检索
E-mail
RSS

作者投稿 主编审稿 专家审稿 远程编辑

热带海洋学报 >

2023 , Vol. 42 >Issue 4: 113 - 124

DOI: https://doi.org/10.11978/2022166

海洋生物学

越南沿岸上升流海表叶绿素的季节内尺度变异及机制

  • 林少文 , 1 ,
  • 任姮烨 2 ,
  • 卢文芳 , 2, 3
展开
  • 1.福州大学数字中国研究院(福建), 福建 福州 350108
  • 2.中山大学海洋科学学院, 广东 珠海 519000
  • 3.南方海洋科学与工程广东省实验室(珠海), 广东 珠海 519000
卢文芳。email:

林少文(1997—), 男, 福建省福州市人, 硕士研究生, 从事海洋遥感应用研究。email:

Copy editor: 姚衍桃

收稿日期: 2022-07-25

  修回日期: 2022-10-06

  网络出版日期: 2022-10-11

基金资助

国家自然科学基金项目(41906019)

收起

Intra-seasonal regulation and mechanism on sea surface chlorophyll in the upwelling off the coast of Vietnam

  • LIN Shaowen , 1 ,
  • REN Hengye 2 ,
  • LU Wenfang , 2, 3
Expand
  • 1. The Academy of Digital China, Fuzhou University, Fuzhou 350108, China
  • 2. School of Marine Sciences, Sun Yat-sen University, Zhuhai 519000, China
  • 3. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519000, China
LU Wenfang. email:

Copy editor: YAO Yantao

Received date: 2022-07-25

  Revised date: 2022-10-06

  Online published: 2022-10-11

Supported by

National Natural Science Foundation of China(41906019)

Fold

摘要

在夏季, 南海西部的越南沿岸上升流系统(Vietnam boundary upwelling system, VBUS)时常出现高浮游植物生物量。其中由马登-朱利安振荡(Madden-Julian oscillation, MJO)主导的季节内尺度(30~60d)变率占到重要作用, 但MJO对海表叶绿素的调控效应及机制尚不清楚。本研究采用重建的遥感叶绿素数据与多源观测资料, 探究MJO事件中VBUS叶绿素季节内变化特征及成因。复合分析结果显示, 在MJO事件末期, 该海域叶绿素浓度达到季节内最高值, 海表温度(sea surface temperature, SST)、地转流纬向分量与Ekman泵吸及风场与该海域叶绿素浓度相位模态高度对应, 且与叶绿素相位序列相关性按该顺序递减。进一步将VBUS分成近岸和离岸两个子区域, 通过广义加性模型分析叶绿素浓度的主导调控因子。结果显示VBUS海域沿岸与离岸区域叶绿素浓度影响因子及其强度并不相同, SST同为两个区域最强影响因子, 沿岸区域次要影响因子为地转流纬向分量及Ekman泵吸, 离岸次要影响因子为地转流纬向分量, 且其影响强度与SST平分秋色。通过进一步分析该调控在不同厄尔尼诺年的不同, 发现当MJO处于第4—8相位时, MJO能有效地补偿强厄尔尼诺事件导致的叶绿素浓度骤降。总体而言, MJO所处相位决定了其对VBUS海域叶绿素影响的程度, 且在不同子区域中因素的影响强度并不相同。本研究揭示了海洋生态系统和动力的短期变率特征, 能够为南海叶绿素浓度变异的理解提供新视角。

关键词： 越南沿岸上升流; 叶绿素; 季节内变化

本文引用格式

林少文 , 任姮烨 , 卢文芳 . 越南沿岸上升流海表叶绿素的季节内尺度变异及机制[J]. 热带海洋学报, 2023 , 42(4) : 113 -124 . DOI: 10.11978/2022166

Abstract

In summer, high phytoplankton biomass often occurs in the Vietnam Boundary upwelling System (VBUS) of the western South China Sea. Therein, the variation of surface chlorophyll concentration at the intra-seasonal scale (30~60 days) dominated by Madden-Julian Oscillation (MJO) can account for considerable variation, but the regulating effects and mechanism of the modulation to sea surface chlorophyll remain unclear. In this study, reconstructed remote sensing chlorophyll data and multi-source observation data were used to explore the characteristics and causes of the VBUS chlorophyll changes during MJO events. Composite analysis showed that in the late phases of MJO events, chlorophyll reached its intraseasonal maximum, while sea surface temperature (SST), zonal geostrophic current, Ekman pumping and wind speed were highly correlated in a decreasing order. Furthermore, the VBUS was divided into two sub-regions: nearshore and offshore regions. The analysis results of generalized additive model showed that the influencing factors and intensity of chlorophyll concentration in the coastal and offshore areas of VBUS were different. SST was the most important influencing factor in both regions. For the coastal region, zonal geostrophic current and Ekman pumping contributed secondly. For the offshore region, the second influence factor was zonal component of geostrophic current, and its influence was nearly equal to that of SST. We further investigated the MJO’s modulation in different El Niño years. When MJO is in the fourth to eighth phases, the El Niño’s negative effects on the chlorophyll can be compensated. In general, our study showed that the MJO’s phase determined the impact of MJO on chlorophyll in the VBUS. At the same time, the chlorophyll concentration in VBUS sea area under MJO events was controlled by SST, geostrophic zonal component and Ekman pump suction, and the impacts of different factors on VBUS were different. The study reveals the short-term variability of marine ecosystems and dynamics and can provide a new perspective for understanding the variation of chlorophyll in the South China Sea.

Key words： Vietnam boundary upwelling system; chlorophyll; intraseasonal variability

