水域生态碳汇作为地球整个生态系统的重要部分，是建立未来碳汇计量新体系的重要组成部分。而浮游植物是水域中的最主要的初级生产者，在区域尺度和全球尺度上影响着水域碳循环。同时浮游植物细胞的碳含量与细胞的生物体积及丰度正相关，叶绿素也是通用的衡量浮游植物生物量的重要指标。因此通过浮游植物流式细胞仪计算浮游植物颗粒的生物体积、叶绿素含量等，可为研究浮游植物生命周期及生物量变化，水体生态系统的物质循环和能量流动等提供理论数据支撑。
1、使用CytoSense 测得的总荧光与碳生物量的相关计算
参考文献：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）项目巡航期间，用于耦合物理-生物-生物地球化学观测和以高时空分辨率对海洋表层进行采样的新型平台与卫星海洋颜色图像和测高的实时分析相结合。在本文中，首先描述了基于卫星数据和连续海面测量的研究特征的水文结构和动力学。然后，基于单细胞水平和高时空分辨率的分析，以自主方式研究了相应的浮游植物群落结构和分布。此外，还展示了浮游植物群落结构在研究结构内外的各个站点中的细尺度垂直变化，从而形成了一个三维数据集，用于研究作用于浮游植物群落结构的物理驱动机制。估计了原位生长率，并研究了两种主要浮游植物物种原绿球藻和聚球藻的表观初级生产力（丰度）。
通过将CytoSense记录的原绿球藻、聚球藻、pico真核生物（PicoE, PicoHighFLO, PicoHighFLR）纳米真核生物（NanoE、NanoFLO、NanoHighFLO）和微细胞浮游生物（Microo、MicroHighFLO）组群细胞平均红色荧光强度（FLRm）乘以它们各自的丰度，得出各组对红色荧光的相对贡献FLRi。公式为：FLRi=（FLRm，i*Abundancei ). 综合FLRTotal信号计算如下：
使用FLRi/FLRTotal比率估计了每一种浮游植物对总荧光信号的贡献。在连续表面荧光测量得出的计算FLRTotal和Chl A浓度之间建立了显著相关性（R2=0:80，n=144），与荧光计相比，CytoSense记录的FLR异常高。
原绿球菌、聚球藻、pico真核生物和纳米真核生物群及其细胞丰度及碳配比对碳生物量进行了类似的计算（QC，calc，表2）。单个细胞C含量（QC，calc）根据异速生长回归公式从平均细胞大小推导得出。QC,calc =a * Biovolumeb 得出：原绿球藻细胞的平均C生物量为25fgC/cell，聚球藻细胞的平均C生物量为109fgC/cell，pico 真核生物群的平均C生物量为1880fgC/cell，纳米真核细胞的平均C生物量为9000 fgC/cell
上表计算了前向散射（FWS）、等效球直径（ESD）和原绿球藻、聚球藻、pico真核生物（PicoE）和纳米真核生物（NanoE）的平均值和SD。
ESD=（log（Size）=0.309 *log(FWS）-1.853，n=17，r2=0.94），Size由已知直径的二氧化硅校准珠获得。
假设细胞是球形的，生物体积计算公式QC，calc=a*Biovolumeb，将生物体积（Biovolume）转换为平均碳细胞配额（QC，calc）。其中a,b使用Menden Deuer和Lessard（2000）发表的转换因子。碳细胞配额（QC，lit）参考Campbell和Shalapyonok等人的文献。
2、通过综合、多学科方法解决复杂的浮游植物观测问题
浮游植物在海洋生态系统中扮演着重要角色，是海洋中最重要的初级生产者。尽管浮游植物仅占全球光合活性碳（C）生物量的0.2%，但它占全球初级生产力的一半左右。它构成了海洋食物网的基础，并对全球生物地球化学循环发挥着重要的控制作用。浮游植物参与了大气碳的长期捕获，其在从海洋上层到深水的碳转移中的作用突出了其对气候的影响（Boyce et al.，2010；Marinov et al.，2010）。在全球变化的背景下，主要由于人为大气CO2的增加，海洋浮游植物通过光合作用固定CO2并通过生物泵将其输出到海洋内部，在全球C循环中发挥着基础性作用（De La Rocha and Passow，2007）。
海洋浮游植物群落结构在组合、生理学和分类学方面具有高度异质性。除了在碳循环中的作用外，浮游植物还通过将大部分无机物转化为有效有机物（氮、磷、磷酸盐、硅酸盐、硫、铁）以及确定海洋环境营养状态的结构，在改变水团的生物地球化学性质方面发挥着重要作用。Le Quéré指出，在考虑浮游植物群落结构对生物地球化学过程的影响时，需考虑浮游植物物种功能的重要性（Le Quéréet al.，2005）。物种功能性即浮游植物功能类型（PFT）是指在主要生物地球化学过程中具有相似的特性或响应的划分为一组，如N、P、Si、，C和S循环（N循环的重氮营养体，如蓝藻；S循环的二甲基磺酰丙酸盐产生菌，如棕囊藻；Si循环的硅化剂，如硅藻；C循环的钙化剂，如球藻，主要用于C循环的大小等级）。
