Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2019 , Vol. 38 >Issue 3: 32 - 42

DOI: https://doi.org/10.11978/2018101

Marine Hydrography

Quantile trend analysis for suspended sediment concentration in the Pearl River Estuary based on remote sensing

  • ZHAN Weikang 1, 2 ,
  • WU Jie 1, 2 ,
  • WEI Xing 1 ,
  • TANG Shilin 1 ,
  • ZHAN Haigang , 1
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
ZHAN Haigang. E-mail:

Copy editor: LIN Qiang

Received date: 2018-10-09

  Request revised date: 2018-11-06

  Online published: 2019-06-17

Supported by

Science and Technology Program of Guangzhou, China(201607020042)

Self-research Program of the State Key Laboratory of Tropical Oceanography(LTOZZ1503)

Copyright

Copyright reserved © 2019. 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

Suspended sediment concentration (SSC) in the Pearl River Estuary (PRE) during 2003-2015 was studied based on Moderate Resolution Imaging Spectroradiometer (MODIS) Level-1B product and in-situ measurements. The data were further used to analyze quantile trends and corresponding influence factors. The results showed that the SSC in the PRE displayed a decreasing trend, with an averaged SSC reduction rate of about1.03 mg·L -1·yr -1. The SSC in the regions near the river outlets and northeast part of the estuary suffered from much stronger decreases, which could be up to 4.0 mg·L -1·yr -1 during 2003-2015. Decreasing rate in high SSC were generally larger than those in low SSC, with a marked spatial difference. Low percentile of the SSC suffered from a stronger decline in the regions north of Qiao Island, with an increase in the variance of the distribution, while remarkable trends of high percentile of SSC occurred in the Humen outlet, northeastern coast of Longxue Island and regions near the East Channel, with corresponding decreases in the variance of the distribution. The quantile trends in the PRE were influenced by many factors. The seasonal variation of dam-induced reduction of the sediment load into the PRE contributed to most of the low-percentile SSC decreases north of Qiao Island. The subaqueous topographic change in the PRE induced by human activities dominated the high-percentile SSC trends in the Humen outlet, northeastern coast of Longxue Island, southern West Shoal, and regions near the East Channel. The decrease of the wind speed over the PRE also affected the high-percentile SSC trend in the southern West Shoal by weakening wind mixing in the boundary layer.

Key words： Suspended sediment concentration; MODIS; Pearl River Estuary; quantile trend

Cite this article

ZHAN Weikang , WU Jie , WEI Xing , TANG Shilin , ZHAN Haigang . Quantile trend analysis for suspended sediment concentration in the Pearl River Estuary based on remote sensing[J]. Journal of Tropical Oceanography, 2019 , 38(3) : 32 -42 . DOI: 10.11978/2018101

珠江河口位于中国珠江三角洲地区, 是一个极具特色的大尺度河口, 其水域面积约2000km2, 平均水深小于5m, 但在东西航道处可达10~20m(图1)。珠江流域中的淡水及泥沙主要通过八大口门输入至伶仃洋和南海(图1), 其中入海径流年平均流量约为3.26×1012m3, 仅次于长江(倪培桐 等, 2016), 年平均输沙量约为8470万吨。且受亚热带海洋季风气候影响, 入海水沙呈明显季节性变化, 洪季(4—9月)来水和来沙量占全年的78%~82%。
图1 珠江流域主要水文站位分布(a)及珠江河口地形图及各航次采样站位分布(b)

Fig.1 Map of the Pearl River drainage basin. The rivers and main hydrological stations (red triangles) of the three branches are indicated (a). Bathymetry map of the PRE with the location of the sampled stations during six cruises (b)

