黄渤海海水中叶绿素a的分布特征及其环境影响因素

周艳蕾,张传松,石晓勇,2*,苏荣国



黄渤海海水中叶绿素a的分布特征及其环境影响因素

周艳蕾1,张传松1,石晓勇1,2*,苏荣国1

(1.中国海洋大学化学化工学院,山东青岛 266100；2.国家海洋局海洋减灾中心,北京 100194)

基于2013年夏、秋季和2014年春季黄渤海海域调查数据,分析了该海域叶绿素a的含量、分布特征及其环境影响因素(温度、盐度、pH值、溶解无机氮、硅酸盐、磷酸盐).结果表明:2013年夏、秋季和2014年春季,黄渤海海水中叶绿素a含量范围分别是0.918~9.287,1.477~6.435,1.837~5.966mg/L,平均浓度分别为3.527 ,3.467,3.524mg/L;夏季和春季叶绿素a含量略高,秋季叶绿素a含量最低且变化范围较小;渤海海域叶绿素a分布具有明显区域特征,其分布基本呈近岸高、中部海域低的分布趋势;将水质参数作为自变量输入支持向量机(SVM)中,GA-SVM算法拟合效果(2>0.9)和精确度(MSE<0.01)较好,不同水质参数对海水叶绿素a含量的影响相对重要性具有季节差异,夏季,对海水叶绿素a含量影响最重要是磷酸盐和温度;秋季,对于海水叶绿素a含量影响最重要是硅酸盐和盐度;春季,对于海水叶绿素a含量影响最重要的是盐度和溶解无机氮.所有调查季节,对于海水叶绿素a含量影响最重要的是盐度和磷酸盐.综合参数影响重要性,表明陆源输入是黄渤海海域叶绿素a含量的最重要影响因素.

黄渤海；叶绿素a；相关性分析；支持向量机

渤海是我国最大的内海,黄海属于半封闭浅海,均有大量的陆源输入,黄渤海海域水体与外部海域水体交换周期长、水交换能力弱,且黄渤海海域水体更新速度慢、自净能力较差,容易导致营养物质积累[1].目前,黄渤海海水富营养盐化现象日益增强,引起浮游植物的快速生长和繁殖[2-3],导致赤潮和绿潮事件频繁爆发,严重威胁了黄渤海海域的生态系统[4].

叶绿素a(Chl-a)是富营养化常见的响应指标,是藻类光合作用的主要色素,可以利用Chl-a来评估藻类生长状况[5-6].近年来,有很多研究报道关于水体中Chl-a的分布与环境因子的关系[7].李飞鹏等[8]研究发现在小型封闭水体环境中Chl-a分布与水温、浊度、总氮和总磷呈显著正相关关系; Ma等[9]研究发现棘洪滩水库中Chl-a分布和总氮、溶解氧之间呈显著性负相关关系.在海洋生态系统中,Chl-a分布的影响因子众多、与环境因子之间具有复杂多变的线性、非线性关系[10-11].支持向量机(support vector machine, SVM)是以机械学习理论为基础,构建而成的简单明了的数学模型.支持向量机算法对数据量小、数据特征弱、数据非线性等问题有良好的泛化能力[12].目前,支持向量机算法在预测水体中Chl-a的分布得到成功应用[13-14].但利用支持向量机算法描述环境因子对Chl-a的影响作用方面鲜有报道.

本研究基于2013年夏、秋季和2014年春季的黄渤海海域大面调查数据,分析了该海域Chl-a的分布特征及影响因素,并利用支持向量机算法建立了环境因素与Chl-a分布的定量关系,在近海海域生态环境研究和监测提供支持.

1 材料与方法

1.1 研究海域

图1 黄渤海站位

现场调查于2013年夏季(6月)、2013年秋季(11月)和2014年春季(4月)搭载中国海洋大学“东方红2号”调查船在黄、渤海海域进行,调查范围均为:118°E~126°E、31°N~40°N(图1).

1.2 样品采集及测定

使用CTD获取不同站位海水盐度()、温度()等水质参数,同时使用Niskin采水器采集水样,水样使用GF/F(Whatman,450℃灼烧4.5h)滤膜过滤,按照《海洋监测规范》(GB17378-2007)确定过滤体积为300~500mL,过滤后收集滤膜用锡纸包裹于-20℃冷冻保存用于测定Chl-a.Chl-a采用紫外可见分光光度计测定.

