基于GEE的中国南海水质反演与富营养化评价

王凤霞,夏卓异,郭雨辉,杨子清,李佳欣,陈崯晓

基于GEE的中国南海水质反演与富营养化评价

王凤霞1,夏卓异2*,郭雨辉1,杨子清1,李佳欣1,陈崯晓1

(1.海南大学旅游学院,海南 海口 570203；2.南京大学建筑与城市学院,江苏 南京 210093)

基于Google Earth Engine(GEE)平台,以MODIS遥感影像为数据源,通过构建多元特征建立水质反演模型,分析了2006～2018年的南海透明度(SD)、总氮(TN)、叶绿素(Chl-a)、化学需氧量(COD)的空间变化特征,并通过综合营养指数分析了南海富营养化的时空趋势.结果表明:GEE结合多元回归模型能够较好模拟南海水质变化,水质对于MODIS特征的响应程度为SD>COD>TN>Chl-a,多项式拟合水质参数效果最好;南海的SD、TN、Chl-a、COD 4个水质参数时空异质规律明显,SD高值主要分布在菲律宾西部和越南东部的海域,2006～2018年SD逐步降低, 2006～2018年间TN高值分布范围逐年扩大,而Chl-a浓度逐步降低,2006～2018年期间COD在逐渐蔓延;通过三维趋势面分析,SD和COD、TN和Chl-a的空间变化趋势相似,而Chl-a则与SD、COD的变化趋势完全相反;2006～2018年,中国南海富营养化程度呈递增趋势,不同国家应当开展区域合作以进行海洋环境治理.

中国南海；时空演变；Google Earth Engine；MODIS；综合营养指数；富营养化

富营养化是海洋出现的生态异常现象,多发生在有机污染严重、水交换不良的内海和港湾或排污河口近岸水域.海洋水质受到人类活动和气候变化的双重影响,已经成为全球性的社会-生态问题[1],不仅限制了各国海洋产业的发展,也导致海洋生态结构和功能的下降[2].研究营养物质在海洋环境中的过程和机制,成为国内外科学家和世界各国政府共同面临的任务和挑战[3].南海素有“亚洲地中海”之称,是沟通两大洋和联系三大洲的海上枢纽,不仅是我国最大的海域,也是“一带一路”战略的重要节点,具有重要的战略意义.

国内外不少学者对南海水质的评价模型进行研究.早期学者使用物理参数法和化学参数法进行点数据测量[4],再进一步通过单因子法[5-6]、综合指数法[7]、模糊聚类[8]和主成分分析[9]等方法对水质的营养化程度进行评估.研究表明,南海大亚湾的富营养化状况较高,水质的季节性变化受到季风和人类活动的影响[10];海水温度是影响南海北部海水质量最为关键的水质因子,海水的温热结构决定着其他水质参数的分布模式和变化特点[11];南海南部区域总体营养盐水平较低,南海富营养化呈现空间上的不均衡[12-13].由于地域空间的限制,点数据模型评估依赖于数据的代表性和有效性,难以进行大范围水域的同步采样测量和分析南海水质的时空异质性[14].

我国海洋遥感应用自20世纪70年代起步以来,构建了覆盖海洋水色、海洋动力和海洋监视监测的3大系列海洋卫星[15].利用卫星遥感技术探测海水指标,可大大减少采样工作量,探测速度快、成本低,与常规方法具有很好的互补性[16].Yi等[17]对南海表面盐度分析表明,需要长时间序列和高空间分辨率数据揭示气候变化和海洋盐度的耦合关系.但海洋卫星数据容易受到海洋环流、大气作用和海气作用的影响,导致数据存在一定的偏差[18].

为了对南海水质空间进行拟合,需要构建水质特征,并建立和观测点之间的关联,当前学者主要采用多元回归、BP神经网络[19]、贝叶斯网络[20]等方法.当测量数据较少时,BP神经网络和贝叶斯网络在拟合观测数据和遥感数据时容易造成过拟合或欠拟合,对研究结果造成影响,而多元回归模型在少样本数据拟合上更为稳健[9].基于此,本文在获取海南水域28个实测叶绿素(Chl-a)、总氮(TN)、透明度(SD)、COD数据的基础上,以GEE云遥感处理平台为分析处理平台[21],获取海洋和陆地的MODIS数据,利用多元回归分析的方法,将水质观测与遥感光谱信息相结合,建立中国南海水域水质参数与卫星遥感数据之间的反演模型,再通过三维趋势面分析其不同水质参数的空间特征,最后对2006～2018年的南海富营养化状况进行评估,以期为研究中国南海水质变化和富营养化空间规律提供依据.

