Télédétection appliquée à la
biogéochimie du soufre. Du DMSP phytoplanctonique aux émissions de DMS
Martí Galí Emmanuel Devred, Maurice Levasseur, Marcel Babin
Bordeaux, 9-10 février 2015
Plan de la présentation
1. Contexte: diméthylsulfure (DMS) et climat
1. Première étape: algorithme de télédétection du
precurseur algal diméthylsulfoniopropionate (DMSP):
2.1 Développement
2.2 Validation
2.3 Implémentation
3. Prochaines étapes: du DMSP au DMS.
1. Contexte: diméthylsulfure et climat
DMSaq
CH3-S-CH3
DMSair
• Principale source naturelle de S dans l’atmosphère:
• >90% des émissions biogéniques (marines et
terrestres).
• 20-30% des émissions totales:
anthropiques > biogéniques > volcaniques.
• Transport de S vers les continents.
(Lovelock et al. 1972, Bates et al. 1992)
1. Contexte: diméthylsulfure et climat
DMSaq
CH3-S-CH3
DMSair
• Oxydation atmosphérique: nucléation et
agrandissement d’aérosols.
• Aérosols de sulfate: noyaux de condensation de
nuages.
(Charlson et al. 1987, Andreae & Rosefeld 2008, Quinn &
Bates 2011, Lana et al. 2012)
Nuages
Aérosols
1. Contexte: diméthylsulfure et climat
DMSaq
CH3-S-CH3
DMSair
DMSP (phyto)
(CH3)2-S-CH2-CH2-COO-
• Précurseur algal: diméthylsulfoniopropionate. Molécule
intracellulaire multifonctionnelle.
• Clivage enzymatique DMSPDMS (favorisé par broutage,
senescence algale, virus...).
• 5-30% (moyenne ~15%) du DMSP transformé en DMS (Kiene et al. 2000, Simó 2001, Stefels et al. 2007)
>10% du C <1% du C
1. Contexte: diméthylsulfure et climat
DMSaq
CH3-S-CH3
DMSair
• DMSaq oxydé dans la colonne d’eau:
• Consommation bactérienne
• Photo-oxydation (indirecte)
• 5-15% (moyenne < 10%) de la production
brute de DMS se rend dans l’atmosphère.
DMSP (phyto)
(CH3)2-S-CH2-CH2-COO-
1. Contexte: diméthylsulfure et climat
DMSaq
CH3-S-CH3
DMSair Nuages
Aérosols
DMSP (phyto)
(CH3)2-S-CH2-CH2-COO-
RÉTROACTION
CLIMATIQUE? (Charlson et al. 1987,
Quinn & Bates 2011)
(Galí et al. 2011, 2013)
2. Le précurseur DMSP: algorithme de télédétection
Objectif
Développer, valider et implémenter un modèle diagnostique d’échelle globale pour
prédire la concentration de DMSP totale (DMSPt) à partir des observations satellitaires.
Global Surface Seawater
DMS database http://saga.pmel.noaa.gov/dms/
DMS, DMSPt, Chl a, SST, Sal, etc.
Sources de données
Climatologies
• Mixed layer depth (MLD) http://www.pmel.noaa.gov/mimoc/
(Schmidtko et al. 2013)
Produits satellitaires
• Chl a, PIC (SeaWiFS, MODIS-A)
• SST (AVHRR)
2.1 Développement
“Mélangé”
Rapport ZEU/MLD (interaction entre stratification et lumière)
sépare deux régimes
DMSPt vs Chl (in situ):
• Données de surface seulement (z < 10 m)
• Couche euphotique: ZEU = f(Chl) (Morel et al. 2007 RSE, eq. 10)
• MLD: climatologie mensuelle 0.5°x0.5°
“Stratifié”
2.1 Développement
“Stratifié”
“Mélangé”
Cocco
Floraisons de coccolithophores identifiées et regroupées
dans « régime stratifié »
DMSPt vs Chl (in situ):
• Données de surface seulement (z < 10 m)
• Couche euphotique: ZEU = f(Chl) (Morel et al. 2007 RSE, eq. 10)
• MLD: climatologie mensuelle 0.5°x0.5°
2.1 Développement
R2 = 0.60
RMSE = 0.32
R2 = 0.46
RMSE = 0.32
R2 = 0.50
RMSE = 0.35
(ensemble)
2.1 Développement
Log10DMSPt = a + b log10Chl + c (log10Chl)2 + d SST + e SST2
Log10DMSPt = α + β log10Chl + γ log10(Zeu/MLD)
Régime stratifié
R2 = 0.72, RMSE = 0.27
n = 1220
Régime mélangé
R2 = 0.52, RMSE = 0.29
n = 355
ANALYSE
DE
RÉSIDUS SST
log10(ZEU/MLD)
2.1 Développement
Bonne performance en utilisant des
données in situ
Claire amélioration d’un
modèle précèdent
2.1 Développement
Et s’il n’y a pas des données valides de Chl?