取未过滤的水样用醋酸纤维膜过滤,用高密度聚乙烯瓶子(Nalgene)装滤液于-20℃冷冻保存.硝酸盐(NO3--N)、亚硝酸盐(NO2--N)、磷酸盐(PO43--P)、硅酸盐(SiO32--Si)采用QUAATRO型营养盐自动分析仪测定.氨氮(NH4+-N)采用次溴酸钠氧化法手工测定.其中,DIN=NH4+-N +NO3--N +NO2--N.

使用Winkler碘量法对溶解氧(DO)进行现场测定.pH值采用复合电极法进行现场测定.

1.3 数据处理

数据处理与分析使用SPSS19.0和MATLAB12.0等软件完成;SPSS19.0完成Chl-a分布与水质参数之间的Pearson相关性分析. LIBSVM工具包[15]安装到MATLAB12.0实现Chl-a分布与水质参数的支持向量机基回归分析.

2 结果与讨论

2.1 黄渤海水质参数变化特征

如表1所示,由于不同季节海域风、冷水团、大气压力等因素影响不同[16],导致春季比夏、秋季的海水温度偏低;相对于春、夏季,秋季海水盐度明显大,该海域在夏季(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],因此这是由于不同季节的陆源输入及降水量的不同所造成的结果;秋季黄渤海域的DIN、PO43--P和SiO32--Si平均含量均高于春、夏季,分别是春季的1.62、4.27和3.34倍,是夏季的1.57、3.62和2.73倍,且春夏季的营养盐结构变化幅度较大,大部分站位的N:P比和Si:P比高于Redfield值.这可能是由于春季海域浮游植物处于增殖期,生长繁殖能力增强,消耗大量营养盐,同时温跃层开始形成,上下水体得不到有效的交换,沉积物释放的营养盐不能向上补充.而秋季(末)海域浮游植物处于衰减期,海水温度较低,浮游植物对营养盐的吸收减弱,且海水中浮游生物开始消亡释放营养盐,同时,温跃层逐渐消失,黄海冷水团逐渐上涌,上下水体得到有效交换,底层营养盐向上补充,使营养盐水平逐渐升高.

表1 黄渤海水质参数统计

注:温度的单位为℃, PO43--P, SiO32--Si, DIN的含量单位为μmol/L; n.d.表示未检出.

2.2 黄渤海水体叶绿素时空分布特征及其与环境因子的相关性

夏季(6月),黄渤海区域海水中Chl-a含量范围为0.918~9.287mg/L,平均浓度为3.527mg/L.由图2可知,海水中Chl-a分布呈近岸高,远岸低的特征,此分布特征在渤海湾内和北黄海尤为显著,并且夏季海水中Chl-a含量与盐度呈显著性负相关(<0.05),其原因是渤海湾和北黄海属于半封闭浅海,许多河流对渤海进行淡水输入[18],使得其有大量的营养盐输入,促使浮游植物的生长,从而海水中Chl-a含量升高;低值区主要位于黄海中部,并且夏季海水中Chl-含量与温度呈极显著性正相关(<0.01),其原因可能是夏季黄海中部存有冷水团[19],浮游生物活动受温度限制所致.

秋季(11月),黄渤海区域海水中Chl-a含量范围为1.477~6.435mg/L,平均浓度是3.467mg/L.海水中Chl-a高值区基本分布于渤海、北黄海大连近岸海域和南黄海近岸海域.低值区主要在南黄海中部.这是由于南黄海的中部受到黄海暖流和黑潮余脉的影响形成低营养盐分布海域[19],营养盐抑制浮游植物的生长,从而形成黄海海水中Chl-a分布的封闭式低值区.

春季(4月),黄渤海区域表层海水中Chl-a含量范围为1.837~5.966mg/L,平均浓度是3.524mg/ L.海水中Chl-a分布特征和夏秋季类似,呈现近岸高,远岸低,但相对于夏、秋季海水中Chl-a高值区范围向中部扩散.这是由于海域冷水团尚未完全形成,水团影响较小[18-19].春季温度上升,浮游植物逐渐开始快速的生长和繁殖,导致春季海水中Chl-a含量与pH值(0.278,<0.01)和DIN (0.280,<0.01)呈现显著正相关,与(-0.383,< 0.01)呈现极显著负相关.

