原位藻類群落結構分析系統(tǒng)在遙感及碳循環(huán)估算領域的應用及展望
水域生態(tài)碳匯作為地球整個生態(tài)系統(tǒng)的重要部分，是建立未來碳匯計量新體系的重要組成部分。而浮游植物是水域中的最主要的初級生產(chǎn)者，在區(qū)域尺度和全球尺度上影響著水域碳循環(huán)。同時浮游植物細胞的碳含量與細胞的生物體積及豐度正相關，葉綠素也是通用的衡量浮游植物生物量的重要指標。因此通過浮游植物流式細胞儀計算浮游植物顆粒的生物體積、葉綠素含量等，可為研究浮游植物生命周期及生物量變化，水體生態(tài)系統(tǒng)的物質(zhì)循環(huán)和能量流動等提供理論數(shù)據(jù)支撐。
1、使用CytoSense 測得的總熒光與碳生物量的相關計算
參考文獻：Coupling physics and biogeochemistry thanks to high-resolution observations of the phytoplankton community structure in the northwestern Mediterranean Sea
在OSCAHR（Observing Submesoscale Coupling At High Resolution）項目巡航期間，用于耦合物理-生物-生物地球化學觀測和以高時空分辨率對海洋表層進行采樣的新型平臺與衛(wèi)星海洋顏色圖像和測高的實時分析相結合。在本文中，首先描述了基于衛(wèi)星數(shù)據(jù)和連續(xù)海面測量的研究特征的水文結構和動力學。然后，基于單細胞水平和高時空分辨率的分析，以自主方式研究了相應的浮游植物群落結構和分布。此外，還展示了浮游植物群落結構在研究結構內(nèi)外的各個站點中的細尺度垂直變化，從而形成了一個三維數(shù)據(jù)集，用于研究作用于浮游植物群落結構的物理驅動機制。估計了原位生長率，并研究了兩種主要浮游植物物種原綠球藻和聚球藻的表觀初級生產(chǎn)力（豐度）。
通過將CytoSense記錄的原綠球藻、聚球藻、pico真核生物（PicoE, PicoHighFLO, PicoHighFLR）納米真核生物（NanoE、NanoFLO、NanoHighFLO）和微細胞浮游生物（Microo、MicroHighFLO）組群細胞平均紅色熒光強度（FLRm）乘以它們各自的豐度，得出各組對紅色熒光的相對貢獻FLRi。公式為：FLRi=（FLRm，i*Abundancei ). 綜合FLRTotal信號計算如下：
使用FLRi/FLRTotal比率估計了每一種浮游植物對總熒光信號的貢獻。在連續(xù)表面熒光測量得出的計算FLRTotal和Chl A濃度之間建立了顯著相關性（R2=0:80，n=144），與熒光計相比，CytoSense記錄的FLR異常高。
原綠球菌、聚球藻、pico真核生物和納米真核生物群及其細胞豐度及碳配比對碳生物量進行了類似的計算（QC，calc，表2）。單個細胞C含量（QC，calc）根據(jù)異速生長回歸公式從平均細胞大小推導得出。QC,calc =a * Biovolumeb 得出：原綠球藻細胞的平均C生物量為25fgC/cell，聚球藻細胞的平均C生物量為109fgC/cell，pico 真核生物群的平均C生物量為1880fgC/cell，納米真核細胞的平均C生物量為9000 fgC/cell
上表計算了前向散射（FWS）、等效球直徑（ESD）和原綠球藻、聚球藻、pico真核生物（PicoE）和納米真核生物（NanoE）的平均值和SD。
ESD=（log（Size）=0.309 *log(FWS）-1.853，n=17，r2=0.94），Size由已知直徑的二氧化硅校準珠獲得。
假設細胞是球形的，生物體積計算公式QC，calc=a*Biovolumeb，將生物體積（Biovolume）轉換為平均碳細胞配額（QC，calc）。其中a,b使用Menden Deuer和Lessard（2000）發(fā)表的轉換因子。碳細胞配額（QC，lit）參考Campbell和Shalapyonok等人的文獻。
2、通過綜合、多學科方法解決復雜的浮游植物觀測問題
浮游植物在海洋生態(tài)系統(tǒng)中扮演著重要角色，是海洋中最重要的初級生產(chǎn)者。盡管浮游植物僅占全球光合活性碳（C）生物量的0.2%，但它占全球初級生產(chǎn)力的一半左右。它構成了海洋食物網(wǎng)的基礎，并對全球生物地球化學循環(huán)發(fā)揮著重要的控制作用。浮游植物參與了大氣碳的長期捕獲，其在從海洋上層到深水的碳轉移中的作用突出了其對氣候的影響（Boyce et al.，2010；Marinov et al.，2010）。在全球變化的背景下，主要由于人為大氣CO2的增加，海洋浮游植物通過光合作用固定CO2并通過生物泵將其輸出到海洋內(nèi)部，在全球C循環(huán)中發(fā)揮著基礎性作用（De La Rocha and Passow，2007）。
