近日，我室何贤强研究员及合作者在国际海洋领域知名期刊《Journal of Geophysical Research: Oceans》上发表了题为“Satellite-estimation of the Global Ocean Primary Productivity via BGC-Argo Measurements”的研究论文。论文第一作者为我室与河海大学联合培养的博士研究生张银雪，通讯作者为我室何贤强研究员，合作者包括我室的白雁研究员、李腾副研究员、王迪峰研究员、龚芳高级工程师、朱乾坤教授级高级工程师以及河海大学的王桂芬副教授。
海洋浮游植物的生物量虽远低于陆地植被，但却贡献了全球近50%的净初级生产力（NPP），在全球碳循环中扮演着重要角色。经过几十年的积累，现场观测资料为人类提供了全球海洋NPP分布格局的基本认知。然而，海洋初级生产力的现场观测过程复杂且采样效率极低，导致实测样本量少且时空覆盖度有限。自1978年世界上第一颗海洋水色卫星传感器发射以来，通过构建遥感反演算法实现全球海洋NPP长期监测一直是卫星海洋水色观测的主要目标。但是实测数据的缺乏以及遥感只能实现表层观测的局限性，导致现有海洋NPP遥感反演模型存在较高的不确定性。国际上前期开展的多次海洋初级生产力遥感算法比较计划发现各遥感模型对全球海洋NPP年总量的估算差异可达30 Pg C，严重阻碍了对全球海洋NPP长时序变化特征及其影响机制的精准认知。
生物地球化学浮标（BGC-Argo）计划获得的大量水体剖面生物-光学观测资料可望能弥补现场观测样本不足和卫星遥感表层观测的限制。该计划可以观测多种生物地球化学和光学参量，如Chl-a、bbp(700)等。理论上，BGC-Argo观测的剖面资料可以用于估计NPP，且由于BGC-Argo是现场观测手段，BGC-Argo估计获得的NPP资料可为遥感建模提供丰富的观测样本。
基于上述思路，本文基于BGC-Argo剖面数据和改进的Satellite_CbPM模型构建了大样本量的NPP近实测数据集（图1），有效弥补了全球海洋实测NPP数据的缺乏，提高了全球海洋NPP样本的数量和空间覆盖度。在近实测数据集的基础上，采用XGBoost机器学习方法构建了一套高精度的海洋NPP遥感反演模型XGBoost_CbPM，可通过卫星遥感数据实现长时序的全球海洋NPP估算（图2）。独立验证表明，模型决定系数达0.87，平均绝对偏差为12.52%，表明模型具有较高的反演精度。经BATS和HOT两个长时序测站的验证发现，与传统的Satellite_CbPM模型相比，XGBoost_CbPM模型在反演水柱积分NPP的量值和时间变化特征方面表现出更高的精度。此外，XGBoost_CbPM模型在NPP剖面的反演中也有较好的表现，对HOT站NPP剖面的反演R2达0.57（图3），特别是可以较高精度的反演NPP剖面的季节变化特征。总的来说，本文利用BGC-Argo剖面数据，有效弥补了NPP现场观测资料稀少的不足，提高了全球海洋NPP遥感反演精度，基于该方法反演得到的NPP产品将有助于进一步理解全球海洋碳循环的演变特征与机制。
本研究得到了国家自然科学基金项目、浙江省自然科学基金项目以及浙江省“尖兵”研发攻关计划项目等联合资助。
图1 全球近实测初级生产力样本在（a）春季、（b）夏季、（c）秋季和（d）冬季的空间分布特征。括号中的数字表示不同季节包含的样本量。（e）近实测数据集的频数分布直方图
图2 基于XGBoost_CbPM模型反演得到的2021年月平均海洋初级生产力的空间分布
图3 模型反演与现场观测的NPP剖面的量值比较。（a）BATS站（b）HOT站
