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(lián)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(jié)果，結(jié)合機器學習模型，預(yù)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(guān)系。

浮游動物存在于全球所有海洋中，它們在海洋食物網(wǎng)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(qū)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(diào)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(shù)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(wǎng)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(wǎng)的破壞，或者易在固定液中保存不良，導(dǎo)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(nèi)被廣泛應(yīng)用。

Laetitia等人通過對全球范圍內(nèi)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(zhuǎn)換因子將其轉(zhuǎn)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?qū)W聯(lián)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(guān)系模型，以此預(yù)測全球浮游動物的生物量。

圖1 本研究使用的UVP數(shù)據(jù)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(shè)備和經(jīng)電腦處理的光學技術(shù)，來獲得浮游動物原位數(shù)字圖像，圖像后續(xù)可以通過EcoTaxa浮游動物數(shù)據(jù)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(chǎn)）；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(shù)據(jù)庫共享平臺對浮游動物進行種類鑒定及分類

結(jié)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(yīng)。全球浮游動物的生物量呈現(xiàn)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)流附近最低。此外，預(yù)計赤道的浮游動物生物量也會增加。

保守預(yù)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(yù)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(yù)測平均生物量（PgC）的條形圖，從高到低排列。

盡管研究取得了一些重要發(fā)現(xiàn)，但也存在一些限制和挑戰(zhàn)。機器學習模型對浮游動物數(shù)據(jù)庫的大小比較敏感，并且對于稀有類群的預(yù)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(yù)測能力。

總而言之，本研究提供了有關(guān)全球浮游動物生物量分布的重要預(yù)測結(jié)果，并揭示了其與環(huán)境因素之間的關(guān)系。這對于深入了解浮游動物在海洋食物網(wǎng)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(shù)字成像方法的不斷發(fā)展和應(yīng)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(jù)。

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.