结合GOCI数据反演近海浮游植物叶绿素和类胡萝卜素浓度 下载: 736次
1 引言
浮游植物广泛分布于海洋水体中,是全球初级生产力的重要贡献者,在物质循环和能量流动中发挥着重要作用[1-3]。浮游植物色素是浮游植物的重要组成部分,不同种类的浮游植物往往含有不同成分及比例的色素,因此对浮游植物色素的研究可以更好地描述浮游植物群落的变化[4-6]。叶绿素a是浮游植物光合作用的重要参与者,在海洋初级生产力、全球碳循环等方面都是必要的研究内容[7-9]。随着高效液相色谱法(HPLC)等色素分析方法的发展[10],学者们发现除叶绿素a外,浮游植物内包含的其他色素也能用于浮游植物种群结构的精细化判别[11-12]。基于卫星遥感技术进行长时间大范围的监测研究,利用浮游植物色素在光合作用过程中对海洋光信号的影响,建立遥感反演模型,实现色素浓度的监测,已成为近年来海洋水色遥感研究的热点问题[13-14]。
近年来很多学者开展了浮游植物色素浓度的遥感反演研究。Pan等[15]建立了遥感反射率与色素浓度之间的经验模型,并将该模型应用到MODIS卫星数据上,获得美国东北海岸总叶绿素a、墨角藻黄素、玉米黄素和多甲藻素的空间分布特征。Catlett等[16]对浮游植物吸收系数使用光谱导数分析法得到其特征波段,再通过多元线性回归建立色素浓度与不同特征波段的反演模型。Chase等[17]使用高斯函数分解法建立了基于原位高光谱遥感反射率的反演模型,实现了叶绿素和类胡萝卜素浓度的反演。Wang等[18]利用逐步回归法在Chase模型基础上进一步优化高斯参数与色素浓度的回归模型,并将其应用到全球遥感反射率卫星产品上,得到2007年叶绿素和类胡萝卜素的全球分布图。Liu等[19]对比了基于高斯分解法和非负最小二乘法的两种浮游植物色素浓度反演模型的精度,发现两种方法在反演特定色素种类的浓度时具有较好的效果。El Hourany等[20]利用人工神经网络方法训练了12000个现场实测数据,利用自组织映射模型识别实测数据与卫星数据之间的非线性关系,实现了色素浓度的反演。
现有的研究多聚焦于大洋水体的浮游植物色素浓度反演,而针对近海二类水体,特别是针对我国近海水体的色素遥感反演模型的研究较少,且尚未实现大尺度时空分布研究。本文基于实测遥感反射率和浮游植物色素浓度数据,建立基于遥感反射率波段组合的浮游植物色素浓度反演模型,并将该模型应用于静止海洋水色成像仪(GOCI)卫星数据上,分析浮游植物色素浓度的时空变化规律。这将为认识我国近海水体浮游植物种群结构及时空变化规律提供方法支撑。
2 数据与方法
2.1 研究区域
本文的研究区域为黄海(Yellow Sea,YS)、渤海(Bohai Sea,BS)和东海(East China Sea,ECS)。渤海是中国最浅的半封闭内海。黄海是位于太平洋西北部的边缘海。东海是西太平洋典型的开放性边缘海,是世界高浊度的海区之一。渤海、黄海和东海有着复杂的水动力环境,其入海河流会输入大量的营养盐和泥沙等沉积物,属于二类水体,在光学性质上较为复杂。本文所使用的现场实测数据采集于2016年夏、冬季黄渤海和春、秋季东海航次,2017年夏季东海航次以及2018年春、夏季黄渤海航次。
2.2 实测数据
本研究使用的实测数据主要有遥感反射率(Rrs)以及浮游植物色素浓度,其中Rrs与浮游植物色素浓度相匹配的数据共有161条。采集数据的调查站点覆盖了近岸富营养的浅水区和寡营养开阔的外海深水区,采集时间涵盖了多个季节。实测Rrs数据主要通过美国ASD (Analytica Spectra Devices., Inc)公司生产的FieldSpec 4 Hi-Res NG地物光谱仪,使用水面之上测量法得到[21]。本文采用的Rrs光谱范围在400~700 nm之间。去除异常Rrs数据后,对其进行重采样,重采样分辨率为1 nm。
浮游植物色素浓度的获取步骤是:1)通过Niskin采水器采集深度小于10 m的海水样本,使用直径为47 mm、孔径为0.7 μm的Whatman GF/F滤膜过滤,吸干滤膜上残留的水分后,立即将滤膜放入-80 ℃液氮罐中保存;2)根据Van Heukelem[22]的测量标准,参考Vidussi等[23]的方法使用HPLC分析方法测得浮游植物色素浓度。同时依据数据质量控制规范[24],对色素浓度数据进行质控。质控要求具体如下:1)总叶绿素a和总辅助色素浓度之差低于总色素浓度的30%;2)总叶绿素a和总辅助色素浓度之间线性回归的斜率在0.7~1.4之间,决定系数R2高于0.9;3)为了进一步保证模型的反演效果,剔除了浮游植物色素浓度小于0.001 mg·m-3的站点数据;4)同时,根据Bricaud等[25]的方法进一步对浮游植物色素进行分类,最终对总叶绿素a(TChl-a)、叶绿素b(Chl-b)、总叶绿素c(TChl-c)、光保护类胡萝卜素(PPC)、光合有效类胡萝卜素(PSC)等色素进行反演。各色素的名称及描述如
