• 中文核心期刊
  • 中国科技核心期刊
  • ISSN 1007-6336
  • CN 21-1168/X

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

全球海洋初级生产力与海洋环境要素时空关联模式挖掘分析

孙强 薛存金 刘敬一 刘星 洪娅岚 伍程斌

引用本文:
Citation:

全球海洋初级生产力与海洋环境要素时空关联模式挖掘分析

    作者简介: 孙强(1993-), 男, 江苏宿迁人, 硕士, 主要研究方向为时空关联模式分析, E-mail:sunqiang1221@163.com;
    通讯作者: 薛存金(1979-), 男, 山东成武人, 副研究员, 博士, 主要研究方向为海洋地理信息系统、海洋时空分析方法, E-mail:xuecj@radi.ac.cn
  • 基金项目: 中国科学院战略性A类型先导专项项目(XDA19060103);国家重点研发计划项目(2017YFB0503605);国家自然科学基金项目(41671401)
  • 中图分类号: X144

Spatiotemporal association patterns between marine net primary production and environmental parameters in a view of data mining

  • 摘要: 全球海洋初级生产力在海洋环境要素的驱动下呈现不同的时空分布特征,但在不同的海域两者之间的关联模式并不清晰。本文从地理时空规则挖掘的角度,利用1998年1月—2016年12月之间的序列多源遥感产品数据,探讨了全球海洋初级生产力和海洋表面温度、海面高度异常、海面降雨、混合层深度和ENSO(El Niño-Southern Oscillation)事件的时空关联模式。研究结果表明:1)在西赤道太平洋,海面高度异常降低、海面降雨异常降低和混合层深度异常升高会提升真光层营养盐供应,致使海洋初级生产力的异常升高。2)在中赤道太平洋,海面高度异常升高、海面降雨异常升高和混合层深度异常降低会抑制真光层营养盐供应,致使海洋初级生产力的异常降低。3)在东赤道太平洋,海面高度异常升高和海面降雨异常升高会抑制真光层营养盐供应、混合层深度异常升高降低了铁元素含量,从而导致海洋初级生产力的异常降低。4)在南太平洋,浮游植物丰度与营养盐呈负相关,海洋表面温度异常升高/异常降低会提升/抑制微生物光合作用效率、海面高度的异常升高/异常降低会抑制/提升真光层营养盐供应,致使海洋初级生产力的异常升高/异常降低。5)厄尔尼诺事件相较于拉尼娜事件更容易引起海洋初级生产力的异常变化。
  • 图 1  海洋表面温度月均距平与NPPA的关联模式分布

    Figure 1.  The spatiotemporal association patterns among NPPA and SSTA

    图 2  海面高度月均距平与NPPA的关联模式分布

    Figure 2.  The spatiotemporal association patterns among NPPA and SLAA

    图 3  2017年区域空间均值的时间序列相关分析

    Figure 3.  Time series correlation analysis of spatial mean values in 2017

    图 4  海面降雨月均距平与NPPA的关联模式分布

    Figure 4.  The spatiotemporal association patterns among NPPA and SSPA

    图 5  混合层深度月均距平与NPPA的关联模式分布

    Figure 5.  The spatiotemporal association patterns among NPPA and MLDA

    图 6  ENSO事件与NPPA的关联模式分布

    Figure 6.  The spatiotemporal association patterns among NPPA and ENSO events

    图 7  MEINPPA空间均值的时间序列相关分析

    Figure 7.  Time series correlation analysis between MEI and the spatial mean value of NPPA

    图 8  SSTASLAASSPAMLDANPPA的关联模式分布

    Figure 8.  The spatiotemporal association patterns among NPPA and SSTA, SLAA, SSPA, MLDA

