黄渤海海域叶绿素a浓度时空特征分布及影响因子分析

赵 娜，王霄鹏，李咏沙，姚凤梅

(1.青岛大学计算机科学技术学院遥感与数字地球研究中心，青岛 266071；2.中国科学院大学地球与行星科学学院，北京 100049； 3.中国科学院计算地球动力学重点实验室，北京 100049)

随着社会经济的快速发展，海洋环境污染日益严重[1]。有害藻类已成为水体环境污染的突出问题[2]，危害人类健康、海洋环境和物种平衡[3]。叶绿素a浓度(chlorophyll-a concentration, Chl-a)随着有害藻类的爆发和消失而急剧变化[4]，是评价有害藻类密度的关键参数[5-6]。因此，通过了解Chl-a的时空变化，可以对海洋环境监测有一个更好的认识，有助于减少经济损失。

监测Chl-a的方法包括有针对性的船舶现场取样运动和卫星遥感观测。由于浮游植物生长速度快，海洋环境多样，获取长期数据集成本高，原位采样难以实现[7-8]，卫星遥感具有大面积、长时间、动态检测的优势，可以弥补原位监测的不足，所以，遥感已被成功地应用于监测Chl-a的变化。Platt等[9]通过检验海洋生态系统的各指标，发现遥感是获取海洋水色生态指标必不可少的工具；Chaves等[10]利用中分辨率成像光谱仪(moderate-resolution Imaging spectroradiometer,MODIS)数据进一步探讨了Chl-a的时空变化，并与现场测量结果进行了比较，研究证明卫星可以提供关于Chl-a变化趋势的可靠资料。利用遥感资料，很多学者研究了湖泊和海洋Chl-a的空间和季节分布。Zhang等[11]将太湖的Chl-a与MODIS波段2数据的反射率建立函数关系，分析了Chl-a的时空变化；Shen等[12]基于9年的海洋宽视场传感器(sea-viewing wide field sensor, SeaWiFS)数据研究南海Chl-a的季节变化和空间分布特征。现有的判别方法存在参数不确定性，而自组织映射神经网络模型(self-organizing feature map, SOM)神经网络[13-14]具有稳定性、无需外界给出评价参数，能够给出向量间最有意义的特征。

浮游植物群落结构的变化可能与环境因素有关，如风、营养、温度、盐度及上层营养水平的变化[15]。因此，Chl-a的分布也受到这些因素的影响。Nishijima等[16]探索了不同深度下Chl-a在时间和空间尺度上的变化，发现营养物质特别是磷的缺乏限制了浮游植物生物量的增加；Hao等[17]认为两个电站排放的热水是大亚湾生态系统变化的驱动因素，营养、盐度、溶解氧、化学需氧量等因素随水温的升高而变化，这些因素在短期内影响了水质和浮游植物生长，长期影响了水生生物和整个生态系统；Mamun等[18]对荣山江总磷、总氮和悬浮物的时空分布进行了研究，发现夏季风主导了该流域养分浓度变化和藻类生长；Anusha等[19]也发现1—3月沙巴州海域西北海岸的Chl-a北季风作用下有非常明显的增加。以上研究表明，水温和风是影响海洋生态系统的重要因素，水温和风的微小变化会对生态系统产生较大的环境影响[20]。

基于MODIS卫星获得的Chl-a数据，探索黄渤海15年Chl-a时间和空间分布特征，并使用SOM研究Chl-a时空变化模式能更稳定、直观地评价Chl-a变化趋势。其次，利用广义加性模型(generalized additive model, GAM)分析了海表温度、风速与Chl-a之间的线性和非线性关系，揭示了单因素和多因素对Chl-a变化的影响。

