整合机器学习与耳石异构图:在四十年内重建海洋鱼的连接性

科学领域:

• 生态生态学 生态生态学
• 渔业 科学 渔业 科学
• 同位素地球化学 同位素地球化学

背景情况:

• 稳定的同位素对于追踪动物迁徙路线和出生起源至关重要.
• 目前使用稳定同位素进行地理分配的方法可能会因为同位素数据的连续性而产生偏差.
• 与陆地物种相比,对海洋生物的同位素异地图的应用较不发达.

研究的目的:

• 开发和验证一个综合框架,将名义和连续稳定同位素分配方法结合起来.
• 应用这个框架来确定西北大西洋鱼 (Scomber scombrus) 种群的地理来源和混合.
• 评估迁徙海洋物种的苗圃区和连接性的多十年转变.

主要方法:

• 开发了一种机器学习的多模型集合分类器,使用贝叶斯模型平均值进行名义赋值.
• 整合名义预测与连续的,特定物种的奥托利特氧气同位体,用于概率分配.
• 将框架应用于来自西北大西洋鱼样本的石碳和氧稳定同位素 (δ13C/δ18O).

主要成果:

• 用名义方法实现了高分类准确度 (84.9%),以区分鱼的数量.
• 分析显示,北方和南方在美国水域的混合水平显著且可变 (12.5-83.7%),超过40年.
• 综合框架确定了已知的产卵热点,并检测了幼儿园区域的多十年地理变化.

结论:

• 新的综合框架有效地结合了名义和连续同位素数据,用于在海洋物种中进行高分辨率的地理分配.
• 这种方法为人口连接,迁移模式和潜在的库存结构变化提供了关键的见解.
• 该框架广泛适用于渔业管理,保护评估和了解海洋生态系统动态.