا۔سیاہ (BC = 0) کا مطلب ایک ہی علاقہ ہے، اور سفید (BC = 1) کا مطلب ہے کوئی مماثلت نہیں۔
شکل 4A شکل 2B میں ہر صوبے کے اندر BC میں فرق کو واضح کرتا ہے۔ایک جھرمٹ میں اوسط رقبہ کے اوسط امتزاج کا استعمال کرتے ہوئے، اور صوبے میں BC اور ہر گرڈ پوائنٹ کے وسط کے درمیان فرق کا تعین کرتے ہوئے، یہ ظاہر کرتا ہے کہ SAGE طریقہ کار ماحولیاتی مماثلت کی بنیاد پر 51 انواع کو اچھی طرح سے الگ کر سکتا ہے۔ ماڈل ڈیٹا.تمام 51 اقسام کی مجموعی اوسط کلسٹر BC کی تفاوت 0.102±0.0049 ہے۔
(A, B, اور D) صوبے کے اندر BC فرق کا اندازہ ہر گرڈ پوائنٹ کمیونٹی اور اوسط صوبے کے درمیان اوسط BC فرق کے طور پر کیا جاتا ہے، اور پیچیدگی کو کم نہیں کیا جاتا ہے۔(2) عالمی اوسط بین الصوبائی BC فرق 0.227±0.117 ہے۔یہ اس کام کے ذریعہ تجویز کردہ ماحولیاتی محرک کی بنیاد پر درجہ بندی کا معیار ہے [(C) میں گرین لائن]۔(C) اوسط انٹرا پراونشل BC فرق: بلیک لائن بڑھتی ہوئی پیچیدگی کے ساتھ انٹرا پراونشل BC فرق کی نمائندگی کرتی ہے۔2σ ماحولیاتی صوبے کی شناخت کے عمل کی 10 تکرار سے آتا ہے۔DBSCAN کے ذریعے دریافت کردہ صوبوں کی کل پیچیدگی کے لیے، (A) ظاہر کرتا ہے کہ صوبے میں BC کا فرق 0.099 ہے، اور (C) کی تجویز کردہ پیچیدگی کی درجہ بندی 12 ہے، جس کے نتیجے میں صوبے میں BC کا تفاوت 0.200 ہے۔جیسا کہ تصویر دکھاتی ہے۔(ڈی)۔
شکل 4B میں، 51 پلانکٹن اقسام کا بایوماس صوبہ لانگہرسٹ میں BC کے مساوی فرق کو ظاہر کرنے کے لیے استعمال کیا گیا ہے۔ہر صوبے کی مجموعی اوسط 0.227 ہے، اور BC صوبے میں فرق کے حوالے سے گرڈ پوائنٹس کا معیاری انحراف 0.046 ہے۔یہ شکل 1B میں شناخت کردہ کلسٹر سے بڑا ہے۔اس کے بجائے، سات فنکشنل گروپس کے مجموعے کا استعمال کرتے ہوئے، لانگہرسٹ میں اوسط انٹرا سیزن بی سی کی تفاوت بڑھ کر 0.232 ہو گئی۔
عالمی ماحولیاتی صوبہ کا نقشہ منفرد ماحولیاتی تعاملات کی پیچیدہ تفصیلات فراہم کرتا ہے اور صوبہ لانگہرسٹ کے پورے ماحولیاتی نظام کو استعمال کرنے میں بہتری لائی گئی ہے۔ماحولیات کی وزارت سے توقع کی جاتی ہے کہ وہ عددی ماڈل ماحولیاتی نظام کو کنٹرول کرنے کے عمل میں بصیرت فراہم کرے گا، اور یہ بصیرت فیلڈ ورک کی کھوج میں مدد کرے گی۔اس تحقیق کے مقصد کے لیے ایک سو سے زیادہ صوبوں کو مکمل طور پر ظاہر کرنا ممکن نہیں۔اگلے حصے میں SAGE طریقہ متعارف کرایا گیا ہے جو صوبوں کا خلاصہ کرتا ہے۔
صوبے کے مقاصد میں سے ایک صوبے کے محل وقوع اور انتظام کی تفہیم کو فروغ دینا ہے۔ہنگامی حالات کا تعین کرنے کے لیے، شکل 1B میں طریقہ کار ماحولیاتی طور پر ملتے جلتے صوبوں کے گھونسلے کو واضح کرتا ہے۔ماحولیاتی مماثلت کی بنیاد پر ایکو صوبوں کو ایک ساتھ گروپ کیا جاتا ہے، اور صوبوں کی ایسی گروپ بندی کو AEP کہا جاتا ہے۔زیر غور صوبوں کی کل تعداد کی بنیاد پر ایک ایڈجسٹ ایبل "پیچیدگی" مرتب کریں۔اصطلاح "پیچیدگی" استعمال کی جاتی ہے کیونکہ یہ ہنگامی صفات کی سطح کو ایڈجسٹ کرنے کی اجازت دیتا ہے۔بامعنی مجموعوں کی وضاحت کرنے کے لیے، لانگہرسٹ سے 0.227 کا اوسط بین الصوبائی BC فرق کو بینچ مارک کے طور پر استعمال کیا جاتا ہے۔اس معیار کے نیچے، مشترکہ صوبوں کو مزید مفید نہیں سمجھا جاتا۔
جیسا کہ شکل 3B میں دکھایا گیا ہے، عالمی ماحولیاتی صوبے مربوط ہیں۔بین الصوبائی BC اختلافات کا استعمال کرتے ہوئے، یہ دیکھا جا سکتا ہے کہ کچھ ترتیبیں بہت "عام" ہیں۔جینیات اور گراف تھیوری کے طریقوں سے متاثر ہو کر، "منسلک گراف" کا استعمال ان سے ملتے جلتے صوبوں کی بنیاد پر> 100 صوبوں کو ترتیب دینے کے لیے کیا جاتا ہے۔یہاں "کنیکٹیویٹی" میٹرک کا تعین بین الصوبائی BC تفاوت (30) کے ذریعے کیا جاتا ہے۔100 صوبوں کی درجہ بندی کے لیے زیادہ جگہ والے صوبوں کی تعداد کو یہاں پیچیدگی کہا جا سکتا ہے۔AEP ایک پروڈکٹ ہے جو 100 سے زیادہ صوبوں کو سب سے زیادہ غالب/قریب ترین ماحولیاتی صوبوں کے طور پر درجہ بندی کرتا ہے۔ہر ماحولیاتی صوبہ غالب/انتہائی منسلک ماحولیاتی صوبے کو تفویض کیا جاتا ہے جو ان سے زیادہ ملتا جلتا ہے۔BC فرق کے ذریعہ طے شدہ یہ جمع عالمی ماحولیات کے لئے گھریلو نقطہ نظر کی اجازت دیتا ہے۔