海洋浮游植物群落結構在組合、生理學和分類學方面具有高度異質(zhì)性。除了在碳循環(huán)中的作用外，浮游植物還通過將大部分無機物轉化為有效有機物（氮、磷、磷酸鹽、硅酸鹽、硫、鐵）以及確定海洋環(huán)境營養(yǎng)狀態(tài)的結構，在改變水團的生物地球化學性質(zhì)方面發(fā)揮著重要作用。Le Quéré指出，在考慮浮游植物群落結構對生物地球化學過程的影響時，需考慮浮游植物物種功能的重要性（Le Quéréet al.，2005）。物種功能性即浮游植物功能類型（PFT）是指在主要生物地球化學過程中具有相似的特性或響應的劃分為一組，如N、P、Si、，C和S循環(huán)（N循環(huán)的重氮營養(yǎng)體，如藍藻；S循環(huán)的二甲基磺酰丙酸鹽產(chǎn)生菌，如棕囊藻；Si循環(huán)的硅化劑，如硅藻；C循環(huán)的鈣化劑，如球藻，主要用于C循環(huán)的大小等級）。
此外，浮游植物細胞體積跨越9個數(shù)量級，從原綠球菌藍藻（~10-1μm3）到最大的硅藻（>108μm3）。浮游植物多樣性主要受溫度、營養(yǎng)物質(zhì)、光照有效性、垂直穩(wěn)定性和捕食等環(huán)境因素的控制，從而形成了浮游植物多樣性的生物地理學景象。
監(jiān)測葉綠素a的濃度變化經(jīng)常被用于從遙感和原位測量研究浮游植物的時空變異性。然而，單一的使用葉綠素a 來量化和鑒定大規(guī)模浮游植物具有一定的局限性，且不能反映群落結構的變化（Colin et al.，2004；Hirata al.，2011），也不能產(chǎn)生可靠的生物量估計（Kruskopf & Flynn，2006）。有效研究精細尺度結構及其相關的物理-生物-生物地球化學機制，需要結合使用幾種互補的方法，包括現(xiàn)場觀測和采樣、遙感和模型模擬。而評估控制精細生物物理相互作用的機制，必須進行高分辨率測量。
浮游植物功能類型、大小類別和特定葉綠素a濃度的代表性數(shù)據(jù)集已成為被積極研究的主題，可使用自動設備（如熒光光譜儀、粒子散射和吸收光譜記錄儀器，或自動和遠程控制掃描流式細胞儀（CytoSense））進行高頻、現(xiàn)場專用分析。在用于量化浮游植物豐度、群落結構和動態(tài)的高頻原位技術中，CytoSense表現(xiàn)出獨特的先進性，可在單細胞水平上計數(shù)和記錄細胞光學特性�？捎糜诜治鰩缀跛械母∮沃参锎笮☆悇e，并在側重于浮游植物群落結構動態(tài)的解析同時，還開發(fā)了應用于遙感數(shù)據(jù)的算法，用于描述浮游植物群的特征或尺寸等級（Sathyendranath al.，2004；Ciotti al.，2006；Nair al.，2008；Aiken al.，2008；Kostadinov al.，2009；Uitz al.，2010；Moisan al.，2012）。
3、海洋顏色遙感
衛(wèi)星遙感測量大水體表面顏色和反射信息，浮游植物流式細胞儀可進行單細胞逐一分析，可產(chǎn)生兆字節(jié)的信息量，實現(xiàn)浮游植物群落結構的快速分析與追蹤調(diào)查，為數(shù)據(jù)反演提供地面數(shù)據(jù)。同時由于其時間分辨率高，可以與衛(wèi)星的過境時間相吻合。幾種形式，不同階段的信息巧妙結合則可以建立一種全面的觀測方法，結合物理、氣象、生物傳感器以獲得更全面的生態(tài)生物信息。
在可見光譜中只有五個通道的結果表明，只要有足夠的數(shù)據(jù)建立必要的經(jīng)驗關系，海洋顏色測量可以用來區(qū)分主要的浮游植物類群。
參考文獻: Remote sensing of phytoplankton groups in case 1 waters from global SeaWiFS imagery
從海洋顏色遙感中獲取粒子特性的算法有多種。基于相關性的算法用于繪制葉綠素（O’Reilly，1998）、POC（Son，2009；Stramski，1999，2008）、PM（Vantrepotte，2011）、PIC（Balch，2007）和浮游植物功能群（Alvain，2005；IOCCG，2014）。它們往往在公海條件下工作得最好，在這種條件下，浮游植物和相關成分共同變化并主要調(diào)節(jié)海洋顏色的假設是有效的。除了經(jīng)驗輸入外，還開發(fā)了半解析算法，該算法使用輻射傳輸理論來反演公海中的光學成分。這些算法通常獲得非浮游植物和溶解物質(zhì)的綜合吸收、浮游植物吸收、相關葉綠素濃度和后向散射系數(shù)（IOCCG，2006；Werdell，2013）。半分析算法提供了有關大�。↙oisel，2006；Kostadinov，2009；Berwin，2011）和浮游植物組成的信息（Kostadinov，2010年）。
