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等人首次利用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中發揮著重要的作用，是生物碳泵的主要驅動力，并為維持魚類群落的穩定作出了巨大貢獻。但浮游動物對環境條件很敏感，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系統中的生態作用被低估。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中，只有水下顆粒物和浮游動物原位成像系統（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，浮游動物對環境很敏感，并會對環境的變化作出反應。全球浮游動物的生物量呈現出一定的空間分布模式，生物量最高的區域位于大約60°N和55°S附近（圖4），而在海洋環流附近最低。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），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現，但也存在一些限制和挑戰。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中的作用具有重要意義。隨著UVP等數字成像方法的不斷發展和應用，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，并為保護海洋生態系統提供更有效的決策依據。

參考文獻

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.