Télédétection du Phytoplancton de la Méditerranée ; Approche Régionale 

Cytomètrie en Flux

Contrairement aux méthodes microscopiques manuelles, les cytomètres en flux sont réputés pour la rapidité avec laquelle ils sont capables de caractériser le phytoplancton dans un échantillon d’eau. Depuis environ trois décennies, cette méthode, adaptée à partir d’outils médicaux conçus pour le comptage des cellules sanguines, s’est révélée prometteuse pour l’étude du phytoplancton ainsi que des bactéries et virus de l’océan (Yentsch and Horan, 1989; Sosik, Olson and Armbrust, 2010).
En cytométrie de flux, les cellules de phytoplancton dans un échantillon d’eau de mer sont forcées individuellement à passer à travers une petite ouverture dans un champ lumineux.
Lorsqu’une cellule traverse ce champ, ses propriétés optiques, telles que la fluorescence et la diffusion, sont mesurées. De cette manière, un grand nombre de cellules sont comptées rapidement (> 105 cellules par seconde) à partir d’échantillons d’eau prélevés en mer.
La présence de la chlorophylle fluorescente permet de discriminer le phytoplancton des autres particules, et l’analyse cytométrique en flux permet le comptage, la quantification des propriétés cellulaires telles que la taille et la pigmentation, et un certain degré de discrimination taxonomique et optique basée sur la taille (par exemple, Prochlorococcus, Synechococcus, picoeucaryotes, diatomées pennées, coccolithophorides) (Dubelaar, Gerritzen and Gerritzen, 2000; Collier, 2004).
La cytométrie en flux conventionnelle présente certaines limitations importantes. L’approche permet une analyse beaucoup plus rapide des cellules que la microscopie, mais les volumes d’échantillons sont encore faibles (de quelques dizaines de microlitres à quelques ml) et relativement peu d’échantillons discrets peuvent être traités par rapport aux échelles de temps et de la fréquence de changement dans l’environnement naturel.

Méthode HPLC

L’analyse chromatographique des pigments est une approche non microscopique pour la caractérisation de la communauté de phytoplancton (Jeffrey and Mantoura, 1997; Roy et al., 2011). La chromatographie en phase liquide à haute performance (HPL C), associée à la connaissance de la composition de pigment spécifique à un taxon, peut fournir des informations sur diverses classes de phytoplancton constituant des communautés naturelles (Mackey et al., 1996).
Les pigments du phytoplancton peuvent être classés en trois groupes principaux: les chlorophylles (a, b et c), les caroténoïdes (les carotènes et leurs dérivés oxygénés, appelés xanthophylles) et les biliprotéines (phycoérythrine, phycocyanine et allophycocyanine). La chlorophylle-a, où plus spécifiquement la mono-vinyle-chlorophylle-a, est omniprésente dans tous les organismes phototrophes, à l’exception de Prochlorococcus qui possède la variante divinyl-chlorophylle-a.
La distribution de tous les autres pigments varie selon les taxons. Plusieurs pigment s sont limités à des taxons spécifiques et peuvent donc être utilisés comme pigments de marquage
– également appelés pigments de diagnostic où empreintes digitales de pigments – pour ces taxons (Jeffrey et al., 1997).
L’HPLC permet la séparation, l’identification et la quantification de 25 à 50 pigments selon la méthode, en une seule analyse. Elle offre l’avantage unique de fournir simultanément une description complète de la composition de la communauté de phytoplancton sur l’ensemble du spectre de taille des cellules et une détermination précise de la concentration en chlorophylle-a, l’indice le plus largement utilisé pour estimer la biomasse de phytoplancton.
Quelques pigments peuvent être affectés sans équivoque à une seule classe de phytoplancton. Par exemple, le divinyl-chlorophylle-a et le divinyl-chlorophylle-b sont caractéristiques uniques des Prochlorococcus et à l’alloxanthine des cryptophytes.
Cependant, l’interprétation des données de pigment n’est pas toujours simple et est sujette aux incertitudes liées à l’état physiologique et environnemental qui est la cause de variabilités de la composition des pigments. En particulier, certains pigments marqueurs sont partagés entre plusieurs taxons de phytoplancton, ce qui rend difficile l’identification des groupes.

