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