Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2018 , Vol. 37 >Issue 5: 74 - 85

DOI: https://doi.org/10.11978/2018017

Orginal Article

Characterization of particle size distribution in the South China Sea basin during summer 2016

  • ZHENG Wendi , 1, 2 ,
  • ZHOU Wen , 1 ,
  • CAO Wenxi 1 ,
  • WANG Guifen 1, 3 ,
  • DENG Lin 1, 2 ,
  • XU Wenlong 1, 2 ,
  • XU Zhantang 1 ,
  • LI Cai 1 ,
  • CAI Jiannan 4
Expand
  • 1. State Key Laboratory of Tropical Oceanography (South China Sea Institute of Oceanology, Chinese Academy of Sciences), Guangzhou 510301, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. College of Oceanography, Hohai University, Nanjing 210098, China
  • 4. State Key Laboratory of Marine Environmental Science (Xiamen University), Xiamen 361005, China;
Corresponding author: ZHOU Wen. E-mail:

Received date: 2018-02-08

  Request revised date: 2018-04-09

  Online published: 2018-10-13

Supported by

National Natural Science Foundation of China (41576030, 41431176, 4176045, 4176044, 41376042)

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

Science and Technology Program of Guangzhou, China (201504010034, 201707020023, 201607020041)

Science and Technology Planning Project of Guangdong Province of China (2016A020222008)

Strategic Priority Programme of the Chinese Academy of Sciences (XDA11040302)

Copyright

热带海洋学报编辑部
Fold

Abstract

Particle size distribution (PSD) describes the relationship between particle concentration and particle size, influencing marine ecosystem environment, the optical properties of sea water, and so on. Based on the in-situ profiles of biological and optical properties during summer 2016 in the South China Sea basin, characterization of PSD was studied. The power-law model was fit to describe the PSD, and the results indicated that the mean coefficient of determination between in-situ PSD and simulated PSD could reach 0.95 in the logarithmic space. The PSD slope (ξ) ranged in [1.27, 7.65] with a mean of 3.93±0.56. The mean of ξ in the surface water of the South China Sea basin was similar to the mean of ξ in global ocean surface water, but higher than that in the surface water of other areas such as the bay. There was a strong negative relationship between ξ and the mean diameter (DA). Taking section T1 as an example, we analyzed the mean PSD profile of these stations. The features of PSD profiles are as follows. 1) At the surface, there were high values of ξ with low values of DA because the dominate particle was pico-phytoplankton. 2) The minimum value of ξ appeared in the subsurface chlorophyll maximum layer (SCML) with higher DA, which may result from the higher proportion of big phytoplankton. 3) In the twilight layer, the values of ξ as well as the values of DA were between those at the surface and in the SCML. This phenomenon may be related to the process of flocculation, decomposition, and settlement of phytoplankton. The traits of PSD would influence the inherent optical properties (IOP) of seawater. We found that both particulate beam scattering coefficient at 532 nm (bp(532)) and particulate beam backscattering coefficient at 532 nm (bbp(532)) would be higher in the SCML because of the increasing chlorophyll-a concentration. However, the lowest mean bp(532) and the lowest mean bbp(532) were found in the twilight layer. Furthermore, although the relationship between ξ and the particulate beam attenuation sepctral slope was weak, the model of Boss et al. (2001b) is suitable for estimating the regional range and mean value of ξ roughly.

Key words： South China Sea basin; particle size distribution (PSD); PSD slope; mean diameter; optical properties

Cite this article

ZHENG Wendi , ZHOU Wen , CAO Wenxi , WANG Guifen , DENG Lin , XU Wenlong , XU Zhantang , LI Cai , CAI Jiannan . Characterization of particle size distribution in the South China Sea basin during summer 2016[J]. Journal of Tropical Oceanography, 2018 , 37(5) : 74 -85 . DOI: 10.11978/2018017