    表 1  海洋参数遥感产品数据信息

    Table 1.  Sources and resolutions of remote sensing products

    下载: 导出CSV
  • [1] 宁修仁, 刘子琳, 蔡昱明.我国海洋初级生产力研究二十年[J].东海海洋, 2000, 18(3):13-20. doi: 10.3969/j.issn.1001-909X.2000.03.003
    [2] 邹亚荣, 马超飞, 邵岩.遥感海洋初级生产力的研究进展[J].遥感信息, 2005(2):58-61. doi: 10.3969/j.issn.1000-3177.2005.02.015
    [3] BEHRENFELD M J, O'MALLEY R T, SIEGEL D A, et al.Climate-driven trends in contemporary ocean productivity[J].Nature, 2006, 444(7120):752-755. doi: 10.1038/nature05317
    [4] POLOVINA J J, MITCHUM G T, EVANS G T.Decadal and basin-scale variation in mixed layer depth and the impact on biological production in the Central and North Pacific, 1960-88[J].Deep Sea Research Part Ⅰ:Oceanographic Research Papers, 1995, 42(10):1701-1716. doi: 10.1016/0967-0637(95)00075-H
    [5] MURTUGUDDE R, WANG L P, HACKERT E, et al.Remote sensing of the Indo-Pacific region:ocean colour, sea level, winds and sea surface temperatures[J].International Journal of Remote Sensing, 2004, 25(7/8):1423-1435.
    [6] TURK D, MCPHADEN M J, BUSALACCHI A J, et al.Remotely sensed biological production in the equatorial Pacific[J].Science, 2001, 293(5529):471-474. doi: 10.1126/science.1056449
    [7] PENNINGTON J T, MAHONEY K L, KUWAHARA V S, et al.Primary production in the eastern tropical Pacific:a review[J].Progress in Oceanography, 2006, 69(2/3/4):285-317.
    [8] MESSIÉ M, CHAVEZ F P.A global analysis of ENSO synchrony:the oceans' biological response to physical forcing[J].Journal of Geophysical Research, 2012, 117(C9):C09001.
    [9] SU F Z, ZHOU C H, LYNE V, et al.A data-mining approach to determine the spatio-temporal relationship between environmental factors and fish distribution[J].Ecological Modelling, 2004, 174(4):421-431. doi: 10.1016/j.ecolmodel.2003.10.006
    [10] XUE C J, SONG W J, QIN L J, et al.A spatiotemporal mining framework for abnormal association patterns in marine environments with a time series of remote sensing images[J].International Journal of Applied Earth Observation and Geoinformation, 2015, 38:105-114. doi: 10.1016/j.jag.2014.12.009
    [11] XUE C J, SONG W J, QIN L J, et al.A mutual-information-based mining method for marine abnormal association rules[J].Computers & Geosciences, 2015, 76:121-129.
    [12] BEHRENFELD M J, FALKOWSKI P G.A consumer's guide to phytoplankton primary productivity models[J].Limnology and Oceanography, 1997, 42(7):1479-1491. doi: 10.4319/lo.1997.42.7.1479
    [13] REYNOLDS R W, RAYNER N A, SMITH T M, et al.An improved in situ and satellite SST analysis for climate[J].Journal of Climate, 2002, 15(13):1609-1625. doi: 10.1175/1520-0442(2002)015<1609:AIISAS>2.0.CO;2
    [14] TRMM.SSP-sea surface precipitation[EB/OL].https://mirador.gsfc.nasa.gov/cgi-bin/mirador/presentNavigation.pl?tree=project&project=TRMM&dataGroup=Gridded&dataset=3B43, 2018-05-14.
    [15] CNES.MSLA-monthly mean and climatology maps of sea level anomalies[EB/OL].http://www.aviso.altimetry.fr/en/data/products/sea-surface-height-products/global/msla-mean-climatology.html, 2018-05-14.
    [16] Ocean Productivity.MLD-mixed layer depth[EB/OL].http://orca.science.oregonstate.edu/1080.by.2160.monthly.hdf.mld125.hycom.php, 2018-05-14.
    [17] WOLTER K, TIMLIN M S.El Niño/Southern Oscillation behaviour since 1871 as diagnosed in an extended multivariate ENSO index (MEI.ext)[J].International Journal of Climatology, 2011, 31(7):1074-1087. doi: 10.1002/joc.2336
    [18] HUANG Y P, KAO L J, SANDNES F E.Efficient mining of salinity and temperature association rules from ARGO data[J].Expert Systems with Applications, 2008, 35(1/2):59-68.
    [19] XUE C J, FAN X, DONG Q, et al.Using remote sensing products to identify marine association patterns in factors relating to ENSO in the Pacific ocean[J].ISPRS International Journal of Geo-Information, 2017, 6(1):32. doi: 10.3390/ijgi6010032