1 数据来源与研究方法

1.1 数据来源

1.1.1 站点监测数据 本文所用的实测数据均为站点监测数据,分别是来自中国南海三亚近海海域2005～2006年24个站点的监测数据和2007～2018年27个站点的监测数据.按照相关性、可操作性、简洁性和科学性相结合的原则,选取Chl-a、TN、SD、COD作为海洋富营养化评价指标[22].数据全部由国家海洋局海口海洋环境监测中心站测试,叶绿素采用TU-1900紫外可见分光光度计检测;总氮包括硝酸盐-氮(NO3--N)、亚硝酸盐-氮(NO2--N)和无机氮,分别基于锌-镉还原法、荼乙二胺分光光度和次溴酸盐氧化法并通过TU-1900紫外可见分光光度计测量;其次,使用透明度盘测算透明度;最后,基于碘量法使用50mL酸式滴定管测算COD浓度.分析站点实测数据并对其取平均值进行分析,结果表明不同水质参数的时间趋势差异明显(表1).

表1 2005～2018年SD、NO3--N、NO2--N、无机氮、Chl-a、COD变化

1.1.2 遥感数据 本文采用GEE(GoogleEarthEngine)数据库中的MOD09GA和MODODGA全球地表反射率数据集作为数据源.MODIS表面反射率产品提供了表面光谱反射率的估计值,因为它在没有大气散射或吸收的情况下在地面上进行测量,并对大气气体和气溶胶的低水平数据进行了校正. MOD09GA和MODOCGA数据集共包含16个波段.MOD09GAV6在正弦投影中的每日网格化L2G产品中提供了1～7波段,包括500m反射率值和1km观测数据.MODOCGAV6海洋反射率产品包含TerraMODIS8～16波段的1km反射率数据.8～16波段主要用于生产海洋产品,该产品称为海洋反射率.表2为本研究所采用的15种波段以及其对应的波段宽度、分辨率和信噪比.由2005年1月1日～2018年12月31日的MOD09GA和MODODGA获取的共360张原始遥感影像图,基于GEE平台去云掩膜提取算法排除掉无效影像和因阴影、云、雪造成的不可观测的影像数据[23-24].

表2 数据来源

1.2 研究方法

1.2.1 水质特征构建 比值植被指数法(RVI)、归一化植被指数法(NDVI)、增强植被指数法(EVI)等是水体富营养化遥感监测的主要方法.利用NDVI识别水体中的水质参数效果一般[25].因此选取浮游藻类指数(FAI)来进行南海海域的水质参数反演[26],在将多种水体指数进行对比的基础上选择利用多波段水体指数(MBWI)反映水质特征[27],基于MODIS数据的FAI公式以及MBWI指数的算法如下:

式中:代表遥感数据中第个波段的反射率;2、1、5分别为859,645,1240nm.

1.2.2 反演模型确立 利用SPSS 23软件对各个波段及水质特征与相应的实测水质参数数据进行相关分析,筛选出相关性较大的波段作为因变量[28].对20个站点数据进行多项式法、对数法、线性法和指数法拟合,确立波段组合和水质反演模型.

表3 综合营养状态指数

1.2.3 精度评价指标 对剩余的站点数据进行预测,并用2、均方根误差(RMSE)评价模型精度.

1.2.4 综合营养状态指数 采用综合营养状态指数法对南海营养化状态进行评价[29](表3).按照自然断点分级法分为贫营养化、中营养化、轻度富营养化、中度富营养化和重度富营养化5个区间[30](表4).

表4 综合营养状态指数法评价标准

2 结果与讨论

2.1 单波段、水体指数与水质参数的相关性

图1 单波段、水体指数与水质参数的相关性

如图1所示,SD水质参数对B1～B10波段、B12～B15波段、FAI波段、MBWI波段具有较高的敏感性,其中SD与B1～B10波段、FAI波段、MBWI波段呈现负相关,与B11～B15波段呈现正相关,基于MODIS数据构建的特征能够较好地反映海洋透明度状况.与COD为0.01级别的相关性显著的单波段和水体指数数量较少,COD与SD存在高度的负相关性,与B2、B3存在高度的正相关性.TN与B12、B14正相关性最大,与B9和COD负相关性最大. Chl-a对单波段和水体指数呈现相关性不显著,且负相关性数量大于正相关性数量.不同波段特征对于SD、COD、Chl-a和TN的响应程度不同.

