海洋浮游植物初級生產力及碳生物量的檢測技術研究進展

王慶軒, 崔正國, 曲克明, 王慶奎, 魏玉秋, 孫 軍

海洋浮游植物初級生產力及碳生物量的檢測技術研究進展

王慶軒1, 2, 3, 崔正國2, 3, 曲克明2, 3, 王慶奎1, 魏玉秋2, 3, 孫 軍4

(1. 天津農學院 水產學院 天津市水產生態及養殖重點實驗室, 天津, 300392; 2. 中國水產科學研究院黃海水產研究所 農業農村部海洋漁業可持續發展重點實驗室, 山東 青島 266071; 3. 青島海洋科學與技術試點國家實驗室海洋漁業科學與食物產出過程功能實驗室, 山東 青島 266071; 4. 中國地質大學廣州南沙地大濱海研究院, 廣東 廣州 511462)

浮游植物是海洋生態系統中的主要初級生產者, 構建海洋食物網、生物泵和元素循環(包括碳循環、氮循環和硅循環等)的基石。因此, 海洋生態系統中的元素循環和能量流動均與浮游植物的生長和代謝息息相關。海洋碳循環是全球碳循環的關鍵環節, 也是全球生態系統中生物地化循環的重要組成部分。盡管浮游植物在海洋碳循環中起著至關重要的作用, 但是直接測定浮游植物的初級生產力和碳生物量依舊受到傳統技術和方法的限制。本文詳細介紹了有關浮游植物初級生產力和碳生物量檢測的各種技術和方法, 列舉了其各自的優缺點。目前, 測定海洋浮游植物初級生產力的主要方法有黑白瓶法、遙感估算法、碳同位素測定、快速重復率熒光法; 測定海洋浮游植物碳生物量的主要方法有細胞體積轉換法、流式細胞術、電子探針X射線顯微分析、分位數回歸模型估算法。通過對比分析發現碳同位素與快速重復率熒光法相結合可以更高效測定出初級生產力, 而最具優勢與應用前景的碳生物量檢測方法是基于分位數回歸模型估算法。其中, 基于分位數回歸模型估算法具有擬合異常值、測定結果準確等優勢, 能夠實現現場浮游植物群落以及各個功能群碳生物量的估算, 并能夠與衛星遙感技術手段相結合, 可以應用于大尺度和長時間序列的海洋浮游植物碳生物量估算。通過本文的綜述, 一方面為海洋浮游植物初級生產力和碳含量的研究提供一個基本和系統的認識, 另一方面為深入研究浮游植物在海洋碳循環以及全球碳循環中的作用提供參考。

浮游植物; 初級生產力; 碳生物量; 碳循環; 檢測方法; 分位數回歸模型

海洋浮游植物(Marine phytoplankton)是一類在海洋生態系統中隨波逐流的微型生物集合體, 也是浮游生物的光自養部分, 具有長達25億～35億年的復雜進化歷史[1-2]。海洋浮游植物經過漫長的進化, 具有豐富的物種多樣性, 因此在功能上可以劃分為原核生物類群(藍藻)和真核生物類群(硅藻、甲藻、金藻、綠藻和顆石藻等)[3-4]。各功能群經過一系列復雜的生物、化學和海洋動力學過程將元素循環緊密耦合到一起, 在海洋生地化循環過程中形成多圈層結構穩定的元素交互系統。例如, 海洋藍藻作為主要的固氮生物, 對海洋氮循環起到了關鍵的調控作用, 同時也影響到其他各個功能群的生長和代謝; 硅藻通過吸收、代謝和轉換表層海洋溶解硅來構建硅質細胞壁, 進而進行更有效的光合作用, 將海洋硅循環和碳循環緊密相連, 從而成為海洋硅/碳循環交互作用的主要橋梁[5]。此外, 浮游植物作為海洋碳循環的重要參與者[6], 貢獻了全球海洋初級生產力的主要部分(約50%～90%)[7-8], 為更高營養級提供食物和能量來源, 構建了海洋食物網和生物泵的基礎, 對海洋生態系統的結構和功能具有重要意義。因此, 海洋生態系統中的元素循環和能量流動均與浮游植物的生長和代謝息息相關[9]。總之, 浮游植物作為海洋生態系統中的重要組成部分, 既為上層海洋食物鏈提供能量基礎, 又不斷地將有機碳通過生物泵輸出到深層海洋, 不僅在維持海洋元素循環過程的能量平衡方面, 而且在海洋生物地球化學循環和全球氣候變化方面都有重要的調控意義。

海洋浮游植物作為“生物碳泵”的關鍵介質, 通過光合作用將大氣中的二氧化碳(CO2)轉化為有機碳, 隨后經過微食物環和經典食物鏈過程, 最終將有機碳以顆粒物的形式輸送到深海并將碳進行封存。該過程也是在地質時期內從大氣中去除CO2的少數自然機制之一[10]。因此, 海洋浮游植物的固碳作用在海洋碳循環中發揮著至關重要的作用, 而海洋碳循環是全球碳循環的關鍵環節, 也是全球生態系統中生地化循環的重要組成部分。長期以來, 測量浮游植物群落以及各功能群的初級生產力和碳生物量也就成為了研究海洋碳循環和全球生物地化循環以及氣候變化的關鍵[11-13]。盡管近些年測定海洋浮游植物細胞內初級生產力和碳生物量的研究日益增多, 但受到傳統技術和方法的限制, 直接測定浮游植物的初級生產力和碳生物量依舊存在不足。因此, 本文通過詳細介紹當前有關浮游植物初級生產力和碳生物量的檢測技術和方法, 列舉其各自的優缺點, 尋找最具優勢與應用前景的檢測方法, 以期為海洋浮游植物初級生產力和碳生物量的研究提供一個基本和系統的認識, 也為深入研究浮游植物在海洋碳循環和全球生物地化循環以及氣候變化中的作用提供參考。