    [20] XUE C J, DONG Q, FAN X.Spatiotemporal association patterns of multiple parameters in the northwestern Pacific Ocean and their relationships with ENSO[J].International Journal of Remote Sensing, 2014, 35(11/12):4467-4483.
    [21] TADESSE T, WILHITE D A, HARMS S K, et al.Drought monitoring using data mining techniques:a case study for Nebraska, USA[J].Natural Hazards, 2004, 33(1):137-159. doi: 10.1023/B:NHAZ.0000035020.76733.0b
    [22] 柴思跃, 苏奋振, 周成虎.基于周期表的时空关联规则挖掘方法与实验[J].地球信息科学学报, 2011, 13(4):455-464.
    [23] XUE C J, DONG Q, LI X H, et al.A remote-sensing-driven system for mining marine spatiotemporal association patterns[J].Remote Sensing, 2015, 7(7):9149-9165. doi: 10.3390/rs70709149
    [24] 金思韵, 潘建明, 韩正兵.南极夏季普里兹湾叶绿素a的时空变化研究[J].极地研究, 2012, 24(4):361-371.
    [25] 朱根海, 扈传昱, 韩正兵, 等.南大洋浮游植物群落结构的研究[C]//2012中国极地科学学术年会论文集.杭州: 中国极地研究中心, 2012: 52-53.
    [26] 侯雪燕.面向全球变化的太平洋遥感多参数关联分析[D].北京: 中国科学院大学, 2015: 4-5.
    [27] CHAVEZ F P, MESSIÉ M, PENNINGTON J T.Marine primary production in relation to climate variability and change[J].Annual Review of Marine Science, 2011, 3:227-260. doi: 10.1146/annurev.marine.010908.163917
    [28] SCHNEIDER B, BOPP L, GEHLEN M, et al.Climate-inducedinterannual variability of marine primary and export production in three global coupled climate carbon cycle models[J].Biogeosciences, 2008, 5(2):597-614.
    [29] WILSON C, ADAMEC D.Correlations between surface chlorophyll and sea surface height in the tropical Pacific during the 1997-1999 El Niño-Southern Oscillation event[J].Journal of Geophysical Research, 2001, 106(C12):31175-31188. doi: 10.1029/2000JC000724
    [30] 吕华庆.物理海洋学基础[M].北京:海洋出版社, 2012:227-229.
    [31] 林智涛, 沈春燕, 孙楠, 等.ENSO对南海北部初级生产力的影响[J].广东海洋大学学报, 2017, 37(1):80-87. doi: 10.3969/j.issn.1673-9159.2017.01.013
    [32] 马超飞.基于关联规则的遥感数据挖掘与应用[D].北京: 中国科学院研究生院(遥感应用研究所), 2002: 66-66.
  • [1] 明红霞石婷婷苏洁樊景凤郭皓 . 浅谈我国海洋环境中人类肠病毒的污染监管. 海洋环境科学, 2020, (): 1-7. doi: 10.12111/j.mes.20200076
    [2] 马小峰林明森周武张有广 . 新型海洋微波辐射计遥感原理与发展. 海洋环境科学, 2020, 39(4): 622-629. doi: 10.12111/j.mes.20190032
    [3] 杨淩雁梁书秀孙昭晨 . 海洋工程建设生态损失补偿方法探究. 海洋环境科学, 2020, 39(4): 630-637. doi: 10.12111/j.mes.20190042
    [4] 何全军王捷纯 . FY-3C/VIRR数据中国周边海域区域SST反演算法开发. 海洋环境科学, 2020, 39(5): 798-803. doi: 10.12111/j.mes.20190107
    [5] 王祥苏岫张浩王新新王林陈艳拢赵建华徐进 . 不同空间分辨率遥感数据在核电站温排水监测中的应用研究. 海洋环境科学, 2020, 39(4): 646-651. doi: 10.12111/j.mes.20190036
    [6] 夏文香刘丽张明远孟蒙蒙赵莹莹李金成 . 溢油后海洋沉积物中细菌群落的多样性. 海洋环境科学, 2020, 39(4): 652-656. doi: 10.12111/j.mes.20190009
    [7] 张建丽宋德瑞周超徐京萍孙榕 . 我国海洋产业用海空间资源使用现状研究. 海洋环境科学, 2020, 39(5): 703-708. doi: 10.12111/j.mes.20190134
    [8] 黎双飞陈俞妃张惠萍杨雪薇陈敏纯陈辉蓉 . DMSP在海洋藻-菌互作中的作用研究进展. 海洋环境科学, 2020, 39(5): 809-816. doi: 10.12111/j.mes.20190145
    [9] 崔红星汪驰升杨红胡忠文王春峰 . 近40 年苏北海岸线时空动态变迁分析. 海洋环境科学, 2020, 39(5): 694-702, 708. doi: 10.12111/j.mes.20190137
    [10] 李保石厉丞烜金玉休纪鹏赵晓龙何帅 . 广海湾海域营养盐时空分布及富营养化评价. 海洋环境科学, 2020, 39(5): 657-663. doi: 10.12111/j.mes.20190171
    [11] 刘珊王英华石先武贾宁孙雨希刘强 . 公元前48年-公元1949年我国四类主要海洋灾害的史料统计与分析. 海洋环境科学, 2020, 39(4): 544-550. doi: 10.12111/j.mes.20190135
    [12] 李禹含苗晶晶魏守祥潘鲁青林雨霏武江越 . 对氯苯胺、1,2-二氯乙烷、邻苯二甲酸丁苄酯和1-苯乙醇对两种海洋贝类急性毒性及其物种敏感度分布的研究. 海洋环境科学, 2020, 39(5): 732-737. doi: 10.12111/j.mes.20190152
    [13] 高云泽李瑞婧金帅辰高会侯超曹胜凯那广水 . 南极生态环境及管理现状研究. 海洋环境科学, 2020, 39(5): 753-758. doi: 10.12111/j.mes.20190075
    [14] 梁婷婷柯丽娜王权明 . 长兴岛附近海域利用动态变化及开发环境压力评价. 海洋环境科学, 2020, 39(5): 738-745. doi: 10.12111/j.mes.20190098
    [15] 卞培旺陈法锦张叶春周欣刘兴健徐玉芬 . 海底表层沉积物腐蚀性环境特征与评估——以三亚湾为例. 海洋环境科学, 2020, 39(4): 563-569. doi: 10.12111/j.mes.20190010
    [16] 葛在名吴正超刘子嘉周卫文董园李芊 . 去吸附法测定珠江口颗粒附着细菌的丰度特征及其环境因子耦合研究. 海洋环境科学, 2020, 39(4): 505-510. doi: 10.12111/j.mes.20190065
    [17] 陈勇马德毅刘文全夏鹏 . 东寨港潮间带沉积物重金属环境背景值构建研究. 海洋环境科学, 2020, 39(5): 716-722. doi: 10.12111/j.mes.20190096
    [18] 张欣泉姜会超马元庆程玲李佳蕙 . 2017年丰水期莱州湾环境因子分布特征及网采浮游植物的响应. 海洋环境科学, 2020, 39(4): 614-621, 629. doi: 10.12111/j.mes.20190026
  • 加载中
图(8)表(1)
计量
  • 文章访问数:  999
  • HTML全文浏览量:  732
  • PDF下载量:  62
出版历程
  • 收稿日期:  2018-12-09
  • 录用日期:  2019-03-05
  • 刊出日期:  2020-06-20

