基于OC-CCI 數(shù)據(jù)的南海高葉綠素a 濃度水域面積的時空變化研究*

李傲, 馮洋, 王云濤, 薛惠潔

1. 熱帶海洋環(huán)境國家重點實驗室(中國科學(xué)院南海海洋研究所), 廣東 廣州 510301;

2. 中國科學(xué)院大學(xué), 北京 100049;

3. 南方海洋科學(xué)與工程廣東省實驗室(廣州), 廣東 廣州 511458;

4. 自然資源部第二海洋研究所, 浙江 杭州 310000

葉綠素a濃度是表征浮游植物生物量的重要指標(biāo), 是生態(tài)系統(tǒng)變化的指示器, 也是目前用來研究海洋動力過程環(huán)境效應(yīng)的重要變量之一。在海洋生態(tài)系統(tǒng)中, 葉綠素a濃度的變化對區(qū)域生態(tài)系統(tǒng)的穩(wěn)定, 海氣界面二氧化碳通量的交換以及海洋水產(chǎn)資源的分布有著重要的影響(趙輝 等, 2005)。因此清晰地認(rèn)識海洋葉綠素a濃度的時空變化對了解全球的碳循環(huán)、海區(qū)的環(huán)境質(zhì)量, 以及漁業(yè)資源利用有著重要的意義。

南海是西太平洋最大的熱帶陸架邊緣海, 位于亞洲與大洋洲、太平洋與印度洋的“十字路口”, 是典型的季風(fēng)區(qū)(圖1)。強(qiáng)勁的季風(fēng)配合著復(fù)雜的地形使南海具有顯著的季節(jié)性環(huán)流系統(tǒng)與時空多變的中尺度過程。除了局地過程的影響, 大氣強(qiáng)迫與外源輸入(黑潮)也使得南海的物理環(huán)境場存在著不同的周期性振蕩。諸多因素交織, 使得南海葉綠素a濃度的時空變化在復(fù)雜的物理環(huán)境場與豐富的生物地球化學(xué)作用下更顯龐雜。

圖1 南海地形分布該圖基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站審圖號為GS(2020)4392 的標(biāo)準(zhǔn)地圖制作。圖中黑色虛線為500m 等深線,紅色實線為劃分南海南北的14°30′緯線。從北向南將南海劃分為4 個區(qū)域, 其中A 區(qū)域為北部陸架區(qū)、B 區(qū)域為北部海盆區(qū)、C區(qū)域為南部海盆區(qū)、D 區(qū)域為南部陸架區(qū)Fig. 1 Topographic map of South China Sea. The black dotted line shows the 500 m isobath. The solid red line(14°30′N) separates the South China Sea into north and south parts

陳興群等(1989)通過1983 年9 月—1984 年12月4 個航次數(shù)據(jù)對南海中部葉綠素a的時空分布、光合作用以及環(huán)境因子的相互關(guān)系進(jìn)行了討論, 指出葉綠素a濃度的變化與溫度和鹽度躍層、營養(yǎng)鹽及光的分布有關(guān)。Ning 等(2004)通過1998 年春季與冬季的航次數(shù)據(jù)來探究南海物理生物耦合過程對浮游植物的影響, 指出浮游植物的季節(jié)分布與東亞季風(fēng)驅(qū)動密切相關(guān)。其中夏季西南季風(fēng)引發(fā)的上升流是湄公河口東部沿岸、海南島東南區(qū)域、巽他陸架北側(cè)葉綠素a濃度激增的原因, 上升流帶來大量的營養(yǎng)鹽為浮游植物的生長提供支撐。

近些年來, 隨著遙感科學(xué)的快速興起, 對南海葉綠素a濃度的時空變化研究成為可能。遙感技術(shù)憑借著大面積覆蓋、快速、實時、周期性等優(yōu)勢成為南海資源環(huán)境監(jiān)測的重要手段之一。Tang 等(1999,2003, 2004, 2006)、Chen 等(2006)先后利用不同平臺遙感葉綠素a濃度資料圍繞著南海近海區(qū)域葉綠素進(jìn)行了研究, 指出了區(qū)域葉綠素的空間分布與變化特征。Palacz 等(2011)、Tang 等(2011, 2014, 2020)、Yu 等(2019)通過使用長時間序列南海葉綠素數(shù)據(jù)研究南海葉綠素的時空變化, 發(fā)現(xiàn)南海葉綠素a濃度可能存在季節(jié)內(nèi)、季節(jié)間、年際以及年代際周期的振蕩, 并指出這種振蕩可能是由于氣候變化、風(fēng)應(yīng)力、黑潮等因素的影響所導(dǎo)致。隨著數(shù)值模式的發(fā)展, Xiu 等(2011, 2019)、Guo 等(2015, 2017b)、Guo等(2017a)使用遙感數(shù)據(jù)結(jié)合數(shù)值模式均從不同的側(cè)重點研究了南海葉綠素的時空分布變化, 并通過合理的動力機(jī)制解釋其成因與發(fā)展。