悬浮泥沙的分布和输运对河口及近岸环境中复杂的物理、生化以及地质过程起着至关重要的作用。细颗粒泥沙表面可吸附大量营养盐和污染物(重金属、细菌和病毒等)。适量的营养盐为水生动植物生存提供了必要物质, 然而过量营养盐也可引发严重的生态环境问题, 如赤潮和水华。其次, 由于悬浮泥沙直接影响水体透明度, 因而对浮游动植物生长繁育和分布具有决定作用(Shi et al, 2017; Bilotta et al, 2008)。再者, 悬浮泥沙的分布和输运对河口形态及演变有重要影响(Dyer et al, 2000; Elias et al, 2012)。因此, 对河口悬浮泥沙的深入研究对河口航道维护、水环境治理以及生物资源的开发利用有着重要指导意义。
现场观测是研究河口水体悬浮泥沙浓度(suspended sediment concentration, SSC)变化最传统的手段(田向平, 1986; 何为, 2001; 唐兆民 等, 2005), 但资料获取成本高, 采样难以实现时间同步性且采样空间精度不足, 局限性较大。随着计算机的快速发展和观测技术的不断提高, 利用数学模型研究悬浮泥沙分布及其输运已逐渐成为河口泥沙研究中的有力手段。数值模式可模拟SSC的三维高频变化特征并诊断不同要素对其的影响(倪培桐 等, 2000; Liu et al, 2016), 但受限于珠江河口复杂的地形和初始实测边界条件, 目前珠江河口悬沙模式精度仍有待进一步优化提高。此外, 模型很难对河口悬浮泥沙进行长时间(例如十几年)的准确模拟, 不适合分析SSC的长期变化特征。陆地卫星(Landsat)的发射和海洋水色遥感的兴起, 如海洋宽视场扫描仪(Sea-viewing Wide Field-of-view Sensor, SeaWiFS)、中分辨率成像光谱仪(moderate resolution imaging spectroradiometer, MODIS)、中分辨率成像频谱仪(medium resolution imaging spectrometer instrument, MERIS)等, 弥补了传统观测研究方法的不足。基于高时空分辨率的大面积同步遥感数据, 众多研究者分别对珠江河口表层悬浮泥沙进行了大量研究分析(刘汾汾 等, 2009; 刘大召 等, 2009; 禹定峰 等, 2010; Ye et al, 2014; 朱樊 等, 2015; 栾虹 等, 2017)。然而, 前期珠江河口悬沙遥感研究多侧重于悬沙反演模式的建立, 或分析整个珠江河口洪枯季SSC空间分布差异性, 欠缺SSC长周期变化趋势的研究。Wang等(2018)利用Landsat卫星数据分析了珠江河口SSC近30年来的长期趋势。然而, 一方面受Landsat数据时间精度影响, 其统计结果可能存在较大误差; 另一方面, 该研究只考虑平均态趋势, 而忽略悬沙浓度高值或低值趋势的分析。极端值或数据范围的变化可能对事件的发展起决定性作用(Barbosa, 2008; Ruff et al, 2012; Rhines et al, 2017), 而这种作用仅从平均值趋势上通常体现不出。分位数趋势分析可以描述整个分布的全貌变化特征, 尤其是在数据分布呈现不对称性或截断性等特征时, 能够细致刻画响应变量的尾部行为, 因此也被运用于多个领域的研究分析(Fitzenberger et al, 2001; Barbosa, 2008; Franzke, 2015)。MODIS数据相对于其他遥感数据具有更高的时间分辨率和合适的时间长度, 因而适用于河口SSC的统计分析研究(Wang et al, 2010; Moreira et al, 2013; Petus et al, 2014; Dogliotti et al, 2016)。鉴于此, 本文拟利用MODIS数据定量反演珠江河口表层SSC, 并采用Mann-Kendall算法和Sen’s斜率估计对SSC不同分数位分别进行趋势分析。最后, 进一步探讨不同分数位趋势空间分布特征及其影响因素。

1 数据与方法

1.1 资料来源

遥感数据采用的是搭载在Aqua卫星上的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer, MODIS)一级产品数据(https://earth data.nasa.gov/about/daacs/daac-laads)。数据空间分辨率为1km, 时间分辨率为1d, 时间长度为2003年1月1日—2015年12月31日。
实测悬沙数据采用的是2004—2015年间的6个珠江河口水文航次数据。航次站点信息如图1所示, 其范围基本涵盖整个珠江河口, 其中大部分样品采集工作都在当地时间12:00—15:00完成。采集的表层水(<0.5m)首先用预称重的Whatman GF/F 滤纸(0.45μm)进行过滤处理, 然后在50℃环境下烘干24h, 最后用电子天平多次测量取平均以决定样品SSC。
珠江口长时间序列(2003—2015)月平均地表风场数据采用NCEP (National Centers for Environmental Prediction)再分析资料, 资料来源于http://apdrc.soest.hawaii.edu/las/v6/constrain?var=16500。地表风场数据高度为1000hPA, 水平空间分辨率为2.5°。文中取珠江河口及其邻近地区共6个数据点的平均值作为河口地表风速值。
珠江流域三个主要水文站点高要站(西江)、石角站(北江)和博罗站(东江)的年平均径流量和输沙量资料来源于2000—2014年《中华人民共和国水文年鉴》, 本文以此三站点径流和输沙量之和代表整个珠江的径流和输沙(Zhang et al, 2011)。

1.2 遥感数据处理

MODIS一级产品处理主要包括两方面: 大气校正和SSC反演。海洋水色遥感中, 卫星传感器测量的可见光波段辐射超过90%来自于大气辐射, 海洋中近表层水体反射信号不足10%(Wang et al, 1994)。因此, 大气校正对于反演有色水体变量(如悬浮泥沙)至关重要。首先, 基于SeaDAS 7.4软件, 本文采用了一种短波红外波段指数外推算法(shortwave infrared exponential, SWIRE)(He et al, 2014)对MODIS一级产品进行大气校正处理。传统SeaDAS内置算法处理MODIS水色产品经常在高浑浊水体区域出现无效离水辐射值, 此外一些高浓度的浑浊水体区域被标记为陆地而被代表无效值的常数值填充, 而相比之下SWIRE算法有着显著的改进, 在珠江河口及附近沿岸浑浊水体区域都能取得合理的归一化离水辐射率(He et al, 2014)。接着, 本研究采用一种针对珠江河口双波段经验模型反演SSC(Ye et al, 2014):
$\text{SSC}=0.4932\times {{\text{e}}^{4.2145\times (\text{Rrs}645/\text{Rrs}555)}}$
其中, Rrs645和Rrs555分别指代645nm和555nm波段的遥感反射率。

