Published July 7, 2021
| Version v1
Publication
Open
Physicochemical Habitat Traits Preferred by Small Indigenous Fish (Chanda Nama ) in Indian River Discerning through Machine Learning
- 1. ICAR Research Complex for NEH Region
- 2. Central Inland Fisheries Research Institute
Description
Abstract Physicochemical traits of river influence the habitat of fish species in aquatic ecosystems. Fish showed a complex relationship with aquatic factors in river. Machine learning (ML) modeling is a useful tool to established relationship between complex systems. This study identified the preferred habitat indicators of Chanda nama (a small indigenous fish), in the Krishna River, of peninsular India, using machine learning modeling. Data were observed on Chanda nama fish distribution (presence/absence) and associated ten physical and chemical parameters of water at 22 sampling sites on the river during year 2001-02. Machine learning models such as random forest (RF), artificial neural network (ANN), support vector machine (SVM), k-nearest neighbors (KNN) used for the classification of Chanda nama distribution in the river. The ML model efficiency was evaluated using classification accuracy (CCI), Cohen's kappa coefficient ( k ), sensitivity, specificity and receiver-operating-characteristics (ROC). Results showed that random forest is the best model with 82% accuracy, CCI (0.82), k (0.55), sensitivity (0.57), specificity (0.76) and ROC (0.72) for Chanda nama distribution (presence/absence) in the Krishna River. Random Forest model identified three preferred physicochemical habitat traits like altitude, temperature and depth for Chanda nama distribution in the Krishna River, India. This study will be helpful for researcher and policy maker to understand the important habitat physicochemical traits for sustainable management of small indigenous fish ( Chanda nama ) in the river system.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تؤثر السمات الفيزيائية الكيميائية للنهر على موائل أنواع الأسماك في النظم الإيكولوجية المائية. أظهرت الأسماك علاقة معقدة مع العوامل المائية في النهر. تعد نمذجة التعلم الآلي (ML) أداة مفيدة للعلاقة القائمة بين الأنظمة المعقدة. حددت هذه الدراسة مؤشرات الموائل المفضلة لـ Chanda nama (سمكة أصلية صغيرة)، في نهر كريشنا، في شبه الجزيرة الهندية، باستخدام نمذجة التعلم الآلي. لوحظت بيانات عن توزيع أسماك تشاندا ناما (الوجود/الغياب) وعشرة بارامترات فيزيائية وكيميائية مرتبطة بالمياه في 22 موقعًا لأخذ العينات على النهر خلال العام 2001-2002. نماذج التعلم الآلي مثل الغابات العشوائية (RF)، والشبكة العصبية الاصطناعية (ANN)، وآلة ناقلات الدعم (SVM)، وأقرب الجيران (KNN) المستخدمة لتصنيف توزيع تشاندا ناما في النهر. تم تقييم كفاءة نموذج التعلم الآلي باستخدام دقة التصنيف (CCI) ومعامل كوهين كابا ( k ) والحساسية والخصوصية وخصائص تشغيل جهاز الاستقبال (ROC). أظهرت النتائج أن الغابة العشوائية هي أفضل نموذج بدقة 82 ٪، CCI (0.82)، k (0.55)، الحساسية (0.57)، الخصوصية (0.76) و ROC (0.72) لتوزيع تشاندا ناما (الوجود/الغياب) في نهر كريشنا. حدد نموذج الغابة العشوائية ثلاث سمات موطن فيزيائية كيميائية مفضلة مثل الارتفاع ودرجة الحرارة والعمق لتوزيع تشاندا ناما في نهر كريشنا، الهند. ستكون هذه الدراسة مفيدة للباحثين وصانعي السياسات لفهم السمات الفيزيائية والكيميائية المهمة للموئل من أجل الإدارة المستدامة للأسماك المحلية الصغيرة ( Chanda nama) في نظام النهر.Translated Description (French)
Résumé Les traits physico-chimiques des rivières influencent l'habitat des espèces de poissons dans les écosystèmes aquatiques. Les poissons ont montré une relation complexe avec les facteurs aquatiques dans la rivière. La modélisation par apprentissage automatique (ML) est un outil utile pour établir une relation entre des systèmes complexes. Cette étude a identifié les indicateurs d'habitat préférés de Chanda nama (un petit poisson indigène), dans la rivière Krishna, en Inde péninsulaire, en utilisant la modélisation par apprentissage automatique. Des données ont été observées sur la répartition des poissons Chanda nama (présence/absence) et dix paramètres physiques et chimiques associés de l'eau