黃渤海海水中葉綠素a的分布特征及其環(huán)境影響因素

周艷蕾,張傳松,石曉勇,2*,蘇榮國

?

黃渤海海水中葉綠素a的分布特征及其環(huán)境影響因素

周艷蕾1,張傳松1,石曉勇1,2*,蘇榮國1

(1.中國海洋大學(xué)化學(xué)化工學(xué)院,山東青島 266100；2.國家海洋局海洋減災(zāi)中心,北京 100194)

基于2013年夏、秋季和2014年春季黃渤海海域調(diào)查數(shù)據(jù),分析了該海域葉綠素a的含量、分布特征及其環(huán)境影響因素(溫度、鹽度、pH值、溶解無機(jī)氮、硅酸鹽、磷酸鹽).結(jié)果表明:2013年夏、秋季和2014年春季,黃渤海海水中葉綠素a含量范圍分別是0.918~9.287,1.477~6.435,1.837~5.966mg/L,平均濃度分別為3.527 ,3.467,3.524mg/L;夏季和春季葉綠素a含量略高,秋季葉綠素a含量最低且變化范圍較小;渤海海域葉綠素a分布具有明顯區(qū)域特征,其分布基本呈近岸高、中部海域低的分布趨勢(shì);將水質(zhì)參數(shù)作為自變量輸入支持向量機(jī)(SVM)中,GA-SVM算法擬合效果(2>0.9)和精確度(MSE<0.01)較好,不同水質(zhì)參數(shù)對(duì)海水葉綠素a含量的影響相對(duì)重要性具有季節(jié)差異,夏季,對(duì)海水葉綠素a含量影響最重要是磷酸鹽和溫度;秋季,對(duì)于海水葉綠素a含量影響最重要是硅酸鹽和鹽度;春季,對(duì)于海水葉綠素a含量影響最重要的是鹽度和溶解無機(jī)氮.所有調(diào)查季節(jié),對(duì)于海水葉綠素a含量影響最重要的是鹽度和磷酸鹽.綜合參數(shù)影響重要性,表明陸源輸入是黃渤海海域葉綠素a含量的最重要影響因素.

黃渤海；葉綠素a；相關(guān)性分析；支持向量機(jī)

渤海是我國最大的內(nèi)海,黃海屬于半封閉淺海,均有大量的陸源輸入,黃渤海海域水體與外部海域水體交換周期長、水交換能力弱,且黃渤海海域水體更新速度慢、自凈能力較差,容易導(dǎo)致營養(yǎng)物質(zhì)積累[1].目前,黃渤海海水富營養(yǎng)鹽化現(xiàn)象日益增強(qiáng),引起浮游植物的快速生長和繁殖[2-3],導(dǎo)致赤潮和綠潮事件頻繁爆發(fā),嚴(yán)重威脅了黃渤海海域的生態(tài)系統(tǒng)[4].

葉綠素a(Chl-a)是富營養(yǎng)化常見的響應(yīng)指標(biāo),是藻類光合作用的主要色素,可以利用Chl-a來評(píng)估藻類生長狀況[5-6].近年來,有很多研究報(bào)道關(guān)于水體中Chl-a的分布與環(huán)境因子的關(guān)系[7].李飛鵬等[8]研究發(fā)現(xiàn)在小型封閉水體環(huán)境中Chl-a分布與水溫、濁度、總氮和總磷呈顯著正相關(guān)關(guān)系; Ma等[9]研究發(fā)現(xiàn)棘洪灘水庫中Chl-a分布和總氮、溶解氧之間呈顯著性負(fù)相關(guān)關(guān)系.在海洋生態(tài)系統(tǒng)中,Chl-a分布的影響因子眾多、與環(huán)境因子之間具有復(fù)雜多變的線性、非線性關(guān)系[10-11].支持向量機(jī)(support vector machine, SVM)是以機(jī)械學(xué)習(xí)理論為基礎(chǔ),構(gòu)建而成的簡(jiǎn)單明了的數(shù)學(xué)模型.支持向量機(jī)算法對(duì)數(shù)據(jù)量小、數(shù)據(jù)特征弱、數(shù)據(jù)非線性等問題有良好的泛化能力[12].目前,支持向量機(jī)算法在預(yù)測(cè)水體中Chl-a的分布得到成功應(yīng)用[13-14].但利用支持向量機(jī)算法描述環(huán)境因子對(duì)Chl-a的影響作用方面鮮有報(bào)道.

