将遥感衍生的环境梯度与现场特征联系起来,用机器学习来预测Posidonia oceanica的形态反应
Adel Khodja1, Omar Khelil2, Slimane Choubane2
1Environmental Monitoring Network Laboratory (LRSE), University of Oran1 Ahmed BENBELLA, P.O. Box 1524, El M'Naouer, 31000 Oran, Algeria; Higher School of Biological Sciences of Oran, P.O. Box 1042 Saim Mohamed, Emir Abdelkader District, Oran, 31000, Algeria.
Marine pollution bulletin
|October 22, 2025
概括
波西多尼亚海洋海草的形态因光线和温度而变化. 卫星数据可以预测叶子延长和射击密度等关键特征,用于生态系统压力监测.
科学领域:
- 海洋生态海洋生态学
- 海草生态学 海草生态学
- 环境监测 环境监测
背景情况:
- 波西多尼亚海洋草原是重要的沿海生物指标.
- 它们形态变化的环境驱动因素尚未得到充分理解.
- 了解塑性是有效保护的关键.
研究的目的:
- 量化波西多尼亚海洋生物形态变异性的环境驱动因素.
- 评估阿尔及利亚三个沿海地点的形态可塑性.
- 为海草压力检测开发一个可扩展的框架.
主要方法:
- 使用谷歌地球引擎与卫星衍生的环境数据 (SST, PAR,水力学,热量指数) 进行了集成的现场形态测量.
- 采用主要组件分析,层次聚类,部分最小平方回归,随机森林,梯度增强和冗余分析.
- 分析了2011年至2017年的数据,涵盖白角,碳角和西迪拉赫达.
主要成果:
- 变化的两个主要轴:叶子延长/表面积和叶子丰富度.
- 确定了与光,温度和水力动力学条件相关的三个表型综合征.
- 卫星衍生变量 (PAR,风速,SST) 是海草形态的关键预测因素,模型达到R2高达0.49.
- 55.8%的差异是由SST,PAR和水力动力学梯度解释的.
结论:
- 波西多尼亚海洋的形态可塑性主要由光和温度驱动,由水力动力学和热量条件调节.
- 叶子延长,表面积和发芽密度等关键特征可以从卫星数据中预测.
- 这为大规模的海草监测和早期压力检测提供了可转移的框架.