表 1. 本文研究的浮游植物色素种类及描述
Table 1. Species and description of phytoplankton pigmentsunit: mg·m-3
|
2.3 卫星数据
本文使用的卫星数据来自于韩国海洋卫星中心(KOSC)发射的地球静止卫星上搭载的GOCI传感器。GOCI卫星数据的时间分辨率为1 h(8景/天,UTC:0:00--8:00),空间分辨率为500 m。本研究收集了KOSC(http://kosc.kiost.ac.kr/eng/)2014年1月1日至2018年12月31日的所有GOCI日数据(L1b),使用GDPS(GOCI Data Processing Solutions)对数据进行处理,得到412,443,490,555,660,680 nm波段的GOCI遥感反射率产品。
2.4 浮游植物色素浓度反演模型
根据GOCI传感器的波段设置,通过研究不同遥感反射率单波段或多波段组合值与实测浮游植物色素浓度之间的关系,选出最优波段组合类型,建立反演模型。尝试的波段组合形式(X)如
表 2. 本研究使用的遥感反射率波段组合表达式,其中λi和λj分别代表GOCI Rrs数据的第i和第j个波段
Table 2. Remote sensing reflectance band combination form in this paper, in which λi and λj represent the i-th and j-th band of the GOCI Rrs
|
2.5 精度评价指标
本研究所使用的精度评价指标为决定系数(R2)、均方根误差(RMSE,ERMS)、平均绝对百分误差(MAPE,EMAP)以及中值绝对百分误差(ME,EM),其中RMSE、MAPE、ME的表达式为
式中:n表示样本数;xi表示第i个样本的实测值;yi表示第i个样本的模型反演值。
3 结果分析
3.1 浮游植物色素浓度反演模型构建与验证
通过分析浮游植物色素浓度与Rrs波段组合值之间的关系, TChl-a、Chl-b、TChl-c、PPC、PSC的最优波段组合形式分别为X8、X8、X8、X5和X5,其中所有色素模型使用的λi和λj都为490 nm和555 nm(相关系数分别为0.71,0.60,0.64,0.70,0.65)。根据最优波段组合形式与实测浮游植物色素浓度建立的反演模型如
表 3. 最优波段组合形式及浮游植物色素浓度反演模型
Table 3. Optimal band combination and phytoplankton pigment concentration inversion model
|
使用留一交叉验证法进一步检验模型反演效果,实测TChl-a、Chl-b、TChl-c、PPC、PSC浓度与其对应的模型反演值散点图如
图 1. 比较模型反演与实测的色素浓度。(a) TChl-a;(b) Chl-b;(c) TChl-c;(d) PPC;(e) PSC
Fig. 1. Comparison between the estimated and measured pigment concentration. (a) TChl-a; (b) Chl-b; (c) TChl-c; (d) PPC; (e) PSC
3.2 卫星反演结果检验
为了检验卫星反演结果,根据实测数据的采集位置及时间,由3×3网格的空间窗口以及0.5 h的时间窗口,提取对应实测站点GOCI数据的Rrs有效值,共提取获得12组匹配点数据。应用
图 2. 比较实测与卫星反演的色素浓度。(a) TChl-a;(b) Chl-b;(c) TChl-c;(d) PPC;(e) PSC
Fig. 2. Comparison between the measured and satellite-derived pigment concentration. (a) TChl-a; (b) Chl-b; (c) TChl-c; (d) PPC; (e) PSC
3.3 渤海、黄海和东海浮游植物色素浓度分布
将本文提出的反演模型应用于2014—2018年GOCI卫星的Rrs数据上,2014—2018年渤海、黄海和东海各色素平均浓度分布如