1.3 分位数及其趋势分析方法

分位数(quantile)指的是连续分布函数中的一个点, 这个点的一侧对应一特定分布概率。对任意从小到大排列的序列$X=\left( {{x}_{1}},{{x}_{2}},\cdots ,{{x}_{n}} \right)$, 指定其对应分位数$({{p}_{1}},{{p}_{2}},\cdots ,{{p}_{n}})$分别为 $\left( 100\times \frac{0.5}{n} \right)\text{th, }\!\!~\!\!\text{ }\left( 100\times \frac{1.5}{n} \right)\text{th, }\cdots \text{, }\left( 100\times \frac{n-0.5}{n} \right)\text{th}$。对任意分位数$p(0<p<100)$,存在其邻近两个已知分位数${{p}_{a}}{{p}_{b}}({{p}_{a}}<{{p}_{b}})$及其对应序列值$x\_{{p}_{a}}x\_{{p}_{b}}$,分位数p所对应的序列值$x\_{{p}_{b}}$计算如下:
$\begin{matrix}& x\_p=\left\{ \begin{matrix}{{x}_{1}},~~~~~~~p<{{p}_{1}} \\\ x\_{{p}_{a}}+\frac{p-{{p}_{a}}}{{{p}_{b}}-{{p}_{a}}} \\{{x}_{n}},~~~~~~~p>{{p}_{n}} \\\end{matrix} \right.\left( x\_{{p}_{b}}-x\_{{p}_{a}} \right),~~~ \\& \ \ \ \ \ \ \ \ \ \ \ 100\times \frac{0.5}{n}<p<100\times \frac{n-0.5}{n} \\\end{matrix}$
本文利用Sen’s斜率估计(Sen’s slope estimator) (Sen, 1968)计算SSC时间序列的变化趋势。Sen’s斜率估计是一种非参数趋势斜率计算方法, 不要求序列服从特定分布, 且对序列异常值不敏感, 能很好地反映序列趋势变化程度, 因此常被运用于水文气象时间序列的趋势分析(Yue et al, 2003; Partal et al, 2006; Tabari et al, 2011)。对于时间序列${{X}_{t}}=\left( {{x}_{1}},{{x}_{2}},\cdots ,{{x}_{n}} \right)$, Sen’s斜率估计的计算公式为:
$\beta=median \frac{x_{j}-x_{i}}{j-i}, \forall j > i$
其中, $\beta $表示序列斜率, $\forall $表示任意, median为取中值函数, 即将得到的斜率序列按从小到大顺序排列, 如果斜率序列个数为奇数, 则取最中间一个数作为$\beta $; 如果斜率序列个数为偶数, 则取最中间两个数的平均作为$\beta $。
趋势分析中一个重要环节即是趋势显著性检验。本文利用Mann-Kendall(MK)非参数统计算法检验SSC序列变化趋势的显著性, 其优点是不需要样本遵从一定的分布, 不受少数异常值干扰, 计算简便, 加之其计算是基于数据间的相对排序而与数据本身量值无关, 因此也适用于分位数趋势检验(Franzke, 2015)。对时间序列${{X}_{t}}=\left( {{x}_{1}},{{x}_{2}},\cdots ,{{x}_{n}} \right)$,定义检验统计量S:
$S=\underset{i=1}{\overset{n-1}{\mathop \sum }}\,\underset{j=i+1}{\overset{n}{\mathop \sum }}\,sgn\left( {{x}_{j}}-{{x}_{i}} \right)$
其中, $sgn\left( {{x}_{j}}-{{x}_{i}} \right)=\left\{ \begin{matrix}1~~~{{x}_{j}}-{{x}_{i}}>0 \\0~~~{{x}_{j}}-{{x}_{i}}=0 \\-1{{x}_{j}}-{{x}_{i}}<0 \\\end{matrix} \right.$, 当n≥10时, 统计量S近似服从正态分布。定义检验统计量Z:
$Z=\left\{ \begin{matrix}\frac{\left( S-1 \right)}{\sqrt{\text{Var}(S)}},~~~~S>0 \\0,~~~~~~~~~~~~~~S=0 \\\frac{\left( S-1 \right)}{\sqrt{\text{Var}(S)}},~~~~S<0 \\\end{matrix} \right.$
其中, $\text{Var}\left( S \right)=\frac{n\left( n-1 \right)\left( 2n+5 \right)-\mathop{\sum }_{i=1}^{m}{{t}_{i}}({{t}_{i}}-1)(2{{t}_{i}}+5)}{18}$, n为序列长度, m为序列中重复出现的数据组个数, ti为第i组重复数据组中的重复数据个数。在给定显著水平α下, 查正态分布表, 当$\left| Z \right|\le \mathop{Z}_{1-\frac{\propto }{2}}$时, 则表示序列趋势不显著。本文取α=0.05, 即当Z>1.96时, 序列趋势显著上升; 当Z<-1.96时, 序列趋势显著下降。

2 结果

2.1 悬沙算法验证

在验证遥感算法之前, 需将实测数据与遥感数据进行配对。基于Bailey等(2001)提出的方案, 本文的具体配对步骤如下: 1)剔除现场观测与卫星过境的时间差大于3小时的数据点; 2)任意一个中心点位于实测点上的3×3窗口, 如有格点被SeaDAS标记为无效值, 则剔除该格点; 3)任意有效格点数小于5的窗口被剔除; 4)剔除格点数值存在极大差异(变异系数>0.2)的窗口; 5)如果通过以上检验, 则取3×3窗口里有效格点数值的平均值作为观测点处的遥感反演值。经严格筛选, 最终共有64组符合标准的配对, 其中35组来自洪季, 29组来自枯季。
图2表明, 遥感反演的SSC与实测数据有着很好相关性(R=0.90, p<0.05), 大部分点皆沿着1:1线均匀分布。其均方根误差4.75mg·L-1(表1)。更进一步地, 我们分别评估悬沙算法在洪枯季的表现。统计结果(表1)表明, 洪枯季的均方根误差分别为4.58和4.95mg·L-1, 相关系数分别为0.81和0.92。该算法同时适用于洪、枯季, 两者之间并无显著区别。从总体验证结果和偏差统计情况可看出, 遥感反演能较准确模拟出珠江河口真实SSC。
图2 遥感反演与实测SSC验证

黑色实线表示1:1关系

Fig. 2 Scatter plot of satellite-derived SSC vs. measured SSC from the samples collected during oceanographic cruises. The solid line shows the 1:1 relationship