Etude du phytoplancton depuis l’espace 

Les méthodes traditionnelles utilisant les données de couleur de l’océan sont axées surl’estimation de la concentration de chlorophylle-a en tant qu’indice de la biomasse du phytoplancton. Les algorithmes standard donnant la chlorophylle (O’Reilly et al., 1998, 2000) reposent principalement sur des relations empiriques qui utilisent des rapports de bande spectrale de la luminance (water-leaving radiance) où de la réflectance, généralement situés dans la partie bleue et verte du spectre. Ces algorithmes sont relativement simples à appliquer et sont robustes face à une série de défis, notamment la mise en œuvre d’une correction atmosphérique importante (90% du signal). De plus on a à gérer la calibration des radiomètres embarqués qui peut dériver dans le temps. Les algorithmes d’inversion conçus pour la récupération des propriétés optiques intrinsèques (les coefficients de rétrodiffusion, les coefficients d’absorption), en plus de la concentration en chlorophylle, constituent une avancée notable par rapport aux algorithmes empiriques (Maritorena, Siegel and Peterson, 2002; Smyth et al., 2002, 2006), et sont conçus pour donner de l’information sur la concentration totale de phytoplancton, la taille des paticules, etc

Cartes de Kohonen

Une carte auto-organisatrice (Self Organizing Map) est un type réseau de neurones d’apprentissage non supervisé qui permet de quantifier des données multi dimentionnelles et de les visualiser dans un espace de faible dimension, généralement 1 ou 2 dimensions. Leur propriété principale est d’introduire au niveau de l’apprentissage un ordre topologique qui permet par la suite des visualisations très efficaces des données. L’algorithme d’apprentissage d’une SOM est une extension de l’algorithme bien connu des k-moyennes.

Idée de base

Ces modèles de représentation des données, utilisées en Intelligence Artificielle, sont inspirées comme beaucoup des modèles neuronaux par la biologie. Il s’agit pour les SOM de reproduire un des principes de fonctionnement du cerveau des vertébrés : des stimuli de même nature excitent une région du cerveau bien particulière. Les neurones sont organisés dans le cortex de façon à interpréter tous les types de stimuli imaginables. De la même manière, la carte auto organisatrice se déploie de façon à représenter de façon ordonnée un ensemble de données. Dans ce cadre chaque neurone se spécialise pour représenter un sousensemble bien particulier de ces données selon leurs similitudes. Techniquement, les neurones réalisent une quantification vectorielle de l’espace de données, c’est à dire qu’ils discrétisent l’espace des données, et affectent à chaque zone un représentant dans cet espace : le vecteur référent w.

Architecture

Si l’on décrit les cartes auto-organisatrices à l’aide d’un formalisme réseau de neurones, son architecture est constituée d’une grille (le plus souvent uni- ou bidimensionnelle). Dans chaque nœud de la grille se trouve un neurone. Chaque neurone est lié à un vecteur référent, responsable d’une zone dans l’espace des données (appelé encore espace d’entrée). Chaque neurone représente donc un sous ensemble des données initiales dont le représentant est le vecteur référent. Dans une carte auto-organisatrice, les vecteurs référents fournissent une représentation discrète de l’espace d’entrée. Ils sont positionnés de telle façon qu’ils mettent en évidence la forme topologique de l’espace d’entrée (multi dimensionnel) en explicitant les relations de voisinage sur la grille (en dimension 1 ou 2). Ces voisinages permettent une indexation facile (via les cordonnées dans la grille). Le voisinage est formalisé par l’utilisation d’unefonction noyau K positive, symétrique et telle que K(0) = 1 et lim |x|→∞ K(x) = 0. Elle permet de définir la zone d’influence autour de chaque nœud.

Estimation des pigments secondaires phytoplanctoniques à partir des images satellitaires en utilisant les SOM

Résumé 

Cette étude présente une méthode d’estimation des pigments secondaires de phytoplancton à partir d’observations satellitaires de la couleur de l’océan. Nous avons d’abord compilé un grand ensemble de données d’entraînement composé de 12 000 échantillons; chaque échantillon est composé de dix concentrations de pigment mesurées par HPLC de phytoplancton in situ, de produits GlobColour de concentration de Chlorophylle-a (Chla) et de réflectance de télédétection (Rrs (λ)) à différentes longueurs d’onde, ainsi que de mesures de la température de surface de la mer AVHRR (SST). L’ensemble de données résultant regroupe une grande variété de situations rencontrées entre 1997 et 2014.
La relation non linéaire entre les composantes in situ et satellitaires a été identifiée à l’aide d’une carte auto-organisatrice (SOM). La SOM a permis d’obtenir des estimations fiables de la concentration de Chla et de neuf pigments différents à partir d’observations par satellite.
Une procédure de cross-validation a montré que les estimations étaient robustes pour tous les pigments (R 2 > 0.75 et RMSE moyen = 0,016 mg.m -3 ).
Une association cohérente de plusieurs pigments de phytoplancton indiquant la dynamique spécifique à un groupe de phytoplancton a été montrée à l’échelle globale. Nous avons également calculé les incertitudes pour l’estimation de chaque pigment.

