Тип работы:
 Предмет:
 Язык работы:


Пространственно-временная изменчивость первичной продукции в океане и её связь с физическими и биологическими параметрами среды на примере Атлантического сектора Арктики

Работа №140765

Тип работы

Бакалаврская работа

Предмет

гидрология

Объем работы63
Год сдачи2022
Стоимость4200 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
67
Не подходит работа?

Узнай цену на написание


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


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 situданных 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. Ировести 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.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

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.



1. Алимов, А.Ф. Введение в продукционную гидробиологию. - Л.: Гидрометеоиздат, 1989. - 152 с.
2. Башмачников, И.Л., Федоров, А.М., Весман, А.В., Белоненко, Т.В., Колдунов, А.В., Духовской, Д.С. Термохалинная конвекция в субполярных морях Северной Атлантики и Северо-Европейского бассейна СЛО по спутниковым и натурным данным. Часть 1: локализация областей конвекции // Современные проблемы дистанционного зондирования Земли из космоса, 2018. Т. 15. № 7. С. 184-194.
3. Ивантер Э.В. Основы биометрии: Введение в статистический анализ биологических явлений и процессов. / Э.В. Ивантер, А.В. Коросов. - Петрозаводск: Изд-во Петрозаводск. Гос. Ун-та, 1992 - 168 с.
4. Лобанова, П.В. Спутниковые алгоритмы оценки первичной продукции в водах с различными океанологическими условиями (на примере Северо-восточной Атлантики и Японского моря): дис. ... к.г.н. : 25.00.28 / П.В. Лобанова. - СПб., 2017. 390 с.
5. Моисеев, П.А. Биологические ресурсы мирового океана. - М.: ВО «Агропромиздат», 1989. - 368 с.
6. Одум, Ю. Экология. Т.1. - М.: Мир, 1986. - 328 с.
7. Поздняков, Д. В. Феномен массовых цветений E.huxleyi в Мировом океане: многолетние спутниковые исследования в субарктических и арктических морях / Д. В. Поздняков, С. С. Чепикова // Всероссийская научная конференция с международным участием "Земля и космос" к столетию академика РАН К.Я. Кондратьева : Сборник статей, Санкт-Петербург, 20-21 октября 2020 года. - Санкт-Петербург: Общество с ограниченной ответственностью "Мономакс", 2020. - С. 53-57.
8. Alexander, V., &Niebauer, H. J. Oceanography of the eastern Bering Sea ice-edge zone in spring // Limnology and Oceanography, 1981. V. 26(6). P. 1111-1125.
9. Anderson, G. F. Silica, diatoms and a freshwater productivity maximum in Atlantic Coastal Plain estuaries, Chesapeake Bay // Estuarine, Coastal and Shelf Science, 1986. V. 22(2), P. 183-197.
10. Ardyna, M., Babin, M., Gosselin, M., Devred, E., Belanger, S., Matsuoka, A., & Tremblay, J.-E. Parameterization of vertical chlorophyll a in the Arctic Ocean: impact of the subsurface chlorophyll maximum on regional, seasonal, and annual primary production estimates // Biogeosciences, 2013. V. 10(6), P. 4383¬4404.
11. Arrigo, K. R., van Dijken, G., & Pabi, S. Impact of a shrinking Arctic ice cover on marine primary production // Geophysical Research Letters, 2008. V. 35(19), P. L19603.
12. Balch, W. Correction [to “The remote sensing of ocean primary productivity: Use of a new data compilation to test satellite algorithms” by William Balch et al.] // Journal of Geophysical Research, 1992. V. 97(C3), P. 3689.
13. Balch, W. M., Holligan, P. M., Ackleson, S. G., & Voss, K. J. Biological and optical properties of mesoscale coccolithophore blooms in the Gulf of Maine // Limnology and Oceanography, 1991. V. 36(4), P. 629-643.