图 3. 渤海、黄海、东海2014—2018年色素浓度年平均分布图。(a) TChl-a;(b) Chl-b;(c) TChl-c;(d) PPC;(e) PSC
Fig. 3. Annual average spatial distribution of pigment concentrations from 2014 to 2018 in Bohai Sea, Yellow Sea and East China Sea. (a) TChl-a; (b) Chl-b; (c) TChl-c; (d) PPC; (e) PSC
3.4 渤海、黄海和东海浮游植物色素浓度月平均分布
2014—2018年GOCI遥感反射率数据应用反演模型得到的各色素月平均分布图如
在渤海,1月色素浓度较高,之后浓度减小,在7月达到谷值,接着逐渐升高,在12月达到另一个峰值,色素浓度整体呈现冬季高、夏季低的趋势,与文献[ 26-28]的研究结果一致。这是因为:冬季渤海水温较低,表面海水下沉,下层营养物质随海水向上流动,造成浮游植物大量繁殖,色素浓度升高[26,29];而夏季水温升高,温度跃层导致垂向水体的物质和能量交换受阻,色素浓度较冬季变低[26,30-31]。
图 4. 渤海、黄海、东海2014—2018年色素浓度月平均分布图。(a) TChl-a;(b) Chl-b;(c) TChl-c;(d) PPC;(e) PSC
Fig. 4. Monthly average spatial distribution of pigment concentrations from 2014 to 2018 in Bohai Sea, Yellow Sea and East China Sea. (a) TChl-a; (b) Chl-b; (c) TChl-c; (d) PPC; (e) PSC
在北黄海区域,先是从1月开始色素高浓度区域面积随时间逐渐减小,6—7月达到谷值,之后8—9月北部沿岸地区色素浓度增加,10—12月山东半岛和朝鲜半岛中间海域逐渐有色素高浓度区域出现。在山东半岛区域,从1月开始高浓度区域逐渐向近岸收缩,6—7月只在近岸有高值区,之后高值区又逐渐由近岸向东推移,在12月达到峰值。
江苏浅滩及浙闽沿岸地区,色素浓度全年保持一个较高的水平。1月色素浓度较高,随着时间推移在3—5月色素浓度逐渐降低,而6月在浙闽沿岸有面积较小的色素高浓度区域出现,接着高值区在7—8月由浙闽沿岸扩展至长江口,之后逐渐消失。此外,长江口处三角状高浓度区域在冬季面积较大,之后逐渐减小,6—7月几乎消失,在秋冬季又逐渐向外扩散。Yamaguchi等[32]的研究表明,高浓度三角区域与长江冲淡水的移动相吻合,长江冲淡水与色素浓度的变化成正相关,受长江冲淡水的影响,秋冬季三角状高浓度区域逐渐由长江口向东推移。而夏季长江口处海温升高,导致海水垂直混合度降低,离岸三角区浮游植物减少,导致其面积减小,但近岸由于得到长江带来的营养盐,近岸区域浮游植物大量繁殖,色素浓度反而升高[17]。最后,在东海开阔外海深水区,各色素浓度全年保持较低的水平,色素浓度随季节变化较小。
4 分析与讨论
4.1 浮游植物色素浓度在典型区域的分布变化
进一步探究不同海域色素浓度的差异性,根据
图 5. S1 ~ S5区域在2014—2018年月平均色素浓度变化图。(a) TChl-a;(b) Chl-b;(c) TChl-c;(d) PPC;(e) PSC
Fig. 5. Monthly average distribution of pigment concentrations from 2014 to 2018 in S1--S5. (a) TChl-a; (b) Chl-b; (c) TChl-c; (d) PPC; (e) PSC
表 4. TChl-a、Chl-b、TChl-c、PPC和PSC在S1~S5区域2014—2018年各年浓度平均值和标准差
Table 4. Mean and standard deviation of the TChl-a, Chl-b, TChl-c, PPC and PSC concentrations in the S1-S5 region in each year from 2014 to 2018
|
图 6. 实测TChl-a与各色素浓度之间的关系。(a) TChl-a和Chl-b;(b) TChl-a和TChl-c;(c) TChl-a和PPC; (d) TChl-a和PSC
