Сочетание прогнозов состояния океана с пониманием физиологии даёт возможность прогнозировать среду обитания на несколько лет вперёд для широкого спектра морских организмов. Однако ещё предстоит решить ряд проблем, прежде чем можно будет увидеть регулярное производство и использование прогнозов морской среды обитания.
Известная цитата, которую часто приписывают датскому физику Нильсу Бору, гласит, что трудно делать прогнозы, особенно если они касаются будущего. Однако утверждение Бора каждый день опровергается надёжными прогнозами погоды, определяющими нашу повседневную жизнь и выбор занятий. Но что, если бы мы могли заглянуть ещё дальше в будущее, например, на месяцы, годы или даже на десятилетие вперёд? Как это изменит планирование и поведение? Chen et al.1 открывают дверь к этой заманчивой возможности, предоставив общую демонстрацию способности прогнозировать среду обитания морских организмов в многолетнем временном масштабе. Этот результат открывает двери для новых применений прогнозов и новых подходов к управлению живыми морскими ресурсами.
Их новый результат основан, в первую очередь, на недавней разработке искусных систем многолетнего прогнозирования климата2. Прогнозирование климата лучше всего можно понимать как применение климатических моделей аналогично современной системе прогноза погоды, но с акцентом на характеристику статистических свойств погоды на месяцы и годы в будущем (вместо прогнозирования фактической погоды в определённый день). Высокие навыки прогнозирования особенно очевидны в океане, где более медленная динамика и высокая инерция (по сравнению с атмосферой) обеспечивают большие горизонты прогнозирования. Навыки прогнозирования в десятилетнем масштабе были продемонстрированы для многих аспектов океана, включая температуру поверхности моря, теплосодержание и циркуляцию океана3,4,5.
Возможность прогнозировать состояние океана имеет особое значение для управления живыми морскими ресурсами, поскольку на эти организмы сильно влияют изменения условий в океане. Большинство морских организмов являются «хладнокровными», и температура их тела (и, следовательно, физиология) равна температуре окружающей воды: поэтому её изменения оказывают прямое влияние на функционирование организма. Такие вариации проявляются по-разному, включая воздействие на воспроизводство, время ключевых событий, таких как миграция и нерест, а также места обитания видов (их распространение). Для развиваемых человечеством отраслей, которые зависят от живых морских ресурсов, эта изменчивость может создать огромные проблемы, и поэтому способность предвидеть изменения в будущем может повысить как производительность, так и устойчивость6. В некоторых отдельных случаях удалось разработать краткосрочные морские экологические прогнозы7 для поддержки принятия решений, особенно в отношении распределения видов.
Chen et al. рассматривают проблему того, как воспользоваться десятилетней предсказуемостью состояния океана (например, температуры, солёности и т.д.) для прогнозирования биологически значимых показателей. Хотя они не первые, кто сделал это, предыдущие усилия были сосредоточены на отдельных видах8 с использованием устоявшегося понимания того, как каждый из них находится под влиянием окружающей среды. Хотя такой подход вполне обоснован, весьма специфичный характер анализа затрудняет его применение к другим видам.
Chen et al. используют уникальный общий подход к проблеме, учитывая физиологические ограничения среды обитания вида. В частности, они применяют общий метаболический индекс9, основанный на физиологической модели толерантности организма к условиям с низким содержанием кислорода и того, как эта толерантность меняется в зависимости от температуры. Реакция таких разнообразных видов, как асцидии, крабы и креветки, может быть охарактеризована с помощью двух простых параметров. Прогнозы температуры, содержания кислорода и солёности, полученные с помощью систем прогнозирования климата, затем можно использовать для прогнозирования метаболического индекса.
Chen et al. показывают, что их прогнозы хорошо предсказывают метаболический индекс на несколько лет вперёд. Они способны разложить эту предсказуемость на различные исходные компоненты (например, температуру, солёность, содержание кислорода) и показать, что в ней преобладает кислородный компонент. Что наиболее важно, они также исследуют способность делать прогнозы по всему спектру рассматриваемых признаков организма, показывая наличие многолетней предсказуемости для большинства комбинаций факторов. Поэтому демонстрация многолетней предсказуемости обитания вида является скорее правилом, чем исключением.
