未来RCP4.5情景下黄海DMS浓度变化模拟与分析

李 菲,赵 亮*,沈家葳,姚 洁,王 圣

未来RCP4.5情景下黄海DMS浓度变化模拟与分析

李 菲1,赵 亮1*,沈家葳2,姚 洁1,王 圣1

(1.天津科技大学海洋与环境学院,天津 300457；2.天津大学海洋科学与技术学院,天津 300072)

使用CORDEX-EA过去气候态(2000-2009年)与RCP4.5情景下近未来气候态(2041-2050年)大气强迫结果驱动中国东部陆架海域耦合DMS模块生态模型,模拟了黄海过去及近未来表层DMS浓度(DMS),探究了黄海近未来DMS时空分布的变化及其影响因素.结果表明:近未来黄海DMS的年循环发生变化,北黄海DMS极高值出现月份由5、9月转变为4、10月,南黄海由4、9月转变为4、8月;局部DMS高值区也发生变化,春季山东半岛附近海域、夏季苏北浅滩、南黄海中东部、秋季南黄海东部DMS高值区加强,夏季山东半岛附近DMS高值区减弱.近未来热通量、风应力对山东半岛、南黄海中东部海域DMS影响较大;降水量、云量对西朝鲜湾DMS的影响占优;苏北浅滩DMS受多个气候因子共同作用.

表层DMS浓度；RCP4.5情景；黄海；CORDEX-EA；生态模型；空间分布

二甲基硫(DMS)是一种主要由海洋生物产生的挥发性硫化物[1],在全球硫循环中发挥重要作用[2].通过海气交换进入大气中的DMS,其氧化产物能够控制远海雨水的天然酸性[3]、调节全球气候变化[4-5].未来全球气候变化会改变海洋环境[6-7],相应的,海水中的DMS也会受到气候变化的影响[8].探究气候变化对DMS的影响,可进一步理解DMS对全球气候变化的响应和反馈,为应对气候变化提供科学支持,对建立气候变化下碳排放的适应机制也具有重要意义.

关于DMS对气候变化的响应,学者们针对全球和区域海洋做了较多的研究.就全球范围来说,部分学者[9-10]利用统计模型研究了RCP8.5情景下未来气候变化对全球DMS的影响;Grandey和Wang[11]则使用了耦合海气模型探究了RCP4.5情景下全球DMS的变化,除此之外,Wang等[12]与Six等[13]也利用模型模拟了未来全球DMS在RCP8.5和SRES A1B情景中的变化.对于区域海洋来说,相关研究大多集中于北冰洋[14-16]、澳洲南部海域[17]、北海南部海湾[18]等陆架海区,大多数研究利用DMS模型探究区域DMS及相关环境影响因子在特定未来气候变化条件下的响应,也有学者基于观测数据利用统计方法[19]探究了气候变化对不列颠哥伦比亚省南部沿海DMS的影响.总体来说,目前开展的关于DMS对气候变化响应的研究多为设定特定的气候变化并采用模型模拟的方法进行探究,且大多数集中于全球或国外其他陆架海.

黄海是世界上典型的半封闭陆架海区,对全球气候变化的响应显著[20-22],与开阔大洋相比,DMS浓度较高[23],单位面积海洋DMS排放较大,对非海盐硫酸盐气溶胶的形成有重要贡献[24].国内学者已经对黄海DMS浓度时空分布特征做了系统的研究:夏季最高,冬季最低,春秋次之[25-27];春夏季黄海沿岸高于黄海中部[26-28];冬季南黄海整体海域差别较小[26,29],南黄海中部DMS相对周围海域较高[24].同时开展了关于DMS浓度影响因素的研究,得到的主要认识是黄海DMS的生产与消费是一个受多种物理、化学和生物因素共同作用的过程[30],其中温度、叶绿素及浮游植物为影响DMS浓度的重要因素[25-28,31].气候变化无疑会引起黄海DMS时空分布的变化,但是目前关于黄海DMS的研究集中于DMS时空分布、DMS物理生化影响因素,以及黄海对全球DMS排放的区域性贡献,对气候变化背景下黄海DMS的响应认识相对不足,且暂未开展黄海区域DMS浓度的气候变化的情景分析.

区域气候降尺度试验(CORDEX)因其关注区域气候模拟而备受认可,其中CORDEX - EA提供了东亚区域在不同气候情景下的气候变化信息[32].在政府间气候变化专门委员会第五次评估报告(IPCC AR5)确定的气候变化新情景RCP8.5、RCP4.5等4种典型浓度路径(RCPs)类型中,与温室气体高排放情景RCP8.5相比,RCP4.5为中等排放情景,其温室气体排放量将在2040年达到目标水平,在2050年以后降低,2080年趋于稳定[6],与中国未来经济发展趋势较为一致,符合政府对未来经济发展、应对气候变化的政策措施.因此,本文选定RCP4.5为未来气候情景,利用对应情景的CORDEX-EA大气强迫结果驱动中国东部陆架海域耦合DMS模块生态模型[27],对近未来(21世纪中期)黄海DMS进行模拟,定量分析了RCP4.5情景下黄海近未来表层DMS浓度的时空分布变化.