2.2 反演模型确立

如表5所示,SD和COD在单元和多元情境下均取得较好的效果.综合考虑²和RMSE,选择SD= 1027.7(B02)2-134.71(B02)+5.9348作为SD的反演模型,²为0.638,RMSE为0.551,效果具有良好的一致性.对TN建立不同形式的反演模型,其中拟合效果最好的是基于SD、B01、B02、B03的多元变量非线性拟合,拟合方程为TN=-0.000077916 (SD)2- 0.381(B01)+ 0.088(B02)+0.033(B03)+0.027;对水质参数COD建立模型,拟合效果最好的是基于SD、B05、FAI、B01、B10拟合的多元方程,2为0.701,拟合结果为COD= 0.034(SD)2-49.373(B05)+108.395(FAI)-47.788(B01)- 17.794(B10)+3.318;Chl-a与SD存在相关性,对水质参数Chl-a建立模型,确立拟合函数Chl-a=-0.00027567 (SD)2-12.485(B02)+15.565(B05)-4.913(B03)+1.089.通过对比分析,发现多项式能够较好拟合水质和遥感光谱信息,对数次之,且多元拟合效果明显优于单元.MODIS数据能够较好地响应SD,SD反演模型的拟合优度均大于0.5,具有较好的准确性,而TN和Chl-a不同模型的²和RMSE差异较大,通过多元逐步回归只模拟出一种最优模型.

表5 反演模型比较

续表5

2.3 水质反演结果

水质参数反演后基于六边形格网进行Zonal Statistics处理,得到2006～2018年的SD、TN、Chl-a和COD 4个参数的反演结果,并根据自然断点分级法分为5个等级.如图2(a)所示,2006年中国南海SD高值主要分布在菲律宾西部和越南东部的海域, 2009年在海南岛和广东省沿海也出现高值;但由于石油工业的开发等人类活动,2012年SD降低较明显,整体上水质较清晰;2015年SD值整体有所下降,差异性降低;2018年SD最高值继续下降,而菲律宾西部海域仍然保持较高的SD值.如图2(b)所示, 2006～2018年间,TN高值分布范围逐年扩大,从2006年的南海中部区域到中国广东省沿海也逐渐出现TN密集区域,海洋污染加剧,到2018年整个中国南海的TN已呈现出空间连通性,而中国南海西北部即菲律宾西部的海域的TN浓度一直处于低水平.如图2(c)所示,2006年Chl-a主要在中国南海的文莱北部的海域分布较多,在菲律宾西部和越南东部也有一定分布,中国南海中部分布最少.2009～2012年Chl-a整体浓度降低,分布规律上与2006年相比变化不大.由于海洋生态的治理,2015年Chl-a浓度继续整体降低,高值分布范围减少,但Chl-a已经蔓延至中国广东省和广西省沿海.而到2018年Chl-a高值只在文莱沿海和广东省沿海分布.如图2(d)所示,2006年中国南海的COD高值主要分布在越南东部沿海和菲律宾西部沿海,由于海洋水质的破坏,2006～2018年期间COD在逐渐蔓延,并形成空间连通性.由此可见,中国南海水质富营养化是一个较为复杂的体系,海水流动、气候变化和人类活动都会影响南海水质,海洋保护迫在眉睫.

图2 2006～2018年中国南海SD、TN、Chl-a和COD反演结果

Fig.2 Inversion of Water SD、TN、Chl-aandCOD in the South China Sea from 2006～2018

2.4 三维趋势面分析

据图3可知,SD(图3a)的空间差异明显,表现出由西向东逐渐增高,由北向南先升高后降低的趋势,高值集中在中国南海东部,即菲律宾西部的海域; TN(图3b)空间变化不明显,表现出由西向东逐渐降低,由北向南慢慢升高的趋势,在南海的西南部海域为较高值;Chl-a(图3c)在空间上分布较为均匀,差异小,总体表现出自西向东逐渐降低的变化趋势,在南北方向上则表现出先降低后升高的变化趋势,并且低值集中在中国南海东部,即菲律宾西部的海域;COD (图3d)在南北方向上具有显著的差异性,自北向南先升高后降低,而东西方向变化幅度相对较小,主要表现出由西向东先降低后升高的趋势,高值集中在中国南海东部,即菲律宾西部的海域.SD和COD、TN和Chl-a的空间变化趋势两两较为相似,而Chl-a则与SD、COD的变化趋势完全相反.