隨著最新的衛(wèi)星儀器和算法的問世，內(nèi)陸水域葉綠素a（CHL-a）的遙感正朝著常規(guī)操作的方向發(fā)展。衛(wèi)星檢索的CHL-a最近符合《歐洲水框架指令》（Bresciani et al.，2011）中規(guī)定的監(jiān)測要求。在儀器方面，使用中分辨率光譜輻射計（如MERIS和MODIS）最為普遍。然而，與MODIS相比，MERIS對紅色和近紅外（NIR）波長的光譜分辨率可以更準確地反演次生CHL-a吸收最大值，使其更適合富營養(yǎng)化水域（Odermatt et al.，2012）。
在算法方面，已經(jīng)針對光學復雜的內(nèi)陸和沿海水域類型開發(fā)了幾種具體的方法，因為目前還沒有普遍適用的方法（IOCCG，2006，2009）。MERIS的神經(jīng)網(wǎng)絡（NN）算法已在歐洲的各種湖泊中得到驗證（Koponen，2008；Odermatt，2010；Ruiz Verdu，2008），盡管其他研究表明，它們可能在非常高的色素濃度下失敗，尤其是藍藻，有學者對于垂直變化的浮游植物（Ballestero，1999年；Gordon，1992年；Stramska和Stramski，2005年）和藍藻濃度（Kutser等人，2008年），模擬了這種變化對反射量的影響。
以下網(wǎng)站提供了一個資源，其中包括使用海洋顏色遙感進行各種海洋相關研究的例子，以及許多案例研究：http://www.ioccg.org/handbook.html。需要注意的是，許多基于海洋顏色的算法提供的輸出沒有相關的不確定性。此外，使用特定區(qū)域在給定時間獲得的特定數(shù)據(jù)調(diào)整的經(jīng)驗算法可能不適用于其他條件。
4、浮游植物群落結構的原位和遙感觀測匹配方法
參考文獻：High-resolution analysis of a North Sea phytoplankton community structure based on in situ flow cytometry observations and potential implication for remote sensing
法國北里爾大學海洋和地球科學實驗室，
法國維梅雷克斯海岸大學環(huán)境資源實驗室（LER），
英國環(huán)境、漁業(yè)和水產(chǎn)養(yǎng)殖科學中心（CEFAS）
荷蘭RWS水管理中心水生物分析實驗室
法國艾克斯馬賽大學地中海海洋研究所（MIO）
PHYSAT方法基于識別由海洋顏色傳感器測量的離水輻射（nLw）光譜中的特定特征。Alvain等人（2005年、2008年）對此進行了詳細描述。簡單地說，這種經(jīng)驗方法首先是通過使用兩種同時和一致的測量方法建立起來的：nLw測量和診斷性浮游植物色素的原位測量。根據(jù)色素分析確定了特定浮游植物群的存在。在第一步中，這種方法允許根據(jù)色素清單，在可用的原位數(shù)據(jù)集中檢測出四種主要的浮游植物群。只有在它們占優(yōu)勢的情況下，才首先檢測到四組（硅藻、納米真核生物、聚球藻和原綠球藻）。請注意，這里的“優(yōu)勢”是根據(jù)Alvain等人（2005）的定義使用的，在這種情況下，給定的浮游植物群是總診斷色素的主要貢獻者。這代表了使用其他潛在浮游植物原位分析的局限性。在第二步中，將412和555 nm之間的一致遙感輻射異常（RAs）光譜轉換為特定的歸一化離水輻射或RA光譜，以證明衛(wèi)星信號的二階可變性。這是通過將實際nLw除以平均nLw模型（nLwref）來實現(xiàn)的，該模型僅取決于標準Chl a。