1 海洋浮游植物初級生產力的檢測

1.1 黑白瓶法

1927年, 黑白瓶法由GAARDER等[14]引入海洋生態系統初級生產力的計算, 該法又稱為氧氣測定法, 是測定海洋浮游植物初級生產力的經典傳統方法。黑白瓶法的基本原理是通過測定水中的溶氧量變化間接利用光合作用相關方程式測得初級生產力[15]。此方法使用兩個瓶子, 白瓶為透光瓶可進行光合作用, 黑瓶不透光不能進行光合作用但是進行呼吸作用, 用化學滴定法或者電子檢測器即可檢測出兩個瓶的溶氧量[16]。劉義豪等[17]運用黑白瓶法對煙臺四十里灣海域的初級生產力進行測定, 清晰了解了該區域春季、夏季、秋季的生產力狀況。黑白瓶法簡單廉價的優點使其被廣泛應用, 但是其存在很大的局限性, SELVARAJ等[18]表明了黑白瓶法在淺水區域不適用, 并提出在熱帶沿岸海域測定存在極不穩定性。

1.2 遙感估算法

遙感估算法是檢測海洋浮游植物初級生產力的主要技術之一[19], 其利用衛星遙感監測海洋顏色。海洋顏色通常用光譜的遙感反射率來表示, 從遙感反射率的波段比中推導出葉綠素濃度[20]。目前遙感估算最常用的模型是由BEHRENFELD等[21]提出的初級生產力垂向歸納模型(Vertically Generalized Production Model, VGPM), 運用VGPM模型的核心公式便可將測定出的葉綠素濃度轉化為初級生產力[22]。EVERETT等[23]使用VGPM對南太平洋西部邊界流區域的初級生產力進行了估算, 克服了空間、時間上的限制。衛星遙感相比船舶上測量具有很大的優勢, 不僅省時不費力還可以進行更大空間尺度的采樣, 但是在海面被云層遮蓋、太陽遮蓋地表、大氣中出現高濃度氣溶膠等特殊環境條件下測量會受到影響, 由于衛星信號來自表層, 因此不能觀測到表層以下葉綠素的最大值[24]。

1.3 碳同位素測定

碳元素在自然界中以12C、13C、14C等多種同位素的形式存在[25], 利用穩定的碳同位素可以測定海洋浮游植物的初級生產力。

NIELSEN等[26]首先提出14C法, 利用14C示蹤技術估算海洋中的初級生產力。1950年GALATHEA號探險隊出海則利用該法測定了浮游植物, 為估計海洋中物質的生產量奠定了基礎。WEI等[27]從海表面5 m和對應于表層水體光合有效輻照度(PAR)的50%、30%、10%和1%的深度收集水進行14C吸收培養實驗, 得出了孟加拉灣(BOB)區域14C的碳吸收速率即初級生產力, 但過程比較繁瑣, 需要出海制作培養箱, 人為干擾較大。此方法的基本原理是通過在溶液中加入一定劑量的放射性標記的NaH14CO3來增加天然碳源, 該碳源被利用、吸收并固定到光合藻類中, 光合藻類與溶液完全接觸結束后過濾燒瓶中的內容物用蓋革-米勒計數器對殘留物進行計數并計算碳的吸收量[28]。長期以來14C法不僅可以用來測定初級生產力還被用于測定天然水體中浮游植物種群的光合速率, 其高靈敏度甚至允許在低生產力的海洋中測定光合速率[29]。

但近些年來, 由于14C的放射性危害, 其在自然環境中的使用受到嚴格限制。因此, 尋找14C的替代方法成為焦點,13C方法成為研究熱點。SLAWYK等[30]結合13C和15N方法, 并且通過修改15N的質譜實現了同時測量浮游植物的碳和氮吸收。HAMA等[31]在天然海域中3種不同營養狀況下分別進行實驗, 對13C法進行改進, 證明了其在低顆粒有機碳(Particulate Organic Carbon, POC)和低生產力條件下對天然浮游植物種群還是具有適用性。因此,13C法可以用作14C法的替代品來研究海洋中的初級生產力。

1.4 快速重復率熒光法

快速重復率熒光測定法(Fast Repetition Rate Fluorescence, FRRF)指通過光系統II (PSII)的線性電子輸運的量子產率的測量[32], 是快速估計光吸收特性和電子輸運變化的主要方式, 具有相當高的空間和時間分辨率[33-36]。1994年活性葉綠素熒光(ChlF)測定法引入海洋學和湖沼學[37-38], 特別是快速重復率熒光法克服了估算浮游植物初級生產力在方法上的限制, 可以提供瞬時速率測量值[39]。應用在沿海和寡營養開放水域的研究中, 該法簡單、非侵入性、廉價[32]。WEI等[40]在2018年10月3日-28日秋季西太平洋巡航期間則用FRRF技術海水對樣品進行測定, 估算了海洋初級生產力。目前, FRRF儀器可以自主、即時采集數據[41], 應用涉及珊瑚生物學到海洋生物地球化學的幾乎所有領域[38], 其廣泛用于各個地點的海洋航行調查, 以評估海洋浮游植物的生理狀況[42]以及光合參數[33, 43-44]。FRRF還可以作為探測浮游植物群落營養情況的方法[45]。

快速重復率熒光法需要轉化因子(8e: C/nPSII) 來導出生態相關的碳吸收速率, 所需的轉化因子一般通過14C同化來測定, 所以WEI等[32]用14C法測定出FRRF所需要的轉化因子, 將兩項技術相結合更好地測定出海洋浮游植物初級生產力。海洋浮游植物初級生產力各項檢測技術優缺點的比較如表1。