近几十年来, 人类活动造成的气候变化以各种方式影响着海洋生态系统, 进而对人类社会产生影响(Bindoff et al, 2019)。叶绿素为海洋中的主要色素, 能够有效表征浮游植物生物量, 因而是海洋环境对气候变化响应的关键指标(Behrenfeld et al, 2001; Ooi et al, 2011)。研究南海的浮游生态系统生产力对于认识南海海洋动力(Ning et al, 2004)、解析南海碳循环和气候响应(Hu et al, 2014)、探究人类活动对南海区域生态系统造成的影响(Hu et al, 2018; Lin et al, 2018), 以及利用南海海洋资源都具有重要的意义(Wang et al, 2018)。尽管现在可以获得超过20年的全球叶绿素浓度数据(Bindoff et al, 2019), 但对叶绿素浓度预测的可信度仍然不高。其中最重要的一个原因是, 在广泛的时间序列上叶绿素浓度波动具有较大的自然变率(Henson et al, 2010)。季节内叶绿素变率是这种变率的重要组成部分, 其方差占比可能接近甚至大于季节性波动( Loisel et al, 2017; Salgado-Hernanz et al, 2019), 因此对季节内叶绿素浓度变化的评估必不可少。
马登-朱利安振荡(Madden-Julian oscillation, MJO)被认为是季节内大气变率的主要组成部分, 它对热带海洋以及热带及温带天气和气候都有着较大的影响(Madden et al, 1971), 因此MJO事件下叶绿素浓度的变化及各海洋因子的协同响应成为了学者们研究的热点。Mandal等(2021)以马六甲海峡为研究区域, 利用修正小波分析对叶绿素与每日实时多元MJO(daily real time multi-variate MJO, RMM)指数进行分析, 结果显示叶绿素季节内变异性与 MJO 事件活跃期的相关性高于与 ENSO 和印度洋偶极子事件的相关性, 表明 MJO 事件是影响马六甲海峡(12月—次年2月)生态系统的最主要因素。Haryanto等(2017)在东印度洋苏门答腊海域水域的研究同样证明了MJO与该水域叶绿素的浓度变化有着紧密联系, 研究结果表明叶绿素浓度增加的概率与东印度洋苏门答腊海域MJO事件的持续时间呈线性关系, MJO事件持续的时间长度能够确定该海域叶绿素浓度的增量。Jin等(2013)通过对不同地区的案例研究表明, MJO可以增强海水垂向混合, 使深层营养盐向表层传输, 进而增加叶绿素浓度。而Chang等(2019)对海洋大陆西部的研究表明, MJO事件驱动的降水异常能够通过河流径流输入, 影响下游1000km外的班达海叶绿素浓度。这些南海以外海域的相关研究指出, 在研究MJO的影响时, 气象因子和海洋环境动力因子都是必须考虑的因素。
在南海, 学者们也进行了一系列探究。Isoguchi等(2006)认为MJO可以通过影响某些特定年份的南海夏季风, 导致越南沿岸上升流系统(Vietnam boundary upwelling system, VBUS)季节性的海表降温事件, 进而造成海洋浮游植物大量繁殖。Liu等(2012)调查了2007年8月VBUS海域强盛的上升流和一同发生的海洋浮游植物水华事件, 认为MJO致使的夏季西南季风异常在此事件中发挥着重要作用。在不同海洋环境的影响下, 季节内变化可能产生更小空间尺度的特征, 因此不同的子区域对MJO事件的响应可能并不相同(Keerthi et al, 2020)。VBUS中的浮游植物类群以硅藻为主, 其分裂周期远小于季节内时间尺度(Huang et al, 2004; 谢艳辉 等, 2015), 因此预期MJO事件造成的物理影响能够反映浮游植物的生物量变化, 进而影响叶绿素。目前, 多数研究者都通过讨论整个VBUS海域的因素协同变异来探究叶绿素浓度对MJO事件的响应, 少有对VBUS海域进行进一步划分, 并更为精细地研究叶绿素浓度的季节内变异及其影响因子。此外, 前人研究表明, VBUS对厄尔尼诺南方涛动(El Niño-Southern oscillation, ENSO)有非常敏感的响应(Kuo et al, 2004; Dang et al, 2022), MJO事件也受大尺度的年际事件调控。虽然已有很多针对ENSO调控VBUS海域叶绿素浓度异常事件的探究, 如Zhao等(2007)基于1998年异常事件研究讨论了ENSO、南海风场和Ekman抽吸与叶绿素浓度之间的关系, Dang等(2022)也基于1998年和2016年的强厄尔尼诺事件讨论了VBUS海域叶绿素浓度对强ENSO事件的响应。但这些研究并未探究VBUS对ENSO与MJO的协同响应, 如Dang等(2022)认为MJO可能会补偿强ENSO事件带来的叶绿素浓度骤减, 但对于同时存在MJO事件的不同强ENSO年份下叶绿素浓度具有显著差异的原因却未能明确。
基于上述认知, 本文选取VBUS海域(106°—114°E, 9°—15°N)为研究区, 利用2005—2019年连续的无缺失的高分辨率叶绿素浓度数据(Wang et al, 2021), 将VBUS划分成沿岸海域及离岸海域, 以探究MJO事件下两个区域中夏季叶绿素浓度的调控因子、调控因子的相对强度及各因素空间协变情况。同时基于典型的强ENSO年份, 尝试解释VBUS海域对强ENSO与MJO的协同响应机制。本文研究结果将为更好地理解叶绿素浓度季节内变化提供新的视角, 并有助于更准确地估计季节内叶绿素浓度的波动, 进而为叶绿素浓度变化趋势的预报与评估做出贡献。

1 数据和方法

1.1 数据介绍

本文最主要的数据为本课题组Wang等(2021)构建的完整覆盖南海的2005—2019年逐天的叶绿素产品——SCSDCT (South China Sea full-coverage daily 4km surface chlorophyll remote sensing reconstruction dataset from discrete cosine transform)。该数据产品采用离散余弦变换方法, 通过插值重构整个南海范围的OC-CCIv4.2水色遥感叶绿素数据, 其空间分辨率为4km×4km(https://www.scidb.cn/detail?dataSetId=1387ffe83af54f0fb574d60e97b206b2)。通过与航次实测叶绿素的比较, SCSDCT资料在南海其他海域也能达到理想的重建效果。本次使用的数据时间范围为2005年至2019年共5478d。虽然重点关注以106°—114°E、9°—15°N为界的VBUS海区, 其中红色区域为沿岸海域, 黄色区域为离岸海域(图1)。本文也查看了南海(103°—124°E, 0°—25°N)夏季叶绿素浓度的变化情况。
图1 南海夏季叶绿素浓度平均

该图基于国家测绘地理信息局标准地图服务网站审图号为GS(2020)4392号的标准地图制作。图中红框为沿岸区域, 黄框为离岸区域

Fig. 1 Average chlorophyll in summer. The red box is the coastal area, and the yellow box is the offshore area

