• 中文核心期刊
  • 中国科技核心期刊
  • CSCD
  • ISSN 1007-6336
  • CN 21-1168/X

东太平洋红藻诊断色素浓度的卫星遥感研究

杨诗晗, 孙德勇, 李正浩, 王胜强, 张海龙, 何宜军

杨诗晗, 孙德勇, 李正浩, 王胜强, 张海龙, 何宜军. 东太平洋红藻诊断色素浓度的卫星遥感研究[J]. 海洋环境科学, 2022, 41(5): 767-773, 782. DOI: 10.12111/j.mes.2021-x-0269
引用本文: 杨诗晗, 孙德勇, 李正浩, 王胜强, 张海龙, 何宜军. 东太平洋红藻诊断色素浓度的卫星遥感研究[J]. 海洋环境科学, 2022, 41(5): 767-773, 782. DOI: 10.12111/j.mes.2021-x-0269
YANG Shi-han, SUN De-yong, LI Zheng-hao, WANG Sheng-qiang, ZHANG Hai-long, HE Yi-jun. Satellite remote sensing study on diagnostic pigment concentrations of red algae in the eastern Pacific Ocean[J]. Chinese Journal of MARINE ENVIRONMENTAL SCIENCE, 2022, 41(5): 767-773, 782. DOI: 10.12111/j.mes.2021-x-0269
Citation: YANG Shi-han, SUN De-yong, LI Zheng-hao, WANG Sheng-qiang, ZHANG Hai-long, HE Yi-jun. Satellite remote sensing study on diagnostic pigment concentrations of red algae in the eastern Pacific Ocean[J]. Chinese Journal of MARINE ENVIRONMENTAL SCIENCE, 2022, 41(5): 767-773, 782. DOI: 10.12111/j.mes.2021-x-0269

东太平洋红藻诊断色素浓度的卫星遥感研究

基金项目: 国家自然科学基金(42176179,41876203,42176181);江苏省基础研究计划(自然科学基金)项目(BK20211289,BK20210667);江苏省研究生研究与实践创新项目(KYCX21_0975)
详细信息
    作者简介:

    杨诗晗(1997—),女,福建三明人,硕士,主要研究方向为海洋水色遥感,E-mail:240687681@qq.com

    通讯作者:

    孙德勇(1984—),男,博士,教授,主要研究方向为水体光学与水色遥感,E-mail:sundeyong@nuist.edu.cn

  • 中图分类号: P733.3

Satellite remote sensing study on diagnostic pigment concentrations of red algae in the eastern Pacific Ocean

  • 摘要:

    红藻是东太平洋优势藻种之一,获取其生物量信息有助于认识浮游植物在海洋生物化学循环及物质能量交换过程中的作用。红藻中蕴含的诊断色素是准确获取其生物量信息的关键,因此,开展红藻诊断色素的反演研究具有重要科学价值。本文基于6个东太平洋航次数据集,利用三种红藻诊断色素(叶绿素c1+c2、叶绿素c3、19’-乙酰基氧化岩藻黄素)与总叶绿素a之间的“共变效应”,构建红藻诊断色素反演模型。模型验证结果表明,决定系数R2为0.68~0.88(p<0.001),平均绝对百分比误差为39%~46%,中值误差均小于30%。卫星反演结果表明,东太平洋红藻诊断色素浓度呈现近岸高、大洋低的分布特点,且有明显的季节变化特征。本文构建的红藻诊断色素反演模型可为表征红藻分布及监测藻华灾害等研究提供数据基础与方法支撑。

    Abstract:

