Neues Modell nutzt Mikrobenwissen zur präzisen Einschätzung von Tiefsee-Kaltbrüsen

Die Bewertung von Tiefsee‑Kaltbrüsen hat sich lange Zeit auf teure, risikoreiche Tauchmissionen und die visuelle Beobachtung von Makrofauna gestützt. Mikroorganismen bieten eine vielversprechende, kostengünstigere Alternative, doch die vorhandenen Daten sind extrem knapp – nur 13 Proben im Vergleich zu 26 mikrobiellen Merkmalen. Dadurch neigen rein datengetriebene Modelle stark zum Überanpassungsproblem.

Um diesem Problem zu begegnen, wurde ein wissensgestütztes Klassifikationsframework entwickelt, das ein ökologisches Wissensgraphen‑Netz als strukturelle Priorität nutzt. Durch die Kombination von Makro‑Mikro‑Kopplungen und mikrobiellen Ko‑Vorkommensmustern wird die Graph‑Regularized Multinomial Logistic Regression (GRMLR) trainiert. Das Modell begrenzt den Merkmalsraum mit einer Mannigfaltigkeitsstrafe, sodass die Klassifikation biologisch konsistent bleibt. Besonders hervorzuheben ist, dass zur Vorhersage ausschließlich mikrobiologische Häufigkeitsprofile benötigt werden – die Makrofauna‑Beobachtungen dienen lediglich der Trainingsphase.

Experimentelle Tests zeigen, dass das neue Verfahren die üblichen Basismodelle deutlich übertrifft. Damit eröffnet es einen robusten und skalierbaren Ansatz für die ökologische Bewertung von Tiefsee‑Umgebungen, ohne die hohen Kosten und Risiken herkömmlicher Methoden.