全球海洋初级生产力与海洋环境要素时空关联模式挖掘分析

    作者简介:孙强(1993-), 男, 江苏宿迁人, 硕士, 主要研究方向为时空关联模式分析, E-mail:sunqiang1221@163.com
    通讯作者: 薛存金(1979-), 男, 山东成武人, 副研究员, 博士, 主要研究方向为海洋地理信息系统、海洋时空分析方法, E-mail:xuecj@radi.ac.cn
  • 1. 安徽理工大学 测绘学院, 安徽 淮南 232001
  • 2. 中国科学院数字地球重点实验室, 北京 100094
  • 3. 中国科学院空天信息研究院, 北京 100094
基金项目: 中国科学院战略性A类型先导专项项目(XDA19060103);国家重点研发计划项目(2017YFB0503605);国家自然科学基金项目(41671401)

摘要: 全球海洋初级生产力在海洋环境要素的驱动下呈现不同的时空分布特征,但在不同的海域两者之间的关联模式并不清晰。本文从地理时空规则挖掘的角度,利用1998年1月—2016年12月之间的序列多源遥感产品数据,探讨了全球海洋初级生产力和海洋表面温度、海面高度异常、海面降雨、混合层深度和ENSO(El Niño-Southern Oscillation)事件的时空关联模式。研究结果表明:1)在西赤道太平洋,海面高度异常降低、海面降雨异常降低和混合层深度异常升高会提升真光层营养盐供应,致使海洋初级生产力的异常升高。2)在中赤道太平洋,海面高度异常升高、海面降雨异常升高和混合层深度异常降低会抑制真光层营养盐供应,致使海洋初级生产力的异常降低。3)在东赤道太平洋,海面高度异常升高和海面降雨异常升高会抑制真光层营养盐供应、混合层深度异常升高降低了铁元素含量,从而导致海洋初级生产力的异常降低。4)在南太平洋,浮游植物丰度与营养盐呈负相关,海洋表面温度异常升高/异常降低会提升/抑制微生物光合作用效率、海面高度的异常升高/异常降低会抑制/提升真光层营养盐供应,致使海洋初级生产力的异常升高/异常降低。5)厄尔尼诺事件相较于拉尼娜事件更容易引起海洋初级生产力的异常变化。