1 数据与方法

1.1 模型介绍与配置

采用中国东部陆架海域耦合DMS模块生态模型[27,33]进行情景实验,用以模拟 RCP4.5情景下近未来黄海表层DMS浓度(DMS)及相关物理生态环境的变化.该生态模型包括水动力模块、生态模块和DMS模块,3个模块以在线耦合的方式运行;其中,水动力模块考虑了大气强迫、潮驱动、河流输入,为生态模块提供温、盐、流等结果,生态模块则为DMS模块提供浮游植物生物量等结果.模型模拟范围为117.5～131.5°E,24～41°N(图 1),覆盖渤海、黄海、东海海域,分辨率 1/18°, 垂向分为21层.本文着重分析黄海表层DMS时空分布变化及其影响因素.

图1 模型模拟与分析区域

A～F区为分析区域,其中,北黄海A、B区分别代表山东半岛北部、西朝鲜湾附近海域,南黄海C、D、E、F区分别代表山东半岛南部、苏北浅滩、南黄海中部、南黄海东部海域,黑色三角形为黄河、长江入海口

本次实验将上述生态模型的大气强迫替换为经过Li等[34-35]校准过风速的CORDEX-EA.该数据已经过验证,可靠性强,可以满足本研究需要[36]. CORDEX-EA是使用区域气候模型CCLM对CMIP5(第五次耦合模式比较计划)中来自德国马普气象研究所的全球气候模型MPI-ESM-LR进行动力降尺度得到的,包括历史气候模拟试验数据(1950～2005年)、RCP4.5未来情景的试验数据(2006～2100年),在经向和纬向上分别有223´187个网格点,水平空间分辨率为0.44°,时间分辨率为1h,数据覆盖范围为东亚区域[36-37].取CORDEX-EA过去(2000～2009年)与近未来(2041～2050年)多年平均气候态热通量、降水量、蒸发量、风应力、10m风速、云量.将两个气候态结果分别用于强迫模型,最终输出2个DMS结果:以CORDEX-EA过去气候态结果作为模型大气强迫的DMS后报模拟结果,以及将近未来气候态结果作为大气强迫的RCP4.5情景模拟结果.最终通过比较RCP4.5情景模拟结果相比于后报模拟结果的变化,分析RCP4.5情景下近未来黄海DMS的时空分布变化.

1.2 模型后报模拟验证

用于验证模型的数据为沈家葳等[25,27]提供的历史航次的实测网格化数据(DMS、叶绿素、温度),该数据集收集了48个航次,观测时间跨度2005～ 2017年,观测海域包括渤海、黄海、东海,数据以1°´1°网格进行划分.实测网格化数据取观测深度第一层为表层,深度不超过5m,模型数据取2m为表层进行模型验证.

图2 黄海表层DMS浓度(CDMS)空间分布模型验证

底图为过去气候态模型模拟结果,圆圈为实测结果

利用实测网格化数据对模型模拟黄海DMS空间分布进行验证(图2).结果显示,模型可以较好地反映出黄海DMS的空间分布特征:春季(4月)北黄海DMS高值区位于辽东半岛东南部近海海域[26],南黄海高值区为南黄海中部[38],且西侧近岸水域及长江口周围水域为低值区,最低为苏北沿岸[24];夏季(7月)北黄海DMS在山东半岛北部存在高值区[26],南黄海DMS分布大致为近岸高、远海低[26,28];秋季(10月)黄海整体上DMS从近岸到外海呈现一个逐渐降低的趋势[39];冬季(1月)整个黄海海域内DMS差别较小.为了评估模型模拟的准确性,根据实测数据观测的时间和位置选择对应的模型数据,求得两者间的成本函数CF[25]为0.92,小于1,说明模型模拟DMS水平非常好;并量化比较了黄海年平均DMS,模型模拟黄海年平均DMS为(4.42±4.08)nmol/L,实测数据年均DMS为(4.14±3.65)nmol/L,从标准差可得,模型模拟DMS空间变化较为剧烈.

