Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2021 , Vol. 40 >Issue 6: 63 - 75

DOI: https://doi.org/10.11978/2020151

Marine Environmental Science

Interannual variation of subsurface chlorophyll maximum in the northern South China Sea

  • WANG Renzheng , 1, 2 ,
  • SHAN Zhengduo 1 ,
  • MENG Siyu 2 ,
  • GONG Xiang , 1
Expand
  • 1. School of Mathematics and Physics, Qingdao University of Science and Technology, Qingdao 266061, China
  • 2. College of Environmental Science and Engineering, Ocean University of China, Qingdao 266100, China
GONG Xiang. email:

Copy editor: LIN Qiang

Received date: 2020-12-24

  Revised date: 2021-03-09

  Online published: 2021-03-15

Supported by

National Natural Science Foundation(U1906215)

Copyright

Copyright reserved © 2021. Office of Acta Agronomica Sinica All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

Subsurface chlorophyll maxima (SCMs) are widely found in the global oceans. The layer of SCM accounts for a great proportion of marine primary productivity and new productivity. Studying the interannual variation of SCMs can deepen our understanding of marine ecosystems under climatic change. In this study, a one-dimensional physical-biological coupled model (MEM-1D) was used to simulate the vertical distribution of ocean temperature, salinity, nutrients, and chlorophyll in the northern South China Sea from 1994 to 2019. Based on numerical modeling results, we analyzed the interannual variations of SCM characteristics (intensity, depth and thickness) using three statistical methods from different aspects, i.e., overall trend, different time scales and significant changes. In general, the intensity of SCMs from 1994 to 2019 shows a slightly decreasing trend (the trend slope S<0). Specifically, the SCM intensity decreased from 1994 to 2004 ( decreased significantly from 1999 to 2004), while it increased from 2005 to 2012 and then decreased until 2019. The depth of SCMs showed a deepening tendency between 1994 and 2019 (the trend slope S>0), gradually becoming deeper from 1994 to 2011, and then shoaling; but the changing trend was not significant. The thickness of SCMs increased as a whole, and it had increased significantly since 1999. Correlation analysis showed no relationship between annually averaged sea-surface temperature (SST) and the characteristics of SCMs (P>0.05). The influence of SST on SCMs was mainly on the seasonal scale, and the depth and intensity of SCMs changed consistently with SST. The seasonal, autoregressively integrated moving average model has a good fit for the three characteristics of SCMs, with the mean absolute percentage errors of 5.33% for intensity, 0.62% for depth and 2.49% for thickness, indicating that the model can be used to predict the trend of SCM characteristics.

Key words： subsurface chlorophyll maximum; trend statistical analysis; time series model; numerical simulation; northern South China Sea

Cite this article

WANG Renzheng , SHAN Zhengduo , MENG Siyu , GONG Xiang . Interannual variation of subsurface chlorophyll maximum in the northern South China Sea[J]. Journal of Tropical Oceanography, 2021 , 40(6) : 63 -75 . DOI: 10.11978/2020151

*感谢编辑和审稿人对文章给予的意见和建议。
次表层叶绿素最大值(subsurface chlorophyll maxima, SCMs)是全球海洋生物剖面的显著共性之一, 是层化水体中叶绿素浓度最大值发生在次表层的一种现象。在热带、亚热带海域SCMs所贡献的初级生产力约占水体总初级生产力的30%~70%(Takahashi et al, 1984), 并且对海洋新生产力也有很大贡献。Hodges等(2004)研究发现在SCMs发生条件下新生产力的f比(新生产力在总初级生产力中的比例)增大了一倍, Hanson等(2007)在澳大利亚附近寡营养海域发现这一最大值层中f比约为7%~32%。而海洋新生产力反映了海洋真光层对大气中CO2的净吸收能力。因此研究SCMs现象, 特别是其年际变化对深入理解海洋生态系统在气候调节中的作用具有重要意义。
中国南海北部海域拥有十分复杂的环流体系、生态系统和水文特征(乐凤凤 等, 2006), 导致南海北部海域次表层叶绿素时空分布特征的多样性。众多学者开展了南海北部叶绿素垂直分布的研究, 如, 张钒 等(2000)基于观测数据分析了1997年8月台湾海峡南部SCMs特征因子的周日变化; 柯志新等(2013)研究了2008年8、9月份南海北部SCMs的空间分布特征及其影响因素; Lu等(2010)模拟研究了南海北部夏季SCMs深度、强度与上升流、生物平衡的关系; Gong等(2014)基于数值模拟研究了南海北部海盆区SCMs的季节变化。
尽管对南海北部海域SCMs现象已有一定认识, 但由于现场观测数据不足且SCMs发生在遥感可探测深度以外, 目前对SCMs年际变化的研究较少。数值模拟是研究SCMs的重要工具。本文采用一维物理—生态耦合模型模拟南海北部海盆区1994— 2019年海温、盐度、叶绿素等要素, 并基于模型结果, 采用3种统计方法(创新趋势分析、经验模态分解和Mann-Kendall突变检验)分别给出总体趋势、不同时间尺度变化过程及突变节点, 探讨了海水温度与SCMs特征因子的关系及影响机制, 最后利用时间序列模型对2020年3—11月SCMs特征因子的变化趋势进行预测。