雖然對南海葉綠素的時空演變已有著大量的研究, 但由于船測數(shù)據(jù)成本昂貴且時間上不連續(xù)、水色遙感因云遮擋而使南海葉綠素a濃度數(shù)據(jù)缺值和插值方法等限制, 大多數(shù)研究指標(biāo)僅聚焦于葉綠素a濃度, 南海表層高葉綠素a濃度水域面積的變化鮮有研究。對南海高葉綠素a濃度水域面積的時空變化分布的定量描述及其調(diào)控因子仍不明確。準(zhǔn)確分析南海高高葉綠素a濃度水域面積對于估算浮游植物生物量變化、維持區(qū)域生態(tài)系統(tǒng)穩(wěn)定、監(jiān)測海洋漁業(yè)資源等方面都有著重要的意義。因此本文選取高葉綠素a濃度水域面積為研究指標(biāo), 參考Palacz 等(2011)根據(jù)每年冬季(最具生產(chǎn)力的季節(jié))平均葉綠素a濃度峰值0.2mg·m–3來劃分海表葉綠素a濃度的高低, 基于多年遙感數(shù)據(jù)資料(1999 年1 月至2019 年12 月), 對南海葉綠素a濃度高值區(qū)面積的時空變化分布進(jìn)行定量描述, 同時估算出葉綠素高值區(qū)浮游植物生物量的變化, 分析了高濃度葉綠素a面積的變化特征與其調(diào)控因子(海面溫度、風(fēng)速等)之間的關(guān)系。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)來源

本文使用的葉綠素資料為1999 年1 月—2019年12 月歐洲航天局(European Space Agency)海洋顏色氣候變化倡議(OC-CCI) 5.0 版本的海表月平均葉綠素a數(shù)據(jù)(https://www.oceancolour.org/)。該數(shù)據(jù)結(jié)合了海洋觀察寬視場傳感器(Sea-viewing Wide Field of View Sensor, SeaWiFS)、中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer,MODIS)、中分辨率成像頻譜儀(medium resolution imaging spectroradiometer, MERIS)、可見光紅外成像輻射計(visible infrared imaging radiometer, VIIRS)在內(nèi)的4 種傳感器測量結(jié)果。該資料空間分辨率為1/24°×1/24°。OC-CCI 對多傳感器數(shù)據(jù)融合采用的大氣校正算法對薄云和氣溶膠顯示出很好的適應(yīng)效果。為了制圖效果明顯, 本文中葉綠素a濃度值均取以10 為底的對數(shù)。此外, 本研究還使用了1999年1 月—2019 年4 月的平均溫度數(shù)據(jù)與風(fēng)場數(shù)據(jù)(http://apps.ecmwf.int/datasets/)。Dee 等(2011)的研究表明歐洲中期天氣預(yù)報中心(European Centre for Medium-Range Weather Forecasts, ECMWF)資料在年代際尺度變化上有著更接近實測資料的優(yōu)勢。選用的該資料空間分辨率為0.125°×0.125°, 本研究選取的時間范圍是1999 年1 月至2019 年4 月。

研究中使用的月平均混合層深度數(shù)據(jù)為日本海洋-地球科技研究所(Japan Agency for Marine-Earth Science and Technology, JAMSTEC)開發(fā)的地球模擬器海洋環(huán)流模型數(shù)據(jù)集(Dataset of Ocean General Circulation Model for the Earth Simulator, OFES)數(shù)據(jù)(http://apdrc.soest.hawaii.edu/), 其空間分辨率為0.1°, 垂直方向為54 層, 每層的厚度參考實際海洋溫躍層厚度, 其表層5m, 最底層330m, 其水深隨深度的增加而逐漸變大, 由于OFES 模型混合層深度數(shù)據(jù)在時間上只到2017 年12 月, 因而2018 年與2019 年用氣候態(tài)月平均混合層深度進(jìn)行了補(bǔ)充。