模型可以反映出黄海DMS夏季最高、冬季最低的季节分布特征(图2).为了进一步对模型模拟DMS的季节变化进行验证,选取模型结果与观测数据位置、时间及深度相同的点,求取模型结果与观测数据月平均值的相关系数、均方根误差等统计量,进行模拟效果比较,结果表明:DMS相关系数为0.85,达到高度相关,因此模型可以很好地描述DMS的季节变化特征;从实测、模型模拟季节变化的标准差分别为1.88,2.85nmol/L可得,模型模拟DMS季节变化比较剧烈;模型与实测DMS均方根误差1.57nmol/L.同样的,将海表温度、叶绿素的实测数据与模型模拟对比,求得相关系数分别为0.99,0.73,均表现为高度相关;观测数据标准差分别为5.97℃、0.48µg/L,模型模拟结果标准差分别为5.83℃、1.06µg/L;均方根误差分别为0.74℃、0.71µg/L.对上述统计量进行标准化处理并绘制泰勒图(图3),结果表明模型能够很好地模拟黄海DMS及物理生态环境变量的季节变化.

图3 模型验证相关统计量的泰勒分布

总体来说,模型可以再现黄海DMS时空分布特征及物理生态环境变量的季节变化特征,可以用来探究RCP4.5情景下近未来黄海DMS时空分布变化及其影响因素.

2 结果与分析

2.1 RCP4.5情景下黄海CDMS季节分布及变化

如图 4所示, 过去黄海DMS平均4.87nmol/L,北黄海平均4.94nmol/L,南黄海平均4.86nmol/L;季节变化表现为双峰形态,全年出现2次极高值(图4a～c).RCP4.5情景下北黄海近未来DMS季节变化较南黄海更加明显,两海区除DMS年循环发生了变化外,与过去相比基本一致(图4d).

图4 过去与RCP4.5情景下近未来DMS的季节变化

Fig.4 Seasonal changes inDMSin the past and in the near future under the RCP4.5 scenario

a～c分别为北黄海、南黄海和黄海DMS过去和近未来各自的季节变化,d为DMS近未来相比于过去变化量的季节变化

在北黄海,RCP4.5情景下近未来DMS在3, 4, 9, 10, 11月DMS增大,其余月份均减小;4, 10月明显增加,增量分别为1.30, 0.84nmol/L,4月增大最多;5～7月明显降低,分别减小1.44, 1.65, 1.69nmol/L,其中7月减小最多(图 4d);4, 10月份的增加及5月份的减少使得DMS极高值月份由过去5月份(9.70nmol/L)、9月份(5.78nmol/L)转变为近未来4月份(10.12nmol/L)、10月份(6.49nmol/L)(图4).

在南黄海,RCP4.5情景下近未来DMS全年未来DMS均增大,其中5, 6, 8, 11月增加较为明显,增量分别为0.67, 0.51, 0.74, 0.66nmol/L,8月增量最大(图4d);8月的明显增加使得DMS极高值月份由过去4月份(8.57nmol/L)、9月份(7.86nmol/L)转变为近未来4月份(8.63nmol/L)、8月份(8.18nmol/L)(图4b).

2.2 RCP4.5情景下黄海CDMS空间分布及变化

由生态模型的模拟结果,给出了过去(图2)与近未来(图5)两个气候态下黄海DMS的水平分布特征及其变化(图6).RCP4.5情景下,黄海DMS近未来空间分布格局与过去相似,在局部区域变化明显,且不同月份的明显变化区域不一致,主要表现为黄海局部DMS高值区强弱的变化.

图5 RCP4.5情景下近未来黄海CDMS空间分布

在北黄海,近未来DMS与过去空间分布格局一致(图2,图5),即全年近岸高于外海, 12～3月整个黄海海域内DMS差别较小,4～9月在山东半岛北部海域存在DMS高值区.北黄海近未来11～2月无DMS明显变化区域,其他月份均不同程度的出现明显变化区.其中,5～7月及10月北黄海全海域有明显变化,西朝鲜湾附近海域与北黄海其余海区变化不一致;8～9月在包含西朝鲜湾的50m等深线以浅的沿岸海域,DMS变化相对明显;4月除西朝鲜湾均有明显变化(图6).因此,将北黄海划分为A、B区(图1),分别统计DMS(图7):近未来DMS在A区平均减少0.41nmol/L,相对减少7.97%,4月明显升高2.28nmol/ L,5～7月份明显降低(1.81,2.76,2.95nmol/L);在B区平均增加0.15nmol/L,相对增加3.18%,10月明显升高(1.85nmol/L).

图6 CDMS变化量(近未来相比于过去)的空间分布

图7 A到F区DMS过去、近未来、变化量(近未来相比于过去)的季节变化

Fig.7 Seasonal changes ofDMSin the past, the near future, and variation (the near future compared to the past) for A to F

