Comment on egusphere-2022-1421
Abstract
Abstract. Ocean color remote sensing offers two decades-long time series of information on phytoplankton abundance. However, determining the structure of the phytoplankton community from this signal is not straightforward, and many uncertainties remain to be evaluated, despite multiple intercomparison efforts of the different available algorithms. Here, we use remote sensing and machine learning to infer the abundance of seven phytoplankton groups at a global scale based on a new molecular method from Tara Oceans. Our dataset is to our knowledge the most comprehensive and complete, available to describe phytoplankton community structure at a global scale using a molecular marker that defines relative abundances of all phytoplankton groups simultaneously. The methodology shows satisfying performances to provide robust estimates of phytoplankton groups using satellite data, with few limitations regarding the global generalization of the method. Furthermore, this new satellite-based methodology allows a valuable global intercomparison with the pigment-based approach used in in-situ and satellite data to identify phytoplankton groups. Nevertheless, these datasets show different, yet coherent information on the phytoplankton, valuable for the understanding of community structure. This makes remote sensing observations excellent tools to collect Essential Biodiversity Variables and provide a foundation for developing marine biodiversity forecasts.
Authors 6
-
Centre National de la Recherche Scientifique · Université de Lille · Laboratoire d’Océanologie et de Géosciences · Institut de Recherche pour le Développement
Affiliation as printed
Univ. Littoral Côte d’Opale, Univ. Lille, CNRS, IRD, UMR 8187, LOG, Laboratoire d’Océanologie et de Géosciences, F 62930 Wimereux, France
-
Centre National de la Recherche Scientifique · Harvard University · Inserm · Université Paris Sciences et Lettres · Institut de Biologie de l'École Normale Supérieure
Affiliation as printed
FAS Division of Science, Harvard University, Cambridge, MA
Institut de Biologie de l’Ecole Normale Supérieure (IBENS), Ecole Normale Supérieure, CNRS, INSERM, Université PSL, 75005 Paris, France
-
Centre National de la Recherche Scientifique · Naturalis Biodiversity Center · Inserm · Université Paris Sciences et Lettres · Institut de Biologie de l'École Normale Supérieure
Affiliation as printed
Institut de Biologie de l’Ecole Normale Supérieure (IBENS), Ecole Normale Supérieure, CNRS, INSERM, Université PSL, 75005 Paris, France
Naturalis Biodiversity Center, 2300 RA Leiden, The Netherlands
-
Centre National de la Recherche Scientifique · Université de Lille · Laboratoire d’Océanologie et de Géosciences · Institut de Recherche pour le Développement
Affiliation as printed
Univ. Littoral Côte d’Opale, Univ. Lille, CNRS, IRD, UMR 8187, LOG, Laboratoire d’Océanologie et de Géosciences, F 62930 Wimereux, France
-
Marina Lévy corresponding
Centre National de la Recherche Scientifique · Sorbonne Université · Institut Pierre-Simon Laplace · Laboratoire d'Océanographie et du Climat : Expérimentations et Approches Numériques · Institut de Recherche pour le Développement · Structure et Instabilité des Génomes
Affiliation as printed
Sorbonne Université, LOCEAN-IPSL, Laboratoire d’Océanographie et du Climat; Expérimentations et Approches Numériques, CNRS, IRD, MNHN, 75005 Paris, France
Expérimentations et Approches Numériques, CNRS, IRD, MNHN, 75005 Paris, France
Sorbonne Université, LOCEAN-IPSL, Laboratoire d’Océanographie et du Climat
-
Chris Bowler corresponding
Centre National de la Recherche Scientifique · Inserm · Université Paris Sciences et Lettres · Institut de Biologie de l'École Normale Supérieure
Affiliation as printed
Institut de Biologie de l’Ecole Normale Supérieure (IBENS), Ecole Normale Supérieure, CNRS, INSERM, Université PSL, 75005 Paris, France
Cited by 0 stored of 0
No patents citing this paper on Lens.org (checked 2026-10-11).