1 数据和方法

1.1 数值模拟模型

本文采用的数值模型为一维物理-生态耦合模型(Modular Ecosystem Model-1D, MEM-1D)(Ricci et al, 2000)。生态模式采用的是欧洲区域性海洋生态系统模型(European Regional Sea Ecosystem Model, ERSEM), 详细过程见图1; 该模型已被成功应用于我国黄海与南海北部海洋生态系统的研究中(张冲 等, 2011; Gong et al, 2014; Butenschön et al, 2016; Pan et al, 2017)。
图1 European Regional Sea Ecosystem Model食物网结构

Fig. 1 Schematic of the trophic structure of European Regional Sea Ecosystem Model

物理模式采用的是一维普林斯顿海洋模型(Princeton Ocean Model, POM), 其中湍混合模型采用传统的2阶Mellor和Yamada湍流闭合模型(Mellor et al, 1982), 并采用夏洁等(2006)研究中关于POM模式的垂直涡动动量Kh和热混合系数Km的改进方案, 见公式1、2。
${{K}_{\text{h}}}^{\prime }={{K}_{\text{h}}}+2{{k}^{2}}{{g}^{-1}}\delta {{\beta }^{3}}{{W}^{3}}\exp (\frac{gz}{{{\beta }^{2}}{{W}^{2}}})$
${{K}_{\text{m}}}^{\prime }={{K}_{\text{m}}}+2P{{k}^{2}}{{g}^{-1}}\delta {{\beta }^{3}}{{W}^{3}}\exp (\frac{gz}{{{\beta }^{2}}{{W}^{2}}})$
式中: W为风速; k为卡曼常数, 取0.4; $\delta $为波陡, 取0.1; $\beta $为波龄, 取1.0; 重力加速度g取9.8m·s-2; P为与Richardson数有关的无量纲系数, 取0.1; Z为水深;${{K}_{\text{h}}}^{\prime }$、${{K}_{\text{m}}}^{\prime }$为考虑海浪作用后的垂直混合系数。
模拟区域为南海北部海盆区(南海18°N以北且水深大于1000m的区域)。模型水深取南海的平均深度1200m, 垂直方向上划分为上密下疏的40层。时间步长为216s。模型模拟时间为1990—2019年(其中1990—1993年为模型spin-up时间)。模型采用南海北部SEATS(South East Asian Time-series Study)站(18°N, 116°E)的温度、盐度、营养盐浓度和叶绿素浓度多年平均观测数据作为初始条件, 外强迫主要考虑风与太阳辐射, 均采用SEATS站附近1990—2019年数据, 其中海表风速、净长波辐射通量与净短波辐射通量来自NCEP再分析数据集, 潜热通量与显热通量通过COARE算法(Fairall et al, 1996)计算得到。本文模型参数主要来自ERSEM中的常用参数, 部分选自南海及邻近海域的研究结果, 具体参数见表1—4。
表1 ERSEM模型基本参数的取值

Tab. 1 Values of basic parameters of ERSEM model

参数 单位 取值 参考文献
光透射系数k m-1 0.05 Chen et al, 2004; Chen, 2005
温度系数Q10 d-1 2.0 Vichi et al, 2007
Von Karman常数 – 0.4 Vichi et al, 2007
科氏参数 – 5.592×10-5 –
Redfield N:C Mmol N·mg-1 C-1 0.0126 Vichi et al, 2007
Redfield P:C mmol P·mg- C-1 0.768×10-3 Vichi et al, 2007

注: “—”表示无单位或参考文献, 表2—4同。

表2 浮游植物参数的取值

Tab. 2 Values of phytoplankton parameters

参数 单位 取值
硅藻 鞭毛藻 微微型浮游植物 参考文献
最大生长率(10℃) d-1 2.1 2.1 2.1 Liu et al, 2002; Liu et al, 2007
呼吸率(10℃) d-1 0.15 0.1 0.1 Allen et al, 1998
排泄率 – 0.05 0.2 0.2 Vichi et al, 2007
最小N:C mmol N·mg-1 C-1 0.00687 0.00687 0.00687 Vichi et al, 2007
最大N:C mmol N·mg-1 C-1 0.0252 0.0252 0.0252 Vichi et al, 2007
最小P:C mmol P·mg-1 C-1 0.428×10-3 0.428×10-3 0.428×10-3 Vichi et al, 2007
最大P:C mmol P·mg-1 C-1 0.157×10-2 0.157×10-2 0.157×10-2 Vichi et al, 2007
对NO3的吸收速率 mg-1 C-1·d-1 0.0025 0.0025 0.0025 Vichi et al, 2007
对NH4的吸收速率 mg-1 C-1·d-1 0.0025 0.01 0.02 Vichi et al, 2007
对PO4的吸收速率 mg-1 C-1·d-1 0.0025 0.0025 0.0025 Vichi et al, 2007
沉降速率 m·d-1 1.0 0.5 0.1 Lu et al, 2010
最小溶解率 d-1 0.05 0.05 0.05 Vichi et al, 2007
Si摄入常数 mmol Si·m-3 0.3 – – Vichi et al, 2007
标准Si:C mmol Si·mg-1 C-1 0.03 – – Vichi et al, 2007
叶绿素a的转换因子 mg C·mg-1 Chl-a-1 25.0 50.0 50.0 Vichi et al, 2007
表3 浮游动物参数的取值