圆圈所在线使用左轴,星号所在线使用右轴

在南黄海,近未来DMS与过去空间分布格局一致(图2,图5),即6～10月黄海沿岸高于黄海中部, 12～4月黄海中部高于黄海沿岸,12～次年4月在南黄海中部黄海冷水团海域, 6～8月南黄海东部、苏北浅滩附近海域,9～11月南黄海东部存在DMS高值区.近未来不同月份均有DMS明显变化区域:11～12月及1～4月变化明显区域集中于50m等深线以外的南黄海中部,DMS高值区范围在近未来相比于过去有扩大且加强的迹象.5～10月则集中于50m等深线以内的南黄海沿岸海域,西岸山东半岛南部海域、苏北浅滩未来变化均不一致,东岸海域整体变化较为一致(图6).因此,将南黄海划分为C、D、E、F区(图1),分别对DMS进行统计(图7):在C区平均增加0.02nmol/L,相对增加0.54%,4, 5月明显升高(1.16, 1.06nmol/L),7月明显降低(2.22nmol/L);在D区平均增加0.54nmol/L,相对增加12.69%,5, 6, 8月明显升高(2.02,1.64,1.37nmol/L);在E区平均增加0.18nmol/L,相对增加3.34%,8月明显升高(1.18nmol/L);在F区平均增加0.49nmol/L,相对增加7.18%,7, 10, 11月明显升高(1.58,1.31,1.14nmol/L).

3 讨论

3.1 黄海气候因子的近未来变化

黄海风应力季节变化对风生环流以及物理、化学要素季节变化有显著影响[40].近未来黄海风应力的季节变化会导致海表风生环流、水体水平与垂直输运过程发生季节变化,进而影响到黄海营养盐的输运,以及黄海温度[41],海水温度以及受营养盐影响的浮游植物生物量、群落进一步影响近未来黄海DMS的季节变化[27];风速可影响DMS的海气交换过程,但是对DMS影响相对较小[42].

RCP4.5情景下,黄海近未来风应力在A、B、F区年内绝大多数时段变化一致,多表现为减小,4月份在A、B区减幅较大,分别平均减小46.3%、44.9%;C、D、F区3～5月的风应力近未来变幅具有空间差异性,C区3、4月,D区3～5月,以及E区4月增幅较大,平均增幅为22%～41%;各海区在10月均增加,增幅介于15%～60%之间.近未来风速与风应力变化基本相似,风速变化仅在3～4月份显著大于风应力,其中A区4月风速增幅可达到61%,C、D区3月份风速增幅均在40%以上.

图8 A到F区热通量、降水量、蒸发量、风应力、10m风速及云量各气候因子的变化量(近未来相比于过去)

Fig.8 Variations (the near future vs. the past) in areas A to F: the net heat flux, precipitation, evaporation, windstress, windspeed, and total cloud cover

热通量是大气和海洋之间的热交换,海气热交换对黄海月平均气温场季节变化有显著影响[40],水温可影响黄海表层DMS季节变化[27].降水、蒸发主要影响海水盐度,盐度对黄海DMS影响相对较小[25,27,43],同时降水又是黄海的营养盐来源之一[44],营养盐又可以通过影响浮游植物生物量及群落结构进而影响黄海表层DMS的季节变化[27].云量可改变海表光照条件,光照既可以通过影响黄海浮游植物季节变化和DMS光化学氧化过程[45],最终影响黄海DMS季节变化.

RCP4.5情景下,近未来黄海热通量、蒸发量、降水量、云量月均变幅具有区域一致性(图8).无论是黄海全部海域平均,还是各分区的平均,热通量都在2月明显增加40%以上,7、10月明显减少,减幅为16%、22%.蒸发量近未来除去在6、7月平均增幅在26%以上,全年其余月份变化均较小.近未来各海区降水量在大部分时段均增加,夏季降水量的增幅在多数时段都超过年降水量的增幅,同时降水量在8月存在明显升高,其中A、B区8月可平均增加160%以上.近未来云量除1、2月减少外,其余月份基本都表现为增加,其中3月升高最为明显,各海区增幅在10%～15%之间.

3.2 气候因子对CDMS变化的相对影响程度分析

结合图4和图7进一步分析可得:在北黄海,DMS年循环的变化来源于A区4月DMS明显升高、5月DMS明显降低,以及B区10月DMS明显升高;南黄海则来源于D、E区8月DMS的明显升高;空间分布变化表现为3.2节所述在个别月份黄海局部海区的明显变化.由此可得,若要探究近未来黄海DMS的时空变化的主要气候影响因子,需分别对A～F区DMS存在明显变化的月份进行影响因素分析,即探究A到F区影响DMS季节变化的主要气候因子.

通过主成分回归分析(PCR)探究气候因子对DMS近未来变化的相对影响程度.在进行PCR前,将DMS变化量(近未来-过去)与选取的热通量、降水量、蒸发量、10m风速、风应力和云量6个气候因子变化量分别进行了相关性分析,结果显示,A～F各局部海区DMS与部分气候因子之间呈现显著的弱相关关系(0.1<||<0.3,<0.05)(图9),可以采用回归分析探究各气候因子相对影响程度.为了避免回归结果受气候因子共线性影响而失真,对气候因子两两进行相关性分析,结果显示,各子海区部分气候因子变化量间存在显著的强相关关系;各子海区蒸发量与净热辐射通量、10m风速与风应力||>0.8,<0.01,降水量与云量在D、E、F区0.5<||< 0.6,< 0.01,部分变量也存在显著的弱相关关系;从现实和理论层面均发现气候因子之间存在多重共线性,回归分析前应当先利用主成分分析(PCA)以消除自变量间的多重共线性.

