Distribuzioni di copepodi antartici nel Mare di Ross (Antartide) basate su un approccio modellistico di Machine Learning

Abstract

I copepodi marini (Crustacea, Copepoda) rappresentano circa il 70% del plancton in termini di abbondanza e sono tra le specie target delle attività di monitoraggio. Infatti, reagiscono ai cambiamenti nella colonna d'acqua modificando la loro distribuzione; di conseguenza, sono ottimi candidati per lo studio della risposta dell'ecosistema alla variabilità climatica. Questa tesi ha come obiettivo produrre mappe predittive delle distribuzioni dei copepodi antartici nel Mare di Ross con l'uso di algoritmi di apprendimento automatico (ML). Nel quadro dello Species Distribution Modeling (SDM), sono stati utilizzati diversi tipi di ML per analizzare la presenza e l'assenza di copepodi e produrre previsioni. I dati distributivi sui copepodi planctonici sono stati raccolti durante la XXI Spedizione del Programma Nazionale Antartico (PNRA) nel settore del Mare di Ross nel 2017. Il campionamento è stato effettuato con reti WP2 in 16 stazioni di campionamento scelte casualmente a una profondità compresa tra 0 e 200 m. In ciascuna stazione di campionamento sono stati registrati anche diversi dati ambientali. Le specie di copepodi sono state isolate dai campioni sfusi e rappresentano circa 3000 esemplari. Questi sono stati suddivisi in morfospecie e identificati al più basso livello tassonomico possibile. Le analisi statistiche e la costruzione dei modelli sono state effettuate con l'uso di R e successivamente sono state messe in relazione con diversi descrittori ambientali ottenuti sia direttamente sul campo sia indirettamente dai Polar Macroscope Layers presenti in Quantartica. Le mappe predittive create sono state visualizzate in piattaforme GIS open-source e i risultati sono in accordo con l'ecologia delle specie descritte. Questa tesi dimostra che il ML è un metodo di successo nel prevedere la presenza di copepodi antartici, fornendo anche dati utili per guidare i futuri campionamenti e la conservazione nel Mare di Ross (Antartide), che è un'area di rilevanza globale.

Marine copepods (Crustacea, Copepoda) account for approximately 70% of the abundance of zooplankton and are a target of monitoring activities. In fact, copepods react strongly to changes in the water column by changing their distribution, hence, they are excellent candidates for the study of the ecosystem response to climate variability. This thesis aimed at producing predictive maps of Antarctic copepods distributions in the Ross Sea with the use of machine learning (ML) algorithms. In the Species Distribution Modeling (SDM) framework, distinct types of machine ML were used to analyse the presence and absence of copepods and produce predictions. The distributional data on planktic copepods were collected during the XXI Expedition of the Italian National Antarctic Program (PNRA) in the Ross Sea sector in 2017. Sampling was carried out with WP2 nets in 16 randomly chosen sampling stations at depths of 0-200 m. Various environmental data were also recorded at each of the sampling stations. Copepod species were isolated from bulk samples and accounted for ~3000 individual specimens. These were divided into morphospecies and identified to the lowest possible taxonomic level. The statistical analyses and the construction of the models were carried out with the use of R and later they were related to different environmental descriptors obtained both directly on-field and indirectly from the Polar Macroscope Layers present in Quantartica. The predictive maps created were visualized in open-source GIS platforms and the results are in congruence with the ecology of the described species. This thesis demonstrates that ML is a successful method for accurately predicting the presence of Antarctic copepods, also providing useful data to guide future sampling and the management of wildlife and conservation in the Ross Sea (Antarctica), which is a globally relevant wilderness area and the largest open ocean Marine Protected Area in the world.