Оценка предсказательных возможностей применения моделей линейной регрессии для определения биомассы Artemia salina, используя полевые и спутниковые данные

от

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.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Buongiorno Nardelli B. et al. A re-analysis of Black Sea surface temperature // J. Mar. Syst. 2010. Vol. 79, № 1–2. P. 50–64.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. Gajardo G.M., Beardmore J.A. The Brine Shrimp Artemia: Adapted to Critical Life Conditions // Front. Physiol. Frontiers, 2012. Vol. 3. P. 185.
  12. 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.
  13. Litvinenko L.I. et al. Methodical recomendations for stock assessment and prediction of recomendational amount of catching Artemia. Moskow, 2019. 50 p.
  14. 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.
  15. 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.
  16. 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.
  17. 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.
  18. 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.
  19. 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.
  20. 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.
  21. 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.
  22. 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.
  23. Uyanık G.K., Güler N. A Study on Multiple Linear Regression Analysis // Procedia — Soc. Behav. Sci. 2013. Vol. 106. P. 234–240.
  24. Seber G.A., Lee A.J. Linear regression analysis. Wiley-Interscience, 2003. 557 p.
  25. Weisberg S. Applied linear regression. Wiley-Interscience, 2005. 310 p.
  26. 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.

Loading