图9 各子海区CDMS与气候因子相关性分析(Spearman相关系数)

空心和实心的菱形分别代表通过了0.05、0.01置信度检验

由于海水盐度、DMS海气通量对DMS的影响相对较小[25,27,42-43],因此去除蒸发量、风速做PCR.热通量、降水量、风应力、云量气候因子变化量在标准化后KMO值均大于0.6,适合采用PCA消除共线性,分别以PCA得到的主成分为自变量,标准化的DMS变化量为因变量,在各局部海域分别做逐步回归分析;对各海域的回归方程及回归系数分别进行检验及检验,显著性概率均小于0.05,说明回归效果较好,且各主成分对因变量的影响作用都很显著.将主成分表达式代入回归方程,转换为一般线性回归方程,拟合优度2较小,直接模拟DMS尚缺乏准确性.但是以各气候因子的标准回归系数的绝对值为依据,进而确定各气候因子对DMS的相对影响程度[46],具有一定的可信度.

根据标准回归系数(图 10)可得各气候因子标准回归系数对标准回归系数总和的贡献率.其中A区热通量,降水量,风应力,云量影响DMS变化的贡献率为43%,19%,23%,15%;C区为50%,6%,30%, 14%(图10),表明热通量、风应力是影响近未来DMS在A区、C区DMS的相对重要影响因子.E区热通量、降水量、风应力、云量对DMS变化的贡献率分别为60%,1%,29%,10%; F区分别为51%,11%, 28%,10%(图10),说明热通量是影响E区8月份, F区7月份DMS明显升高的相对重要因子.反映出未来气候变化中热通量、风应力可能在山东半岛附近(A、C区),热通量可能在南黄海中东部(E、F区)海域影响较大,未来该黄海暖流区域内温度和流变化引起的浮游植物组成的变化有可能对黄海DMS产生强烈的影响.

热通量、降水量、风应力、云量对B区DMS变化的贡献率分别为5%,37%,15%,43%(图10),对D区的贡献率分别为31%,21%,30%,18%(图10),可以看出,云量、降水量对B区DMS近未来10月份明显升高具有较强的影响,热通量、风应力、降水量、云量对D区DMS变化贡献相当.说明西朝鲜湾(B区)DMS的未来变化可能受到降水量、云量的影响更大,也反映出DMS在苏北浅滩(D区)的未来变化将是多气候因子作用下的结果.

图10 A到F区CDMS与各气候因子回归方程的标准回归系数

p class="figure_note">灰度表示各气候因子的影响程度

总体来说,RCP4.5情景下,黄海DMS时空分布对气候变化的响应显著,但是不同排放情景下DMS时空分布变化与RCP4.5的相似度如何,气候对黄海DMS具体的影响机制,还有待研究.

4 结论

4.1 过去气候态下,黄海DMS季节分布表现为双峰形态,全年出现两次极高值,其中,北黄海出现在5、9月,南黄海出现在4、9月.过去北黄海空间分布表现为全年近岸高于外海, 12～次年3月整个黄海海域内DMS差别较小,4～9月在山东半岛北部海域为DMS高值区;南黄海表现为6～10月黄海沿岸高于黄海中部,12～次年4月黄海中部高于黄海沿岸,12～次年4月在南黄海中部黄海冷水团海域、6～8月南黄海东部和苏北浅滩附近海域、9～11月南黄海东部存在DMS高值区.

4.2 RCP4.5情景下,黄海DMS时空分布对气候变化的响应显著.相比过去,近未来气候变化影响了黄海DMS的年循环:北黄海DMS春季峰值出现时间由5提前到4月,秋季由9月推迟到10月,南黄海秋季DMS峰值出现时间9月转变为8月;DMS高值区的强弱也发生变化:在4月山东半岛附近,5月南黄海西侧,6、8月苏北浅滩和8、11月南黄海中部,10月西朝鲜湾附近和南黄海东部,DMS高值区相比于过去加强;在5、6月山东半岛北部、7月山东半岛附近海域DMS高值区相比于过去有所减弱.

4.3 近未来DMS的年循环变化是由局部海区季节变化带来的:北黄海来源于山东半岛北部4月DMS明显升高、5月DMS明显降低,以及西朝鲜湾附近海域10月DMS明显升高;南黄海近未来DMS的季节特征变化则来源于苏北浅滩、南黄海中部8月DMS的明显升高.主成分回归分析可得,近未来DMS季节变化的主导因子在不同地区存在差异,热通量、风应力对近未来山东半岛附近海域DMS季节变化的影响占优,热通量在南黄海中东部海域DMS季节变化起到主要作用,云量、降水量则为西朝鲜湾附近海域DMS季节变化相对重要的气候影响因子,苏北浅滩DMS季节变化受到各气候因子共同影响.

