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 >

2018 , Vol. 37 >Issue 5: 50 - 61

DOI: https://doi.org/10.11978/2018049

基于船载走航观测高光谱颗粒物吸收系数反演浮游植物粒级结构*

  • 王桂芬 , 1, 2 ,
  • 徐文龙 2, 3 ,
  • 周雯 2 ,
  • 许占堂 2 ,
  • 曹文熙 2
展开
  • 1. 河海大学海洋学院, 江苏 南京 210098
  • 2. 热带海洋环境国家重点实验室(中国科学院南海海洋研究所), 广东 广州 510301
  • 3. 中国科学院大学, 北京100049;
通信作者:王桂芬。E-mail:

作者简介: 王桂芬(1981—), 女, 山东省聊城市人, 副教授, 主要从事海洋光学研究。E-mail:

收稿日期: 2018-05-03

  要求修回日期: 2018-06-14

  网络出版日期: 2018-10-13

基金资助

国家自然科学基金(41776045, 41576030, 41776044)

中央高校基本科研业务费专项资金(2017B06714)

热带海洋环境国家重点实验室自主研究项目(LTOZZ1602)

广州市科技计划项目(201607020041)

收起

Retrieving phytoplankton size class from hyperspectral particulate absorption data measured by the ship-based underway flow-through system

  • WANG Guifen , 1, 2 ,
  • XU Wenlong 2, 3 ,
  • ZHOU Wen 2 ,
  • XU Zhantang 2 ,
  • CAO Wenxi 2
Expand
  • 1. College of Oceanography, Hohai University, Nanjing 210098, China
  • 2. State Key Laboratory of Tropical Oceanography (South China Sea Institute of Oceanology, Chinese Academy of Sciences), Guangzhou 510301, China
  • 3. University of Chinese Academy of Sciences, Beijing 100049, China;
Corresponding author: WANG Guifen. E-mail:

Received date: 2018-05-03

  Request revised date: 2018-06-14

  Online published: 2018-10-13

Supported by

National Natural Science Foundation of China (41776045, 41576030, 41776044)

Fundamental Research Funds for the Central Universities (2017B06714)

Open Project Program of the State Key Laboratory of Tropical Oceanography (LTOZZ1602)

Science and Technology Program of Guangzhou, China (201607020041)

Copyright

热带海洋学报编辑部
Fold

摘要

利用高光谱监测数据反演浮游植物种群组成是当前海洋光学和水色遥感的研究热点。文章采用大西洋经向断面航次中走航式观测系统测量的海水总颗粒物吸收光谱数据, 尝试建立了两种模型对浮游植物粒级结构(Phytoplankton size class, 简称PSC)进行反演和比较讨论。一类模型是基于总颗粒物吸收光谱高斯分解获得的典型波段高斯带强度与色素浓度之间的关系, 建立了偏最小二乘回归模型(Partial Least Squares regression model, 简称PLS回归模型); 另一类模型是采用长波波段吸收基线高度推算海水总叶绿素a浓度, 进而根据Brewin等(2010)生物量算法推算PSC的三组分模型(简称三组分模型)。模型比较验证结果显示, 两类模型对海水总叶绿素浓度的反演都有较高的精度, 相对偏差ME在15%左右; 对于三个粒级浮游植物对应的叶绿素浓度(Pico级Cp, Nano级Cn, Micro级Cm)的反演效果也相当, PLS回归模型反演的ME分别为28.4%、31.9%和41%, 三组分模型反演的ME分别为31%、35.9%、37.7%。研究结果初步表明了采用高光谱吸收系数反演浮游植物种群结构的潜在优势, 可为不同海域走航式高光谱观测系统的推广应用提供思路。

关键词： 浮游植物粒级结构; 高光谱; 颗粒物吸收系数; 船载走航观测

本文引用格式

王桂芬 , 徐文龙 , 周雯 , 许占堂 , 曹文熙 . 基于船载走航观测高光谱颗粒物吸收系数反演浮游植物粒级结构*[J]. 热带海洋学报, 2018 , 37(5) : 50 -61 . DOI: 10.11978/2018049

Abstract

Retrieving of phytoplankton groups from hyperspectral optical data has been a hot topic in recent years for studies of marine optics and ocean color remote sensing. In this paper, based on the hyperspectral particulate absorption data (ap(λ)) measured by the ship’s flow-through system during the Atlantic Meridional Transect (AMT) cruise, two models were proposed and compared for estimating phytoplankton size class (PSC) from the ap(λ) spectra. An algorithm that defines phytoplankton pigment absorption as a sum of Gaussian functions was used for decomposing the total particulate absorption, and a partial least squares model (PLS_model) was developed for estimating PSC using the Gaussian magnitudes at specific wavelengths. Another model (3component_model) is a modified abundance-based model proposed by Brewin et al (2010), in which the total chlorophyll-a concentration (C, mg·m-3) was estimated from the absorption line height at 676 nm. Results showed that both models give good results for retrieving PSC from the particulate absorption spectra, with the mean relative errors (ME) for estimating total C in the range of 15%. ME values for estimating the size-specific chlorophyll a concentration (Cp for pico-, Cn for nano- and Cm for micro-plankton) are 28.4%, 31.9% and 41% for the PLS_model, and are 31%, 35.9% and 37.7% for the 3component_model. Our results confirmed the potential advantages of hyperspectral optical measurements for retrieving phytoplankton groups, which also provided much insights for the application of ship-based underway flow-through system in different sea areas.

Key words： phytoplankton size class; hyperspectral data; particulate absorption coefficient; ship-based underway measurements