Tab. 3 Values of zooplankton parameters

参数 单位 取值 参考文献
异养鞭毛藻 微型浮游动物 中型浮游动物
最大生长率(10℃) d-1 1.0 0.5 1.0 Liu et al, 2007; Vichi et al, 2007
同化作用效率 – 0.4 0.5 0.5 Vichi et al, 2007
呼吸率(10℃) d-1 0.02 0.02 0.02 Vichi et al, 2007
排泄率 – 0.5 0.5 0.5 Vichi et al, 2007
死亡率 d-1 0.25 0.25 0.2 Vichi et al, 2007
最大N:C mmol N·mg-1 C-1 0.0167 0.0167 – Vichi et al, 2007
最大P:C mmol P·mg-1 C-1 0.001 0.001 – Vichi et al, 2007
表4 细菌和碎屑参数的取值

Tab. 4 Values of bacteria and debris parameters

参数 单位 取值 参考文献
细菌最大生长率 d-1 8.38 Vichi et al, 2007
细菌呼吸率(10℃) d-1 0.02 Vichi et al, 2007
细菌磷元素摄入的m氏常数 mmol P·m-3 0.05 Vichi et al, 2007
细菌氮元素摄入的m氏常数 mmol N·m-3 0.5 Vichi et al, 2007
细菌氧限制的半饱和值 – 0.31 Vichi et al, 2007
细菌死亡率 d-1 0.05 Vichi et al, 2007
碎屑分解率 d-1 0.01 Vichi et al, 2007
碎屑相对硝化率 d-1 0.05 Vichi et al, 2007
碎屑C:N(Redfield) – 6.62 Vichi et al, 2007

1.2 统计方法

本文采用多种统计方法, 从不同角度分析SCMs特征因子的年际变化特征。
1) 创新趋势分析(innovative trend analysis, ITA)是Şen(2012)提出的一种新型趋势检验方法。该方法的步骤为: 将一个时间序列等分为第一、第二两个子序列(若序列长度为奇数, 等分时不考虑第一项), 将各子序列按照升序排列后将其分别放置于笛卡尔坐标系x, y轴, 通过观察数据点在1:1线附近的分布来判断数据趋势。趋势斜率${{x}_{n}}$可用于判断变化趋势, ITA指数D(Wu et al, 2017)可用于判断趋势变化幅度(计算如式3)。
$\left\{ \begin{matrix} S=\frac{2({{{\bar{y}}}_{i}}-{{{\bar{x}}}_{i}})}{n} \\ D=\frac{1}{n}\left| \sum\nolimits_{i=1}^{n}{\frac{10({{y}_{i}}-{{x}_{i}})}{{{{\bar{x}}}_{i}}}} \right| \\\end{matrix} \right.$
式中: ${{x}_{i}}$为第一序列对应数值, ${{y}_{i}}$为第二序列对应数值, ${{\bar{x}}_{i}}$为第一序列的平均数, ${{\bar{y}}_{i}}$为第二序列的平均数, n为子序列数据长度。
2) 经验模态分解(empirical mode decomposition, EMD)由Huang等(1998)提出, 被广泛应用于趋势项提取、海洋数据分析(姜浩 等, 2018)、降雨量时间序列分析(陈国鼎 等, 2018)等问题。该方法的实质是不断地从数据中分解出高频分量, 并把剩下的低频分量作为新数据继续分解的过程。被分解出的高频分量被称作本征模态函数(intrinsic mode function, IMF), 其包含了原数据在不同时间尺度上的局部特征, 而最后无法继续分解的数据被称为残差(residual, RES), 通常情况下代表原始时间序列数据的趋势项。原始时间序列数据$x(n)$可以表示为:
$x(n)=\sum\nolimits_{i=1}^{t}{{{c}_{i}}(n)+{{r}_{t}}(n)}$
式中${{c}_{i}}(n)$为数据在第i时间尺度上的本征模态函数(IMF), ${{r}_{t}}(n)$为数据分解后的残差(RES)。
对于各不同时间尺度的本征模态函数, 其变化周期T可通过计算IMF平均频率$\omega $(式5)求得(Flandrin et al, 2004)。
$\omega =\frac{N-1}{L}$
式中: N为IMF分量与x轴交点个数, L为第一交点与最后交点之间的距离。T为$\omega $的倒数。
3) Mann-Kendall(M-K)突变检验是世界气象组织推荐并已被广泛使用的时间序列分析方法, 可以用于判断气候序列中是否存在气候突变, 如果存在, 可确定出突变发生的时间。Mann-Kendall检验法也经常用于气候变化影响下的降水、干旱频次趋势检测。该方法最初由H. B. Mann和M. G. Kendall提出(Mann, 1945; Kendall, 1975), 其原理为: 对于时间序列数据${{x}_{n}}$, 构造一个秩序列${{r}_{i}}(i=2,3,\cdots,n-1)$, 定义${{r}_{i}}$为: 针对${{x}_{i}}$所有满足$j\le i$且${{x}_{j}}<{{x}_{i}}$的数据${{x}_{j}}$的个数, 由此定义统计量${{S}_{k}}$:
${{S}_{k}}=\sum\nolimits_{i=1}^{k}{{{r}_{i}},k=2,3,\cdots,n}$
在满足时间序列独立且随机的前提下定义统计量(式7), 再将原序列数据逆序重新排列, 重复上述步骤构建新统计量。当时间序列为正序时, 统计量用UFk表示; 逆序时用UBk表示。根据UFk和UBk绘图曲线来判断数据趋势变化与突变点
$U{{F}_{k}}(U{{B}_{k}})=\frac{{{S}_{k}}-E({{S}_{k}})}{\sqrt{\text{var}({{S}_{k}})}},2\le k\le n$
其中$E({{S}_{k}})=\frac{k(k-1)}{4}$, $\text{var}({{S}_{k}})=\frac{k(k-1)(2k+5)}{72}$。