à 22 sites d'échantillonnage sur la rivière au cours de l'année 2001-02. Les modèles d'apprentissage automatique tels que la forêt aléatoire (RF), le réseau neuronal artificiel (ANN), la machine à vecteurs de support (SVM), les k plus proches voisins (KNN) utilisés pour la classification de la distribution de Chanda nama dans la rivière. L'efficacité du modèle ML a été évaluée à l'aide de la précision de classification (CCI), du coefficient kappa de Cohen ( k ), de la sensibilité, de la spécificité et des caractéristiques de fonctionnement du récepteur (roc). Les résultats ont montré que la forêt aléatoire est le meilleur modèle avec une précision de 82%, CCI (0,82), k (0,55), sensibilité (0,57), spécificité (0,76) et roc (0,72) pour la distribution Chanda nama (présence/absence) dans la rivière Krishna. Le modèle Random Forest a identifié trois traits d'habitat physico-chimiques préférés comme l'altitude, la température et la profondeur pour la distribution de Chanda nama dans la rivière Krishna, en Inde. Cette étude sera utile aux chercheurs et aux décideurs politiques pour comprendre les caractéristiques physico-chimiques importantes de l'habitat pour la gestion durable des petits poissons indigènes ( Chanda nama ) dans le système fluvial.Translated Description (Spanish)
Resumen Los rasgos fisicoquímicos del río influyen en el hábitat de las especies de peces en los ecosistemas acuáticos. Los peces mostraron una relación compleja con los factores acuáticos en el río. El modelado de aprendizaje automático (ML) es una herramienta útil para establecer relaciones entre sistemas complejos. Este estudio identificó los indicadores de hábitat preferidos de Chanda nama (un pequeño pez indígena), en el río Krishna, de la India peninsular, utilizando modelos de aprendizaje automático. Se observaron datos sobre la distribución de peces Chanda nama (presencia/ausencia) y los diez parámetros físicos y químicos asociados del agua en 22 sitios de muestreo en el río durante el año 2001-02. Modelos de aprendizaje automático como bosque aleatorio (RF), red neuronal artificial (ANN), máquina de vectores de soporte (SVM), vecinos k-más cercanos (KNN) utilizados para la clasificación de la distribución de Chanda nama en el río. La eficiencia del modelo de ML se evaluó utilizando la precisión de clasificación (CCI), el coeficiente kappa de Cohen ( k ), la sensibilidad, la especificidad y las características operativas del receptor (Roc). Los resultados mostraron que el bosque aleatorio es el mejor modelo con un 82% de precisión, CCI (0.82), k (0.55), sensibilidad (0.57), especificidad (0.76) y Roc (0.72) para la distribución de Chanda nama (presencia/ausencia) en el río Krishna. El modelo de bosque aleatorio identificó tres rasgos de hábitat fisicoquímico preferidos, como la altitud, la temperatura y la profundidad, para la distribución de Chanda nama en el río Krishna, India. Este estudio será útil para que los investigadores y los responsables de la formulación de políticas comprendan los importantes rasgos fisicoquímicos del hábitat para el manejo sostenible de los pequeños peces indígenas ( Chanda nama ) en el sistema fluvial.Files
latest.pdf.pdf
Files
(526.7 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:5f4faa624656d56cec8fedab42dac260
|
526.7 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- سمات الموائل الفيزيائية والكيميائية التي تفضلها الأسماك الأصلية الصغيرة (تشاندا ناما ) في النهر الهندي من خلال التعلم الآلي
- Translated title (French)
- Traits physico-chimiques de l'habitat préférés par les petits poissons indigènes (Chanda Nama ) dans la rivière Indian Discerning grâce à l'apprentissage automatique
- Translated title (Spanish)
- Rasgos fisicoquímicos del hábitat preferidos por los pequeños peces indígenas (Chanda Nama ) en el río Indio para discernir a través del aprendizaje automático
Identifiers
- Other
- https://openalex.org/W3180861716
- DOI
- 10.21203/rs.3.rs-591781/v1
References
- https://openalex.org/W2029236612
- https://openalex.org/W2153339530