English Abstract

  • 海洋净初级生产力(net primary production, NPP)是海洋生态系统中的重要参数,它有助于了解全球的碳循环、海区的环境质量等[1-2]。然而全球海洋初级生产力在时空分布上无统一规律[3],其与海洋环境要素在全球海域存在着复杂的关联模式,研究它们间关联模式为明确影响浮游植物时空分布的主要驱动因子提供基础,同时为研究气候变化如何影响海洋食物网提供依据[3]。卫星遥感技术的应用为研究NPP提供了新的可能,它的大面积覆盖、长时间序列观测等特点,使它成为大时空尺度海洋浮游植物丰度测量与研究必不可少的工具[2-3]

    现有研究NPP与海洋环境要素之间关联模式主要分为三类。一类是利用海洋微生物模型建立营养盐、光照等与NPP的关系,比如,Polovina等人[4]利用实测数据结合微生物模型得出:北副热带太平洋混合层升高NPP降低、副北极地区光照是影响NPP主要因素;Murtugudde等人[5]研究表明1998年厄尔尼诺期间太平洋赤道以北海面高度降低与生物活性增强密切相关,其被海洋物理化学模型所证实[6-7]。该类模型分析方法主要利用先验知识研究营养盐、海表辐照度等与NPP直接相关要素,未涉及海洋表面温度等海洋环境要素与NPP的关联模式。二类是利用统计分析方法对NPP与海洋表面温度、ENSO等要素进行相关性分析。比如,Behrenfeld等人[3]利用1999年—2004年遥感数据得出全球分层海洋中海洋表面温度与NPP的四种变化关系(中东太平洋、大西洋中部和印度洋区域海洋表面温度升高导致NPP降低;印太暖池区域和大西洋南部海洋表面温度降低导致NPP升高;少部分区域分别存在海洋表面温度降低/升高导致NPP降低/升高),在一定程度上展示了海洋表面温度与NPP的关联模式。同时其利用统计分析方法,分析了全球NPP总量在拉尼娜和厄尔尼诺事件发生期间变化特征,但该关联模式缺乏空间上的分布。三类是利用长时间序列遥感数据结合经验正交函数(empirical orthogonal function, EOF)研究NPP与海洋环境要素的时空关联。Monique等人[8]利用1998年—2007年全球NPP数据,对EOF分析的第一模态时间序列与MEI做相关分析,得出NPP与厄尔尼诺-南方振荡(ENSO)之间存在强相关性。EOF分析对于单独研究NPP的时空分布有较好效果,能够得到与其他要素在时间序列上的关联模式,但在空间分布上存在不足。

    上述研究方法基于先验知识对NPP与海洋环境要素进行两两之间的关联模式分析,这从某种程度上限制了NPP与海洋环境要素之间关联模式的研究。地理时空关联挖掘利用归纳方法,在无需先验知识的前提下探讨多要素之间的时空关联模式,已被广泛应用于海洋时空关联模式的分析与研究[9-10]。基于此,本文采用基于互信息的定量关联规则挖掘算法(MIQarma)[11],通过分析海洋NPP与海洋环境要素的时空特性,设定支持度和置信度阈值,开展全球NPP和海洋表面温度、海面降雨、海面高度、混合层深度、ENSO事件之间的时空关联模式研究。

    • 本文所用数据包括海洋初级生产力、海洋表面温度、海面降雨、海面高度和混合层深度数据以及ENSO指数,详细如表 1所示。

      表 1  海洋参数遥感产品数据信息

      Table 1.  Sources and resolutions of remote sensing products

      海洋初级生产力数据源于美国俄勒冈州立大学网站[12]。海洋表面温度(sea surface temperature, SST)由美国国家海洋大气管理局(NOAA)的地球系统研究室(ESRL)的物理科学部提供[13]。海面降雨数据(sea surface precipitation, SSP)使用来自于NASA的戈达德地球科学数据与信息服务中心的热带降雨测量任务的3B43产品数据[14]。海面高度数据(sea level anomalies, SLA)从法国空间研究中心(CNES)的卫星海洋学存档数据中心获取[15]。混合层深度(mixed layer depth, MLD)数据来自FNMOC模式数据[16]。MEI(Multivariate ENSO Index)指数源自NOAA/ESRL/PSD的多变量ENSO指数数据[17],用于评估厄尔尼诺与南方涛动的强度及循环。