表1 SSC算法统计分析

Tab. 1 Statistical evaluation of the SSC algorithm

数据
组数		 斜率 截距 相关系数 均方根误差/(mg·L-1)
全年 64 1.04 -0.004 0.90 4.75
洪季 35 0.87 0.97 0.81 4.58
枯季 29 1.04 -0.03 0.92 4.95

2.2 珠江河口平均SSC分布及其长期趋势

基于遥感反演的珠江河口气候态平均(2003— 2015)SSC分布如图3a所示。高SSC主要分布在西滩区域, 靠近东四口门处为SSC最大值区, 平均浓度可达90mg·L-1以上。整体上SSC呈现从西北向东南递减的趋势, 且在西航道附近出现一条“丿”型悬沙锋面, 北起虎门口, 南至淇澳岛东南部。
图3 珠江河口SSC气候态平均分布(a)及其平均变化速率(b)

b中黑点表示区域SSC具有显著上升或下降趋势

Fig. 3 Climatological mean SSC (a) and the rate of SSC change (b) of the Pearl River Estuary (a). The stippling in (b) indicates areas where there were significant increasing or decreasing trends

珠江河口SSC在2003—2015年间呈总体下降趋势(图3b), 平均下降速率约为1.03mg·L-1·yr-1, 但在口门外以及河口东北部区域下降更快, 最高可达约4.0mg·L-1·yr-1。下降趋势主要集中在珠江河口伶仃洋内, 口门外万山群岛以南区域则无显著变化趋势。

2.3 珠江河口SSC分位数趋势

对整个珠江河口SSC作空间平均, 求得其平均值、5th和95th百分位数趋势如图4a所示。可以看出, 无论是平均值, 还是极端值, SSC皆呈下降趋势。然而, 不同分位数的下降速率并不一致, 95th百分位数下降速率明显大于平均值, 而5th百分位数下降速率则小于平均值。更具体地, 由图4b可知, 珠江河口SSC下降速率总体上呈高值快, 低值缓的格局。这是利用传统最小二乘法求得的线性趋势所得不到的信息。
图4 分位数回归趋势(a)以及分位数变化速率(b)

a中圆圈代表珠江河口SSC月平均值, 黑色实线表示珠江河口SSC平均值线性回归结果, 虚线表示5th和95th百分位数回归结果。b中误差棒对应变化速率的95%置信区间, 黑色实线表示平均值变化速率, 黑色虚线表示其95%置信区间

Fig. 4 Quantile regression trends (a) and quantile slopes (b) for monthly-mean SSC. The blue circles in (a) show the monthly-mean SSC averaged in the Pearl River Estuary. The thick black line is the trend of the mean SSC, and the dash-dotted black lines are the trends in the 5th and 95th percentiles, respectively. The vertical error bars in (b) indicate the corresponding 95% confidence interval, and the black solid line shows the mean SSC slope, with the corresponding 95% confidence interval (dashed line)

珠江河口复杂的水下地形和来水来沙条件导致河口主导动力和SSC表现出明显的空间差异性, 因此单一河口空间平均的趋势易平滑一些极端变化特征。为进一步揭示河口不同区域SSC分位数趋势差异性, 分别提取河口不同分位数趋势空间分布。图5显示, 总体上河口SSC在不同分位数不同区域上皆呈下降趋势, 除了横门外SSC极大值(95th)存在轻微上升趋势。同时, SSC的下降趋势存在明显的空间差异性。SSC低分位数(图5a—c)的快速下降主要发生在蕉门、洪奇门和横门外的淇澳岛北部区域, 意味着该区域SSC每年较小值部分呈快速下降趋势。高分位数(图5g—i)下降速率快主要发生在虎门口, 龙穴岛东南岸以及东航道附近水域, 表明这些区域SSC每年的高值部分下降速率显著。此外, 相对而言西滩南部区域SSC大值(图5i)下降速率显著高于小值部分(图5a)。
图5 2003—2015年珠江河口SSC分位数趋势空间分布

黑点表示区域SSC具有显著上升或下降趋势

Fig. 5 Quantile regression trends (units: mg·L-1·yr-1) (2003-2015) for different percentiles of SSC in the Pearl River Estuary. Stippling indicates areas where there are significant increasing or decreasing trends

不同分位数趋势的差异可导致数据总体分布形状的改变, 如改变数据分布范围或峰度和偏度(Rhines et al, 2017)。图6所示为珠江河口SSC的95th百分位数与5th百分位数之差的趋势空间分布特征。可以看出, 在淇澳岛北部口门外区域, 其SSC大值与小值之间的差异逐年增加, 主要由于该区域大值下降趋势小于小值下降趋势。在河口其他区域, SSC每年大、小值差异则呈逐年减小趋势, 尤其是东航道附近海域以及西滩南部区域。这种趋势则主要由大值下降趋势大于小值下降趋势所引起。
图6 2003—2015年珠江河口SSC的95th与5th百分位数差异(单位: mg·L-1·yr-1)的趋势分布

黑点表示具有显著变化趋势

Fig. 6 Trend (units: mg·L-1·yr-1) (2003-2015) in 95th-5th percentile for the SSC in the Pearl River Estuary. Stippling indicates areas where there are significant increasing or decreasing trends