表1 海洋浮游植物初級生產力主要檢測技術的優缺點

2 海洋浮游植物碳生物量的檢測

2.1 細胞體積轉化法與流式細胞術

細胞體積轉化法是通過估算浮游植物體積從而進一步利用方程式轉化成碳生物量的方法。該方法應用幾何模型或形狀的原理, 這些模型或形狀與浮游植物真實形狀相似。但在選擇模型或形狀的標準上有時會存在困難, 測定浮游植物體積是選取形狀復雜難測定但是相似的幾何模型形狀還是一個簡單、方便測量但是相似度低的模型或形狀[46]。MULLIN等[47]在測定了不同浮游植物細胞的碳含量、細胞體積、細胞表面積后, 發現細胞體積比細胞表面積與細胞碳生物量的相關性更高, 因此更多地是將細胞體積轉化為其碳生物量。HILLEBRAND等[48]推薦了20種幾何形狀, 這些幾何形狀可以為850多個不同物種的體積測量作參考, 并且還提供了合適的線性尺寸用來準確估計微藻細胞體積和表面積的方程式。SUN等[46]與HILLEBRAND等[48]類似基于浮游植物屬水平進行其細胞體積估算工作, 其模型用軟件的形式涵蓋了HILLEBRAND等[48]的所含850多個屬并擴展到了全球的1 000多個屬, 且將可測量的維度從至少3個降低到大多數只有2個,這些幾何模型的應用可以擴展到許多其他相關領域, 提高了實用性并被全世界廣泛采用。此方法要用顯微鏡對浮游植物細胞進行計數, 測定過程需要專業且有經驗的人員進行操作, 轉化體積時需處理大量數據會產生誤差并且耗時長。使用有關浮游植物物種的回歸線繪制出碳的對數(logc)和體積的對數(logv)的關系從而計算出碳生物量。SUN等[49]分析比較了MULLIN等[47]、STRATHMANN等[50]、EPPLEY等[51]、TAGUCHI等[52]提出的4種不同體積轉化為碳生物量的方法, 通過聚類分析EPPLEY等[51]的方法適用于計算中國海域浮游植物碳生物量并被廣泛使用。

流式細胞術是研究0.5～30 μm大小范圍內細胞的有價值的工具, 可以對單個懸浮微觀顆粒進行快速定量測量[53-58]。運用流式細胞儀測定細胞大小進而通過細胞體積轉化法測得碳生物量。由于流式細胞術在船上或實驗室中采集離散水樣進行分析會受到限制, 為此, OLSON等[59]開發了一種可以原位操作且無人值守的自動化流式細胞儀(FlowCytobot), 通過電力和通信電纜連接到海岸, 并由一臺微型計算機控制, 該計算機的程序不僅可以遠程加載而且可以調節采樣率。不過適合FlowCytobot等儀器的海洋觀測站數量很少, 但預計在外海此類站點將不斷增多[60]。GRAFF等[61]使用流式細胞術從樣品中分離浮游植物并分析浮游植物樣品的碳生物量。該法可以驗證測定區域的浮游植物碳估算值, 對浮游植物生物量進行實地分析性測量, 以便于遙感算法的開發, 有助于遙感應用, 并且提高我們對浮游植物化學計量的認識以及更好地了解浮游植物對環境的生理反應。但是流式細胞儀對細胞尺寸有要求, 鏈狀浮游植物因體積大不能在大多數流式細胞儀上進行分析, 因此大粒徑的浮游植物選擇用顯微鏡鏡檢, 小粒徑浮游植物選用流式細胞術法。

2.2 電子探針X射線顯微分析

電子探針X射線顯微分析 (XRMA) 是使用掃描電子顯微鏡 (SEM) 或透射電子顯微鏡 (TEM) 來確定浮游生物中的元素組成。它使用能量色散光譜儀(EDS)檢測器同時識別和量化海洋生態中最重要的元素碳、鈉、磷和存在于單個自然細胞上的氧、鎂、鈉、鋁、硅、硫、氯、鉀、鈣等元素[62]。該技術用于測定海洋和淡水浮游植物[63-65]和浮游細菌[66-67]的元素組成已有30多年的歷史。在最初的研究中由于儀器的限制沒有方法對C、N和O等關鍵元素進行測量, 但是隨著電子探針X射線顯微分析技術的進步, 掃描透射電子顯微鏡(STEM)的能量色散光譜儀已成功地分析單個海洋細菌和藍細菌的完整元素的組成[65, 68-69], 實現了C、N、O等輕元素的測量。由于透射電子顯微鏡支架的尺寸較小, 該分析僅限于直徑小于5 μm的細胞, SEGURA‐NOGUERA等[62]提出了一種改進的方法, 此方法已應用于西地中海的硅藻和甲藻, 是將樣品與底部保持一定距離, 消除掃描電子顯微鏡(SEM)短截線對細胞分析的干擾并提高低濃度元素的檢測限。TWINING等[70-71]提出了X射線熒光光譜顯微術, 可以用更高的精度來測定存在于單個細胞中的一些元素, 但是X射線源的可用性較低以及電子入射束能量較低時該技術無法進行測量使其難以廣泛使用。

2.3 基于分位數回歸模型估算海洋浮游植物的碳生物量

綜合上述有關浮游植物碳生物量檢測的各種技術和方法, 列舉其優勢與不足, 我們發現這些方法都會存在一些限制, 并且檢測標準也未完全統一。因此, 我們介紹一種最初由SATHYENDRANATH等[72]開發的方法, 即基于分位數回歸模型估算海洋浮游植物的碳生物量。此方法與其他測定方法相比具有更大的優勢和應用前景。