然后，使用一致的nLw光譜和原位分析表明，在原位采樣期間采樣的每一個主要浮游植物群在形狀和振幅上都與特定的RA光譜相關�；诖耍覀兌x了一套標準，以描述各組在其RA光譜中的功能，首先是通過最小值和最大值方法，最近是使用神經(jīng)元網(wǎng)絡分類工具（Ben Mustapha等人，2014）。這些標準可以應用于全球每日檔案，以獲得最常見的主要浮游植物群的全球地圖。當一個月內(nèi)沒有一組浮游植物占優(yōu)勢時，這些像素與一個“身份不明”的浮游植物群有關。在這項研究中，根據(jù)質(zhì)量標準選擇遙感觀測，以確保Alvain等人（2005）所述的PHYSAT的高度可信度。因此，只有在晴朗的天空條件下，當氣溶膠光學厚度低于0.15時，才考慮像素。根據(jù)Vantrepotte et al.（2012）中描述的光學類型學，通過關注浮游植物為主的水域，將沉積物和/或有色溶解有機物（CDOM）的影響降至最低。因此，被歸類為渾濁的水域被排除在經(jīng)驗關系之外，因為PHYSAT方法目前不適用于此類區(qū)域。選擇使用相同標準分類為非渾濁的水域，并對其應用PHYSAT算法。為了將同步的現(xiàn)場觀測和遙感觀測聯(lián)系起來，進行了一次配對演習。通過日復一日地比較原位CytoSense樣本（視為原位數(shù)據(jù)）和4.6 km分辨率MODIS像素（最高三級二元分辨率）之間的匹配點。當在MODIS像素中發(fā)現(xiàn)多個原位CytoSense樣本時，TFLR的平均值（a.u.cm−3）對每個浮游植物組進行了計算。
基于單細胞光學特性的浮游植物群落結構的空間（km）和時間（小時）尺度數(shù)據(jù)集對于驗證從空間描述浮游植物群落結構的方法非常重要。海洋算法需要關于水屬性和浮游植物結構的特定信息，并且依賴于現(xiàn)場觀測的驗證，而現(xiàn)場觀測往往很復雜，并且受到天空條件標準的限制。
PHYSAT方法是建立在原位HPLC分析的主要浮游植物功能類型與RA之間的經(jīng)驗關系基礎上。因此，該方法僅限于優(yōu)勢案例，因為HPLC分析無法提供更多信息。
關于浮游植物群落結構的遙感天氣推斷仍有待建立，盡管進行了理論驗證（Alvain et al.，2012），但仍依賴于重要的現(xiàn)場數(shù)據(jù)點收集，以建立可靠的經(jīng)驗關系。在這項研究中，CytoSense的浮游植物高頻分析與PHYSAT方法的結合被證明是一種出色的校準方法。
它只在兩個有效采樣日內(nèi)提供了前所未有的匹配點（非渾濁水域與MODIS像素匹配的分析樣本數(shù)：38；06:00至18:00之間使用的樣本數(shù)：15，相當于39.5%的盈利能力）與GeP&CO數(shù)據(jù)集的14%匹配點相比（Alvain等人，2005年）。
5、總結
使用帶有神經(jīng)網(wǎng)絡算法的星載中分辨率成像光譜儀在光學復雜的內(nèi)陸水域具有很大的應用潛力。水生系統(tǒng)的過程發(fā)生在很寬的時間尺度上，從亞秒到幾十年不等。這些定義了科學測量的頻率、密度和持續(xù)時間要求。
電子設備和傳感器的發(fā)展使多參數(shù)剖面儀和固定位置系泊系統(tǒng)能夠進行采樣。這些數(shù)據(jù)，連同地球觀測衛(wèi)星數(shù)據(jù)，提供了更廣闊的湖泊圖片，但也揭示了許多有關系統(tǒng)如何運作的新問題。開發(fā)一種組合式CytoBuoy流式細胞術及圖像分析技術，以自動化浮游植物。結合用于自動數(shù)據(jù)分析的新型機器學習技術，可以在短時間內(nèi)監(jiān)測物種豐度和環(huán)境條件。觀察可以為環(huán)境相互依賴性和增長周期的研究提供信息。這些新方法還可以實現(xiàn)基于過程的預測，從幾周到幾十年的時間尺度上預測湖泊社區(qū)如何應對環(huán)境變化。
—— 參考文獻 ——
K.A. Sellegri, E. Nicosia, J. Freney, et al. Surface ocean microbiota determine cloud precursors, Scientific Reports, 2021, 11, 281.
A. T. Greer, J.C. Lehrter, B. M. Binder, et al. High-Resolution Sampling of a Broad Marine Life Size Spectrum Reveals Differing Size- and Composition-Based Associations With Physical Oceanographic Structure, Frontiers in Marine Sciences, 7, 2020, 542701.
A. Louchart, F. Lizon, A. Lefebvre, et al. Phytoplankton distribution from Western to Central English Channel, revealed by automated flow cytometry during the summer-fall transition, Continental Shelf Research, 2020, 195, 104056.