Хотя работа Chen et al. прочно закладывает научную основу для прогнозирования среды обитания, остаётся ещё много проблем, прежде чем начнут появляться продукты морского экологического прогнозирования, основанные на этой работе. В частности, способность предсказывать среду обитания, как показано здесь, не обязательно совпадает со способностью предсказывать распространение вида. Среда обитания — это потенциальная территория, где может обитать вид, тогда как реальное распространение (где виды фактически обитают) — это лишь часть всей доступной среды обитания. На распределение влияют многие другие факторы, помимо метаболических ограничений, включая наличие пищи и добычи, присутствие хищников и поведенческие процессы, такие как динамика стайного обучения и необходимость размножения. Таким образом, способность предсказывать среду обитания не даёт автоматически возможности предсказывать распространение вида. Тем не менее, наличие подходящей среды обитания является необходимым условием присутствия вида в данном месте и, следовательно, может обеспечить механистическую основу для прогнозирования распространения, особенно в регионах, где распространение ограничено наличием среды обитания (например, на её окраинах).
Как такие прогнозы среды обитания и/или распределения могут быть использованы в контексте принятия решений, также является нерешённым вопросом. Управление как живыми морскими ресурсами, так и отраслями, зависящими от них, обычно сосредоточено на следующем году, и в настоящее время существует мало приложений, в которые такие многолетние прогнозы потенциально могут внести свой вклад. Более того, доступная среда обитания и распространение вида (как это изучается здесь) имеют меньшее значение для управления рыболовством по сравнению с доминирующим вопросом о продуктивности (и, следовательно, квоте на вылов рыбы) в ближайшие годы. Использование потенциала этих прогнозов требует особого внимания к тому, как их можно применять в контексте управления морской средой.
Эта работа также подчёркивает необходимость улучшения наблюдений за содержанием кислорода в океане. В предсказуемости среды обитания, продемонстрированной Chen et al., преобладает кислородный компонент метаболического индекса. Однако объём наблюдений за кислородом в океане относительно ограничен: Chen et al., например, были вынуждены использовать реконструкцию содержания кислорода в океане, а не тип прямых наблюдений, доступных, например, для температуры, которую можно измерить дистанционно со спутника. Таким образом, повышенное внимание к измерениям содержания кислорода в океане потенциально может улучшить нашу способность прогнозировать экологически значимые показатели и действительно может стать предпосылкой для оперативного составления экологических прогнозов.
В заключение, работа Chen et al. широко открывает двери для многолетнего экологического прогнозирования. В то время как предсказуемость ранее была продемонстрирована в единичных случаях, эти новые результаты показывают, что среду обитания можно предсказать в целом для всего спектра видов. Хотя делать прогнозы, особенно относительно будущего, всё ещё может быть сложно, научная основа для прогнозов среды обитания на несколько лет вперёд, похоже, уже имеется.
Ссылки
1 Chen, Z. et al. Skillful Multiyear Prediction of Marine Habitat Shifts Jointly Constrained by Ocean Temperature and Dissolved Oxygen. Nat. Commun. https://doi.org/10.1038/s41467-024-45016-5 (2024).
2 Merryfield, W. J. et al. Current and Emerging Developments in Subseasonal to Decadal Prediction. Bull. Am. Meteorol. Soc. 101, E869–E896 (2020).
3 Matei, D. et al. Multiyear Prediction of Monthly Mean Atlantic Meridional Overturning Circulation at 26.5 N. Science (80.). 338, 604–604 (2012).
4 Yeager, S. G., Karspeck, A., Danabasoglu, G., Tribbia, J. & Teng, H. A Decadal Prediction Case Study: Late Twentieth-Century North Atlantic Ocean Heat Content. J. Clim. 25, 5173–5189 (2012).
5 Matei, D. et al. Two Tales of Initializing Decadal Climate Prediction Experiments with the ECHAM5/MPI-OM Model. J. Clim. 25, 8502–8523 (2012).
6 Tommasi, D. et al. Improved management of small pelagic fisheries through seasonal climate prediction. Ecol. Appl. 27, 378–388 (2017).
7 Payne, M. R. et al. Lessons from the First Generation of Marine Ecological Forecast Products. Front. Mar. Sci. 4, 289 (2017).
8 Payne, M. R. et al. Skilful decadal-scale prediction of fish habitat and distribution shifts. Nat. Commun. 13, 2660 (2022).
9 Deutsch, C., Penn, J. L. & Seibel, B. Metabolic trait diversity shapes marine biogeography. Nature 585, 557–562 (2020).
Ссылка: https://www.nature.com/articles/s41467-024-45020-9