2.3.1 分位數回歸模型的分析估算

SATHYENDRANATH等[72]在對海洋中提取的樣品觀測時, 將樣品中的顆粒碳分為自養生物浮游植物中所含有的碳和非自養成分生物、各種碎屑等含有的碳。非自養成分的變化會影響整個樣品中顆粒碳的含量, 但非自養成分無葉綠體, 所以成分變化其葉綠素含量不會發生改變。因此在任意葉綠素含量時假設總顆粒碳處于最低含量時, 非自養成分的碳生物量可以忽略不計, 此時整個顆粒碳生物量就相當于自養成分的浮游植物碳生物量, 但是樣品中肯定存在非自養成分, 因此測定的浮游植物碳生物量的數值會偏高。基于這種概念, 在給定的葉綠素濃度數據范圍之中尋找浮游植物碳生物量(相對于總顆粒碳)和葉綠素濃度之間的關系, 這種關系可以表示為總顆粒碳值的一條相關線, 所述總顆粒碳值被繪制成葉綠素濃度的函數, 找到這種關系的適當方法就是分位數回歸(QR)[73]。SATHYENDRANATH等[72]在西北大西洋和阿拉伯海的近海水域中收集大量的原位顆粒N和C以及葉綠素-(chl-) 的數據集, 間接檢測得出浮游植物N和C。該方法使用分位數回歸將顆粒物C和N分為自養和非自養兩種部分, 浮游植物C和N的估計值結合起來計算碳氮比率。藻類的總N和C含量隨著Chl-的增加而增加, 而C: N的比率隨著Chl-的增加而降低。

MANIACI等[74]的研究分析的數據集均建立在SATHYENDRANATHh等研究總顆粒碳(PC)和Chl-之間關系時所使用的數據。在分析之前, 對顆粒碳(PC), 顆粒氮(PN)和Turner Chl-組測量進行對數轉換, 以線性化觀察到的關系, 并減少具有不同C, N和Chl-的高值的樣本在回歸中的影響[75]。PC和PN被視為因變量, 按照標準做法通過對Turner Chl-的簡單的最小二乘回歸分析[72, 76-78], 總C和N的擬合方程表示為:

Y=mBp,

其中,為預測變量,為Chl-,、為冪律模型的參數, 下標表示預測變量以及和的參數值或參照總PC或PN。該方程可以在log 10空間中以線性的形式表示:

log10(Y)=log10(m)plog10() ,

其中log10(m)表示線性回歸的截距, p表示線性回歸的斜率。對于=PC和PN, 使用總Y和Chl-() 之間的分位數回歸 (QR) 擬合方程。對于給定的Chl-濃度, 主要計算與浮游植物對元素 (C或N) 的貢獻相關的下限。1% 的 QR (=0.01) 被確定為最合適的分位數, 根據>5/的標準 (是總觀測值的數量)并考慮對于C的為773,為771 確定浮游植物貢獻的最低觀測范圍[79]。此方法提供了浮游植物對總顆粒C和N池的貢獻的上限, 將C和N的QR分析結果合并以計算浮游植物的碳氮比隨Chl-的變化。通過在Chl-范圍內運行一系列模擬來計算碳氮比是具有不確定性的, 在每個排列中改變其置信區間的四個參數(C和N方程的斜率和截距), 并取最小值和最大值, 使用HPLC色素組成數據來檢查樣品中存在的浮游植物類型, 然后使用參數化模型和HPLC Chl-作為輸入, 進一步利用分類群計算不同藻類群的化學計量。本研究的所有分析均在Python中進行, 分位數回歸使用QuantRepackage進行, 軟件包使用迭代加權最小二乘法將QR模型估計為標準回歸[74], 可以更好地擬合異常值, 測得的數值較為準確, 并且能更加全面的了解變量的變化。MARTINY等[80]利用人工神經網絡(ANN)分析得出C∶N的區域差異與環境條件的差異有關, 在不同緯度、不同營養水域C∶N是存在差異的。針對不同的海域分位數回歸模型通用, 其模型參數需要進行變化。但隨著研究的不斷深入, MARTINY等[80]對不同海域不同環境下的C∶N建立起相關性, 在測定一些海域碳生物量可以直接依據相關性迅速建立起經驗公式計算。

2.3.2 分位數回歸模型的現實應用

SATHYENDRANATH等[72]通過對海洋顏色進行衛星遙感測量出Chl-, 將海洋中的總顆粒有機氮與葉綠素制成QR模型測定出海洋浮游植物氮生物量, 同理可得碳生物量。使用該模型獲取有關浮游植物元素組成的信息, 并將其應用于遙感數據, 以繪制目前尚未由衛星服務提供的諸如氮之類的元素庫的分布圖。通過研究表明與浮游植物C和N的估計值一致, 所以采用的此方法能獲取正確的結果, 其產生的估計值還可以測試復雜的生態系統模型。建立的比率與衛星衍生的Chl-可用于估計浮游植物C, N, C∶N及其空間分布, 從而證明了該模型的可靠性。在將來, 該方法的復刻可以適應于添加其他元素例如加入顆粒有機磷或鐵。在更廣泛的地理范圍內進行觀察可以進一步評估該方法的廣泛適用性[74]。海洋浮游植物碳生物量各項檢測技術優缺點的比較如下表2。

表2 海洋浮游植物碳生物量主要檢測技術的優缺點

3 結論和展望

探究海洋浮游植物的初級生產力和碳生物量檢測技術對了解全球海洋碳循環以及生物地化循環都具有重要意義。然而, 直接測定浮游植物初級生產力及碳生物量目前受到諸多傳統技術和方法的限制, 這嚴重阻礙了我們對全球海洋碳循環過程的模擬和分析以及對全球生物地球化學循環的了解[81]。因此, 本文詳細綜述了海洋浮游植物初級生產力檢測從黑白瓶法到快速重復率熒光法, 碳生物量檢測技術經過顯微細胞計數到基于分位數回歸模型估算所取得的重大進展, 以及各個技術方法存在的優點和缺陷。目前海洋浮游植物初級生產力可以采用碳同位素和快速重復率熒光法相結合進行測定, 海洋浮游植物碳生物量可以通過分位數回歸模型進行快速精準測定。通過本文的綜述, 一方面為海洋浮游植物初級生產力和碳生物量的研究提供一個基本和系統的認識; 另一方面為深入研究浮游植物在全球海洋碳循環以及生物地化循環中的作用提供前提基礎。針對當前浮游植物初級生產力及碳生物量檢測技術所存在的各種缺陷, 未來的研究將集中在以下幾個方面: (1)提高各個浮游植物初級生產力和碳生物量檢測技術的精度, 減少人為因素; (2)研發針對不同浮游植物功能群初級生產力和碳生物量檢測的新方法或新技術; (3)建立海洋浮游植物初級生產力和碳生物量的統一檢測標準, 使各種技術方法通用化; (4)增加海洋浮游植物初級生產力和碳生物量檢測的時間和空間尺度, 準確模擬和分析全球海洋碳循環過程, 并了解其在全球生物地球化學循環中重要作用。

