水域生態(tài)碳匯作為地球整個(gè)生態(tài)系統的重要部分，是建立未來(lái)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，在區域尺度和全球尺度上影響著(zhù)水域碳循環(huán)。同時(shí)浮游植物細胞的碳含量與細胞的生物體積及豐度正相關(guān)，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(guò)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)系統的物質(zhì)循環(huán)和能量流動(dòng)等提供理論數據支撐。
1、使用CytoSense 測得的總熒光與碳生物量的相關(guān)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(xué)觀(guān)測和以高時(shí)空分辨率對海洋表層進(jìn)行采樣的新型平臺與衛星海洋顏色圖像和測高的實(shí)時(shí)分析相結合。在本文中，首先描述了基于衛星數據和連續海面測量的研究特征的水文結構和動(dòng)力學(xué)。然后，基于單細胞水平和高時(shí)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外的各個(gè)站點(diǎn)中的細尺度垂直變化，從而形成了一個(gè)三維數據集，用于研究作用于浮游植物群落結構的物理驅動(dòng)機制。估計了原位生長(cháng)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(guān)初級生產(chǎn)力（豐度）。
通過(guò)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。在連續表面熒光測量得出的計算FLRTotal和Chl A濃度之間建立了顯著(zhù)相關(guān)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(jìn)行了類(lèi)似的計算（QC，calc，表2）。單個(gè)細胞C含量（QC，calc）根據異速生長(cháng)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(guò)綜合、多學(xué)科方法解決復雜的浮游植物觀(guān)測問(wèn)題
浮游植物在海洋生態(tài)系統中扮演著(zhù)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(xué)循環(huán)發(fā)揮著(zhù)重要的控制作用。浮游植物參與了大氣碳的長(cháng)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(guò)光合作用固定CO2并通過(guò)生物泵將其輸出到海洋內部，在全球C循環(huán)中發(fā)揮著(zhù)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(xué)和分類(lèi)學(xué)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(guò)將大部分無(wú)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(yíng)養狀態(tài)的結構，在改變水團的生物地球化學(xué)性質(zhì)方面發(fā)揮著(zhù)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(xué)過(guò)程的影響時(shí)，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(lèi)型（PFT）是指在主要生物地球化學(xué)過(guò)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(yíng)養體，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(gè)數量級，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(yíng)養物質(zhì)、光照有效性、垂直穩定性和捕食等環(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(xué)景象。
監測葉綠素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(shí)空變異性。然而，單一的使用葉綠素a 來(lái)量化和鑒定大規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(guān)的物理-生物-生物地球化學(xué)機制，需要結合使用幾種互補的方法，包括現場(chǎng)觀(guān)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(jìn)行高分辨率測量。
浮游植物功能類(lèi)型、大小類(lèi)別和特定葉綠素a濃度的代表性數據集已成為被積極研究的主題，可使用自動(dòng)設備（如熒光光譜儀、粒子散射和吸收光譜記錄儀器，或自動(dòng)和遠程控制掃描流式細胞儀（CytoSense））進(jìn)行高頻、現場(chǎng)專(zhuān)用分析。在用于量化浮游植物豐度、群落結構和動(dòng)態(tài)的高頻原位技術(shù)中，CytoSense表現出獨特的先進(jìn)性，可在單細胞水平上計數和記錄細胞光學(xué)特性?？捎糜诜治鰩缀跛械母∮沃参锎笮☆?lèi)別，并在側重于浮游植物群落結構動(dòng)態(tài)的解析同時(shí)，還開(kāi)發(fā)了應用于遙感數據的算法，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(jìn)行單細胞逐一分析，可產(chǎn)生兆字節的信息量，實(shí)現浮游植物群落結構的快速分析與追蹤調查，為數據反演提供地面數據。同時(shí)由于其時(shí)間分辨率高，可以與衛星的過(guò)境時(shí)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(guān)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(jiàn)光譜中只有五個(gè)通道的結果表明，只要有足夠的數據建立必要的經(jīng)驗關(guān)系，海洋顏色測量可以用來(lái)區分主要的浮游植物類(lèi)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?；谙嚓P(guān)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(guān)成分共同變化并主要調節海洋顏色的假設是有效的。除了經(jīng)驗輸入外，還開(kāi)發(fā)了半解析算法，該算法使用輻射傳輸理論來(lái)反演公海中的光學(xué)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(guān)葉綠素濃度和后向散射系數（IOCCG，2006；Werdell，2013）。半分析算法提供了有關(guān)大?。↙oisel，2006；Kostadinov，2009；Berwin，2011）和浮游植物組成的信息（Kostadinov，2010年）。
