Stima della produzione primaria pelagica nel mar Mediterraneo attraverso il modello PhytoVFP: validazione e applicazione a dati in situ e telerilevati

Abstract

La produzione primaria (PP) operata dal fitoplancton svolge un ruolo chiave nel ciclo del carbonio. Il fitoplancton rappresenta l'1% della biomassa totale terrestre ma contribuisce al 40% della PP globale. Questo processo, controllando gli scambi di CO2 tra atmosfera ed oceano, ha un importante feedback sui cambiamenti climatici. Lo scopo di questo lavoro di tesi è stato quello di migliorare la stima della PP fitoplanctonica mediante l'upgrade del modello PhytoVFP. Questo scopo è stato raggiunto tenendo conto di processi fisici (mescolamento della colonna d'acqua) e biologici (fotoacclimatazione del fitoplancton) integrati in nuovi moduli di calcolo. La nuova struttura del modello consente l'utilizzo sia di dati acquisiti in situ dalla sonda Primprod 1.08, che tramite il metodo pump-and-probe rileva l'efficienza fotosintetica del fitoplancton, sia di dati satellitari. Il primo modulo modellizza l'effetto della fotoacclimatazione sul processo produttivo. E' stata simulata la variazione dei parametri fotosintetici in risposta alle condizioni dinamiche della colonna d'acqua (stratificazione o mescolamento), e alla loro variazione circadiana, a partire dai risultati di esperimenti condotti sulla diatomea Skeletonema costatum. Il modello modificato con l'inserimento del nuovo modulo è stato sottoposto ad analisi di sensibilità, ottimizzazione e validazione con dati in situ (stime di 14C campagne SAMCA 3 e SAMCA 4). I risultati del modello sono stati confrontati con quelli ottenuti con le versioni precedenti dello stesso e con i risultati del modello di Morel mostrando in entrambi i casi un minore errore associato alla stima. Il secondo modulo ha permesso di stimare la PP a meso e macroscala a partire da dati telerilevati. Per sviluppare questo modulo è stata messa a punto una rete neurale artificiale per la stima dei profili di biomassa efficiente lungo la colonna d'acqua utilizzando come dati di input valori telerilevati o modellati. La rete è stata addestrata ed i risultati validati utilizzando un dataset costituiti da 250 profili di biomassa efficiente acquisiti con la sonda PrimProd1.08 durante 8 campagne oceanografiche. Il modello integrato dei due nuovi moduli è stato applicato nel mar di Sardegna e la PP è stata stimata a livello delle strutture fisiche a mesoscala che caratterizzano il bacino algero-provenzale, valutandone l'effetto sul processo produttivo. Il modello si è dimostrato in grado di effettuare stime di PP attendibili sia a partire da dati in situ che telerilevati in acque di caso I. Tuttavia con una scelta opportuna di valori da assegnare ai parametri coinvolti nella stima è stato possibile ridurre l'errore anche in acque di caso II.

Phytoplankton primary production (PP) plays a key role in the carbon cycle. Phytoplankton represents 1% of the total terrestrial biomass but contributes 40% of global PP. The PP controls atmospheric CO2 content and has an important impact on climate change. This thesis aimed phytoplankton PP estimation by upgrading the PhytoVFP (Phytoplankton Variable Fluorescence Production) model. The new proposed model integrates both physical (i.e. water column mixing) and biological (i.e. phytoplankton photoacclimatation) processes into new calculation modules. The new model can use both in situ data, acquired by the Primprod 1.08 probe, which detects the photosynthetic efficiency of phytoplankton by the pump-and-probe method, both remote sensing data. The first new module modeled the effect of photoacclimatation on the production process. The photosynthetic parameters variation in response to water column dynamic conditions (i.e. stratified or mixed water column) and their circadian variation was simulated, using the diatom Skeletonema costatum as a test case. This modified model containing the new module was subjected to sensitivity, optimization, and validation analysis with in situ data (i.e. 14C PP estimation during SAMCA 3 and SAMCA4 cruises). The model results were compared to the results of the earlier PhytoVFP versions and to the results of the Morel model, and in both comparisons it showed a lower error associated with the PP estimation than the other models. Thus a second new module was developed that allowed the model to apply data obtained from remote sensing data to the PP estimation at a meso- and macroscale. To develop this module, an artificial neural network was developed to estimate efficient biomass profiles using remote sensed or modeled values as data input. The network was trained and the results validated using a dataset of 250 efficient biomass profiles acquired by the PrimProd1.08 probe during oceanographic cruises. The new model was applied in the Sardinia Sea and the PP was estimated in corrispondence of the mesoscale physical structures that characterize the Algerian-Provencal basin, in order to evaluate their effect on the production process. The model gave an accurate PP estimation both from in situ both from remote sensing data in case I waters. However, by an appropriate choice of evaluation parameters values the reduction of the estimation error even in the case II waters has been possible.