3 讨论与分析

3.1 径流及输沙对SSC长期趋势的影响

珠江径流和输沙量的长期变化趋势如图7所示。尽管存在年际变化, 但珠江径流量并无显著长期变化趋势。然而, 径流中的含沙量却呈现显著下降趋势, 过去十几年间下降了约58.8%(图7b)。这种急剧下降主要受人类活动影响。吴创收 等(2014)指出, 流域水库蓄水和水土保持对珠江输沙率减小的贡献率可达90%以上。此外, 由于洪季径流流速大, 不利于水库泥沙沉降, 加之蓄水时期多发生于洪季末或者枯季, 因此珠江枯季输沙量下降速率大于洪季(Wu et al, 2012)。由图8b可知, 淇澳岛北部口门外区域SSC最小值多发生在1月或者2月, 此时水库拦沙作用相对更显著, 因而导致该地区SSC低分位数, 即冬季SSC的下降趋势明显(图5a)。
图7 2000—2014年珠江(高要站、石角站和博罗站)径流及输沙量趋势

Fig. 7 Trends (2000-2014) of water discharge and sediment load in the Pearl River

图8 珠江河口SSC极大值(a)和极小值(b)发生月份的空间分布

Fig. 8 Spatial distribution of the month when the maximum (a) and minimum (b) SSC occurred based on the monthly-mean satellite-derived SSC during the period 2003-2015

尽管珠江径流量对珠江河口SSC长期趋势影响不显著, 输沙量变化却控制了其变化趋势。这种现象不仅发生在珠江河口, 也常见于长江河口(Yang et al, 2005; Xu et al, 2006)以及黄河河口(Wang et al, 2007, 2016)。于珠江河口, 输沙量下降对河口SSC长期趋势影响范围更局限于口门外区域, 且对枯季影响较大。

3.2 水下地形变化对SSC长期趋势的影响

受人类活动影响, 珠江河口水下地形在过去十几年间发生显著变化(Li et al, 2010; Wu et al, 2016)。由图9b(Wu et al, 2016)可知, 虎门口、龙穴岛东南岸以及东航道附近区域水深加深最显著, 其速率可超过10cm·yr-1。近年来, 南沙港码头的建设以及东槽矾石水道的海沙开采使这些地区的水深大大增加, 其中矾石水道中上段采砂面积约37m2, 采砂总量超过2.7×109m3, 致使海床普遍下切5~10m(季荣耀 等, 2015)。航道的加深使得潮汐动力加强, 有利于河口水体SSC的增加(Van Maren et al, 2015)。然而这种增加建立在有足够泥沙源的前提下(Van Maren et al, 2016), 尽管东航道潮汐混合加强, 但采砂活动使得河床泥沙源大量减少, 因此能再悬浮至表层的悬沙也大大减少。通过对比图9a和图9b发现, 珠江河口水深加深速度快的区域与其SSC高分位数下降趋势快的区域在空间上有着很好吻合, 表明这些区域SSC高值的下降主要受局地水深加深影响。另一方面, 由图8a可知, 西滩南部区域SSC最大值出现在12月, 此时河口处于充分混合状态(Wong et al, 2003), 加之西滩区域水深较浅且河床泥沙充沛, 固底层泥沙得以通过潮汐混合作用再悬浮至表层, 对该区域SSC高值贡献显著。另一方面, 由于西滩区域总体上呈淤积趋势, 加之河口西岸大量无序围垦活动, 使得过去十几年西滩水深变浅, 水域面积和水体体积下降, 进而潮汐动力减弱, 再悬浮作用降低, 以致西滩南部区域SSC高值部分下降趋势较显著。
图9 2003—2015年珠江河口SSC的95th百分位数变化(单位: mg·L-1·yr-1)趋势(a)和2000—2010年水深变化(单位: cm·yr-1)分布(b)

a中黑点表示区域SSC具有显著上升或下降趋势;b引自Wu 等(2016)

Fig. 9 Trend (units: mg·L-1·yr-1) (2003-2015) in 95th percentile for the SSC (a) and subaqueous topographic change (2000-2010) in the Pearl River Estuary. Stippling indicates areas where there are significant increasing or decreasing trends

3.3 风对SSC长期趋势的影响

风对SSC影响主要体现在风向和风速两方面。风向可通过两种方式影响SSC: 改变河口环流结构和调整河口水体层结。受亚热带季风气候影响, 珠江河口夏季吹西南风或偏南风, 冬季盛行东北风。东北风可增加陆架水向河口的入侵而西南风可加强河口表层水的向海输运(Wong et al, 2003)。这种效应对SSC的影响主要体现在制约SSC的分布范围, 使枯季高SSC水体较窄且靠西岸分布。另一方面, 通过潮汐应变作用(tidal straining)(Scully et al, 2005), 珠江河口风向倾向于减弱(增强)夏季(冬季)河口水体层结。然而, 这种作用通常发生在风速很大的极端天气事件中(如台风), 且时间尺度一般在2~5d之内(Li et al, 2007)。因此, 本文在基于月平均数据的SSC长期趋势分析中不考虑风向作用的影响。
珠江河口悬浮泥沙颗粒较细, 风致水体表层与次表层的湍流混合可引发悬浮泥沙垂向输运, 从而增大表层SSC(Zhang et al, 2009)。这种作用在台风天气下尤为明显, 强风浪使珠江河口局部水体SSC显著增加, 尤其在河口浅滩地区(朱樊 等, 2015)。从珠江河口区域平均地表风速的不同分位数变化趋势(图10a)可以看出, 2003—2015年间风速主要呈微弱下降趋势, 且总体上高值区下降速率更快。珠江河口风速高值主要出现在冬季(图10b), 表明河口冬季风下降, 风致海水混合作用减小, 这也是导致西滩南部SSC高值下降趋势显著的可能原因之一。由于人类活动对河口不同区域干预强度不一, 相对而言河口南部水域受人类活动影响更小, 因此风对其SSC趋势影响更具区分度。至于河口其他地区, 目前还需更多的人类活动数据去进一步定量分析不同因素对SSC变化趋势的相对贡献率。
图10 2003—2015年珠江河口分位数变化速率(a)及其气候态月平均分布(b)