1.2 研究方法

1.2.1 經(jīng)驗正交函數(shù)分解插值方法

本研究使用經(jīng)驗正交函數(shù)分解插值方法(Data Interpolating Empirical Orthogonal Functions,INEOF)對遙感觀測的缺失數(shù)據(jù)進(jìn)行補(bǔ)充, 這種方法通過確定主要的時間和空間模態(tài)對缺失數(shù)據(jù)進(jìn)行填補(bǔ)。該方法由Beckers 等(2003)提出, 具有自適性, 該方法可以通過數(shù)據(jù)本身獲取插值的必要參數(shù)。由于局部少量像元數(shù)據(jù)的改變對低階EOF 模態(tài)幾乎沒有影響, 該方法首先對其中的缺失數(shù)據(jù)賦予初始預(yù)測值, 通過EOF 分解可以從大量數(shù)據(jù)中提取反映數(shù)據(jù)變化的空間模態(tài)和時間系數(shù), 選取最佳空間模態(tài)和時間系數(shù)對數(shù)據(jù)進(jìn)行重構(gòu), 完成缺失數(shù)據(jù)的插補(bǔ)(圖2)。

本研究重構(gòu)南海整體葉綠素步驟如下(圖2b):

圖2 經(jīng)驗正交函數(shù)分解插值方法(DINEOF)流程圖a. DINEOF 程序運(yùn)行中的參數(shù)配置與流程; b. DINEOF 方法步驟分解Fig. 2 DINEOF flow chart. (a) parameter configuration and operational procedure of DINEOF; (b) DINEOF steps

2) 對矩陣Xm×n進(jìn)行奇異值分解, 分解后對應(yīng)的有特征模態(tài)(Um×n)、奇異值矩陣(Sm×n)和時間特征模態(tài)(Vm×n)。

為確保DINEOF 方法能夠獲得有效的重構(gòu)結(jié)果, 重構(gòu)前, Liu 等(2019)建議將影像中高于一定缺失比例(該缺失比例設(shè)定為95%)的無法提供有用信息的單幅影像去除, 使影像集的總體缺失比例能夠低于 40%; 而該方法對影像的時間連續(xù)性沒有要求, 即使影像時間上分布稀疏, 該方法也能獲得較好的結(jié)果。本研究中使用的是OC-CCI 月平均數(shù)據(jù), 由于是多源遙感數(shù)據(jù)的融合產(chǎn)品, 這套數(shù)據(jù)在時間上連續(xù), 且單幅影像最大缺失率小于30%, 數(shù)據(jù)缺失在空間上主要集中在南海北部與南海南部巽他陸架區(qū)域, 在時間上每年冬季的遙感數(shù)據(jù)缺失相對較高(圖3)。

圖3 OC-CCI 數(shù)據(jù)缺失百分比a. 原始數(shù)據(jù)在空間上缺失百分比; b. 原始數(shù)據(jù)在時間上缺失百分比。圖 a 基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站審圖號為GS(2020)4392 的標(biāo)準(zhǔn)地圖制作Fig. 3 Percentage of OC-CCI missing data. (a) the percentage of the original data missing in space, and (b) the percentage of the original data missing in time

在本次數(shù)據(jù)重構(gòu)中, 隨機(jī)選取了500164 個像元(有效數(shù)據(jù)總量的 1%)作為交叉檢驗數(shù)據(jù)(預(yù)留數(shù)據(jù)), 同時將對應(yīng)位置的像元設(shè)置為缺失數(shù)據(jù)。首先保留一個EOF 模態(tài)重構(gòu)缺值數(shù)據(jù), 并計算預(yù)留數(shù)據(jù)與重構(gòu)數(shù)據(jù)的均方根誤差(root mean squared error, RMSE), 然后逐個增加EOF 模態(tài)保留數(shù)并不斷的重構(gòu)缺失數(shù)據(jù)并計算相應(yīng)模態(tài)保留數(shù)對應(yīng)的預(yù)留與預(yù)測數(shù)據(jù)的 RMSE。當(dāng)連續(xù)兩次EOF 重構(gòu)的RMSE 值小于10–2時, 則認(rèn)為迭代的EOF 重構(gòu)收斂; 同時將EOF 模態(tài)最大值設(shè)為30,即考察保留 1～30 個模態(tài)的優(yōu)劣性, 得到最優(yōu)保留數(shù)。本次數(shù)據(jù)重構(gòu)通過交叉檢驗發(fā)現(xiàn)最優(yōu)模態(tài)為 15, 最優(yōu)的迭代次數(shù)是 147, 其對應(yīng)的 RMSE為0.2885 (圖4)。