海水中的颗粒物主要分为有机颗粒物与无机颗粒物, 其中有机颗粒物主要包括浮游植物及其碎屑。颗粒物粒径分布(PSD)代表颗粒物浓度随粒径的变化特征(Bader, 1970; Buonassissi et al, 2010; Xi et al, 2014), 对水体的光学特性、海洋生态环境及生物地球化学过程都有重要的影响(Buonassissi et al, 2010; Qiu et al, 2016; Reynolds et al, 2010; Xi et al, 2014)。国内外学者已采用多种数学模型来描述水体PSD特性, 如幂律模型(Buonassissi et al, 2010; Reynolds et al, 2010; Xi et al, 2014; Qiu et al, 2016)、Gamma函数(Jonasz et al, 1996)、两组分模型(Risović, 1993)以及高斯函数与双曲线函数的混合模型(Jonasz, 1983)等。其中幂律模型因简便且易与光学和生物参量关联而被广泛运用(Buonassissi et al, 2010; Xi et al, 2014)。而幂律模型中的指数, 被定义为PSD斜率(ξ), 可表征颗粒群中较大粒径与较小粒径颗粒物所占的比例, ξ越大则表明小粒径的颗粒物所占的比例越高(Xi et al, 2014; Qiu et al, 2016)。据已有文献报道, 表层水体中的ξ值主要分布在[2.5, 5.5]范围内, 如黄、渤海区域[2.72, 4.46]、哈德逊湾[2.84, 4.46]、蒙特雷湾[2.5, 4.3]等(Reynolds et al, 2010; Xi et al, 2014; Qiu et al, 2016; 彭田等, 2016)。
PSD的时空分布特征会因不同海域、不同因素影响而存在差异。在我国黄、渤海区域, 近岸区域由于海风与潮的作用引起底质颗粒物重悬浮, 导致海水中的颗粒物粒径小、浓度高; 而外海区域的主导颗粒物为浮游植物, 颗粒物粒径较大, 且浓度低(吴昊等, 2015; Qiu et al, 2016)。哈德逊湾的PSD特征则与黄、渤海区域相反, 由于近岸受附近河流输入的影响, 呈现近岸颗粒物粒径大, 远海颗粒物粒径小的特征(Xi et al, 2014)。Kostadinov 等(2009)根据遥感反演结果指出全球的PSD空间分布特征为: 贫营养区域的颗粒物浓度低且粒径小, 而富营养区域的颗粒物浓度高且粒径大, 与Buonassissi 等(2010)现场数据的分析结果一致。在陆架海及河口区域, 湍流会促进絮状物的形成, 形成大粒径颗粒物, 但当絮状物粒径增大到一定数值时, 湍流的增长又会导致絮状物的破碎(Bowers et al, 2007)。在爱尔兰海区域, 潮汐能最大的区域的颗粒物粒径变小; 无论冬季还是夏季, 颗粒物中值粒径都与最小湍流涡旋尺度成正比, 但在相同的最小湍流涡旋尺度下, 夏季颗粒物的中值粒径会高于冬季(Bowers et al, 2007)。
PSD是影响水体固有光学特性的重要参量之一。首先, ξ与颗粒物衰减光谱斜率(γ)、颗粒物后向散射光谱斜率(η)及颗粒物后向散射比率存在密切的联系(Diehl et al, 1980; Boss et al, 2001b; Kostadinov et al, 2009)。基于Mie散射理论, ξ 与γ呈正相关关系。Diehl 等(1980)提出了ξ=γ+3这一关系, 而Boss 等(2001b)对该公式进行进一步的修正, 提出更为准确的关系: ξ=γ+3-0.5exp(-6γ)。同样地, ξ与η也呈正相关关系。Kostadinov 等 (2009)认为利用三次多项式拟合ξ与η的关系更为准确, 即ξ= -0.00191η3+0.127η2+ 0.482η+3.52。周雯等(2010)在分析大亚湾的生物光学数据时, 发现随着ξ的增加, 颗粒物的后向散射比率明显增加。其次, 颗粒物的质量浓度、横截面积浓度直接影响了颗粒物的衰减系数和后向散射系数(Neukermans et al, 2012; Wang et al, 2016b)。Wang 等 (2016b)发现在我国的黄、渤海区域, 颗粒物的质量浓度、横截面积浓度均与颗粒物衰减系数、颗粒物后向散射系数成正比, 这与Neukermans 等(2012)分析欧洲及法属圭亚那附近水域得出的结果一致。另外, 颗粒物平均粒径也会影响颗粒物的固有光学特性(Slade et al, 2015; Sun et al, 2016)。Slade 等(2015)通过分析Optics Acoustics and Stress In Situ (OASIS) 计划获取的现场数据发现, 颗粒物平均粒径与γ、η均成反比关系。Sun 等(2016)利用黄、渤海的现场观测数据分析发现颗粒物平均粒径与单位质量的颗粒物后向散射系数成反比关系。
南海是西北太平洋最大的热带边缘海, 西北沿岸受上升流影响, 东北部受黑潮入侵影响, 水文及生态环境复杂。基于2016年夏季南海中部海盆综合调查航次的现场观测资料, 本文将尝试利用幂律模型对南海海盆的PSD进行模拟, 并评价其适用性。据此分析调查航次期间南海海盆PSD的空间分布特征。并结合光学参数剖面数据, 尝试探讨PSD空间分布特征与光学参数空间分布特征的关系, 为研究南海海盆海水光学特性与PSD特征的关系、浮游植物粒级结构、碳输运等提供基础信息。

1 数据与方法

本文数据依托国家自然科学基金委南海中部海盆综合调查航次观测获得, 调查时间区间为2016年9月3日至9月23日。调查站位共26个, 分布如图1所示, 其中T1断面为海盆边缘到中心的断面。大部分站位水深大于1000m。观测的参量包括水体PSD、吸收-衰减光谱、颗粒物的后向散射系数、分层叶绿素a浓度, 以及水文参量(温度、盐度和深度)。所有的观测仪器均组装于同一仪器支架保证同步投放, 平均最大投放深度约为200m。文中的温盐剖面分布同步参考了本航次水文组温盐深仪(CTD)的观测结果, 观测仪器为Sea-Bird公司的911 plus CTD。
Fig. 1 The optical survey stations in the South China Sea basin during summer 2016

图1 2016年南海海盆光学调查站位图

1.1 颗粒物体积浓度的测量

现场水体的PSD观测采用Sequoia Scientific, Inc.生产的LISST-100X Type B激光粒度仪(Laser In-Situ Scattering and Transmissometry) (Sequoia Scientific, Inc, 2013)进行测量。LISST-100X通过测量水样在前向小角度范围(0.08°~15°)的衍射信号来反演PSD信息。该仪器采用32个同心圆环光敏二极管探测器接收前向32个角度范围的散射光强信号(LISST-100X Particle Size Analyzer, User’s Manual Version 5.0), 进而利用基于Mie理论建立的反演算法由观测的32个角度区间的散射光强推算32个粒级的颗粒物体积浓度, V(D), 单位为ppm(或μl L-1) (Agrawal et al, 2000; Boss et al, 2009; Qiu et al, 2016)。仪器测量的粒径范围为1.25~250μm, 32个粒级区间间隔从0.23到38.15μm依次增宽, 各粒级区间的上限约为下限的1.18倍(LISST-100X Particle Size Analyzer, User’s Manual Version 5.0)。每个粒级区间的几何平均粒径(D), 单位为μm, 代表了体积等效的颗粒物的球体直径。航次出发前在实验室采用Milli-Q超纯水对LISST仪器进行了标定。

1.2 现场生物光学数据

扣除纯水影响的吸收系数at-w和衰减系数ct-w由WetLabs 公司的高光谱吸收/衰减测量仪(Absorption and Attenuation Meter, ACS)测量所得, 测量波长范围401~747nm, 共86个波段, 光谱分辨率约为4nm。航次出发前在实验室采用Milli-Q超纯水对ACS仪器进行了标定。原始测量数据经超纯水定标文件校正后, 采用同步采集的CTD数据进行温盐校正(Sullivan et al, 2006)。散射校正应用了基线校正的方法, 即设置716nm波段的吸收系数为零。对处理后的吸收光谱数据进行了异常点剔除, 去除了负值、光谱量值偏离平均值3倍标准偏差以外的点, 以及光谱形状显著偏离平均光谱形状的点。保留的有效数据进行了1m间隔的深度插值。ct-w和at-w两者之差为水体中颗粒物的散射系数bp。
颗粒物的后向散射光谱由 HOBILab公司的后向散射测量仪(Hydroscat-6, HS-6)测量所得, 测量波段为420、442、488、532、590及676nm。原始数据的处理方法参考Hydroscat-6 的用户手册(Maffione et al, 1997), 利用ACS同步观测的吸收数据对原始数据进行sigma校正。
现场实测叶绿素a浓度(Chl a)数据通过荧光法测量获取, 具体步骤如下: 在低压下, 利用直径25mm, 孔径0.7μm的Whatman GF/F滤膜过滤一定体积(0.5~1L)的水样, 将滤膜冷存于液氮中; 回到实验室后, 利用Turner-Design 10型荧光计测量 Chl a, 相关测量方法见Parsons(1984)。