浮游植物是海洋初级生产力的主要贡献者, 其粒级结构变化影响着藻细胞光利用率、光合固碳效率、海洋生态系统的能量和物质传输等过程(孙军 等, 2003; 黄邦钦 等, 2006)。获取浮游植物粒级结构的高时空分布特征对于深入研究浮游植物在生态系统中的功能具有重要意义。对浮游植物的粒级(Phytoplankton size class, 简称PSC)划分一般参照Sieburth等(1978)的标准, 即将浮游植物分为小型(Micro级, >20μm)、微型(Nano级, 2~20μm)和微微型(Pico级, <2μm)三大类。传统测量浮游植物粒级结构的方法包括叶绿素a粒级分离法、电子粒度分析仪、显微测量粒级分析法(孙军 等, 2003)以及特征色素分析法(Vidussi et al, 2001; Uitz et al, 2006) 等。现场采集数据虽然准确度高, 但是耗时、费力, 无法实现大面积、全深度的数据采集。利用浮游植物的生物光学机理反演其粒级结构组成, 进一步应用于水色卫星遥感和多尺度海洋光学观测是当前研究热点之一, 已在全球及区域海区海洋环境生态响应、生物地球化学循环等研究方面发挥了重要的作用 (IOCCG, 2014; 丘仲锋 等, 2016)。
目前国内外针对浮游植物粒级结构的生物光学反演算法(IOCCG, 2014; 丘仲锋 等, 2016)主要包括以下几大类: 1)基于生物量变化规律, 建立浮游植物粒级结构与水体总叶绿素a浓度之间的关系模型; 2)基于光学特性(包括浮游植物吸收、遥感反射率以及颗粒物后向散射系数)的光谱差异定量或半定量反演粒级结构信息; 3)综合考虑多环境参数的生态学方法, 融合光学特性以及多个环境生态要素, 采用人工神经网络等非线性优化方法实现粒级结构的反演。已有的反演算法各有优势, 同时也受到区域化差异、光谱噪声难以去除等问题的限制(王桂芬 等, 2010, 2014; Brewin et al, 2011), 促使科学家们在观测技术和反演机理研究方面不断推进(Mouw et al, 2017)。浮游植物吸收系数的高光谱变化特征与浮游植物色素结构和粒级结构密切相关, 是光学反演算法的一种核心机理 (Hoepffner et al, 1993; Brewin et al, 2011; IOCCG, 2014)。海洋光学观测技术不断发展, 不同类型海洋高光谱光学观测平台包括水色卫星、走航式光学观测系统以及定点观测锚定浮标等的应用为获取高光谱观测数据提供了重要手段。采用高光谱观测数据分析提高浮游植物粒级结构及种群组成的反演精度是近几年来人们水色遥感研究的焦点问题之一, 光谱分解、导数光谱、偏最小二乘法等方法被应用于高光谱吸收光谱或遥感反射率光谱分析(Organelli et al, 2013; Lin et al, 2014; Bracher et al, 2015; Wolanin et al, 2016; Catlett et al, 2018)。
走航式光学观测系统是近年来科学家们发展的一种新型的观测平台, 以美国Wetlabs公司的吸收/衰减系数测量仪(Absorption and attenuation meter,其中高光谱的简称AC-S,9个光谱波段的简称为AC-9)为核心, 配备抽滤装置、气泡滤除装置等组成在线过滤观测系统, 可搭载于海洋调查船实现连续观测(Slade et al, 2010), 获取的数据具有高时空分辨率的显著优势。该系统已被成功地应用于全球塔拉号(Tara)航次、大西洋经向断面(AMT, Atlantic Meridional Transect)航次等的调查, 获取了大量高光谱吸收/衰减/散射数据(Dall'olmo et al, 2009; Boss et al, 2013; Brewin et al, 2016); 基于同步匹配观测的生态环境要素建立了叶绿素浓度、浮游植物色素浓度以及颗粒有机碳浓度等的反演模型, 成功地应用于水色遥感产品的检验和验证(Boss et al, 2013; Chase et al, 2013; Brewin et al, 2016)。利用该系统观测的高光谱颗粒物吸收系数, Chase等(2013)采用高斯函数组合的方法实现了浮游植物和非藻类颗粒物吸收光谱的有效分离, 反演得到的高斯带对应不同类别色素浓度的变化; 这种高光谱分析方法又被应用于遥感反射率光谱的反演, 为研究水体色素组成提供了另一有效途径(Wang et al, 2016; Chase et al, 2017)。
本文基于大西洋经向断面航次(AMT22)(图1)走航式观测系统获取的总颗粒物吸收光谱数据, 推算浮游植物粒级结构, 采用高斯分解算法实现对浮游植物和非藻类颗粒物吸收贡献的分离, 尝试建立回归模型由高斯带提取不同粒级的叶绿素浓度; 同时与基于叶绿素a浓度三组分模型的反演结果进行了比较讨论。本研究旨在探索采用高光谱总颗粒物吸收系数提取浮游植物粒级结构变化的可行性与精确程度, 可为新型走航式高光谱观测平台的推广应用提供参考。
Fig. 1 Cruise track of AMT22 for underway hyperspectral measurements

图1 大西洋经向断面航次(AMT 22)调查站位分布图

1 数据和方法

1.1 航次调查数据

本文采用的现场实测数据集来自AMT 22航次, 调查时间是2012年10月15号到2012年11月20号, 采用走航式观测系统测量表层水体的固有光学参数, 包括吸收系数和衰减系数; 同步采集部分站点的生物光学参数, 相应站点分布如图1所示, 匹配站位一共有145个。走航式观测系统的工作原理详细可参考文献(Dall'olmo et al, 2009; Slade et al, 2010)。简单描述如下: 将海表下一定深度(约5m处)的海水不断泵入到船上实验室内设置的走航光学观测系统中, 首先流经排气泡系统将海水中气泡去除, 通过控制阀进行切换, 直接流入或经过孔径为0.2μm囊式过滤器(PALL AcroPak Supor MemBrane或GE Osmonic Memtrex NY)后, 流入预先设置的光学观测仪器, 从而分别实现对总海水吸收光谱(atot(λ))和过滤后海水吸收光谱(a0.2µm(λ))的测量。同步测量海水的温度、盐度参数进行AC-S数据校正。光学观测仪器使用美国Wetlabs公司生产的海水高光谱吸收衰减测量仪(AC-S), 波长范围约为400~720nm。总颗粒物吸收系数(ap(λ))由公式(1)计算, 表示如下:
${{a}_{\mathrm{p}}}={{a}_{\mathrm{tot}}}\left( \lambda \right){{a}_{\mathrm{0}\mathrm{.2}\text{ }\!\!\mu\!\!\text{ m}}}\left( \lambda \right)$
选取部分站点采集表层海水(2~4L), 采用孔径为0.7μm的Whatman GF/F滤膜采集色素样品, 放入液氮瓶中冷冻保存, 回到实验室中, 采用高效液相色谱法(High Performance Liquid Chromatography, 简称HPLC)分析了样品中的色素成分及含量, 具体测量方法参考Gibb等(2000)。

1.2 利用特征色素推算浮游植物粒级结构(PSC)

本文利用HPLC测试得到的7种特征色素(包括fucoxanthin; peridinin; 19′-hexanoyloxyfucoxanthin; 19′-butanoyloxyfucoxanthin; alloxanthin; total chlorophyll-b; zeaxanthin)推算浮游植物粒级结构, 表示为三个粒级的叶绿素a浓度(Cm, Cn, Cp)及在总叶绿素a浓度中各个粒级所占比例(Fm, Fn, Fp), 其中下标m, n, p分别代表小型(Micro)、微型(Nano)和微微型(Pico), 计算公式参考Brewin 等(2011)。

1.3 统计检验参数的计算

为检验模型中参数的准确度, 本文采用了一系列用于评估模拟值与实测值之间偏差的单变量统计检验参数(Brewin et al, 2015; 2016), 包括皮尔逊相关系数(r)、均方根误差(ψ)、模拟值与实测值之间的平均偏差(δ)、决定系数(R2)及平均相对误差(ME)。其简单描述及计算公式见表1。
Tab. 1 Statistical test parameters and calculation formulas