圖4 最優(yōu)重構(gòu)參數(shù)a. 最優(yōu)保留模態(tài)數(shù); b. 最優(yōu)迭代次數(shù)Fig. 4 Optimal reconstruction parameters. (a) the number of optimal retained modes, and (b) optimal number of iterations

1.2.2 經(jīng)驗正交函數(shù)分解插值方法的時空誤差

將上述方法重構(gòu)影像與原始資料相減并取絕對值, 獲得絕對誤差數(shù)據(jù)集, 求取該數(shù)據(jù)集絕對誤差在時間與空間上的均值, 以考量其誤差的時空分布特征(圖5)。在空間維上(圖5a), 影像重構(gòu)誤差范圍在0.01～2mg·m–3之間變化, 在中央海盆誤差最小, 并依次從中央海盆到沿岸呈遞增趨勢。大于0.5mg·m–3的值主要集中在20m 等深線以內(nèi)。在時間維上(圖5b),不同年份與季節(jié)之間誤差波動較大, 總體看來, 秋冬季節(jié)數(shù)據(jù)重構(gòu)誤差明顯高于春夏季節(jié), 除了冬季月份以外, 其他時間的重構(gòu)誤差空間平均皆小于0.14mg·m–3, 總體誤差平均值小于0.0907mg·m–3。重構(gòu)誤差范圍主要集中在0.06～0.15mg·m–3之間, 其中2012 年冬季數(shù)據(jù)重構(gòu)誤差相比其他年份異常顯著,通過數(shù)據(jù)檢查發(fā)現(xiàn)這種原因可能是由于2012 年冬季數(shù)據(jù)缺失較多原因所導(dǎo)致的。同時為了分析重構(gòu)誤差對總體數(shù)據(jù)的影響情況,我們繪制了重構(gòu)誤差占原葉綠素a濃度數(shù)據(jù)百分比(簡稱重構(gòu)誤差百分比, 如圖6), 可以發(fā)現(xiàn)除了南海北部區(qū)域(臺灣海峽、北部陸架、北部灣)、婆羅洲島西北出現(xiàn)重構(gòu)誤差百分比高值外, 其他區(qū)域重構(gòu)誤差百分比相對較小。南海平均重構(gòu)誤差百分比為1.46%, 重構(gòu)誤差百分比大于5%的面積僅占總體區(qū)域的3.47%, 因此使用DINEOF 方法插值南海缺值葉綠素數(shù)據(jù)來估算南海高葉綠素a濃度水域面積的方法具有可行性。

圖5 重構(gòu)誤差的時空分布a. 重構(gòu)誤差的空間分布; b. 重構(gòu)誤差的時間分布, 圖中紅色虛線表示總體誤差平均值。圖a 基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站審圖號為GS(2020)4392 的標(biāo)準(zhǔn)地圖制作Fig. 5 Spatial and temporal distribution of reconstruction errors. (a) spatial distribution of reconstruction errors; and (b)temporal distribution of reconstruction errors

圖6 重構(gòu)誤差占原始數(shù)據(jù)百分比Fig. 6 Percentage of reconstruction error in original data

2 結(jié)果

2.1 高葉綠素a 濃度水域空間分布特征

同Yu 等(2019)的研究結(jié)果一致, 從葉綠素的總體平均分布來看, 高濃度的葉綠素a普遍存在于南海近岸區(qū)域。圖7 是南海高葉綠素a濃度水域的季節(jié)變化, 結(jié)果表明本研究中南海海表高葉綠素a濃度水域與前人研究(Tang et al, 2014; Loisel et al,2017; Huynh et al, 2020)具有相似的區(qū)域特征與季節(jié)變化, 其中高葉綠素a濃度區(qū)域普遍存在沿海地帶,特別是在中國沿海、越南沿岸、泰國灣以及婆羅洲島附近。在南海中部深水海盆區(qū)域, 葉綠素a濃度水平普遍較低(趙輝 等, 2005)。

