Пространственно-временная изменчивость первичной продукции в океане и её связь с физическими и биологическими параметрами среды на примере Атлантического сектора Арктики
|
Введение 2
Глава 1. Описание объекта исследования 5
1.1. Первичная продукция фитопланктона 5
1.2. Влияние параметров среды на продуктивность вод океана 5
1.3. Район исследования 8
1.4. Видовой состав Арктического фитопланктонного сообщества 12
1.5. Алгоритмы восстановления ПП океана 13
Глава 2. Данные и методы 15
2.1. Машинное обучение. Алгоритм Random Forest 16
Глава 3. Результаты 19
3.1. Пространственно-временная изменчивость концентрации хлорофилла-а и параметров среды 19
3.2. Пространственно-временная изменчивость связи между концентрацией хлорофилла-а и параметрами среды 22
3.3. Результаты моделирования 29
3.3.1. Факторы, определяющие изменчивость продуктивности вод Арктики 29
3.3.2. Прогноз положения высокопродуктивных зон с использованием машинного обучения 34
Заключение 42
Список литературы 44
Приложение 50
Глава 1. Описание объекта исследования 5
1.1. Первичная продукция фитопланктона 5
1.2. Влияние параметров среды на продуктивность вод океана 5
1.3. Район исследования 8
1.4. Видовой состав Арктического фитопланктонного сообщества 12
1.5. Алгоритмы восстановления ПП океана 13
Глава 2. Данные и методы 15
2.1. Машинное обучение. Алгоритм Random Forest 16
Глава 3. Результаты 19
3.1. Пространственно-временная изменчивость концентрации хлорофилла-а и параметров среды 19
3.2. Пространственно-временная изменчивость связи между концентрацией хлорофилла-а и параметрами среды 22
3.3. Результаты моделирования 29
3.3.1. Факторы, определяющие изменчивость продуктивности вод Арктики 29
3.3.2. Прогноз положения высокопродуктивных зон с использованием машинного обучения 34
Заключение 42
Список литературы 44
Приложение 50
Исследование продуктивности Мирового океана - важная и актуальная часть современных океанографических исследований, дающая представление о биологических, химических и физических процессах в его продуктивном слое. Продуктивность фитопланктонного сообщества является индикатором изменчивости содержания кислорода и углекислого газа в воде, тем самым может использоваться как индикатор климатических изменений.
Первичная продукция (или продуктивность) фитопланктона (ПП) - это часть органического вещества, оставшаяся после использования его автотрофными организмами на дыхание, которая тратится на увеличение их фитомассы (Алимов, 1989). На нее влияют химические и физические параметры среды - освещенность, содержание в воде микроэлементов, необходимых фитопланктону для фотосинтеза и роста, и температура воды.
Главная проблема исследования ПП в Мировом океане в целом, а в Арктике особенно, — это недостаток in situ данных для проведения статистически значимого анализа ее пространственно-временной изменчивости. Бассейн Северного Ледовитого океана большую часть года покрыт непроходимым льдом, поэтому рейсы для сбора данных возможны только в ограниченный временной период для ограниченного пространства.
Решением данной проблемы может послужить использование спутниковых данных для изучения продуктивности арктического бассейна (Lee et al., 2015). В последние 20 лет покрытие Северного Ледовитого океана спутниковыми данными концентрации хлорофилла-а (Хл-а) в поверхностном слое, температуры поверхности океана (ТПО), солёности, поступающей на поверхность фотосинтетически активной радиации (ФАР) и пр. значительно увеличилось в масштабах, пространственно-временном разрешении и качестве предоставляемых данных. Таким образом, используя спутниковые данные влияющих на ПП параметров среды, современные исследователи могут изучать продуктивность Северного Ледовитого океана.
Исследование ИИ. на основе спутниковых данных также дает основу моделированию НИ Арктического бассейна: определив, какой вклад в изменчивость концентрации хлорофилла-а в поверхностном слое океана вносят различные факторы среды, можно предложить алгоритм восстановления ИИ для морей Арктического региона (Slagstad & Stole-Hansen, 1991, Skogen et al., 1995).
