Beyond chlorophyll: machine learning estimates of diagnostic phytoplankton pigments from multispectral ocean colour data

المحيط هو محرك حي، تدفعه نباتات مجهرية تسمى العوالق النباتية (Phytoplankton) التي تطفو في المياه المشمسة. هذه الكائنات الدقيقة هي أساس الشبكة الغذائية البحرية، وهي مسؤولة عن نصف الكربون العضوي المنتج على الأرض تقريبًا من خلال عملية التمثيل الضوئي. ولفهم كيفية عمل هذه النباتات وكيف قد تستجيب لتغير المناخ، يحتاج العلماء ليس فقط لمعرفة مقدار وجودها، بل معرفة أنواعها أيضًا. لعقود من الزمن، كانت الطريقة القياسية لقياس وفرتها من الفضاء هي البحث عن صبغة خضراء محددة تسمى "كلوروفيل-أ" (chlorophyll-a). هذه الصبغة موجودة في معظم العوالق النباتية وتعمل كبديل موثوق للكتلة الحيوية الإجمالية، تمامًا مثل عد الأوراق على الشجرة لتقدير حجمها. ومع ذلك، فإن معرفة العدد الإجمالي للأوراق لا يخبرك ما إذا كانت الشجرة من نوع البلوط، أو الصنوبر، أو الصفصاف. في المحيط، تلعب مجموعات مختلفة من العوالق النباتية أدوارًا مختلفة في النظام البيئي، والتمييز بينها أمر بالغ الأهمية لفهم صحة الكوكب.

يكمن التحدي في حقيقة أن المحيط مزيج معقد من الضوء والحياة. وبينما يسهل رصد "كلوروفيل-أ" من الفضاء، فإن الصبغات الأخرى التي تعمل كبصمات فريدة لمجموعات معينة من العوالق النباتية يصعب اكتشافها كثيرًا. تساعد هذه الصبغات المساعدة النباتات على التكيف مع ظروف الضوء المختلفة، لكن إشاراتها غالبًا ما تغرق بسبب الوجود الطاغي لـ "كلوروفيل-أ" أو يصعب فصلها باستخدام عدد النطاقات اللونية المحدودة التي يمكن للأقمار الصناعية الحالية رؤيتها. لسنوات، تساءل الباحثون عما إذا كانت الاختلافات الدقيقة في ألوان المحيط، بما يتجاوز مجرد شدة اللون الأخضر، تحمل معلومات كافية للكشف عن هوية المجتمعات المجهرية التي تعيش بداخلها. وتأتي دراسة جديدة أجراها ديفيد موفات وزملاؤه في مختبر بليموث البحري وجامعة إكستر للإجابة على هذا السؤال باستخدام تقنيات التعلم الحاسوبي المتقدمة للنظر بعمق أكبر في البيانات.

بدأ الباحثون بمجموعة ضخمة من القياسات الواقعية؛ حيث جمعوا أكثر من 33,000 عينة من مياه البحر أُخذت من السفن ومركبات الأبحاث حول العالم بين عامي 1991 و2021. وفي المختبر، تم تحليل هذه العينات لتحديد التركيزات الدقيقة لمختلف الصبغات، مما خلق "حقيقة أرضية" مفصلة لما كان موجودًا بالفعل في الماء. ثم قاموا بمطابقة كل عينة من هذه العينات مع صور الأقمار الصناعية الملتقطة في نفس اليوم وفي نفس الموقع. جاءت بيانات الأقمار الصناعية من مبادرة ناسا لعلوم لون المحيط وتغير المناخ، والتي توفر سجلًا متسقًا لألوان المحيط من مستشعرات متعددة على مدى سنوات عديدة. استخدم الفريق هذه المجموعة من البيانات المتطابقة لتدريب نوعين مختلفين من نماذج التعلم الآلي: أحد النماذج هو نموذج تأسيسي متطور مصمم للتعلم من البيانات الجدولية، بينما كان الآخر نموذج "الغابة العشوائية" (random forest)، وهو نوع من الخوارزميات المعروفة بقدرتها على إيجاد أنماط معقدة دون الإفراط في التخصيص (overfitting). ولاختبار ما إذا كانت هذه النماذج تتعلم حقًا شيئًا جديدًا، بنوا أيضًا نموذجًا أساسيًا بسيطًا يعتمد فقط على تركيز "كلوروفيل-أ"، متجاهلاً جميع المعلومات اللونية الأخرى.