此外，浮游植物细胞体积跨越9个数量级，从原绿球菌蓝藻（~10-1μm3）到最大的硅藻（>108μm3）。浮游植物多样性主要受温度、营养物质、光照有效性、垂直稳定性和捕食等环境因素的控制，从而形成了浮游植物多样性的生物地理学景象。
监测叶绿素a的浓度变化经常被用于从遥感和原位测量研究浮游植物的时空变异性。然而，单一的使用叶绿素a 来量化和鉴定大规模浮游植物具有一定的局限性，且不能反映群落结构的变化（Colin et al.，2004；Hirata al.，2011），也不能产生可靠的生物量估计（Kruskopf & Flynn，2006）。有效研究精细尺度结构及其相关的物理-生物-生物地球化学机制，需要结合使用几种互补的方法，包括现场观测和采样、遥感和模型模拟。而评估控制精细生物物理相互作用的机制，必须进行高分辨率测量。
浮游植物功能类型、大小类别和特定叶绿素a浓度的代表性数据集已成为被积极研究的主题，可使用自动设备（如荧光光谱仪、粒子散射和吸收光谱记录仪器，或自动和远程控制扫描流式细胞仪（CytoSense））进行高频、现场专用分析。在用于量化浮游植物丰度、群落结构和动态的高频原位技术中，CytoSense表现出独特的先进性，可在单细胞水平上计数和记录细胞光学特性。可用于分析几乎所有的浮游植物大小类别，并在侧重于浮游植物群落结构动态的解析同时，还开发了应用于遥感数据的算法，用于描述浮游植物群的特征或尺寸等级（Sathyendranath al.，2004；Ciotti al.，2006；Nair al.，2008；Aiken al.，2008；Kostadinov al.，2009；Uitz al.，2010；Moisan al.，2012）。
3、海洋颜色遥感
卫星遥感测量大水体表面颜色和反射信息，浮游植物流式细胞仪可进行单细胞逐一分析，可产生兆字节的信息量，实现浮游植物群落结构的快速分析与追踪调查，为数据反演提供地面数据。同时由于其时间分辨率高，可以与卫星的过境时间相吻合。几种形式，不同阶段的信息巧妙结合则可以建立一种全面的观测方法，结合物理、气象、生物传感器以获得更全面的生态生物信息。
在可见光谱中只有五个通道的结果表明，只要有足够的数据建立必要的经验关系，海洋颜色测量可以用来区分主要的浮游植物类群。
参考文献: Remote sensing of phytoplankton groups in case 1 waters from global SeaWiFS imagery
从海洋颜色遥感中获取粒子特性的算法有多种。基于相关性的算法用于绘制叶绿素（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）。它们往往在公海条件下工作得最好，在这种条件下，浮游植物和相关成分共同变化并主要调节海洋颜色的假设是有效的。除了经验输入外，还开发了半解析算法，该算法使用辐射传输理论来反演公海中的光学成分。这些算法通常获得非浮游植物和溶解物质的综合吸收、浮游植物吸收、相关叶绿素浓度和后向散射系数（IOCCG，2006；Werdell，2013）。半分析算法提供了有关大小（Loisel，2006；Kostadinov，2009；Berwin，2011）和浮游植物组成的信息（Kostadinov，2010年）。
随着最新的卫星仪器和算法的问世，内陆水域叶绿素a（CHL-a）的遥感正朝着常规操作的方向发展。卫星检索的CHL-a最近符合《欧洲水框架指令》（Bresciani et al.，2011）中规定的监测要求。在仪器方面，使用中分辨率光谱辐射计（如MERIS和MODIS）最为普遍。然而，与MODIS相比，MERIS对红色和近红外（NIR）波长的光谱分辨率可以更准确地反演次生CHL-a吸收最大值，使其更适合富营养化水域（Odermatt et al.，2012）。
在算法方面，已经针对光学复杂的内陆和沿海水域类型开发了几种具体的方法，因为目前还没有普遍适用的方法（IOCCG，2006，2009）。MERIS的神经网络（NN）算法已在欧洲的各种湖泊中得到验证（Koponen，2008；Odermatt，2010；Ruiz Verdu，2008），尽管其他研究表明，它们可能在非常高的色素浓度下失败，尤其是蓝藻，有学者对于垂直变化的浮游植物（Ballestero，1999年；Gordon，1992年；Stramska和Stramski，2005年）和蓝藻浓度（Kutser等人，2008年），模拟了这种变化对反射量的影响。
以下网站提供了一个资源，其中包括使用海洋颜色遥感进行各种海洋相关研究的例子，以及许多案例研究：http://www.ioccg.org/handbook.html。需要注意的是，许多基于海洋颜色的算法提供的输出没有相关的不确定性。此外，使用特定区域在给定时间获得的特定数据调整的经验算法可能不适用于其他条件。
4、浮游植物群落结构的原位和遥感观测匹配方法
参考文献：High-resolution analysis of a North Sea phytoplankton community structure based on in situ flow cytometry observations and potential implication for remote sensing