منتخب کردہ پیچیدگی 1 سے لے کر FIG کی مکمل پیچیدگی تک کوئی بھی قدر ہو سکتی ہے۔2Aکم پیچیدگی پر، AEP امکانی جہت میں کمی کے قدم (t-SNE) کی وجہ سے انحطاط پذیر ہو سکتا ہے۔تنزلی کا مطلب یہ ہے کہ ماحولیاتی صوبوں کو تکرار کے درمیان مختلف AEPs کو تفویض کیا جاسکتا ہے، اس طرح جغرافیائی علاقے میں تبدیلی آتی ہے۔شکل 4C 10 نفاذ میں بڑھتی ہوئی پیچیدگی کی AEPs میں صوبوں کے اندر BC کے تفاوت کے پھیلاؤ کو واضح کرتا ہے (شکل 1B میں مثال)۔شکل 4C میں، 2σ (نیلا علاقہ) 10 نفاذ میں انحطاط کا ایک پیمانہ ہے، اور گرین لائن لانگ ہارسٹ بینچ مارک کی نمائندگی کرتی ہے۔حقائق نے ثابت کیا ہے کہ 12 کی پیچیدگی صوبے میں BC فرق کو تمام نفاذ میں Longhurst بینچ مارک سے نیچے رکھ سکتی ہے اور نسبتاً کم 2σ تنزلی کو برقرار رکھ سکتی ہے۔خلاصہ طور پر، کم از کم تجویز کردہ پیچیدگی 12 AEPs ہے، اور 51 پلانکٹن اقسام کا استعمال کرتے ہوئے اوسط انٹرا پروونس BC فرق کا اندازہ 0.198±0.013 ہے، جیسا کہ شکل 4D میں دکھایا گیا ہے۔سات پلانکٹن فنکشنل گروپس کا استعمال کرتے ہوئے، صوبے کے اندر BC کا اوسط فرق 0.198±0.004 کے بجائے 2σ ہے۔سات فنکشنل گروپس کے کل بایوماس یا تمام 51 پلانکٹن اقسام کے بائیو ماس کے ساتھ حساب کردہ BC کے فرق کے درمیان موازنہ ظاہر کرتا ہے کہ اگرچہ SAGE طریقہ 51-جہتی صورتحال پر لاگو ہوتا ہے، لیکن یہ سات فنکشنل گروپس کے کل بایوماس کے لیے ہے۔ تربیت کے لیے۔
کسی بھی تحقیق کے مقصد پر منحصر ہے، پیچیدگی کی مختلف سطحوں پر غور کیا جا سکتا ہے۔علاقائی مطالعات میں مکمل پیچیدگی کی ضرورت ہو سکتی ہے (یعنی تمام 115 صوبے)۔مثال کے طور پر اور وضاحت کے لیے، 12 کی کم از کم تجویز کردہ پیچیدگی پر غور کریں۔
SAGE طریقہ کار کی افادیت کی ایک مثال کے طور پر، 12 کی کم از کم پیچیدگی کے ساتھ 12 AEPs یہاں ہنگامی کمیونٹی ڈھانچے کے کنٹرول کو دریافت کرنے کے لیے استعمال کیے گئے ہیں۔شکل 5 AEP (A سے L تک) کے گروپ کردہ ماحولیاتی بصیرت کی وضاحت کرتا ہے: Redfield stoichiometry میں، جغرافیائی حد (Figure 5C)، فنکشنل گروپ بایوماس کمپوزیشن (Figure 5A) اور غذائی اجزاء کی فراہمی (Figure 5B) N Zoomed کے ذریعے انجام دی جاتی ہے۔تناسب (N:Si:P:Fe, 1:1:16:16×103) دکھایا گیا ہے۔مؤخر الذکر پینل کے لیے، P کو 16 سے اور Fe کو 16×103 سے ضرب دیا گیا، لہذا بار گراف فائٹوپلانکٹن کی غذائی ضروریات کے برابر ہے۔
صوبوں کو 12 صوبوں میں ماحولیاتی نظام کے 12 AEPs A سے L. (A) بایوماس (mgC/m3) میں درجہ بندی کیا گیا ہے۔(B) تحلیل شدہ غیر نامیاتی نائٹروجن (N)، آئرن (Fe)، فاسفیٹ (P) اور سلیکک ایسڈ (Si) (mmol/m3 فی سال) کی غذائیت کے بہاؤ کی شرح۔Fe اور P کو بالترتیب 16 اور 16×103 سے ضرب دیا جاتا ہے، تاکہ سٹرپس کو فائٹوپلانکٹن اسٹوچیومیٹری کی ضروریات کے مطابق معیاری بنایا جائے۔(C) قطبی علاقوں، سب ٹراپیکل طوفانوں اور بڑے موسمی/بڑھتے ہوئے خطوں کے درمیان فرق کو نوٹ کریں۔مانیٹرنگ اسٹیشنوں کو مندرجہ ذیل نشان زد کیا گیا ہے: 1، سیٹس؛2، ALOHA;3، اسٹیشن پی؛اور 4، BATS۔
شناخت شدہ AEP منفرد ہے۔بحر اوقیانوس اور بحرالکاہل میں خط استوا کے گرد کچھ ہم آہنگی پائی جاتی ہے، اور اسی طرح کا لیکن وسیع علاقہ بحر ہند میں موجود ہے۔کچھ AEPs چڑھائی سے وابستہ براعظم کے مغربی حصے کو قبول کرتے ہیں۔جنوبی قطب سرکمپولر کرنٹ کو ایک بڑی زونل خصوصیت کے طور پر شمار کیا جاتا ہے۔سب ٹراپیکل سائیکلون اولیگوٹروفک AEP کی ایک پیچیدہ سیریز ہے۔ان صوبوں میں، پلانکٹن کے غلبہ والے اولیگوٹروفک ورٹیکس اور ڈائیٹم سے بھرپور قطبی خطوں کے درمیان بایوماس کے فرق کا واقف نمونہ واضح ہے۔
