生態学的複雑性の解明教師なし学習による全球海洋生態圏の決定

Elucidating ecological complexity: Unsupervised learning determines global marine eco-provinces.

• Maike Sonnewald
• Stephanie Dutkiewicz
• Christopher Hill
• Gael Forget

抄録

プランクトン群集構造と栄養塩フラックスのデータから全球の海洋生態圏を決定するための教師なし学習法を提示した。システマティック・アグリゲーション・エコ・プロヴィンス(SAGE)法は、高度に非線形な生態系モデルの中でエコ・プロヴィンスを特定する手法である。データの非ガウス共分散に対応するために、SAGEでは次元性を減らすためにt-stochastic neighbor embedding (t-SNE)を使用している。密度ベースの空間クラスタリング・オブ・アプリケーション・ウィズ・ノイズ（DBSCAN）アルゴリズムを用いて、100以上の生態系県を同定した。生態的非類似性を距離指標とした接続性グラフを用いて、環境国を入れ子にすることで、ロバストな集約環境国(AEP)を客観的に定義する。このAEPを用いて、栄養塩供給量が群集構造に及ぼす影響を検討した。環境地域とAEPはユニークなものであり、モデルの解釈を助ける。これらはモデルの相互比較を容易にし、海洋生態系の理解とモニタリングを向上させる可能性がある。

An unsupervised learning method is presented for determining global marine ecological provinces (eco-provinces) from plankton community structure and nutrient flux data. The systematic aggregated eco-province (SAGE) method identifies eco-provinces within a highly nonlinear ecosystem model. To accommodate the non-Gaussian covariance of the data, SAGE uses t-stochastic neighbor embedding (t-SNE) to reduce dimensionality. Over a hundred eco-provinces are identified with the density-based spatial clustering of applications with noise (DBSCAN) algorithm. Using a connectivity graph with ecological dissimilarity as the distance metric, robust aggregated eco-provinces (AEPs) are objectively defined by nesting the eco-provinces. Using the AEPs, the control of nutrient supply rates on community structure is explored. Eco-provinces and AEPs are unique and aid model interpretation. They could facilitate model intercomparison and potentially improve understanding and monitoring of marine ecosystems.

Copyright © 2020 The Authors, some rights reserved; exclusive licensee American Association for the Advancement of Science. No claim to original U.S. Government Works. Distributed under a Creative Commons Attribution License 4.0 (CC BY).