[1] Zhang X H, Liu J, Liu J, et al. Biogenic production of DMSP and its degradation to DMS-their roles in the global sulfur cycle [J]. Science China Life Sciences, 2019,62(10):1296-1319.

[2] Andreae M O. Ocean-atmosphere interactions in the global biogeochemical sulfur cycle [J]. Marine Chemistry, 1990,30:1-29.

[3] Ayers G P, Ivey J P, Gillett R W. Coherence between seasonal cycles of dimethyl sulphide, methanesulphonate and sulphate in marine air [J]. Nature, 1991,349(6308):404-406.

[4] Choi Y N, Song S K, Lee S H, et al. Estimation of marine dimethyl sulfide emissions from East Asian seas and their impact on natural direct radiative forcing [J]. Atmospheric Environment, 2020,222(C): 117165.

[5] Charlson R J, Lovelock J E, Andreae M O, et al. Oceanic phytoplankton,atmospheric sulphur,cloud albedo and climate [J]. Nature, 1987,326(6114):655-661.

[6] IPCC. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [R]. Climate Change 2014: Synthesis Report, 2014.

[7] Assan D, Kuebutornye F K A, Mustapha U F, et al. Effects of climate change on marine organisms [J]. American Journal of Climate Change, 2020,9(3):204-216.

[8] 李云哲,唐傲寒,刘学军.大气环境中二甲基硫的研究进展[J]. 中国农业大学学报, 2021,26(10):164-174.

Li Y Z, Tang A H, Liu X J. Research progress on dimethyl sulfur in atmospheric environment [J]. Journal of China Agricultural University, 2021,26(10):164-174.

[9] Land P E, Shutler J D, Bell T G, et al. Exploiting satellite earth observation to quantify current global oceanic DMS flux and its future climate sensitivity [J]. Journal of Geophysical Research-Oceans, 2014, 119(11):7725-7740.

[10] Wang W L, Song G, Primeau F, et al. Global ocean dimethyl sulfide climatology estimated from observations and an artificial neural network [J]. Biogeosciences, 2020,17(21):5335-5354.

[11] Grandey B S, Wang C. Enhanced marine sulphur emissions offset global warming and impact rainfall [J]. Scientific Reports, 2015,5(1): 13055.

[12] Wang S, Maltrud M E, Burrows S M, et al. Impacts of shifts in phytoplankton community on clouds and climate via the sulfur cycle [J]. Global Biogeochemical Cycles, 2018,32(6):1005-1026.

[13] Six K D, Kloster S, Ilyina T, et al. Global warming amplified by reduced sulphur fluxes as a result of ocean acidification [J]. Nature Climate Change, 2013,3(11):975-978.

[14] Qu B, Gabric A J, Jackson R. Contemporary variability in dimethylsulfide flux in the Barents Sea and simulated change under 4×CO2climate conditions [J]. Journal of Marine Systems, 2021,220: 103573.

[15] Qu B, Gabric A J, Zeng M, et al. Dimethylsulfide model calibration and parametric sensitivity analysis for the Greenland Sea [J]. Polar Science, 2017,13:13-22.

[16] Gabric A J, Qu B, Matrai P, et al. The simulated response of dimethylsulfide production in the Arctic Ocean to global warming [J]. Tellus B: Chemical and Physical Meteorology, 2005,57(5):391-403.

[17] Qu B, Gabric A J, Jiang L, et al. Comparison between early and late 21stC phytoplankton biomass and dimethylsulfide flux in the subantarctic southern ocean [J]. Journal of Ocean University of China, 2020,19(1):151-160.

[18] Gypens N, Borges A V. Increase in dimethylsulfide (DMS) emissions due to eutrophication of coastal waters offsets their reduction due to ocean acidification [J]. Frontiers in Marine Science, 2014,1(4):1-6.

[19] Tortell P D, Merzouk A, Ianson D, et al. Influence of regional climate forcing on surface waterCO2, ΔO2/Ar and dimethylsulfide (DMS) along the southern British Columbia coast [J]. Continental Shelf Research, 2012,47:119-132.

[20] 蔡榕硕,谭红建,郭海峡.中国沿海地区对全球变化的响应及风险研究 [J]. 应用海洋学学报, 2019,38(4):514-527.

Cai R S, Tan H J, Guo H X. Responses and compound risks of the coastal China areas to global change [J]. Journal of Applied Oceanography, 2019,38(4):514-527.

[21] 唐森铭,蔡榕硕,郭海峡,等.中国近海区域浮游植物生态对气候变化的响应 [J]. 应用海洋学学报, 2017,36(4):455-65.