بہت ملتے جلتے کل فائٹوپلانکٹن بایوماس کے ساتھ AEPs میں بہت مختلف کمیونٹی ڈھانچے ہوسکتے ہیں اور مختلف جغرافیائی علاقوں کا احاطہ کرسکتے ہیں، جیسے D، H، اور K، جن میں کل فائٹوپلانکٹن بایوماس ایک جیسے ہوتے ہیں۔AEP H بنیادی طور پر استوائی بحر ہند میں موجود ہے، اور وہاں زیادہ ڈائیزوٹروفک بیکٹیریا موجود ہیں۔AEP D کئی بیسنوں میں پایا جاتا ہے، لیکن یہ خاص طور پر بحرالکاہل میں خط استوا کے آس پاس زیادہ پیداوار والے علاقوں میں نمایاں ہے۔اس بحرالکاہل صوبے کی شکل سیاروں کی لہر والی ٹرین کی یاد دلاتی ہے۔اے ای پی ڈی میں کچھ ڈائیزوبیکٹیریا ہیں، اور زیادہ شنک۔دیگر دو صوبوں کے مقابلے میں، AEP K صرف آرکٹک اوقیانوس کے پہاڑی علاقوں میں پایا جاتا ہے، اور وہاں زیادہ ڈائیٹمز اور کم پلاکٹن ہیں۔یہ بات قابل غور ہے کہ ان تینوں خطوں میں پلنکٹن کی مقدار بھی بہت مختلف ہے۔ان میں، AEP K کی پلنکٹن کی کثرت نسبتاً کم ہے، جبکہ AEP D اور H کی کثرت نسبتاً زیادہ ہے۔لہذا، ان کے بایوماس کے باوجود (اور اس وجہ سے Chl-a کی طرح)، یہ صوبے کافی مختلف ہیں: Chl پر مبنی صوبے کی جانچ ان اختلافات کو حاصل نہیں کرسکتی ہے۔
یہ بھی واضح ہے کہ بہت مختلف بایوماس کے ساتھ کچھ AEPs phytoplankton کمیونٹی کی ساخت کے لحاظ سے ایک جیسے ہو سکتے ہیں۔مثال کے طور پر، یہ AEP D اور E میں نظر آتا ہے۔ وہ ایک دوسرے کے قریب ہیں، اور بحرالکاہل میں، AEP E انتہائی پیداواری AEPJ کے قریب ہے۔اسی طرح، فائٹوپلانکٹن بایوماس اور زوپلانکٹن کی کثرت کے درمیان کوئی واضح ربط نہیں ہے۔
AEP کو ان کو فراہم کردہ غذائی اجزاء کے لحاظ سے سمجھا جا سکتا ہے (شکل 5B)۔ڈائیٹم صرف وہاں موجود ہیں جہاں سلیلک ایسڈ کی وافر فراہمی ہوتی ہے۔عام طور پر، سلیکک ایسڈ کی سپلائی جتنی زیادہ ہوگی، ڈائیٹمس کا بایوماس اتنا ہی زیادہ ہوگا۔ڈائیٹومس کو AEP A, J, K اور L میں دیکھا جا سکتا ہے۔ دوسرے فائٹوپلانکٹن کے مقابلے میں ڈائیٹوم بایوماس کا تناسب ڈائیٹم کی طلب کے نسبت فراہم کردہ N, P اور Fe سے طے ہوتا ہے۔مثال کے طور پر، AEP L پر diatoms کا غلبہ ہے۔دیگر غذائی اجزاء کے مقابلے میں، سی میں سب سے زیادہ سپلائی ہوتی ہے۔اس کے برعکس، زیادہ پیداواری صلاحیت کے باوجود، AEP J میں کم ڈائیٹمز اور کم سلیکون سپلائی ہے (تمام اور دیگر غذائی اجزاء سے متعلق)۔
ڈیازونیم بیکٹیریا نائٹروجن کو ٹھیک کرنے کی صلاحیت رکھتے ہیں، لیکن آہستہ آہستہ بڑھتے ہیں (31)۔وہ دوسرے فائٹوپلانکٹن کے ساتھ ایک ساتھ رہتے ہیں، جہاں آئرن اور فاسفورس غیر ڈیازونیم غذائی اجزاء (20، 21) کی طلب کے مقابلے میں ضرورت سے زیادہ ہوتے ہیں۔یہ بات قابل غور ہے کہ ڈیازوٹروفک بایوماس نسبتاً زیادہ ہے، اور N کی فراہمی کے مقابلے میں Fe اور P کی سپلائی نسبتاً زیادہ ہے۔ J میں اس سے بڑا۔ براہ کرم نوٹ کریں کہ AEP J اور H جغرافیائی طور پر بہت مختلف ہیں، اور H استوائی بحر ہند میں واقع ہے۔
اگر منفرد ماحولیاتی ڈھانچے کو صوبوں میں تقسیم نہیں کیا جاتا ہے، تو 12 AEP کے سب سے کم پیچیدگی والے ماڈلز سے حاصل کردہ بصیرتیں اتنی واضح نہیں ہوں گی۔SAGE کی طرف سے تیار کردہ AEP ماحولیاتی نظام کے ماڈلز سے پیچیدہ اور اعلیٰ جہتی معلومات کے مربوط اور بیک وقت موازنہ کی سہولت فراہم کرتا ہے۔AEP مؤثر طریقے سے اس بات پر زور دیتا ہے کہ اعلی غذائیت کی سطح پر کمیونٹی کی ساخت یا زوپلانکٹن کی کثرت کا تعین کرنے کے لیے Chl ایک اچھا اور متبادل طریقہ کیوں نہیں ہے۔جاری تحقیقی موضوعات کا تفصیلی تجزیہ اس مضمون کے دائرہ کار سے باہر ہے۔SAGE طریقہ ماڈل میں دوسرے میکانزم کو تلاش کرنے کا ایک طریقہ فراہم کرتا ہے جو پوائنٹ ٹو پوائنٹ ویونگ کے مقابلے میں ہینڈل کرنا آسان ہے۔