1.3 剖面Chl a的吸收基线高度推算方法

剖面Chl a将利用676nm的吸收线性高度法进行推算(Roesler et al, 2013), 本文选用650nm, 676nm和700nm三个波段的吸收值计算676nm处的吸收线性高度aLH(676):
$\begin{align} & {{a}_{\text{LH}}}(676)={{a}_{\text{t-w}}}(676)-\frac{{{a}_{\text{t-w}}}(700)-{{a}_{\text{t-w}}}(650)}{700-650}(676-650) & -{{a}_{\text{t-w}}}(650) \end{align}$
对吸收光谱推算的aLH(676)与同步采集的Chl a实测数据进行幂指数函数拟合(Boss et al, 2013), 获取的区域性关系模型如下(图2所示)。
CHLLH=7.67×aLH (676)0.59
模型的决定系数(R2)为0.46, 均方根误差(RMSE)为0.085mg·m -3。本文将选用该区域性模式(公式(2))估算的叶绿素a浓度进行后续分析, 标记为CHLLH。
Fig. 2 The power-law relationship between the line height absorption at 676 nm (aLH(676)) and in-situ Chl-a. The sample number is 85. The black curve is the fitting of this study

图2 吸收线性高度aLH(676)与实测Chl a的幂指数关系
共85个样品。黑色实线为本文的拟合关系

1.4 南海海盆PSD的拟合方法与平均直径的计算

大洋的PSD多满足幂律函数关系(Bader, 1970; Buonassissi et al, 2010; Qiu et al, 2016), 本文针对观测的PSD数据进行幂律函数拟合, 即:
N°(D)=K${{\left( \frac{D}{{{D}_{0}}} \right)}^{-\xi }}$,
其中, 微分颗粒物数目浓度N°(D)定义为单位粒径间隔ΔD内的颗粒物数目浓度, 针对LISST观测数据将每个粒级分布区间测量得到的颗粒物数目浓度N(D)除以各粒级分布区间的宽度获得。ξ为幂律粒径分布函数的斜率(无量纲), D0为参考粒径(μm), K为拟合系数。已有研究指出, 由于颗粒物形状偏离假定的球性、小于仪器粒径测量下限的颗粒物的贡献以及周围环境杂散光的影响等等因素均可引入测量的误差(Agrawal et al, 2008; Buonassissi et al, 2010; Reynolds et al, 2010), 因此我们仅选用D在6.02~195.02μm内的N°(D)进行拟合。参考粒径 D0为37.2μm (Xi et al, 2014)。最后, 本文将剔除透射率小于0.1, 颗粒物光衰减系数(cp(670))在三个标准差以外以及ξ值大于8的LISST数据。最后对剩下的样本数据进行后续分析, 共4876个。
另外, 本文通过计算总体各粒级的实测与模拟的颗粒物微分数目浓度, 即N°(D)obs与N°(D)mod的平均相对误差绝对值(Mean Absolute Percent Error, MAPE), 评价幂律模型拟合PSD的拟合精度。MAPE的计算公式如下:
$\text{MAPE}=\frac{1}{n}\sum\nolimits_{i=1}^{n}{\left| \frac{{N}'{{(D)}_{\bmod }}-{N}'{{(D)}_{\text{obs}}}}{{N}'{{(D)}_{\text{obs}}}} \right|}\times 100%$,
其中n为样本的数目。MAPE表征了N°(D)obs与N°(D)mod的平均相对误差绝对值, 代表了幂律模型在各粒径区间的拟合精度。
假定颗粒物满足均匀球体结构, N(D)由V(D)转换得出(Xi et al., 2014):
$N\text{(}D\text{)}=6\frac{V\text{(}D\text{)}}{\text{ }\!\!\pi\!\!\text{ }{{D}^{3}}}$,
第i个粒级的颗粒物横截面积浓度ACi计算如下(Neukermans et al, 2012; Wang et al, 2016a, 2016b):
$\text{A}{{\text{C}}_{i}}=\frac{\text{3}}{\text{2}D}V{{\text{(}D\text{)}}_{i}}$,
水体中颗粒物的平均粒径DA可定义为:
${{D}_{\text{A}}}=\frac{\sum\nolimits_{i=2}^{31}{\text{A}{{\text{C}}_{i}}}{{D}_{i}}}{\text{AC}}$,
由于LISST在最小及最大粒级的数据稳定性较差, 本文将以第2到31个粒级的ACi的总和作为总横截面积浓度AC (Neukermans et al, 2012; Wang et al, 2016a, b)。

1.5 衰减光谱斜率与颗粒物折射率的计算

颗粒物衰减系数cp(λ)=ct-w(λ)-ag(λ), 其中ag(λ)为有色溶解有机物质的吸收系数, 采用Lin等(2014)的遗传算法由at-w(λ)分解得到。
γ采用如下函数关系式拟合(Boss et al, 2001a, b):
cp(λ)=cp(λ0)${{\left( \frac{\lambda }{{{\lambda }_{0}}} \right)}^{-\gamma }}$,
其中, 参考波段λ0为530nm, 选取拟合的波段范围为405nm至683nm。在对数空间中, 拟合cp(λ)与实际cp(λ)的平均决定系数$\overline{{{R}^{2}}}$为0.77, 其中69.7%的决定系数R2>0.9。
颗粒物平均折射率实部($\bar{n}\text{p}$)根据Twardowski 等(2001)模型利用γ与颗粒物后向散射比率${{\tilde{b}}_{\text{bp}}}$计算得到, 即:
$\bar{n}\text{p(}{{\tilde{b}}_{\text{bp}}},\gamma \text{)=1+}{{\tilde{b}}_{\text{bp}}}^{0.5377+0.4867{{\gamma }^{2}}}\left[ 1.4676+2.2950{{\gamma }^{2}}+2.3113{{\gamma }^{4}} \right]$,
其中, bbp(532)为532nm处的颗粒物后向散射系数, bp(532)为532nm处的颗粒物散射系数, ${{\tilde{b}}_{\text{bp}}}$=bbp(532)/bp(532)。

1.6 真光层深度的计算与水体分层

由于缺乏漫衰减系数的数据, 本文参考曹文熙等(2002)计算真光层深度的模型利用实测的表层Chl a推算各站位的真光层深度, 公式如下:
zeu=35×Chl asurf-0.35,
其中, zeu为真光层深度, 单位为m, Chl asurf为表层实测Chl a, 单位为mg·m -3。
随后利用zeu对深度进行标准化, 得到无量纲深度ζ, 标准化公式如下:
$\zeta \text{=}\frac{z}{{{z}_{\text{eu}}}}$,
其中, z为测量深度, 单位为m。
为了分析不同水层PSD参数、生物光学参数的差异, 本文将依据ζ值将水体分为表层(Surface)、次表层叶绿素浓度极大值层(Subsurface Chlorophyll Maximum Layer, SCML)及弱光层(Twilight Layer), 分层标准如表1。其中表层对应的平均深度为36m。
Tab. 1 The standard of water stratification