灰色误差棒表示对应的95%置信区间

Fig. 10 Quantile slopes (2003-2015) for monthly-mean wind speed (a) and climatological monthly-averaged wind speed (b) in the Pearl River Estuary. Gray error bars indicate the corresponding 95% confidence level

4 结论

本文利用MODIS-Aqua一级产品反演了2003— 2015年期间珠江河口表层SSC。通过与多个航次实测数据验证表明, 遥感反演的SSC无论在洪季还是枯季皆有着较高的精度。基于遥感反演数据, 并结合水文站资料, 揭示了珠江河口SSC分位数变化趋势, 并探讨不同分位数趋势的空间分布与珠江流域径流量、输沙量、风场以及河口地形变化等因素的联系。主要得出以下结论。
1) 珠江河口SSC在2003—2015年间呈总体下降趋势, 其平均下降速率约为1.03mg·L-1·yr-1。东四口门外以及河口东北部区域下降更快, 最高可达约4.0mg·L-1·yr-1。SSC下降趋势主要集中在珠江河口伶仃洋内, 口门外万山群岛以南区域则无显著变化趋势。
2) 总体上珠江河口SSC高值下降速率大于低值, 但存在空间差异性。低值下降趋势显著地区主要分布在淇澳岛北部口门外区域, 导致其SSC大、小值之间的差异逐年增加, 而高值下降速率快的地区主要分布在虎门口, 龙穴岛东南岸以及东航道附近水域, 其SSC每年大、小值差异则呈逐年减小趋势。
3) SSC分位数趋势受径流输沙量、河口地形变化以及风的影响。由水库修建等人类活动引起的上游输沙量减少导致淇澳岛北部口门外区域SSC的低值部分显著下降。虎门口、龙穴岛东南岸以及东航道附近水域水深的加深使得这些区域SSC高值部分下降显著, 而西滩水域变浅使得潮汐动力减弱进而SSC高值部分下降趋势显著。此外, 风速下降引起的表层水体混合减弱也是导致西滩南部SSC高值下降趋势显著的原因之一。

*致谢:

感谢热带海洋环境国家重点实验室陈楚群研究员为本研究工作提供宝贵航次资料。

The authors have declared that no competing interests exist.

作者已声明无竞争性利益关系。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
何为 , 2001. 珠江口泥沙特点与控制因素[J]. 中山大学研究生学刊(自然科学), 22(1):84-89.

HE WEI , 2001. Characteristics and controlled factors of suspended sand in Pearl River estuary[J]. Journal of the Graduates Sun Yat-Sen University (Natural Sciences), 22(1):84-89 (in Chinese with English abstract).

[2]
季荣耀, 陆永军, 王志力 , 等, 2015. 河口治理开发对伶仃洋滩槽演变影响分析[C]// 第十七届中国海洋(岸)工程学术讨论会论文集. 北京: 海洋出版社: 987-990.

[3]
刘大召, 陈楚群, 刘汾汾 , 等, 2009. 利用混合光谱分解估测珠江口悬浮泥沙浓度[J]. 热带海洋学报, 28(5):43-48.

DOI

LIU DAZHAO, CHEN CHUQUN, LIU FENFEN , et al, 2009. Estimation of suspended sediment concentration at Zhujiang River Mouth based on decomposition of mixing spectrum[J]. Journal of Tropical Oceanography, 28(5):43-48 (in Chinese with English abstract).

[4]
刘汾汾, 陈楚群, 唐世林 , 等, 2009. 基于现场光谱数据的珠江口MERIS悬浮泥沙分段算法[J]. 热带海洋学报, 28(1):9-14.

DOI

LIU FENFEN, CHEN CHUQUN, TANG SHILIN , et al, 2009. A piecewise algorithm for retrieval of suspended sediment concentration based on in situ spectral data by MERIS in Zhujiang River estuary[J]. Journal of Tropical Oceanography, 28(1):9-14 (in Chinese with English abstract).

[5]
栾虹, 付东洋, 李明杰 , 等, 2017. 基于Landsat 8珠江口悬浮泥沙四季遥感反演与分析[J]. 海洋环境科学, 36(6):892-897.

LUAN HONG, FU DONGYANG, LI MINGJIE , et al, 2017. Based on Landsat 8 suspended sediment concentration of the Pearl River on each season inversion and analysis[J]. Marine Environmental Science, 36(6):892-897 (in Chinese with English abstract).

[6]
倪培桐, 吴超羽, 陈卓英 , 2000. 应用数值模拟方法探讨河口最大浑浊带若干机理[J]. 热带海洋学报, 19(2):27-32.

NI PEITONG, WU CHAOYU, CHEN ZHUOYING , 2000. A discussion on some mechanisms of estuarine turbidity maximum zone by numerical models[J]. Tropic Oceanology, 19(2):27-32 (in Chinese with English abstract).

[7]
倪培桐, 闻平, 刘剑宇 , 2016. 珠江三角洲水沙年际变化趋势分析[J]. 人民珠江, 37(1):19-24.

NI PEITONG, WEN PING, LIU JIANYU , 2016. Study on variation of annual water discharge and sediment load in Pearl River delta[J]. Pearl River, 37(1):19-24 (in Chinese with English abstract).

[8]
唐兆民, 何志刚, 任杰 , 等, 2005. 珠江口虎门悬浮泥沙浓度的测量[J]. 中山大学学报(自然科学版), 44(4):124-128.