أظهرت النتائج أن النماذج التي استخدمت الطيف الكامل لألوان المحيط تفوقت باستمرار على نهج "الكلوروفيل فقط" البسيط. ويؤكد هذا الاكتشاف أن لون المحيط يحتوي على معلومات أكثر من مجرد كمية الحياة النباتية؛ فهو يحمل أدلة حول الأنواع المحددة من النباتات الموجودة. ومع ذلك، تفاوت نجاح النماذج اعتمادًا على الصبغة التي تحاول تحديدها. فبالنسبة لصبغة "فوكوكسانثين" (fucoxanthin)، وهي صبغة ترتبط غالبًا بالدياتومات، كان أداء النماذج جيدًا جدًا، ولكن كان ذلك إلى حد كبير لأن "فوكوكسانثين" مرتبطة بقوة بالكمية الإجمالية لـ "كلوروفيل-أ"، بحيث استطاع النموذج الأساسي البسيط التنبؤ بها بدقة معقولة. أما الاختراق الحقيقي فقد جاء مع صبغات أخرى، مثل "ألوكسانثين" (alloxanthin) وأشكال معينة من "فوكوكسانثين" التي تعد علامات لمجموعات مختلفة. بالنسبة لهذه الصبغات، أظهرت النماذج التي استخدمت النطاق الكامل لبيانات الألوان تحسنًا هائلاً مقارنة بالنموذج الأساسي. لقد تعلم الكمبيوتر رصد التحولات الطفيفة في لون المحيط التي كانت غير مرئية لعدّ الكلوروفيل البسيط، مما سمح له بالتمييز بين مجتمعات العوالق النباتية المختلفة بدقة أكبر بكثير.

ولفهم كيفية اتخاذ الكمبيوتر لهذه القرارات، استخدم الباحثون تقنية تفكك منطق النموذج لمعرفة أي قطع من المعلومات كانت أكثر أهمية. ووجدوا أنه بالنسبة لبعض الصبغات، اعتمد النموذج بشكل كبير على الكمية الإجمالية لـ "كلوفيل-أ"، مما يؤكد أن هذه الصبغات تتحرك في خطى متزامنة مع الكتلة الحيوية الإجمالية. ولكن بالنسبة لصبغات أخرى، تجاهل النموذج الكمية الإجمالية للخضرة وركز بدلاً من ذلك على النسب المحددة للضوء الأزرق والأخضر والأحمر المنعكس من الماء. وهذا يشير إلى أن النماذج لم تكن مجرد تخمين بناءً على كمية الحياة النباتية هناك، بل كانت في الواقع تكتشف البصمات الضوئية الفريدة لمجموعات محددة. وعندما طبق الباحثون هذه النماذج المدربة لإنشاء خرائط عالمية لتوزيع الصبغات، رسمت النتائج صورة تطابق الأنماط البيئية المعروفة. أظهرت الخرائط تركيزات عالية من صبغات معينة في المياه الساحلية الغنية بالمغذيات ومناطق الصعود القاعي، بينما سادت صبغات أخرى في المحيطات الاستوائية الشاسعة والفقيرة بالمغذيات. ويعكس هذا الفصل المكاني العادات المعروفة لمجموعات مختلفة من العوالق النباتية، حيث يزدهر بعضها في المياه الغنية والمضطربة، بينما يتكيف البعض الآخر مع الظروف الهادئة والصافية في المحيط المفتوح.

كما سلطت الدراسة الضوء على قيود التكنولوجيا الحالية. فبينما نجحت النماذج في فصل العديد من المجموعات، إلا أنها واجهت صعوبة مع "الزياكسانثين" (zeaxanthin)، وهي صبغة توجد في كائنات صغيرة جدًا وشبيهة بالبكتيريا ووفيرة. لم تستطع النماذج التنبؤ بالكمية الدقيقة لهذه الصبغة بشكل جيد، ويرجع ذلك على الأرجح إلى أن إشارتها ضعيفة ويصعب فصلها عن الضجيج الخلفي في بيانات الأقمار الصناعية. ومع ذلك، حتى بالنسبة لهذه الصبغة الصعبة، تمكن النموذج من التقاط نمط عام يتوافق مع التوزيع المتوقع لهذه الكائنات المجهرية الصغيرة في المياه الاستوائية الدافئة. وهذا يشير إلى أنه على الرغم من أن التكنولوجيا ليست مثالية بعد، إلا أنها قادرة بالفعل على استخراج معلومات إيكولوجية ذات مغزى تتجاوز مجرد حسابات الكتلة الحيوية البسيطة. ويؤكد الباحثون أن هذه النتائج ليست حلاً نهائيًا، بل هي خطوة كبيرة للأمام؛ فهي تثبت أن التعلم الآلي يمكنه فتح التفاصيل المخفية في سجلات الأقمار الصناعية لعقود، مما يوفر طريقة جديدة لمراقبة التكوين المتغير للحياة المجهرية في المحيط. ومع إطلاق أقمار صناعية جديدة ذات مستشعرات لونية أكثر حساسية، ستصبح هذه الأساليب أكثر قوة، مما يوفر نافذة أوضح على عالم العوالق النباتية المعقد والحيوي الذي يدعم كوكبنا.