      本文采用的时间范围为:1998-01—2016-12,空间范围为50°S—50°N,空间分辨率为1°,并采用Z-score算法对遥感数据进行标准化距平,以消除季节特征的影响[18]。月均距平数据集分别记为NPPA(海洋初级生产力月均距平)、SSTA(海洋表面温度月均距平)、SLAA(海面高度月均距平)、SSPA(海面降雨月均距平)、MLDA(混合层深度月均距平)。

    • 本文采用基于互信息的定量关联规则挖掘算法(MIQarma)[11]开展全球NPP异常变化与海洋环境要素之间时空关联模式分析。MIQarma的核心思想是基于非对称性互信息实现两项频繁项集的挖掘,然后设计“链接-剪枝”算法,得到所有频繁项集,最后根据提升度和置信度阈值提取海洋时空关联模式。在该算法中,需要根据分析对象的时空特性对算法参数进行阈值设定,主要包括:标准离散化阈值、支持度、置信度和提升度阈值。

      本文采用均值与标准差阈值进行标准离散化,其表达式为:

      式中:μ, δ分别代表对象值时间序列的均值与标准差;V是某一月份某栅格属性值,-1代表异常降低、+1代表异常升高。在ENSO事件的判断中,该方法被证明有效[17, 19]

      支持度s是异常事件X、Y共同发生次数占总数的比例;置信度c是异常事件X发生的情况下异常事件Y发生的概率;提升度l是异常事件X对异常事件Y的影响的大小,是置信度与Y事件单独发生概率的比值。本文所研究海洋环境要素属于自然现象,而自然现象符合正态分布的特征[19],因此本文依据随机变量正态分布原则设置支持度s为2.28%;依据地理时空关联挖掘中通用的置信度和提升度的阈值[20-22],设置置信度c和提升度l分别为75%、2。

      海洋关联模式如下式所示:

      式中:X是关联模式前项;Y是关联模式后项,意为X异常变化驱动Y产生异常变化;p, q分别代表离散化后异常的级别,其值会是-1、1。利用上述数据和方法,共得到与NPPA相关的关联模式127506个。

    • 海洋表面温度异常变化与NPPA的关联模式经空间投影后[23]的空间分布如图 1所示。海洋表面温度异常升高导致海洋初级生产力异常降低的模式:SSTA[+1] → NPPA[-1](简称高低模式,全文下同),集中分布在中东赤道太平洋区域和印度洋西部区域;海洋表面温度与海洋初级生产力的低高模式:SSTA[-1] → NPPA[+1],集中分布在西赤道太平洋区域和印度洋东部区域;海洋表面温度与海洋初级生产力的低低模式和高高模式:SSTA[-1] → NPPA[-1]和SSTA[+1] → NPPA[+1],在南太平洋中部区域同时存在。

      图  1  海洋表面温度月均距平与NPPA的关联模式分布

      Figure 1.  The spatiotemporal association patterns among NPPA and SSTA

      在中东赤道太平洋和印度洋西部区域,营养盐对NPP的变化贡献率高[8],由于海洋表面温度升高加强了海水分层,不利于营养盐供应,从而导致该区域NPP降低,因此该区域存在海洋表面温度与海洋初级生产力的高低模式。在西赤道太平洋和印度洋东部区域,由于海洋表面温度降低减弱海水分层增加营养盐供应,从而导致NPP升高,因此该区域存在海洋表面温度与海洋初级生产力的低高模式,Behrenfeld等人[3]使用1999年—2004年数据得到中低纬区域海洋表面温度对NPP的影响方式,其印太暖池区域/中东太平洋区域的关联模式的分布包含以上所述低高/高低关联模式集中区,为以上本文关联模式提供佐证。在南太平洋区域,由于浮游植物光合作用速率受温度影响且与海洋表面温度呈正比[24],当海洋表面温度升高,浮游植物光合作用速率加快,最终导致NPP升高。因此该区域存在海洋表面温度与海洋初级生产力的低低模式和高高模式。

    • 海面高度异常变化与NPPA的关联模式及空间分布如图 2所示。海面高度与海洋初级生产力的高低模式:SLAA[+1]→NPPA[-1],集中分布在中东赤道太平洋区域和印度洋西部区域;海面高度与海洋初级生产力的低高模式:SLAA[-1] →NPPA[+1],集中分布于西赤道太平洋区域和印度洋东部区域;海面高度与海洋初级生产力的低低模式和高高模式:SLAA[-1] → NPPA[-1]和SLAA[+1] → NPPA[+1],在南太平洋中部区域同时存在。