Fig. 6. Relationship of measured pigment concentration between TChl-a and Chl-b, TChl-c, PPC, PSC. (a) TChl-a and Chl-b; (b) TChl-a and TChl-c; (c) TChl-a and PPC; (d) TChl-a and PSC
4.2 浮游植物色素之间的关系
建立色素浓度反演模型时,使用GOCI的490 nm和555 nm波段进行建模,由
尝试利用色素共变关系来进行色素浓度的反演。基于实测色素浓度数据,利用多种模型拟合形式描述TChl-a与Chl-b、TChl-c、PPC、PSC色素之间的关系,其中最优模型形式为
其中η1和η2是通过拟合TChl-a与4种辅助色素之间的关系确定的,对于Chl-b、TChl-c、PPC、PSC,η1 = 0.2019,0.1089,0.2253,0.2410,η2=1.992,2.800,2.230,2.998。使用留一法检验由实测的TChl-a浓度根据(4)式计算获得4种色素浓度。同时考虑到色素共变模型的实际应用,先使用本文提出的Rrs色素浓度模型计算得到TChl-a浓度,再将其应用到色素共变模型上,对比直接由Rrs反演色素浓度得到的结果,检验结果如
从
表 5. 色素共变关系模型以及Rrs反演模型的反演结果比较
Table 5. Comparison of inversion results of pigment covariation relationship model and Rrs inversion model
|
5 结论
以黄海、渤海和东海作为研究区,利用多个航次的实测遥感反射率和浮游植物色素浓度数据,根据GOCI卫星波段设置,建立TChl-a、Chl-b、TChl-c、PPC和PSC共5种色素浓度反演模型,实测数据经留一法检验和卫星数据匹配检验后发现反演效果较好。将模型应用于GOCI卫星数据上,得到2014—2018年TChl-a、Chl-b、TChl-c、PPC、PSC渤海、黄海和东海色素浓度分布图,发现色素浓度整体上呈现由近岸向离岸水域递减的趋势。在近岸水域,色素浓度呈现冬季色素浓度高、夏季浓度低的特点。长江口处色素浓度较高,高浓度区域呈三角状,由西向东延伸,秋冬季三角区域面积较大,春夏季三角区域向沿岸区域收缩。夏季因长江中营养盐的输入,长江口区域出现浮游植物爆发的现象。对于外海深水区,浮游植物色素浓度相对较低,随季节浓度变化较小。
[3] 陈双, 殷高方, 赵南京, 等. 基于光合电子传递速率的浮游植物初级生产力测量[J]. 光学学报, 2018, 38(11): 1126001.
[5] 翟红昌, 宁修仁, 唐学玺, 等. HPLC色素分析技术在海洋浮游植物群落结构研究中的应用[J]. 中国海洋大学学报(自然科学版), 2010, 40(11): 71-78.
[6] 李楠, 孙德勇, 环宇, 等. 黄渤海浮游植物种群比吸收光谱的确定及其应用[J]. 光学学报, 2020, 40(6): 0601004.
[7] Suikkanen S, Laamanen M, Huttunen M. Long-term changes in summer phytoplankton communities of the open northern Baltic Sea[J]. Estuarine, Coastal and Shelf Science, 2007, 71(3/4): 580-592.
[8] 李璇, 陈文忠. 基于MODIS卫星遥感数据的西北太平洋初级生产力与环境参数的相关性[J]. 海洋开发与管理, 2020, 37(4): 32-41.
[9] 李月洋. 基于水色遥感研究南海浮游植物群落结构季节变化[D]. 天津: 天津科技大学, 2015.
Li YY. Remote sensing of ocean color for seasonal variation of phytoplankton community structure in the South China Sea[D]. Tianjin: Tianjin University of Science & Technology, 2015.
[11] 赵永芳, 郑珊, 孙晓霞. 2014年冬季热带西太平洋雅浦Y3海山光合色素分布及其对浮游植物群落的指示作用[J]. 海洋与湖沼, 2019, 50(4): 830-837.
[12] 陈纪新, 黄邦钦, 刘媛, 等. 应用特征光合色素研究东海和南海北部浮游植物的群落结构[J]. 地球科学进展, 2006, 21(7): 738-746.