SAGE طریقہ تجویز کیا گیا ہے تاکہ عالمی جسمانی/بائیو جیو کیمیکل/ایکو سسٹم کے عددی ماڈلز سے انتہائی پیچیدہ ماحولیاتی ڈیٹا کو واضح کرنے میں مدد ملے۔ماحولیاتی صوبے کا تعین کراس پلانکٹن فنکشنل گروپس کے کل بایوماس، t-SNE امکانی جہت میں کمی کے الگورتھم کے اطلاق اور غیر زیر نگرانی ML طریقہ DBSCAN کا استعمال کرتے ہوئے کلسٹرنگ سے کیا جاتا ہے۔گھوںسلا کے طریقہ کار کے لیے بین الصوبائی BC فرق/گراف تھیوری کا اطلاق ایک مضبوط AEP اخذ کرنے کے لیے کیا جاتا ہے جسے عالمی تشریح کے لیے استعمال کیا جا سکتا ہے۔تعمیر کے لحاظ سے، ایکو صوبہ اور اے ای پی منفرد ہیں۔AEP نیسٹنگ کو اصل ماحولیاتی صوبے کی مکمل پیچیدگی اور 12 AEPs کی تجویز کردہ کم از کم حد کے درمیان ایڈجسٹ کیا جا سکتا ہے۔AEP کی کم از کم پیچیدگی کو گھوںسلا بنانا اور اس کا تعین کرنا اہم اقدامات کے طور پر سمجھا جاتا ہے، کیونکہ امکان t-SNE <12 پیچیدگی کے AEPs کو انحطاط کرتا ہے۔SAGE طریقہ عالمی ہے، اور اس کی پیچیدگی> 100 AEPs سے 12 تک ہے۔ سادگی کے لیے، موجودہ توجہ 12 عالمی AEPs کی پیچیدگی پر ہے۔مستقبل کی تحقیق، خاص طور پر علاقائی مطالعات، عالمی ماحولیاتی صوبوں کا ایک چھوٹا سا مقامی ذیلی سیٹ مفید تلاش کر سکتے ہیں، اور یہاں زیر بحث ماحولیاتی بصیرت سے فائدہ اٹھانے کے لیے اسے چھوٹے علاقے میں اکٹھا کیا جا سکتا ہے۔یہ تجاویز فراہم کرتا ہے کہ یہ ماحولیاتی صوبوں اور ان سے حاصل کردہ بصیرت کو مزید ماحولیاتی تفہیم کے لیے کس طرح استعمال کیا جا سکتا ہے، ماڈل کے موازنہ کو آسان بنایا جا سکتا ہے، اور ممکنہ طور پر سمندری ماحولیاتی نظام کی نگرانی کو بہتر بنایا جا سکتا ہے۔
SAGE طریقہ سے شناخت شدہ ماحولیاتی صوبہ اور AEP عددی ماڈل میں ڈیٹا پر مبنی ہیں۔تعریف کے مطابق، عددی ماڈل ایک آسان ڈھانچہ ہے، جو ہدف کے نظام کے جوہر کو حاصل کرنے کی کوشش کرتا ہے، اور مختلف ماڈلز میں پلاکٹن کی مختلف تقسیم ہوتی ہے۔اس مطالعے میں استعمال ہونے والا عددی ماڈل کچھ مشاہدہ شدہ نمونوں کو مکمل طور پر حاصل نہیں کر سکتا (مثال کے طور پر خط استوا اور جنوبی بحر کے لیے Chl تخمینے میں)۔حقیقی سمندر میں تنوع کا صرف ایک چھوٹا سا حصہ پکڑا جاتا ہے، اور میسو اور ذیلی میسو اسکیلز کو حل نہیں کیا جا سکتا، جو غذائی اجزاء کے بہاؤ اور چھوٹے پیمانے پر کمیونٹی کی ساخت کو متاثر کر سکتا ہے۔ان کوتاہیوں کے باوجود، یہ پتہ چلتا ہے کہ AEP پیچیدہ ماڈلز کو سمجھنے میں مدد کرنے میں بہت مفید ہے۔اس بات کا جائزہ لے کر کہ ایک جیسے ماحولیاتی صوبے کہاں پائے جاتے ہیں، AEP ممکنہ عددی ماڈل کے مقابلے کا ٹول فراہم کرتا ہے۔موجودہ عددی ماڈل ریموٹ سینسنگ فائٹوپلانکٹن Chl-a کے ارتکاز اور پلانکٹن سائز اور فنکشنل گروپ (نوٹ S1 اور Figure S1) (2, 32) کی تقسیم کے مجموعی نمونے کو حاصل کرتا ہے۔
جیسا کہ 0.1 mgChl-a/m-3 کونٹور لائن سے دکھایا گیا ہے، AEP کو اولیگوٹروفک ایریا اور میسوٹروفک ایریا (Figure S1B) میں تقسیم کیا گیا ہے: AEP B, C, D, E, F اور G اولیگوٹروفک ایریاز ہیں، اور باقی علاقے ہیں ہائیر Chl-a میں واقع ہے۔AEP لانگہرسٹ صوبے (فگر S3A) کے ساتھ کچھ خط و کتابت دکھاتا ہے، مثال کے طور پر، جنوبی بحر اور استوائی بحر الکاہل۔کچھ علاقوں میں، AEP متعدد Longhurst علاقوں کا احاطہ کرتا ہے، اور اس کے برعکس۔چونکہ اس علاقے اور لانگہرسٹ میں صوبوں کی حد بندی کا ارادہ مختلف ہے، اس لیے توقع ہے کہ اختلافات ہوں گے۔لانگ ہرسٹ صوبے میں ایک سے زیادہ AEP اس بات کی نشاندہی کرتے ہیں کہ ایک جیسی بایو جیو کیمسٹری والے بعض علاقوں میں ماحولیاتی نظام کی ساخت بہت مختلف ہو سکتی ہے۔AEP طبعی حالتوں کے ساتھ ایک خاص خط و کتابت کی نمائش کرتا ہے، جیسا کہ غیر نگرانی شدہ سیکھنے (19) کے استعمال سے ظاہر ہوتا ہے، جیسے کہ اونچی بلندی والی ریاستوں میں (مثال کے طور پر، جنوبی بحر اور استوائی بحر الکاہل؛ شکل S3، C اور D)۔یہ خط و کتابت اس بات کی نشاندہی کرتی ہے کہ پلونکٹن کی کمیونٹی ڈھانچہ سمندری حرکیات سے سخت متاثر ہے۔شمالی بحر اوقیانوس جیسے علاقوں میں، AEP طبعی صوبوں سے گزرتا ہے۔ان اختلافات کا سبب بننے والے طریقہ کار میں ڈسٹ ٹرانسپورٹ جیسے عمل شامل ہو سکتے ہیں، جو کہ اسی طرح کی جسمانی حالتوں میں بھی مکمل طور پر مختلف غذائی پروگراموں کا باعث بن سکتے ہیں۔