此外, 为了分析叶绿素浓度与不同驱动因子的关联, 本研究采用了海表温度(sea surface temperature, SST)、10m风场、降水和绝对地转流等资料集进行分析。使用的温度数据是美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)发布的MUR(multi-scale ultra high resolution)数据, 空间分辨率为1km。MUR是一种融合了AMSR-E (NASA advanced microwave scanning radiometer-EOS)、AMSR-2(JAXA advanced microwave scanning radiometer 2)、MODIS、US navy microwave windsat radiometer、AVHRR(the advanced very high resolution radiometer)和实测的温度数据, 可以从美国航天局地球观测系统数据和信息系统数据中心官网获取(https://podaac.jpl.nasa.gov/MEaSUREsMUR?sections=data)。使用的日平均风场数据和降水率来自于ERA5数据集, 是欧洲中期天气预报中心第五代全球大气再分析资料(https://cds.climate.copernicus.eu/cdsapp#!/ dataset/reanalysis-era5-single-levels?tab=overview), 文章中使用的是10m风的向东分量和向北风量, 两者结合可以得到水平风的速度和方向。ERA5的空间分辨率均为0.25°×0.25°, 为了有利于后续分析, 研究中将风场与降水率数据插值为0.1°×0.1°的空间分辨率。
绝对地转流数据来自Copernicus Marine Service发布的AVISO(archiving, validation, and interpretation of satellite oceanographic)数据, 空间分辨率为0.25°×0.25°。该产品由DUACS多任务测高仪数据处理系统处理, 它几乎实时地服务于欧洲和全世界主要的海洋学和气候预测中心, 并处理来自所有测高仪任务的数据, 可以由哥白尼海洋数据服务网站获取(https://resources.marine.copernicus.eu/?option=com_csw&view=details&product_id=SEALEVELGLO_PHY_L4_REP_OBSERVATIONS_008_047)。

1.2 主要分析方法

1.2.1 Ekman 泵吸速率

经向海表风应力τx与纬向海表风应力τy可分别由如下公式(1)、(2)计算, Ekman泵吸WE由公式(3)计算。
τ x = ρ α c d W 10 u 10
τ y = ρ α c d W 10 v 10
W E = curl τ ∕ f σ 0 − 1
在公式(1)、(2)中, 空气密度ρα=1.175kg·m-3, 阻力系数cd=0.0015。公式(3)中f为科里奥参量, 表层海水密度σ0=1022kg·m-3。W10为ERA5数据集10m风速, 其中u10为纬向风速, v10为经向风速。

1.2.2 研究方法

(1) 扩展经验正交函数分析
扩展经验正交函数分析(extended empirical orthogonal function, EEOF)是在经验正交函数分析方法(empirical orthogonal function, EOF)基础上进行的扩展, 即对重新组成的资料阵进行EOF分析, 这一方法能同时提取要素场的时间持续性的主要特征(Weare et al, 1982)。
如原始资料阵为Xm×n, 其中m为场中的格点数, n为事件时间天数, 可把原始的资料矩阵扩展成如下两个分块矩阵组成的新资料阵, 研究延迟一个时刻的场的相互依赖关系:
X 2 m × n − 1 = X 1 m × ( n − 1 ) X 2 m × ( n − 1 )
上式中 X 1是数据n个观测值的原始资料阵, X 2是延迟一个时刻的资料矩阵, 以此类推可形成延迟k个时刻的新资料矩阵 X k + 1 × m × n − k。对形成的新的资料矩阵进行EOF分析, 得到对应的时间函数和特征向量, 便可分析变量场的时空协变特征。通过EEOF分析的信号, 能够得到不同延迟天数范围内的k个空间场, 以及对应的主成分(principal component, PC)。
在本文, 首先对南海夏季(6—9月)SST异常及风速异常进行20~90d带通滤波处理(由Lanczos滤波方法实现), 进而利用上述数据构建SST与风速的延迟矩阵分别进行EEOF分析(本文k的取值为55)。参考Waliser等(2003)的研究及本文多次实验后发现, 归一化处理后的时间函数PC1大于1.2时能更好地提取MJO事件。因此, 将其作为筛选阈值提取MJO事件, 并将每个MJO事件对应的55d中最早的11d平均对应20d的滞后, 中间的11d平均对应0d的滞后, 以此类推形成复合MJO的5个周期模态图(Lag -20、Lag -10、Lag 0、Lag 10、Lag 20)。其中, Lag -20为MJO事件开端, Lag 20为MJO事件周期的结束并进入下一个MJO事件周期。
(2) MJO复合分析
由于EEOF方法定义MJO事件需要构建维度巨大的时间延迟矩阵, 因而Wheeler等(2004)提出了较为简化的MJO事件定义, 采用卫星的长波辐射数据和纬向风数据进行多变量经验正交函数(multiple empirical orthogonal function, MEOF)分析来识别。MEOF得到的前两个主成分PC1和PC2作为表征MJO事件的两个维度的时间序列(RMM1, RMM2)。这两个序列共同提供了MJO的 8个不同相位(MJO0—MJO8), 表征MJO对流系统所处的位置。通过该方法得到的指数称为RMM指数( R M M 1 2 + R M M 2 2)。
RMM指数相较EEOF分析提取MJO信号的优势如下: 1) RMM指数采用MEOF, 可以减少多种变化的不利影响, 大大增加了MJO信号的信噪比及季节内可解释方差的占比; 2) RMM指数对数据进行了除以ENSO为主要的年际变率处理, 大大减少了其他因素噪音; 3) 不使用带通滤波、高通滤波的数据处理方式, 克服了实时获取的限制。
本研究采用的RMM指数可以由澳大利亚气象局 (http://www.bom.gov.au/climate/mjo/)获取。一般当RMM指数大于1.0时, 则定义为MJO事件的发生。本研究采用的阈值为1.1, 这实质上是研究较强的MJO事件期间的海洋响应。
(3) 广义加性模型
广义加性模型(generalized additive models, GAMs)是一种非参数化的广义多元线性回归方法, 它可以很好地解释变量间非线性的复杂关系。在本研究中, 温度、降水、风速等海洋因素与叶绿素浓度并不能很好地通过线性关系表示, 利用GAMs便能很好地分析VBUS海域中叶绿素浓度受何种因素的调控, 以及调控的相对影响强度。GAMs可用以下公式表示:
f X = ∑ i = 1 N g i x i
式中: f(X)代表连接函数, gi(xi)代表第i个自变量的非参数函数。
利用GAMs得出的R2、方差解释率可以判断回归模型的精确度和拟合效果; F值可以判断各因子的相对重要性, F值越大, 相对重要性越大; p值用以判断结果的显著程度, p值越小, 表明因素拟合结果越显著。具体做法是: 将强MJO事件下SST异常、Ekman 泵吸速率异常、地转流纬向分量速率异常等数据输入作为自变量, X在此时代表叶绿素浓度异常, 利用R软件中的mgcv程序包进行GAMs建模, 得出各因素的相对重要性。