图3 基于三维趋势面分析的中国南海水质参数空间变化趋势

、和轴分别代表东西方向、南北方向和水质参数值大小

2.5 富营养化时空演变

不同时间段内引起海域富营养化的主要因子不同,由此导致不同年份富营养化等级存在差异.分析南海水质富营养化时空演变,发现南海大部分海域水质富营养化等级逐渐升高.如图4所示,中国沿海海域在2006年、2009年为中营养等级, 2012年为轻度富营养等级,2015年其水质为中度富营养等级,到2018年,大规模区域出现重度富营养化.南海中部区域由2006年的贫营养化到2009年的中营养化,由2012年的轻度营养化到2018的中度营养化.马来西亚北部的海域2006年为轻度富营养化,2009年为中度富营养化,2012年、2015年、2018年为重度富营养化,南海富营养化呈现不均衡蔓延趋势.

图4 南海富营养化时空演变

3 结论

3.1 本文基于GEE云遥感处理平台使水质反演,通过相关分析发现水体SD、COD、TN和Chl-a对不同波段的响应程度不同,通过多项式法、对数法、线性法和指数法对不同水质参数进行了单元和多元逐步回归的拟合,根据2和RMSE最终确立了水质反演模型,结果具有良好的一致性.

3.2 2006年～2018年南海水质变化表明,水体SD呈逐年下降趋势;TN的分布在不断转移并且有形成连通的趋势;2006年～2018年南海整体Chl-a浓度持续减少,且分布不断扩散;COD呈逐年上升的趋势.

3.3 趋势面分析发现,2006～2018年南海SD的空间差异较为明显,表现出由西向东逐渐增高,由北向南先升高后降低的趋势;TN空间变化不显著,表现出由西向东逐渐降低,由北向南慢慢升高的趋势;Chl-a表现出自西向东逐渐降低的变化趋势,在南北方向上则表现出先降低后升高的变化趋势;最后,COD自北向南先升高后降低,而东西方向变化幅度相对较小.

3.4 基于综合营养状态指数法对南海营养化状态进行评价结果表明,南海富营养化的时空异质性和蔓延趋势显著,当前南海正面临富营养化威胁,不同国家应当开展合作加强海洋环境治理.

[1] 陈绍勇,龙爱民,周伟华,等.南海北部上层海水关键水质因子的监测与分析[J]. 热带海洋学报, 2006,25(1):15-18.

Chen S Y, Long A M, Zhou W H, et al. Monitoring and analysis of key water quality parameters in northern South China Sea [J].Journal of Tropical Oceanography, 2006,25(1):15-18.

[2] Melbourne-Thomas J, Johnson C R, Aliño P M, et al. A multi-scale biophysical model to inform regional management of coral reefs in the western Philippines and South China Sea [J]. Environmental Modelling & Software, 2011,26(1):66-82.

[3] Wu M, Wang Y, Wang Y, et al. Seasonal and spatial variations of water quality and trophic status in Daya Bay, South China Sea [J]. Marine Pollution Bulletin, 2016,112(1/2):341-348.

[4] Zhang Y, Liu X, Qin B, et al. Aquatic vegetation in response to increased eutrophication and degraded light climate in Eastern Lake Taihu: Implications for lake ecological restoration [J]. Scientific Reports, 2016,6(1):23867.

[5] 王以斌,刘 军,邵 帅,等.连云港近岸海域2011～2016年环境变化研究[J]. 中国环境科学, 2019,39(8):3430-3440.

Wang Y B, Liu J, Shao S, et al.2011～2016 marine environment temporal variations research in the Lianyungang coastal area [J]. China Environmental Science, 2019,39(8):3430-3440.

[6] 徐祖信.我国河流单因子水质标识指数评价方法研究[J]. 同济大学学报(自然科学版), 2005,33(3):321-325.

Xu Z X. Single factor water quality identification index for environmental quality assessment of surface water [J]. Journalof Tongji University (naturalscience), 2005,33(3):321-325.

[7] 张际标,张 鹏,戴培东,等.海南岛近岸海域溶解无机磷时空分布及富营养化[J]. 中国环境科学, 2019,39(6):2541-2548.