ماحولیات کی وزارت اور اے ای پی نے نشاندہی کی کہ صرف Chl کے استعمال سے ماحولیاتی اجزاء کی شناخت نہیں ہو سکتی، جیسا کہ میرین ایکولوجی کمیونٹی پہلے ہی سمجھ چکی ہے۔یہ اسی طرح کے بایوماس کے ساتھ AEPs میں دیکھا جاتا ہے لیکن نمایاں طور پر مختلف ماحولیاتی ساخت (جیسے D اور E)۔اس کے برعکس، AEPs جیسے D اور K میں بہت مختلف بایوماس لیکن ایک جیسی ماحولیاتی ساخت ہے۔AEP اس بات پر زور دیتا ہے کہ بایوماس، ماحولیاتی ساخت اور زوپلانکٹن کی کثرت کے درمیان تعلق پیچیدہ ہے۔مثال کے طور پر، اگرچہ AEP J phytoplankton اور Plankton biomass کے لحاظ سے نمایاں ہے، AEP کے A اور L میں ایک جیسے پلاکٹن بایوماس ہے، لیکن A میں پلاکٹن کی کثرت زیادہ ہے۔AEP اس بات پر زور دیتا ہے کہ phytoplankton biomass (یا Chl) کو زوپلانکٹن بایوماس کی پیش گوئی کے لیے استعمال نہیں کیا جا سکتا۔زوپلانکٹن فشریز فوڈ چین کی بنیاد ہے، اور زیادہ درست تخمینے وسائل کے بہتر انتظام کا باعث بن سکتے ہیں۔مستقبل کے سمندری رنگ کے مصنوعی سیارہ [مثال کے طور پر، PACE (پلانکٹن، ایروسول، کلاؤڈ، اور میرین ایکو سسٹم)] فائٹوپلانکٹن کی کمیونٹی کی ساخت کا اندازہ لگانے میں مدد کے لیے بہتر پوزیشن میں ہو سکتے ہیں۔AEP پیشن گوئی کا استعمال ممکنہ طور پر خلا سے زوپلانکٹن کے تخمینے میں آسانی پیدا کر سکتا ہے۔SAGE جیسے طریقے، نئی ٹیکنالوجی کے ساتھ مل کر، اور زمینی سچائی کے سروے کے لیے دستیاب زیادہ سے زیادہ فیلڈ ڈیٹا (جیسے تارا اور فالو اپ ریسرچ)، مشترکہ طور پر سیٹلائٹ پر مبنی ماحولیاتی نظام صحت کی نگرانی کی طرف ایک قدم اٹھا سکتے ہیں۔
SAGE طریقہ کچھ ایسے میکانزم کا جائزہ لینے کا ایک آسان طریقہ فراہم کرتا ہے جو صوبے کی خصوصیات کو کنٹرول کرتے ہیں، جیسے کہ بایوماس/Chl، خالص بنیادی پیداوار، اور کمیونٹی ڈھانچہ۔مثال کے طور پر، ڈائیٹمز کی نسبتہ مقدار کو فائٹوپلانکٹن اسٹوچیومیٹرک ضروریات کے نسبت Si، N، P، اور Fe کی فراہمی میں عدم توازن کے ذریعے مقرر کیا جاتا ہے۔ایک متوازن سپلائی ریٹ پر، کمیونٹی پر ڈائیٹمس (L) کا غلبہ ہے۔جب سپلائی کی شرح غیر متوازن ہوتی ہے (یعنی، سلیکون کی سپلائی ڈائیٹمز کی غذائیت کی طلب سے کم ہوتی ہے)، تو ڈائیٹمس کا حصہ صرف ایک چھوٹا سا حصہ (K) ہوتا ہے۔جب Fe اور P کی سپلائی N کی سپلائی سے زیادہ ہو جائے گی (مثال کے طور پر، E اور H)، تو ڈیازوٹروفک بیکٹیریا بھرپور طریقے سے بڑھیں گے۔AEP کے فراہم کردہ سیاق و سباق کے ذریعے، کنٹرول میکانزم کی تلاش زیادہ مفید ہو جائے گی۔
Eco-Province اور AEP ایک جیسے کمیونٹی ڈھانچے والے علاقے ہیں۔ماحولیاتی صوبے یا AEP کے اندر کسی مخصوص مقام سے ٹائم سیریز کو ایک حوالہ نقطہ کے طور پر سمجھا جا سکتا ہے اور یہ ماحولیاتی صوبے یا AEP کے زیر احاطہ علاقے کی نمائندگی کر سکتا ہے۔طویل مدتی آن سائٹ مانیٹرنگ اسٹیشن ایسی ٹائم سیریز فراہم کرتے ہیں۔طویل مدتی ان سیٹو ڈیٹا سیٹ ایک ناقابل حساب کردار ادا کرتے رہیں گے۔کمیونٹی کے ڈھانچے کی نگرانی کے نقطہ نظر سے، SAGE طریقہ کو نئی سائٹس کے سب سے مفید مقام کا تعین کرنے میں مدد کرنے کے طریقے کے طور پر دیکھا جا سکتا ہے۔مثال کے طور پر، طویل مدتی اولیگوٹروفک رہائش گاہ کی تشخیص (ALOHA) سے ٹائم سیریز اولیگوٹروفک ایریا کے AEP B میں ہے (شکل 5C، لیبل 2)۔چونکہ ALOHA دوسرے AEP کی حد کے قریب ہے، اس لیے ٹائم سیریز پورے علاقے کی نمائندہ نہیں ہو سکتی، جیسا کہ پہلے تجویز کیا گیا تھا (33)۔اسی AEP B میں، ٹائم سیریز SEATS (جنوب مشرقی ایشیائی ٹائم سیریز) جنوب مغربی تائیوان (34) میں واقع ہے، جو دیگر AEPs (شکل 5C، لیبل 1) کی حدود سے دور ہے، اور اسے نگرانی کے لیے ایک بہتر مقام کے طور پر استعمال کیا جا سکتا ہے۔ اے ای پی بیاے ای پی سی میں BATS (برمودا اٹلانٹک ٹائم سیریز اسٹڈی) ٹائم سیریز (فگر 5C، لیبل 4) AEP C اور F کے درمیان حد کے بہت قریب ہے، جو اس بات کی نشاندہی کرتا ہے کہ BATS ٹائم سیریز کا استعمال کرتے ہوئے AEP C کی نگرانی براہ راست مشکل ہو سکتی ہے۔AEP J میں اسٹیشن P (شکل 5C، لیبل 3) AEP کی حد سے دور ہے، اس لیے یہ زیادہ نمائندہ ہے۔Eco-Province اور AEP عالمی تبدیلیوں کا اندازہ لگانے کے لیے موزوں نگرانی کا فریم ورک قائم کرنے میں مدد کر سکتے ہیں، کیونکہ صوبوں کی اجازت اس بات کا جائزہ لینے کے لیے کہ سائٹ پر نمونے لینے سے کلیدی بصیرت کہاں فراہم ہو سکتی ہے۔وقت کی بچت کے تغیر کا اندازہ لگانے کے لیے موسمیاتی ڈیٹا پر لاگو ہونے کے لیے SAGE طریقہ کو مزید تیار کیا جا سکتا ہے۔
SAGE طریقہ کار کی کامیابی ڈیٹا سائنس/ML طریقوں اور ڈومین سے متعلق مخصوص علم کے محتاط اطلاق کے ذریعے حاصل کی جاتی ہے۔خاص طور پر، t-SNE کا استعمال جہتی کمی کو انجام دینے کے لیے کیا جاتا ہے، جو اعلیٰ جہتی ڈیٹا کے ہم آہنگی کے ڈھانچے کو محفوظ رکھتا ہے اور ہم آہنگی ٹوپولوجی کے تصور کو آسان بناتا ہے۔اعداد و شمار کو دھاریوں اور ہم آہنگی (شکل 2A) کی شکل میں ترتیب دیا گیا ہے، جس سے یہ ظاہر ہوتا ہے کہ خالصتاً فاصلے پر مبنی اقدامات (جیسے کے-مینز) مناسب نہیں ہیں کیونکہ وہ عام طور پر گاوسی (سرکلر) کی بنیاد پر تقسیم کا استعمال کرتے ہیں (نوٹ S2 میں زیر بحث) .DBSCAN طریقہ کسی بھی ہم آہنگی ٹوپولوجی کے لیے موزوں ہے۔جب تک آپ پیرامیٹرز کی ترتیب پر توجہ دیتے ہیں، قابل اعتماد شناخت فراہم کی جا سکتی ہے۔t-SNE الگورتھم کی کمپیوٹیشنل لاگت زیادہ ہے، جو اس کی موجودہ ایپلیکیشن کو ڈیٹا کی ایک بڑی مقدار تک محدود کرتی ہے، جس کا مطلب ہے کہ گہرے یا وقت کے لحاظ سے مختلف فیلڈز پر لاگو کرنا مشکل ہے۔t-SNE کی توسیع پذیری پر کام جاری ہے۔چونکہ KL فاصلہ متوازی کرنا آسان ہے، اس لیے t-SNE الگورتھم میں مستقبل میں توسیع کی اچھی صلاحیت ہے (35)۔اب تک، دیگر امید افزا جہتی کمی کے طریقے جو سائز کو بہتر طریقے سے کم کر سکتے ہیں ان میں یونیفائیڈ مینی فولڈ اپروکسیمیشن اور پروجیکشن (UMAP) تکنیک شامل ہیں، لیکن سمندری ڈیٹا کے تناظر میں تشخیص ضروری ہے۔بہتر اسکیل ایبلٹی کا مطلب ہے، مثال کے طور پر، مخلوط پرت پر مختلف پیچیدگیوں کے ساتھ عالمی آب و ہوا یا ماڈلز کی درجہ بندی کرنا۔وہ علاقے جو کسی بھی صوبے میں SAGE کے ذریعے درجہ بندی کرنے میں ناکام رہتے ہیں انہیں شکل 2A میں بقیہ سیاہ نقطوں کے طور پر شمار کیا جا سکتا ہے۔جغرافیائی طور پر، یہ علاقے بنیادی طور پر انتہائی موسمی علاقوں میں ہیں، جس سے پتہ چلتا ہے کہ وقت کے ساتھ تبدیل ہونے والے ماحولیاتی صوبوں پر قبضہ کرنا بہتر کوریج فراہم کرے گا۔
SAGE طریقہ کار کی تعمیر کے لیے، پیچیدہ نظام/ڈیٹا سائنس سے آئیڈیاز استعمال کیے گئے ہیں، جن میں فنکشنل گروپس کے کلسٹرز (11 جہتی جگہ میں بہت قریب ہونے کا امکان) اور صوبوں کا تعین کرنے کی صلاحیت کا استعمال کیا گیا ہے۔یہ صوبے ہماری 3D t-SNE فیز اسپیس میں مخصوص حجم کو ظاہر کرتے ہیں۔اسی طرح، Poincaré حصہ کو "معمول" یا "افراتفری" سلوک (36) کا تعین کرنے کے لیے رفتار کے زیر قبضہ ریاستی جگہ کے "حجم" کا اندازہ کرنے کے لیے استعمال کیا جا سکتا ہے۔جامد 11 جہتی ماڈل آؤٹ پٹ کے لیے، ڈیٹا کو 3D فیز اسپیس میں تبدیل کرنے کے بعد جو حجم حاصل کیا گیا ہے اس کی بھی اسی طرح وضاحت کی جا سکتی ہے۔تھری ڈی فیز اسپیس میں جغرافیائی رقبہ اور رقبہ کے درمیان تعلق آسان نہیں ہے، لیکن ماحولیاتی مماثلت کے لحاظ سے اس کی وضاحت کی جا سکتی ہے۔اس وجہ سے، زیادہ روایتی BC تفاوت کی پیمائش کو ترجیح دی جاتی ہے۔
