Krill, klima og kiselalger

Kiselalgen som krumtap i det antarktiske økosystem

I en artikel i Nature Climate Change juli 2025 peger forskere på, at variationer i forskellige typer planteplankton kan hænge sammen med ændringer i havisens dække af oceanet. Førsteforfatter til artiklen er oceanografen Alexander Hayward fra Danmarks Meteorologiske Institut, som fortæller:

”En af de vigtigste grupper af planteplankton er kiselalgerne. De er ret store og ret tunge og fulde af næringsstoffer. Når de dør, synker de hurtigt ned på havets bund sammen med det kulstof, der er bundet i dem. Kulstoffet bliver så nede på bunden og vil ikke blive frigivet til atmosfæren.”

”På samme måde vil klumper af afføring fra de dyr, der æder kiselalgerne, synke til bunds og tage kulstoffet i afføringen med ned – som derfor gør kulstoffet utilgængeligt for atmosfæren. Og det kommer klimaet til nytte, fordi kulstoffet på havbunden så ikke kan omdannes til CO₂ i atmosfæren. Der findes milliarder af kiselalger i havet, og nogle forskere har vurderet, at ca. 10% af den menneskeskabte CO₂, der til enhver tid er i atmosfæren, bliver optaget i kiselalgerne og aflejret på havbunden. Derfor er de ekstremt vigtige dyr også i en klimasammenhæng.”

Nu har oceanograferne så opdaget, at fra 2016 blev vandet omkring Antarktis varmere og havisen mistede udstrækning. Forskerne har analyseret data, der viser, at i perioden 1997-2023 faldt mængden af kiselalger betragteligt – dog med en mindre stigning i 2017 over nogle enkelte af Antarktis’ havområder.

For at føje spot til skade blev der også målt mindre jern i vandet omkring Antarktis. Jern er et grundstof, som er vigtigt for kiselalgernes fotosyntese og vækst.

Til gengæld steg havets indhold af haptofytter og kryptofytter, der, som kiselalgerne, også er planteplankton. Men som er langt mindre og ikke kan udnyttes som føde af krill på samme måde som kiselalgerne.

 

Størrelsen på måltidet betyder noget

Både haptofytter og kryptofytter er mikroalger og er meget mindre end kiselalgerne. Hvis man skulle sammenligne deres størrelser, og kiselalgerne størrelsesmæssigt er tættere på Manhattan, så ville haptofytter være tættere på fiskestørrelse. Størrelsesordnen er fra millimeter til nanometer. Og for en krill er der simpelthen ikke nok energi i et måltid med bittesmå mikroalger – der skal større kiselalger til.

Det betyder så, at selvom der er uanede mængder af de små fytter, så kan de ikke bruges som føde for krill. Det er her, det bliver kritisk for hele fødekæden – fra krill til hvaler. For uden den energi, de store mængder krill får gennem deres måltider af kiselalger, risikerer vi, at der bliver langt færre af de små krebsdyr.

Den stigende mængde af mikroalger på bekostning af kiselalger risikerer også at påvirke os mennesker, fordi mikroalgerne ikke transporterer CO₂ ned på havbunden. Mikroalgerne er så små, at de kun synker langsomt ned, når de dør, og derfor går i opløsning inden de er særligt dybt. Dermed forbliver CO₂ i havvandet og ender til sidst oppe i atmosfæren.

Noget andet, der også ender i atmosfæren, er stoffet DMSP, som er en svovlforbindelse. Haptofytterne udskiller DMSP, som siver op i luften, hvor det kan påvirke atmosfæren og vejret ved at danne skyer og nedbør.

 

Pigmentmålinger fra rummet og maskinlæring

Pigmenter er naturens farvestoffer. Karoten giver guleroden sin farve, og klorofyl gør grønne planter grønne – og findes også i planteplankton. Klorofyl kan derfor bruges som en tilnærmelse til at bestemme mængden af organisk stof, der er i vandet. Så Alexander Hayward samlede en database med 14.824 pigmentprøver indsamlet i Antarktis i perioden 1997-2023 og sammenholdt dem med satellitbilleder fra de samme områder i samme tidsrum.

Ved at koble pigmentprøver sammen med satellitbilleder og bruge maskinlæring/AI, kunne han og hans forskerkolleger sammenstykke kort, der viser variationer i forekomsten af de forskellige typer alger omkring i de antarktiske farvande. Her er maskinlæringen essentiel, fordi data på nogle af lokaliteterne til tider er mangelfuld. Det kan maskinlæringen dog gennem avancerede matematiske modeller rette op på. Som Alexander Hayley siger:

”Det er virkelig nyttigt at kunne bruge de observationer, vi har, til gennem maskinlæring at kunne udfylde de steder, hvor vi ikke har observationer.”