本研究基于2013年夏、秋季和2014年春季的黃渤海海域大面調(diào)查數(shù)據(jù),分析了該海域Chl-a的分布特征及影響因素,并利用支持向量機(jī)算法建立了環(huán)境因素與Chl-a分布的定量關(guān)系,在近海海域生態(tài)環(huán)境研究和監(jiān)測(cè)提供支持.

1 材料與方法

1.1 研究海域

圖1 黃渤海站位

現(xiàn)場(chǎng)調(diào)查于2013年夏季(6月)、2013年秋季(11月)和2014年春季(4月)搭載中國海洋大學(xué)“東方紅2號(hào)”調(diào)查船在黃、渤海海域進(jìn)行,調(diào)查范圍均為:118°E~126°E、31°N~40°N(圖1).

1.2 樣品采集及測(cè)定

使用CTD獲取不同站位海水鹽度()、溫度()等水質(zhì)參數(shù),同時(shí)使用Niskin采水器采集水樣,水樣使用GF/F(Whatman,450℃灼燒4.5h)濾膜過濾,按照《海洋監(jiān)測(cè)規(guī)范》(GB17378-2007)確定過濾體積為300~500mL,過濾后收集濾膜用錫紙包裹于-20℃冷凍保存用于測(cè)定Chl-a.Chl-a采用紫外可見分光光度計(jì)測(cè)定.

取未過濾的水樣用醋酸纖維膜過濾,用高密度聚乙烯瓶子(Nalgene)裝濾液于-20℃冷凍保存.硝酸鹽(NO3--N)、亞硝酸鹽(NO2--N)、磷酸鹽(PO43--P)、硅酸鹽(SiO32--Si)采用QUAATRO型營養(yǎng)鹽自動(dòng)分析儀測(cè)定.氨氮(NH4+-N)采用次溴酸鈉氧化法手工測(cè)定.其中,DIN=NH4+-N +NO3--N +NO2--N.

使用Winkler碘量法對(duì)溶解氧(DO)進(jìn)行現(xiàn)場(chǎng)測(cè)定.pH值采用復(fù)合電極法進(jìn)行現(xiàn)場(chǎng)測(cè)定.

1.3 數(shù)據(jù)處理

數(shù)據(jù)處理與分析使用SPSS19.0和MATLAB12.0等軟件完成;SPSS19.0完成Chl-a分布與水質(zhì)參數(shù)之間的Pearson相關(guān)性分析. LIBSVM工具包[15]安裝到MATLAB12.0實(shí)現(xiàn)Chl-a分布與水質(zhì)參數(shù)的支持向量機(jī)基回歸分析.

2 結(jié)果與討論

2.1 黃渤海水質(zhì)參數(shù)變化特征

如表1所示,由于不同季節(jié)海域風(fēng)、冷水團(tuán)、大氣壓力等因素影響不同[16],導(dǎo)致春季比夏、秋季的海水溫度偏低;相對(duì)于春、夏季,秋季海水鹽度明顯大,該海域在夏季(6~8月)降水量占年降水量的60%以上,春季(4月)降水量大于秋季(11月)[17],因此這是由于不同季節(jié)的陸源輸入及降水量的不同所造成的結(jié)果;秋季黃渤海域的DIN、PO43--P和SiO32--Si平均含量均高于春、夏季,分別是春季的1.62、4.27和3.34倍,是夏季的1.57、3.62和2.73倍,且春夏季的營養(yǎng)鹽結(jié)構(gòu)變化幅度較大,大部分站位的N:P比和Si:P比高于Redfield值.這可能是由于春季海域浮游植物處于增殖期,生長繁殖能力增強(qiáng),消耗大量營養(yǎng)鹽,同時(shí)溫躍層開始形成,上下水體得不到有效的交換,沉積物釋放的營養(yǎng)鹽不能向上補(bǔ)充.而秋季(末)海域浮游植物處于衰減期,海水溫度較低,浮游植物對(duì)營養(yǎng)鹽的吸收減弱,且海水中浮游生物開始消亡釋放營養(yǎng)鹽,同時(shí),溫躍層逐漸消失,黃海冷水團(tuán)逐漸上涌,上下水體得到有效交換,底層營養(yǎng)鹽向上補(bǔ)充,使?fàn)I養(yǎng)鹽水平逐漸升高.