TANG ZHAOMIN, HE ZHIGANG, REN JIE , et al, 2005. Measurement on suspended sediment concentration at Humen Estuary of the Pearl River[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 44(4):124-128 (in Chinese with English abstract).

[9]
田向平 , 1986. 珠江河口伶仃洋最大混浊带研究[J]. 热带海洋, 5(2):27-35.

TIAN XIANGPING , 1986. A study on turbidity maximum in Lingdingyang Estuary of the Pearl River[J]. Tropical Oceanology, 5(2):27-35 (in Chinese with English abstract).

[10]
吴创收, 杨世伦, 黄世昌 , 等, 2014. 1954-2011年间珠江入海水沙通量变化的多尺度分析[J]. 地理学报, 69(3):422-432.

WU CHUANGSHOU, YANG SHILUN, HUANG SHICHANG , et al, 2014. Multi-scale variability of water discharge and sediment load in the Pearl River during 1954-2011[J]. Acta Geographica Sinica, 69(3):422-432 (in Chinese with English abstract).

[11]
禹定峰, 邢前国, 陈楚群 , 等, 2010. 利用导数光谱估算珠江河口水体悬浮泥沙浓度[J]. 生态科学, 29(6):563-567.

YU DINGFENG, XING QIANGUO, CHEN CHUQUN , et al, 2010. Using derivative spectrum to estimate suspended sediment concentration of estuarine waters[J]. Ecological Science, 29(6):563-567 (in Chinese with English abstract).

[12]
朱樊, 欧素英, 张铄涵 , 等, 2015. 基于MODIS影像的珠江口表层悬沙浓度反演及时空变化分析[J]. 泥沙研究, ( 2):67-73.

ZHU FAN, OU SUYING, ZHANG SHUOHAN , et al, 2015. MODIS images-based retrieval and analysis of spatial-temporal change of superficial suspended sediment concentration in the Pearl River Estuary[J]. Journal of Sediment Research, ( 2):67-73 (in Chinese with English abstract).

[13]
BAILEY S, WANG M H, 2001. Satellite aerosol optical thickness match-up procedures [C]//FARGION G S, BARNES R, MCCLAIN C. In situ aerosol optical thickness collected by the SIMBIOS program (1997-2000): protocols, and data QC and analysis. NASA technical memorandum 2001-209982. Greenbelt: Goddard Space Flight Center: 70-72.

[14]
BARBOSA S M , 2008. Quantile trends in Baltic sea level[J]. Geophysical Research Letters, 35(22):L22704.

DOI

[15]
BILOTTA G S, BRAZIER R E , 2008. Understanding the influence of suspended solids on water quality and aquatic biota[J]. Water Research, 42(12):2849-2861.

DOI

[16]
DOGLIOTTI A I, RUDDICK K, GUERRERO R , 2016. Seasonal and inter-annual turbidity variability in the Río de la Plata from 15 years of MODIS: El Niño dilution effect[J]. Estuarine, Coastal and Shelf Science, 182:27-39.

DOI

[17]
DYER K R, CHRISTIE M C, FEATES N , et al, 2000. An investigation into processes influencing the Morphodynamics of an intertidal mudflat, the Dollard estuary, the Netherlands: I. hydrodynamics and suspended sediment[J]. Estuarine, Coastal and Shelf Science, 50(5):607-625.

DOI

[18]
ELIAS E P L, VAN DER SPEK A J F, WANG Z B , et al, 2012. Morphodynamic development and sediment budget of the Dutch Wadden Sea over the last century[J]. Netherlands Journal of Geosciences, 91(3):293-310.

DOI

[19]
FITZENBERGER B, HUJER R, MACURDY T E , et al, 2001. Testing for uniform wage trends in West-Germany: A cohort analysis using quantile regressions for censored data[J]. Empirical Economics, 26(1):41-86.

DOI

[20]
FRANZKE C L E , 2015. Local trend disparities of European minimum and maximum temperature extremes[J]. Geophysical Research Letters, 42(15):6479-6484.

DOI

[21]
HE QUANJUN, CHEN CHUQUN , 2014. A new approach for atmospheric correction of MODIS imagery in turbid coastal waters: a case study for the Pearl River Estuary[J]. Remote Sensing Letters, 5(3):249-257.

DOI

[22]
LI MING, ZHONG LIEJUN, BOICOURT W C , et al, 2007. Hurricane-induced destratification and restratification in a partially-mixed estuary[J]. Journal of Marine Research, 65(2):169-192.

DOI

[23]
LI XUEJIE, DAMEN M C J , 2010. Coastline change detection with satellite remote sensing for environmental management of the Pearl River Estuary, China[J]. Journal of Marine Systems, 82 Suppl: S54-S61.

DOI

[24]
LIU RUNQI, WANG YAPING, GAO JIANHUA , et al, 2016. Turbidity maximum formation and its seasonal variations in the Zhujiang (Pearl River) Estuary, southern China[J]. Acta Oceanologica Sinica, 35(8):22-31.

[25]
MOREIRA D, SIMIONATO C G, GOHIN F , et al, 2013. Suspended matter mean distribution and seasonal cycle in the Río de La Plata estuary and the adjacent shelf from ocean color satellite (MODIS) and in-situ observations[J]. Continental Shelf Research, 68:51-66.

DOI

[26]
PARTAL T, KAHYA E , 2006. Trend analysis in Turkish precipitation data[J]. Hydrological Processes, 20(9):2011-2026.