[1] OLSON J M, BLANKENSHIP R E. Thinking about the evolution of photosynthesis[J]. Photosynthesis Research, 2004, 80: 373-386.

[2] YOON H S, HACKETT Y D, CINIGLIA C, et al. A molecular timeline for the origin of photosynthetic eukaryotes[J]. Molecular Biology and Evolution, 2004, 21: 809-818.

[3] REYNOLDS, COLIN S. The ecology of phytoplankton[M]. New York: Cambridge University Press, 2006.

[4] LITCHMAN E, DE TEZANOS PINTO P, EDWARDS K F, et al. Global biogeochemical impacts of phytoplankton: a trait-based perspective[J]. Journal of Ecology, 2015, 103(6): 1384-1396.

[5] 孫軍, 魏玉秋. 聚球藻硅質化作用初探[J]. 生態學報, 2018, 38(14): 5234-5243.SUN Jun, WEI Yuqiu. Preliminary thoughts on Silicon accumulation in[J]. Acta Ecologica Sinica, 2018, 38(14): 5234-5243.

[6] FIELD C B, BEHRENFELD M J, RANDERSON J T, et al. Primary production of the biosphere: integrating terrestrial and oceanic components[J]. Science, 1998, 281(5374): 237-240.

[7] 孫軍. 海洋浮游植物與生物碳匯[J]. 生態學報, 2011, 31(18): 5372-5378.SUN Jun. Marine phytoplankton and biological carbon sink[J]. Acta Ecologica Sinica, 2011, 31(18): 5372-5378.

[8] 蔡琨, 秦春燕, 李繼影, 等. 基于浮游植物生物完整性指數的湖泊生態系統評價—以2012年冬季太湖為例[J]. 生態學報, 2016, 36(5): 1431-1441. CAI Kun, QIN Chunyan, LI Jiying, et al. Preliminary study on phytoplanktonic index of biotic integrity (P-IBI) assessment for lake ecosystem health: a case of Taihu Lake in winter, 2012[J]. Acta Ecologica Sinica, 2016, 36(5): 1431-1441.

[9] 陳蕓燕. CytoSub在浮游植物生態學中的應用研究[D].北京: 中國科學院大學(中國科學院海洋研究所), 2017. CHEN Yunyan. Study on phytoplankton communities using CytoSub[D]. Beijing: University of Chinese Academy of Sciences (Institute of Oceanology, CAS), 2017.

[10] 孫軍. 海洋浮游植物與漁業碳匯計量[J]. 漁業科學進展, 2013, 34(1): 90-96.SUN Jun. Carbon calculation on marine phytoplankton and its related fishery carbon sink[J]. Progress in Fishery Sciences, 2013, 34(1): 90-96.

[11] SUTHERLAND G K. Some methods of plankton investigation[J]. Journal of Ecology, 1913, 1(3): 166-176.

[12] EPPLEY R W. An incubation method for estimating the carbon content of phytoplankton in natural samples[J]. Limnology and Oceanography, 1968, 13(4): 574-582.

[13] LAWS E A. Evaluation of in situ phytoplankton growth rates: a synthesis of data from varied approaches[J]. Annual Review of Marine Science, 2013, 5: 247-268.

[14] GAARDER T, GRAN H H. Production of plankton in Oslo Kjord[J]. Rap Proc Verb Cons Prem Int Explor Mer, 1927, 42: 9-48.

[15] 閻希柱. 初級生產力的不同測定方法[J]. 水產學雜志, 2000, 1: 81-86. YAN Xizhu. The different methods for determing primary production[J]. Chinese Journal of Fisheries, 2000, 1: 81-86.

[16] 王驥.浮游植物的初級生產力與黑白瓶測氧法[J]. 淡水漁業, 1980, 3: 26-30. WANG Ji. Primary productivity of phytoplankton and oxygen measurement with black and white bottle[J]. Freshwater Fisheries, 1980, 3: 26-30.

[17] 劉義豪, 秦華偉, 王國強, 等. 煙臺四十里灣海域初級生產力特征[J]. 海洋湖沼通報, 2016, 6: 60-66. LIU Yihao, QIN Huawei, WANG Guoqiang, et al. Characteristics of the primary productivity in Sishili Bay, Yantai[J]. Transactions of Oceanology and Limnology, 2016, 6: 60-66.

[18] SELVARAJ G S D. Validity of net primary productivity estimation by light and dark bottle oxygen technique in tropical inshore waters, with a note on primary productivity of the surf zone at Cochin[J]. Seaweed Research and Utilisation, 2000, 22(1/2): 81-88.

[19] BABIN M, ARRIGO K, BéLANGER S, et al. Ocean colour remote sensing in polar seas[M]. Canada: International Ocean Colour Coordinating Group, 2015.

[20] LEE Z, MARRA J, PERRY M J, et al. Estimating oceanic primary productivity from ocean color remote sensing: A strategic assessment[J]. Journal of Marine Systems, 2015, 149: 50-59.

