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

L'océan est un moteur vivant, propulsé par des plantes microscopiques appelées phytoplancton qui flottent dans les eaux ensoleillées. Ces minuscules organismes sont le fondement de la chaîne alimentaire marine et sont responsables d'environ la moitié de tout le carbone organique produit sur Terre grâce à la photosynthèse. Pour comprendre comment ces plantes fonctionnent et comment elles pourraient réagir à un changement climatique, les scientifiques doivent savoir non seulement quelle quantité est présente, mais aussi de quels types elles sont. Pendant des décennies, la méthode standard pour mesurer leur abondance depuis l'espace a été de rechercher un pigment vert spécifique appelé chlorophylle-a. Ce pigment est présent dans presque tout le phytoplancton et sert de proxy fiable pour la biomasse totale, un peu comme si l'on comptait les feuilles sur un arbre pour estimer sa taille. Cependant, connaître la quantité totale de feuilles ne vous dit pas s'il s'agit d'un chêne, d'un pin ou d'un saule. Dans l'océan, différents groupes de phytoplancton jouent différents rôles dans l'écosystème, et les distinguer est crucial pour comprendre la santé de la planète.

Le défi réside dans le fait que l'océan est un mélange complexe de lumière et de vie. Si la chlorophylle-a est facile à repérer depuis l'espace, d'autres pigments qui agissent comme des empreintes digitales uniques pour des groupes spécifiques de phytoplancton sont beaucoup plus difficiles à détecter. Ces pigments accessoires aident les plantes à s'adapter à différentes conditions de lumière, mais leurs signaux sont souvent noyés par la présence écrasante de la chlorophylle-a ou sont difficiles à séparer en utilisant le nombre limité de bandes colorées que les satellites actuels peuvent voir. Pendant des années, les chercheurs se sont demandé si les différences subtiles dans les couleurs de l'océan, au-delà de la simple intensité du vert, contenaient assez d'informations pour révéler l'identité des communautés microscopiques qui y vivent. Une nouvelle étude menée par David Moffat et ses collègues du Plymouth Marine Laboratory et de l'Université d'Exeter se propose de répondre à cette question en utilisant des techniques d'apprentissage informatique avancées pour regarder plus profondément dans les données.

Les chercheurs ont commencé avec une vaste collection de mesures réelles. Ils ont rassemblé plus de 33 000 échantillons d'eau de mer prélevés sur des navires et des bateaux de recherche à travers le monde entre 1991 et 2021. En laboratoire, ces échantillons ont été analysés pour identifier les concentrations exactes de divers pigments, créant ainsi une vérité terrain détaillée de ce qui se trouvait réellement dans l'eau. Ils ont ensuite fait correspondre chacun de ces échantillons avec des images satellites prises le même jour et au même endroit. Les données satellites provenaient de l'Ocean Colour Climate Change Initiative de l'Agence spatiale européenne, qui fournit un enregistrement cohérent des couleurs de l'océan à partir de multiples capteurs sur de nombreuses années. L'équipe a utilisé ce jeu de données appariées pour entraîner deux types différents de modèles d'apprentissage automatique. Un modèle est un modèle de fond sophistiqué conçu pour apprendre à partir de données tabulaires, tandis que l'autre est un modèle de forêt aléatoire, un type d'algorithme connu pour sa capacité à trouver des motifs complexes sans surapprentissage. Pour tester si ces modèles apprenaient réellement quelque chose de nouveau, ils ont également construit un modèle de base simple qui reposait uniquement sur la concentration de chlorophylle-a, ignorant toute autre information de couleur.

Les résultats ont montré que les modèles utilisant le spectre complet des couleurs de l'océan surpassaient systématiquement l'approche simple de la chlorophylle seule. Cette découverte confirme que la couleur de l'océan contient plus d'informations que la simple quantité de vie végétale ; elle détient des indices sur les types spécifiques de plantes présentes. Cependant, le succès des modèles variait selon le pigment qu'ils tentaient d'identifier. Pour la fucoxanthine, un pigment souvent associé aux diatomées, les modèles ont très bien performé, mais c'était largement parce que la fucoxanthine est si fortement liée à la quantité totale de chlorophylle-a que le modèle de base simple pouvait déjà la prédire avec une précision raisonnable. La véritable percée est venue d'autres pigments, tels que l'alloxanthine et certaines formes de fucoxantine qui sont des marqueurs pour différents groupes. Pour ceux-ci, les modèles utilisant la gamme complète de données de couleur ont montré une amélioration spectaculaire par rapport au modèle de base. L'ordinateur a appris à repérer des changements subtils dans la couleur de l'océan qui étaient invisibles pour le simple comptage de la chlorophylle, lui permettant de distinguer les différentes communautés de phytoplancton avec une précision bien plus grande.

Pour comprendre comment l'ordinateur prenait ces décisions, les chercheurs ont utilisé une technique qui décompose la logique du modèle pour voir quelles parties de l'information étaient les plus importantes. Ils ont découvert que pour certains pigments, le modèle reposait lement sur la quantité totale de chlorophylle-a, confirmant que ces pigments évoluent de concert avec la biomasse globale. Mais pour d'autres, le modèle ignorait la quantité totale de vert et se concentrait plutôt sur les ratios spécifiques de lumière bleue, verte et rouge réfléchis par l'eau. Cela suggère que les modèles ne se contentaient pas de deviner en fonction de la quantité de vie végétale présente, mais détectaient réellement les signatures optiques uniques de groupes spécifiques. Lorsque les chercheurs ont appliqué ces modèles entraînés pour créer des cartes mondiales de distribution des pigments, les résultats ont brossé un tableau qui correspondait aux schémas écologiques connus. Les cartes montraient des concentrations élevées de certains pigments dans les eaux côtières riches en nutriments et les zones d'upwelling, tandis que d'autres pigments dominaient les vastes océans tropicaux pauvres en nutriments. Cette séparation spatiale reflète les habitudes connues de différents groupes de phytoplancton, certains prospérant dans des eaux riches et turbulentes et d'autres étant adaptés aux conditions calmes et claires de l'océan ouvert.

L'étude a également mis en évidence les limites de la technologie actuelle. Bien que les modèles aient pu séparer avec succès de nombreux groupes, ils ont eu des difficultés avec la zéaxanthine, un pigment présent dans de très petits organismes semblables à des bactéries et très abondants. Les modèles n'ont pas pu prédire avec précision la quantité exacte de ce pigment, probablement parce que son signal est faible et difficile à séparer du bruit de fond des données satellitaires. Néanmoins, même pour ce pigment difficile, le modèle a réussi à capturer un schéma large qui correspondait à la distribution attendue de ces minuscules organismes dans les eaux tropicales chaudes. Cela indique que, bien que la technologie ne soit pas encore parfaite, elle est déjà capable d'extraire des informations écologiques significatives qui vont bien au-delà des simples comptages de biomasse. Les chercheurs soulignent que ces résultats ne sont pas une solution finale mais une étape importante. Ils démontrent que l'apprentissage automatique peut déverrouiller des détails cachés dans des décennies d'enregistrements satellitaires, offrant une nouvelle façon de surveiller la composition changeante de la vie microscopique de l'océan. À mesure que de nouveaux satellites dotés de capteurs de couleur plus sensibles seront lancés, ces méthodes deviendront encore plus puissantes, offrant une fenêtre plus claire sur le monde complexe et vital du phytoplancton qui soutient notre planète.