1.3 时间序列模型

差分整合移动平均自回归(auto regressive integrated moving average, ARIMA)模型是由Box等(1970)提出的一种随机时间序列预测分析方法。该方法利用外推机制描述时间序列的变化, 是最小方差意义下一种精度较高的时序短期预测方法。为了处理具有周期性或季节性时间序列数据, 在ARIMA模型的基础上拓展出了季节性差分自回归滑动平均(seasonal autoregressive integrated moving average, SARIMA)模型(Box等, 1970)。SARIMA模型是在假定季节相关和普通相关的交互作用下建立的乘法模型, 可以表示为SARIMA(p, d, q)×(P, D, Q)s。 模型一般形式如下式:
${{\phi }_{p}}(B){{\Phi }_{P}}({{B}^{S}}){{(1-B)}^{d}}{{(1-{{B}^{S}})}^{D}}{{y}_{t}}={{\theta }_{q}}(B){{\Theta }_{Q}}({{B}^{S}}){{\mu }_{t}}$
式中${{y}_{t}}$为时间序列, ${{\mu }_{t}}$为随机项; ${{\phi }_{p}}(B)$、${{\Phi }_{P}}({{B}^{S}})$分别为非季节与季节的自回归部分; (1-B)d、(1-Bs)D分别为非季节与季节的差分部分; ${{\theta }_{q}}(B)$、${{\Theta }_{Q}}({{B}^{S}})$分别为非季节与季节的移动平均部分。

1.4 SCMs特征因子定义

Lewis等(1983)最早提出了通过高斯函数拟合将海洋中叶绿素浓度垂直分布数据参数化的方法, 这为SCMs的解析计算奠定了理论基础。由于上混合层内叶绿素垂直分布较为均匀, 而SCMs多发生在上混合层以深, 本文采用分段函数拟合真光层中叶绿素浓度ρ的垂直分布(Gong et al, 2014):
$\rho (z)=\left\{ \begin{matrix} {{\rho }_{0}},0<z\le {{z}_{\text{s}}} \\ \frac{h}{\sqrt{2\text{ }\!\!\pi\!\!\text{ }}\sigma }\exp (-\frac{{{(z-{{z}_{\text{m}}})}^{2}}}{2{{\sigma }^{2}}}),{{z}_{\text{s}}}<z<{{z}_{\text{e}}} \\\end{matrix} \right.$
式中h是叶绿素浓度在区间[zs, ze]的垂直积分值, z代表水深(非负值), zs与${{\rho }_{0}}$均为常数, 分别为叶绿素浓度均匀分布处的最大水深和叶绿素浓度, $\sigma $为高斯分布的标准差, ze为真光层深度。SCMs深度定义为叶绿素浓度最大值所处水深(zm)。SCMs强度为次表层叶绿素浓度最大值($h/\sqrt{2\pi }\sigma $)。SCMs厚度为SCMs上下边界(满足${{\partial }^{2}}\rho (z)/\partial {{z}^{2}}=0$条件处)之间的水深(一般情况下为$2\sigma $, 当上混合层深度低于上边界时, 计算时需减去两者之间的差值)。

1.5 数据来源

MEM-1D模型的输入数据共分为3组: 1990— 2019年海水温度和盐度的月数据, 来自SODA和Argo数据集(http://apdrc.soest.hawaii.edu/data/data.php); 1990—2019年的日气象数据(包括风、太阳辐射和气温等数据)和1990年的模型初始数据, 两者均根据SEATS站位经纬度取自NCEP再分析数据集(https://www.esrl.noaa.gov/psd/data/gridded/data.ncep.reanalysis.html)。模型验证数据为南海北部SEATS站位在2000、2003和2004年的观测数据, 包括海水温度、盐度和叶绿素浓度垂直分布数据(Liu et al, 2007)。

2 结果与讨论

2.1 模型验证

为了验证MEM-1D模型, 将模拟结果与南海SEATS站观测数据进行比较(如图2—4)。基于南海北部海域冬季SCMs现象不明显, 本文不分析南海北部12月、1月和2月的SCMs情况。
图2 海温模拟观测数据对比

Fig. 2 Comparison of simulated and observed ocean temperature

图3 盐度模拟观测数据对比

Fig. 3 Comparison of simulated and observed ocean salinity

图4 叶绿素浓度模拟观测数据对比

Fig. 4 Comparison of simulated and observed chlorophyll concentrations

由图2、3可知, 温度和盐度的模拟数据整体与观测数据较为吻合, 偏差主要集中在表层盐度, 这可能与所用模式没有考虑海表输入有关。MEM-1D模式较好地再现了南海北部海盆区的SCMs现象(图4), 反映了SCMs的季节变化和不同年份间差异, 特别是SCMs深度与实际基本一致, 主要位于60~80m范围内。但模式对SCMs强度的模拟存在一定偏差, 如2000年7月和10月SCMs强度较实际偏小约0.15mg·m-3, 而2004年春季则略偏大, 这可能与SCMs在不同站位的差异有关。本文所采用的分段函数能有效拟合上混合层以深的叶绿素垂直分布(图4), 得到SCMs特征值。