مستقبل کا کام شناخت شدہ صوبوں اور AEP کی مقامی تغیرات کا اندازہ لگانے کے لیے موسمی طور پر ڈیٹا کو تبدیل کرنے کے لیے SAGE طریقہ کو دوبارہ استعمال کرے گا۔مستقبل کا مقصد یہ ہے کہ اس طریقہ کو استعمال کرنے میں مدد ملے تاکہ سیٹلائٹ کی پیمائش کے ذریعے کن صوبوں کا تعین کیا جا سکے (جیسے Chl-a، ریموٹ سینسنگ کی عکاسی اور سمندر کی سطح کا درجہ حرارت)۔یہ ماحولیاتی اجزاء کی ریموٹ سینسنگ تشخیص اور ماحولیاتی صوبوں اور ان کے تغیرات کی انتہائی لچکدار نگرانی کی اجازت دے گا۔
اس تحقیق کا مقصد SAGE طریقہ متعارف کرانا ہے، جو ایک ماحولیاتی صوبے کو اس کے منفرد پلانکٹن کمیونٹی ڈھانچے کے ذریعے متعین کرتا ہے۔یہاں، جسمانی/بائیو کیمیکل/ایکو سسٹم ماڈل اور t-SNE اور DBSCAN الگورتھم کے پیرامیٹر کے انتخاب کے بارے میں مزید تفصیلی معلومات فراہم کی جائیں گی۔
ماڈل کے جسمانی اجزاء سمندر کی گردش اور آب و ہوا کے تخمینے سے آتے ہیں [ECCOv4;(37) عالمی ریاستی تخمینہ (38) کے ذریعہ بیان کیا گیا ہے۔ریاستی تخمینہ کی برائے نام قرارداد 1/5 ہے۔Lagrangian multiplier طریقہ کے ساتھ کم از کم اسکوائر کا طریقہ ابتدائی اور باؤنڈری حالات اور مشاہدے کے ذریعے ایڈجسٹ کردہ اندرونی ماڈل کے پیرامیٹرز کو حاصل کرنے کے لیے استعمال کیا جاتا ہے، اس طرح ایک آزادانہ چلنے والا MIT جنرل سائیکل ماڈل (MITgcm) (39) پیدا ہوتا ہے، ماڈل اصلاح کے بعد، نتائج حاصل کر سکتے ہیں۔ ٹریک اور مشاہدہ کیا جائے.
بایو جیو کیمسٹری/ماحولیاتی نظام کی (2) میں مزید مکمل تفصیل (یعنی مساوات اور پیرامیٹر کی قدریں) ہیں۔یہ ماڈل غیر نامیاتی اور نامیاتی تالابوں کے ذریعے C، N، P، Si اور Fe کی گردش کو پکڑتا ہے۔یہاں استعمال ہونے والے ورژن میں فائٹوپلانکٹن کی 35 انواع شامل ہیں: مائیکرو پروکیریٹس کی 2 اقسام اور مائیکرو یوکیریوٹس کی 2 اقسام (کم غذائیت والے ماحول کے لیے موزوں)، 5 اقسام کرپٹوموناس اسفیرائڈز (کیلشیم کاربونیٹ کوٹنگ کے ساتھ)، ڈیازونیم کی 5 اقسام، کینٹروجینیئم کی 5 اقسام۔ یہ محدود نہیں ہے) تحلیل شدہ غیر نامیاتی نائٹروجن کی دستیابی)، 11 ڈائیٹومس (ایک سلیئسس کور بناتا ہے)، 10 مخلوط سبزی والے فلیجیلیٹس (فوٹو سنتھیسائز کر سکتے ہیں اور دوسرے پلاکٹن کو کھا سکتے ہیں) اور 16 زوپلانکٹن (دوسرے پلاکٹن پر چر سکتے ہیں)۔انہیں "بائیو جیو کیمیکل فنکشنل گروپس" کہا جاتا ہے کیونکہ ان کے سمندری بائیو جیو کیمسٹری (40, 41) پر مختلف اثرات ہوتے ہیں اور اکثر مشاہدے اور ماڈل اسٹڈیز میں استعمال ہوتے ہیں۔اس ماڈل میں، ہر فنکشنل گروپ 0.6 سے 2500 μm کے مساوی کروی قطر کے ساتھ، مختلف سائز کے کئی پلاکٹن پر مشتمل ہے۔
فائٹوپلانکٹن کی نشوونما، چرنے اور ڈوبنے کو متاثر کرنے والے پیرامیٹرز سائز سے متعلق ہیں، اور چھ فائٹوپلانکٹن فنکشنل گروپس (32) کے درمیان مخصوص فرق ہیں۔مختلف فزیکل فریم ورک کے باوجود، ماڈل کے 51 پلنکٹن اجزاء کے نتائج کو کئی حالیہ مطالعات (42-44) میں استعمال کیا گیا ہے۔
1992 سے 2011 تک، فزیکل/ بائیو جیو کیمیکل/ ایکو سسٹم کپلنگ ماڈل 20 سال تک چلتا رہا۔ماڈل کے آؤٹ پٹ میں پلانکٹن بایوماس، غذائی اجزا کا ارتکاز اور غذائی اجزاء کی فراہمی کی شرح (DIN، PO4، Si اور Fe) شامل ہیں۔اس مطالعہ میں، ان پیداواروں کی 20 سالہ اوسط کو ماحولیاتی صوبے کے ان پٹ کے طور پر استعمال کیا گیا۔Chl، پلانکٹن بایوماس اور غذائی اجزاء کی تقسیم اور فنکشنل گروپس کی تقسیم کا موازنہ سیٹلائٹ اور اندرونی مشاہدات کے ساتھ کیا جاتا ہے [دیکھیں (2، 44)، نوٹ S1 اور اعداد و شمار۔S1 سے S3]۔
SAGE طریقہ کے لیے، بے ترتیب پن کا بنیادی ذریعہ t-SNE قدم سے آتا ہے۔بے ترتیب پن دوبارہ ہونے میں رکاوٹ ہے، جس کا مطلب ہے کہ نتائج ناقابل بھروسہ ہیں۔SAGE طریقہ سختی سے t-SNE اور DBSCAN کے پیرامیٹرز کے ایک سیٹ کا تعین کر کے مضبوطی کی جانچ کرتا ہے، جو دہرائے جانے پر مسلسل کلسٹرز کی شناخت کر سکتا ہے۔t-SNE پیرامیٹر کی "پریشانی" کا تعین کرنا اس ڈگری کا تعین کرنے کے طور پر سمجھا جا سکتا ہے جس میں اعلی سے کم جہت تک میپنگ کو ڈیٹا کی مقامی یا عالمی خصوصیات کا احترام کرنا چاہئے۔400 اور 300 تکرار کی الجھن تک پہنچ گئے۔