冬季, 南海高葉綠素a濃度水域面積為所有季節(jié)中最大, 高值區(qū)顯著出現(xiàn)在南海北部、南海南部陸架區(qū)域。春季, 南海高葉綠素a濃度葉綠素水體面積最小, 主要局限在南海近岸附近的窄帶內(nèi)。夏季, 高葉綠素a濃度水域面積比春季略有增加, 但海盆區(qū)域的葉綠素a濃度仍處于較低水平。與其他季節(jié)不同的是, 越南南部海域高濃度葉綠素a水體在夏季覆蓋了大片海域, 可以清晰地看出從湄公河口東部向東延伸至海盆的一個高葉綠素a濃度急流正在形成。秋季, 高葉綠素a濃度水體面積相比夏季呈上升趨勢, 特別是中國沿海和呂宋島西北部地區(qū)。

2.2 高葉綠素濃度水域面積的時間變化趨勢

南海整體葉綠素a月平均濃度時間序列變化為雙峰結(jié)構(gòu), 在夏季處于低濃度水平, 在秋季略微抬升, 于冬季到達(dá)頂峰(Palacz et al, 2011), 這種變化趨勢與南海海表高葉綠素a濃度水域面積有著非常相似的特性。圖8 為南海海域(0—25°N, 98°30′—122°00′E, 其中不包含蘇祿海, 蘇拉威西海與馬六甲海峽)內(nèi)高葉綠素a濃度水域面積變化時間序列,可以看出南海高葉綠素a濃度水域面積有著非常顯著的季節(jié)變化。雙峰形狀的變化趨勢在整個時間序列都有體現(xiàn), 高葉綠素a濃度水域面積在每年冬季附近到峰值, 在每年春季末與秋季末達(dá)到谷值。

前人研究發(fā)現(xiàn), 南海大多區(qū)域葉綠素a濃度的特征為: 表層呈現(xiàn)低值, 次表層存在一個葉綠素a濃度最大值深度(Subsurface Chlorophyll Maximum,SCM), 底層濃度極低(陳興群 等, 1989; Chen, 2005;倪曉波 等, 2006; Xing et al, 2019)。南海以熱帶海洋性氣候為主, 溫躍層隨季節(jié)變化小, 大約在 50～100m 之間, 常年存在的SCM 多集中在75m 左右,基本位于真光層底部(倪曉波 等, 2006)。Xing 等(2019)使用BGC-Argo 浮標(biāo)在南海南部和北部海域進(jìn)行長時間序列的觀測, 浮標(biāo)數(shù)據(jù)表明SCM 層基本都在混合層以下, 同時資料顯示出南海四季混合層內(nèi)葉綠素a濃度較為均一?；谏鲜隼C, 本文采用表層葉綠素a濃度來進(jìn)行混合層浮游植物生物量的遙感估算, 通過地球模擬器海洋環(huán)流模型數(shù)據(jù)集(Dataset of Ocean General Circulation Model for the Earth Simulator, OFES)獲取混合層深度資料估算區(qū)域總體生物量(圖9a), 結(jié)果表明海表高葉綠素水域面積變化與該區(qū)域整體生物量有著較好的一致性。但通過與之對應(yīng)的區(qū)域海表葉綠素a平均濃度(圖9b)的計算發(fā)現(xiàn), 冬季, 高葉綠素a濃度水域整體浮游植物生物量處于全年最大, 但其區(qū)域內(nèi)葉綠素平均濃度到達(dá)全年低值; 夏季, 高葉綠素a濃度水域整體浮游植物生物量為全年最小, 其區(qū)域內(nèi)葉綠素a平均濃度為全年高值。這種現(xiàn)象存在著季節(jié)尺度的振蕩, 并伴隨著顯著的負(fù)相關(guān)關(guān)系(圖9c)。冬季浮游植物生物量取得最大值, 這與混合作用有著密切的關(guān)系。且近岸葉綠素a濃度并不低于夏季, 但在海表高葉綠素a濃度水域面積與其對應(yīng)區(qū)域總生物量都較大的時候, 海表葉綠素a濃度卻很低, 表明可能是由于動力過程造成的稀釋作用促使海表葉綠素重新分布。

