海洋浮游植物贡献了全球超50%的氧气生产与固碳量，是维持地球宜居性的关键。浮游植物功能类群（Phytoplankton functional types, PFTs）的结构变化深刻影响碳汇、食物网及生物地球化学循环，对海洋健康至关重要。全球变暖加速了浮游植物群落分布变迁，威胁生态系统稳定。然而，现场观测数据严重不足，遥感观测成为了不可或缺的监测手段。

　　近日，河口海岸全国重点实验室沈芳研究员团队在海洋浮游植物类群高光谱遥感反演方面取得新进展。研究面向 NASA PACE 卫星搭载的海洋水色仪 OCI 高光谱数据，提出了基于“光谱数据重建-深度学习反演”的两阶段建模框架，在全球尺度上实现了8种浮游植物功能类群的高光谱遥感反演。

　　相关成果以Global estimation of phytoplankton functional types using PACE OCI hyperspectral data and a novel deep ensemble learning approach为题，发表于遥感领域国际著名期刊International Journal of Applied Earth Observation and Geoinformation。论文第一作者为博士毕业生张远，通讯作者为沈芳研究员。

 

 

 

1.文章亮点

　　研究提出了“光谱数据重建-深度学习反演”的两阶段建模框架：

　　（1）基于生成对抗网络的高光谱数据重建

　　在收集全球实测HPLC-高光谱配对数据的基础上，引入生成对抗网络，利用历史多光谱卫星观测数据（MODIS、MERIS、OLCI等）重构高光谱反射率。通过将重构光谱与历史HPLC样本匹配，构建了目前全球规模最大、光学多样性最丰富的HPLC-高光谱合成训练数据集，解决了高光谱建模中的数据稀缺问题。

　　（2）HyperPFT：基于深度集成学习的高光谱类群反演模型

　　研究进一步提出了面向高光谱类群反演的HyperPFT模型。该模型在集成学习框架中嵌入轻量化Transformer架构，通过Bootstrap重采样训练构建深度集成模型，在提升预测精度与鲁棒性的同时，实现了像素级预测不确定性的量化评估。

 

 

2.研究背景

　　精准识别和监测PFTs的组成与分布，对于海洋碳汇核算、海洋健康评估、预警有害藻华以及指导渔业管理等方面具有重要意义。2024年，NASA成功发射PACE卫星，其搭载的海洋水色高光谱传感器（Ocean Color Instrument, OCI）为PFTs的精细监测带来了前所未有的机遇。然而，实现全球尺度下的PFTs高光谱反演应用仍面临两方面挑战：一是缺乏大规模、高质量的同步观测数据支撑模型构建；二是传统反演方法难以适用于高光谱数据，亟需发展新型反演模型。

 

3.研究结果

　　结果表明，HyperPFT模型在8种浮游植物类群（Diatoms, Dinoflagellates, Haptophytes, Pelagophytes, Cryptophytes, Green Algae, Prokaryotes, and Prochlorococcus）的预测任务中表现稳健，在与其他机器学习算法的对比中显著领先，展现出更强的精度与泛化能力（图3）。

 

 

　　进一步将HyperPFT模型应用于PACE OCI高光谱数据，成功绘制了全球八种浮游植物功能类群的浓度分布图，揭示了不同类群的差异化分布格局。

 

 

 

4.文献信息

　　Zhang Y, Shen F, Li R, et al. Global estimation of phytoplankton functional types using PACE OCI hyperspectral data and a novel deep ensemble learning approach[J]. International Journal of Applied Earth Observation and Geoinformation, 2026, 148: 105225.