表1 黃渤海水質(zhì)參數(shù)統(tǒng)計(jì)

注:溫度的單位為℃, PO43--P, SiO32--Si, DIN的含量單位為μmol/L; n.d.表示未檢出.

2.2 黃渤海水體葉綠素時(shí)空分布特征及其與環(huán)境因子的相關(guān)性

夏季(6月),黃渤海區(qū)域海水中Chl-a含量范圍為0.918~9.287mg/L,平均濃度為3.527mg/L.由圖2可知,海水中Chl-a分布呈近岸高,遠(yuǎn)岸低的特征,此分布特征在渤海灣內(nèi)和北黃海尤為顯著,并且夏季海水中Chl-a含量與鹽度呈顯著性負(fù)相關(guān)(<0.05),其原因是渤海灣和北黃海屬于半封閉淺海,許多河流對(duì)渤海進(jìn)行淡水輸入[18],使得其有大量的營養(yǎng)鹽輸入,促使浮游植物的生長,從而海水中Chl-a含量升高;低值區(qū)主要位于黃海中部,并且夏季海水中Chl-含量與溫度呈極顯著性正相關(guān)(<0.01),其原因可能是夏季黃海中部存有冷水團(tuán)[19],浮游生物活動(dòng)受溫度限制所致.

秋季(11月),黃渤海區(qū)域海水中Chl-a含量范圍為1.477~6.435mg/L,平均濃度是3.467mg/L.海水中Chl-a高值區(qū)基本分布于渤海、北黃海大連近岸海域和南黃海近岸海域.低值區(qū)主要在南黃海中部.這是由于南黃海的中部受到黃海暖流和黑潮余脈的影響形成低營養(yǎng)鹽分布海域[19],營養(yǎng)鹽抑制浮游植物的生長,從而形成黃海海水中Chl-a分布的封閉式低值區(qū).

春季(4月),黃渤海區(qū)域表層海水中Chl-a含量范圍為1.837~5.966mg/L,平均濃度是3.524mg/ L.海水中Chl-a分布特征和夏秋季類似,呈現(xiàn)近岸高,遠(yuǎn)岸低,但相對(duì)于夏、秋季海水中Chl-a高值區(qū)范圍向中部擴(kuò)散.這是由于海域冷水團(tuán)尚未完全形成,水團(tuán)影響較小[18-19].春季溫度上升,浮游植物逐漸開始快速的生長和繁殖,導(dǎo)致春季海水中Chl-a含量與pH值(0.278,<0.01)和DIN (0.280,<0.01)呈現(xiàn)顯著正相關(guān),與(-0.383,< 0.01)呈現(xiàn)極顯著負(fù)相關(guān).

表2 葉綠素a與所有參數(shù)的相關(guān)性

注:溫度的單位為℃, PO43--P, SiO32--Si, DIN的含量單位為μmol/L; ** 表示顯著性水平<0.01;* 表示顯著性水平< 0.05.

