(相关资料图)
记者5月29日从中国科学院海洋研究所获悉，该所研究员李晓峰课题组在基于深度学习算法反演全球浮游植物色素浓度方面取得重要进展，研究成果发表于遥感领域顶级期刊《环境遥感》（IF=13.85）。
浮游植物不仅是海洋的初级生产者，更是海洋生物地球化学循环过程中至关重要的载体，其群落结构关系到海洋生态环境的变化，是了解海洋动力过程驱动生态演变的重要指示因子。浮游植物的色素浓度，是其分类及分析其群落结构的重要依据。利用海洋光学遥感可以获取浮游植物色素浓度相关的光学吸收信息，但受海水光学特性多变和浮游植物光学吸收过程中“打包效应”的影响，难以在全球范围内同时反演多种浮游植物色素浓度。
浮游植物色素浓度与总叶绿素浓度比值的全球分布图 课题组供图
据了解，该研究基于长期搜集的现场HPLC数据和MODIS卫星遥感数据，构建了全球浮游植物色素浓度匹配数据集，首次实现全球海洋范围17种浮游植物色素浓度的反演，并据此获得不同浮游植物类群在全球海洋的分布情况。
研究团队在深度学习模型构建过程中，充分考虑了海水中其它物质对浮游植物色素浓度反演的影响，利用残差网络和多尺度金字塔结构，来实现多种色素浓度同时反演时复杂非线性关系的获取和多尺度特征学习。该全球浮游植物色素浓度反演模型可用于研究长时序海洋浮游植物类群的变化过程，揭示海洋大尺度动力过程对海洋浮游植物群落结构的影响。
研究表明，基于深度学习算法可有效反演大时空尺度下的浮游植物色素浓度，从而分析全球海洋的浮游植物群落动态。在2015/2016年厄尔尼诺事件期间，原核生物占主导地位的海域从180°E向东延伸到150°W。2003年至2021年，原核生物丰度与厄尔尼诺强度呈正相关，但与整个浮游植物群落的丰度呈负相关。
论文第一作者为该所高级工程师李晓龙，共同作者包括硕士研究生杨艺和日本名古屋大学教授Joji Ishizaka，通讯作者为李晓峰。