表1 分层标准

ζ值范围 分层
小于0.5 表层
[0.5, 1.3] SCML
大于1.3 弱光层

2 结果与讨论

2.1 幂律模型对南海海盆PSD的适用性

实测PSD数据运用幂律函数(公式(3))在对数空间进行拟合。结果表明, 在对数空间中总数据集的N°(D)obs与N°(D)mod的R2的范围为[0.42, 0.99], 平均值为0.95±0.06, 84.23%的R2超过0.9(样本数量为4876个)。N°(D)obs与N°(D)mod的平均均方根误差$\overline{\text{RMSE}}$为0.96。这说明幂律模型适用于拟合南海海盆的PSD。从整体趋势而言(如图3a所示), 无论表层、SCML还是弱光层, 幂律函数都能很好地拟合南海海盆的PSD。对比三个水层的平均实测PSD形状, 表层平均PSD在小于10μm时存在明显高峰, SCML层在大于100μm范围内的峰值显著, 而弱光层处的PSD最为接近幂律分布。这说明在表层水体中, 小于10μm的颗粒物占据较主导的位置; 而在SCML中, 小于10μm的颗粒物明显减少, 中大颗粒物(11.7~195μm)却显著增多。图3b给出了表层、SCML、弱光层及总体的MAPE在6.02~195.02μm粒径范围的变化趋势。总体的MAPE的分布范围为28.94%~618.14%, 并在13.79μm处出现最高值。三个水层的MAPE与总体的MAPE随粒径变化的趋势相近。表层的MAPE最高, 弱光层的MAPE最低, SCML与总体的MAPE最相近。表层的PSD由于在小于10μm时存在显著的峰值, 拟合的幂律函数为了缩小与峰值的偏差, 导致11.7~85.2μm处的MAPE增加。同样地, 在SCML中, 拟合的幂函数为了缩小与大于100μm范围的峰值的偏差, 也导致11.7~85.2μm处的MAPE增加。
Fig. 3 The modeling performance of PSD in the South China Sea basin using the power-law model (a) and mean absolute percent errors (MAPE,%) in the modeled PSD (b) for total dataset and three water layers

图3 南海海盆区域总体及各水层PSD幂律模型拟合效果(a)和平均相对误差绝对值(MAPE,%)随粒径变化的关系图(b)

2.2 PSD和生物光学参量的统计特征

图4a给出了4876个样品ξ值的直方分布图, 调查海域总体ξ的分布范围为[1.27, 7.65], 均值为3.93±0.56, 变异系数为14.15%。总体的ξ值分布呈高斯分布, 98.89%的ξ值落在[2.5, 5.5]。如表2所示, 表层、SCML及弱光层ξ的分布范围分别为[2.65, 6.88]、[1.27, 7.65]、[2.67, 4.90]。结合图4b中各水层ξ值直方分布图的拟合曲线分析可知, 表层ξ值的平均值最高, 标准差也最大; SCML中ξ值变化范围最大, 但均值最小; 而弱光层的ξ值分布范围最窄, 标准差最小, 说明在弱光层中的ξ值较为稳定。对表层水体而言, 本文调查的南海海盆海域表层的平均ξ值与Kostadinov 等(2009)给出的全球大洋表层水体的平均ξ值相近, 但高于黄、渤海(3.64±0.38)、哈德逊湾(3.63±0.40) 等海域表层水体的平均ξ值(Xi et al, 2014; Qiu et al, 2016)。南海海盆区域弱光层中的ξ值分布范围与表2中其他海域表层ξ值的分布范围相近, 但平均值稍高于其他海域表层的平均值。ξ值的大小表征了颗粒物中大粒径与小粒径颗粒物的相对浓度, 也就是大粒径颗粒所占比例越高, 则ξ值越小; 反之小粒径颗粒所占比例越高, 则ξ值越大。由此可推断, 在南海海盆区域表层水体中, 小粒径颗粒物占据更为主导的地位; 而在SCML中, 大颗粒物则占据更为重要的位置。相对于SCML, 在弱光层中, 大粒径颗粒物的贡献明显减弱。同时, ξ与DA之间存在很好的负相关关系(如图4c所示), 两者间的R2可达到0.73, 这说明ξ能较好地表征DA的大小。其中, 弱光层的数据更为贴近拟合曲线; 在表层水体中DA主要小于10μm, 呈现显著的分散性; 在SCML中, 小于10μm的数据呈现出显著的分散性, 但随着DA的增大, 数据将逐渐贴近拟合曲线。随着ξ增大DA相应减小, 两者之间显著的负相关关系在黄、渤海也有报道(Qiu et al, 2016)。这一结果也进一步描绘了随着ξ增大, 水体中DA显著降低这一变化趋势。
Fig. 4 Distribution of total ξ (a), distributions of ξ in three water layers (b) and the relationship between total ξ and DA (c). (a) The black curve is the Gaussian fitting curve. (b) The black curve represents ξ in the surface layer (N=881). The blue curve represents ξ in the SCML (N=1422). The red curve represents ξ in the twilight layer (N=2573). (c) The black curve represents the power-law fitting curve of ξ and DA

图4 南海海盆总体ξ值的分布情况(a)、三个水层的ξ值分布情况(b)和总体ξ值与DA的关系(c)
图a中黑色实线为高斯拟合曲线。图b表层的ξ值分布为黑色(N=881), SCML的ξ值分布为蓝色(N=1422), 弱光层的ξ值分布为红色(N=2573)。图c中的黑色实线代表幂指数函数拟合ξ值与DA的曲线

Tab. 2 Ranges of ξ in different regions

表2 不同海区的ξ值分布情况

海域 ξ值分布范围 ξ值平均值(±方差) 参考文献
哈德逊湾 表层 2.84~4.46 3.63(±0.40) Xi et al, 2014
黄、渤海 表层 2.72~4.46 3.64(±0.38) Qiu et al, 2016
美国东西海岸及南大洋的大西洋区域 表层 2.7~4.7 3.63 Buonassissi et al, 2010
全球大洋(遥感反演) 表层 3.04~5.99 4.22(±0.59) Kostadinov et al., 2009
南海中部 表层 2.65~6.88 4.54(±0.62) 本文
SCML 1.27~7.65 3.57(±0.55)
弱光层 2.67~4.90 3.92(±0.30)
总体 1.27~7.65 3.93(±0.56)
表3给出了DA、CHLLH、$\bar{n}\text{p}$与光学参数(包括bp(532)、bbp(532)与${{\tilde{b}}_{\text{bp}}}$)的统计结果, 所有参量均针对表层、SCML、弱光层及剖面水体分别进行了统计分析。
Tab. 3 The statistical table of distributions of DA, CHLLH, $\bar{n}\text{p}$, and inherent optical parameters