黃渤海海域水質(zhì)Chl-a整體分布具有明顯區(qū)域特征和季節(jié)特征.其平面分布基本呈現(xiàn)南北高、中部低,近岸高、外海低的分布趨勢(shì).這是由于近岸有海河、長江等河流的輸入、海水淺、混合性強(qiáng)以及營養(yǎng)鹽分布較高,適合浮游植物較快的生長和繁殖.在時(shí)間上,整體呈現(xiàn)夏季和春季葉綠素含量略高,秋季葉綠素含量最少且范圍最小.可能原因是溫度逐漸下降,浮游植物的生長和繁殖能力較弱,從而造成葉綠素含量下降.由于海水中Chl-a含量與環(huán)境因子之間有復(fù)雜的線性、非線性關(guān)系[10],導(dǎo)致海水中Chl-a含量與海水參數(shù)在不同季節(jié)相關(guān)性不同.

2.3 基于支持向量機(jī)對(duì)水體Chl-a分布的環(huán)境因素分析

將6個(gè)水質(zhì)參數(shù)(SiO32--Si、DIN、PO43--P、T、S和pH)作為自變量,Chla濃度作為因變量輸入到GA-SVM算法中,選取可決系數(shù)(2)較大和均方誤差(MSE)較小的最佳條件參數(shù)[20-21].遺傳算法(Genetic Algorithm,GA)是SVM常用的優(yōu)化算法之一,是一種以仿生學(xué)為基礎(chǔ),解決復(fù)雜系統(tǒng)優(yōu)化自適應(yīng)概率優(yōu)化的技術(shù)[22].GA-SVM算法的準(zhǔn)確率如表3所示,夏、秋、春季和三季所有數(shù)據(jù)的2分別為0.965、0.966、0.975和0.932,2均接近于1,算法的擬合效果良好[23-24].夏、秋、春季和三季所有數(shù)據(jù)的MSE分別為0.0082、0.0080、0.0086和0.0076,MSE均小于0.01,說明算法對(duì)樣本數(shù)據(jù)具有良好的精確度[25].比龍愛民等[26]利用多元相關(guān)分析海水中Chl-a分布和其它水質(zhì)因子線性關(guān)系(2=0.709,<0.001)更具有描述性.這是由于海水中Chl-a分布和部分水質(zhì)因子之間具有復(fù)雜多變的非線性關(guān)系[11].

根據(jù)權(quán)重系數(shù)的求解計(jì)算不同輸入變量對(duì)輸出結(jié)果的重要性[27],6個(gè)輸入變量對(duì)Chl-a分布的權(quán)重系數(shù)和相對(duì)重要性如表4所示.其中將夏季權(quán)重系數(shù)最大的PO43--P、秋季權(quán)重系數(shù)最大的SiO32--Si、春季權(quán)重系數(shù)最大的和三季權(quán)重系數(shù)的賦予相對(duì)重要性為100,其余變量與之對(duì)比得到相對(duì)重要性,由于權(quán)重系數(shù)為矢量,其絕對(duì)值大小表明輸出結(jié)果的影響程度.

表3 算法的準(zhǔn)確率

表4 支持向量機(jī)回歸模型中輸入變量的權(quán)重系數(shù)和相對(duì)重要性評(píng)價(jià)

注:溫度的單位為℃, PO43--P, SiO32--Si, DIN的含量單位為μmol/L.

由表4可知,對(duì)于夏季Chl-a分布影響最顯著的輸入變量是PO43--P和,之后依次是、DIN、SiO32--Si和pH值.夏季,位于長江以北的地表徑流相繼進(jìn)入豐水期,陸源輸入大量營養(yǎng)鹽[28-29],促進(jìn)浮游植物的生長和繁殖,且該海域的N:P>22的站位超過80%,Si:P>22的站位超過70%,說明在黃河口和南黃海近海海域均出現(xiàn)較大范圍的P潛在限制[30],從而磷酸鹽成為主要影響因子;海水溫度垂直方向上波動(dòng)較大,使成為繼磷酸鹽之后最重要的影響因子.

對(duì)于春季Chl-a分布影響最顯著的輸入的變量是和DIN,之后依次是pH值、、PO43--P和SiO32--Si.浮游植物在春季慢慢開始生長和繁殖,但此時(shí)黃渤海海域各個(gè)輸入徑流還沒有進(jìn)入豐水期,陸源輸入的營養(yǎng)鹽和淡水不如夏季多,從而海水中的DIN分布和成為影響海水中Chl-a分布的主要因素.