Chen J X, Huang B Q, Liu Y, et al. Phytoplankton community structure in the transects across East China Sea and northern South China Sea determined by analysis of HPLC photosynthetic pigment signatures[J]. Advances in Earth Science, 2006, 21(7): 738-746.
[13] ShubhaS, JimA, SeverineA, et al. Phytoplankton functional types from space[C]∥ Reports of the International Ocean-Colour Coordinating Group. Dartmouth, Canada: IOCCG, 2014: 156.
[14] Mouw C B, Ciochetto A B, Grunert B, et al. Expanding understanding of optical variability in Lake Superior with a 4-year dataset[J]. Earth System Science Data, 2017, 9(2): 497-509.
[20] El Hourany R. Abboud-Abi Saab M, Faour G, et al. Estimation of secondary phytoplankton pigments from satellite observations using self-organizing maps (SOMs)[J]. Journal of Geophysical Research: Oceans, 2019, 124(2): 1357-1378.
[21] 汪小勇, 唐军武, 李铜基, 等. 水面之上法测量水体光谱的关键技术[J]. 海洋技术, 2012, 31(1): 72-76.
[22] van Heukelem L, Thomas C S. Computer-assisted high-performance liquid chromatography method development with applications to the isolation and analysis of phytoplankton pigments[J]. Journal of Chromatography A, 2001, 910(1): 31-49.
[26] 邹斌, 邹亚荣, 金振刚. 渤海海温与叶绿素季节空间变化特征分析[J]. 海洋科学进展, 2005, 23(4): 487-492.
[27] 沙慧敏, 李小恕, 杨文波, 等. 用MODIS遥感数据反演东海海表温度、叶绿素a浓度年际变化的研究[J]. 大连水产学院学报, 2009, 24(2): 151-156.
Sha H M, Li X S, Yang W B, et al. Annual variation in sea surface temperature and chlorophyll-a concentration retrieved by MODIS in East China Sea[J]. Journal of Dalian Fisheries University, 2009, 24(2): 151-156.
[28] 钱莉, 刘文岭, 郑小慎. 基于MODIS数据反演的渤海叶绿素浓度时空变化[J]. 海洋通报, 2011, 30(6): 683-687.
Qian L, Liu W L, Zheng X S. Spatial-temporal variation of Chlorophyll-a concentration in Bohai Sea based on MODIS[J]. Marine Science Bulletin, 2011, 30(6): 683-687.
[29] 孙湘平. 中国近海区域海洋[M]. 北京: 海洋出版社, 2006.
Sun XP. China offshore regional ocean[M]. Beijing: Ocean Press, 2006.
[30] 沈国英, 施并章. 海洋生态学[M]. 2版. 北京: 科学出版社, 2002.
Shen GY, Shi BZ. Marine ecology [M]. 2nd ed. Beijing: Science Press, 2002.
[31] 石峰, 崔雷, 姜恒志, 等. 季节变化对黄渤海表层叶绿素浓度分布影响的数值分析[J]. 应用基础与工程科学学报, 2017, 25(4): 700-711.
[32] Yamaguchi H, Kim H C, Son Y B, et al. Seasonal and summer interannual variations of SeaWiFS chlorophyll a in the Yellow Sea and East China Sea[J]. Progress in Oceanography, 2012, 105: 22-29.
[33] 叶虎平. 黄东海海洋光谱分类方法研究[D]. 天津: 国家海洋技术中心, 2009.
Ye HP. Study on the spectral classification method in Yellow Sea and East China Sea[D]. Tianjin: National Ocean Technology Center, 2009.
[34] Trees C C, Clark D K, Bidigare R R, et al. Accessory pigments versus chlorophyll a concentrations within the euphotic zone: a ubiquitous relationship[J]. Limnology and Oceanography, 2000, 45(5): 1130-1143.
Article Outline
李正浩, 陈志钊, 王力彦, 孙德勇, 赵彬如, 王胜强. 结合GOCI数据反演近海浮游植物叶绿素和类胡萝卜素浓度[J]. 光学学报, 2021, 41(2): 0201001. Zhenghao Li, Zhizhao Chen, Liyan Wang, Deyong Sun, Binru Zhao, Shengqiang Wang. Remote Sensing Inversion of Concentration of Phytoplankton Chlorophyll and Carotenoid from GOCI Measurements in Coastal Waters[J]. Acta Optica Sinica, 2021, 41(2): 0201001.