表1 统计参数的简介及计算公式

符号 描述 计算公式
r 皮尔逊相关系数 $\frac{1}{N-1}\sum\limits_{i=1}^{N}{\left[ \frac{C_{i}^{\mathrm{M}}-\left( \frac{1}{N}\sum\nolimits_{j\mathrm{=1}}^{N}{C_{j}^{\mathrm{M}}} \right)}{{{\left\{ \frac{\mathrm{1}}{N-\mathrm{1}}\sum\nolimits_{k\mathrm{=1}}^{N}{\left[ C_{k}^{\mathrm{M}}-\left( \frac{\mathrm{1}}{N}\sum\nolimits_{i}^{N}{C_{i}^{\mathrm{M}}} \right) \right]} \right\}}^{1/2}}} \right]}\left[ \frac{C_{i}^{\mathrm{E}}-\left( \frac{1}{N}\sum\nolimits_{m\mathrm{=1}}^{N}{C_{m}^{\mathrm{E}}} \right)}{{{\left\{ \frac{\mathrm{1}}{N-\mathrm{1}}\sum\nolimits_{n\mathrm{=1}}^{N}{\left[ C_{n}^{\mathrm{E}}-\left( \frac{\mathrm{1}}{N}\sum\nolimits_{0}^{N}{C_{0}^{\mathrm{E}}} \right) \right]} \right\}}^{1/2}}} \right]$
ψ/(mg·m-3) 均方根差 ${{\left[ \frac{\mathrm{1}}{N}\sum\limits_{i\mathrm{=1}}^{N}{{{\left( C_{i}^{\mathrm{E}}-C_{i}^{\mathrm{M}} \right)}^{\mathrm{2}}}} \right]}^{1/2}}$
δ/(mg·m-3) 偏差 $\frac{\mathrm{1}}{N}\sum\limits_{i\mathrm{=1}}^{N}{\left( C_{i}^{\mathrm{E}}-C_{i}^{\mathrm{M}} \right)}$
R2 决定系数 $\mathrm{1}-\frac{\sum\nolimits_{i\mathrm{=1}}^{N}{{{\left( C_{i}^{\mathrm{E}}-C_{i}^{\mathrm{M}} \right)}^{\mathrm{2}}}}}{\sum\nolimits_{i\mathrm{=1}}^{N}{{{\left( C_{i}^{\mathrm{M}}-\left( \frac{\mathrm{1}}{N}\sum\nolimits_{i\mathrm{=1}}^{N}{C_{i}^{\mathrm{M}}} \right) \right)}^{\mathrm{2}}}}}$
ME/% 平均相对偏差 $\frac{\mathrm{1}}{N}\sum\limits_{i\mathrm{=1}}^{N}{\left( \frac{\left| C_{i}^{\mathrm{E}}-C_{i}^{\mathrm{M}} \right|}{C_{i}^{\mathrm{M}}} \right)\times \mathrm{100}}$

注: C为叶绿素浓度, 上标M和E分别表示实测数据和模型估测值, N为样本个数, i、j、k表征不同样本, r、R2为无量纲量

1.4 叶绿素a浓度的基线高度反演算法

已有研究表明, 由海水总吸收系数或总颗粒物吸收光谱在676nm处吸收基线高度(aLH(676), 单位为m-1 )的变化可有效实现叶绿素a浓度的推算(Boss et al, 2013; Roesler et al, 2013)。吸收基线高度可表示为式(2), aLH(676)与总叶绿素a浓度(C)之间的关系可采用幂指数函数或线性函数进行拟合(Boss et al, 2013; Brewin et al, 2016)。
$\begin{align} & {{a}_{\mathrm{LH}}}(676)=a(676)- \\ & \left( \frac{a(715)-a(650)}{715-650}\times (676-650)+a(650) \right) \\ \end{align}$
本文采用145组匹配数据, 可建立一幂指数关系模型如下:
$C=62.63\times {{a}_{\mathrm{LH}}}{{\left( 676 \right)}^{0.99}}$
相应模型的决定系数(R2)为0.99, 均方根误差(ψ)为0.020mg·m-3。由公式(3)可以看出, 幂指数(0.99)接近于1, Brewin 等(2016)直接选择建立简单的线性关系模型, $C=\text{ }69\times {{a}_{\mathrm{LH}}}(676)$, 据此计算的均方根偏差ψ约为0.025mg·m-3, 与本文建立的幂指数反演效果非常接近。

1.5 海水总颗粒物吸收光谱的高斯分解

AC-S测量的吸收光谱数据处理过程中, 采用了迭代算法校正AC-S滤波因子(Chase et al, 2013), 其原因在于虽然AC-S直接测量返回的数据光谱分辨率是4nm, 但是实际情况中单个滤波器的光谱宽度一般在14~18nm之间, AC-S给出的数据其实是仪器处理过程中被“自动平滑”之后的光谱(Sullivan et al, 2006)。为了获取原始的对应于不同色素吸收光谱的数据, 数据处理中参考Chase等(2013)建立的迭代方法, 得到的总颗粒物吸收光谱的峰值更明显(图2)。采用根据浮游植物色素吸收和非藻类颗粒物吸收的光谱变化规律, 可对总颗粒物吸收光谱进行重组, 表示如下:
Fig. 2 Example of Gaussian decomposition for particulate absorption measured with AC-S

图2 AC-S测量颗粒物吸收系数的高斯分解示例

${{a}_{\mathrm{p}}}\left( \lambda \right)={{a}_{\mathrm{ph}}}\left( \lambda \right)+{{a}_{\mathrm{NAP}}}\left( \lambda \right)$
其中, 利用高斯函数组合模拟浮游植物色素的吸收光谱(Hoepffner et al, 1991), 如公式(5),
${{a}_{\mathrm{ph}}}\left( \lambda \right)=\sum\limits_{i=1}^{12}{{{a}_{\mathrm{gaus}}}}\left( {{\lambda }_{i}} \right)\exp \left\{ -0.5\times {{\left[ \frac{\lambda -{{\lambda }_{i}}}{{{\sigma }_{i}}} \right]}^{2}} \right\}$
式中agaus(λi)、λi、σi分别代表高斯函数的振幅、中心波长、高斯函数的带宽, 为12个高斯函数组合计算得到的浮游植物吸收光谱。采用12个高斯带分别代表不同敏感色素的吸收光谱, 对应选取中心波长及带宽参考Chase 等(2013), 见表2。
Tab. 2 Center wavelengths (peak location) and widths (σ) of Gaussian functions used as input for spectral decomposition followed Chase et al (2013)

表2 颗粒物吸收光谱分解时选取的高斯函数的中心波长及带宽(Chase et al, 2013)