[21] BEHRENFELD M J, FALKOWSKI P G. A consumer’s guide to phytoplankton primary productivity models[J]. Limnology and Oceanography, 1997, 42(7): 1479-1491.

[22] 鄧瑜兵, 張運林, 李德平. 浮游植物初級生產力的遙感研究綜述[J]. 遙感信息, 2017, 32(3): 1-9. DENG Yubing, ZHANG Yunlin, LI Deping. Progress and prospect of remote sensing on phytoplankton primary productivity estimation[J]. Remote Sensing Information, 2017, 32(3): 1-9.

[23] EVERETT J D, DOBLIN M A. Characterising primary productivity measurements across a dynamic western boundary current region[J]. Deep Sea Research Part I: Oceanographic Research Papers, 2015, 100: 105-116.

[24] JOINT I, GROOM S B. Estimation of phytoplankton production from space: current status and future potential of satellite remote sensing[J]. Journal of Experimental Marine Biology and Ecology, 2000, 250(1/2): 233-255.

[25] 洪阿實. 同位素海洋學的發展[J]. 海洋科學, 1994, 13(1): 53-56.HONG Ashi. Development ofisotope oceanography[J]. Marine Sciences, 1994, 13(1): 53-56.

[26] NIELSEN E S. The use of radio-active carbon (14C) for measuring organic production in the sea[J]. ICES Journal of Marine Science, 1952, 18(2): 117-140.

[27] WEI YQ, ZHAO XW, SUN J, et al. Fast repetition rate fluorometry (FRRF) derived phytoplankton primary productivity in the Bay of Bengal[J]. Frontiers in Microbiology, 2019, 10: 1164.

[28] REYNOLDS C S. The ecology of phytoplankton[M]. New York: Cambridge University Press, 2006.

[29] ICHIMURA S, SAIJO Y, ARUGA Y. Photosynthetic characteristics of marine phytoplankton and their ecological meaning in the chlorophyll method[J]. Bot Mag Tokyo, 1962, 75: 212-220.

[30] SLAWYK G, COLLOS Y, AUCLAIR J C. The use of the13C and15N isotopes for the simultaneous measurement of carbon and nitrogen turnover rates in marine phytoplankton 1[J]. Limnology and Oceanography, 1977, 22(5): 925-932.

[31] HAMA T, MIYAZAKI T, OGAWA Y, et al. Measurement of photosynthetic production of a marine phytoplankton population using a stable13C isotope[J]. Marine Biology, 1983, 73(1): 31-36.

[32] WEI Y, ZHAO X, SUN J, et al. Fast repetition rate fluorometry (FRRF) derived phytoplankton primary productivity in the Bay of Bengal[J]. Frontiers in Microbiology, 2019, 10: 1164.

[33] MOORE C M, SUGGETT D, HOLLIGAN P M, et al. Physical controls on phytoplankton physiology and production at a shelf sea front: a fast repetition-rate fluorometer based field study[J]. Marine Ecology Progress Series, 2003, 259: 29-45.

[34] SMYTH T J, PEMBERTON K L, AIKEN J, et al. A methodology to determine primary production and phytoplankton photosynthetic parameters from Fast Repetition Rate Fluorometry[J]. Journal of Plankton Research, 2004, 26(11): 1337-1350.

[35] OXBOROUGH K, MOORE C M, SUGGETT D J, et al. Direct estimation of functional PSII reaction center concentration and PSII electron flux on a volume basis: a new approach to the analysis of Fast Repetition Rate fluorometry (FRRF) data[J]. Limnology and Oceanography: Methods, 2012, 10(3): 142-154.

[36] AARDEMA H M, RIJKEBOER M, LEFEBVRE A, et al. High-resolution underway measurements of phytoplankton photosynthesis and abundance as an innovative addition to water quality monitoring programs[J]. Ocean Science, 2019, 15(5): 1267-1285.

[37] FALKOWSKI P G, RAVEN J A. Aquatic photosynthesis 2nd[M]. New Jersey: Princeton University Press, 2007.

[38] PRASIL O, SUGGETT D J, CULLEN J J, et al. Aquafluo 2007: chlorophyll fluorescence in aquatic sciences, an international conference held in Nové Hrady[J]. Photosynthesis Research, 2008, 95(1): 111-115.

[39] SMYTH T J, PEMBERTON K L, AIKEN J, et al. A methodology to determine primary production and phytoplankton photosynthetic parameters from fast repetition rate fluorometry[J]. Journal of Plankton Research, 2004, 26(11): 1337-1350.

[40] WEI Y, CHEN Z, GUO C, et al. Physiological and ecological responses of photosynthetic processes to oceanic properties and phytoplankton communities in the oligotrophic western Pacific Ocean[J]. Frontiers in Microbiology, 2020, 11: 1774.

[41] SCHUBACK N, FLECKEN M, MALDONADO M T, et al. Diurnal variation in the coupling of photosynthetic electron transport and carbon fixation in iron-limited phytoplankton in the NE subarctic Pacific[J]. Biogeosciences Discussions, 2016, 13(4): 1019-1035.

[42] STRUTTON P G, MITCHELL J G, PARSLOW J S, et al. Phytoplankton patchiness: quantifying the biological contribution using fast repetition rate fluorometry[J]. Journal of Plankton Research, 1997, 19(9): 1265-1274.

[43] AIKEN J, REES N, HOOKER S, et al. The Atlantic meridional transect: overview and synthesis of data[J]. Progress in Oceanography, 2000, 45(3/4): 257-312.

[44] AIKEN J, FISHWICK J, MOORE G, et al. The annual cycle of phytoplankton photosynthetic quantum efficiency, pigment composition and optical properties in the western English Channel[J]. Journal of the Marine Biological Association of the United Kingdom, 2004, 84(2): 301-313.

