Прогнозирование биоразнообразия и биометрических показателей сельди (Clupea pallasii ) Охотского моря с применением нейронных сетей

В работе приводятся данные по прогнозированию морфометрических измерений для сельди Охотского моря с применением алгоритмов машинного обучения (нейронные сети). Было показано, что как минимум 12 признаков коррелируют друг с другом с высокой и очень высокой степенью корреляции (r>0,7-0,9). Продемонстрирована возможность применения нейронных сетей для прогнозирования недостающих морфометрических (и иных видов) данных для любых биологических объектов, в независимости от их географического места обитания. В качестве примера были приведены значения 6 морфометрических признаков, таких как: длина всей рыбы (ab), вес рыбы, расстояние между P и V (vz), длины нижней и верхних лопастей С, антеанальное расстояние. Прогнозные значения, как было показано, отклонялись от эталонных по ряду измерений от 0,2% до 3%, что меньше естественной дисперсии в выборке, доходящей по некоторым признакам до 14%. Всё представленное позволяет предлагать нейронные сети как современный научный метод, например, для устранения нехватки статистических данных или для «закрытия потребностей» в получении новых морфометрических измерений.

1. Конвенция «О биологическом разнообразии» от 5 июня 1992 года. // «Собрание законодательства Российской Федерации. Москва. 6.05.1996. С. 2254.

2. Rogers A.D., Appeltans W., Assis J., [et al.]. Discovering Marine Biodiversity in the 21st Century // Adv. Marine Biology. 2022. V. 93. Pp. 23-115. https://doi.org/10.1016/bs.amb.2022.09.002

3. Boeuf G. Marine Biodiversity Characteristics. // C R Biol. 2011. V. 334. Pp. 435-440. https://doi.org/10.1016/j.crvi.2011.02.009

4. Miller R.S., Odum E.P. Fundamentals of Ecology // Oikos. 1954. 134 p. https://doi.org/10.2307/3564656.

5. Nei M., Kumar S. Molecular Evolution and Phylogenetics - Oxford: Oxford Univ. Press. 2000. 333 p. ISBN 978-0-19-513585-5

6. Gorbachev V.V. Migrations as a Reason for Genetic Homogeneity of Pacific Herring (Clupea Pallasii) from the Sea of Okhotsk // Russian Journal of Genetics Applied Research. 2013. V. 3. Pp. 203-208. https://doi.org/10.1134/S2079059713030052

7. Gorbachev V.V., Lapinskiy A.G., Prikoki O.V., Solovenchuk L.L. Modeling the Dynamics of the Effective Population Size of the Okhotsk Sea Pollock in the Holocene Era on the Basis of Genetic Variability in the Nd2 and Cytb mtDNA Loci // Russian Journal of Genetics. 2014. V. 50. Pp. 763-768. https://doi.org/10.1134/S1022795414070072

8. Смирнов А.А. Биология, распределение и состояние запасов гижигинско-камчатской Сельди. - Магадан: СВГУ. 2014. 179 c.

9. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в Мир Нейронных Сетей - Спб: Питер. 2018. 480 c.

10. Samuel O.M., Casanova P.M., Olopade J.O. Elliptical Fourier Descriptors of Outline and Morphological Analysis in Caudal View of Foramen Magnum of the Tropical Raccoon (Procyon Cancrivorus) (Linnaeus, 1758) // Morphologie. 2018. V. 102. Pp. 31-40. https://doi.org/10.1016/j.morpho.2017.06.001

11. Nurdalila A.A., Bunawan H., Kumar S.V. [et al.]. Homogeneous Nature of Malaysian Marine Fish Epinephelus Fuscoguttatus (Perciformes; Serranidae): Evidence Based on Molecular Markers, Morphology and Fourier Transform Infrared Analysis // Int J Mol Sci. 2015. V. 16. Pp. 14884-14900. https://doi.org/10.3390/ijms160714884

12. Bahmani L. Aboonajmi M., Arabhosseini A., Mirsaeedghazi H. ANN Modeling of Extraction Kinetics of Essential Oil from Tarragon Using Ultrasound Pre-Treatment // Engineering in Agriculture, Environment and Food. 2018. V. 11. Pp. 25-29. https://doi.org/10.1016/j.eaef.2017.10.003

13. Gorbachev V.V. Nikitina M., Velina D. [et al.]. Artificial Neural Networks for Predicting Food Antiradical Potential // Applied Sciences. 2022. V. 12. Pp. 6290. https://doi.org/10.3390/app12126290

14. Behroozi K. Tavakoli T., Ghassemian H., Khoshtaghaza M.H., Banakar A. Applied Machine Vision and Artificial Neural Network for Modeling and Controlling of the Grape Drying Process // Computers and Electronics in Agriculture. 2013. V. 98. Pp. 205-213. https://doi.org/10.1016/j.compag.2013.08.010

15. Sokal R.R., Rohlf F.J. Biometry: The Principles and Practice of Statistics in Biological Research/ R.R. Sokal, [Extensively rev.] 4th ed. - New York: Freeman W.H. 2012. 915 p. ISBN 978-0-7167-8604-7