高斯分解参数
中心波长/nm 406 435 454 469 492 523 550 585 617 639 661 675
带宽σ/nm 17 13 12 14 17 15 15 17 14 11 11 10
非藻类颗粒物(Nonalgal particles, 简称NAP)的吸收光谱(aNAP(λ), 单位m-1)一般符合指数衰减规律(公式(6))(Bricaud et al, 1990; Babin et al, 2003):
${{a}_{\mathrm{NAP}}}(\lambda )={{a}_{\mathrm{NAP}}}(400)\times \exp (-{{S}_{\mathrm{NAP}}}(\lambda -400))$
其中SNAP表示光谱斜率, 单位nm -1。
本文光谱分解参考Chase 等(2013) (http:// misclab.umeoce.maine.edu/software.php)的方法进行求解, 目标函数设置为组合后颗粒物吸收光谱与实测数据之间的均方差, 从而计算得到12个波段的高斯峰强度${{a}_{\mathrm{gaus}}}\left( {{\lambda }_{i}} \right)$及代表性波段非藻类颗粒物吸收系数。通过叠加12个高斯带可获取浮游植物吸收光谱。在程序调试过程中, 对非藻类颗粒物吸收系数添加了约束条件, 限定${{a}_{\mathrm{NAP}}}(400)$的最小值为总颗粒物在440nm处吸收系数量值的5%, 使得分解结果更符合自然规律。图2为分解后高斯吸收带与非藻类颗粒物吸收光谱的分布, 目标函数组合得到的总颗粒物吸收光谱与经滤波因子校正后实测颗粒物吸收光谱有很好的一致性(图2), 分解方法较好地去除了光学仪器在短波波段测量的噪声信号。

1.6 模型的建立

本文尝试基于走航式观测总颗粒物吸收光谱变化, 提取浮游植物粒级结构, 建立两种模型, 模型框架如图3。模型1: 尝试基于高斯分解方法获得与色素组分相关的高斯带峰值, 进一步建立反演浮游植物粒级的偏最小二乘回归模型; 模型2: 基于长波波段颗粒物吸收基线高度推算总叶绿素a浓度, 同时对Brewin 等(2010)提出的反演浮游植物粒级结构的三组分模型进行区域参数化调整。航次匹配浮游植物粒级和吸收光谱数据共有145组, 随机选取一半数据进行建模, 余下数据进行验证。为了避免随机选择数据可能带来的偏差, 进行了交叉验证, 给出模型偏差的变化范围。另外, 随机选取航次观测的3000组总颗粒物吸收光谱进行分析, 对两类模型得到的浮游植物粒级结构分布结果进行比较。
Fig. 3 Schematic of the data and processing steps to estimate phytoplankton size class

图3 反演浮游植物粒级结构模型的流程图

1.6.1 基于色素吸收的高斯峰反演浮游植物粒级结构的偏最小二乘回归模型 (简称: PLS回归模型)
高斯带表征了不同色素组分的吸收特性, 与色素浓度之间表现出紧密的相关特征(Chase et al, 2013)。本文基于AMT22航次的匹配数据(N=145), 尝试采用线性函数拟合了单个高斯带(agaus(λi), m-1)与三个粒级的叶绿素浓度及总叶绿素a浓度(C, mg·m-3) 之间的关系, 如图4。可见与三个粒级的叶绿素a浓度(Cm, Cn, Cp)之间均存在不同程度线性相关, 其中与Cm线性相关的R2范围是0.767~0.904, 与Cn线性相关的R2范围是0.540~0.909, 与Cp的相关性相对较弱, R2范围是0.658~0.810。
Fig. 4 Determination coefficients (R2) for linear correlations between chlorophyll a concentration (C, Cm, Cn, Cp, mg·m-3) and decomposed Gaussian bands at difference peak locations

图 4 不同波段高斯峰强度与总叶绿素a浓度(C)及分粒级叶绿素a浓度(Cm, Cn, Cp, 单位: mg·m-3)之间线性相关的决定系数R2分布

综合考虑到三个粒级的浮游植物浓度与高斯带之间的关系在不同的波段表现出强相关, 去除高斯带自身相关的影响, 可以选取信号足够强的敏感波段(435、469、492、523、675nm), 对不同粒级浮游植物浓度与敏感波段高斯带峰值进行多元回归。由于不同波段高斯带峰值之间具有较高的自相关特征, 本文采用偏最小二乘回归(Partial Least Squares, 简称PLS)的方法建立模型 (Organelli et al, 2013), 模型简称为PLS回归模型。模型的输入参数为高斯分解获取的敏感波段高斯带峰值(${{a}_{\mathrm{gaus}}}\left( {{\lambda }_{i}} \right)$), 输出参数为C, Cm, Cn, Cp; 模型训练时采用留一交叉验证的方法, 通过比较模型估测值与实测数据之间的均方根偏差来选择合适的主成分个数。由于色素打包效应的影响, 浮游植物吸收系数与色素浓度之间往往表现为幂指数相关特征, 因此本文将吸收系数和色素浓度进行Log10对数转换。
1.6.2 基于总叶绿素a浓度反演浮游植物粒级结构的三组分模型
这个模型需要先计算得到总的叶绿素a浓度,再根据区域参数化的三组分模型,推算PSC (Brewin et al, 2010)。具体可表示为公式(8)—(11), 通过Matlab非线性拟合工具箱拟合公式(10)及(11) 可得到各个参数的结果。
${{C}_{\mathrm{p,n}}}=C_{\mathrm{p,n}}^{\mathrm{m}}\times \left( 1-\exp \left( -{{S}_{\mathrm{p,n}}}\times C \right) \right)$
${{C}_{\mathrm{p}}}=C_{\mathrm{p}}^{\mathrm{m}}\times \left( 1-\exp \left( -{{S}_{\mathrm{p}}}\times C \right) \right)$
${{F}_{\mathrm{p}}}=\frac{C_{\mathrm{p}}^{\mathrm{m}}\times \left( 1-\exp \left( -{{S}_{\mathrm{p}}}\times C \right) \right)}{C}$
${{F}_{\mathrm{p,n}}}=\frac{C_{\mathrm{p,n}}^{\mathrm{m}}\times \left( 1-\exp \left( -{{S}_{\mathrm{p,n}}}\times C \right) \right)}{C}$
其中, C表示叶绿素a浓度, F表示不同粒级浮游植物对总叶绿素a浓度的贡献比, 下标p、n、m分别指微微型(pico)、微型(nano)、小型(micro)浮游植物, pn表示微型和微微型相加之和, 公式中$C_{\mathrm{p}}^{\mathrm{m}}$、$C_{\mathrm{p,n}}^{\mathrm{m}}$分别表示Cp、Cp,n的渐近最大值, Sp、Sp,n分别表示Cp、Cp,n随总叶绿素a浓度(C)变化的初始斜率。