對(duì)于秋季Chl-a分布影響最顯著的輸入的變量是SiO32--Si和,之后依次是、pH值、PO43--P和DIN.

對(duì)3個(gè)季節(jié)的全部調(diào)查數(shù)據(jù)進(jìn)行分析表明, Chl-a分布影響最顯著的輸入變量是和PO43-- P,之后依次是、DIN、pH值和SiO32--Si.黃渤海海域的陸源輸入是近岸海域營養(yǎng)鹽的主要來源,是浮游植物活動(dòng)的主要影響因素,浮游植物生長和繁殖能力強(qiáng)時(shí)需要吸收大量的磷酸鹽[31],而該海域磷酸鹽分布相對(duì)較低且陸源輸入相對(duì)較少,導(dǎo)致和PO43--P成為最顯著的影響因素.

3 結(jié)論

3.1 黃渤海海域水質(zhì)Chl-a分布具有明顯區(qū)域特征,葉綠素a濃度呈現(xiàn)南北高、中部低,近岸高、外海低的分布趨勢(shì).葉綠素a的分布主要受陸源輸入、冷水團(tuán)等因素的影響.黃渤海海域夏季和春季葉綠素含量略高,秋季葉綠素含量最低且范圍最小.

3.2 將水質(zhì)參數(shù)SiO32--Si、DIN、PO43--P、、和pH值作為變量輸入GA-SVM算法對(duì)海水中葉綠素a分布進(jìn)行回歸分析.GA-SVM算法的擬合效果和精確度較好,不同季節(jié),可決系數(shù)(2)均大于0.9,均方誤差(MSE)均小于0.01.結(jié)果表明GA-SVM算法對(duì)于海水中葉綠素a分布與其環(huán)境因子的關(guān)系有良好的描述性.

3.3 GA-SVM算法結(jié)果表明,不同水質(zhì)參數(shù)在不同季節(jié)對(duì)Chl-a分布的影響相對(duì)重要性也不同.夏季,對(duì)于海水Chl-a分布影響最顯著的是PO43--P和;秋季,對(duì)于海水Chl-a分布影響最顯著的是SiO32--Si和;春季,對(duì)于海水Chl-a分布影響最顯著的是和DIN.陸源輸入是黃渤海海域Chl-a分布的最大影響因素.

[1] Liu S M. Response of nutrient transports to water–sediment regulation events in the Huanghe basin and its impact on the biogeochemistry of the Bohai [J]. J. Marine. Syst, 2015, 141:59-70.

[2] Schmoker C, Russo F, Drillet G, et al. Effects of eutrophication on the planktonic food web dynamics of marine coastal ecosystems: The case study of two tropical inlets [J]. Marine Environmental Research, 2016,119:176-188.

[3] 趙晨英,臧家業(yè),劉 軍,等.黃渤海氮磷營養(yǎng)鹽的分布、收支與生態(tài)環(huán)境效應(yīng)[J]. 中國環(huán)境科學(xué), 2016,36(7):2115-2127.

[4] Andersen J H, Schlüter L, ?rtebjerg G. Coastal eutrophication: recent developments in definitions and implications for monitoring strategies [J]. Journal of Plankton Research, 2006, 28(7):621-628.

[5] Gibson G, Carlson R, Simpson J, et al. Nutrient Criteria Technical Guidance Manual: Lakes and Reservoirs (EPA-822- B-00-001). [M]. Washington DC: United States Environment Protection Agency, 2000.

[6] McCarthy M J, James R T, Chen Y, et al. Nutrient ratios and phytoplankton community structure in the large, shallow, eutrophic, subtropical Lakes Okeechobee (Florida, USA) and Taihu (China) [J]. Limnology, 2009,10(3):215-227.

[7] 鄭國俠,宋金明,戴紀(jì)翠,等.南黃海秋季葉綠素a的分布特征與浮游植物的固碳強(qiáng)度[J]. 海洋學(xué)報(bào):中文版, 2006,28(3):109- 118.