2 结果与讨论

2.1 MJO事件提取方法比较

图2展示了南海夏季MJO事件期间SST异常和海表风速异常的EEOF复合结果。其中利用EEOF分析中的归一化PC1时间序列提取MJO事件, 并进行事件合并形成MJO的5个周期模态图, 分别为Lag -20、Lag -10、Lag 0、Lag 10和Lag 20。夏季南海海表风速在MJO事件最开始的11d与最后的11d呈现负异常峰值, Lag 0南海全域达到风速正异常峰值, 以10°N—12°N长条状分布的微弱异常值为界, 南海北部与南部在Lag -10呈现明显的偶极子结构, 北部呈现风速负异常, 南部呈现风速正异常, 而Lag 10则反相位。由于Lag -20和Lag 20呈现几乎一样的空间分布, 因此可以视为周期性的MJO事件进入了下一个事件周期。
图2 夏季南海MJO风速异常(a—e)和海表温度异常(f—j)

Lag 0代表55d滞后中心的11d的南海风速异常平均结果, Lag -20代表55d起始的11d, Lag 20代表最后的11d, 以此类推。该图基于国家测绘地理信息局标准地图服务网站审图号为GS(2020)4392号的标准地图制作

Fig. 2 Summer MJO wind speed anomaly (a~e) and SST anomaly (f~j). Lag 0 represents the 11-day average of wind speed anomaly in the South China Sea with a 55 day-lag center window. Lag -20 represents the 11-day average starting from 55 days. Lag 20 represents the last 11 days, and so on

南海夏季SST异常与风速异常空间模态对应情况良好, 大致表现为反相位。SST在MJO事件开始呈现大面积的正异常(图2f), 在接下来的20d内南海南部SST开始降低, 降温趋势向北部传播, 在Lag 0时SST达到最低值(图2h); 后南海南部SST逐渐升温, 升温趋势向北部蔓延, 在MJO事件的最后11d达到SST正异常高值。最后在Lag 20后期, 呈现与Lag -20时基本一致的空间分布, 表征一个新的MJO周期的开始。
为了进一步分析两种不同的MJO提取方法的差异性, 利用RMM指数复合平均对夏季南海风速异常、SST异常进行复合分析。图3分别为夏季风场异常和SST异常的MJO复合分析结果。由于南海夏季盛行西南风(图3i), 最高风速可达8m·s-1, 因此东北方向的风场异常对应着图2a—e中的风速负异常, 西南方向的风场异常对应着风速正异常。与EEOF分析结果的空间变化趋势大致相同, 其中MJO2、MJO3(图3b、3c)大致与图2a对应, MJO4、MJO5(图3d、3e)与图2b大致对应, MJO6—MJO8(图3f—h)与图2c大致对应, MJO1(图3a)与图2d大致对应。在MJO2和MJO3中, 南海中南部西南风最弱; MJO4和MJO5中, 北部西南风减弱, 南部西南风逐渐增强; 在MJO6和MJO7中, 南海全域西南风正异常达到峰值; 在MJO8到下一个MJO1, 南海南部西南风减弱, 北部增强。
图3 南海夏季MJO风场异常(矢量)(a—i)和海表温度异常(j—r)

a—h代表MJO模态(背景为风速异常), 图例对应其右侧长色标; i为非MJO风场平均(背景为风速), 图例对应其右侧短色标。j—q代表MJO模态, 图例对应其右侧长色标; r为非MJO海表温度平均, 图例对应其右侧短色标。图中红色框为VBUS海域, N代表各模态天数。该图基于国家测绘地理信息局标准地图服务网站审图号为GS(2020)4392号的标准地图制作

Fig. 3 Summer MJO surface wind anomaly (a~i) and summer MJO SST anomaly (j~r). Summer MJO wind speed anomaly (a~h) correspond to the longer color bar on the right side, and the average of non-MJO wind speed (i) corresponds to the shorter color bar on its right side. Summer MJO SST anomaly (j~q) correspond to the longer color bar on the right side, and average SST in summer (r) correspond to the shorter color bar on its right side. N represents the days of each mode. The red box shows the VBUS sea area

由图3r可知南海夏季非MJO海表温度最低值为28℃左右, 位于越南沿岸喷射流附近。以喷射流为中心, 海表温度以涟漪状向外逐渐递增, SST最高可达30℃左右。MJO事件期间, SST异常值为±0.5℃。SST异常MJO复合分析结果与EEOF分析结果高度相似, MJO2、MJO3(图3k、3l)大致与图2f对应, MJO4、MJO5(图3m、3n)与图2g大致对应, MJO6—MJO8(图3o—q)与图2h大致对应, 图3j的MJO1与图2i大致对应。在MJO2模态中, 南海SST处于正异常峰值; 在随后的MJO3和MJO4模态, SST逐渐降低, 且降温趋向北传播; 在MJO6至MJO8模态, SST达到夏季最低值后转为逐渐升高; MJO1模态时, 南海南部呈现SST正异常, 北部呈现负异常(图3j)。
通过对比图2和图3可知, 夏季南海SST对南海西南风强度有着敏感的响应, 西南风增强则SST降低, 西南风减弱则SST上升。两种MJO描述方法呈现的结果大致空间变化一致。先前已有研究表明经过EEOF分析的数据能够提取MJO主导的季节内主要传播信号(Waliser et al, 2005)。但利用EEOF分析提取的MJO信号包含着其他极端天气事件造成的季节内变化和噪音, 其中包括ENSO事件以及与MJO传播途径类似的气候事件(Wheeler et al, 2004)。因此, 只能将获取的信号称为类MJO信号, 以此判断MJO事件下不同因素空间演变模态。
从图2、图3结果可以看出, 基于MEOF的RMM指数能够合理提取MJO事件所造成的南海季节内尺度变率, 并具有计算简单易行、无需复杂滤波等优势, 因此本文利用RMM指数复合分析方法对VBUS海域叶绿素浓度异常开展更进一步的探究。