2.2 SCMs特征因子年际变化的统计分析

2.2.1 创新趋势分析
对1994—2019年SCMs特征因子数据进行创新趋势分析(ITA), 结果如图5。
图5 SCMs特征因子趋势的创新趋势分析

Fig. 5 Trend of SCM characteristics by innovative trend analysis

由图5可知, 1994—2019年期间SCMs的深度和厚度均呈上升趋势, 而强度的散点在y=x直线上下分布为6:7, 呈较弱的减小趋势; 值得注意的是图中厚度的低值区表现出十分明显的上升趋势(高低区域以横坐标平均线为界, 以垂直虚线表示)。特征因子的总趋势与趋势斜率(强度斜率为-9.5×10-5、深度斜率为3.5×10-3、厚度斜率为1.8×10-3)相吻合。SCMs强度、深度和厚度的ITA指数分别为0.03、0.05和0.07, 故在1994—2019年SCMs厚度变化幅度最大, 深度次之, 强度最小。
2.2.2 经验模态分解分析
对1994—2019年SCMs特征因子数据进行经验模态分解分析, 结果如图6—8。
图6 SCMs强度变化的经验模态分解

Fig. 6 Variation of SCM intensity by empirical mode decomposition

图7 SCMs深度变化的经验模态分解

Fig. 7 Variation of SCM depth by empirical mode decomposition

图8 SCMs厚度变化的经验模态分解

Fig. 8 Variation of SCM thickness by empirical mode decomposition

由式5计算可得, 强度IMF分量的时间尺度分别为2、5、10、18、44个月。图6中IMF3近似体现了强度年际变化过程: 在1994—2006年趋势变化较为平缓, 2006—2011年趋势变化较大, 2011—2018年趋势变化再次减缓。IMF5近似体现了强度以9年为周期的年代际变化过程。由RES部分可知, SCMs强度在1994—2004年有一定幅度的下降, 在2004—2012年趋势逐渐上升, 在2012—2019年趋势再次下降。
由式5计算可得, SCMs深度的4个IMF分量时间尺度分别为4、11、16、48个月。图7中IMF2近似体现了深度年际变化过程: 在1994—2004和2009—2015年呈波动变化, 在2004—2009和2015—2019年趋势较为平缓。IMF4近似体现了深度年代际变化过程: 在1994—2005年不断变深, 在2005—2019年呈现周期波动。由RES部分可知: SCMs深度先变深(1994—2011年), 后变浅(2011—2019年)。
由式5计算可得, 厚度IMF分量的时间尺度分别约为2、4、10、25、43、115个月。图8中IMF3近似表现了厚度的年际变化过程: 1994—2009、2011—2019年呈现较稳定的周期波动, 但在2009—2011年维持在较低水平。IMF5近似表现了厚度年代际变化过程: 1994—2002年不断变大, 2002—2008年逐渐变小, 2008—2019年维持平稳。由RES部分可知, 1994—2019年SCMs厚度呈增大趋势。
2.2.3 M-K突变检验分析
对1994—2019年SCMs特征因子数据进行Mann-Kendall突变检验, 结果如图9。
图9 SCMs特征因子变化趋势的M-K法分析

Fig. 9 Trend of SCM characteristics by M-K mutation test

由图9可知, 厚度在1996年产生突变(突变点位于95%置信区间内), 整体呈上升趋势(UF>0), 且于1997年起上升趋势显著(通过显著水平α=0.05的检验); 强度于1994年起点处存在交点, 经改变时间尺度(1994— 2003年)后做M-K突变检验发现, 该交点不成为突变点, 1994—2019年SCMs强度呈下降趋势(UF<0), 且1999—2004年明显减小; SCMs深度变化不存在突变点, 整体呈上升趋势(UF>0), 1994—1997年上升趋势不明显, 之后呈显著上升趋势。
综合上述结果可以看出, 在1994—2019年SCMs深度、厚度整体均为上升趋势, 而强度下降趋势不明显; SCMs强度在2006—2011年有相对较大的减小趋势, 深度在1994—2004和2009—2015年变化相对较大, 厚度在2009—2011年维持在较低水平; 厚度在1996年产生突变并于1997年变为显著上升趋势。

2.3 SCMs特征因子与海温关系

为理解气候变化相关因素对SCMs的影响, 本文讨论海水温度(表面与深层海温)与SCMs特征因子的关系。年际变化上, 相关分析结果显示, 海表面温度SST与SCMs三个特征因子均不存在相关关系(P>0.05)。由SST与SCMs三个特征因子标准化后的年际变化序列(图10)可见, 在厄尔尼诺影响下, 1998年和2016年南海北部海盆区SST显著升高, 但SCMs 三个特征因子变化较小。这表明气候变化导致的海表面升温可能对次表层浮游植物的生长影响不大。
图10 SCMs特征因子与海表温度标准化值的年际变化

Fig. 10 Interannual variation of standardized value of SCM characteristics and SST