Télédétection du groupe de phytoplancton dominant au niveau de la Méditerranée en utilisant des cartes auto-organisatrices (SOM)

Résumé 

Au cours des deux dernières décennies, plusieurs algorithmes satellitaires ont été proposés pour extraire des informations sur les groupes de phytoplancton à l’aide des données de couleur de l’océan.
Dans cette étude, une nouvelle méthode sera presentée en utilisant les cartes autoorganisées (SOM), qui sont des classificateurs de réseaux neuronaux, pour identifier les typesfonctionnels du phytoplancton (PFT) et pour reconstruire la variabilité du phytoplancton avec une performance significative. Nous avons d’abord estimé les pigments de phytoplancton secondaires à partir des données satellite GlobColour et de l’AVHRR SST en utilisant une SOM dédié (SOM-Pigments), puis les groupes de phytoplancton dominants ont été identifiés à l’aide d’un autre SOM (SOM-PFT). L’étude a été concentrée sur la mer Méditerranée. Nous avons identifié six groupes de phytoplancton qui sont repartis en 4 classes et 2 genres : Bacillariophycées (=Diatomées), Haptophycées Chlorophycées, Cryptophycées, et deux genres appartenant au Cyanophycées: Synechococcus et Prochlorococcus. Ces groupes de phytoplancton ont montré une variabilité particulière due aux caractéristiques hydrophysiques et biogéochimiques complexes de la mer Méditerranée; Les Haptophytes et les Chlorophytes ont dominé pendant l’hiver et principalement dans le bassin ouest de laMéditerranée, tandis que les Synechococcus et les Prochlorococcus ont lutté pendant l’été.
La dominance des diatomées a été principalement observée au printemps dans la mer des Baléares en réponse à des phénomènes de convection en eau profonde et près du littoral et des estuaires en raison d’importants apports continentaux de nutriments. Nous avons constaté que les Cryptophycées ont une faible présence dans la mer Égée en automne. Les tests de validation effectués sur des correspondances in-situ ont donné des résultats satisfaisants et ont démontré la capacité de la méthode à reconstruire efficacement les patterns spatio-temporels de groupes de phytoplancton en mer Méditerranée.

Reconstruction de la variabilité spatio-temporelle des PSC au niveau la Méditerranée

Introduction

Les différences hydrologiques dans le bassin méditerranéen entraînent une augmentation de l ‘oligotrophie lors que l’on va de l’ouest vers l’est . Il en résulte une diminution de la concentration de Chla de surface de l’ouest vers l’est (Turley et al., 2000) observée depuis l’espace (Antoine et al., 1995), les eaux du bassin Levantin de la Méditerranée orientale présentant des conditions très oligotrophes (Dowidar, 1984; Abdel-Moati, 1990; Yacobi et al., 1995; Krom, Herut and Mantoura, 2004; Krom et al., 2005; Krom, Emeis and Van Cappellen, 2010).
Cependant, l’évolution saisonnière de la répartition de Chla suit toujours le cycle typique des régions tempérées, caractérisée par une augmentation de l’abondance du phytoplancton à la fin de l’hiver / au début du printemps, une diminution lors de la saison estivale et une deuxième prolifération moins intense de phytoplancton en automne (Siokou-Frangou et al., 2010; Sammartino et al., 2015).
La structure de la communauté phytoplanctonique dans les zones oligotrophes de l’océan mondial est principalement composée de picoplancton (Li et al., 1993; Brunet et al., 2006; Dandonneau et al., 2006). Néanmoins, la structure des communautés phytoplanctoniques méditerranéennes révèle une grande variabilité tant à l’échelle spatiale que temporelle, ainsi que de grandes disparités dans la composition des assemblages de phytoplancton (SiokouFrangou et al., 2010). De nombreuses études ont mis en évidence la dominance du picoplancton dans la mer Méditerranée, conséquence de son oligotrophie. Cependant la prolifération du phytoplancton dans certaines régions entraîne la coexistence de nombreux groupes de microalgues (Siokou-Frangou et al., 2010). Le modèle empirique satellitaire appliqué par Sammartino et al., (2015) englobe cette structure de communauté inhabituelle et complexe en mer Méditerranée et a permis d’évaluer la variabilité spatio-temporelle des trois PSC (micro, nano et pico-plancton) pendant toute la période de SeaWiFS (1998-2010).
Dans cette partie de notre étude, les différentes classes de PSC ont été estimées via l’application de l’algorithme de SOM-Pigments à la Méditerranée. Des équations simplifiées (Dandonneaux et al., 2004) ont été utilisées pour passer de la composition pigmentaire au pourcentage en PSC. Ensuite, une tentative de comparaison a été effectuée entre les différents résultats avec des longues séries temporelles de comptage de phytoplancton insitu, tant du point de vue de la composition pigmentaire, pourcentage de PSC et comptage phytoplanctonique in-situ.