隨著(zhù)最新的衛星儀器和算法的問(wèn)世，內陸水域葉綠素a（CHL-a）的遙感正朝著(zhù)常規操作的方向發(fā)展。衛星檢索的CHL-a最近符合《歐洲水框架指令》（Bresciani et al.，2011）中規定的監測要求。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(cháng)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(yíng)養化水域（Odermatt et al.，2012）。
在算法方面，已經(jīng)針對光學(xué)復雜的內陸和沿海水域類(lèi)型開(kāi)發(fā)了幾種具體的方法，因為目前還沒(méi)有普遍適用的方法（IOCCG，2006，2009）。MERIS的神經(jīng)網(wǎng)絡(luò )（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(xué)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(gè)資源，其中包括使用海洋顏色遙感進(jìn)行各種海洋相關(guān)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(méi)有相關(guān)的不確定性。此外，使用特定區域在給定時(shí)間獲得的特定數據調整的經(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(guān)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(xué)海洋和地球科學(xué)實(shí)驗室，
法國維梅雷克斯海岸大學(xué)環(huán)境資源實(shí)驗室（LER），
英國環(huán)境、漁業(yè)和水產(chǎn)養殖科學(xué)中心（CEFAS）
荷蘭RWS水管理中心水生物分析實(shí)驗室
法國艾克斯馬賽大學(xué)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(jìn)行了詳細描述。簡(jiǎn)單地說(shuō)，這種經(jīng)驗方法首先是通過(guò)使用兩種同時(shí)和一致的測量方法建立起來(lái)的：nLw測量和診斷性浮游植物色素的原位測量。根據色素分析確定了特定浮游植物群的存在。在第一步中，這種方法允許根據色素清單，在可用的原位數據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，以證明衛星信號的二階可變性。這是通過(guò)將實(shí)際nLw除以平均nLw模型（nLwref）來(lái)實(shí)現的，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(gè)主要浮游植物群在形狀和振幅上都與特定的RA光譜相關(guān)?；诖?，我們定義了一套標準，以描述各組在其RA光譜中的功能，首先是通過(guò)最小值和最大值方法，最近是使用神經(jīng)元網(wǎng)絡(luò )分類(lèi)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(jiàn)的主要浮游植物群的全球地圖。當一個(gè)月內沒(méi)有一組浮游植物占優(yōu)勢時(shí)，這些像素與一個(gè)“身份不明”的浮游植物群有關(guān)。在這項研究中，根據質(zhì)量標準選擇遙感觀(guān)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(xué)厚度低于0.15時(shí)，才考慮像素。根據Vantrepotte et al.（2012）中描述的光學(xué)類(lèi)型學(xué)，通過(guò)關(guān)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(lèi)為渾濁的水域被排除在經(jīng)驗關(guān)系之外，因為PHYSAT方法目前不適用于此類(lèi)區域。選擇使用相同標準分類(lèi)為非渾濁的水域，并對其應用PHYSAT算法。為了將同步的現場(chǎng)觀(guān)測和遙感觀(guān)測聯(lián)系起來(lái)，進(jìn)行了一次配對演習。通過(guò)日復一日地比較原位CytoSense樣本（視為原位數據）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(diǎn)。當在MODIS像素中發(fā)現多個(gè)原位CytoSense樣本時(shí)，TFLR的平均值（a.u.cm?3）對每個(gè)浮游植物組進(jìn)行了計算。
基于單細胞光學(xué)特性的浮游植物群落結構的空間（km）和時(shí)間（小時(shí)）尺度數據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(guān)于水屬性和浮游植物結構的特定信息，并且依賴(lài)于現場(chǎng)觀(guān)測的驗證，而現場(chǎng)觀(guān)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(lèi)型與RA之間的經(jīng)驗關(guān)系基礎上。因此，該方法僅限于優(yōu)勢案例，因為HPLC分析無(wú)法提供更多信息。
關(guān)于浮游植物群落結構的遙感天氣推斷仍有待建立，盡管進(jìn)行了理論驗證（Alvain et al.，2012），但仍依賴(lài)于重要的現場(chǎng)數據點(diǎn)收集，以建立可靠的經(jīng)驗關(guān)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(gè)有效采樣日內提供了前所未有的匹配點(diǎn)（非渾濁水域與MODIS像素匹配的分析樣本數：38；06:00至18:00之間使用的樣本數：15，相當于39.5%的盈利能力）與GeP&CO數據集的14%匹配點(diǎn)相比（Alvain等人，2005年）。
5、總結
使用帶有神經(jīng)網(wǎng)絡(luò )算法的星載中分辨率成像光譜儀在光學(xué)復雜的內陸水域具有很大的應用潛力。水生系統的過(guò)程發(fā)生在很寬的時(shí)間尺度上，從亞秒到幾十年不等。這些定義了科學(xué)測量的頻率、密度和持續時(shí)間要求。
電子設備和傳感器的發(fā)展使多參數剖面儀和固定位置系泊系統能夠進(jìn)行采樣。這些數據，連同地球觀(guān)測衛星數據，提供了更廣闊的湖泊圖片，但也揭示了許多有關(guān)系統如何運作的新問(wèn)題。開(kāi)發(fā)一種組合式CytoBuoy流式細胞術(shù)及圖像分析技術(shù)，以自動(dòng)化浮游植物。結合用于自動(dòng)數據分析的新型機器學(xué)習技術(shù)，可以在短時(shí)間內監測物種豐度和環(huán)境條件。觀(guān)察可以為環(huán)境相互依賴(lài)性和增長(cháng)周期的研究提供信息。這些新方法還可以實(shí)現基于過(guò)程的預測，從幾周到幾十年的時(shí)間尺度上預測湖泊社區如何應對環(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
相關(guān)閱讀：
? 以科技助力中長(cháng)期氣候變化對農業(yè)影響的研究
每個(gè)勞動(dòng)的人都值得被尊重，勞動(dòng)創(chuàng )造價(jià)值。澤泉科技祝您勞動(dòng)節快樂(lè )！