      图  2  海面高度月均距平与NPPA的关联模式分布

      Figure 2.  The spatiotemporal association patterns among NPPA and SLAA

      在中东赤道太平洋区域和印度洋西部区域,由于海面高度异常升高抑制下层营养盐上涌到真光层,减少真光层营养盐供应[20],最终导致该区域NPP降低,因此该区域存在海面高度与海洋初级生产力的高低模式。在西赤道太平洋区域和印度洋东部区域,由于海面高度异常降低导致下层营养盐上涌到真光层,增加营养盐供应,最终导致该区域的NPP升高,因此该区域存在海面高度与海洋初级生产力的低高模式。在南太平洋中部区域,海面高度异常降低导致NPP降低的可能原因是:由于该区域浮游植物细胞丰度与营养盐呈负相关[25],海面高度异常降低增加了真光层营养盐供应,最终导致NPP降低,因此该区域存在海面高度与海洋初级生产力的低低模式和高高模式。

      为验证南太平洋中部的高高模式和低低模式,选取2017年未参与挖掘数据进行分析。图 3为2017年区域月均距平的空间均值相关性分析。从图 3(a)知,SLAANPPA空间均值在2017年1月—8月变化趋势一致且相关系数为0.75,且都在6月到达低值,呈高度正相关。

      图  3  2017年区域空间均值的时间序列相关分析

      Figure 3.  Time series correlation analysis of spatial mean values in 2017

    • 海面降雨异常变化与NPPA的关联模式及空间分布如图 4所示。海面降雨与海洋初级生产力的高低模式:SSPA[+1] → NPPA[-1],集中分布于中东赤道太平洋区域;低高模式:SSPA[-1] → NPPA[+1],集中分布于西赤道太平洋区域;低低模式:SSPA[-1] → NPPA[-1],集中分布在南太平洋中部区域。

      图  4  海面降雨月均距平与NPPA的关联模式分布

      Figure 4.  The spatiotemporal association patterns among NPPA and SSPA

      在中东赤道太平洋区域,由于海面降雨异常增加导致海表盐度降低并增强海水分层,不利于真光层营养盐供应,最终导致该区域浮游植物生物量降低[26],因此该区域存在海面降雨与海洋初级生产力的高低模式。在西赤道太平洋区域,由于海面降雨减少,营养盐供应增加,导致NPP异常升高,因此该区域存在海面降雨与海洋初级生产力的低高模式。在南太平洋中部区域,该区域存在海面降雨与海洋初级生产力的低低模式,该模式存在可能原因是,该区域浮游植物细胞丰度与营养盐呈负相关[25],海面降雨异常降低导致真光层营养盐浓度升高,最终导致该区域NPP降低。

      图 3(b)利用2017年数据佐证了南太平洋中部区域SSPANPPA的低低模式:该区域SSPA空间均值与NPPA空间均值在2017年1月—6月呈同步变化,7月—10月SSPA空间均值持续降低并在10月达到低值,7月—10月NPPA空间均值持续降低并在11月达到低值,SSPANPPA整体变化趋势呈正相关。

    • 混合层深度与海洋初级生产力的低低模式:MLDA[-1]→NPPA[-1],集中分布在中赤道太平洋;高高模式:MLDA[+1]→NPPA[+1],集中分布在西赤道太平洋;高低模式:MLDA[+1]→NPPA[-1],集中分布在东赤道太平洋区域(图 5)。

      图  5  混合层深度月均距平与NPPA的关联模式分布

      Figure 5.  The spatiotemporal association patterns among NPPA and MLDA

      在中赤道太平洋,由于海水混合剧烈程度降低导致混合层深度变浅,进而降低真光层营养盐的供应,最终导致该区域NPP降低,因此该区域存在混合层深度与海洋初级生产力的低低模式。在西赤道太平洋,由于海水混合程度加剧导致混合层深度加深,增加真光层营养盐的供应,最终导致NPP升高,因此该区域存在混合层深度与海洋初级生产力的高高模式。在东赤道太平洋区域,该区域是典型的高营养盐低叶绿素区域,铁盐是浮游生物生长的限制因素之一[27-28],混合层深度异常升高导致NPP异常降低可能原因是:由于强烈的海水混合在营养盐高值区对表层营养盐浓度影响幅度小,同时海水中铁盐的缺乏使得微生物无法充分吸收营养盐[29],最终导致NPP降低,因此该区域存在混合层深度与海洋初级生产力的高低模式。

    • NPPA对ENSO事件响应的空间分布如图 6所示。厄尔尼诺事件期间,海洋初级生产力异常升高:ENSO[+1] → NPPA[+1],集中分布在西赤道太平洋区域,海洋初级生产力异常降低:ENSO[+1] → NPPA[-1],集中分布在中东赤道太平洋区域。而NPPA对La Nina事件的响应不明显。