Résultats

Analyse de la variabilité des PSC

La Méditerranée présente une variabilité spatio-temporelle particulière des trois classes de taille : l’abondance du Micro va de 2% dans les eaux du large à 75% dans les zones eutrophes.
Le Micro dénote une affinité pour les zones côtières eutrophes. En effet, le mécanisme du bloom du Micro semble varier d’un bassin à un autre ; en Méditerranée occidentale, le bloom de Micro est observé en Décembre-Mars, alors qu’en Méditerranée orientale, nous observons 2 blooms, le premier entre Décembre et Mars, et le deuxième pendant la période automnale.
De plus, des pourcentages élevés de Micro sont observables dans la mer des Baléares qui est caractérisée par des phénomènes de convection profonde. Simultanément, le Nano domine en répartition spatiale la Méditerranée durant les mois d’hiver et de printemps avec des pourcentages fluctuants entre 30% et >80% durant le bloom. Par contre, le Pico domine en été. La figure IV.2 montre l’abondance importante des classes Micro et Nano dans le bassin occidental, contrairement au bassin oriental. Le Pico présente un comportement antagoniste, où des abondances importantes sont observées dans le bassin oriental et pendant l’été.

Comparaison avec des séries temporelles de comptage de phytoplancton

Selon les équations 4, 5 et 6, les Micro sont représentés par la somme Fuco + Perid, le Nano avec la somme Chlb + 19HF + 19BF + Allo, et le Pico parla somme Zea + DVChlb. Les figures IV.4, IV.5, IV.6 et IV.7 montrent les comptages in-situ de micro- et de nano-phytoplancton ainsi que les DPs correspondants à chacune des 2 stations. Pour la station du Golfe de Naples, les comptages Micro vs. [Perid et Fuco] dénotent un coefficient de corrélation de Spearman (Rs)  significatif de 0.63 (pval <0.0001) et un Rs de 0.51 (pval <0,0001) a également été noté pour les comptages Nano vs. [Chlb 19HF, 19BF et Allo]. Et à la stat ion de la Manche, un Rs de 0.36 (pval <0,0001) a été noté pour les comptages de nano vs [Chlb 19HF, 19BF et Allo] et un Rs de 0,49 (pval <0,0001) pour les comptages de Synechococcus vs. [Zea].
Après avoir estimé la part de chaque PSC vis-à-vis de la Chla suivant les équations 8, 9 et 10, il en est résulté une série chronologique périodique avec un cycle annuel bien défini. Le Rs le plus élevé a été observé à la station du golfe de Naples avec un Rs significatif de 0.72 pour les comptages de nano par rapport à ChlaNano et de 0,69 pour les comptages de Micro par rapport à ChlaMicro. Enfin, la station de la Manche suit avec une corrélation modérée, avec un Rs significatif de 0.66 pour les comptages Synechococcus vs. ChlaPico et de 0.53 pour les comptages Nano vs. ChlaNano correspondant (Tableau IV.2).
En comparant les résultats de corrélation des comptages de phytoplancton vs. Chla OC5 avec ceux de ChlaPSC à chacune des stations, les ChlaMicro et ChlaNano ont montré une amélioration de 1 à 3% des valeurs de Rs par rapport à la Chla OC5. Pour le Synechococcus à la station de la Manche, ChlaPico vs Syne a montré une amélioration de 40% de la corrélation par rapport au Chla OC5 vs Syne.
Nous pouvons noter que l’utilisation des DPs dans l’estimation de la contribution de chaque PSC à la Chla a introduit une information spécifique relative à la dynamique temporelle de PSC. Cette constatation est bien mise en évidence par les résultats de la contribution de Synechococcus au Chla, tout en extrayant efficacement le cycle. En outre, ce résultat aide également à indiquer que le Nano et le Micro ont été les principaux contributeurs à la Chladans ces 2 stations, montrant de fortes corrélations avec ChlaOC5 et ChlaPSC.