[8] 李飛鵬,張海平,陳 玲.小型封閉水體環(huán)境因子與葉綠素a的時(shí)空分布及相關(guān)性研究[J]. 環(huán)境科學(xué), 2013,34(10):3854-3861.

[9] Ma J P, Rui C J, Ge J H, et al. Correlation between Chlorophyll-Concentration and Environmental Factors in Jihongtan Reservoir [J]. Advanced Materials Research, 2011,356-360(2):959-962.

[10] 劉 佳,黃清輝,李建華.崇明北湖葉綠素a濃度與環(huán)境因子的GAM回歸分析[J]. 中國環(huán)境科學(xué), 2009,29(12):1291-1295.

[11] 張 穎,高倩倩.基于極限學(xué)習(xí)機(jī)回歸的海水Chla濃度預(yù)測(cè)方法[J]. 海洋環(huán)境科學(xué), 2015,34(1):107-112.

[12] Cristianini N, Shawe-Taylor J. An introduction to support vector machines and other kernel-basedlearning methods [M]. Cambridge university press, 2000.

[13] 張玉超,錢 新,錢 瑜,等.支持向量機(jī)在太湖葉綠素a非線性反演中的應(yīng)用[J]. 中國環(huán)境科學(xué), 2009,29(1):78-83.

[14] Park Y, Cho K H, Park J, et al. Development of early-warning protocol for predicting chlorophyll-concentration using machine learning models in freshwater and estuarine reservoirs, Korea [J]. Science of the Total Environment, 2015,502:31-41.

[15] 王 龍.基于19年衛(wèi)星測(cè)高數(shù)據(jù)的中國海海平面變化及其影響因素研究[D]. 青島:中國海洋大學(xué), 2013.

[16] 郭興森,呂迎春,孫志高,等.黃河口溶解無機(jī)碳時(shí)空分布特征及影響因素研究[J]. 環(huán)境科學(xué), 2015,36(2):457-463.

[17] 姜德娟,張 華,常遠(yuǎn)勇,等.基于TRMM衛(wèi)星資料的渤海降水遙感估算研究[J]. 海洋科學(xué), 2015,39(10):116-124.

[18] 李延偉,胡瑩瑩,陳淑梅.夏、秋季北黃海營養(yǎng)鹽的時(shí)空分布特征及其影響機(jī)制[J]. 中國環(huán)境科學(xué), 2013,33(6):1060-1067.

[19] 李 偉,王玉衡,汪嘉寧,等.2011年春、夏季黃、東海水團(tuán)與水文結(jié)構(gòu)分布特征[J]. 海洋與湖沼, 2012,43(3):615-623.

[20] Nieto P J G, García-Gonzalo E, Arbat G, et al. A new predictive model for the filtered volume and outlet parameters in micro- irrigation sand filters fed with effluents using the hybrid PSO– SVM-based approach [J]. Computers & Electronics in Agriculture, 2016,125:74-80.

[21] Nieto P J G, García-Gonzalo E, Fernández J R A, et al. A hybrid wavelet kernel SVM-based method using artificial bee colony algorithm for predicting the cyanotoxin content from experimental cyanobacteria concentrations in the Trasona reservoir (Northern Spain) [J]. Journal of Computational & Applied Mathematics, 2016,309:587-602.

[22] 劉希亮,趙學(xué)勝,陸 鋒,等.基于GA-SVM的露天礦拋擲爆破拋擲率預(yù)測(cè)[J]. 煤炭學(xué)報(bào), 2012,37(12):1999-2005.

[23] 張 博.混沌支持向量機(jī)風(fēng)速短期預(yù)測(cè)及其在pcDuino平臺(tái)實(shí)現(xiàn)[D]. 太原:中北大學(xué), 2014.

[24] Nieto P J G, Fernández J R A, Suárez V M G, et al. A hybrid PSO optimized SVM-based method for predicting of the cyanotoxin content from experimental cyanobacteria concentrations in the Trasona reservoir: A case study in Northern Spain [J]. Applied Mathematics & Computation, 2015,260(C):170-187.