月份变化上, SCMs深度、强度均与海表面温度SST呈显著的正相关关系(r分别为0.79、0.49, P<0.001, 图11), 而SCMs厚度与SST不存在相关关系(P>0.05)。特别是春季和秋季, 随SST增加, SCMs深度显著变深(r分别为0.86、0.81, P<0.001, 表1), SCMs强度也显著变大(r分别为0.51, 0.69, P<0.001, 表5)。这可能是由于海表温度上升, 次表层海水密度变小(Midhun shah et al, 2020), 更多表层浮游植物沉降到次表层(Fennel et al, 2003), 导致SCMs强度变大, 深度变深; 同时由于海表升温使得密度分层得到加强, 上混合层深度变浅, 营养盐垂直向上混合层的输送减少, 表层浮游植物生长受到限制(Lewandowska et al, 2014; Meng et al, 2021), 这使得次表层水体中光合有效辐射增强, 因此SCMs深度和强度随之增加。夏季SCMs强度和深度与SST不存在显著相关性或相关性较小, 这可能是由于夏季南海北部海盆区温度较高, 当温度超过一定范围时, 对浮游植物生长的影响较小, 同时由于夏季光辐射较强, 从而导致光抑制作用。而SCMs厚度主要受浮游植物种群结构、生物特性及次表层水体湍混合强度等因素影响(Beckmann et al, 2007; Gong et al, 2015), 与SST不存在相关性(Midhun shah et al, 2020)。
表5 SST与SCMs特征因子的相关性

Tab. 5 Correlations between SST and SCM characteristics

季节 SCMs特征因子 与SST相关性参数
P r
春季 强度 < 0.001 0.51*
深度 < 0.001 0.86*
厚度 – –
夏季 强度 0.06 –
深度 0.02 0.26*
厚度 – –
秋季 强度 < 0.001 0.69*
深度 < 0.001 0.81*
厚度 – –

注: *表示显著相关, –表示不相关, 表6同

图11 海表面温度与SCMs强度、深度的线性相关关系

Fig. 11 Linear correlations of SST with the intensity and depth of SCMs

为了进一步探讨海水温度与SCMs特征因子的相关关系, 选取深层海温(SCMs上边界处、深度处和下边界处海水温度, 各处水深取历年平均值为59、75和91m)与特征因子进行相关性分析, 结果见表6。
表6 深层海温与SCMs特征因子的相关性

Tab. 6 Correlations between deep-sea temperature and SCM characteristics

位置 SCMs特征因子 与海温相关性参数
P r
上边界处 强度 0.01 -0.17*
深度 0.02 0.16*
厚度 0.002 0.20*
深度处 强度 0.07 –
深度 0.24 –
厚度 0.50 –
下边界处 强度 0.30 –
深度 0.35 –
厚度 0.44 –
由表6可知, SCMs特征因子仅与SCMs上边界处海水温度存在显著相关性(P<0.05), 但相关系数较小, 强度与其呈负相关, 深度和厚度与其呈正相关, 这表明混合层以深的水温对SCMs影响不大。南海北部海盆区混合层深度除冬季外均较浅, 约20~40m(Tseng et al, 2005), 而叶绿素峰值多发生60~80m, SCMs厚度约30m, 其上边界多位于混合层以深15m处, 上边界处海温增加, 意味着上混合层对营养盐的向上卷挟较多, 次表层浮游植物可在更大范围内快速生长, SCMs厚度变大, 峰值减小(Beckman et al, 2007)。

2.4 时间序列模型预测

本文首先利用1994–2018年SCMs特征因子的月平均值, 根据贝叶斯信息准则(Bayesian information criterion, BIC)得到SCMs特征因子的最优SARIMA模型, 结果显示: SCMs强度SARIMA模型为 (0,0,1)×(0,1,1)9、深度SARIMA模型为(0,0,1)×(0,1,1)9、厚度为SARIMA(0,0,0)×(0,1,1)9。
利用所得的SARIMA模型预测2019年SCMs特征因子变化趋势, 并采用平均绝对百分比误差(mean absolute percentage error, MAPE)这一指标来评估模型结果(式10), 可得SCMs特征因子的MAPE分别为5.33%(强度)、0.62%(深度)、2.49%(厚度), 表明SARIMA模型可用于SCMs特征因子的预测分析。
$\text{MAPE}=\frac{1}{T}\sum\nolimits_{t=1}^{T}{\left| \frac{{{{\hat{y}}}_{t}}-{{y}_{t}}}{{{y}_{t}}} \right|}\times 100%$
式中: T为预测时间, ${{\hat{y}}_{t}}$为t时刻的预测值, ${{y}_{t}}$为t时刻的实际值。
为预测2020年3—11月SCMs特征因子的变化情况, 本文利用1994—2019年SCMs特征因子的月平均值, 再次根据贝叶斯信息准则确定三个特征因子的最优SARIMA模型(与1994—2018年模型相同)。预测结果如图12。如图12所示, 2020年3—11月SCMs强度、深度和厚度的预测值与历史值相差不大, 其极大值与极小值发生的时间基本与历史同期, 表明SARIMA模型可用于对SCMs特征因子的预测。
图12 1994–2020年SCMs强度、深度与厚度的回归拟合及预测

Fig. 12 Regression fitting and prediction of the intensity, depth and thickness of SCMs from 1994 to 2020

3 结论

本文利用MEM-1D模型模拟了1994—2019年南海北部海盆区SCMs现象, 并对模拟结果进行了统计分析, 得到了SCMs特征因子的年际变化特征, 并探讨了SCMs特征因子变化与海水温度的关系。
在1994—2019年, 深度、厚度整体均为上升趋势而强度为下降趋势, 厚度在1996年开始突变并于1997年变为显著上升趋势。具体表现为, SCMs强度在1994—2004年逐渐变小, 2004—2012年不断增加, 而在2012—2019年强度再次减小; 深度在1994— 2011年不断变深, 在2011—2019年略微变浅; SCMs 厚度在1994—2019年呈持续上升趋势。年际变化上, 海表面温度与SCMs特征因子间不存在相关性, 表明在南海北部海盆区, 气候变化导致的海表面升温对SCM层的浮游植物生长影响不大。但在月份变化上, SCMs强度和深度与海表温度之间均为显著正相关关系, 特别在春季和秋季, 当海表温度上升时SCMs强度增加、深度变深。深层海温与SCMs特征因子基本不具有相关性。最后采用SARIMA模型对2020年3—11月的SCMs特征因子变化做出了预测, 模型评估误差小于10%且预测值与历史同期相近, 表明SARIMA模型可用于预测SCMs特征因子变化趋势。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈国鼎, 荆海晓, 李小宝, 等, 2018. 基于经验模态分解与传统水文分析法的降雨序列研究[J]. 水利水电技术, 49(11):8-14.