2.3 南海不同海域高葉綠素a 濃度水域面積變化特征

南海受大陸與相連海域影響, 其不同區(qū)域水團(tuán)性質(zhì)在不同季節(jié)有著顯著的變化, 在流場的驅(qū)動下,不同水團(tuán)的相互作用與遷移直接影響著上層海洋的熱力與動力結(jié)構(gòu), 從而對高葉綠素a濃度水體的空間分布產(chǎn)生著影響。由于南海冬季風(fēng)速較強(qiáng), 且參考Quan (2016)計算的南海冬季氣候態(tài)Sverdrup 流函數(shù), 發(fā)現(xiàn)南海中部約14°30′N 處有一零流函數(shù)等值線貫穿南海, 因此為了更好的研究不同區(qū)域高葉綠素a濃度水體的變化趨勢, 我們以南海500m 等深線與北緯14°30′經(jīng)線為界限, 將南海劃分為4 個區(qū)域(圖1), 從上到下依次分為: 北部陸架區(qū)(A)、北部海盆區(qū)(B)、南部海盆區(qū)(C)、南部陸架區(qū)(D)。

通過對不同區(qū)域高葉綠素a濃度水體面積季節(jié)時間序列變化比對(圖10)可以發(fā)現(xiàn), 各個區(qū)域相比較, 南部海盆區(qū)域高葉綠素a濃度水體面積最小,南部陸架區(qū)域高葉綠素a濃度水體面積最大。除了北部陸架(A)變化較為平穩(wěn)外, 其他3 個區(qū)域(B、C、D)變化大致相當(dāng), 在不同年份略有波動。4 個區(qū)域的高葉綠素a濃度面積變化在冬季相對顯著。自1999年起, 高葉綠素a濃度水體面積有著一個上升的趨勢, 并在2007 年附近到達(dá)頂峰, 之后呈下降趨勢一直持續(xù)到2018 年。

圖10 南海海表不同區(qū)域不同季節(jié)高生物量水域面積的年際變化a. 北部陸架; b. 北部海盆; c. 南部海盆; d. 南部陸架Fig. 10 Interannual variation of water area with high chlorophyll a concentration in different seasons in the South China Sea

海表高葉綠素a濃度水域面積的年際變化會在海表浮游植物生物量空間分布上給予體現(xiàn), 由于冬季高葉綠素濃度水域面積變化劇烈, 所以我們繪制了1999—2018 年冬季高濃度葉綠素a的空間分布(圖11), 可以看出, 空間上主要分布在南海沿岸地區(qū)與南北部陸架區(qū)域, 但在巽他陸架與南部海盆區(qū)域有著較為顯著的年際變化特征。在非厄爾尼諾年(如2005 年、2006 年、2010 年等)巽他陸架大面積區(qū)域被高濃度葉綠素a所裹挾, 湄公河口東部有一高濃度葉綠素a餅狀區(qū)域向中央海盆擴(kuò)散; 在厄爾尼諾年這些現(xiàn)象基本消失殆盡。這些面積變化顯著的區(qū)域也是主導(dǎo)冬季南海總體高葉綠素a濃度水域面積呈年際變化的核心區(qū)域。

圖11 南海冬季高葉綠素a 濃度水域的空間分布該圖基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站審圖號為GS(2020)4392 的標(biāo)準(zhǔn)地圖制作Fig. 11 Spatial distribution of water with high chlorophyll a concentration in the South China Sea in winter

3 討論

南海高葉綠素a濃度水體面積變化受多種因素影響, 時空變化復(fù)雜。主要影響因素有: 1) 受臺風(fēng)等強(qiáng)天氣過程引起的葉綠素a濃度短時間內(nèi)急劇增加, 從而擴(kuò)張高葉綠素a濃度水域面積(Shih et al,2020); 2) 南海冬季以東北季風(fēng)主導(dǎo), 夏季轉(zhuǎn)變?yōu)槲髂巷L(fēng)。受季風(fēng)影響, 冬季上層海洋通常為氣旋式環(huán)流, 而夏季環(huán)流特征為在海盆南部是反氣旋式環(huán)流,海盆北部則是弱氣旋式環(huán)流(Zu et al, 2019, 2020)。季風(fēng)和環(huán)流直接影響上層海洋的物理環(huán)境場, 從而影響浮游植物的生長與分布, 進(jìn)而影響高葉綠素a濃度水域面積; 3) 受全球氣候變化而引起的浮游植物生物量年際以及年代際的振蕩(Tang et al, 2011)。在高濃度葉綠素a水體空間分布上, 南海豐富的鋒面、渦旋、上升流等中尺度過程對南海水團(tuán)性質(zhì)有著顯著的影響(Wang et al, 2012), 控制著浮游植物的群落與分布, 從而改變著葉綠素分布的空間格局。Yu 等(2019)在研究南海葉綠素變化與驅(qū)動因子關(guān)系時指出, 盡管多種因子相互作用, 共同促使著葉綠素的時空格局演變, 但風(fēng)場與溫度場仍為影響南海葉綠素時空變化的主要影響因子。故以下對南海冬季高生物量水域面積變化分析將主要結(jié)合多年的風(fēng)場、溫度場來討論。