Zhang J B, Zhang P, Pei D D, et al.Spatiotemporal distributions of DIP and the eutrophication in Hainan Island adjacent coastal water [J]. China Environmental Science, 2019,39(6):2541-2548.

[8] 邹志红,云 逸,王惠文.两阶段模糊法在海河水系水质评价中的应用[J]. 环境科学学报, 2008,28(4):799-803.

Zou ZH, Yun Y, Wang H W.Application of tvostage fuzzy set theory to water quality evaluation in the Haihe River system [J]. Acta Scientiae Circumstantiae, 2008,28(4):799-803.

[9] Shan V, Singh S K, Haritash A K. Evaluation of water quality and potential metal contamination in ecologically important Bhindawas bird sanctuary, India [J]. Applied Water Science, 2021,11(1):1-9.

[10] Wu M, Wang Y, Wang Y, et al. Seasonal and spatial variations of water quality and trophic status in Daya Bay, South China Sea [J]. Marine Pollution Bulletin, 2016,112(1/2):341-348.

[11] Donchyts G, Baart F, Winsemius H, et al. Earth's surface water change over the past 30years [J]. Nature Climate Change, 2016,6(9):810-813.

[12] Suratman S, Hee Y Y, Tahir N M. Nutrients Status of Kemaman River Basin in Southern South China Sea (Malaysia) [J]. Asian Journal of Chemistry, 2014,26(7):2047-2052.

[13] Voda M, Kithiia S, Jackiewicz E, et al. Geosystems' Pathways to the Future of Sustainability [J]. Scientific Reports, 2019,9(1):14446.

[14] Hu F, Ge J, Lu C, et al. Obtaining elevation of Oncomelania Hupensis habitat based on Google Earth and it’s accuracy evaluation: an example from the Poyang lake region, China [J]. Scientific Reports, 2020,10(1): 515.

[15] 蒋兴伟,何贤强,林明森,等.中国海洋卫星遥感应用进展[J]. 海洋学报, 2019,41(10):113-124.

Jiang X W, He X Q, Lin M S, et al. Progresses on ocean satellite remote sensing application in China [J]. Haiyang Xuebao, 2019,41(10):113– 124.

[16] 陈楚群,施 平,毛庆文.南海海域叶绿素浓度分布特征的卫星遥感分析[J]. 热带海洋学报, 2001,20(2):66-70.

Chen C Q, Shi P, Mao Q W. Satellite remotely-sensed analysis of distribution characters of chlorophyll concentration in south china sea [J]. Journal of Tropical Oceanography, 2001,20(2):66-70.

[17] Yi D L, Melnichenko O, Hacker P, et al. Remote sensing of sea surface salinity variability in the South China Sea [J]. Journal of Geophysical Research-Ocean, 2020,12(125):2020-2027.

[18] 张培军,周水华,梁昌霞.基于卫星遥感海温数据的南海SST预报误差订正[J]. 热带海洋学报, 2020,39(6):57-65.

Zhang P J, Zhou S H, Liang C X. Study on the correction of SST prediction in South China Sea using remotely sensed SST [J]. Journal of Tropical Oceanography, 2020,39(6):57-65.

[19] 马丰魁,姜群鸥,徐藜丹,等.基于BP神经网络算法的密云水库水质参数反演研究[J]. 生态环境学报, 2020,29(3):569-579.

Ma F K, Jiang Q Y, Xu L D, et al.Retrieval of water quality parameters based on BP neural network algorithm in Miyun Reservoir [J]. Ecology and Environmental Sciences, 2020,29(3):569-579.

[20] Zhang Y, Wu L, Ren H, et al. Retrieval of water quality parameters from hyperspectral images using hybrid bayesian probabilistic neural network [J]. Remote Sensing, 2020,12(10):1567.

[21] 郭永强,王乃江,褚晓升,等.基于Google Earth Engine分析黄土高原植被覆盖变化及原因[J]. 中国环境科学, 2019,39(11):4804-4811.

Guo Y Q, Wang N J, Zhu X S, et al.Analyzing vegetation coverage changes and its reasons on the Loess Plateau based on Google Earth Engine [J]. China Environmental Science, 2019,39(11):4804-4811.

[22] 李云梅,黄家柱,韦玉春,等.湖泊富营养化状态的地面高光谱遥感评价[J]. 环境科学, 2006,27(9):1770-1775.

