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

Der Ozean ist ein lebendiger Motor, angetrieben von mikroskopisch kleinen Pflanzen namens Phytoplankton, die in den sonnenbeschienenen Gewässern schweben. Diese winzigen Organismen bilden die Grundlage des marinen Nahrungsnetzes und sind für etwa die Hälfte des gesamten organischen Kohlenstoffs verantwortlich, der durch Photosynthese auf der Erde produziert wird. Um zu verstehen, wie diese Pflanzen funktionieren und wie sie auf ein sich veränderndes Klima reagieren könnten, müssen Wissenschaftler nicht nur wissen, wie viel von ihnen vorhanden ist, sondern auch, um welche Arten es sich handelt. Seit Jahrzehnten ist die Standardmethode, um deren Abundanz aus dem Weltraum zu messen, die Suche nach einem spezifischen grünen Pigment namens Chlorophyll-a. Dieses Pigment kommt in fast allen Phytoplanktonarten vor und dient als zuverlässiger Stellvertreter für die gesamte Biomasse, ähnlich wie man die Blätter an einem Baum zählt, um seine Größe abzuschätzen. Das Wissen über die Gesamtzahl der Blätter sagt einem jedoch nicht, ob es sich um eine Eiche, eine Kiefer oder eine Weide handelt. Im Ozean spielen unterschiedliche Gruppen von Phytoplankton verschiedene Rollen im Ökosystem, und die Unterscheidung zwischen ihnen ist entscheidend für das Verständnis der Gesundheit unseres Planeten.

Die Herausforderung besteht darin, dass der Ozean eine komplexe Mischung aus Licht und Leben ist. Während Chlorophyll-a aus dem Weltraum leicht zu erkennen ist, sind andere Pigmente, die als einzigartige Fingerabdrücke für spezifische Phytoplanktongruppen dienen, viel schwerer zu detektieren. Diese Akzessorypigmente helfen den Pflanzen, sich an unterschiedliche Lichtbedingungen anzupassen, aber ihre Signale werden oft von der überwältigenden Präsenz von Chlorophyll-a überlagert oder sind mit der begrenzten Anzahl an Farbbändern, die aktuelle Satelliten sehen können, schwer zu trennen. Jahrelang haben Forscher sich gefragt, ob die subtilen Unterschiede in den Farben des Ozeans, jenseits der bloßen Intensität des Grüns, genug Informationen enthalten, um die Identität der darin lebenden mikroskopischen Gemeinschaften zu enthüllen. Eine neue Studie von David Moffat und seinen Kollegen vom Plymouth Marine Laboratory und der University of Exeter setzt genau hier an, indem sie fortschrittliche Techniken des maschinellen Lernens verwendet, um tiefer in die Daten zu blicken.

Die Forscher begannen mit einer massiven Sammlung von Realwelt-Messungen. Sie sammelten über 33.000 Wasserproben, die zwischen 1991 und 2021 von Schiffen und Forschungsschiffen rund um den Globus entnommen wurden. In einem Labor wurden diese Proben analysiert, um die exakten Konzentrationen verschiedener Pigmente zu identifizieren, wodurch eine detaillierte „Ground Truth“ (Referenzdaten) dessen entstand, was tatsächlich im Wasser vorhanden war. Sie glichen jede dieser Proben dann mit Satellitenbildern ab, die am selben Tag und am selben Ort aufgenommen wurden. Die Satellitendaten stammten aus der Ocean Colour Climate Change Initiative der Europäischen Weltraumorganisation, die eine konsistente Aufzeichnung der Ozeanfarben von mehreren Sensoren über viele Jahre hinweg bereitstellt. Das Team nutzte diesen abgestimmten Datensatz, um zwei verschiedene Arten von Machine-Learning-Modellen zu trainieren. Ein Modell war ein hochentwickeltes Foundation Model, das darauf ausgelegt ist, von tabellarischen Daten zu lernen, während das andere ein Random-Forest-Modell war – ein Algorithmus-Typ, der für seine Fähigkeit bekannt ist, komplexe Muster zu finden, ohne zu überlernen (Overfitting). Um zu testen, ob diese Modelle wirklich etwas Neues lernten, erstellten sie auch ein einfaches Baseline-Modell, das sich nur auf die Konzentration von Chlorophyll-a stützte und alle anderen Farbinformationen ignorierte.

