利用UVP原位成像技术和机器学习估算全球浮游动物生物量分布

法国LOV（Laboratoire d'Océanographie de Villefranche-sur-Mer；索邦大学和法国国家科学研究中心的联合研究单位）实验室的科学家Laetitia等人首次利用UVP的水下原位观测结果，结合机器学习模型，预测了19个浮游动物类群（ESD范围为1-50mm）的全球生物量分布，并探讨了其与环境因素的关系。

研究背景

浮游动物存在于全球所有海洋中，它们在海洋食物网和生物地球化学循环中发挥着重要的作用，是生物碳泵的主要驱动力，并为维持鱼类群落的稳定作出了巨大贡献。但浮游动物对环境条件很敏感，因此被认为是海洋变化的哨兵。它们的分布受到海洋中物理、化学、以及生物因素的相互作用及调控。

为了更好地理解浮游动物的重要性，需要对浮游动物的生物量和功能群进行全球定量评估。目前只有少数浮游动物群体的全球分布得到了很好的研究，这些群体通常使用浮游生物网采样。但还有很多浮游动物类群非常脆弱，非常容易受到浮游生物网的破坏，或者易在固定液中保存不良，导致它们的生物量和在海洋生态系统中的生态作用被低估。在这种情况下，使用非侵入式的原位成像方法对浮游动物进行研究，显得尤为必要。在众多水下原位成像系统中，只有水下颗粒物和浮游动物原位成像系统（UVP）在全球范围内被广泛应用。

研究过程

Laetitia等人通过对全球范围内2008年-2019年之间获得的超过3549个UVP剖面（0-500米，图1）上的466872个个体进行了分类，估计了它们的个体生物量，并使用分类特定的转换因子将其转换为生物量。然后将这些生物量与环境变量（温度、盐度、氧气等）的气候学联系起来，使用增强回归树等机器学习算法，建立了生物量与环境因素之间的关系模型，以此预测全球浮游动物的生物量。

水下颗粒物和浮游动物图像原位采集系统UVP（图2）主要用于同时研究水下的大型颗粒物（>80μm）和浮游动物（>700μm），并在已知水体体积下对水中颗粒物和浮游动物进行量化。UVP使用传统的照明设备和经电脑处理的光学技术，来获得浮游动物原位数字图像，图像后续可以通过EcoTaxa浮游动物数据库共享平台（图3）来进行浮游动物种类鉴定及分类。

图2 水下颗粒物和浮游动物图像原位采集系统UVP。左图为本实验中使用的UVP5（目前已停产）；右图为升级版本UVP6-HF，与UVP5功能相同，且重量更轻

研究结果

结果表明，浮游动物对环境很敏感，并会对环境的变化作出反应。全球浮游动物的生物量呈现出一定的空间分布模式，生物量最高的区域位于大约60°N和55°S附近（图4），而在海洋环流附近最低。此外，预计赤道的浮游动物生物量也会增加。

保守预估，全球综合浮游动物生物量最小值（0-500 m）为0.403 PgC。在不同的浮游动物群体中，桡足类为最主要的群体（35.7%，主要分布在极地地区），其次为真软甲类（26.6%）和有孔虫类（16.4%，主要分布在热带辐合带）。

图5 在世界范围、高纬度和低纬度模式下，0-200 m（A）和200-500 m（B）深度下预测平均生物量（PgC）的条形图，从高到低排列。

研究结论

尽管研究取得了一些重要发现，但也存在一些限制和挑战。机器学习模型对浮游动物数据库的大小比较敏感，并且对于稀有类群的预测能力较弱。因此，在未来的研究中，需要进一步改进模型以提高对这些类群的预测能力。

总而言之，本研究提供了有关全球浮游动物生物量分布的重要预测结果，并揭示了其与环境因素之间的关系。这对于深入了解浮游动物在海洋食物网和生物地球化学循环中的作用具有重要意义。随着UVP等数字成像方法的不断发展和应用，科学家们将能够更准确地估计全球浮游动物的生物量分布，并为保护海洋生态系统提供更有效的决策依据。

参考文献

1. Drago L, Panaïotis 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.