1 数据与方法

1.1 研究区域

黄渤海位于中国北部，是半封闭海域，渤海通过渤海海峡的狭窄通道与黄海相连。这种特殊的地理条件使海洋的水停留时间更长，污染物的滞留时间更长[21-22]。黄渤海受东亚季风的影响，冬季以北风和西北风为主，夏季以南风为主。水温和光照条件的自然变化也导致浮游植物的生长变化[23]。有许多注入黄渤海的大中型河流流经大片的农业区和工业区，为黄渤海带来了大量的淡水和营养物质。近海是渔业和水产养殖的重要区域，大量的营养物质投入造成水体呈富营养化状态，近海岸附近尤为严重[24-25]。近几十年来，黄渤海出现了有害藻类大面积爆发的水质问题[26-27]。选择图1所示的3个不同地区作为研究区分析Chl-a的变化。

图1 黄渤海地理位置及研究区示意图Fig.1 Map of geographical location of Yellow sea and Bohai Sea

1.2 数据

Chl-a数据采用美国国家航空航天局(National Aeronautics and Space Administration,NASA)的MODIS Aqua Level3级Chl-a产品，空间分辨率为9 km，覆盖时间范围为2003年1月至2017年12月。2000年和2004年Chl-a海洋观测宽视场传感器的数据(SeaWiFS)被用来比较“调水调沙”工程前后Chl-a的变化[27]。还用了2003年1月至2017年12月的MODIS Level3级海表温度(SST)和欧洲中期数值预报中心(European Centre for Medium-range Weather Forecasting,ECMWF)的海表风场再分析数据。

1.3 研究方法

1.3.1 滑动平均序列

(1)

(2)

(3)

式中：xi为第i个月的Chl-a；n为时间序列的长度；k为移动平均线的滑动长度。

1.3.2 SOM神经网络

自组织映射是一种无监督网络，能够发现数据之间的内在规律从而主动改变网络结构中的参数[13]。一种常用的网络拓扑结构包含输入层和竞争层。首先对输出层各权向量赋予较小的随机数并进行归一化处理；其次根据计算的欧式距离dj(t)寻找获胜节点。

20世纪50年代末，美国语言学家约瑟夫·H·格林伯格打开了语言学研究的一个新的领域——语言类型学。该理论主要的观点是在对人类语言的机制和规则进行概括总结时，必须要进行跨语言验证，而要研究任何一种语言的特点都离不开跨语言比较出的共性和类型分类的基础。我国著名英语学者许国璋也提出：“过去的研究太过于强调汉语和欧洲语言之间的差异，而忽视了两者之间的相同点。”[1]近年来，语言类型学逐渐风靡，挖掘汉语和英语之间的共性和差异，掌握两者之间的普遍特征成为潮流。

(4)

式(4)中：x={x1，x2，…，xn}表示输入训练样本；wij(t)为在时间t连接神经元i到神经元j的权值。最后，定义优胜邻域Nj*(t)以j*为中心确定t时刻的权值调整域，初始邻域Nj*(t)较大，随着训练时间收缩，优胜邻域的权值调整为

wij(t+1)=wij(t)+η(t,N)[xi-wij(t)]

(5)

式(5)中：η表示学习率。

1.3.3 广义加性模型

GAM是由数据驱动而非统计分布驱动的非参数回归模型，可拟合自变量与多个因变量的线性关系[28-29]。GAM最初是为了融合广义线性模型和加法模型而开发的，该模型将响应变量Y与一些预测变量xi联系起来，通过函数g将Y的期望值与预测因子联系起来，即

(6)

函数f可以是参数形式的函数，也可以是非参数形式的函数,参数可通过最小二乘法获得。参数自由度(edf)、P、解释率(deviance explained)和调整判定系数(R-adj)用来描述模型的统计结果。其中，edf代表估计价值的自由度，并确定因变量与自变量的线性关系(edf=1时，表明该因素与Chl-a呈线性关系，edf越大表明该因素与Chl-a之间的非线性关系越强)。P表示统计结果的显著性水平，参照其评价各因素与因变量之间的相关性显著水平。deviance explained和R-adj为模型对因变量总体变化的解释率，值越接近1越好。