Table des matières
Introduction Générale 
Chapitre I: Télédétection Marine, Phytoplancton ; Généralités 
1. Télédétection marine
1.1. Propriétés optiques apparentes et inhérentes des océans
1.2. Constituants de l’eau (optiquement significative)
1.3. Types des Eaux : Cas 1 et Cas 2
2. Le phytoplancton
2.1. Notion de Phytoplankton Size Class (PSC) et Phytoplankton Functional Type (PFT)
2.2. Méthodes d’identification et de caractérisation du Phytoplancton
2.3. Etude du phytoplancton depuis l’espace
Chapitre II: Télédétection de la Variabilité des Pigments Phytoplanctoniques Secondaires par Méthode
Neuronale ; Approche Globale
1. Introduction
2. Cartes de Kohonen
2.1. Idée de base
2.2. Architecture
2.3. Algorithme d’apprentissage
2.4. Propriétés
3. Estimation des pigments secondaires phytoplanctoniques à partir des images satellitaires en utilisant les SOM
Article 1: Estimation of secondary phytoplankton pigments from satellite observations using self-organizing maps (SOM)
1. Introduction
2. Materials
2.1. GlobColour Data
2.2. AVHRR SST Data
2.3. HPLC pigment Dataset
2.4. The experimental Database
3. The Proposed Method
3.1. Self-organizing maps (SOM), the general concept
3.2. Construction of the SOM
4. Results
4.1. Analysis of the SOM Organization and topology
4.2. Cross validation results
4.3. Estimation of pigment concentrations in the global ocean
5. Discussion
5.1. Comparison to other approaches deriving pigment concentrations
5.2. Uncertainties and quality control
5.3. Spatio-temporal variability of phytoplankton pigments
6. Conclusion
Chapitre III : La Méditerranée ; Caractéristiques Géographiques, Hydrodynamiques et Ecosystémiques
1. Caractéristiques géographiques et hydrodynamiques
2. Régime du vent
3. Circulation globale
3.1. Circulation de l’eau Atlantique
3.2. Circulation intermédiaire et thermohaline
4. Caractéristiques Ecosystémiques
Chapitre IV : Télédétection du Phytoplancton de la Méditerranée ; Approche Régionale 
1. Introduction
Partie 1 : Télédétection du groupe de phytoplancton dominant au niveau de la Méditerranée en
utilisant des cartes auto-organisatrices (SOM)
Article 2: Phytoplankton diversity in the Mediterranean Sea from satellite data using SelfOrganizing Maps
1. Introduction
2. Materials
2.1. The SOM-Pigments
2.2. Satellite Data
2.3. Med HPLC pigment Dataset (Med-Pigments)
3. The Proposed Method
3.1. Self-organizing maps (SOM), general concept
3.2. SOM-PFT: calibration and validation procedure
4. Results
4.1. Analysis of the SOM-PFT
4.2. Validation experiments
4.3. Distribution of dominant PFTs in the Mediterranean Sea
5. Discussion
5.1. Phytoplankton dynamic in the Mediterranean Sea
6. Conclusion
Partie 2 : Reconstruction de la variabilité spatio-temporelle des PSC au niveau la Méditerranée
1. Introduction
2. Matériels et méthodes
3. Résultats
3.1. Analyse de la variabilité des PSC
3.2. Comparaison avec des séries temporelles de comptage de phytoplancton
4. Discussion
4.1. La dynamique du phytoplancton dans la Méditerranée
4.2. Evaluation de la méthodologie
5. Conclusion
Chapitre V : Régionalisation de la Méditerranée par la méthode de 2S – SOM 
1. Introduction
2. Etat de l’art ; Biorégionalisation de la Méditerranée
3. Base de Données
3.1. Couleur de l’Océan
3.2. Climatologie de profondeur de la couche de Mélange, Mixed Layer Depth (MLD)
3.3. Base de données d’apprentissage
4. Méthodologie
4.1. Définition de l’Algorithme 2S-SOM
4.2. Fonctionnement de l’algorithme 2S-SOM
4.3. Application de l’algorithme
5. Résultat
5.1. Analyse de la 2S-SOM
5.2. Caractérisation des Cycles de Climatologie mensuelle de Chla, SST et MLD de Chaque classe
5.3. Distribution géographiques des classes
5.4. Etude de la variabilité du phytoplancton au niveau des biorégions Méditerranéennes
6. Conclusion
Conclusion Générale 
Références

Lire le rapport complet