2 结果与分析

2.1 浮游植物粒级结构数据(PSC)的分布特征

AMT 22航次调查站点集中分布在大西洋寡营养海区(图1), 总叶绿素a浓度在0.026到1.133mg·m-3之间变化, 如图5a。Pico级、Nano级及Micro级浮游植物的比例Fp、Fn、Fm范围分别为0.081~0.782、0.149~0.778、0.052~0.564, 相应的不同粒级叶绿素a浓度的Cp、Cn、Cm范围分别为0.015~0.415、0.005~0.543、0.003~0.446mg·m-3。调查区域Micro级浮游植物贡献比较低, 位于0.05~0.5之间, Pico级浮游植物则有较大贡献(如图5b), 多数样品高于0.5, 说明调查海域Pico级浮游植物占主导, 且随着总叶绿素a浓度的升高有明显减小的趋势; Nano级浮游植物的比例分布范围较大, 数据点的分布相对趋于分散。
Fig. 5 Variations of phytoplankton size classes. (a) Frequency distribution of total chlorophyll a concentration in AMT22 (N=145), and (b) ternary plot of the fractions of three phytoplankton size classes (Fm, Fn, Fp), with the marker showing different C ranges

图5 浮游植物粒级结构的分布图
a. 现场实测叶绿素a浓度频率直方图(N=145); b. 三种粒级浮游植物的贡献比分布, 不同形状代表总叶绿素a浓度(C)所处的区间

2.2 模型的参数化

表3列出了基于建模数据回归得到的PLS模型的参数。采用留一交叉验证的方法, 针对总叶绿素a浓度(C)和不同粒级叶绿素a浓度(Cp、Cn和Cm)的反演选取了合适的主成分个数, 分别为3个、3个、4个和2个; 对应的相关系数分别为0.973、0.743、0.935和0.916, 初步表明了PLS回归模型对总叶绿素a浓度和微型(Cn)和小型(Cm)对应的叶绿素a浓度反演具有较好的效果, 比较反演值与实测值之间的线性回归斜率都在0.85以上; 对于Cp的效果稍差, 相关系数为0.743, 线性回归斜率接近0.60。
Tab. 3 Parameters for PLS regression model trained with HPLC pigment measurements and Gaussian bands (N=73)

表3 HPLC分析的色素浓度与高斯带之间关系建立的偏最小二乘(PLS)回归模型中的参数(N=73)

主成分
个数		 相关系数 均方根差 线性拟合
斜率		 线性拟
合截距
Cp 3 0.743 0.025 0.596 -0.511
Cn 4 0.935 0.025 0.888 -0.163
Cm 2 0.916 0.018 0.854 -0.282
C 3 0.973 0.022 0.946 -0.051
表4列出了基于建模数据拟合的三组分模型的参数, 模型采用公式(8—11)对Cp, n、Cp与总叶绿素a浓度之间的关系进行了模拟, 比较模拟值与实测值的均方根偏差(RMSE)分别为0.021和0.041mg·m-3, 与Brewin等(2010)基于大西洋多年调查数据建立的三组分模型模拟结果相比, 表现出更为准确的反演效果。
Tab. 4 Parameter values obtained from the three- component model, compared with Brewin et al (2010)

表4 基于总叶绿素a浓度建立的三组分模型参数(与Brewin 等(2010)模型比较)

$C_{\mathrm{p,n}}^{\mathrm{m}}$ Sp, n $C_{\mathrm{p}}^{\mathrm{m}}$ Sp RMSEp,n RMSEp
本文 2.1882 0.4050 0.1557 4.7234 0.021 0.041
Brewin 等(2010) 1.057 0.851 0.107 6.801 0.045 0.048

2.3 采用匹配观测数据对模型的验证结果

本文进一步采用独立的验证数据集(N=72)(即AC-S观测的总颗粒物吸收光谱), 对已建立的两种PSC反演模型(PLS回归模型和三组分模型)进行验证的结果, 如表5与图6所示。可见两种模型可较好地反演不同粒级浮游植物的叶绿素a浓度, 但针对不同粒级的反演结果仍有差异。PLS回归模型对海水总叶绿素浓度的反演效果与采用基线高度推算的结果类似, 均方根误差约为0.025mg·m-3, 平均相对偏差在13.5%左右。
Fig. 6 Comparison between predicated and measured concentrations and fractions with three phytoplankton size classes from the validation data set (N=72). Black circle represents the PLS regression model result, and blue circle represents the three-component model result. The 1:1 ratio is shown as a solid line

图6 采用验证数据集(N=72)反演得到的各粒级浮游植物浓度及比例与实测数据的比较(黑色代表PLS回归模型, 蓝色代表三组分模型), 黑色实线为1:1线

Tab. 5 Comparison of statistical parameters between HPLC-measured and model-predicted values based on validation data set (N=72)

表5 基于独立数据集(N=72)验证三个粒级浮游植物色素浓度及比例的统计参数分布

参量 r Ψ δ ME/%
偏最小二乘
回归模型		 Cp 0.890 0.037 0.009 28.4
Cn 0.959 0.042 -0.002 31.9
Cm 0.943 0.033 0.010 41.0
Fp 0.815 0.116 0.006 23.4
Fn 0.793 0.095 -0.015 26.8
Fm 0.595 0.066 0.009 38.4
三组分
模型		 Cp 0.776 0.043 0.004 31.0
Cn 0.953 0.047 -0.006 35.9
Cm 0.943 0.026 0.003 37.7
Fp 0.826 0.111 0.003 24.9
Fn 0.758 0.097 -0.005 25.3
Fm 0.669 0.061 0.002 33.1
Pico级叶绿素浓度在AMT22数据集中贡献较大(图5), PLS回归模型反演得到的Cp精度稍优于三组分模型得到的结果, 两种模型验证数据的皮尔逊相关系数(r)分别为0.890和0.776, 均方根差(ψ)分别为0.037和0.043mg·m-3; 两种模型的平均相对误差比较接近(ME分别为28.4%和31.0%)。三组分模型在Pico级叶绿素浓度反演时, 在高值区受阈值限制, 这种限制与三组分模型所采用的函数关系有关, 如公式(8—9), 即随着叶绿素a浓度的增大, Cp趋无限逼近于$C_{\mathrm{p}}^{\mathrm{m}}$, 造成了对于Cp浓度较高的水体反演结果的“阈值”限制。相比而言, PLS回归模型的结果有所改善(图6)。两种模型对Fp的反演结果较为类似, r在0.82左右, ψ在0.11 mg·m-3左右, PLS回归模型的ME为23.4%, 稍低于三组分模型(24.9%); 偏差系数δ为0.006, 稍高于三组分模型的结果(0.003)。
两种模型对于Nano级叶绿素浓度(Cn)表现出较好的反演效果, r 分别为0.959、0.953, ME分别为31.9%和35.9%, PLS回归模型的ψ为0.042mg·m-3, 稍低于三组分模型的均方根差(0.047mg·m-3)。对于Nano级比值(Fn)两种模型的反演精度也基本一致, ME分别为26.8%和25.3%, 但是PLS回归模型的偏差系数δ(-0.015mg·m-3)稍高于三组分模型的结果(-0.005mg·m-3)。
AMT22航次数据主要来源于大洋水体, Micro级的贡献相对较小(图2)。虽然两种模型反演的Micro级叶绿素浓度(Cm)与实测数据比较的相关系数较高, r均为0.943, 但是反演的Micro级比例(Fm)的效果相对较差, r分别仅为0.595、0.669。与Nano和Pico级反演结果相比, 两种模型反演Cm和Fm的相对偏差稍高。PLS回归模型和三组分模型反演Cm的ME分别为41.0%和37.7%; 反演Fm的ME分别为38.4%和33.1%。