Tang S M, Cai R S, Guo H X, et al. Response of phytoplankton in offshore China seas to climate change [J]. Journal of Applied Oceanography, 2017,36(4):455-65.

[22] Wei H, Zhang H, Yang W, et al. The changing Bohai and Yellow Seas: A physical view [J]. Changing Asia-Pacific Marginal Seas, 2020:105-120. DOI: 10.1007/978-981-15-4886-4_7.

[23] Lana A, Bell T G, Simó R, et al. An updated climatology of surface dimethlysulfide concentrations and emission fluxes in the global ocean [J]. Global Biogeochemical Cycles, 2011,25(1):3-25.

[24] 杨 剑.中国东部陆架海生源硫的分布、通量及其对气溶胶中非海盐硫酸盐的贡献[D]. 青岛:中国海洋大学, 2014.

Yang J. Distribution and sea-to-air flux of biogenic sulfur from the eastern China continental seas and its contribution to the non-sea-salt sulfate in aerosol [D]. QingDao: Ocean University of China, 2014.

[25] 沈家葳,赵 亮,王思佳,等.黄、东海二甲基硫与环境因子的多元分析及建模 [J]. 中国环境科学, 2019,39(6):2514-2522.

Shen J W, Zhao L, Wang S J, et al. Multivariate analysis between dimethylsulfide and environmental factors and modeling in the Yellow Sea and the East China Sea [J]. China Environmental Science, 2019,39(6):2514-2522.

[26] Mao S H, Zhuang G C, Liu X W, et al. Seasonality of dimethylated sulfur compounds cycling in north China marginal seas [J]. Marine Pollution Bulletin, 2021,170:112635.

[27] Shen J W, Zhao L, Zhang H H, et al. Controlling factors of annual cycle of dimethylsulfide in the Yellow and East China seas [J]. Marine Pollution Bulletin, 2021,169:112517.

[28] Yang G P, Song Y Z, Zhang H H, et al. Seasonal variation and biogeochemical cycling of dimethylsulfide (DMS) and dimethylsulfoniopropionate (DMSP) in the Yellow Sea and Bohai Sea [J]. Journal of Geophysical Research: Oceans, 2014,119(12):8897- 8915.

[29] 张升辉.中国东部陆架海DMS和DMSP的时空分布及DMSP的降解机理研究[D]. 青岛:中国海洋大学, 2015.

Zhang S H. Studies on tempo-spatial distribution of DMS and DMSP in the eastern marginal seas of China and molecular insight into bacterial cleavage of DMSP [D]. QingDao: Ocean University of China, 2015.

[30] 赵 亮,沈家葳,蒋 昊.海洋二甲基硫生态模型研究综述 [J]. 中国海洋大学学报(自然科学版), 2018,48(11):1-10.

Zhao L, Shen J W, Jiang H. Ecosystem model of dimethylsulfide in the Ocean: A review [J]. Periodical of Ocean University of China, 2018,48(11):1-10.

[31] 谭丹丹,张洪海,翟 星,等.冬季黄渤海DMS、DMSP和CH4的分布及影响因素 [J]. 中国环境科学, 2019,39(5):2143-2153.

Tan D D, Zhang H H, Zhai X, et al. Distributions of dimethylsulfide, dimethylsulfoniopropionate, methane and influencing factors in the Yellow Sea and Bohai Sea during winter [J]. China Environmental Science, 2019,39(5):2143-2153.

[32] Giorgi F, Gutowski W J. Regional dynamical downscaling and the CORDEX initiative [J]. Annual Review of Environment and Resources, 2015,40(1):467-490.

[33] Zhao L, Guo X. Influence of cross-shelf water transport on nutrients and phytoplankton in the East China Sea: A model study [J]. Ocean Science, 2011,7(1):27-43.

[34] Li D, Feng J, Yin B, et al. Statistical bias correction for simulated wind speeds over CORDEX-East Asia [J]. Earth and Space Science, 2019, 6(2):200-211.

[35] Li D, Feng J, Dosio A, et al. Historical evaluation and future projections of 100m wind energy potentials over CORDEX‐East Asia [J]. Journal of Geophysical Research: Atmospheres, 2020,125 (15):338-363.

[36] Li D, Yin B, Feng J, et al. Present climate evaluation and added value analysis of dynamically downscaled simulations of CORDEX-East Asia [J]. Journal of Applied Meteorology and Climatology, 2018,57 (10):2317-2341.

[37] Li D. Added value of high‐resolution regional climate model: selected cases over the Bohai Sea and the Yellow Sea areas [J]. International Journal of Climatology, 2017,37(1):169-179.

[38] Zhang H H, Yang G P, Zhu T. Distribution and cycling of dimethylsulfide (DMS) and dimethylsulfoniopropionate (DMSP) in the sea-surface microlayer of the Yellow Sea, China, in spring [J]. Continental Shelf Research, 2008,28(17):2417-2427.

