Д.О. Кривогуз, Р.В. Боровская
Азово-Черноморский филиал ФГБНУ «ВНИРО» («АзНИИРХ»),
РФ, Ростов-на-Дону, Береговая, 21в
E-mail: krivoguz_d_o@azniirkh.ru
DOI: 10.33075/2220-5861-2021-2-88-95
УДК 544.623
Реферат:
Основная цель данного исследования заключалась в нахождении возможности использования линейных регрессионных моделей как части методов машинного обучения, чтобы показать пространственные закономерности распространения Artemia salina в Южном Сиваше. Создание таких моделей позволяет с высокой точностью определять биомассу A. salina в водоемах. Для исследования максимальных уровней поглощения в различных частях светового спектра были сопоставлены спектральные сигнатуры на всех станциях мониторинга со спутниковыми данными, а также проведен анализ спектров поглощения астаксантина и гемоглобина с помощью спектрофотометра.
В результате данные спутника Sentinel-2 показывают хороший потенциал для того, чтобы стать ключевым источником данных, который поможет в дальнейшем увеличить частоту мониторинга A. salina в Южном Сиваше. Построенные модели линейной регрессии, сглаженные полиномами 3-й и 4-й степени, показали достаточные результаты для последующего использования в рыбохозяйственной деятельности. С другой стороны, следует отметить небольшую склонность этих моделей к переобучению, что в определенной мере исказит дальнейшие прогнозные оценки при использовании новых данных. В свою очередь линейно-регрессионные модели, сглаженные полиномом 1-й степени, показывают менее точные результаты, но к их плюсам можно отнести отсутствие склонности к переобучению.
Также следует отметить, что небольшие наборы данных не являются большой проблемой в данном исследовании, и простые алгоритмы машинного обучения могут дать хорошие результаты точности, подходящие для будущих исследований в этой области.
Ключевые слова: дистанционное зондирование, спектральный анализ, Artemia salina, Сиваш, машинное обучение.
Для цитирования: Кривогуз Д.О., Боровская Р.В. Оценка предсказательных возможностей применения моделей линейной регрессии для определения биомассы Artemia salina, используя полевые и спутниковые данные // Системы контроля окружающей среды. 2021. Вып. 2 (44). C. 88–95.
СПИСОК ЛИТЕРАТУРЫ
- Buongiorno Nardelli B. et al. A re-analysis of Black Sea surface temperature // J. Mar. Syst. 2010. Vol. 79, № 1–2. P. 50–64.
- Krivoguz D., Bespalova L. Landslide susceptibility analysis for the Kerch Peninsula using weights of evidence approach and GIS // Russ. J. Earth Sci. 2020. Vol. 20, № 1. P. 1–12.
- Krivoguz D. Methodology of physiography zoning using machine learning: A case study of the Black Sea // Russ. J. Earth Sci. 2020. Vol. 20, № 1. P. 1–10.
- Demchev D. et al. Sea Ice Drift Tracking From Sequential SAR Images Using Accelerated-KAZE Features // IEEE Trans. Geosci. Remote Sens. 2017. Vol. 55, № 9. P. 5174–5184.
- McFeeters S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features // Int. J. Remote Sens. 1996. Vol. 17, № 7. P. 1425–1432.
- Hung Trinh L., Tuyen Vu D. Application of remote sensing technique for drought assessment based on normalized difference drought index, a case study of Bac Binh district, Binh Thuan province (Vietnam) // Russ. J. Earth Sci. 2019. Vol. 19. P. ES2003.
- Sovga E.Е., Eryemina E.S., Khmara T. V. Water Balance in the Sivash Bay as a Result of Variability of the Natural-Climatic and Anthropogenic Factors // Phys. Oceanogr. 2018. Vol. 25, № 1. P. 67–76.
- Vesnina L.V., Permyakova G.V. Dynamics of number and distribution of uneven-age individuals of Artemia in deep-water Bolshoe Yarove lake (Altaysky Kray) // Tomsk State Univ. J. Biol. 2013. Vol. 1. P. 89–102.
- Shadrin N. V., Anufriieva E. V., Shadrina S.N. Brief review of phototrophs in the Crimean hypersaline lakes and lagoons: diversity, ecological role, the possibility of using // Mar. Biol. J. 2017. Vol. 2, № 2. P. 80–85.