2 结果与讨论

2.1 黄渤海Chl-a时空分布

2.1.1 Chl-a季节变化和空间分布

图2显示了2003—2017年各月Chl-a的空间和季节分布。空间上，渤海Chl-a明显高于黄海并呈现从近海岸海域向深水海盆逐渐降低的变化趋势。Chl-a变化受季节的影响，从12月到次年5月Chl-a逐渐增加；夏季(6—8月)山东半岛海岸、辽东半岛海岸和朝鲜半岛海岸的Chl-a(>10 mg/m3)不断增加，并在一年内达到最高值。夏季和初秋(6—9月)黄海中部Chl-a明显低于春季和冬季(12月—次年5月)。进入过渡期(9—11月)，深海Chl-a逐渐增加，而近海岸和渤海Chl-a呈现下降趋势。

为了更深入地了解不同位置Chl-a的季节变化，选取了黄渤海如图1所述的3个区域Chl-a的15年MODIS逐月均值和区域A的2000年、2004年SeaWiFS逐月Chl-a，如图3所示。黄渤海(区域T)Chl-a在2月份出现最高值(>3.0 mg/m3)，9月份出现微弱高峰，7月份以最低[(2.1±0.2) mg/m3]。区域A在3月[(5.3±0.2) mg/m3]和9月[(5.5±0.2) mg/m3]均出现峰值，在11月至1月Chl-a相对较低。区域B 的Chl-a季节分布特征明显，4月[(3.4±0.3) mg/m3]和10月[(2.2±0.3) mg/m3]出现两个高峰，夏季最低。区域C也发现了类似的季节模式，4月份最高[(3.9±0.2) mg/m3]，12月出现次高峰。总体来看，区域A的Chl-a在各月均高于区域B和C。

图2 黄渤海海域2003—2017年近15年的Chl-a空间分布Fig.2 Spatial distribution of 15-year average of Chl-a in the Bohai Sea and Yellow Sea during 2003—2017

图3 研究区近15年Chl-a月均值变化曲线Fig.3 Seasonal variation in recent 15-year averaged MODIS monthly Chl-a from January to December in study area

2.1.2 Chl-a的年际变化

2003—2017年3个子区域的Chl-a年际变化呈现出不同的格局，利用滑动平均序列对Chl-a进行平滑处理(图4)。Chl-a呈现增长速度降低的上升的趋势。更具体地说，区域T的Chl-a呈现先增加后下降而后又上升的变化趋势。区域A的Chl-a在2010年达到最低且高于区域B和C。近15年来区域A变化幅度相对较小，区域B和C偏大。2008年，区域B和C的Chl-a出现最大峰值(11.37 mg/m3和8.20 mg/m3)，波动幅度最大。

图4 黄渤海Chl-a年际变化曲线Fig.4 Interannual variation of Chl-ain Bohai Sea and Yellow Sea

2.1.3 黄渤海Chl-a模式

利用SOM分析黄渤海Chl-a的时空变化规律，实验表明，2×2网络结构是多种网络结构中最合理的。将SOM提取的模式1～4依次定义为清澈模式、低浓度模式、中浓度模式和高浓度模式(图5)。从图5可以看出，Chl-a在各模式下的分布存在差异性。在清澈模式下，Chl-a浓度普遍都比较低且渤海的Chl-a略高于黄海；低浓度模式的Chl-a覆盖面积扩大清澈面积减少，黄海北部、山东半岛附近Chl-a明显升高。从低浓度模式到中浓度模式，近海岸附近形成了浓度相对较高的环形带。在高浓度模式下，整个海域的Chl-a普遍升高，高浓度Chl-a大面积集中在近海岸附近，山东半岛、辽东半岛、黄海西南沿岸尤为显著，而黄海中部地区略微偏低。不同浓度模式下的Chl-a均从近海岸向深海盆地呈下降趋势，这与图2中的变化趋势一致。