Li Y M, Huang J Z, Wei Y C, et al.Evaluating eutrophic state of Taihu Lake by in situ Hyperspectra [J]. Environmental Science, 2006,27(9): 1770-1775.

[23] Rajib A, Zheng Q, Golden H E, et al. The changing face of floodplains in the Mississippi River Basin detected by a 60-year land use change dataset [J]. Scientific Data, 2021,8(1):271.

[24] Erwin K L. Wetlands and global climate change: the role of wetland restoration in a changing world [J]. Wetlands Ecology and Management, 2008,17(1):71.

[25] 徐京萍,张 柏,李 方,等.基于MODIS数据的太湖藻华水体识别模式[J]. 湖泊科学, 2008,20(2):191-195.

Xu J P, Zhang B, Li F, et al. Detecting modes of cyanobacteria bloom using MODIS data in Lake Taihu [J]. Journal of Lake Sciences, 2008,20(2):191-195.

[26] 刘海秋,任恒奎,牛鑫鑫,等.基于Sentinel-2遥感影像的巢湖蓝藻水华提取方法研究[J]. 生态环境学报, 2021,30(1):146-155.

Liu H Q, Ren H K, Niu X X, et al.Extraction of cyanobacteria bloom in Chaohu Lake based on Sentinel-2remote sensing images [J]. Ecology and Environmental Sciences, 30(1):146-155.

[27] Wang X, Xie S, Zhang X, et al. A robust Multi-Band Water Index (MBWI) for automated extraction of surface water from Landsat 8OLI imagery [J]. International Journal of Applied Earth Observation and Geoinformation, 2018,68:73-91.

[28] 陈 艳,刘绥华,王 堃,等.基于Landsat卫星影像的草海水质遥感反演及营养状态评价[J]. 水生态学杂志, 2020,41(3):24-31.

Chen Y, Liu S H, Wang K, et al.Remote sensing of Caohai lake water quality using Landsat satellite images [J]. Journal of Hydroecology, 2020,41(3):24-31.

[29] 林荣根.海水富营养化水平评价方法浅析[J]. 海洋环境科学, 1996, 15(2):28-31.

Lin R G. Review of the assessing methods for coastal eutrophication [J]. Marine Environmental Science, 1996,15(2):28-31.

[30] Mendel J M, Korjani M M. On establishing nonlinear combinations of variables from small to big data for use in later processing [J]. Information Sciences, 2014,280(0):98-110.

Water quality inversion and eutrophication assessment of The South China Sea based on GEE.

WANG Feng-xia, XIA Zhuo-yi*, GUO Yu-hui, YANG Zi-qing, LI Jia-xin, CHEN Yin-xiao

(School of Tourism, Hainan University, Haikou 570203, China；2.School of Architecture and Urban Engineering, Nanjing University, Nanjing 210093, China)., 2022,42(2)：826～833

Based on the Google Earth Engine (GEE) platform, this study took MODIS data to build water quality inversion models by constructing multivariate feature. The response degree of water quality to MODIS features was SD>COD>TN>Chl-a, and polynomial fitting of water quality parameters was the best model.The spatial and temporal heterogeneity of the four water quality parameters (SD, TN, Chl-a and COD) in the South China Sea was obviously different. The high SD values were mainly distributed in the western Philippines and eastern Vietnam sea areas, and gradually decreased from 2006 to 2018. During 2006 to 2018, the distribution range of TN high values expanded year by year, while the concentration of Chl-a gradually decreased. COD gradually spread from 2006 to 2018. Through three-dimensional trend surface analysis, the spatial variation trend of SD was similar to those of COD, TN and Chl-a, while the spatial variation trend of Chl-a was completely opposite to those of SD and COD.The eutrophication degree of the South China Sea showed an increasing trend from 2006 to 2018, different countries should carry out regional cooperation to manage the marine environment.

South China Sea；spatial and temporal distribution；Google Earth Engine；MODIS；comprehensive nutrition index；eutrophication

X703.5

A

1000-6923(2022)02-0826-08

王凤霞(1975-),新疆塔城人,教授,博士,研究方向为海洋生态环境遥感监测.发表论文70余篇.

2021-07-01

国家重点研发计划(2019YFD0901300);海南省社会科学界联合会(HNSK(YB)19-09)

* 责任作者, 硕士, njuxiazhuoyi@163.com