Dans des floraisons de coccolithophores modèle basé sur PIC.
R2 = 0.29, RMSE = 0.26, n = 62
Seuil de PIC = 1.5
mmol m-3
2.2 Validation
Satellite data
(Chl, SST, PIC)
MLD
climatology
Chl
available? Y
Stratified regime
Chl-based model Y
Validation: performance de l’algorithme quand les données in situ
sont substituées par données satellitaires: Chl « match-ups »
(L3BIN)
8-DAY DAY
SeaWiFS
MODIS-Aqua
Mixed regime
Chl-based model N
PIC-based model N ZEU/MLD > 1
or PIC > 1.5
mmol m-3?
STATS
?
2.2 Validation
2.2 Validation
2.2 Validation
• Performance similaire (RMSE ≤ 0.27) avec Chl in situ vs satellitaire.
• Comportement RMSE comme attendu:
• 1 DAY < 8 DAY.
• 1 pixel < (3x3 ou 5x5).
• RMSE augmente avec erreur ChlSAT par rapport à ChlIN SITU.
2.3 Implémentation Juill
et
Janvie
r
(À partir d’images 8-DAY)
Sathyendranath et al. 2009
2.3 Implémentation
(Longhurst et al. 1995, Longhurst 2010)
Est-ce qu’on capture la
saisonnalité dans des différents
régimes océanographiques?
Clim Chl SAT Clim DMSPtSAT Obs.
Mélangé Transition Stratifié
3. Prochaines étapes: vers la prédiction du DMS
[DMS]aq ≈ [DMSPt]* YieldDMS / (kbact + kphoto + kvent)
DMSaq
CH3-S-CH3
DMSair
DMSP (phyto)
(CH3)2-S-CH2-CH2-COO-
(Galí & Simó, submitted)
3. Prochaines étapes: vers la prédiction du DMS
Ed(λ)
Wind Stress
Phytoplankton dynamics
Circulation Meltwater Runof
f
SST Salinity
MLD, stratification
CDOM
(Galí & Simó 2010,
Levasseur 2013)
(Ardyna et al. 2013, 2014;
Matsuoka et al. 2013)
[DMS]aq ≈ [DMSPt]* YieldDMS / (kbact + kphoto + kvent)
MERCI!
Sarah-Jeanne Royer, Maxime Benoît-Gagné, Eric
Rehm
2. Algorithme de télédétection pour le DMSP
2.2 Validation
2.3 Implémentation
Est-ce qu’on capture la saisonnalité dans des différents régimes
océanographiques?
(Longhurst et al. 1995, Longhurst 2010)
3. Prochaines étapes: vers la prédiction du DMS
[DMS]steady state = [DMSPt]* YieldDMS / (kbact + kphoto + kvent)
f[Wind Speed, SST,
MLD, Sal]
(Goddijn-Murphy et al.
2012, Land et al. 2014)
f[Ed(λ), CDOM, MLD,
SST, Sal]
(Toole et al. 2003, Bélanger
et al. 2006, Taalba et al.
2013)
f[Ed(λ), MLD,
others]
Galí & Simó
(under review...)
3. Prochaines étapes: vers la prédiction du DMS
[DMS]steady state = [DMSPt]* YieldDMS / (kbact + kphoto + kvent)
f[Wind Speed, SST,
MLD, Sal]
(Goddijn-Murphy et al.
2012, Land et al. 2014)
f[Ed(λ), CDOM, MLD,
SST, Sal]
(Toole et al. 2003, Bélanger
et al. 2006, Taalba et al.
2013)
f[Ed(λ), MLD,
others]
Galí & Simó
(under review...)
Ed(λ)
Meltwater SST Runof
f
Wind Stress
CDOM Phytoplankton
dynamics
Circulation
MLD/stratification
Salinity