表3 DA、CHLLH、$\bar{n}\text{p}$及固有光学参数的分布范围统计表

参数 单位 个数 平均值 最大值 最小值 标准差 变异系数
DA μm 表层 881 7.78 123.56 3.23 9.56 122.89
SCML 1422 25.97 166.07 3.23 24.34 93.72
弱光层 2573 14.36 111.10 7.22 9.03 62.91
剖面 4876 16.56 166.07 3.23 16.57 100.07
CHLLH mg·m -3 表层 647 0.17 0.32 0.03 0.06 35.71
SCML 1289 0.26 0.44 0.11 0.06 24.63
弱光层 730 0.15 0.33 0.02 0.05 36.38
剖面 2666 0.21 0.44 0.02 0.08 37.6
$\bar{n}_{p}$ 无 表层 621 1.01 1.05 1.002 0.009 0.87
SCML 1282 1.03 1.16 1.005 0.024 2.34
弱光层 639 1.06 1.22 1.004 0.044 4.13
剖面 2542 1.03 1.22 1.002 0.033 3.2
cp(530) m-1 表层 647 0.24 0.41 0.059 0.078 32.02
SCML 1289 0.20 0.45 3.46×10-3 0.084 41.92
弱光层 730 0.08 0.19 5.36×10-4 0.046 59.01
剖面 2666 0.18 0.45 5.36×10-4 0.098 54.88
γ 无 剖面 585 0.86 1.13 0.39 0.12 14.14
bp(532) m-1 表层 647 0.24 0.41 0.062 0.078 32.17
SCML 1289 0.20 0.45 6.15×10-3 0.084 41.85
弱光层 730 0.08 0.19 2.87×10-4 0.047 59.53
剖面 2666 0.18 0.45 2.87×10-4 0.097 54.86
bbp(532) m-1 表层 928 6.37×10-4 1.13×10-3 3.8×10-4 8.84×10-5 13.88
SCML 1427 6.59×10-4 1.08×10-3 3.45×10-4 1.17×10-4 17.67
弱光层 2616 4.13×10-4 1.33×10-3 1.75×10-4 1.00×10-4 24.25
剖面 4971 5.25×10-4 1.33×10-3 1.75×10-4 1.57×10-4 29.95
$\widetilde{b}_{bp}$ 无 表层 628 0.0031 0.01 0.0012 0.001 48.38
SCML 1289 0.0042 0.11 0.0013 0.004 98.85
弱光层 729 0.0148 0.56 0.0022 0.038 260.28
剖面 2646 0.0069 0.56 0.0012 0.021 306.24

变异系数=100%×标准差/平均值

DA在表层、SCML及弱光层水体的平均值分别为7.78±9.56μm、25.97±24.34μm、14.36±9.03μm, 变异系数分别为122.89%、93.72%、62.91%; 对于整个水体剖面的样品而言, DA平均值为16.56± 16.57μm, 变化范围在3.23~166.07μm之间。表层的DA平均值最小, SCML的DA平均值最大。由此可见, 在SCML中, 大颗粒物显著增多, 而表层水体则以小颗粒物为主, 垂直剖面DA的变化性较大。
浮游植物是南海水体中悬浮颗粒物的主要组成部分, 是影响水体光学特性变化的关键因素(Wang et al, 2008)。表层水体的CHLLH平均值为0.17±0.06mg·m-3, 由于次表层叶绿素最大值的存在, 总体水样的CHLLH平均值略有增加, 约为0.21 ±0.08mg·m -3。SCML的CHLLH平均值最高, 为0.26 ±0.06mg·m -3。弱光层的CHLLH平均值最小, 为0.15±0.05mg·m -3。
$\bar{n}\text{p}$在整个剖面的平均值随深度的增加而增加。对于表层水体而言, 其分布范围为[1.002, 1.05]。一般来说, 浮游植物及有机碎屑等物质的折射率实部多分布在1.02~1.08之间, 而无机颗粒等的折射率实部则多高于1.10(周雯 等, 2007, 2010)。因此, 南海海盆的表层水体较小的$\bar{n}\text{p}$值可以粗略地表明其多以浮游植物等有机物质为主导。在SCML和弱光层中均出现了大于1.08的$\bar{n}\text{p}$值, 进一步分析发现剖面水体中在SCML及弱光层中, $\bar{n}\text{p}$小于1.08的水体占比分别为94.46%、72.3%, 大于1.08的高折射率水体所占比例非常的低。据此结果可粗略地推断, 非藻类颗粒物主导的高折射率的颗粒物在 SCML, 尤其是弱光层稍稍增多; 但是, 水体剖面主导颗粒物似乎依旧是浮游植物等有机物质。
PSD是影响水体固有光学特性的重要因素之一。总体的bp(532)、bbp(532)、${{\tilde{b}}_{\text{bp}}}$分布范围分别为[2.87×10-4, 0.45]m-1、[ 1.75×10-4, 1.33×10-3]m-1及[0.0012, 0.56]。就平均值而言, bp(532)随深度的增加而减小, 在弱光层出现最小值。在SCML中的bbp(532)平均值最高, 在弱光层最小。${{\tilde{b}}_{\text{bp}}}$的平均值随深度的增加而增加, 在弱光层中最高, 这与$\bar{n}$的分布一致。

2.3 PSD参数的垂直剖面变化特性

为了更好地了解南海海盆水体的PSD剖面分布变化特征, 本文选取了T1断面, 给出了ξ、DA、CHLLH、bbp(532)、bp(532)与位势密度θ的剖面分布图(图5)。
Fig. 5 The vertical profiles of bio-optical and hydrological parameters along section T1. a) CHLLH; b) potential density; c) ξ; d) DA; e) bbp(532); f) bp(532). The white solid line represents the depth of maximum CHLLH

图5 T1断面生物光学参数及水文参数的剖面等值线分布图
a. CHLLH; b. 位势密度; c. ξ; d. DA; e. bbp(532); f. bp(532)。其中白色实线代表了CHLLH 剖面最大值所在深度