- Semik A.M., Saenko E.M., Zamyatina E.A. Current status of the Brine srimp population Artemia Leach, 1819 in the Eastern Sivash Bay // Aquat. Bioresour. Environ. Aquatic Bioresources & Environment, FSBSI VNIRO, Azov-Black Sea Branch of the FSBSI VNIRO (AzNIIRKH), 2019. Vol. 2, № 2. P. 45–56.
- Gajardo G.M., Beardmore J.A. The Brine Shrimp Artemia: Adapted to Critical Life Conditions // Front. Physiol. Frontiers, 2012. Vol. 3. P. 185.
- Shaala N.M.A. et al. Lethal Concentration 50 (LC50) and Effects of Diuron on Morphology of Brine Shrimp Artemia Salina (Branchiopoda: Anostraca) Nauplii // Procedia Environ. Sci. Elsevier BV, 2015. Vol. 30. P. 279–284.
- Litvinenko L.I. et al. Methodical recomendations for stock assessment and prediction of recomendational amount of catching Artemia. Moskow, 2019. 50 p.
- Anufriieva E., Shadrin N. The long‐term changes in plankton composition: Is Bay Sivash transforming back into one of the world’s largest habitats of Artemia sp. (Crustacea, Anostraca)? // Aquac. Res. Blackwell Publishing Ltd, 2020. Vol. 51, № 1. P. 341–350.
- Gilchrist B.M., Green J. The pigment of Artemia. // Proc. R. Soc. Lond. B. Biol. Sci. The Royal SocietyLondon, 1960. Vol. 152. P. 118–136.
- Boonyaratpalin M. et al. Effects of β-carotene source, Dunaliella salina, and astaxanthin on pigmentation, growth, survival and health of Penaeus monodon // Aquac. Res. Blackwell Publishing Ltd., 2001. Vol. 32, № SUPPL. 1. P. 182–190.
- Czygan F.C. On the Metabolism of Carotenoids in the Crustacean Artemia salina // Zeitschrift fur Naturforsch. — Sect. B J. Chem. Sci. Verlag der Zeitschrift für Naturforschung, 1968. Vol. 23, № 10. P. 1367–1368.
- Amarouayache M., Kara M.H. Aspects of life history of Artemia salina (Crustacea, Branchiopoda) from Algeria reared in different conditions of salinity // Vie milieu — Life Environ. 2017. Vol. 67, № 1. P. 15–20.
- Shadrin N., Yakovenko V., Anufriieva E. Suppression of Artemia spp. (Crustacea, Anostraca) populations by predators in the Crimean hypersaline lakes: A review of the evidence // Int. Rev. Hydrobiol. Wiley-VCH Verlag, 2019. Vol. 104, № 1–2. P. 5–13.
- Ha N.-T. et al. Detecting Multi-Decadal Changes in Seagrass Cover in Tauranga Harbour, New Zealand, Using Landsat Imagery and Boosting Ensemble Classification Techniques // ISPRS Int. J. Geo-Information. Multidisciplinary Digital Publishing Institute, 2021. Vol. 10, № 6. P. 371.
- Vandenberg C.J., Matthews C.M., Trotman C.N.A. Variant Subunit Specificity in the Quaternary Structure of Artemia Hemoglobin // Mol. Biol. Evol. Society for Molecular Biology and Evolution, 2002. Vol. 19, № 8. P. 1288–1291.
- Clegg J.S., Trotman C.N.A. Physiological and Biochemical Aspects of Artemia Ecology // Artemia: Basic and Applied Biology. Springer Netherlands, 2002. P. 129–170.
- Uyanık G.K., Güler N. A Study on Multiple Linear Regression Analysis // Procedia — Soc. Behav. Sci. 2013. Vol. 106. P. 234–240.
- Seber G.A., Lee A.J. Linear regression analysis. Wiley-Interscience, 2003. 557 p.
- Weisberg S. Applied linear regression. Wiley-Interscience, 2005. 310 p.
- Pesaran M.H., Smith R.J. A Generalized R^2 Criterion for Regression Models Estimated by the Instrumental Variables Method // Econometrica. 1994. Vol. 62, № 3. P. 705.