    Red algae is one of the dominant algal species in the eastern Pacific Ocean, get its biomass information can help to know the significant role of phytoplankton in marine chemical circulation and the process of energy exchange. The diagnostic pigments contained in red algae are the key to accurately obtain biomass information, so it is of great scientific value to carry out inversion research on the diagnostic pigments of red algae. Based on the data of six eastern Pacific Ocean cruises, this paper constructed inversion models for the diagnostic pigments of red algae by using the “co-variation effect” between three diagnostic pigments of red algae (chlorophyll c1+c2, chlorophyll c3 and 19’-hexanoyloxyfucoxanthin) and the total chlorophyll a. The model validation results show that the R2 is between 0.68 and 0.88 (p<0.001), the mean absolute percentage error ranges from 39% to 46%, and the median error is less than 30%. The results show that the concentrations of diagnostic pigment in the eastern Pacific Ocean are high in the coastal area and low in the ocean, which have obvious seasonal variation characteristics. The diagnostic pigment of red algae inversion models constructed in this paper can provide data bases and method supports for characterizing the distribution of red algae community and monitoring algal bloom disasters.

  • 浮游植物是海洋生态系统中初级生产力的主要贡献者,在海洋生物化学循环及物质能量交换过程中具有重要作用,获取其宏观分布信息是近年来海洋水色遥感领域的热点研究内容之一。太平洋作为全球第一大洋,其海域内发生的各类过程均有可能影响全球能量循环。例如,厄尔尼诺现象(El Niño)虽然起源于东太平洋热带海域[1],却对东亚乃至全球气候有着显著影响[2]。东太平洋浮游植物在全球海洋生物圈中发挥着不可替代的作用[3],极具代表性与探究价值。

    红藻包括定鞭藻、硅藻、甲藻等[4],为东太平洋优势藻种[5]。不同种群具有不同的功能类型。例如,定鞭藻中的主要种群颗石藻,能分泌微小钙质骨骼并保存在海底沉积物中,是海洋中碳酸钙的主要来源[6],颗石藻平均每年向海洋贡献约15%的浮游植物生物量[7]。此外,红藻提取物被广泛用于生物医学、水产养殖等领域,因此获取东太平洋红藻生物量信息具有较高的科学和经济价值[8]

    不同浮游植物种群中往往存在某些特有的色素类别,可作为种群生物量信息的指示物[9],即诊断色素。例如,叶绿素c1+c2[Chlorophyll c1+c2,Chl(c1+c2)]与叶绿素 c3(Chlorophyll c3,Chl c3)存在于所有红藻中,可作为红藻总生物量的指示物[6],而19’-乙酰基氧化岩藻黄素(19’-hexanoyloxyfucoxanthin,Hex-Fuco)主要存在于红藻中的颗石藻中,可作为其指示物[10]。基于此种特殊性,Chl(c1+c2)、Chl c3、Hex-Fuco可作为红藻诊断色素,为红藻生物量信息的获取提供数据基础。

    近年来已有学者利用多种途径实现对色素浓度的反演[11-12],随着研究不断深入,发现总叶绿素a(Total chlorophyll a,Tchl a)与一些诊断色素之间存在很强的相关性,即“共变效应”[13-14]。“共变效应”在全球不同的海域研究中均有报道,如美国东海岸[15]、我国渤黄东海[11]与南海[16]等,为建立诊断色素反演模型提供了潜在可能。目前,对于红藻诊断色素信息的研究仍比较缺乏,特别是对诊断色素浓度的宏观变化规律认识不足。因此,本研究基于航次实测的红藻诊断色素浓度数据,构建Chl(c1+c2)、Chl c3、Hex-Fuco三种红藻诊断色素反演模型,并将该模型应用于卫星数据中,获取红藻诊断色素浓度遥感产品并分析其时空变化规律,为表征海洋浮游植物群落分布等研究提供新的思路。

    太平洋海域面积占全球海洋总面积的49.8%[17],在四大洋中极具代表性。本文的研究区域为东太平洋海域,纬度范围为85°S-66°N,经度范围为160°E-65°W。