图5 黄渤海海域Chl-a 模式特征分布Fig.5 Characteristic diagram of normalized Chl-a distribution pattern in study area

图6 黄渤海海域近15年各月Chl-a模式分布图Fig.6 Monthly variation of Chl-a modes in recent 15-year in the Bohai Sea and Yellow Sea

统计各月份不同模式出现的频率，把频率最高作为该月的主要模式(图6)。结果表明，1月、11月和12月以低浓度模式为主，出现少量高浓度模式。2—4月以高浓度模式为主，5月为多模式并存的过渡月，以高浓度模式为主，低、中浓度模式为辅。与清澈模式占据主导地位的6、7月相比，8—10月浓度较高，主要处于中等浓度模式。春季以高浓度模式为主，夏季为清澈模式，5月和11月是多模式共存的过渡时期，这与春季高、夏季低的变化趋势一致。

统计黄渤海每年不同模式出现的频率，并以频率最高的模式为该年主要模式(表1)。黄渤海2003—2008年呈现先升高后下降的趋势，2009—2011年均保持高浓度模式，2012—2017年是先降后升再降的趋势。

表1 黄渤海的Chl-a模式Table 1 The Chl-amodes in the Bohai Sea and Yellow Sea

2.2 SST和风对Chl-a的影响

单个因素对Chl-a影响显著性及模型的拟合优度如表2所示。结果显示，所有影响因素均在P<0.05水平下对Chl-a变化影响显著，表明各影响因素单独作为Chl-a变化的解释变量具有统计学意义。在区域T、B和C，SST对Chl-a变化的模型解释率较高(30%～40%)，R-adj较大(0.303～0.400)表明SST与Chl-a变化构建模型方程的拟合度较优；风速对Chl-a变化的解释率较低，R-adj也较低，表明它们单独对Chl-a变化的拟合优度较差。Chl-a与SST、风速之间存在非线性相关性(edf> 1)，区域B和C的影响因素与Chl-a非线性关系更为明显。影响Chl-a变化的因子按照解释率排序SST>风速。

GAM模型拟合多个影响因素对Chl-a变化的结果(表3)表明区域T的SST和风速对Chl-a变化的解释率为39.3%，R-adj为0.373，模型的拟合程度较高，SST和风速对Chl-a变化的解释率较高。区域B的解释率(43.8%)和R-adj(0.426)最大，模型拟合程度最好，区域C紧跟其后。区域A的SST和风速对Chl-a变化影响最小，解释率仅为12.2%。

表2 Chl-a与单影响因素的GAM模型分析结果Table 2 Results of GAM analysis between Chl-a and single influencing factors

表3 Chl-a与多影响因素的GAM模型分析结果Table 3 Result of GAM analysis between Chl-a and multi influencing factors

图7 环境因素对Chl-a变化的影响Fig.7 Effect of environmental factors on the variation of Chl-a

通过对影响因素与Chl-a响应变量间建立GAM模型，得到影响因素对Chl-a影响效应图(图7)，纵轴表示平滑函数值，括号中的数字表示自由度，虚线表示可信区间的上下限，实线表示Chl-a平滑拟合曲线。当区域A的SST高于15 ℃时，促进浮游植物的生长和Chl-a增加；SST低于15 ℃时，区域B和C的Chl-a增加。水温的变化也会引起其他环境因素的变化，进而影响浮游植物的生长[30]。春季，海水的对流从深海海底带来了丰富的营养物质，温度的升高有利于浮游植物的光合作用，浮游植物大量生长繁殖导致Chl-a增加。SST在夏季继续上升，氧气、硅酸盐、磷酸盐等营养物质的减少以及温度过高抑制了浮游植物的生产和生长，导致了Chl-a的降低。