H. M. Aardema, M. Rijkeboer, A. Lefebvre, et al. High-resolution underway measurements of phytoplankton photosynthesis and abundance as an innovative addition to water quality monitoring programs, Ocean Science, 2019, 15, 1267–1285.
F. Lombard et al. Globally Consistent Quantitative Observations of Planktonic Ecosystems, Frontiers in Marine Sciences, 2019.
G.C. Pereira, L.P. Andrade, R.P. Espíndola, et al. Ecological networks simulation by fuzzy ecotoxicological rules, Ecological Modelling, 2019, 409, 108733.
P. Marrec, G. Grégori, A. M. Doglioli, et al. Coupling physics and biogeochemistry thanks to high-resolution observations of the phytoplankton community structure in the northwestern Mediterranean Sea, Biogeosciences, 2018, 15, 1579-1606
M.K. Thomas, S. Fontana, M. Reyes, et al. Quantifying cell densities and biovolumes of phytoplankton communities and functional groups using scanning flow cytometry, machine learning and unsupervised clustering, PLoS ONE, 2018, 13(5): e0196225
S. Bonato, U. Christaki, A. Lefebvre, et al. High spatial variability of phytoplankton assessed by flow cytometry, in a dynamic productive coastal area, in spring: The eastern English Channel, Estuarine, Coastal and Shelf Science, 2015, 154(5), 214-223
M. Thyssen, S. Alvain, A. Lefèbvre, et al. High-resolution analysis of a North Sea phytoplankton community structure based on in situ flow cytometry observations and potential implication for remote sensing, Biogeosciences, 2015, 12, 4051–4066
D. Odermatt, F. Pomati, J. Pitarch, et al. MERIS observations of phytoplankton blooms in a stratified eutrophic lake. Remote Sensing of Environment,2012, 126, 232-239
G.C. Pereira, N.F.F. Ebecken. Combining In Situ Flow Cytometry And Artificial Neural Networks For Aquatic Systems Monitoring Expert Systems with Applications, Expert Systems with Applications,2011, 38(8), 9626-9632
J.C. Cury, F. V. Araujo, S. A. Coelho-Souza, et al. Microbial Diversity Of A Brazilian Coastal Region Influenced By An Upwelling System And Anthropogenic Activity, PLoS One, 2011, 6(1), e16553