Изучаемая в работе акватория (Баренцево, Норвежское и Гренландское моря) является местом смешения Арктических и Атлантических вод, водообмен в ней зависит от сроков образования и таяния льда. В связи с современными изменениями климата, кромка льда на акватории стала уходить на север, площади льда в районе уменьшаются (Stroeve & Notz, 2018). Увеличившееся в связи с этим проникновение Атлантических вод в регионы, исторически подвергавшиеся большему или сопоставимому влиянию Арктических водных масс, приносит с собой новые виды фитопланктона, которым теперь более комфортно существовать в северных водах (Oziel et al., 2020). К тому же, уменьшение периода, когда акватория покрыта льдом, и повышение температуры вод стимулируют более продолжительную продукцию фитопланктона. Все это ведет к повышению продуктивности района (Arrigo et al., 2008).
Целью работы является анализ связи изменчивости концентрации хлорофилла-а с изменчивостью параметров среды для вод Баренцева, Норвежского и Гренландского морей. Для достижения цели поставлены следующие задачи:
1. Освоить алгоритм машинного обучения Random Forest;
2. Создать базу спутниковых данных: массивы значений Хл-а, ТИО, ФАР, солёности, глубины эвфотического слоя (Zeu), глубины перемешанного слоя (ГИС);
3. Провести анализ пространственно-временной изменчивости массивов используемых данных;
4. Проанализировать зависимость изменчивости Хл-а от изменчивости параметров среды;
5. Создать алгоритм оценки продуктивности района исследования и оценить его точность.
Тема выпускной квалификационной работы предложена ФГБНУ "КамчатНИРО", научным консультантом выступала руководитель Лаборатории рыбохозяйственной экологии КамчатНИРО к.б.н. Лепская Е.В.
Первичная продукция (или продуктивность) фитопланктона (ПП) - это часть органического вещества, оставшаяся после использования его автотрофными организмами на дыхание, которая тратится на увеличение их фитомассы (Алимов, 1989). На нее влияют химические и физические параметры среды - освещенность, содержание в воде микроэлементов, необходимых фитопланктону для фотосинтеза и роста, и температура воды.
Главная проблема исследования ПП в Мировом океане в целом, а в Арктике особенно, — это недостаток in situ данных для проведения статистически значимого анализа ее пространственно-временной изменчивости. Бассейн Северного Ледовитого океана большую часть года покрыт непроходимым льдом, поэтому рейсы для сбора данных возможны только в ограниченный временной период для ограниченного пространства.
Решением данной проблемы может послужить использование спутниковых данных для изучения продуктивности арктического бассейна (Lee et al., 2015). В последние 20 лет покрытие Северного Ледовитого океана спутниковыми данными концентрации хлорофилла-а (Хл-а) в поверхностном слое, температуры поверхности океана (ТПО), солёности, поступающей на поверхность фотосинтетически активной радиации (ФАР) и пр. значительно увеличилось в масштабах, пространственно-временном разрешении и качестве предоставляемых данных. Таким образом, используя спутниковые данные влияющих на ПП параметров среды, современные исследователи могут изучать продуктивность Северного Ледовитого океана.
Исследование ИИ. на основе спутниковых данных также дает основу моделированию НИ Арктического бассейна: определив, какой вклад в изменчивость концентрации хлорофилла-а в поверхностном слое океана вносят различные факторы среды, можно предложить алгоритм восстановления ИИ для морей Арктического региона (Slagstad & Stole-Hansen, 1991, Skogen et al., 1995).