如图5所示, T1断面的调查站位在真光层附近出现显著的CHLLH最大值(图5a), 且与密度跃层(图5b)所在的ζ位置匹配。图中采用白色折线标示了CHLLH最大值所在ζ的位置以做参考。在SCML中, PSD的ξ值相对表层与弱光层存在明显的低值区间(图5c); 相应的DA值(图5d)也显示出增大的层化趋势; 光学参量bbp(532)(图5e)和bp(532)(图5f)在SCML也会呈现出显著增大的层化响应, 但bbp(532)与bp(532)最大值所在的ζ相对SCML稍向上表层平移。
本航次调查的站位多位于南海中部海盆区域, 水深大于1000m。如图5描绘的T1断面剖面分布, 南海外海上表层水体光照充足, 营养盐缺乏限制了浮游植物的生长, 造成Chl a相对较低(于杰 等, 2016)。而高的ξ值和低的DA值表明, 在表层水体的颗粒物群内小粒径颗粒所占的比例高, 同时表层的光学参量bp(532)和bbp(532)也呈现出较高的值。导致这一现象的原因可能是由于南海海盆水体的主导颗粒物是浮游植物, 且表层水体中的浮游植物以微微型的藻类为主。
在SCML中, ξ值显著降低, DA值与CHLLH迅速升高且出现最大值, 表明在浮游植物群落中较大粒径的浮游植物显著增多。在 SCML附近, 由于Chl a升高, 光学参量bp(532)和bbp(532)也呈显著增大的趋势。bbp(532)在 CHLLH最大值处及其以浅0.3的ζ内形成极大值区间, bp(532)在CHLLH最大值以浅0.3~0.4的ζ之间形成极大值区。在532nm波段处造成颗粒物光衰减的主要因素是颗粒物的散射作用; 因此, bp(532)的空间分布能表征颗粒物在532nm处的衰减系数的空间变化。而颗粒物光衰减系数能在一定程度上表征颗粒物有机碳的丰度(Fennel et al, 2003)。图5的bp(532)和bbp(532)极大值层均在CHLLH最大值之上, 说明CHLLH最大值与浮游植物碳极大层分离, 且浮游植物碳极大层出现于CHLLH最大值之上。这一现象产生的原因可能是由于密度跃层附近的水体营养盐浓度逐渐升高且供应充足, 促进了浮游植物快速生长, 而光照的减弱, 浮游植物的光适应性或光驯化性将导致Chl a与浮游植物碳的比值增加, 进而导致CHLLH最大值与浮游植物碳极大层分离(Fennel et al, 2003; 倪晓波 等, 2006; 邢小罡 等, 2013)。随着ζ的增加, 虽然营养盐供应充分, 但光照不足限制了浮游植物的进一步生长, 进而导致了Chl a的降低。弱光层中浮游植物迅速减少, 水体中ξ值呈现稍增大的趋势, 而DA值则呈现略降低的趋势, 即水体中大粒径颗粒物含量相应降低, 颗粒物平均粒径减小。PSD参数(ξ、DA)这一变化趋势与浮游植物减少密切关联, 浮游植物及碎屑的絮凝、降解及沉降等过程可能是影响该水层颗粒物PSD变化的主要因素。光学参量bp(532)和bbp(532)在该水层也随之显著降低。
为了进一步分析T1断面的站位是否与整个南海海盆航次调查站位的剖面变化存在一致的趋势性, 图6给出了整个航次调查的26个站位粒径参数ξ、DA以及CHLLH的平均值剖面分布。如图6所示, 南海海盆水体调查站位的平均CHLLH剖面在SCML中出现极大值, 分布形状类似单峰高斯分布, 这一变化规律与已有的南海研究结果一致(高姗 等, 2010; 柯志新 等, 2013; 于杰 等, 2016)。平均DA值剖面分布趋势与平均CHLLH剖面分布趋势一致, 而平均ξ值的剖面分布趋势与DA值及CHLLH剖面呈显著负相关变化, 即平均CHLLH高斯单峰与DA高斯峰处于同一ζ上, 而ξ值在此水层呈现相反的剖面变化。此外, 以SCML作为划分, 表层水体的CHLLH平均值高于弱光层水体的CHLLH平均值, 而表层水体的DA平均值小于弱光层水体的平均值, 表层水体的ξ平均值大于弱光层水体的平均值。图6描述的粒径参数ξ和DA平均剖面变化趋势与T1断面的剖面分布趋势(图5)类似, 进一步印证了T1断面描述的南海海盆水体PSD断面的分布特征在整个调查站位的适应性。
Fig. 6 The mean vertical profiles of DA, ξ, and CHLLH in the South China Sea basin. The standard deviation of ξ is displayed for every 0.1 ζ

图6 南海海盆DA、ξ与CHLLH平均剖面图
每0.1的ζ展示出ξ的标准差

2.4 γ与ξ之间关系的探讨

基于Mie散射理论分析, 假设颗粒物满足非吸收性的均匀球体结构, 且颗粒物的PSD满足幂律分布(即Junge或power-law分布), 则ξ与γ之间存在ξ=γ+3的函数关系(Diehl et al, 1980)。Boss等(2001b)通过限定颗粒物的粒径范围将两者间的关系式进一步精确为ξ=γ+3-0.5exp(-6γ), 并指出当ξ>3时, 两关系式的估算偏差可忽略。
图7a给出调查站位ξ与γ的散点关系图, 并与已有模型进行了对比。如图所示, ξ随着γ增加呈增加的趋势, 两者的散点分布在Diehl 等(1980)和Boss等(2001b)的模型曲线的附近。但是, 无论是在表层、SCML或者是弱光层中, 两者的散点图呈现出非常高的分散性, 对选取的整体数据采用一元一次函数拟合, 曲线拟合的函数关系式为y=0.99x+2.77, 该拟合函数斜率与Diehl 等(1980)和Boss 等(2001b)模型斜率类似, 但拟合R2仅为0.09。由于该航次调查站位非常有限, 在下一步工作中采用更多南海现场调查的水体的ξ与γ数据来进一步评估两者的相关关系是非常有必要的。
Fig. 7 Relationship between γ and ξ (a), and the distribution of in-situ ξ and modeled ξ (b). The selected data should match the following conditions: (1) PSD and cp(λ) power-law function fitting R2 are both greater than 0.9; (2) the range of ξ is [2.5, 5], and the range of $\bar{n}\text{p}$is [1.02, 1.2]. The model of ξ is ξ=γ+3-0.5exp(-6γ)