2.2 MJO事件下VBUS海域叶绿素变异影响因子讨论

夏季南海叶绿素浓度异常的RMM复合结果如图4所示。与前述一致, 夏季叶绿素浓度空间分布在第二模态表现为南海北部叶绿素浓度逐渐降低, 由连续斑块逐渐消散成零散的小斑块; 南部叶绿素浓度逐渐升高, 零星小斑块连接成大片叶绿素高值区域, 扩张至整个南海后, 南海南部叶绿素浓度又开始逐渐降低。图4中的红框部分为研究区VBUS海域, 在MJO1至MJO8模态叶绿素浓度总体呈现升高的趋势, 在MJO2和MJO3模态达到叶绿素浓度最低值, 在MJO6模态叶绿素浓度正异常值分布呈现显著的喷射流状, 后在MJO7和MJO8模态达到该叶绿素浓度峰值。相应的浓度异常约为1.09mg·m-3, 其变率可达夏季平均叶绿素浓度的82.18%。
图4 南海夏季MJO叶绿素浓度异常

a—h代表MJO模态(以e为底的叶绿素浓度对数), 图例为右侧长色标; i为非MJO叶绿素浓度平均(单位为: mg·m-3), 图例为右侧短色标; N代表各模态天数, 图中红框为VBUS海域。该图基于国家测绘地理信息局标准地图服务网站审图号为GS(2020)4392号的标准地图制作

Fig. 4 Summer MJO chlorophyll anomaly (a~h) and the average non MJO chlorophyll in summer (i). N represents the number of days in each mode. The red box shows the VBUS region. (a~h) correspond to the longer color bar on the right side, and (i) corresponds to the shorter color bar on the right side

SST异常与叶绿素浓度异常复合结果在空间模态上有着紧密的联系, VBUS区域在MJO6模态时, SST负异常分布呈现明显的喷射流状, 与图4f中VBUS海域呈现的叶绿素浓度异常分布高度一致, 总体呈现SST负异常而叶绿素浓度正异常的规律。在风场异常方面, 上述两个因素也有着很好的空间相关性, 大致表现为: 西南风增强, SST呈负异常, 叶绿素浓度呈正异常。
结合图2、图3和图4, 在MJO2和MJO3模态中, 南海西南风最弱, VBUS海域SST位于峰值, 叶绿素浓度则为最低; MJO4和MJO5模态中, 南海中部、南部西南风增强, VBUS海域SST逐渐降低, 叶绿素浓度逐渐升高; 在MJO6和MJO7模态, 南海西南风强度达到峰值, 使南海SST大面积降低(最高降低0.5℃左右), VBUS海域SST达到最低, 叶绿素随着越南沿岸喷射流离岸传输, 该海域内叶绿素浓度达到峰值; 在MJO8模态, 虽西南风减弱, 但南海SST并未明显升高, VBUS海域叶绿素浓度依旧处于高值; 至MJO1模态, 南海南部西南风减弱, SST明显升高, 北部升温不明显, VBUS海域叶绿素浓度明显降低, 沿岸喷射流附近叶绿素浓度略高于其他位置。
对于由MJO带来的其他动力因素(如降水、环流和Ekman泵吸等)变化是否与叶绿素的变率存在关联, 本文尝试利用MJO复合分析法来对这些因素开展研究, 以解答该问题。
根据本研究对夏季南海降水异常的MJO复合结果(限于篇幅, 相应图件未展现), 降水高值与低值分别位于菲律宾群岛附近与VBUS海域, 由MJO1至MJO8模态南海降水表现出由南向北的传播趋势, 于MJO4和MJO5模态达到降水峰值, 但与南海叶绿素浓度异常MJO复合分析结果的空间对应情况不佳。
同样地, 分别对地转流经向、纬向分量进行MJO复合分析(图5)。结果显示, 地转流经向分量复合分析结果不能与叶绿素浓度相互对应, 而纬向分量则对应情况良好。从图5a—i可以发现, 在VBUS海域, 叶绿素浓度处于高值的区域附近地转流纬向分量基本均处于正异常状态, 特别在MJO6至MJO8模态, 该域叶绿素浓度达到峰值时, 相应区域附近的地转流纬向分量也达到正异常最大值。该现象对应着VBUS海区局地双涡结构, 也就是越南偶极子的强化(Lu et al, 2018)。处于该阶段时, 离岸射流增强, 更多由沿岸上升流带来的营养物质被离岸输运到外海, 因此造成离岸叶绿素的增强。图5j—r是Ekman泵吸速率的MJO复合分析结果, 夏季南海非MJO事件期间, 近岸海域的Ekman泵吸呈现垂向流速速率高值(> 0.5m·s-1), MJO2和MJO3模态海水垂向流速减弱(最小约为0.3m·s-1), MJO4至MJO7模态海水垂向流速逐渐增大。Ekman泵吸复合分析结果与VBUS海域叶绿素浓度异常复合分析结果的空间相关性良好, 总体表现为向上的Ekman泵吸速率增大, 叶绿素浓度升高。根据海表动能异常的MJO复合分析结果(限于篇幅, 相应图件未展现), 其仅在MJO6至MJO8模态与叶绿素浓度异常呈现相对良好的空间对应关系, 表现为叶绿素浓度正异常区域的海表动能呈现正异常。
图5 南海夏季MJO地转流纬向分量异常(a—i)和Ekman泵吸速率异常(j—r)

a—h代表MJO模态, 图例对应其右侧长色标; i为非MJO地转流纬向平均, 图例对应其右侧短色标。j—q代表MJO模态, 图例对应其右侧长色标, r为非MJO的Ekman泵吸速率平均, 图例对应其右侧短色标。N代表各模态天数。该图基于国家测绘地理信息局标准地图服务网站审图号为GS(2020)4392号的标准地图制作

Fig. 5 Zonal surface geostrophic velocities anomaly (a~i) and Ekman pumping velocity anomaly during summer MJO (j~r). Zonal surface geostrophic velocities anomaly (a~h) correspond to the longer color bar on the right side, and average zonal surface geostrophic velocities in summer (i) corresponds to the shorter color bar on its right side. Ekman pumping velocity anomaly (j~q) correspond to the longer color bar on the right side, and average Ekman pumping velocity (r) corresponds to the shorter color bar on its right side. N represents the days of each mode

为了更好地衡量VBUS海域叶绿素浓度受上述海洋要素影响的程度, 将不同要素的8个MJO模态的空间场分别平均, 形成MJO响应序列, 并分别求不同因素模态序列与叶绿素浓度异常的相关性, 结果如表1所示。由相关性分析结果可知: 南海SST与VBUS海域叶绿素浓度呈负相关且相关性最高, 在99%置信度的条件下两者的相关系数为-0.94; 地转流纬向分量和Ekman抽吸次之, 在95%置信度的条件下均与VBUS海域叶绿素浓度呈正相关, 相关系数分别为0.82和0.81; 海表动能与叶绿素浓度呈正相关, 相关系数为0.71; 风速与VBUS海域叶绿素浓度的相关系数为0.64, 在90%的置信度下两者相关性显著; 南海降水、地转流经向分量与VBUS海域叶绿素浓度的相关性不显著。以上相关性分析结果与相应因素的空间场对应情况良好。
表1 VBUS海域叶绿素浓度与不同因素模态序列的相关性(N=8)