Изучаемая в работе акватория (Баренцево, Норвежское и Гренландское моря) является местом смешения Арктических и Атлантических вод, водообмен в ней зависит от сроков образования и таяния льда. В связи с современными изменениями климата, кромка льда на акватории стала уходить на север, площади льда в районе уменьшаются (Stroeve & Notz, 2018). Увеличившееся в связи с этим проникновение Атлантических вод в регионы, исторически подвергавшиеся большему или сопоставимому влиянию Арктических водных масс, приносит с собой новые виды фитопланктона, которым теперь более комфортно существовать в северных водах (Oziel et al., 2020). К тому же, уменьшение периода, когда акватория покрыта льдом, и повышение температуры вод стимулируют более продолжительную продукцию фитопланктона. Все это ведет к повышению продуктивности района (Arrigo et al., 2008).
Целью работы является анализ связи изменчивости концентрации хлорофилла-а с изменчивостью параметров среды для вод Баренцева, Норвежского и Гренландского морей. Для достижения цели поставлены следующие задачи:
1. Освоить алгоритм машинного обучения Random Forest;
2. Создать базу спутниковых данных: массивы значений Хл-а, ТИО, ФАР, солёности, глубины эвфотического слоя (Zeu), глубины перемешанного слоя (ГИС);
3. Провести анализ пространственно-временной изменчивости массивов используемых данных;
4. Проанализировать зависимость изменчивости Хл-а от изменчивости параметров среды;
5. Создать алгоритм оценки продуктивности района исследования и оценить его точность.
Тема выпускной квалификационной работы предложена ФГБНУ "КамчатНИРО", научным консультантом выступала руководитель Лаборатории рыбохозяйственной экологии КамчатНИРО к.б.н. Лепская Е.В.
В работе рассмотрены пространственно-временные изменчивости концентраций хлорофилла-а (Хл-а) и параметров среды (глубины эвфотического слоя, ТПО, ФАР, ГПС, солёности), а также связи между ними. Кроме того, на основе алгоритма машинного обучения Random Forest создан алгоритм оценки продуктивности исследуемого района по параметрам среды и оценена его точность.
В ходе работы оценен сезонный ход продуктивности исследуемых морей: в морях наблюдается два пика «цветения» фитопланктона: максимальный пик в весенний (май для Баренцева моря) или летний (июнь для Гренландского и Норвежского морей) период и второй, менее сильный, пик в осенний период (сентябрь во всех морях).
Анализ пространственно-временного распределения связей между концентрациями хлорофилла-а и параметрами среды показал, что наилучшая связь прослеживается между Хл-а и глубиной эвфотического слоя в течение всего года, эта связь обратная. Между концентрациями хлорофилла-а и остальными параметрами связь наиболее однородна в весенний сезон и наиболее хаотична - в осенний. Связь концентрации хлорофилла-а с ТПО и ФАР прямая и, по степени влияния, изменяется от сильной до умеренной весной (|r| > 0.4) и более слабая и разрозненная осенью, когда связь меняется на обратную почти по всей акватории, кроме открытых вод севера Баренцева и Гренландского морей. Связь концентрации хлорофилла-а с ГПС обратная, с солёностью - прямая, по степени влияния связь от средней до умеренной весной (|r| = 0.4-0.6), хаотичная от умеренной до средней связь - осенью.
По результатам работы модели оценены вклады параметров среды в изменчивость продуктивности района: наиболее значимыми параметрами среды для описания продуктивности вод являются, в первую очередь, освещенность (ФАР) для всех морей, а также солёность как индикатор распресненных или динамически активных вод Атлантического океана - для Баренцева и Гренландского моря и ТПО как индикатор сезонной изменчивости температуры воды и динамически активных вод Атлантического океана - в Норвежском море. Эти параметры вместе описывают условия, наиболее благоприятно влияющие на продуктивность района: доступность БЭ с вертикальным перемешиванием в летний и осенний период и доступность света в весенний период.