图7 γ与ξ的关系(a)和实测与估算的ξ值分布范围(b)
选用的数据同时满足以下条件: (1) PSD及cp(λ)幂律函数拟合R2大于0.9; (2) ξ在[2.5, 5]内, $\bar{n}\text{p}$在[1.02, 1.2]内。图b中ξ值的估算公式为ξ=γ+3-0.5exp(-6γ)

图7b对比了实测PSD估算的ξ与Boss等(2001b)模型ξ=γ+3-0.5exp(-6γ)估算的ξ的直方分布图。绿色标示的模型估算的ξ的分布范围在[3.35, 4.13], 显著小于灰色标示的实测PSD推算的ξ的分布范围[2.91, 4.98]; 但是, 模型估算的ξ平均值为3.86±0.13, 与实测的ξ平均值非常接近(3.62±0.40), 两者间的偏差仅为6%。由此可见, 直接利用Boss 等(2001b)模型由γ推算ξ, 对于单个数据点而言可能存在很大的偏差, 但是模型推算结果在实测结果的覆盖范围内, 且均值接近, 对于区域性PSD的总体预计还是有一定的参考价值。

3 结论

幂律模型适合用于模拟南海海盆区域的PSD, 拟合效果较好。在对数空间中, 84.23%的N°(D)obs与N°(D)mod的R2超过0.9。ξ的分布范围为[1.27, 7.65], 均值为3.93±0.56, 其中98.89% 的ξ在[2.5, 5.5]内。针对表层水体, 南海海盆表层水体ξ均值与Kostadinov 等(2009)利用遥感反演的全球大洋表层水体的ξ均值相近; 但与我国的黄、渤海、加拿大的哈德逊湾等表层水体相比, 本文调查的南海海盆区域表层水体的ξ值相对较高, 即南海海盆表层水体中小粒径颗粒物占据更主导的位置。ξ与DA两者之间存在明显的负相关关系, 即随着DA的增加, ξ值将减小。
以T1断面为代表的所有站位PSD参数的平均剖面特征均表明: 1)表层的ξ值最高, DA最小, CHLLH较低, 主要的原因可能是因为表层水体的主导颗粒物为微微型浮游植物。2)SCML由于叶绿素极大值的存在, ξ值出现极小值, DA相应出现极大值, 可能归因于SCML处于密度跃层中且在真光层之上, 伴随充足的营养盐, 导致大粒径浮游植物增长; 由于该水层CHLLH的增加, bbp(532)及bp(532)也有呈现显著升高的趋势。3)弱光层中的CHLLH逐渐减小, ξ值逐渐升高但仍小于表层的ξ值, DA相应降低但略高于表层的DA大, 这可能与浮游植物及其碎屑的絮凝、分解及沉降等过程相关。由于此层在真光层以下, bbp(532)及bp(532)均出现极小值。
利用模型ξ = γ+3-0.5exp(-6γ)估算的ξ值, 对于单个数据点而言会出现很大的偏差; 但对整体数据而言, 其估算范围在实测范围内, 估算的ξ值均值与实测的ξ值均值相近; 因此, 可用该模型粗略估算区域性PSD均值及范围。
由于该航次的时空分辨率偏低, 只能说明南海调查区域在调查时间内的PSD剖面变化特征, 未来将会结合更多的观察数据, 分析南海PSD剖面的时空变化特征。
*感谢中国科学院南海海洋研究所2016年国家自然科学基金南海中部海盆综合调查航次(NORC2016-06)提供光学数据采集的机会及水文数据。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
曹文熙, 杨跃忠, 2002. 海洋光合有效辐射分布的计算模式[J]. 热带海洋学报, 21(3): 47-54.

CAO WENXI, YANG YUEZHONG, 2002. A bio-optical model for ocean photosynthetic available radiation[J]. Journal of Tropical Oceanography, 21(3): 47-54 (in Chinese with English abstract).

[2]
高姗, 王辉, 刘桂梅, 等, 2010. 南海叶绿素a浓度垂直分布的统计估算[J]. 海洋学报, 32(4): 168-176.

GAO SHAN, WANG HUI, LIU GUIMEI, et al, 2010. The statistical estimation of the vertical distribution of chlorophyll a concentration in the South China Sea[J]. Acta Oceanologica Sinica, 32(4): 168-176 (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 ZHIXIN, 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]
倪晓波, 黄大吉, 2006. 海洋次表层叶绿素最大值的分布和形成机制研究[J]. 海洋科学, 30(5): 58-64, 70.

NI XIAOBO, HUANG DAJI, 2006. Subsurface chlorophyll maximum: its temporal-spatial distribution and formation mechanism in the ocean[J]. Marine Sciences, 30(5): 58-64, 70 (in Chinese with English abstract).

[5]
彭田, 丘仲锋, 孙德勇, 等, 2016. 悬浮颗粒物粒径分布的幂律模型研究——以黄渤海为例[J]. 海洋科学, 40(6): 110-118.

PENG TIAN, QIU ZHONGFENG, SUN DEYONG, et al, 2016. Study of suspended particulate matter particle size distribution based on the power-law model: Case study in the Yellow and Bohai Seas[J]. Marine Sciences, 40(6): 110-118 (in Chinese with English abstract).

[6]
吴昊, 丘仲锋, 张艳萍, 等, 2015. 2013年夏秋季黄、渤海悬浮颗粒物粒径分布特征[J]. 海洋科学, 39(12): 91-99.

WU HAO, QIU ZHONGFENG, ZHANG YANPING, et al, 2015. Distribution characteristics of suspended particle size in the Yellow and Bohai Seas in summer and autumn 2013[J]. Marine Sciences, 39(12): 91-99 (in Chinese with English abstract).

[7]
邢小罡, 赵冬至, 王林, 等, 2013. 南太平洋副热带环流区次表层叶绿素极大值的季节变化特征[J]. 高技术通讯, 23(10): 1038-1047.

XING XIAOGANG, ZHAO DONGZHI, WANG LIN, et al, 2013. Seasonal variation characteristics of subsurface chlorophyll maximum in the South Pacific subtropical gyre[J]. Chinese High Technology Letters, 23(10): 1038-1047 (in Chinese with English abstract).

[8]
于杰, 陈国宝, 张魁, 等, 2016. 南海中部海域夏季叶绿素a浓度垂向分布特征[J]. 南方水产科学, 12(4): 1-8.

YU JIE, CHEN GUOBAO, ZHANG KUI, et al, 2016. Vertical distribution of summer chlorophyll a concentration in the middle South China Sea[J]. South China Fisheries Science, 12(4): 1-8 (in Chinese with English abstract).