浮游植物的生長離不開營養(yǎng)鹽的支撐, 近岸水域水體受淡水徑流補(bǔ)充浮游植物生長狀況正常, 而南海海盆區(qū)域水體層結(jié)穩(wěn)定, 真光層內(nèi)因氮、磷的限制而呈現(xiàn)寡營養(yǎng)狀態(tài)。Tang 等(2020)通過計算冬季浮游植物生物量、風(fēng)場和混合層深度的變化趨勢表明, 風(fēng)驅(qū)動的混合和營養(yǎng)鹽供應(yīng)的變化可能是浮游植物生物量波動的主導(dǎo)因素。風(fēng)場影響著表層水團(tuán)輸運(yùn)與水體混合, 影響著營養(yǎng)鹽的分布最終決定著浮游植物的群落與分布, 從而影響著高生物量水域的變化。我們使用了Z分?jǐn)?shù)標(biāo)準(zhǔn)化方法, 觀察了從1999 年至2018 年冬季南海高生物量水域面積與風(fēng)速的變化關(guān)系(圖12a), 發(fā)現(xiàn)高葉綠素a濃度水域面積與風(fēng)速有著正相關(guān)關(guān)系。參照Palacz 等(2011)以氣候態(tài)年平均風(fēng)速7m·s–1等值線將海表風(fēng)速分為高風(fēng)速區(qū)與低風(fēng)速區(qū), 我們繪制了3 個年份7m·s–1風(fēng)速等值線(圖12b), 觀察風(fēng)區(qū)是否存在顯著遷移。從圖12b 中可以看出, 和1999 年相比, 2006 年冬季高風(fēng)速區(qū)有增大趨勢, 而2018 年高風(fēng)速區(qū)又存在減小的勢頭, 與之對應(yīng)的3 年(圖11)南海高葉綠素a濃度面積從大到小依次順序是 2006 年>1999 年>2018 年, 可見風(fēng)速的減小以及風(fēng)區(qū)的遷移可能對冬季南海表層高葉綠素a濃度水域面積變化有著重要的影響。

圖12 南海冬季高生物量水域面積與風(fēng)場的標(biāo)準(zhǔn)化時間序列(a)和不同年份海表7m·s–1 風(fēng)速等值線(b)圖b 基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站審圖號為GS(2020)4392 的標(biāo)準(zhǔn)地圖制作Fig. 12 Standardized time series of water area with high chlorophyll a concentration and wind field in the South China Sea in winter (a); contours of sea-surface wind speed (7 m·s–1) in different years (b)

南海處于熱帶與亞熱帶的交匯處。我們通過研究不同年份南海冬季海表溫度的空間分布(圖13)發(fā)現(xiàn)冬季南海海溫從南到北呈遞減趨勢, 在湄公河口東部附近有一冷水隨南海西邊界流從南海北部入侵到南海南部的現(xiàn)象, 稱為北部冷水入侵, 且在不同年份時有出現(xiàn)。北部冷水入侵多出現(xiàn)在非EI Ni?o年(例如2005 年、2006 年、2010 年等)冬季, 同時與之對應(yīng)的是該年份巽他陸架大面積高質(zhì)量濃度葉綠素水體的出現(xiàn)與湄公河口東一餅狀高葉綠素a濃度水域生成(圖11)。為了更加直觀比較厄爾尼諾年與非厄爾尼諾年的差異, 我們分別將不同年份冬季的南海高葉綠素a濃度水域(圖14a、14b)與水溫(圖 14c、14d)進(jìn)行合成分析, 同樣發(fā)現(xiàn)在厄爾尼諾年北部冷水入侵的消失伴隨著越南東南附近高葉綠素a濃度水域的消失, 在非厄爾尼諾年北部冷水入侵的出現(xiàn)伴隨著越南東南附近高葉綠素a濃度水域的生成。

圖13 南海冬季海表溫度空間分布該圖基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站審圖號為GS(2020)4392 的標(biāo)準(zhǔn)地圖制作Fig. 13 Spatial distribution of winter SST in the South China Sea

