Graças a um novo algoritmo, os pesquisadores do AWI agora podem usar dados de satélite para determinar em quais partes do oceano certos tipos de fitoplâncton são dominantes. Além disso, eles podem identificar a proliferação de algas tóxicas e avaliar os efeitos do aquecimento global no plâncton marinho, permitindo-lhes tirar conclusões sobre a qualidade da água e as ramificações para a indústria pesqueira.

O minúsculo fitoplâncton encontrado nos oceanos do mundo é tremendamente produtivo, e criar metade do oxigênio de que precisamos para respirar. Assim como as plantas terrestres, eles usam fotossíntese para produzir carboidratos, que usam como fonte de energia. Eles crescem, dividir e produzir enormes quantidades de biomassa, a base de toda a vida marinha. Além disso, eles são uma fonte de alimento essencial para pequenos crustáceos, larvas de peixes e mexilhões, que são eles próprios básicos para peixes maiores. Quando o fitoplâncton está em falta, coloca em risco a teia alimentar de todos os outros organismos marinhos.

Existem vários grupos de fitoplâncton ao redor do globo, e cumprem diferentes funções nos ecossistemas marinhos. Alguns são fontes de alimento favoritas; outros formam compostos químicos específicos ou servem como fixadores de nutrientes na água, que podem ter uma grande influência na flora e fauna marinhas. Por outro lado, certos grupos de fitoplâncton podem crescer até massas densas e produzir substâncias tóxicas; quando há muitos deles na água, pode ser letal para alguns organismos marinhos, especialmente peixes. O fitoplâncton marinho também é extremamente importante em seu papel como um CO ₂ Pia. De acordo, os pesquisadores estão ansiosos para aprender como as populações dos respectivos grupos de fitoplâncton estão se desenvolvendo em todo o mundo.

Mais que clorofila

Contudo, até recentemente, era virtualmente impossível estimar essas populações em detalhes. Garantido, pesquisadores vêm coletando amostras de água a bordo de navios de pesquisa há décadas, a fim de identificar e quantificar o plâncton presente. Mas essas são apenas amostras aleatórias. E até mesmo satélites, que têm varrido os oceanos com seus sensores nas últimas três décadas, eram uma solução imperfeita na melhor das hipóteses:embora eles certamente pudessem ser usados ​​para medir a quantidade de clorofila do pigmento vegetal na água - como um indicador de quão alta era a concentração geral de fitoplâncton - distinguir entre os diferentes tipos de fitoplâncton permaneceu extremamente difícil. Além disso, não havia como usar dados de satélite para prever o crescimento de algas em regiões específicas.

Mas agora uma equipe internacional liderada por Hongyan Xi e Astrid Bracher do Centro de Pesquisa Polar e Marinha do Instituto Alfred Wegener Helmholtz (AWI) conseguiu pela primeira vez colher muito mais dos dados de satélite:como relatam na revista Remote Sensing of Ambiente, trabalhando em estreita cooperação com a empresa francesa ACRI-ST e com o apoio do provedor europeu de dados de satélite Copernicus Marine Environment Monitoring Service, eles desenvolveram um novo algoritmo que pode ser usado para destilar os dados em informações-chave sobre cinco grupos fitoplanctônicos principais.

Refletância como um parâmetro-chave

Sensores de satélite registram luz em vários comprimentos de onda; normalmente, são usados ​​os comprimentos de onda que são capazes de captar a cor da clorofila. Mas Hongyan Xi e seus colegas descobriram uma maneira de usar melhor essas informações de comprimento de onda. Mais especificamente, isso envolve a análise de um aspecto conhecido como refletância (ou coeficiente de reflexão), que representa a quantidade de luz solar que atinge a Terra e é refletida de volta para o espaço. Esta reflexão é devida a vários processos ópticos:a luz é espalhada, curvado e alterado por moléculas de água e partículas no oceano e na atmosfera. "E o plâncton, que contém certos pigmentos, tem influência na refletância, "Hongyan Xi explica." A refletância pode ser diferente, dependendo de quais tipos de plâncton e quais pigmentos são dominantes na água. "Na verdade, cada um dos cinco tipos deixa sua própria impressão digital na luz refletida - e o novo algoritmo pode reconhecê-los todos.

Comparações meticulosas de dados de navios e de satélite

Essa descoberta só foi possível graças a um tremendo trabalho árduo. Primeiro, a equipe teve que determinar qual padrão de refletância era característico de cada tipo de plâncton. Eles então tiveram que comparar as leituras de satélite com as amostras de plâncton coletadas ao mesmo tempo e local a bordo de navios de pesquisa. Felizmente, as descobertas de muitas expedições em navios estão agora disponíveis em bancos de dados acessíveis ao público. Graças a esses arquivos, os especialistas foram capazes de determinar onde e quando as amostras de água foram coletadas, e quais espécies e tipos de plâncton estavam presentes. Xi e seus colegas analisaram ca. 12, 000 desses conjuntos de dados - e então mapeados todos e cada um para varreduras de satélite feitas no mesmo lugar ao mesmo tempo. Isso permitiu que deduzissem como a refletância mudou em certos tipos de plâncton.

Qualidade da água e proliferação de algas tóxicas

Armado com essas descobertas, eles estavam prontos para desenvolver o algoritmo. Hoje, pode ser usado para determinar quais tipos de fitoplâncton são dominantes em qualquer região marinha do mundo, com base em suas informações de refletância. Isso é importante, por exemplo para identificar "proliferação de algas nocivas" (HABs) tóxicas. A presença de certos tipos de fitoplâncton também é um indicador da qualidade da água; informação que é particularmente relevante para a indústria pesqueira. De acordo com Hongyan Xi:"Além disso, no futuro, poderemos determinar se a distribuição do fitoplâncton é afetada ou não pelas mudanças climáticas - um aspecto importante em termos de previsão dos impactos nos ecossistemas. "

O estudo foi divulgado na revista Sensoriamento Remoto do Meio Ambiente sob o seguinte título original:"Recuperação global de tipos funcionais de fitoplâncton com base em funções ortogonais empíricas usando produtos mesclados CMEMS GlobColour e extensão adicional para dados OLCI."