14. Borstad, G. A., and Gower J. F. R. Phytoplankton Chlorophyll Distribution in the Eastern Canadian Arctic // Arctic, 1984. V. 37. №. 3. P. 224-233.
15. Breiman, L. Random Forests // Machine Learning, 2001. V. 45(1), P. 5-32.
16. Carr, M.E. Estimation of potential productivity in eastern boundary currents using remote sensing // Deep-Sea Res, 2002. V. II 49. P. 59-80.
17. Cutler D.R., Edwards Jr. T.C., Beard K.H., Cutler A., Hess K.T., Gibson J., and Lawler J.J. Random forests for classification in ecology // Ecology, 2007. №88(11), P: 2783-2792.
18. Engelsen, O., Hegseth, E. N., Hop, H., Hansen, E., & Falk-Petersen, S. Spatial variability of chlorophyll-a in the Marginal Ice Zone of the Barents Sea, with relations to sea ice and oceanographic conditions // Journal of Marine Systems, 2002. V. 35(1-2), P. 79-97.
19. Hegseth E. N., Sundfjord A., Intrusion and blooming of Atlantic phytoplankton species in the high Arctic // Journal of Marine Systems, 2008. V. 74, №. 1-2, P. 108-119.
20. JPL MUR MEaSUREs Project. 2015. GHRSST Level 4 MUR Global Foundation Sea Surface Temperature Analysis. Ver. 4.1. PO.DAAC, CA, USA. Dataset accessed [2020-02-09] at https://doi.org/10.5067/GHGMR-4FJ04.
21. Kerr, Y. H., Waldteufel, P., Wigneron, J.-P., Delwart, S., Cabot, F., Boutin, J., ... Mecklenburg, S. The SMOS Mission: New Tool for Monitoring Key Elements of the Global Water Cycle // Proceedings of the IEEE, 2010. V. 98(5), P. 666-687.
22. Lee Y. J., Matrai P. A., Friedrichs M. A. M., Saba V. S., Antoine D., ... Westberry T. K. An assessment of phytoplankton primary productivity in the Arctic Ocean from satellite ocean color/in situ chlorophyll-a based models // J. Geophys. Res. Oceans, 2015. №. 120. P. 6508- 6541.
23. Longhurst A. R. Ecological geography of the sea (2d ed). - Elsevier Academic Press, 2007. - 560 p.
24. Martin, J., Tremblay, J., Gagnon, J., Tremblay, G., Lapoussi'ere, A., Jose, C., Poulin, M., Gosselin, M., Gratton, Y., and Michel, C.: Prevalence, structure and properties of subsurface chlorophyll maxima in Canadian Arctic waters // Mar. Ecol.-Prog. Ser., 2010. V. 412, P. 69-84.
25. Morel, A. and Prieur L. Analysis of variations in ocean color // Limnology and Oceanography, 1977. V. 22, P. 709-722.
26. Morel, A. Available, usable, and stored radiant energy in relation to marine photosynthesis // Deep Sea Research, 1978. .№25(8), P: 673-688.
27. NASA Goddard Space Flight Center, Ocean Ecology Laboratory, Ocean Biology Processing Group. Moderate-resolution Imaging Spectroradiometer (MODIS) Aqua Averaged monthly Aqua MODIS PAR Data; NASA OB.DAAC, Greenbelt, MD, USA. Accessed on 01/12/2021.
28. Oziel, L., Baudena, A., Ardyna, M. et al. Faster Atlantic currents drive poleward expansion of temperate phytoplankton in the Arctic Ocean // Nat Commun, 2020. V. 11, P. 1705.
29. Oziel, L., Sirven, J., and Gascard, J.-C. The Barents Sea frontal zones and water masses variability (1980-2011) // Ocean Sci., 2016. V. 12, P. 169-184.
30. Perrette, M., Yool, A., Quartly, G. D., and Popova, E. E. Near-ubiquity of ice-edge blooms in the Arctic // Biogeosciences, 2011. V. 8, P. 515-524.
31. Riebesell, U., Schloss, I. & Smetacek, V. Aggregation of algae released from melting sea ice: implications for seeding and sedimentation // Polar Biol, 1991. V. 11, P. 239-248.