[45] KOLBER Z S, BARBER R T, COALE K H, et al. Iron limitation of phytoplankton photosynthesis in the equatorial Pacific Ocean[J]. Nature, 1994, 371(6493): 145-149.

[46] SUN J, LIU D. Geometric models for calculating cell biovolume and surface area for phytoplankton[J]. Journal of Plankton Research, 2003, 25(11): 1331-1346.

[47] MULLIN M M, SLOAN P R, EPPLEY R W. Relationship between carbon content, cell volume, and area in phytoplankton[J]. Limnology and Oceanography, 1966, 11(2): 307-311.

[48] HILLEBRAND H, DüRSELEN C D, KIRSCHTEL D, et al. Biovolume calculation for pelagic and benthic microalgae[J]. Journal of Phycology, 1999, 35(2): 403-424.

[49] SUN Jun, LIU Dongyan. Estimating biomass of phytoplankton in the Jiaozhou Bay[J]. Acta Oceano-logica Sinica, 2000, 19: 19-31.

[50] STRATHMANN R R. Estimating the organic carbon content of phytoplankton from cell volume or plasma volume 1[J]. Limnology and Oceanography, 1967, 12 (3): 411-418.

[51] EPPLEY R W, REID F M H, STRICKLAND J D H. Estimates of phytoplankton crop size, growth rate, and primary production[J]. Bulletin of the Scripps Institution of Oceanography, 1970, 17: 33-42.

[52] TAGUCHI S. Relationship between photosynthesis and cell size of marine diatoms[J]. Journal of Phycology, 1976, 12(2): 185-189.

[53] OLSON R J, ZETTLER E R, CHISHOLM S W, et al. Advances in oceanography through flow cytometry[J]. Particle Analysis in Oceanography, 1991: 351-399.

[54] OLSON R J, ZETTLER E R, DURAND M D. Phytoplankton analysis using flow cytometry[J]. Handbook of Methods in Aquatic Microbial Ecology, 1993, 22: 175-186.

[55] VAULOT D, MARIE D, OLSON R J, et al. Growth of Prochlorococcus, a photosynthetic prokaryote, in the equatorial Pacific Ocean[J]. Science, 1995, 268(5216): 1480-1482.

[56] VAULOT D, MARIE D. Diel variability of photosynthetic picoplankton in the equatorial Pacific[J]. Journal of Geophysical Research: Oceans, 1999, 104(C2): 3297-3310.

[57] RECKERMANN M. Flow sorting in aquatic ecology[J]. Scientia Marina, 2000, 64(2): 235-246.

[58] LI W K W, DICKIE P M. Monitoring phytoplankton, bacterioplankton, and virioplankton in a coastal inlet (Bedford Basin) by flow cytometry[J]. Cytometry: The Journal of the International Society for Analytical Cytology, 2001, 44(3): 236-246.

[59] OLSON R J, SHALAPYONOK A, SOSIK H M. An automated submersible flow cytometer for analyzing pico-and nanophytoplankton: FlowCytobot[J]. Deep Sea Research Part I: Oceanographic Research Papers, 2003, 50(2): 301-315.

[60] GLENN S M, DICKEY T D, PARKER B, et al. Long- term real-time coastal ocean observation networks[J]. Oceanography, 2000, 13(1): 24-34.

[61] GRAFF J R, MILLIGAN A J, BEHRENFELD M J. The measurement of phytoplankton biomass using flow- cytometric sorting and elemental analysis of carbon[J]. Limnology and Oceanography: Methods, 2012, 10(11): 910-920.

[62] SEGURA‐NOGUERA M, BLASCO D, FORTU?O J M. An improved energy-dispersive X‐ray microanalysis method for analyzing simultaneously carbon, nitrogen, oxygen, phosphorus, sulfur, and other cation and anion concentrations in single natural marine microplankton cells[J]. Limnology and Oceanography: Methods, 2012, 10(9): 666-680.

[63] SIGEE D C, KRIVTSOV V, BELLINGER E G. Elemental concentrations, correlations and ratios in micropopulations of(): an X-ray microanalytical study[J]. European Journal of Phycology, 1998, 33(2): 155-164.

[64] KRIVTSOV V, BELLINGER E G, SIGEE D C. Changes in the elemental composition ofduring the diatom spring bloom[J]. Journal of Plankton Research, 2000, 22(1): 169-184.

[65] HELDAL M, SCANLAN D J, NORLAND S, et al. Elemental composition of single cells of various strains of marineandusing X-ray microanalysis[J]. Limnology and Oceanography, 2003, 48(5): 1732-1743.

[66] HELDAL M, NORLAND S, TUMYR O. X-ray microanalytic method for measurement of dry matter and elemental content of individual bacteria[J]. Applied and Environmental Microbiology, 1985, 50(5): 1251-1257.

[67] BOOTH K N, SIGEE D C, BELLINGER E. Studies on the occurrence and elemental composition of bacteria in freshwater plankton[J]. Scanning Microscopy, 1987, 1(4): 50.

[68] NORLAND S, FAGERBAKKE K M, HELDAL M. Light element analysis of individual bacteria by X-ray microanalysis[J]. Applied and Environmental Microbiology, 1995, 61(4): 1357-1362.

[69] VREDE K, HELDAL M, NORLAND S, et al. Elemental composition (C, N, P) and cell volume of exponentially growing and nutrient-limited bacterioplankton[J]. Applied and Environmental Microbiology, 2002, 68(6): 2965-2971.

[70] TWINING B S, BAINES S B, FISHER N S, et al. Quantifying trace elements in individual aquatic protist cells with a synchrotron X-ray fluorescence microprobe[J]. Analytical Chemistry, 2003, 75(15): 3806-3816.

[71] DIAZ J, INGALL E, VOGT S, et al. Characterization of phosphorus, calcium, iron, and other elements in organisms at sub-micron resolution using X-ray fluorescence spectromicroscopy[J]. Limnology and Oceanography: Methods, 2009, 7(1): 42-51.

