Global observation of plankton communities from space

Abstract Satellite remote sensing from space is a powerful way to monitor the global dynamics of marine plankton. Previous research has focused on developing models to predict the size or taxonomic groups of phytoplankton. Here we present an approach to identify representative communities from a glo...

Full description

Bibliographic Details
Main Authors: Kaneko, Hiroto, Endo, Hisashi, Henry, Nicolas, Berney, Cédric, Mahé, Frédéric, Poulain, Julie, Labadie, Karine, Beluche, Odette, El Hourany, Roy, Chaffron, Samuel, Wincker, Patrick, Nakamura, Ryosuke, Karp-Boss, Lee, Boss, Emmanuel, Bowler, Chris, de Vargas, Colomban, Tomii, Kentaro, Ogata, Hiroyuki
Other Authors: Institute for Chemical Research, Kyoto University, ABiMS - Informatique et bioinformatique = Analysis and Bioinformatics for Marine Science (ABIMS), Fédération de recherche de Roscoff (FR2424), Station biologique de Roscoff = Roscoff Marine Station (SBR), Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Station biologique de Roscoff = Roscoff Marine Station (SBR), Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS), Global Oceans Systems Ecology & Evolution - Tara Oceans (GOSEE), Université de Perpignan Via Domitia (UPVD)-École Pratique des Hautes Études (EPHE), Université Paris Sciences et Lettres (PSL)-Université Paris Sciences et Lettres (PSL)-Aix Marseille Université (AMU)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université d'Évry-Val-d'Essonne (UEVE)-Université de Toulon (UTLN)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Sorbonne Université (SU)-Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes 2016-2019 (UGA 2016-2019 )-Institut de Recherche pour le Développement (IRD France-Nord )-Ecole Normale Supérieure Paris-Saclay (ENS Paris Saclay)-European Molecular Biology Laboratory (EMBL)-NANTES UNIVERSITÉ - École Centrale de Nantes (Nantes Univ - ECN), Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ)-Université australe du Chili, Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS), Plant Health Institute of Montpellier (UMR PHIM), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut de Recherche pour le Développement (IRD)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Montpellier (UM), Département Systèmes Biologiques (Cirad-BIOS), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad), Genoscope - Centre national de séquençage Evry (GENOSCOPE), Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA), Institut de biologie de l'ENS Paris (IBENS), Département de Biologie - ENS Paris, École normale supérieure - Paris (ENS-PSL), Université Paris Sciences et Lettres (PSL)-Université Paris Sciences et Lettres (PSL)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)-École normale supérieure - Paris (ENS-PSL), Université Paris Sciences et Lettres (PSL)-Université Paris Sciences et Lettres (PSL)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS), Laboratoire des Sciences du Numérique de Nantes (LS2N), Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom Paris (IMT)-Institut Mines-Télécom Paris (IMT)-NANTES UNIVERSITÉ - École Centrale de Nantes (Nantes Univ - ECN), Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ)-Nantes université - UFR des Sciences et des Techniques (Nantes univ - UFR ST), Nantes Université - pôle Sciences et technologie, Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ)-Nantes Université - pôle Sciences et technologie, Nantes Université (Nantes Univ), National Institute of Advanced Industrial Science and Technology (AIST), University of Maine, School of Marine Sciences, ECOlogy of MArine Plankton (ECOMAP), Adaptation et diversité en milieu marin (ADMM), Centre National de la Recherche Scientifique (CNRS)-Station biologique de Roscoff = Roscoff Marine Station (SBR), Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS)-Station biologique de Roscoff = Roscoff Marine Station (SBR)
Format: Report
Language:English
Published: HAL CCSD 2022
Subjects:
Online Access:https://hal.science/hal-03855690
https://hal.science/hal-03855690/document
https://hal.science/hal-03855690/file/2022.09.23.508961v1.full.pdf
https://doi.org/10.1101/2022.09.23.508961
Description
Summary:Abstract Satellite remote sensing from space is a powerful way to monitor the global dynamics of marine plankton. Previous research has focused on developing models to predict the size or taxonomic groups of phytoplankton. Here we present an approach to identify representative communities from a global plankton network that included both zooplankton and phytoplankton and using global satellite observations to predict their biogeography. Six representative plankton communities were identified from a global co-occurrence network inferred using a novel rDNA 18S V4 planetary-scale eukaryotic metabarcoding dataset. Machine learning techniques were then applied to train a model that predicted these representative communities from satellite data. The model showed an overall 67% accuracy in the prediction of the representative communities. The prediction based on 17 satellite-derived parameters showed better performance than based only on temperature and/or the concentration of chlorophyll a . The trained model allowed to predict the global spatiotemporal distribution of communities over 19-years. Our model exhibited strong seasonal changes in the community compositions in the subarctic-subtropical boundary regions, which were consistent with previous field observations. This network-oriented approach can easily be extended to more comprehensive models including prokaryotes as well as viruses.