Tab. 1 Correlation between chlorophyll concentration and mean modal sequences of various factors in the VBUS area (N=8)

因素 与叶绿素浓度的相关系数(r) p值
SST -0.94 <0.001
降水 0.12 0.78
风速 0.64 <0.1
海表动能 0.71 <0.05
地转流纬向分量 0.82 <0.05
地转流经向分量 -0.07 0.87
Ekman泵吸速率 0.81 <0.05

2.3 VBUS不同区域叶绿素调控情况分析

为了更进一步探究VBUS不同区域的叶绿素调控特征, 将VBUS分为沿岸海域(图1红框所示)与离岸海域(图1黄框所示)。两个子区域各因素异常的时间序列如图6所示, 红色部分为利用RMM指数提取的夏季MJO事件, 是本文研究的主体。叶绿素浓度异常与SST异常呈现良好的反相关, 但与其他因素异常数据的关系不能直接通过比照时间序列获取, 因此将MJO事件下响应序列相关性较好的几个因素一同输入GAMs模型作为影响叶绿素浓度的自变量(即图6红色部分数据), 以探究MJO事件下叶绿素浓度的主导调控因素及相对强度(表2)。经过尝试了多种控制因子的组合, 发现两个海区中调控叶绿素浓度的主要因子并不相同, 且因子相对影响强度也有较大区别。对于沿岸海域, 叶绿素浓度以SST为最主要的调控因子, 占比为71.57%; 地转流纬向分量及Ekman泵吸影响强度次之, 占比分别为11.84%和8.18%; 南海风速及海表动能的影响强度占比较小, 分别为5.87%和2.55%; 以上因素组合所构建的GAMs模型的R2为0.72, 方差解释率为73%, 模型拟合效果较好。在离岸海域, 相同因素组合构建的GAMs模型的R2为0.77, 方差解释率为77.5%; SST同样是离岸海域叶绿素浓度的最主要调控因子, 占比为48.94%; 但地转流纬向分量的相对调控强度也占据较大比重, 达到40.04%; 海表动能、风速、Ekman泵吸影响占比较小, 分别为6.95%、2.52%、1.55%。
图6 RMM指数时间序列(沿岸、离岸相同)和各因素异常时间序列

红色部分为夏季MJO事件下的数据, 间距较小的两虚线区间为各年的夏季时段

Fig. 6 RMM index and time series of various factors. The first row is the time series of RMM index. Except for the first row, the left column is the time series of various factors in the coastal area, and the right column is the time series of various factors in the offshore area. The red part is the data during summer MJO events. The interval between dotted lines with small spacing is the summer time

表2 VBUS区域各因素的GAMs结果

Tab. 2 GAMs results of various factors in VBUS

区域 因素 估计自由度 参考自由度 F值 p值
沿岸区域 SST 6.316 7.503 98.355 <2×10-16***
海表动能 8.093 8.778 3.503 2.53×10-4***
地转流纬向分量 8.776 8.983 16.272 <2×10-16***
Ekman泵吸 2.362 3.081 11.241 5.19×10-7***
海表风速 2.309 2.918 8.063 3.64×10-5***
离岸区域 SST 7.290 8.296 78.722 <2×10-16***
海表动能 8.648 8.961 11.181 <2×10-16***
地转流纬向分量 8.517 8.931 64.410 <2×10-16***
Ekman泵吸 3.896 4.931 2.501 2.69×10-2*
海表风速 1.787 2.252 4.052 1.25×10-2*

注: ***代表在0.001水平下是显著的, *代表在0.05水平下是显著的

同时, 通过对比两个子区域叶绿素与RMM指数时间序列, 可以明显地看到同为强厄尔尼诺年的2010年与2016年离岸区域叶绿素浓度异常展现出非常大的差异: 2010年叶绿素浓度异常呈现明显负异常, 而2016年在0值附近。进一步查看这两年MJO事件的相位情况, 发现2010年的MJO事件中91.4%均处于前三个相位, 而2016年的MJO事件中有55%处于第四相位及第四相位之后。基于此, 做出假设: 在VBUS离岸区域, 当MJO处于第四相位及第四相位后时, 该区域能够有效地抵抗厄尔尼诺事件导致的叶绿素浓度骤降。对2010年及2016年离岸区域MJO事件下的各因素异常进行GAMs分析(表3), 结果显示2010年风速是导致叶绿素浓度负异常的主要因素, 相对影响强度占比达56.77%, 且平滑曲线呈现明显的负相关; 其次是地转流纬向分量, 为26.7%; 海表动能及SST分别为9.22%、7.31%, Ekman泵吸则未达到显著性要求; 以上因素组合构建的GAMs模型的R2为0.87, 方差解释率为91.6%。2016年地转流纬向分量是离岸海域的主要控制因素, 其相对影响强度占比达60.19%; 其次是海表动能及SST, 影响强度占比分别为18.48%和14.56%; Ekman泵吸为6.78%, 风速则未达到显著性要求; 以上因素组合构建的GAMs模型的R2为0.97, 方差解释率为98.4%。
表3 2010年和2016年VBUS区域各因素的GAMs结果

Tab. 3 GAMs Results of various factors in VBUS coastal area in 2010 and 2016

年份 因素 估计自由度 参考自由度 F值 p值
2010 SST 3.376 4.112 2.823 3.743×10-2*
海表动能 7.433 8.273 3.561 3.56×10-3**
地转流纬向分量 7.448 8.287 10.318 <2×10-16***
Ekman泵吸 1.395 1.668 1.808 1.3650×10-1
海表风速 1.000 1.000 21.935 3.95×10-5***
2016 SST 3.477 4.428 12.371 1.10×10-6***
海表动能 7.371 8.306 15.703 <2×10-16***
地转流纬向分量 9.000 9.000 51.157 <2×10-16***
Ekman泵吸 7.853 8.611 5.760 4.24×10-5***
海表风速 1.000 1.000 0.271 6.05×10-1