风对浮游植物的生长有重要影响，风速较低时，有利于浮游植物的繁殖与同聚集，Chl-a相对较高；风速大于3 m/s时，Chl-a明显降低，说明风速过大不利于Chl-a含量的提高(图7)，与Arfi等[31]认为风速保持在一个相对较低的范围内，有利于浮游植物的繁殖，也使得远离海岸的浮游植物得以聚集，Chl-a含量相对较高的研究一致。夏季风推动黄海暖流，从南到北为浮游植物的生长带来了大量的营养，浮游植物的大规模繁殖引起Chl-a的增加。除此之外，风浪的搅动会释放出海床上隐藏的营养物质，把它们带到海面上，风还会使表层浮游植物随风向移动，改变地理位置，给某些海域带来新的物种和生物量，这些综合因素增加了沿海地区的Chl-a。另一方面，Chl-a在某种程度上也与风速呈负相关。风速过大扰乱了海水，导致水沉积物重新悬浮，湖泊浑浊，浮游植物可接受的光能减少，浮游植物能够埋在悬浮沉积物的底部，如冬季风带来的冷水降低了水温，限制了浮游植物的生长，导致Chl-a含量降低[20]。

黄渤海的SST和风速对Chl-a的变化的解释率为39.3%(表3)，表明还有许多其他因子影响Chl-a的变化。沿海排放也是影响Chl-a变化的重要因素之一[19]。河流或降水会将携带高浓度的有机和无机物质的废水输送到河口和近海岸，增加了附近的氮、磷和其他营养物质，为浮游植物的繁殖和生长提供了材料[15]。渤海中部和黄海Chl-a相对较高与沿海水域、黄渤海环流(包括暖流延伸、辽东沿海流和黄海沿岸流)和风-潮-温盐环流之间的水交换有关，水交换可以增强沿海养分向渤海中部的输送，从而促进浮游植物的生长，Chl-a增加。此外，黄渤海也是重要的海水养殖场，甲壳类和鱼类丰富，可释放溶解的养分和沉积物以及人工饲料的投入加剧了富营养化的程度[20]，导致了Chl-a的增加。除此之外，政策主导的人类活动也对Chl-a有明显影响(图 8)。图8显示区域A 2000年的Chl-a最大值出现在春季，2004年的最大值出现在秋季，这是由于受到2002年6月开始实施的黄河“调水调沙”工程的影响。“调水调沙”工程带来了大量的营养物质，增加了浮游植物的生物量和多样性，其影响可以持续到9月，使得Chl-a在秋季出现最大值[24]

图8 区域A在2000年和2004年SeaWiFS Chl-a月变化Fig.8 Monthly variation of SeaWiFS Chl-a in Region A during 2000 and 2004

3 结论

(1)利用MODIS Chl-a数据，采用滑动平均序列、SOM神经网络，研究了黄渤海Chl-a的时空分布。结果表明，Chl-a在近15年呈增长速度降低的上升趋势且存在明显的季节变化。4月的Chl-a最高，为3.43 mg/m3, 7月最低为2.41 mg/m3, 区域A的Chl-a在9月浓度最高。空间分布表明，Chl-a从近海岸海域向深水海盆逐渐降低的变化趋势。从春季到夏季，深海中的Chl-a呈下降趋势；近海岸Chl-a持续上升直到10月份下降。将SOM模型提取的典型模式分为清澈模式和低、中、高浓度模式，从清澈模式到低、中、高浓度模式，Chl-a覆盖面和浓度均逐渐增加，SOM提取的模式可以有效地阐明Chl-a在空间、季节和年际变化趋势。

(2)根据GAM模型分析，Chl-a和SST与风速之间存在显著的非线性相关。当温度适宜时，SST促进了Chl-a的升高。但当温度超过阈值时，浮游植物的生长受到抑制，影响了Chl-a的增加。风速降低有利于藻类的漂移积累，导致Chl-a增加；其次，风向影响Chl-a的分布。人类的活动也会影响Chl-a的浓度与分布。