[72] SATHYENDRANATH S, STUART V, NAIR A, et al. Carbon-to-chlorophyll ratio and growth rate of phytoplankton in the sea[J]. Marine Ecology Progress Series, 2009, 383: 73-84.

[73] KOENKER R, BASSETT JR G. Regression quantiles[J]. Econometrica, 1978, 46(1): 33-50.

[74] MANIACI G, BREWIN R J W, SATHYENDRANATH S. Concentration and distribution of phytoplankton nitrogen and carbon in the Northwest Atlantic and Indian Ocean: A simple model with applications in satellite remote sensing[J]. Frontiers in Marine Science, 2022, 9: 1035399.

[75] LEGENDRE L, MICHAUD J. Chlorophyll a to estimate the particulate organic carbon available as food to large zooplankton in the euphotic zone of oceans[J]. Journal of Plankton Research, 1999, 21(11): 2067-2083.

[76] BUCK K R, CHAVEZ F P, CAMPBELL L. Basin-wide distributions of living carbon components and the inverted trophic pyramid of the central gyre of the North Atlantic Ocean, summer 1993[J]. Aquatic Microbial Ecology, 1996, 10(3): 283-298.

[77] MARA?óN E, CERME?O P, HUETE-ORTEGA M, et al. Resource supply overrides temperature as a controlling factor of marine phytoplankton growth[J]. PloS one, 2014, 9(6): e99312.

[78] THOMALLA S J, OGUNKOYA A G, VICHI M, et al. Using optical sensors on gliders to estimate phytoplankton carbon concentrations and chlorophyll-to- carbon ratios in the Southern Ocean[J]. Frontiers in Marine Science, 2017, 4: 34.

[79] ROGERS W. Quantile regression standard errors[J]. Stata Technical Bulletin, 2008, 2(9): 204-227.

[80] MARTINY A C, VRUGT J A, PRIMEAU F W, et al. Regional variation in the particulate organic carbon to nitrogen ratio in the surface ocean[J]. Global Biogeochemical Cycles, 2013, 27(3): 723-731.

[81] WEI Y, DING D, GU T, et al. Different responses of phytoplankton and zooplankton communities to current changing coastal environments[J]. Environmental Research, 2022, 215: 114426.

Advances in primary productivity and carbon biomass detection of marine phytoplankton

WANG Qing-xuan1, 2, 3, CUI Zheng-guo2, 3, QU Ke-ming2, 3, WANG Qing-kui1, WEI Yu-qiu2, 3, SUN Jun4

(1. Tianjin Key Laboratory of Aquatic Ecology and Aquaculture, College of Fisheries, Tianjin Agricultural University, Tianjin 300392, China; 2. Key Laboratory of Sustainable Development of Marine Fisheries, Ministry of Agriculture and Rural Affairs, Yellow Sea Fisheries Research Institute, Chinese Academy of Fishery Sciences, Qingdao 266071, China; 3. Qingdao Pilot National Laboratory of Marine Science and Technology Marine Fishery Science and Food Production Process Function Laboratory, Qingdao 266071, China; 4. Institute for Advanced Marine Research, China University of Geosciences, Guangzhou 511462, China)

Phytoplankton are major primary producers in marine ecosystems, supporting marine food webs, biological pumps, and elemental cycles (carbon, nitrogen, and silicon cycles). Therefore, elemental cycles and energy flow in marine ecosystems are closely related to phytoplankton growth and metabolism. The marine carbon (C) cycle is key to the global C cycle and an important part of the biogeochemical cycle. Although phytoplankton plays a critical role in the marine C cycle, the direct determination of phytoplankton primary productivity and C biomass remains limited to traditional methods. In this review, various methods associated with phytoplankton primary productivity and C biomass estimation are discussed in detail, along with their respective advantages and disadvantages. Currently, the main methods for determining the primary productivity of marine phytoplankton include the black-white bottle method, remote sensing estimation method, C isotope determination, and fast repetition rate fluorescence method (FRRF). The primary methods for determining the C biomass of marine phytoplankton include cell volume conversion, flow cytometry, electron probe X-ray microanalysis, and quantile regression model estimation. Through comparative analysis, we established that combining the C isotope and FRRF method can determine primary productivity more efficiently, while the most promising method for C biomass detection was quantile regression model estimation. This regression model has the advantages of fitting outliers and providing accurate measurement results, including C biomass estimations for phytoplankton communities and each functional group in the field. The approach can also be combined with satellite remote sensing technology to estimate biomass on a large scale and for a prolonged period. Although this review offers a basic and systematic understanding of phytoplankton primary productivity and C biomass analysis, it provides a valuable reference for future research on the role of phytoplankton in the marine and global C cycles.

phytoplankton; primary productivity; carbon biomass; carbon cycle; detection method; quantile regression model

Jan. 28, 2023

[National Natural Science Foundation of China, No.42206103; China Postdoctoral Science Foundation, No. 2021M703590; Shandong Province Postdoctoral Innovative Talent Support Program, No. SDBX2021014; Shandong Provincial Natural Science Foundation, No. ZR2022QD133]

Q71

A

1000-3096(2023)8-0131-10

10.11759/hykx20230128003

2023-01-28;

2023-02-25

國家自然科學基金資助項目(42206103); 中國博士后科學基金資助項目(2021M703590); 山東省博士后創新人才支持計劃項目(SDBX2021014); 山東省自然科學基金資助項目(ZR2022QD133)

王慶軒(1998—), 男, 山東肥城人, 碩士研究生, 從事海洋浮游生物生態學研究, E-mail: wangqingxuan2022@163.com; 魏玉秋(1991—), 男, 山東日照人, 博士研究生,通信作者, 助理研究員, 從事海洋浮游生物生態學研究, E-mail: weiyuqiu@163.com

(本文編輯: 譚雪靜)