注: ***代表在0.001水平下是显著的, **代表在0.01水平下是显著的, *代表在0.05水平下是显著的

结合MJO整个生命周期, 尝试对上述结果做出解释。MJO第一相位导致了西印度洋上空高对流情况的发展; 在第一、第二相位时海洋热带辐合带形成正对流异常, 导致季风发生变化; 第三相位时该对流系统开始由东印度洋向西印度洋传播(Lenka et al, 2022)。而对南海来说, 前三相位南海夏季西南风处于最弱的阶段(图3)。在第四相位结束时, 整个地区都出现正对流异常, 此时南海夏季西南风异常开始出现偶极子情况, 表现为南海南部西南风增强而南海北部西南风减弱。第五、第六相位的对流异常与第一、第二相位相反, 在接下来的阶段, MJO在西太平洋上空进一步向东移动, 并在第八相位结束时开始在中太平洋消亡, 完成整个MJO物理周期; 而南海夏季西南风在第五至第七相位逐渐增强, 直至第八相位西南风增强力度减弱(图3a—c)。过去已有研究表明南海夏季增强的西南季风是VBUS上升流增强及叶绿素浓度增加的主要原因(Liu et al, 2012), 因此结合GAMs结果有以下判断: 若MJO事件处于在第四相位及第四相位之后, MJO会通过增强西南风, 从而控制地转流纬向分量并增强Ekman泵吸, 进而降低离岸海域SST并向离岸海域输送营养物质, 最终使叶绿素浓度升高, 即使在强ENSO事件的背景下, MJO依旧可以通过这样的机制来有效地补偿ENSO事件导致的叶绿素浓度降低。这与前人研究强MJO事件的结果相同, 即MJO能够使南海的沿岸西南风增强, 进而增强Ekman泵吸及离岸输送, 促使海表温度降低(Liu et al, 2012), 加强VBUS海域东急流的表面强度并向南部偏移(Li et al, 2014), 这些均是使VBUS海域叶绿素浓度增大的有利因素。而MJO若处于前三个相位, MJO事件叠加上强ENSO事件的影响, 导致南海夏季西南风急剧减弱, 进而会导致VBUS海域上升流基本消失、地转流纬向分量流速降低、SST高值, 使叶绿素浓度呈现明显的负异常, 这也是2010年VBUS海域叶绿素浓度呈现极端异常的原因。

3 结论

本研究使用2005—2019年SCSDCT叶绿素浓度数据, 研究了MJO事件下夏季VBUS海域叶绿素浓度的季节内变化情况及其调控因子。根据EEOF分析和MJO复合分析的结果显示, 在MJO事件后期, 南海SST呈现负异常, 伴随着叶绿素浓度的增加, 二者具有非常相似的空间分布特征, 因此SST是VBUS海域夏季季节内与叶绿素浓度变化相关性最高的影响因子; 地转流纬向分量与Ekman泵吸也推动着夏季季节内该海域叶绿素浓度的增加, 与叶绿素浓度的变化呈现极高的正相关; 西南风增强不仅使SST降温, 还加强VBUS海域地转流纬向分量与Ekman泵吸, 加剧沿岸营养物质的离岸扩散以及下层富含营养的冷水上涌, 进而使该海域叶绿素浓度升高。降水异常及地转流经向分量异常与VBUS海域叶绿素浓度异常的相关性较低, 空间分布对应情况不佳, 因此降水与地转流经向分量调控对该海域叶绿素浓度的变化影响并不显著。
对季节间尺度上多种调控因子共同作用的分析结果表明, SST是MJO事件下VBUS海域叶绿素浓度变化最主要的影响因素, 地转流纬向分量及Ekman泵吸对该区域叶绿素浓度变化也起着重要作用。其中, VBUS沿岸区域SST占绝对主导作用, 地转流纬向分量与Ekman泵吸相对影响强度之和较弱; 虽然离岸区域SST的相对影响强度也占有最大比重, 但地转流纬向分量对该区域叶绿素浓度的影响也不可忽视。也就是说, 沿岸区域SST为主导因素, 反映了沿岸上升流是该区域叶绿素浓度的主要控制因子; 而离岸区域除了上升流外, 局地的环流调控因子也是重要的。不管是VBUS整个区域还是两个子区域, 风速影响都相对较小, 表明季风对于VBUS的调控是基于风应力旋度, 而不是基于直接的风致混合, 且在不同的子系统略有不同。这进一步表明, 处于第四及第四相位后的MJO事件, 即使在强ENSO事件控制下, 依旧对VBUS离岸区域有着有效的影响, 它主要通过增强南海夏季西南季风进而调控局地环流因子, 能够部分补偿强ENSO事件导致的叶绿素浓度负异常。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
谢艳辉, 李涛, 简伟军, 等, 2015. 海水升温对大亚湾浮游植物群落结构和光合活性的影响[J]. 热带海洋学报, 34(2): 24-31.

XIE YANHUI, LI TAO, JIAN WEIJUN, 2015. Influence of ocean warming on the community structure and photosynthetic efficiency of phytoplankton in Daya Bay[J]. Journal of Tropical Oceanography, 34(2): 24-31 (in Chinese with English abstract).

DOI

[2]
BEHRENFELD M J, RANDERSON J T, MCCLAIN C R, et al, 2001. Biospheric Primary Production During an ENSO Transition[J]. Science, 291(5513): 2594-2597.

PMID

[3]
BINDOFF N L, CHEUNG W, KAIRO J G, et al, 2019. Changing Ocean, Marine Ecosystems, and Dependent Communities (09 SROCC Ch05 FINAL-1)[M]. IPCC Special Report on the Ocean and Cryosphere in a Changing Climate, 447-588.

[4]
CHANG C-W J, HSU H-H, CHEAH W, et al, 2019. Madden-Julian Oscillation Enhances Phytoplankton Biomass in the Maritime Continent[J]. Scientific Reports, 9: 5421.

DOI

[5]
DANG XIAOYAN, BAI YAN, GONG FANG, et al, 2022. Different Responses of Phytoplankton to the ENSO in Two Upwelling Systems of the South China Sea[J]. Estuaries and Coasts, 45(2): 485-500.

DOI

[6]
HARYANTO Y D, FITRIANTI N, HARTOKO A, et al, 2017. MJO (Madden-Julian Oscillation) Analysis of the Chlorophyll-a Distribution in Western Waters Bengkulu[J]. IOP Conference Series: Earth and Environmental Science, 55(1): 12061.