32. Riley G. A. Limnological studies in Connecticut. Part III. The plankton of Linsley pond // Ecological Monographs, 1940. V. 10. №. 2. P. 279-306.
33. Rivero-Calle S., Gnanadesikan A., Del Castillo C. E., Balch W. M., Guikema S. D. Multidecadal increase in north Atlantic coccolithophores and the potential role of rising CO2 // Science, 2015. V. 350(6267). P. 1533-1537.
34. Sakshaug E. Primary and secondary production in the Arctic Seas // The organic carbon cycle in the Arctic ocean // Eds. Stein R., Macdonald R.W. Berlin: Springer-Verlag, 2004. P. 57-81.
35. Sathyendranath, S., Brewin, RJW, Brockmann, C, Brotas, V, Calton, B,
... Platt, T. An ocean-colour time series for use in climate studies: the experience of the Ocean-Colour Climate Change Initiative (OC-CCI) // Sensors, 2019. V. 19, P. 4285.
36. Sathyendranath, S., Platt T., KovacZ., Dingle J., Jackson T., Brewin R., Franks P., Maranon E., Kulk G., Bouman H. Reconciling models of primary production and photoacclimation [Invited] // Applied Optics, 2020. V. 59. №. 10. P. C100-C114.
37. Sauer M. J., Roesler C. S., Werdell P. J., Barnard A. Under the hood of satellite empirical chlorophyll a algorithms: revealing the dependencies of maximum band ratio algorithms on inherent optical properties // Opt. Express, 2012. V. 20. P. 20920-20933.
38. Shigesada N., Okubo A. Analysis of the self-shading effect on algal vertical distribution in natural waters // Journal of Mathematical Biology, 1981. V. 12. №. 3. P. 311-326.
39. Skagseth, 0. Recirculation of Atlantic Water in the western Barents Sea // Geophysical Research Letters, 2008. V. 35(11).
40. Skogen, M. D., Svendsen, E., Berntsen, J., Aksnes, D., & Ulvestad, K. B. Modelling the primary production in the North Sea using a coupled three-dimensional physical-chemical-biological ocean model // Estuarine, Coastal and Shelf Science, 1995. V. 41(5), P. 545-565.
41. Slagstad, D. & Stole-Hansen, K. Dynamics of plankton growth in the Barents Sea: model studies // Polar Res., 1991. V. 10. P. 173-186.
42. Stroeve, J. C., & Notz, D. Changing state of Arctic sea ice across all seasons // Environmental Research Letters, 2018. V.13. №. 10.
43. Sverdrup, H. U. On Conditions for the Vernal Blooming of Phytoplankton // ICES Journal of Marine Science, 1953. V. 18, №. 3. P. 287-295.
44. Talling J. F. Photosynthetic characteristics of some freshwater plankton diatoms in relation to underwater radiation // New Phytologist, 1957. V. 56. №. 1. P. 29-50.
45. Teira, E., Mourin, B., Maran, E., Perez, V., Pazo, M. J., Serret, P., Armas, D., Escanez, J., Woodward, E. M. S., Fernandez, E. Variability of chlorophyll and primary production in the Eastern North Atlantic Subtropical Gyre: potential factors affecting phytoplankton activity // Deep Sea Research Part I: Oceanographic Research Papers, 2005. V. 52. №. 4. P. 569-588.
46. Tremblay, J. and Gagnon, J. The effects of irradiance and nutrient supply on the productivity of Arctic waters: a perspective on climate change, in: Influence of Climate Change on the Changing Arctic and Sub-Arctic Conditions, edited by: Hihoul, J. C. J. and Kostianoy, A. Springer-Verlag, Berlin, Germany, 2009.
47. Venkata J. - https://community.tibco.com/wiki/random-forest- template-tibco-spotfirer-wiki-page, CC BY-SA 4.0.
48. Wassmann, P., Slagstad, D. & Ellingsen, I. Primary production and climatic variability in the European sector of the Arctic Ocean prior to 2007: preliminary results // Polar Biol., 2010. V. 33, P. 1641-1650.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.