法国北里尔大学海洋和地球科学实验室，
法国维梅雷克斯海岸大学环境资源实验室（LER），
英国环境、渔业和水产养殖科学中心（CEFAS）
荷兰RWS水管理中心水生物分析实验室
法国艾克斯马赛大学地中海海洋研究所（MIO）
PHYSAT方法基于识别由海洋颜色传感器测量的离水辐射（nLw）光谱中的特定特征。Alvain等人（2005年、2008年）对此进行了详细描述。简单地说，这种经验方法首先是通过使用两种同时和一致的测量方法建立起来的：nLw测量和诊断性浮游植物色素的原位测量。根据色素分析确定了特定浮游植物群的存在。在第一步中，这种方法允许根据色素清单，在可用的原位数据集中检测出四种主要的浮游植物群。只有在它们占优势的情况下，才首先检测到四组（硅藻、纳米真核生物、聚球藻和原绿球藻）。请注意，这里的“优势”是根据Alvain等人（2005）的定义使用的，在这种情况下，给定的浮游植物群是总诊断色素的主要贡献者。这代表了使用其他潜在浮游植物原位分析的局限性。在第二步中，将412和555 nm之间的一致遥感辐射异常（RAs）光谱转换为特定的归一化离水辐射或RA光谱，以证明卫星信号的二阶可变性。这是通过将实际nLw除以平均nLw模型（nLwref）来实现的，该模型仅取决于标准Chl a。
然后，使用一致的nLw光谱和原位分析表明，在原位采样期间采样的每一个主要浮游植物群在形状和振幅上都与特定的RA光谱相关。基于此，我们定义了一套标准，以描述各组在其RA光谱中的功能，首先是通过最小值和最大值方法，最近是使用神经元网络分类工具（Ben Mustapha等人，2014）。这些标准可以应用于全球每日档案，以获得最常见的主要浮游植物群的全球地图。当一个月内没有一组浮游植物占优势时，这些像素与一个“身份不明”的浮游植物群有关。在这项研究中，根据质量标准选择遥感观测，以确保Alvain等人（2005）所述的PHYSAT的高度可信度。因此，只有在晴朗的天空条件下，当气溶胶光学厚度低于0.15时，才考虑像素。根据Vantrepotte et al.（2012）中描述的光学类型学，通过关注浮游植物为主的水域，将沉积物和/或有色溶解有机物（CDOM）的影响降至最低。因此，被归类为浑浊的水域被排除在经验关系之外，因为PHYSAT方法目前不适用于此类区域。选择使用相同标准分类为非浑浊的水域，并对其应用PHYSAT算法。为了将同步的现场观测和遥感观测联系起来，进行了一次配对演习。通过日复一日地比较原位CytoSense样本（视为原位数据）和4.6 km分辨率MODIS像素（最高三级二元分辨率）之间的匹配点。当在MODIS像素中发现多个原位CytoSense样本时，TFLR的平均值（a.u.cm−3）对每个浮游植物组进行了计算。
基于单细胞光学特性的浮游植物群落结构的空间（km）和时间（小时）尺度数据集对于验证从空间描述浮游植物群落结构的方法非常重要。海洋算法需要关于水属性和浮游植物结构的特定信息，并且依赖于现场观测的验证，而现场观测往往很复杂，并且受到天空条件标准的限制。
PHYSAT方法是建立在原位HPLC分析的主要浮游植物功能类型与RA之间的经验关系基础上。因此，该方法仅限于优势案例，因为HPLC分析无法提供更多信息。
关于浮游植物群落结构的遥感天气推断仍有待建立，尽管进行了理论验证（Alvain et al.，2012），但仍依赖于重要的现场数据点收集，以建立可靠的经验关系。在这项研究中，CytoSense的浮游植物高频分析与PHYSAT方法的结合被证明是一种出色的校准方法。
它只在两个有效采样日内提供了前所未有的匹配点（非浑浊水域与MODIS像素匹配的分析样本数：38；06:00至18:00之间使用的样本数：15，相当于39.5%的盈利能力）与GeP&CO数据集的14%匹配点相比（Alvain等人，2005年）。
5、总结
使用带有神经网络算法的星载中分辨率成像光谱仪在光学复杂的内陆水域具有很大的应用潜力。水生系统的过程发生在很宽的时间尺度上，从亚秒到几十年不等。这些定义了科学测量的频率、密度和持续时间要求。
电子设备和传感器的发展使多参数剖面仪和固定位置系泊系统能够进行采样。这些数据，连同地球观测卫星数据，提供了更广阔的湖泊图片，但也揭示了许多有关系统如何运作的新问题。开发一种组合式CytoBuoy流式细胞术及图像分析技术，以自动化浮游植物。结合用于自动数据分析的新型机器学习技术，可以在短时间内监测物种丰度和环境条件。观察可以为环境相互依赖性和增长周期的研究提供信息。这些新方法还可以实现基于过程的预测，从几周到几十年的时间尺度上预测湖泊社区如何应对环境变化。
—— 参考文献 ——
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
相关阅读：
每个劳动的人都值得被尊重，劳动创造价值。bet356体育娱乐官网网站科技祝您劳动节快乐！