DOI

[7]
HENSON S A, SARMIENTO J L, DUNNE J P, et al, 2010. Detection of anthropogenic climate change in satellite records of ocean chlorophyll and productivity[J]. Biogeosciences, 7(2): 621-640.

DOI

[8]
HU S, LIU SHENG, WANG LINGLI, et al, 2018. Feeding response of the tropical copepod Acartia erythraea to short-term thermal stress: more animal-derived food was consumed[J]. PeerJ, 6: e6129.

DOI

[9]
HU ZIFENG, TAN YEHUI, SONG XINGYU, et al, 2014. Influence of mesoscale eddies on primary production in the South China Sea during spring inter-monsoon period[J]. Acta Oceanologica Sinica, 33(3): 118-128.

[10]
HUANG LIANGMIN, JIAN WEIJUN, SONG XINGYU, et al, 2004. Species diversity and distribution for phytoplankton of the Pearl River estuary during rainy and dry seasons[J]. Marine Pollution Bulletin, 49(7-8): 588-596.

PMID

[11]
ISOGUCHI O, KAWAMURA H, 2006. MJO-related summer cooling and phytoplankton blooms in the South China Sea in recent years[J]. Geophysical Research Letters, 33(16): 597-613.

[12]
JIN D, MURTUGUDDE R G, WALISER D E, 2013. Intraseasonal atmospheric forcing effects on the mean state of ocean surface chlorophyll[J]. Journal of Geophysical Research: Oceans, 118(1): 184-196.

DOI

[13]
KEERTHI M G, LEVY M, AUMONT O, et al, 2020. Contrasted Contribution of Intraseasonal Time Scales to Surface Chlorophyll Variations in a Bloom and an Oligotrophic Regime[J]. Journal of Geophysical Research: Oceans, 125(5): e2019JC015701.

[14]
KUO NAN-JUNG, ZHENG QUANNAN, HO C-R, 2004. Response of Vietnam coastal upwelling to the 1997-1998 ENSO event observed by multisensor data[J]. Remote Sensing of Environment, 89(1): 106-115.

DOI

[15]
LENKA S, DEVI R, JOSEPH C M, et al, 2022. Effect of large-scale oceanic and atmospheric processes on the Indian summer monsoon[J]. Theoretical and Applied Climatology, 147(3-4): 1561-1576.

DOI

[16]
LI YUANLONG, HAN WEIQING, WILKIN J L, et al, 2014. Interannual variability of the surface summertime eastward jet in the South China Sea[J]. Journal of Geophysical Research: Oceans, 119(10): 7205-7228.

DOI

[17]
LIN XIANZHI, HU SIMIN, LIU SHENG, et al, 2018. Unexpected prey of juvenile spotted scat (Scatophagus argus) near a wharf: The prevalence of fouling organisms in stomach contents[J]. Ecology & Evolution, 8(16): 8547-8554.

[18]
LIU XIN, WANG JING, CHENG XUHUA, et al, 2012. Abnormal upwelling and chlorophyll-a concentration off South Vietnam in summer 2007[J]. Journal of Geophysical Research: Oceans, 117(C7).

[19]
LOISEL H, VANTREPOTTE V, OUILLON S, et al, 2017. Assessment and analysis of the chlorophyll-a concentration variability over the Vietnamese coastal waters from the MERIS ocean color sensor (2002—2012)[J]. Remote Sensing of Environment, 190: 217-232.

DOI

[20]
LU WENFANG, OEY L, LIAO E, et al, 2018. Physical modulation to the biological productivity in the summer Vietnam upwelling system[J]. Ocean Science, 14(5): 1303-1320.

DOI

[21]
MADDEN R A, JULIAN P R, 1971. Detection of a 40-50 Day Oscillation in the Zonal Wind in the Tropical Pacific[J]. Journal of the Atmospheric Sciences, 28(5): 702-708.

DOI

[22]
MANDAL S, BEHERA N, GANGOPADHYAY A, et al, 2021. Evidence of a chlorophyll “tongue” in the Malacca Strait from satellite observations[J]. Journal of Marine Systems, 223: 103610.

DOI

[23]
NING X-R, CHAI FEI, XUE HUIJIE, et al, 2004. Physical-biological oceanographic coupling influencing phytoplankton and primary production in the South China Sea[J]. Journal of Geophysical Research, 109(C10).

[24]
OOI S H, SAMAH A A, BRAESICKE P, 2011. A case study of the Borneo Vortex genesis and its interactions with the global circulation[J]. Journal of Geophysical Research: Atmospheres, 16(D21).

[25]
SALGADO-HERNANZ P M, RACAULT M F, FONT-MUNOZ J S, et al, 2019. Trends in phytoplankton phenology in the Mediterranean Sea based on ocean-colour remote sensing[J]. Remote Sensing of Environment, 221: 50-64.

DOI

[26]
WALISER D E, MURTUGUDDE R, LUCAS L E, 2003. Indo-Pacific Ocean response to atmospheric intraseasonal variability: 1. Austral summer and the Madden-Julian Oscillation[J]. Journal of Geophysical Research, 108(C5).

[27]
WALISER D E, MURTUGUDDE R, STRUTTON P, et al, 2005. Subseasonal organization of ocean chlorophyll: Prospects for prediction based on the Madden-Julian Oscillation[J]. Geophysical Research Letters, 32(23).

[28]
WANG TIANHAO, YU PENG, WU ZELUN, et al, 2021. Revisiting the Intraseasonal Variability of Chlorophyll-a in the Adjacent Luzon Strait With a New Gap-Filled Remote Sensing Data Set[J]. IEEE Transactions on Geoscience and Remote Sensing, 60: 1-11.

[29]
WANG YU, KANG JIAN-HUA, LIANG QIAN-YONG, et al, 2018. Characteristics of phytoplankton communities and their biomass variation in a gas hydrate drilling area in the northern South China Sea[J]. Marine Pollution Bulletin, 133: 606-615.

DOI PMID

[30]
WEARE B C, NASSTROM J S, 1982. Examples of Extended Empirical Orthogonal Function Analyses[J]. Monthly Weather Review, 110(6): 481-485.

DOI

[31]
WHEELER M C, HENDON H H, 2004. An All-Season Real-Time Multivariate MJO Index: Development of an Index for Monitoring and Prediction[J]. Monthly Weather Review, 132(8): 1917-1932.

DOI

[32]
ZHAO HUI, TANG DANLING, 2007. Effect of 1998 El Niño on the distribution of phytoplankton in the South China Sea[J]. Journal of Geophysical Research, 112(C2).

Options
文章导航

/

〈 〉