Проведен анализ работы моделей для трех морей: все три модели довольно хорошо описывают общую картину как временной, так и пространственной изменчивости распределения высоко- и низкопродуктивных зон в рассматриваемых морях: наилучшим образом это делает модель для Гренландского моря, которая почти всегда верно показывает место нахождения высокопродуктивных вод и их общую площадь, за ней - модель для Норвежского моря, которая в целом верно определяет положение высокопродуктивных вод, но занижает их общую площадь, модель для Баренцева моря же не всегда верно показывает места высокой продуктивности в море, и только в период первого пика «цветения» (март- июнь) верно оценивает общую площадь высокопродуктивных вод в акватории.
Результаты работы целесообразно рассмотреть в дальнейших исследованиях: во-первых, стоит продолжить применять алгоритм Random Forest для построения моделей продуктивности региона, однако теперь изучить его применение в модификации регрессора, а не классификатора, для более точной оценки продуктивности региона. Во-вторых, полученные модели можно применить для оценки будущих мест повышенных концентраций фитопланктона на основе физических моделей океана.
В ходе работы оценен сезонный ход продуктивности исследуемых морей: в морях наблюдается два пика «цветения» фитопланктона: максимальный пик в весенний (май для Баренцева моря) или летний (июнь для Гренландского и Норвежского морей) период и второй, менее сильный, пик в осенний период (сентябрь во всех морях).
Анализ пространственно-временного распределения связей между концентрациями хлорофилла-а и параметрами среды показал, что наилучшая связь прослеживается между Хл-а и глубиной эвфотического слоя в течение всего года, эта связь обратная. Между концентрациями хлорофилла-а и остальными параметрами связь наиболее однородна в весенний сезон и наиболее хаотична - в осенний. Связь концентрации хлорофилла-а с ТПО и ФАР прямая и, по степени влияния, изменяется от сильной до умеренной весной (|r| > 0.4) и более слабая и разрозненная осенью, когда связь меняется на обратную почти по всей акватории, кроме открытых вод севера Баренцева и Гренландского морей. Связь концентрации хлорофилла-а с ГПС обратная, с солёностью - прямая, по степени влияния связь от средней до умеренной весной (|r| = 0.4-0.6), хаотичная от умеренной до средней связь - осенью.
По результатам работы модели оценены вклады параметров среды в изменчивость продуктивности района: наиболее значимыми параметрами среды для описания продуктивности вод являются, в первую очередь, освещенность (ФАР) для всех морей, а также солёность как индикатор распресненных или динамически активных вод Атлантического океана - для Баренцева и Гренландского моря и ТПО как индикатор сезонной изменчивости температуры воды и динамически активных вод Атлантического океана - в Норвежском море. Эти параметры вместе описывают условия, наиболее благоприятно влияющие на продуктивность района: доступность БЭ с вертикальным перемешиванием в летний и осенний период и доступность света в весенний период.
Проведен анализ работы моделей для трех морей: все три модели довольно хорошо описывают общую картину как временной, так и пространственной изменчивости распределения высоко- и низкопродуктивных зон в рассматриваемых морях: наилучшим образом это делает модель для Гренландского моря, которая почти всегда верно показывает место нахождения высокопродуктивных вод и их общую площадь, за ней - модель для Норвежского моря, которая в целом верно определяет положение высокопродуктивных вод, но занижает их общую площадь, модель для Баренцева моря же не всегда верно показывает места высокой продуктивности в море, и только в период первого пика «цветения» (март- июнь) верно оценивает общую площадь высокопродуктивных вод в акватории.
Результаты работы целесообразно рассмотреть в дальнейших исследованиях: во-первых, стоит продолжить применять алгоритм Random Forest для построения моделей продуктивности региона, однако теперь изучить его применение в модификации регрессора, а не классификатора, для более точной оценки продуктивности региона. Во-вторых, полученные модели можно применить для оценки будущих мест повышенных концентраций фитопланктона на основе физических моделей океана.
Подобные работы
- Пространственно-временная изменчивость первичной продукции в океане и её связь с физическими и биологическими параметрами среды на примере Атлантического сектора Арктики
Бакалаврская работа, гидрология. Язык работы: Русский. Цена: 4200 р. Год сдачи: 2022