کلسٹرنگ الگورتھم DBSCAN کے لیے، کلسٹر میں ڈیٹا پوائنٹس کے کم از کم سائز اور فاصلہ میٹرک کا تعین کرنے کی ضرورت ہے۔ماہرین کی رہنمائی کے تحت کم از کم تعداد کا تعین کیا جاتا ہے۔یہ علم جانتا ہے کہ موجودہ عددی ماڈلنگ فریم ورک اور ریزولوشن میں کیا فٹ بیٹھتا ہے۔کم از کم تعداد 100 ہے۔ ایک اعلیٰ کم از کم قدر (سبز کی بالائی حد کے وسیع ہونے سے پہلے <135 سے کم) پر غور کیا جا سکتا ہے، لیکن یہ BC تفاوت کی بنیاد پر جمع کرنے کے طریقہ کار کی جگہ نہیں لے سکتا۔کنکشن کی ڈگری (شکل 6A) کا استعمال ϵ پیرامیٹر سیٹ کرنے کے لیے کیا جاتا ہے، جو زیادہ کوریج کے لیے موزوں ہے (شکل 6B)۔کنیکٹیویٹی کو کلسٹرز کی جامع تعداد کے طور پر بیان کیا گیا ہے اور یہ ϵ پیرامیٹر کے لیے حساس ہے۔کم کنیکٹوٹی ناکافی فٹنگ کی نشاندہی کرتی ہے، مصنوعی طور پر خطوں کو ایک ساتھ گروپ کرنا۔ہائی کنیکٹوٹی اوور فٹنگ کی نشاندہی کرتی ہے۔اوور فٹنگ بھی مشکل ہے، کیونکہ یہ ظاہر کرتا ہے کہ ابتدائی بے ترتیب اندازے ناقابل تولید نتائج کا باعث بن سکتے ہیں۔ان دو انتہاؤں کے درمیان، تیز اضافہ (جسے عام طور پر "کہنی" کہا جاتا ہے) بہترین ϵ کی نشاندہی کرتا ہے۔شکل 6A میں، آپ سطح مرتفع کے علاقے (پیلا،> 200 کلسٹرز) میں تیزی سے اضافہ دیکھتے ہیں، اس کے بعد تیزی سے کمی (سبز، 100 کلسٹرز)، تقریباً 130 تک، بہت کم کلسٹرز (نیلے، <60 کلسٹرز) سے گھرے ہوئے ہیں۔ )۔کم از کم 100 نیلے علاقوں میں، یا تو ایک جھرمٹ پورے سمندر (ϵ <0.42) پر حاوی ہے، یا زیادہ تر سمندر کی درجہ بندی نہیں کی گئی ہے اور اسے شور (ϵ> 0.99) سمجھا جاتا ہے۔پیلے رنگ کے علاقے میں انتہائی متغیر، ناقابل تولید کلسٹر کی تقسیم ہوتی ہے۔جیسے جیسے ϵ کم ہوتا ہے، شور بڑھتا ہے۔تیزی سے بڑھتے ہوئے سبز علاقے کو کہنی کہا جاتا ہے۔یہ ایک بہترین خطہ ہے۔اگرچہ امکان t-SNE استعمال کیا جاتا ہے، پھر بھی صوبے کے اندر BC کی تفاوت کو قابل اعتماد کلسٹرنگ کا تعین کرنے کے لیے استعمال کیا جا سکتا ہے۔شکل 6 (A اور B) کا استعمال کرتے ہوئے، ϵ کو 0.39 پر سیٹ کریں۔کم از کم تعداد جتنی بڑی ہوگی، ϵ تک پہنچنے کا امکان اتنا ہی کم ہوگا جو قابل اعتماد درجہ بندی کی اجازت دیتا ہے، اور 135 سے زیادہ قدر کے ساتھ سبز رقبہ اتنا ہی زیادہ ہوگا۔ موجود
t-SNE کے پیرامیٹرز سیٹ کرنے کے بعد، کلسٹرز کی کل تعداد کو کنیکٹیویٹی (A) اور کلسٹر (B) کے لیے مختص ڈیٹا کی فیصد کے طور پر استعمال کیا جائے گا۔سرخ نقطہ کوریج اور کنیکٹیویٹی کے بہترین امتزاج کی نشاندہی کرتا ہے۔کم از کم نمبر ماحولیات سے متعلق کم از کم نمبر کے مطابق مقرر کیا جاتا ہے۔
اس مضمون کے ضمنی مواد کے لیے، براہ کرم دیکھیں http://advances.sciencemag.org/cgi/content/full/6/22/eaay4740/DC1
یہ تخلیقی العام انتساب لائسنس کی شرائط کے تحت تقسیم کردہ ایک کھلا رسائی مضمون ہے۔مضمون اس شرط کے تحت کسی بھی میڈیم میں غیر محدود استعمال، تقسیم اور تولید کی اجازت دیتا ہے کہ اصل کام کا صحیح حوالہ دیا گیا ہو۔
نوٹ: ہم آپ سے صرف اپنا ای میل ایڈریس فراہم کرنے کو کہتے ہیں تاکہ آپ جس شخص کو صفحہ پر تجویز کرتے ہیں اسے معلوم ہو کہ آپ چاہتے ہیں کہ وہ ای میل دیکھیں اور یہ سپیم نہیں ہے۔ہم کسی بھی ای میل ایڈریس پر قبضہ نہیں کریں گے۔
یہ سوال یہ جانچنے کے لیے استعمال کیا جاتا ہے کہ آیا آپ وزیٹر ہیں اور خودکار سپیم جمع کرانے سے روکتے ہیں۔
میرین ایکولوجی کی عالمی وزارت پیچیدہ مسائل کو حل کرنے کے لیے پرعزم ہے اور کمیونٹی کے ڈھانچے کو دریافت کرنے کے لیے غیر زیر نگرانی ML کا استعمال کرتی ہے۔
میرین ایکولوجی کی عالمی وزارت پیچیدہ مسائل کو حل کرنے کے لیے پرعزم ہے اور کمیونٹی کے ڈھانچے کو دریافت کرنے کے لیے غیر زیر نگرانی ML کا استعمال کرتی ہے۔