监督机器学习提高了eDNA元编码在水库健康监测中的普遍适用性

科学领域:

• 生态生态学 生态生态学
• 环境科学 环境科学
• 生物信息学是一种生物信息学.

背景情况:

• 有效的水库管理需要标准化生物监测,但传统方法存在局限性.
• 环境DNA (eDNA) 元编码为生态评估提供了一个有希望的替代方案.
• 监督机器学习 (SML) 可以在没有分类学赋值的情况下从eDNA数据中推断生物指数,但其一般适用性尚不清楚.

研究的目的:

• 开发和验证一种新的,无分类的SML方法,用于标准化的水库生物监测.
• 用多个季节的eDNA数据评估SML模型的稳定性和预测性能.
• 使用eDNA和SML建立常规生物监测的实用策略.

主要方法:

• 开发了一种新的生物完整性指数 (Me-IBI),使用分类学分配的eDNA元编码数据.
• 采用了具有不同特征选择的SML算法,以使用无分类的eDNA数据预测生态条件.
• 评估了三峡水库多个季节的模型稳定性和预测性能.

主要成果:

• Me-IBI有效地表明了水库健康和人类影响,超过了物理化学评估.
• 对于生态条件,SML模型实现了稳定和优异的预测性能,即使具有有限的功能.
• 无分类的eDNA-SML方法证明了对多季度生物监测的一般适用性.

结论:

• 无分类的eDNA-SML方法在标准化水库生物监测中具有广泛的适用性和有效性.
• 这种方法为大规模的生态评估和管理提供了可靠的基础.
• 提出了一项四步战略,用于使用SML工具实施常规生物监测.