      图  6  ENSO事件与NPPA的关联模式分布

      Figure 6.  The spatiotemporal association patterns among NPPA and ENSO events

      在西赤道太平洋区域,厄尔尼诺事件期间,西太平洋暖池向东扩张海洋表面温度降低[19],海水分层减弱促进营养盐供应,最终导致NPP升高。在中东赤道太平洋,在厄尔尼诺发生期间,海洋表面温度升高加深了温跃层深度[30],海水分层加剧不利于营养盐供应,最终导致NPP降低。Monique等人[8]按经度划分热带海洋(25°N—25°S),统计1998年厄尔尼诺事件期间等经度间隔内NPP总量变化,其西太平洋NPP降低/中东太平洋NPP升高的区域范围包含以上所述NPP对厄尔尼诺事件响应区域,为以上得到的关联模式提供佐证。

      图 6知,相较于拉尼娜事件,厄尔尼诺事件与NPPA间的关联模式分布范围更广,即NPP对厄尔尼诺事件的响应更为敏感。最近一次强拉尼娜事件发生在2010-07—2011-04,强厄尔尼诺事件发生在2015-03—2016-12[31],本文选取2010-06—2011-06和2015-01—2016-12两个时间段进行分析。图 7MEI指数与图 6中西赤道太平洋区域、中东赤道太平洋区域的NPPA空间均值的相关性分析,由图 7(a)知,拉尼娜事件期间MEI指数与NPPA空间均值的相关系数分别为0.38和-0.46;由图 7(b)知,厄尔尼诺事件期间MEI指数与NPPA空间均值的相关系数分别为0.87和-0.80。由同步相关分析知,NPPA对厄尔尼诺事件的响应比对拉尼娜事件敏感。

      图  7  MEINPPA空间均值的时间序列相关分析

      Figure 7.  Time series correlation analysis between MEI and the spatial mean value of NPPA

    • SSTASLAASSPAMLDANPPA的五维关联模式经空间投影后[23]的空间分布如图 8所示。两种关联模式集中分布在10°S—10°N之间的中赤道太平洋和东赤道太平洋。中赤道太平洋区域存在的关联模式为:SSTA[+1]SSPA[+1]SLAA[+1]MLDA[-1] → NPPA[-1];东赤道太平洋区域存在的关联模式为:SSTA[+1]SSPA[+1]SLAA[+1]MLDA[+1] → NPPA[-1]。

      图  8  SSTASLAASSPAMLDANPPA的关联模式分布

      Figure 8.  The spatiotemporal association patterns among NPPA and SSTA, SLAA, SSPA, MLDA

      较低维关联规则是较高维关联规则总的概括,较高维是较低维的深入[32]。由关联规则挖掘得到的海洋环境要素与NPP的5维关联结果知:中赤道太平洋和东赤道太平洋区域海洋环境要素存在共同变化的特点,并共同导致NPP异常降低。在中赤道太平洋区域海洋表面温度异常降低、海面降雨异常增加、海面高度异常增加、混合层深度异常降低共同发生,同时抑制真光层营养盐供应,最终共同导致NPP异常降低;在东赤道太平洋区域海洋表面温度异常降低、海面降雨异常增加、海面高度异常增加、混合层深度异常升高共同发生,最终共同导致NPP的异常降低。

    • (1) 西赤道太平洋,主要关联模式为:SSTANPPA的低高模式,SLAANPPA的低高模式,SSPANPPA的低高模式,MLDANPPA的高高模式。

      (2) 中赤道太平洋,主要关联模式为:SSTANPPA的高低模式,SLAANPPA的高低模式,SSPANPPA的高低模式,MLDANPPA的低低模式,且存在四个环境要素共同发生异常变化致使NPP异常降低的模式。

      (3) 东赤道太平洋,主要关联模式为:SSTANPPA的高低模式,SLAANPPA的高低模式,SSPANPPA的高低模式,MLDANPPA的高低模式,且存在四个环境要素共同发生异常变化致使NPP异常降低的模式。

      (4) 南太平洋(45°S—50°S, 125°W—160°W),主要关联模式为:SSTANPPA的高高模式和低低模式,SLAANPPA的高高模式和低低模式。相较于其他海域,该区域对海洋环境要素的变化较为强烈,可作为一个新的变化敏感区域对NPP进行表征,这有待于进一步研究与探索。

      (5) 在海洋初级生产力异常变化对ENSO事件的响应方面,NPPA对厄尔尼诺事件响应相较于拉尼娜事件更为敏感。

参考文献 (32)

目录

    /

    返回文章