表2 叶绿素a与所有参数的相关性

注:温度的单位为℃, PO43--P, SiO32--Si, DIN的含量单位为μmol/L; ** 表示显著性水平<0.01;* 表示显著性水平< 0.05.

黄渤海海域水质Chl-a整体分布具有明显区域特征和季节特征.其平面分布基本呈现南北高、中部低,近岸高、外海低的分布趋势.这是由于近岸有海河、长江等河流的输入、海水浅、混合性强以及营养盐分布较高,适合浮游植物较快的生长和繁殖.在时间上,整体呈现夏季和春季叶绿素含量略高,秋季叶绿素含量最少且范围最小.可能原因是温度逐渐下降,浮游植物的生长和繁殖能力较弱,从而造成叶绿素含量下降.由于海水中Chl-a含量与环境因子之间有复杂的线性、非线性关系[10],导致海水中Chl-a含量与海水参数在不同季节相关性不同.

2.3 基于支持向量机对水体Chl-a分布的环境因素分析

将6个水质参数(SiO32--Si、DIN、PO43--P、T、S和pH)作为自变量,Chla浓度作为因变量输入到GA-SVM算法中,选取可决系数(2)较大和均方误差(MSE)较小的最佳条件参数[20-21].遗传算法(Genetic Algorithm,GA)是SVM常用的优化算法之一,是一种以仿生学为基础,解决复杂系统优化自适应概率优化的技术[22].GA-SVM算法的准确率如表3所示,夏、秋、春季和三季所有数据的2分别为0.965、0.966、0.975和0.932,2均接近于1,算法的拟合效果良好[23-24].夏、秋、春季和三季所有数据的MSE分别为0.0082、0.0080、0.0086和0.0076,MSE均小于0.01,说明算法对样本数据具有良好的精确度[25].比龙爱民等[26]利用多元相关分析海水中Chl-a分布和其它水质因子线性关系(2=0.709,<0.001)更具有描述性.这是由于海水中Chl-a分布和部分水质因子之间具有复杂多变的非线性关系[11].

根据权重系数的求解计算不同输入变量对输出结果的重要性[27],6个输入变量对Chl-a分布的权重系数和相对重要性如表4所示.其中将夏季权重系数最大的PO43--P、秋季权重系数最大的SiO32--Si、春季权重系数最大的和三季权重系数的赋予相对重要性为100,其余变量与之对比得到相对重要性,由于权重系数为矢量,其绝对值大小表明输出结果的影响程度.

表3 算法的准确率

表4 支持向量机回归模型中输入变量的权重系数和相对重要性评价

注:温度的单位为℃, PO43--P, SiO32--Si, DIN的含量单位为μmol/L.

由表4可知,对于夏季Chl-a分布影响最显著的输入变量是PO43--P和,之后依次是、DIN、SiO32--Si和pH值.夏季,位于长江以北的地表径流相继进入丰水期,陆源输入大量营养盐[28-29],促进浮游植物的生长和繁殖,且该海域的N:P>22的站位超过80%,Si:P>22的站位超过70%,说明在黄河口和南黄海近海海域均出现较大范围的P潜在限制[30],从而磷酸盐成为主要影响因子;海水温度垂直方向上波动较大,使成为继磷酸盐之后最重要的影响因子.

对于春季Chl-a分布影响最显著的输入的变量是和DIN,之后依次是pH值、、PO43--P和SiO32--Si.浮游植物在春季慢慢开始生长和繁殖,但此时黄渤海海域各个输入径流还没有进入丰水期,陆源输入的营养盐和淡水不如夏季多,从而海水中的DIN分布和成为影响海水中Chl-a分布的主要因素.

对于秋季Chl-a分布影响最显著的输入的变量是SiO32--Si和,之后依次是、pH值、PO43--P和DIN.

对3个季节的全部调查数据进行分析表明, Chl-a分布影响最显著的输入变量是和PO43-- P,之后依次是、DIN、pH值和SiO32--Si.黄渤海海域的陆源输入是近岸海域营养盐的主要来源,是浮游植物活动的主要影响因素,浮游植物生长和繁殖能力强时需要吸收大量的磷酸盐[31],而该海域磷酸盐分布相对较低且陆源输入相对较少,导致和PO43--P成为最显著的影响因素.