[25] Nieto P J G, García-Gonzalo E, Fernández J R A, et al. A hybrid PSO optimized SVM-based model for predicting a successful growth cycle of the Spirulina platensis, from raceway experiments data [J]. Journal of Computational & Applied Mathematics, 2015,291(1):293-303.

[26] 龍愛民,陳紹勇,周偉華,等.南海北部秋季營養(yǎng)鹽、溶解氧、pH值和葉綠素a分布特征及相互關(guān)系[J]. 海洋通報(bào), 2006, 25(5):9-16.

[27] P. J. García Nieto, E. García-Gonzalo, F. Sánchez Lasheras, et al. Hybrid PSO–SVM-based method for forecasting of the remaining useful life for aircraft engines and evaluation of its reliability [J]. Reliability Engineering & System Safety, 2015: 219–231.

[28] Lin C, Ning X, Su J, et al.Environmental changes and the responses of the ecosystems of the Yellow Sea during 1976–2000 [J]. Journal of Marine Systems, 2005,55(3/4):223-234.

[29] 張傳松,王修林,石曉勇,等.東海赤潮高發(fā)區(qū)營養(yǎng)鹽時(shí)空分布特征及其與赤潮的關(guān)系[J]. 環(huán)境科學(xué), 2007,28(11):2416-2424.

[30] Laws E A, Pei S, Bienfang P, et al. Phosphate-limited growth and uptake kinetics of the marine prasinophyte Tetraselmis suecica (Kylin) Butcher [J]. Aquaculture, 2011,322(1):117-121.

[31] Su N, Du J, Liu S, et al. Nutrient fluxes via radium isotopes from the coast to offshore and from the seafloor to upper waters after the 2009 spring bloom in the Yellow Sea [J]. Deep Sea Research Part II Topical Studies in Oceanography, 2013,97(97):33-42.

Distribution characteristics of chlorophyll a and its influencing environmental factors in Bohai Sea and Yellow Sea.

ZHOU Yan-lei1, ZHANG Chuan-song1, SHI Xiao-yong1,2*, SU Rong-guo1

(1.College of Chemistry and Chemical Engineering, Ocean University of China, Qingdao 266100,China；2.National Marine Hazard Mitigation Service, Beijing 100194, China)., 2017,37(11)：4259~4265

The distribution characteristics of chlorophyll-a (Chl-a) and the related environmental factors (,, pH, DIN, SiO32--Si, PO43--P) were examined for seawater samples obtained from the Yellow Sea (YS) and the Bohai Sea (BS) in the summer of 2013, the autumn of 2013 and the spring of 2014. The results showed that Chl-a concentration ranged 0.918~9.28μg/L in the summer of 2013 with an average of 3.527μg/L, 1.837~5.966μg/L in the autumn of 2013 with an average of 3.524μg/L and 1.477~6.435μg/L in the spring of 2014 with an average of 3.467μg/L; Chl-a spatial distribution showed a decreasing trend from inshore area to offshore area; The GA-SVM model was used to investigate the Chl-a response relationship with the above environmental factors and the results confirmed the good performance (2>0.9, MSE<0.01). The influence of parameters on the distribution of Chl-a had a significant seasonal variation. The two most significant variables to the distribution of Chl-a were PO43--P andin summer, SiO32--Si andin autumn,and PO43--P in spring andand PO43--P in all three seasons which demonstrated that the terrestrial input were most tightly related to the distribution of Chl-a in the BS and the YS.

Bohai Sea and Yellow Sea；chlorophylla；correlation analysis；support vector machine

X55

A

1000-6923(2017)11-4259-07

周艷蕾(1993-),女,黑龍江伊春人,中國海洋大學(xué)碩士研究生,主要從事海洋污染生態(tài)化學(xué)及海水分析研究.發(fā)表論文4篇.

2017-04-18

國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFC1402101,2016YFC1400602);國家海洋局海洋減災(zāi)中心科研項(xiàng)目(2014AA060)

* 責(zé)任作者, 教授, shixy@ouc.edu.cn