[39] 宋以柱.中国黄海、渤海DMS和DMSP的浓度分布及影响因素研究[D]. 青岛:中国海洋大学, 2014.

Song Y Z. Studies on the distribution of DMS and DMSP and influencing factors in the Yellow Sea and Bohai Sea, China [D]. QingDao: Ocean University of China, 2014.

[40] 石 强.黄海月平均风、气压、气温场季节与年际变化时空模态[J]. 应用海洋学学报, 2017,36(4):487-499.

Shi Q. Spatio-temporal mode on the seasonal and interannual variability of mean monthly wind,pressure,air temperature field in the Yellow Sea [J]. Journal of Applied Oceanography, 2017,36(4):487- 499.

[41] 蔡榕硕,陈际龙,黄荣辉.我国近海和邻近海的海洋环境对最近全球气候变化的响应[J]. 大气科学, 2006,30(5):1019-1033.

Cai R S, Chen J L, Huang R H. The response of marine environment in the offshore area of China and its adjacent ocean to recent global climate change [J]. Chinese Journal of Atmospheric Sciences, 2006, 30(5):1019-1033.

[42] Simó R. From cells to globe: approaching the dynamics of DMS(P) in the ocean at multiple scales [J]. Canadian Journal of Fisheries and Aquatic Sciences, 2004,61:673-684.

[43] Li C X, Yang G P, Wang B D. Biological production and spatial variation of dimethylated sulfur compounds and their relation with plankton in the North Yellow Sea [J]. Continental Shelf Research, 2015,102:19-32.

[44] Zhang J, Chen S Z, Yu Z G, et al. Factors influencing changes in rainwater composition from urban versus remote regions of the Yellow Sea [J]. Journal of Geophysical Research: Atmospheres, 1999,104(D1): 1631-1644.

[45] 靳 娜,刘欣伟,宋雨辰,等.不同波段下黄海中二甲基硫光氧化动力学研究[J]. 中国环境科学, 2016,36(1):167-174.

Jin N, Liu X W, Song Y C, et al. Photochemical kinetics of seawater dimethylsulfide in the Yellow Sea under different wavelengths [J]. China Environmental Science, 2016,36(1):167-174.

[46] 俞秀霞,孙 琳,陈长平.厦门港叶绿素的时空分布及其与水环境因子关系的多元分析 [J]. 海洋科学, 2021,45(6):49-62.

Yu X X, Sun L, Chen C P. Chlorophyll content in Xiamen Bay— spatiotemporal distribution and relationship with water environmental factors [J]. Marine Sciences, 2021,45(6):49-62.

Simulations of DMS concentration changes in the Yellow Sea under the future RCP4.5 scenario.

LI Fei1, ZHAO Liang1*, SHEN Jia-wei2, YAO Jie1, WANG Sheng1

(1.School of Ocean and Environment, Tianjin University of Science and Technology, Tianjin 300457, China；2.School of Marine Science and Technology, Tianjin University, Tianjin 300072, China)., 2022,42(9)：4304～4314

In order to investigate the past and near future tempo-spatial distributions of surface DMS concentrations (DMS), characteristics of change, and their influencing factors in the Yellow Sea, theDMSin the Yellow Sea were simulated using a DMS module coupled to an ecological dynamics model of the eastern shelf seas of China. The past climate state dataset (2000～2009) and the near-future climate state dataset (2041～2050) under the RCP4.5 scenario for CORDEX-EA were used to drive the model. The results show that the annual cycle ofDMSin the Yellow Sea will change in the near future, with the months of very highDMSshifting from May and September to April and October in the North Yellow Sea, and from April and September to April and August in the South Yellow Sea. Additionally, the local highDMSareas will alter. TheDMShigh value area is strengthened in the following areas: near the Shandong Peninsula in spring; the shallow shore in northern Jiangsu Province; the east-central South Yellow Sea in summer; and the east of the South Yellow Sea in autumn. In the summer, however, theDMShigh value area weakened near the Shandong Peninsula. The near future heat flux and wind stress have a strong influence onDMSin the Shandong Peninsula and the central-eastern part of the South Yellow Sea; precipitation and total cloud cover have a strong influence onDMSin the West Korea Bay;andDMSin the shallows of northern Jiangsu Province are affected by all climate factors.

surface DMS concentrations；RCP4.5 scenario；the Yellow Sea；CORDEX-EA；ecological model；spatial distribution

X171

A

1000-6923(2022)09-4304-11

2022-02-24

国家自然科学基金资助项目(41876018);国家重点研发计划(2016YFA0601301)

*责任作者, 教授, zhaoliang@tust.edu.cn

李 菲(1997-),女,山西忻州人,天津科技大学硕士研究生,研究方向为海洋生态系统动力学.发表论文1篇.