CHEN GUODING, JING HAIXIAO, LI XIAOBAO, et al, 2018. Study on rainfall time series based on empirical mode decomposition and traditional hydrological methods[J]. Water Resources and Hydropower Engineering, 49(11):8-14 (in Chinese with English abstract).

[2]
姜浩, 赵中阔, 樊伟, 等, 2018. 基于经验模态分解和小波分解估算海气通量涡相关计算中的截断时间尺度[J]. 海洋与湖沼, 49(6):1138-1150.

JIANG HAO, ZHAO ZHONGKUO, FAN WEI, et al, 2018. Estimate of cutoff time scale in the eddy covariance method for air-sea flux based on empirical mode decomposition and wavelet decomposition[J]. Oceanologia et Limnologia Sinica, 49(6):1138-1150 (in Chinese with English abstract).

[3]
柯志新, 黄良民, 谭烨辉, 等, 2013. 2008年夏末南海北部叶绿素a的空间分布特征及其影响因素[J]. 热带海洋学报, 32(4):51-57.

KE ZHIXIAN, HUANG LIANGMIN, TAN YEHUI, et al, 2013. Spatial distribution of chlorophyll a and its relationships with environmental factors in northern South China Sea in late summer 2008[J]. Journal of Tropical Oceanography, 32(4):51-57 (in Chinese with English abstract).

[4]
乐凤凤, 宁修仁, 2006. 南海北部浮游植物生物量的研究特点及影响因素[J]. 海洋学研究, 24(2):60-69.

LE FENGFENG, NING XIUREN, 2006. Variations of the phytoplankton biomass in the northern South China Sea[J]. Journal of Marine Sciences, 24(2):60-69 (in Chinese with English abstract).

[5]
夏洁, 高会旺, 2006. 南黄海东部海域浮游生态系统要素季节变化的模拟研究[J]. 安全与环境学报, 6(4):59-65.

XIA JIE, GAO HUIWANG, 2006. Simulation on seasonal cycle vertical structure of plankton ecosystem in eastern area of South Yellow Sea[J]. Journal of Safety and Environment, 6(4):59-65 (in Chinese with English abstract).

[6]
张冲, 史洁, 高会旺, 等, 2011. 南海北部浮游生态系统要素季节变化的模拟研究[J]. 中国海洋大学学报, 41(3):11-18.

ZHANG CHONG, SHI JIE, GAO HUIWANG, et al, 2011. Numerical study on seasonal variations of the vertical structures of the plankton ecosystem in the northern area of South China Sea[J]. Periodical of Ocean University of China, 41(3):11-18 (in Chinese with English abstract).

[7]
张钒, 阮五崎, 黄邦钦, 2000. 台湾海峡南部叶绿素A最大值的研究[J]. 厦门大学学报(自然科学版), 39(5):664-668.

ZHANG FAN, RUAN WUQI, HUANG BANGQIN, 2000. A study of chlorophyll a maximum in the southern part of the Taiwan Strait[J]. Journal of Xiamen University (Natural Science), 39(5):664-668 (in Chinese with English abstract).

[8]
ALLEN J I, BLACKFORD J C, RADFORD P J, 1998. An 1-d vertically resolved modelling study of the ecosystem dynamics of the middle and southern Adriatic sea[J]. Journal of Marine Systems, 18(1-3):265-286.

DOI

[9]
BECKMANN A, HENSE I, 2007. Beneath the surface: characteristics of oceanic ecosystems under weak mixing conditions - a theoretical investigation[J]. Progress in Oceanography, 75(4):771-796.

DOI

[10]
BOX G E P, JENKINS G M, 1970. Time series analysis: forecasting and control[M]. San Francisco: Holden-Day: 131-133.

[11]
BUTENSCHÖN M, CLARK J, ALDRIDGE J A, et al, 2016. ERSEM 15.06: a generic model for marine biogeochemistry and the ecosystem dynamics of the lower trophic levels[J]. Geoscientific Model Development, 9(4):1293-1339.

DOI

[12]
CHEN Y L L, CHEN H Y, KARL D M, et al, 2004. Nitrogen modulates phytoplankton growth in spring in the south china sea[J]. Continental Shelf Research, 24(4-5):527-541.

DOI

[13]
CHEN Y L L, 2005. Spatial and seasonal variations of nitrate-based new production and primary production in the south china sea[J]. Deep Sea Research Part I: Oceanographic Research Papers, 52(2):319-340.

DOI

[14]
FAIRALL C W, BRADLEY E F, ROGERS D P, et al, 1996. Bulk parameterization of air‐sea fluxes for tropical ocean‐global atmosphere coupled‐ocean atmosphere response experiment[J]. Journal of Geophysical Research: Oceans, 101(C2):3747-3764.