2.4 应用于走航观测总颗粒物吸收光谱分析的结果比较

为进一步验证两类模型对浮游植物粒级结构的反演效果, 本文利用AMT22航次中随机选取的3000多组总颗粒物吸收光谱数据(数据质量控制后N=2685)进行计算分析, 采用PLS回归方法得到的总叶绿素a浓度与采用吸收基线高度推算结果之间具有很好的一致性, 相关系数r为0.979, 均方根差为0.014mg·m-3。图7给出了采用两种模型推算得到的三个粒级对总叶绿素a浓度比值(F)的频率分布正方图, 可见反演结果具有较好的正态分布特征。由于本文数据来源于贫营养的大洋水体, Pico级浮游植物具有较大的贡献, 采用三组分模型得到的绝大部分样品的Fp分布0.5~ 0.7之间, 而PLS回归模型的反演结果分布范围相对稍宽, 在0.4~0.7之间。总体而言, 两种模型推算得到粒级结构较为一致, 能较好地反映出调查海区浮游植物的变化特征。
Fig. 7 Frequency distributions of Fp, Fn and Fm determined from the underway flow-through system data set. Black line represents the PLS regression model result, and dotted line represents the three-component model

图7 采用走航观测数据比较PLS回归模型(黑线)与三组分模型(点线)反演得到的浮游植物粒级结构频率分布

3 讨论

3.1 模型的比较分析

通过比较研究可知, 采用走航式光学观测系统测量的海水总颗粒物吸收光谱可实现浮游植物粒级结构的有效反演。本文采用高斯函数组合浮游植物吸收光谱对总颗粒物吸收光谱进行分解, 进而基于典型波段高斯带峰值与色素浓度关系建立的偏最小二乘回归模型(PLS回归模型)表现较好, 与基于总叶绿素a浓度的三组分模型结果较为类似。
基于海水总叶绿素a浓度的三组分模型是目前应用于寡营养大洋水体中浮游植物粒级结构反演的常用方法之一, 其优势在于采用了总叶绿素a浓度单一变量进行推算, 反演得到的结果较为稳定。最近也有一些研究表明, 对于近海水体亦可以尝试建立区域化的三组分模型, 但是其中对于微微型浮游植物对应的叶绿素a浓度(Cp)的反演存在一定的阈值限制(Sun et al, 2018)。本文模型中总叶绿素a浓度的推算方法采用了长波波段的吸收基线高度与叶绿素a浓度之间的幂指数关系, 表现出较高的反演精度, 相对偏差在15%左右; 已被广泛应用于走航观测数据的处理(Boss et al, 2013; Brewin et al, 2016)。据此进一步采用三组分模型可较好地模拟浮游植物粒级结构的变化; 然而由于模型本身的限制, 总叶绿素a浓度较高的水体环境中Pico级叶绿素浓度的反演仍存在较大偏离; 能否简单地利用单个变量去推算浮游植物色素结构的复杂变化特征, 一直也是科学家们关心的一个问题(IOCCG, 2014; Chase et al, 2017)。
本文基于颗粒物吸收光谱分解提出的PLS回归模型由高光谱数据出发, 尝试基于多个敏感波段的高斯峰与色素浓度之间的关系提取色素结构变化信息, 一定程度上可避免了Pico级叶绿素浓度反演的阈值限制, 初步显示了高光谱观测信号对浮游植物色素结构的反演优势, 为采用走航光学观测系统反演浮游植物粒级结构提供了另一个思路。模型的基础就在于不同波段高斯带峰值与典型色素浓度之间的相关特性, 这类方法也在浮游植物吸收光谱分析中得到了很多的应用(Hoepffner et al, 1993)。Chase 等(2013)曾基于Tara航次的观测数据采用幂指数函数由单一敏感波段高斯峰强度提取色素浓度(包括叶绿素b、c以及光合有效类胡萝卜素、光合保护类胡萝卜素等)。将浮游植物吸收光谱表征为高斯带叠加的数据处理方法也被应用于遥感反射率光谱的分析, 如Wang等(2016)基于高光谱遥感反射率数据推算得到不同色素的吸收系数; Chase等(2017)从高光谱遥感反射率数据推算浮游植物的色素浓度, 包括叶绿素a、叶绿素b、叶绿素c1+2和光保护类胡萝卜素浓度等。考虑粒级或色素组成变化引起的色素打包效应对吸收系数与色素浓度关系非线性的影响作用, 本文分别对色素浓度和高斯峰强度进行了Log10对数转换。
偏最小二乘法的应用避免了不同波段高斯带之间的自相关特征, 旨在提取不同粒级结构浮游植物在各自敏感波段的光谱信号。PLS回归的模型结果与采用三组分模型的结果类似, 可能主要归因于本文所采用的数据来自于大西洋经向断面航次(AMT); 调查水体类型多属于一类清洁水体, 浮游植物粒级结构变化具有一定的内在规律, 对浮游植物吸收光谱贡献表现出一致的共变特征。然而, 这种光谱分解的思路对于扩大现场高光谱吸收测量系统以及高光谱遥感在浮游植物种群监测中的应用可以提供有价值的参考。

