法國lov（laboratoire d'océanographie de villefranche-sur-mer；索邦大學和法國國家科學研究中心的聯合研究單位）實驗室的科學家laetitia等人利用uvp的水下原位觀測結果，結合機器學習模型，預測了19個浮游動物類群（esd范圍為1-50mm）的全球生物量分布，并探討了其與環(huán)境因素的關系。
研究背景
浮游動物存在于全球所有海洋中，它們在海洋食物網和生物地球化學循環(huán)中發(fā)揮著重要的作用，是生物碳泵的主要驅動力，并為維持魚類群落的穩(wěn)定作出了巨大貢獻。但浮游動物對環(huán)境條件很敏感，因此被認為是海洋變化的哨兵。它們的分布受到海洋中物理、化學、以及生物因素的相互作用及調控。
為了更好地理解浮游動物的重要性，需要對浮游動物的生物量和功能群進行全球定量評估。目前只有少數浮游動物群體的全球分布得到了很好的研究，這些群體通常使用浮游生物網采樣。但還有很多浮游動物類群非常脆弱，非常容易受到浮游生物網的破壞，或者易在固定液中保存不良，導致它們的生物量和在海洋生態(tài)系統(tǒng)中的生態(tài)作用被低估。在這種情況下，使用非侵入式的原位成像方法對浮游動物進行研究，顯得尤為必要。在眾多水下原位成像系統(tǒng)中，只有水下顆粒物和浮游動物原位成像系統(tǒng)（uvp）在全球范圍內被廣泛應用。
研究過程
laetitia等人通過對全球范圍內2008年-2019年之間獲得的超過3549個uvp剖面（0-500米，圖1）上的466872個個體進行了分類，估計了它們的個體生物量，并使用分類特定的轉換因子將其轉換為生物量。然后將這些生物量與環(huán)境變量（溫度、鹽度、氧氣等）的氣候學聯系起來，使用增強回歸樹等機器學習算法，建立了生物量與環(huán)境因素之間的關系模型，以此預測全球浮游動物的生物量。
圖1 本研究使用的uvp數據集地圖。透明度用來說明地圖上點的密度。
水下顆粒物和浮游動物圖像原位采集系統(tǒng)uvp（圖2）主要用于同時研究水下的大型顆粒物（>80μm）和浮游動物（>700μm），并在已知水體體積下對水中顆粒物和浮游動物進行量化。uvp使用傳統(tǒng)的照明設備和經電腦處理的光學技術，來獲得浮游動物原位數字圖像，圖像后續(xù)可以通過ecotaxa浮游動物數據庫共享平臺（圖3）來進行浮游動物種類鑒定及分類。
圖2 水下顆粒物和浮游動物圖像原位采集系統(tǒng)uvp。左圖為本實驗中使用的uvp5（目前已停產）；右圖為升級版本uvp6-hf，與uvp5功能相同，且重量更輕
圖3 ecotaxa浮游動物數據庫共享平臺對浮游動物進行種類鑒定及分類
研究結果
結果表明，浮游動物對環(huán)境很敏感，并會對環(huán)境的變化作出反應。全球浮游動物的生物量呈現出一定的空間分布模式，生物量最高的區(qū)域位于大約60°n和55°s附近（圖4），而在海洋環(huán)流附近低。此外，預計赤道的浮游動物生物量也會增加。
保守預估，全球綜合浮游動物生物量最小值（0-500 m）為0.403 pgc。在不同的浮游動物群體中，橈足類為最主要的群體（35.7%，主要分布在極地地區(qū)），其次為真軟甲類（26.6%）和有孔蟲類（16.4%，主要分布在熱帶輻合帶）。
圖4 利用分類群預測的0 ~ 500m全球生物量分布圖
圖5 在世界范圍、高緯度和低緯度模式下，0-200 m（a）和200-500 m（b）深度下預測平均生物量（pgc）的條形圖，從高到低排列。
研究結論
盡管研究取得了一些重要發(fā)現，但也存在一些限制和挑戰(zhàn)。機器學習模型對浮游動物數據庫的大小比較敏感，并且對于稀有類群的預測能力較弱。因此，在未來的研究中，需要進一步改進模型以提高對這些類群的預測能力。
總而言之，本研究提供了有關全球浮游動物生物量分布的重要預測結果，并揭示了其與環(huán)境因素之間的關系。這對于深入了解浮游動物在海洋食物網和生物地球化學循環(huán)中的作用具有重要意義。隨著uvp等數字成像方法的不斷發(fā)展和應用，科學家們將能夠更準確地估計全球浮游動物的生物量分布，并為保護海洋生態(tài)系統(tǒng)提供更有效的決策依據。
參考文獻
1. drago l, pana?otis t, irisson j o, et al. global distribution of zooplankton biomass estimated by in situ imaging and machine learning[j]. frontiers in marine science, 2022, 9.