DOI

[27]
PETUS C, MARIEU V, NOVOA S , et al, 2014. Monitoring spatio-temporal variability of the Adour River turbid plume (Bay of Biscay, France) with MODIS 250-m imagery[J]. Continental Shelf Research, 74:35-49.

DOI

[28]
RHINES A, MCKINNON K A, TINGLEY M P , et al, 2017. Seasonally resolved distributional trends of North American temperatures show contraction of winter variability[J]. Journal of Climate, 30(3):1139-1157.

DOI

[29]
RUFF T W, NEELIN J D , 2012. Long tails in regional surface temperature probability distributions with implications for extremes under global warming[J]. Geophysical Research Letters, 39(4):L04704.

[30]
SCULLY M E, FRIEDRICHS C, BRUBAKER J , 2005. Control of estuarine stratification and mixing by wind-induced straining of the estuarine density field[J]. Estuaries, 28(3):321-326.

DOI

[31]
SEN P K , 1968. Estimates of the Regression Coefficient Based on Kendall's Tau[J]. Journal of the American Statistical Association, 63(324):1379-1389.

DOI

[32]
SHI ZHEN, XU JIE, HUANG XIAOPING , et al, 2017. Relationship between nutrients and plankton biomass in the turbidity maximum zone of the Pearl River Estuary[J]. Journal of Environmental Sciences, 57:72-84.

DOI

[33]
TABARI H, MAROFI S, AEINI A , et al, 2011. Trend analysis of reference evapotranspiration in the western half of Iran[J]. Agricultural and Forest Meteorology, 151(2):128-136.

DOI

[34]
VAN MAREN D S, VAN KESSEL T, CRONIN K , et al, 2015. The impact of channel deepening and dredging on estuarine sediment concentration[J]. Continental Shelf Research, 95:1-14.

DOI

[35]
VAN MAREN D S, OOST A P, WANG Z B , et al, 2016. The effect of land reclamations and sediment extraction on the suspended sediment concentration in the Ems Estuary[J]. Marine Geology, 376:147-157.

DOI

[36]
WANG CHONGYANG, LI WEIJIAO, CHEN SHUISEN , et al, 2018. The spatial and temporal variation of total suspended solid concentration in Pearl River Estuary during 1987-2015 based on remote sensing[J]. Science of the Total Environment, 618:1125-1138.

DOI

[37]
WANG HONGQING, HLADIK C M, HUANG WENRUI , et al, 2010. Detecting the spatial and temporal variability of chlorophyll-a concentration and total suspended solids in Apalachicola Bay, Florida using MODIS imagery[J]. International Journal of Remote Sensing, 31(2):439-453.

DOI

[38]
WANG HOUJIE, YANG ZUOSHENG, SAITO Y , et al, 2007. Stepwise decreases of the Huanghe (Yellow River) sediment load (1950-2005): Impacts of climate change and human activities[J]. Global and Planetary Change, 57(3-4):331-354.

DOI

[39]
WANG MENGHUA, GORDON H R , 1994. A simple, moderately accurate, atmospheric correction algorithm for SeaWiFS[J]. Remote Sensing of Environment, 50(3):231-239.

DOI

[40]
WANG SHUAI, FU BOJIE, PIAO SHILONG , et al, 2016. Reduced sediment transport in the Yellow River due to anthropogenic changes[J]. Nature Geoscience, 9(1):38-41.

[41]
WONG L A, CHEN J C, XUE H , et al, 2003. A model study of the circulation in the Pearl River Estuary (PRE) and its adjacent coastal waters: 1. Simulations and comparison with observations[J]. Journal of Geophysical Research: Oceans, 108(C5):3156.

DOI

[42]
WU C S, YANG S L, LEI YAPING , 2012. Quantifying the anthropogenic and climatic impacts on water discharge and sediment load in the Pearl River (Zhujiang), China (1954-2009)[J]. Journal of Hydrology, 452-453:190-204.

DOI

[43]
WU Z Y, SAITO Y, ZHAO D N , et al, 2016. Impact of human activities on subaqueous topographic change in Lingding Bay of the Pearl River estuary, China, during 1955-2013[J]. Scientific Reports, 6:37742.

DOI

[44]
XU KEHUI, MILLIMAN J D, YANG ZUOSHENG , et al, 2006. Yangtze sediment decline partly from Three Gorges Dam[J]. Eos Transactions American Geophysical Union, 87(19):185-190.

[45]
YANG S L, ZHANG J, ZHU J , et al, 2005. Impact of dams on Yangtze River sediment supply to the sea and delta intertidal wetland response[J]. Journal of Geophysical Research: Earth Surface, 110(E3):F03006.

DOI

[46]
YE HAIBIN, CHEN CHUQUN, TANG SHILIN , et al, 2014. Remote sensing assessment of sediment variation in the Pearl River Estuary induced by Typhoon Vicente[J]. Aquatic Ecosystem Health & Management, 17(3):271-279.

[47]
YUE S, HASHINO M , 2003. Temperature trends in Japan: 1900-1996[J]. Theoretical and Applied Climatology, 75(1-2):15-27.

DOI

[48]
ZHANG WEI, MU SHOUSHENG, ZHANG YANJING , et al, 2011. Temporal variation of suspended sediment load in the Pearl River due to human activities[J]. International Journal of Sediment Research, 26(4):487-497.

DOI

[49]
ZHANG XINFENG, TANG DANLING, LI ZIZHEN , et al, 2009. The effects of wind and rainfall on suspended sediment concentration related to the 2004 Indian Ocean tsunami[J]. Marine Pollution Bulletin, 58(9):1367-1373.

DOI PMID

Options
Outlines

/

〈 〉