3.2 偏最小二乘回归模型的误差分析

本文建立的偏最小二乘回归模型对浮游植物粒级结构的反演误差主要来源于两个方面: 1)高斯光谱分解, 2)敏感波段的选择。
浮游植物吸收光谱的变化与藻类粒级结构和色素组成密切相关, 然而现场观测中难以实现直接的测量。如何从总颗粒物吸收光谱分解得到浮游植物和非藻类颗粒物的吸收贡献是采用现场光学观测和遥感反演浮游植物的核心问题之一, 人们在实测光谱变化规律的基础上建立了多种模型。一般认为非藻类颗粒物遵循指数衰减规律的变化特征, 但是浮游植物吸收光谱的变化则相对复杂, 学者们多采用特征波段浮游植物吸收光谱比值基本恒定或遵守某种规律的原则(Bricaud et al, 1990; Wang et al, 2008; Zheng et al, 2013), 对总颗粒物吸收系数进行光谱分解。然而, 由此类方法分解得到的浮游植物吸收光谱变化规律很大程度上受制于预先设定的光谱变化规律, 且保留了总颗粒物吸收光谱的噪声信号。本文采用的高斯函数组合模拟浮游植物吸收光谱的方法, 充分考虑到浮游植物色素的光吸收机理 (Hoepffner et al, 1993), 分解得到的高斯带保留了主要色素组分的吸收信号。针对高斯函数峰值波段以及高斯带宽度的选择, 本文采用了Chase 等(2013)基于Tara航次中采用同样的走航式光学观测系统获取的大量数据迭代回归的结果, 同时在优化模型调试中设定非藻类吸收系数随总颗粒物吸收系数的可变性(而不是常数), 达到了较好的模拟效果。采用高斯分解方法获取的浮游植物吸收系数(aph(440))与实测叶绿素a浓度之间具有很好的相关特征(幂指数拟合的决定系数R2值达到了0.90)。
针对应用于PLS回归模型的敏感波段选择, 文中综合考虑了不同种类色素吸收光谱的差异以及高斯峰值信号强度。选取了431nm、675nm波段的高斯峰强度, 两个波段主要来自于与叶绿素a的吸收贡献, 受其他色素影响较小; 选取代表不同特征色素强吸收的波段组合进行回归, 比如523nm波段代表了光合有效类胡萝卜素的吸收, 492nm波段与光合保护类胡萝卜的吸收密切相关; 由于 Pico粒级贡献主要来自于叶绿素b和玉米黄素等所表征的浮游植物, 因此在模型反演中同时选取了与叶绿素b浓度密切相关的高斯带峰值波段469nm, 得到了较好的反演效果。由于本文所采用的数据来自于大西洋贫营养水体, 多元回归的参数应用到其他海域尤其是光学复杂水体时可能存在一定的限制, 需要更多现场匹配数据的回归验证。

4 小结及展望

基于走航式光学观测系统获取的高光谱总颗粒物吸收提取浮游植物粒级结构信息, 可发挥走航观测优势, 对获取研究海域的浮游植物种群结构空间分布具有重要意义。本文根据AMT22观测的大西洋经向断面观测数据, 尝试建立了两种模型推算浮游植物粒级结构。一类模型是通过光谱分析方法提取对应不同种类浮游植物色素吸收的高斯带, 进一步建立偏最小二乘回归模型对浮游植物粒级分布进行推算; 另一种模型采用长波波段吸收基线高度推算海水叶绿素a浓度, 进一步基于三组分模型推算浮游植物粒级结构。研究结果表明, 两类模型都可较好地反演浮游植物粒级结构。
由总颗粒物吸收光谱分解得到的特征波段高斯峰强度与不同粒级浮游植物叶绿素浓度之间具有不同程度的相关特征。针对海水总叶绿素a浓度的反演, PLS回归模型与采用长波波段基线高度推算叶绿素a浓度的反演效果相当, 相对偏差分别在15%左右。对于三个粒级浮游植物对应的叶绿素浓度(Cp, Cn, Cm)的推算, PLS回归模型(相对偏差ME分别为28.4%、31.9%和41%)与三组分模型(ME分别为31%、35.9%、37.7%)都表现出较好的反演效果。由于所采用数据来源于大西洋较为清洁的水体, 模型的参数应用于其他海域需要区域调整。
本文研究结果初步表明了采用高光谱吸收系数反演浮游植物种群结构的潜在优势。采用高斯函数组合模拟浮游植物吸收光谱的方法可进一步应用于高光谱遥感反射率数据的分析处理, 该方法可为将来我国海区走航式光学观测系统的推广应用提供有益参考。
*感谢英国普利茅斯海洋实验室Giorgio Dall’Olmo博士和Robert Brewin博士提供大西洋经向断面AMT22航次数据。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
黄邦钦, 刘媛, 陈纪新, 等, 2006. 东海、黄海浮游植物生物量的粒级结构及时空分布[J]. 海洋学报, 28(2): 156-164.

HUANG BANQIN, LIU YUAN, CHEN JIXIN, et al, 2006. Temporal and spatial distribution of size-fractionized phytoplankton biomass in East China Sea and Huanghai Sea[J]. Acta Oceanologica Sinica, 28(2): 156-164 (in Chinese with English abstract).

[2]
丘仲锋, 孙德勇, 王胜强, 等, 2016. 海洋浮游植物粒径等级遥感研究现状与展望[J]. 广西科学, 23(6): 492-498.

QIU ZHONGFENG, SUN DEYONG, WANG SHENGQIANG, et al, 2016. Research status and prospect of remote sensing of phytoplankton size classes in marine waters[J]. Guangxi Sciences, 23(6): 492-498 (in Chinese with English abstract).

[3]
孙军, 刘东艳, 钟华, 等, 2003. 浮游植物粒级研究方法的比较[J]. 青岛海洋大学学报, 33(6): 917-924.

SUN JUN, LIU DONGYAN, ZHONG HUA, et al, 2003. A comparison of three methods for studying phytoplankton size fraction[J]. Journal of Ocean University of Qingdao, 33(6): 917-924 (in Chinese with English abstract).

[4]
王桂芬, 曹文熙, 周雯, 等, 2010. 基于南海北部海区浮游植物吸收光谱斜率变化的粒级结构反演[J]. 热带海洋学报, 29(2): 25-32.

WANG GUIFEN, CAO WENXI, ZHOU WEN, et al, 2010. Retrieval of phytoplankton size structure based on the spectral slope of phytoplankton absorption in the northern South China Sea[J]. Journal of Tropical Oceanography, 29(2): 25-32 (in Chinese with English abstract).

[5]
王桂芬, 周雯, 林俊芳, 等, 2014. 南海北部海区浮游植物粒级结构生物光学反演模型的验证与评价[J]. 激光生物学报, 23(6): 502-515.

WANG GUIFEN, ZHOU WEN, LIN JUNFANG, et al, 2014. Validation and assessment on the bio-optical models for retrieving phytoplankton size structure in the northern South China Sea[J]. Acta Laser Biology Sinica, 23(6): 502-515 (in Chinese with English abstract).

[6]
BABIN M, STRAMSKI D, FERRARI G M, et al, 2003. Variations in the light absorption coefficients of phytoplankton, nonalgal particles, and dissolved organic matter in coastal waters around Europe[J]. Journal of Geophysical Research: Oceans, 108(C7): 3211.

[7]
BOSS E, PICHERAL M, LEEUW T, et al, 2013. The characteristics of particulate absorption, scattering and attenuation coefficients in the surface ocean; Contribution of the Tara Oceans expedition[J]. Methods in Oceanography, 7: 52-62.

[8]
BRACHER A, TAYLOR M H, TAYLOR B, et al, 2015. Using empirical orthogonal functions derived from remote-sensing reflectance for the prediction of phytoplankton pigment concentrations[J]. Ocean Science, 11(1): 139-158.