圖14 南海冬季葉綠素a 濃度(a、b)和溫度(c、d)的合成分析a 和c 為厄爾尼諾年; b 和d 為非厄爾尼諾年。圖中黑色實線為500m 等深線。該圖基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站審圖號為GS(2020)4392 的標(biāo)準(zhǔn)地圖制作Fig. 14 Synthesis analysis of winter SST and chlorophyll a in the South China Sea

對于這種北部冷水入侵強(qiáng)度差異的南海西邊界現(xiàn)象, Quan 等(2016)也指出受到盛行季風(fēng)以及出、入流的影響, 西邊界流的結(jié)構(gòu)和強(qiáng)度有顯著的年際變化特征, 在大部分厄爾尼諾年的冬季, 南海西邊界流變得較深、較窄、較弱。厄爾尼諾通過調(diào)控南海季風(fēng)的年際變化來調(diào)控南海西邊界流年際變化是這種空間格局形成的主要因素(Zu et al, 2019)。因此,北部冷水入侵的年際變化可能是引起不同年份冬季局地浮游植物生物量增減的重要原因之一。

4 結(jié)論

本文基于OC-CCI 數(shù)據(jù), 運(yùn)用DINEOF 插值方法重構(gòu)了南海葉綠素場, 基于面積指標(biāo)建立了估算南海浮游植物生物量的方法體系, 結(jié)合海表溫度、海面風(fēng)場等環(huán)境要素的時空分布, 從時間和空間尺度分析了南海高葉綠素a濃度水域面積的變化特征。

總體來說, 在空間分布上, 離海岸越近, 重構(gòu)誤差值就越大。從時間分布上看, 每年除冬季外, 其他月份重構(gòu)誤差的空間平均值皆小于0.14mg·m–3,總體誤差平均值為0.0907mg·m–3。除了南海北部部分區(qū)域(臺灣海峽、北部陸架、北部灣)、婆羅洲島西北出現(xiàn)重構(gòu)誤差占葉綠素a濃度百分比出現(xiàn)高值外, 其他區(qū)域重構(gòu)誤差百分比占比相對較小, 且重構(gòu)誤差百分比大于5%的面積僅占總體區(qū)域的3.4%,因此可以認(rèn)為本次重構(gòu)誤差結(jié)果控制在一個較好的水平。

在時間序列上, 重構(gòu)的高葉綠素a濃度水域面積有著顯著的季節(jié)性特點。在秋、冬季節(jié), 面積到達(dá)雙峰結(jié)構(gòu)高值, 其中秋季的峰值相對冬季較小;在夏季到達(dá)全年面積的最小值。季節(jié)變化主要影響因素是風(fēng)場, 風(fēng)速的減小以及風(fēng)區(qū)的遷移可能對冬季南海表層高葉綠素a濃度水域面積變化有著重要的影響。對于冬季海表高葉綠素a濃度水域面積大而濃度低, 夏季海表高葉綠素a濃度水域面積小而濃度大的主要可能原因是風(fēng)驅(qū)動海表動力過程促使海表葉綠素重新分布。

在空間分布上, 高葉綠素a濃度水體常年存在于海岸附近, 特別是在中國沿海、越南沿岸、泰國灣以及婆羅洲島附近。不同年份(如2003 年、2005年、2006 年、2007 年、2008 年、2010 年、2011年、2017 年)的冬季, 在南海中部深盆區(qū)域以及巽他陸架存在著異常變化。這種變化主要可能是由于厄爾尼諾調(diào)控下的南海季風(fēng)出現(xiàn)年際變化所導(dǎo)致的, 季風(fēng)的年際變化影響著西邊界流, 從而影響著冬季南海西邊界冷水的侵入, 導(dǎo)致南海南部深水海盆區(qū)域以及巽他陸架處高葉綠素a濃度水域的變化。

由于本文是基于由遙感資料得到的葉綠素a濃度來進(jìn)行分析研究的, 缺乏實測航次資料對比。文中通過地球模擬器海洋環(huán)流模型數(shù)據(jù)集(OFES)混合層深度數(shù)據(jù)估算南海高生物量水域混合層生物量, 可能會因為不同季節(jié)次表層葉綠素最大值深度變化, 使得海表葉綠素a濃度估算南海整體混合層生物量得到的結(jié)果可能與實際之間會有一定的差異。本文通過遙感數(shù)據(jù)初步探討了南海高葉綠素a濃度水域面積的時空變化以及主要影響因素,但是其時空變化的響應(yīng)機(jī)制及動力過程仍有待于進(jìn)一步研究與發(fā)現(xiàn)。