[9]
周雯, 曹文熙, 李彩, 2007. 浮游植物的吸收和散射特性: 理论模型[J]. 光学技术, 33(2): 177-180.

ZHOU WEN, CAO WENXI, LI CAI, 2007. Light absorption and scattering properties of phytoplankton: a theoretical modeling[J]. Optical Technique, 33(2): 177-180 (in Chinese with English abstract).

[10]
周雯, 曹文熙, 杨跃忠, 等, 2010. 大亚湾水体后向散射比率的光谱变化[J]. 热带海洋学报, 29(2): 39-45.

ZHOU WEN, CAO WENXI, YANG YUEZHONG, et al, 2010. Spectral variability of particulate backscattering ratio in the Daya Bay[J]. Journal of Tropical Oceanography, 29(2): 39-45 (in Chinese with English abstract).

[11]
AGRAWAL Y C, POTTSMITH H C, 2000. Instruments for particle size and settling velocity observations in sediment transport[J]. Marine Geology, 168(1-4): 89-114.

[12]
AGRAWAL Y C, WHITMIRE A, MIKKELSEN O A, et al, 2008. Light scattering by random shaped particles and consequences on measuring suspended sediments by laser diffraction[J]. Journal of Geophysical Research: Oceans, 113(C4): C04023.

[13]
BADER H, 1970. The hyperbolic distribution of particle sizes[J]. Journal of Geophysical Research, 75(15): 2822-2830.

[14]
BOSS E, PEGAU W S, GARDNER W D, et al, 2001a. Spectral particulate attenuation and particle size distribution in the bottom boundary layer of a continental shelf[J]. Journal of Geophysical Research: Oceans, 106(C5): 9509-9516.

[15]
BOSS E, TWARDOWSKI M S, HERRING S, 2001b. Shape of the particulate beam attenuation spectrum and its inversion to obtain the shape of the particulate size distribution[J]. Applied Optics, 40(27): 4885-4893.

[16]
BOSS E, SLADE W H, BEHRENFELD M, et al, 2009. Acceptance angle effects on the beam attenuation in the ocean[J]. Optics Express, 17(3): 1535-1550.

[17]
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.

[18]
BOWERS D G, BINDING C E, ELLIS K M, 2007. Satellite remote sensing of the geographical distribution of suspended particle size in an energetic shelf sea[J]. Estuarine, Coastal and Shelf Science, 73(3-4): 457-466.

[19]
BUONASSISSI C J, DIERSSEN H M, 2010. A regional comparison of particle size distributions and the power law approximation in oceanic and estuarine surface waters[J]. Journal of Geophysical Research: Oceans, 115(C10): C10028.

[20]
DIEHL P, HAARDT H, 1980. Measurement of the spectral attenuation to support biological research in a “plankton tube” experiment[J]. Applied Financial Economics, 16(4): 335-345.

[21]
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.

[22]
JONASZ M, 1983. Particle-size distributions in the Baltic[J]. Tellus B: Chemical and Physical Meteorology, 35(5): 346-358.

[23]
JONASZ M, FOURNIER G, 1996. Approximation of the size distribution of marine particles by a sum of log‐normal functions[J]. Limnology and Oceanography, 41(4): 744-754.

[24]
KOSTADINOV T S, SIEGEL D A, MARITORENA S, 2009. Retrieval of the particle size distribution from satellite ocean color observations[J]. Journal of Geophysical Research: Oceans, 114(C9): C09015.

[25]
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, 85: 73-84.

[26]
MAFFIONE R A, DANA D R, 1997. Instruments and methods for measuring the backward-scattering coefficient of ocean waters[J]. Applied Optics, 36(24): 6057-6067.

[27]
NEUKERMANS G, LOISEL H, MÉRIAUX X, et al, 2012. In situ variability of mass‐specific beam attenuation and backscattering of marine particles with respect to particle size, density, and composition[J]. Limnology and Oceanography, 57(1): 124-144.

[28]
PARSONS T R, 1984. A manual of chemical & biological methods for seawater analysis[M]. Oxford: Pergamon Press: 158-161.

[29]
QIU ZHONGFENG, SUN DEYONG, HU CHUANMIN, et al, 2016. Variability of particle size distributions in the bohai sea and the yellow sea[J]. Remote Sensing, 8(11): 949.

[30]
REYNOLDS R A, STRAMSKI D, WRIGHT V M, et al, 2010. Measurements and characterization of particle size distributions in coastal waters[J]. Journal of Geophysical Research: Oceans, 115(C8): C08024.

[31]
RISOVIĆ D, 1993. Two-component model of sea particle size distribution[J]. Deep Sea Research Part I: Oceanographic Research Papers, 40(7): 1459-1473.

[32]
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.

[33]
SEQUOIA SCIENTIFIC, INC, 2013. LISST-100X particle size analyzer, user’s manual version 5.0[M]. Bellevue, WA, USA: Sequoia Scientific, Inc.

[34]
SLADE W H, BOSS E, 2015. Spectral attenuation and backscattering as indicators of average particle size[J]. Applied Optics, 54(24): 7264-7277.

[35]
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.

[36]
SUN DEYONG, QIU ZHONGFENG, HU CHUANMIN, et al, 2016. A hybrid method to estimate suspended particle sizes from satellite measurements over Bohai Sea and Yellow Sea[J]. Journal of Geophysical Research: Oceans, 121(9): 6742-6761.

[37]
TWARDOWSKI M S, BOSS E, MACDONALD J B, et al, 2001. A model for estimating bulk refractive index from the optical backscattering ratio and the implications for understanding particle composition in case I and case II waters[J]. Journal of Geophysical Research: Oceans, 106(C7): 14129-14142.

[38]
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.

[39]
WANG SHENGQIANG, CHEN SHUGUO, QIU ZHONGFENG, et al, 2016a. Variability in the backscattering efficiency of particles in the Bohai and Yellow Seas and related effects on optical properties[J]. Optics Express, 24(26): 29360-29379.

[40]
WANG SHENGQIANG, QIU ZHONGFENG, SUN DEYONG, et al, 2016b. Light beam attenuation and backscattering properties of particles in the Bohai Sea and Yellow Sea with relation to biogeochemical properties[J]. Journal of Geophysical Research: Oceans, 121(6): 3955-3969.

[41]
XI HONGYAN, LAROUCHE P, TANG SHILIN, et al, 2014. Characterization and variability of particle size distributions in Hudson Bay, Canada[J]. Journal of Geophysical Research: Oceans, 119(6): 3392-3406.

Options
Outlines

/

〈 〉