3 结论

3.1 黄渤海海域水质Chl-a分布具有明显区域特征,叶绿素a浓度呈现南北高、中部低,近岸高、外海低的分布趋势.叶绿素a的分布主要受陆源输入、冷水团等因素的影响.黄渤海海域夏季和春季叶绿素含量略高,秋季叶绿素含量最低且范围最小.

3.2 将水质参数SiO32--Si、DIN、PO43--P、、和pH值作为变量输入GA-SVM算法对海水中叶绿素a分布进行回归分析.GA-SVM算法的拟合效果和精确度较好,不同季节,可决系数(2)均大于0.9,均方误差(MSE)均小于0.01.结果表明GA-SVM算法对于海水中叶绿素a分布与其环境因子的关系有良好的描述性.

3.3 GA-SVM算法结果表明,不同水质参数在不同季节对Chl-a分布的影响相对重要性也不同.夏季,对于海水Chl-a分布影响最显著的是PO43--P和;秋季,对于海水Chl-a分布影响最显著的是SiO32--Si和;春季,对于海水Chl-a分布影响最显著的是和DIN.陆源输入是黄渤海海域Chl-a分布的最大影响因素.

[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] 赵晨英,臧家业,刘 军,等.黄渤海氮磷营养盐的分布、收支与生态环境效应[J]. 中国环境科学, 2016,36(7):2115-2127.

[4] Andersen J H, Schlüter L, Ærtebjerg 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] 郑国侠,宋金明,戴纪翠,等.南黄海秋季叶绿素a的分布特征与浮游植物的固碳强度[J]. 海洋学报:中文版, 2006,28(3):109- 118.

[8] 李飞鹏,张海平,陈 玲.小型封闭水体环境因子与叶绿素a的时空分布及相关性研究[J]. 环境科学, 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] 刘 佳,黄清辉,李建华.崇明北湖叶绿素a浓度与环境因子的GAM回归分析[J]. 中国环境科学, 2009,29(12):1291-1295.

[11] 张 颖,高倩倩.基于极限学习机回归的海水Chla浓度预测方法[J]. 海洋环境科学, 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] 张玉超,钱 新,钱 瑜,等.支持向量机在太湖叶绿素a非线性反演中的应用[J]. 中国环境科学, 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 龙.基于19年卫星测高数据的中国海海平面变化及其影响因素研究[D]. 青岛:中国海洋大学, 2013.

[16] 郭兴森,吕迎春,孙志高,等.黄河口溶解无机碳时空分布特征及影响因素研究[J]. 环境科学, 2015,36(2):457-463.

[17] 姜德娟,张 华,常远勇,等.基于TRMM卫星资料的渤海降水遥感估算研究[J]. 海洋科学, 2015,39(10):116-124.

[18] 李延伟,胡莹莹,陈淑梅.夏、秋季北黄海营养盐的时空分布特征及其影响机制[J]. 中国环境科学, 2013,33(6):1060-1067.

[19] 李 伟,王玉衡,汪嘉宁,等.2011年春、夏季黄、东海水团与水文结构分布特征[J]. 海洋与湖沼, 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] 刘希亮,赵学胜,陆 锋,等.基于GA-SVM的露天矿抛掷爆破抛掷率预测[J]. 煤炭学报, 2012,37(12):1999-2005.

[23] 张 博.混沌支持向量机风速短期预测及其在pcDuino平台实现[D]. 太原:中北大学, 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] 龙爱民,陈绍勇,周伟华,等.南海北部秋季营养盐、溶解氧、pH值和叶绿素a分布特征及相互关系[J]. 海洋通报, 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] 张传松,王修林,石晓勇,等.东海赤潮高发区营养盐时空分布特征及其与赤潮的关系[J]. 环境科学, 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

周艳蕾(1993-),女,黑龙江伊春人,中国海洋大学硕士研究生,主要从事海洋污染生态化学及海水分析研究.发表论文4篇.

2017-04-18

国家重点研发计划项目(2016YFC1402101,2016YFC1400602);国家海洋局海洋减灾中心科研项目(2014AA060)

* 责任作者, 教授, shixy@ouc.edu.cn