[15]
FENNEL K, BOSS E, 2003. Subsurface maxima of phytoplankton and chlorophyll: steady-state solutions from a simple model[J]. Limnology and Oceanography, 48(4):1521-1534.

DOI

[16]
FLANDRIN P, GONÇALVÈS P, 2004. Empirical mode decompositions as data-driven wavelet-like expansions[J]. International Journal of Wavelets, Multiresolution and Information Processing, 2(4):477-496.

DOI

[17]
GONG X, SHI J, GAO H W, et al, 2015. Steady-state solutions for subsurface chlorophyll maximum in stratified water columns with a bell-shaped vertical profile of chlorophyll[J]. Biogeosciences, 12(4):905-919.

DOI

[18]
GONG XIANG, SHI JIE, GAO HUIWANG, 2014. Modeling seasonal variations of subsurface chlorophyll maximum in South China Sea[J]. Journal of Ocean University of China, 13(4):561-571.

DOI

[19]
HANSON C E, WAITE A M, THOMPSON P A, et al, 2007. Phytoplankton community structure and nitrogen nutrition in Leeuwin Current and coastal waters off the Gascoyne region of Western Australia[J]. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 54(8-10):902-924.

[20]
HODGES B A, RUDNICK D L, 2004. Simple models of steady deep maxima in chlorophyll and biomass[J]. Deep Sea Research Part I: Oceanographic Research Papers, 51(8):999-1015.

DOI

[21]
HUANG N E, SHEN ZHENG, LONG S R, et al, 1998. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 454(1971):903-995.

DOI

[22]
KENDALL M G, 1975. Rank correlation methods[M]. 4th ed. London: Griffin.

[23]
LEWANDOWSKA A M, BOYCE D G, HOFMANN M, et al, 2014. Effects of sea surface warming on marine plankton[J]. Ecology Letters, 17(5):614-623.

DOI

[24]
LEWIS M R, CULLEN J J, PLATT T, 1983. Phytoplankton and thermal structure in the upper ocean: consequences of nonuniformity in chlorophyll profile[J]. Journal of Geophysical Research: Oceans, 88(C4):2565-2570.

[25]
LIU K K, CHAO S Y, SHAW P T, et al, 2002. Monsoon-forced chlorophyll distribution and primary production in the South China Sea: Observations and a numerical study[J]. Deep Sea Research Part I: Oceanographic Research Papers, 49(8):1387-1412.

DOI

[26]
LIU K K, CHEN YINGJIE, TSENG C M, et al, 2007. The significance of phytoplankton photo-adaptation and benthic-pelagic coupling to primary production in the South China Sea: observations and numerical investigations[J]. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 54(14-15):1546-1574.

[27]
LU ZHONGMING, GAN JIANPING, DAI MINHAN, et al, 2010. The influence of coastal upwelling and a river plume on the subsurface chlorophyll maximum over the shelf of the northeastern South China Sea[J]. Journal of Marine Systems, 82(1-2):35-46.

DOI

[28]
MANN H B, 1945. Nonparametric tests against trend[J]. Econometrica, 13(3):245-259.

DOI

[29]
MELLOR G L, YAMADA T, 1982. Development of a turbulence closure model for geophysical fluid problems[J]. Reviews of Geophysics, 20(4):851-875.

DOI

[30]
MENG SIYU, GONG XUN, YU YANG, et al, 2021. Strengthened ocean-desert process in the North Pacific over the past two decades[J]. Environmental Research Letters, 16(2):024034.

DOI

[31]
MIDHUN SHAH H, SMITHA B R, HATHA A A M, et al, 2020. Subsurface chlorophyll maxima in the North Eastern Arabian sea: simulation on impact of warming[J]. Ecological Indicators, 110:105858.

DOI

[32]
PAN SHANSHAN, SHI JIE, GAO HUIWANG, et al, 2017. Contributions of physical and biogeochemical processes to phytoplankton biomass enhancement in the surface and subsurface layers during the passage of Typhoon Damrey[J]. Journal of Geophysical Research: Biogeosciences, 122(1):212-229.

DOI

[33]
RICCI L, PINARDI N, ZAVATARELLI M, et al, 2000. Numerical modelling of the Mediterranean Sapropel S1 ecosystem structure[J]. GeoLines Journal, 11:20-23.

[34]
ŞEN Z, 2012. Innovative trend analysis methodology[J]. Journal of Hydrologic Engineering, 17(9):1042-1046.

DOI

[35]
TAKAHASHI M, HORI T, 1984. Abundance of picophytoplankton in the subsurface chlorophyll maximum layer in subtropical and tropical waters[J]. Marine Biology, 79(2):177-186.

DOI

[36]
TSENG C M, WONG G T F, LIN I I, et al, 2005. A unique seasonal pattern in phytoplankton biomass in low-latitude waters in the South China Sea[J]. Geophysical Research Letters, 32(8):L08608.

[37]
VICHI M, PINARDI N, MASINA S, 2007. A generalized model of pelagic biogeochemistry for the global ocean ecosystem. Part I: Theory[J]. Journal of Marine Systems, 64(1-4):89-109.

DOI

[38]
WU HAO, QIAN HUI, 2017. Innovative trend analysis of annual and seasonal rainfall and extreme values in Shaanxi, China, since the 1950s[J]. International Journal of Climatology, 37(5):2582-2592.

DOI

Options
Outlines

/

〈 〉