[9]
BREWIN R J W, DALL'OLMO G, PARDO S, et al, 2016. Underway spectrophotometry along the Atlantic Meridional Transect reveals high performance in satellite chlorophyll retrievals[J]. Remote Sensing of Environment, 183: 82-97.

[10]
BREWIN R J W, SATHYENDRANATH S, HIRATA T, et al, 2010. A three-component model of phytoplankton size class for the Atlantic Ocean[J]. Ecological Modelling, 221(11): 1472-1483.

[11]
BREWIN R J W, DEVRED E, SATHYENDRANATH S, et al, 2011. Model of phytoplankton absorption based on three size classes[J]. Applied Optics, 50(22): 4535-4549.

[12]
BREWIN R J W, SATHYENDRANATH S, MÜLLER D, et al, 2015. The ocean colour climate change initiative: III. A round-robin comparison on in-water bio-optical algorithms[J]. Remote Sensing of Environment, 162: 271-294.

[13]
BRICAUD A, STRAMSKI D, 1990. Spectral absorption coefficients of living phytoplankton and nonalgal biogenous matter: a comparison between the Peru upwelling area and the Sargasso Sea[J]. Limnology and Oceanography, 35(3): 562-582.

[14]
CATLETT D, SIEGEL D A, 2018. Phytoplankton pigment communities can be modeled using unique relationships with spectral absorption signatures in a dynamic coastal environment[J]. Journal of Geophysical Research: Oceans, 123(1): 246-264.

[15]
CHASE A, BOSS E, ZANEVELD R, et al, 2013. Decomposition of in situ particulate absorption spectra[J]. Methods in Oceanography, 7: 110-124.

[16]
CHASE A P, BOSS E, CETINIĆ I, et al, 2017. Estimation of phytoplankton accessory pigments from hyperspectral reflectance spectra: toward a global algorithm[J]. Journal of Geophysical Research: Oceans, 122(12): 9725-9743.

[17]
DALL'OLMO G, WESTBERRY T K, BEHRENFELD M J, et al, 2009. Significant contribution of large particles to optical backscattering in the open ocean[J]. Biogeosciences, 6(6): 947-967.

[18]
GIBB S W, BARLOW R G, CUMMINGS D G, et al, 2000. Surface phytoplankton pigment distributions in the Atlantic Ocean: an assessment of basin scale variability between 50◦N and 50◦S[J]. Progress in Oceanography, 45(3-4): 339-368.

[19]
HOEPFFNER N, SATHYENDRANATH S, 1991. Effect of pigment composition on absorption properties of phytoplankton[J]. Marine Ecology Progress Series, 73: 11-23.

[20]
HOEPFFNER N, SATHYENDRANATH S, 1993. Determination of the major groups of phytoplankton pigments from the absorption spectra of total particulate matter[J]. Journal of Geophysical Research: Oceans, 98(C12): 22789-22803.

[21]
IOCCG, 2014. Phytoplankton functional types from space[R]//SATHYENDRANATH S. Reports of the International Ocean-Colour Coordinating Group, No. 15. Dartmouth, Canada: IOCCG.

[22]
LIN JUNFANG, CAO WENXI, WANG GUIFEN, et al, 2014. Inversion of bio-optical properties in the coastal upwelling waters of the northern South China Sea[J]. Continental Shelf Research, 2014, 85: 73-84.

[23]
MOUW C B, CIOCHETTO A B, GRUNERT B, et al, 2017. Expanding understanding of optical variability in Lake Superior with a 4-year dataset[J]. Earth System Science Data, 9(2): 497-509.

[24]
ORGANELLI E, BRICAUD A, ANTOINE D, et al, 2013. Multivariate approach for the retrieval of phytoplankton size structure from measured light absorption spectra in the Mediterranean Sea (BOUSSOLE site)[J]. Applied Optics, 52(11): 2257-2273.

[25]
ROESLER C S, BARNARD A H, 2013. Optical proxy for phytoplankton biomass in the absence of photophysiology: rethinking the absorption line height[J]. Methods in Oceanography, 7: 79-94.

[26]
SIEBURTH J M, SMETACEKV, LENZ J, 1978. Pelagic ecosystem structure: heterotrophic compartments of the plankton and their relationship to plankton size fractions[J]. Limnology and oceanography, 23: 1256-1263.

[27]
SLADE W H, BOSS E, DALL’OLMO G, et al, 2010. Underway and moored methods for improving accuracy in measurement of spectral particulate absorption and attenuation[J]. Journal of Atmospheric and Oceanic Technology, 27(10): 1733-1746.

[28]
SULLIVAN J M, TWARDOWSKI M S, ZANEVELD J R V, et al, 2006. Hyperspectral temperature and salt dependencies of absorption by water and heavy water in the 400-750 nm spectral range[J]. Applied Optics, 45(21): 5294-5309.

[29]
SUN XUERONG, SHEN FANG, LIU DONGYAN, et al, 2018. In situ and satellite observations of phytoplankton size classes in the entire continental shelf sea, China[J]. Journal of Geophysical Research: Oceans, 123: 3523-3544.

[30]
UITZ J, CLAUSTRE H, MOREL A, et al, 2006. Vertical distribution of phytoplankton communities in open ocean: An assessment based on surface chlorophyll[J]. Journal of Geophysical Research: Oceans, 111(C8): C08005.

[31]
VIDUSSI F, CLAUSTRE H, MANCA B B, et al, 2001. Phytoplankton pigment distribution in relation to upper thermocline circulation in the eastern Mediterranean Sea during winter[J]. Journal of Geophysical Research: Oceans, 106(C9): 19939-19956.

[32]
WANG GUIFEN, CAO WENXI, YANG DINGTIAN, et al, 2008. Partitioning particulate absorption coefficient into contributions of phytoplankton and nonalgal particles: A case study in the northern South China Sea[J]. Estuarine, Coastal and Shelf Science, 78(3): 513-520.

[33]
WANG GUOQING, LEE Z, MISHRA D R, et al, 2016. Retrieving absorption coefficients of multiple phytoplankton pigments from hyperspectral remote sensing reflectance measured over cyanobacteria bloom waters[J]. Limnology and Oceanography: Methods, 14(7): 432-447.

[34]
WOLANIN A, SOPPA M, BRACHER A, 2016. Investigation of spectral band requirements for improving retrievals of phytoplankton functional types[J]. Remote Sensing, 8(10): 871.

[35]
ZHENG GUANGMING, STRAMSKI M, 2013. A model based on stacked-constraints approach for partitioning the light absorption coefficient of seawater into phytoplankton and non-phytoplankton components[J]. Journal of Geophysical Research: Oceans, 118(4): 2155-2174, doi: 10.1002/jgrc.20115.

Options
文章导航

/

〈 〉