我们使用机器学习框架来测试爆炸性繁殖事件的发生是否可以通过非生物因素预测，天气条件被视为预测变量，爆炸性繁殖事件的触发日期被视为二元响应变量，非生物变量包括低水平和高级特征。
低级特征是来自现场传感器和气象站的原始定量气象测量，即温度、温度变化、相对湿度、降雨、大气压力、大气压力变化、光周期和太阳辐射，由于育种事件的出现也可能是由于以前的环境条件，我们还在基于原始气候数据计算的统计分析中包括了高级特征。
这些高级特征是滞后变量，之前的24、48和72小时，以及前48和72小时的过去累积变量，最终预测矩阵包括 48 各变量和 466 个观测值，我们使用随机森林统计分类器，测量了分类的预测准确性和变量重要性，我们通过比较原始数据和一组排列数据之间的误分类误差的差异来评估预测变量的重要性。
每个预测变量的修改数据由随机排列的观测值组成，这些观测值沿随机森林传递，原始数据和修改后数据之间的准确性下降得越大，预测变量的重要性就越高。
为了进一步比较爆炸前和中期繁殖事件的无尾声组合，我们遵循了相同的先前程序，同时添加了与物种之间声学差异相关的信息，我们使用相同的社区数据并重复了受戒分析。
然而，在这里我们没有将物种视为交叉DPCoA空间中的等距，我们使用物种呼叫的声学特性来定义物种对之间的声学差异，在这个定义的空间中，两个物种特定点之间的距离是声学差异的度量。
我们使用来自个人现场记录和商业记录的每个物种特异性，呼叫的焦点记录来估计两个物种之间的声学差异，我们选择了满足两个标准的录音：（1）呼叫必须由一个孤立的个体发出，以及（2）信号的信噪比必须高于30，其中SNR = 20 log10，RMS 是信号的均方根幅度。
然后，通过计算短时傅里叶变换，平均后续矩阵的列并应用对数变换来量化每个调用的频谱组成，通过计算频谱分布或指数D的累积差异来评估物种呼叫之间的声学差异cf 。