Die Ergebnisse zeigten, dass die Modelle, die das volle Spektrum der Ozeanfarben verwendeten, das einfache Chlorophyll-nur-Verfahren konsistent übertrafen. Dieser Befund bestätigt, dass die Farbe des Ozeans mehr Informationen enthält als nur die Menge des Pflanzenlebens; sie hält Hinweise auf die spezifischen Arten der vorhandenen Pflanzen bereit. Der Erfolg der Modelle variierte jedoch je nachdem, welches Pigment sie identifizieren wollten. Für Fucoxanthin, ein Pigment, das häufig mit Diatomeen assoziiert wird, arbeiteten die Modelle sehr gut, aber dies lag vor allem daran, dass Fucoxanthin so stark mit der Gesamtmenge an Chlorophyll-a verknüpft ist, dass das einfache Baseline-Modell es bereits mit einer angemessenen Genauigkeit vorhersagen konnte. Der wahre Durchbruch gelang bei anderen Pigmenten, wie etwa Alloxanthin und bestimmten Formen von Fucoxanthin, die Marker für unterschiedliche Gruppen sind. Für diese zeigten die Modelle, die das volle Spektrum der Farbdaten nutzten, eine dramatische Verbesserung gegenüber der Baseline. Der Computer lernte, subtile Verschiebungen in der Farbe des Ozeans zu erkennen, die für die einfache Chlorophyll-Zählung unsichtbar waren, was es ihm ermöglichte, zwischen verschiedenen Phytoplankton-Gemeinschaften mit wesentlich größerer Präzision zu unterscheiden.

Um zu verstehen, wie der Computer diese Entscheidungen traf, nutzten die Forscher eine Technik, die die Logik des Modells aufschlüsselt, um zu sehen, welche Informationen am wichtigsten waren. Sie fanden heraus, dass das Modell für einige Pigmente stark auf die Gesamtmenge an Chlorophyll-a vertraute, was bestätigte, dass diese Pigmente im Gleichschritt mit der Gesamtbiomasse verlaufen. Aber für andere ignorierte das Modell die Gesamtmenge an Grün und konzentrierte sich stattdiet auf die spezifischen Verhältnisse von blauem, grünem und rotem Licht, das vom Wasser reflektiert wird. Dies deutet darauf hin, dass die Modelle nicht nur basierend auf der Menge des Pflanzenlebens ratierten, sondern tatsächlich die einzigartigen optischen Signaturen spezifischer Gruppen detektierten. Als die Forscher diese trainierten Modelle anwandten, um globale Karten der Pigmentverteilung zu erstellen, zeichneten die Ergebnisse ein Bild, das den bekannten ökologischen Mustern entsprach. Die Karten zeigten hohe Konzentrationen bestimmter Pigmente in nährstoffreichen Küstengewässern und Upwelling-Zonen, während andere Pigmente die weiten, nährstoffarmen tropischen Ozeane dominierten. Diese räumliche Trennung spiegelt die bekannten Lebensweisen verschiedener Phytoplankton-Gruppen wider, wobei einige in reichen, turbulenten Gewässern gedeihen und andere an die ruhigen, klaren Bedingungen des offenen Ozeans angepasst sind.

Die Studie hob auch die Grenzen der aktuellen Technologie hervor. Während die Modelle erfolgreich viele Gruppen trennen konnten, hatten sie Schwierigkeiten mit Zeaxanthin, einem Pigment, das in sehr kleinen, aber abundanten bakterienähnlichen Organismen vorkommt. Die Modelle konnten die exakte Menge dieses Pigments nicht sehr gut vorhersagen, wahrscheinlich weil dessen Signal schwach ist und schwer vom Hintergrundrauschen der Satellitendaten zu trennen ist. Dennoch gelang es dem Modell selbst für dieses schwierige Pigment, ein grobes Muster zu erfassen, das der erwarteten Verteilung dieser winzigen Organismen in warmen, tropischen Gewässern entsprach. Dies zeigt, dass die Technologie zwar noch nicht perfekt ist, aber bereits in der Lage ist, aussagekräftige ökologische Informationen zu extrahieren, die weit über einfache Biomassen-Zählungen hinausgehen. Die Forscher betonen, dass diese Ergebnisse keine endgültige Lösung sind, sondern einen bedeutenden Schritt nach vorn darstellen. Sie demonstrieren, dass maschinelles Lernen verborgene Details in Jahrzehnten von Satellitenaufzeichnungen entschlüsseln kann und somit einen neuen Weg zur Überwachung der sich verändernden Zusammensetzung des mikroskopischen Lebens im Ozean eröffnet. Wenn neue Satelliten mit empfindlicheren Farbsensoren gestartet werden, werden diese Methoden noch leistungsfähiger sein und ein klareres Fenster in die komplexe und lebenswichtige Welt des Phytoplanktons bieten, das unseren Planeten erhält.