    东太平洋海域水体的光学性质复杂、生物种类繁多,受众多大型洋流的影响。寒、暖流交汇及上升流区域海水运动促使该处营养盐含量较高,浮游植物大量繁殖。

    本文使用的实测诊断色素浓度数据集下载自SeaBASS(https://seabass.gsfc.nasa.gov/cruise),采集于2003-2014年,共6个航次,包括两个春季航次、两个冬季航次以及两个夏季航次,共计254个测量点。站位分布情况如图1所示,其中站点填色表示实测Tchl a浓度信息,航次具体信息如表1所示。实测诊断色素浓度由高效液相色谱法(High Performance Liquid Chromatography,HPLC)获得,该方法是目前应用最广泛的色素检测方法之一[18]。为保证模型反演效果的准确性,参照Aiken等[19]的方法进行质量控制,同时剔除色素浓度≤0.001 mg/m3的实测数据。

    图  1  航次调查站位分布(黑色标记为典型区域S1-S4的中心位置)
    Fig.  1  Locations of the sampling stations (black marks are the center of the typical region S1-S4)
    表  1  航次具体信息
    Tab.  1  Details of the cruises
    航次名称航次时间站点数量数据来源
    BEAGLE2003-08-15-2003-10-0685CSIRO
    P16N2006-02-14-2006-03-2524SeaBASS
    P182007-12-17-2008-02-1697SeaBASS
    S042011-03-03-2011-03-2328SeaBASS
    TARA2011-03-18-2011-07-0914SeaBASS
    KM14-162014-07-23-2014-07-266UCSB
    下载: 导出CSV 
    | 显示表格

    本文使用的卫星数据来自搭载在Aqua卫星上的中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS),下载自NASA Ocean Color官网(http://oceancolor.g sfc.na sa.gov/),卫星数据集主要为2016-2020年Level 2级Tchl a全球日产品(4 km),用于评估模型星地匹配的精度误差;Level 3级Tchl a全球月产品(9 km),用于诊断色素时空分布特征分析。

    本文基于表2中五种模型形式构建红藻诊断色素反演模型,利用最小二乘法拟合Tchl a与Chl(c1+c2)、Chl c3、Hex-Fuco之间的经验关系。

    表  2  诊断色素反演模型形式
    Tab.  2  The inversion model forms of diagnostic pigment concentration
    模型编号模型名称模型形式
    模型1一次函数模型$ y = {\text{a}}x + {\text{b}} $
    模型2二次函数模型$ y = {\text{a}}{x^2} + {\text{b}}x{\text{ + c}} $
    模型3对数函数模型$ y = {\text{aln}}x + {\text{b}} $
    模型4指数函数模型$ y = {\text{a}}{{\text{e}}^{{\text{b}}x}} $
    模型5幂函数模型$ y = {\text{a}}{x^{\text{b}}} $
    注:其中a、b、c为模型拟合出的常数项;因变量y为诊断色素浓度;自变量x为Tchl a浓度
    下载: 导出CSV 
    | 显示表格

    本文所使用的精度评价指标为决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)以及中值绝对百分误差(ME),表达式如下:

    $$ {R^2} = \sum\limits_{i = 1}^n {({x_i} - \bar x)} ({y_i} - \bar y)/\sqrt {\sum\limits_{i = 1}^n {({x_i} - \bar x)\sum\limits_{i = 1}^n {{{({y_i} - \bar y)}^2}} } } \text{} $$ (1)
    $$ RMS E = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {{{({x_i} - {y_i})}^2}} } \text{} $$ (2)
    $$ MAPE = \frac{1}{n}\sum\limits_{i = 1}^n {\left| {\frac{{{x_i} - {y_i}}}{{{x_i}}}} \right|} \times 100\% \text{} $$ (3)
    $$ ME = {\text{Median}}\left| {\frac{{{x_i} - {y_i}}}{{{x_i}}}} \right| \times 100\% \text{} $$ (4)

    式中:$ n $表示样本数量;$ {x_i} $表示第$ i $个样本的实测值;$ {y_i} $表示第$ i $个样本的反演值;$ \bar x $表示实测值的平均值;$ \bar y $表示反演值的平均值。

    经初步计算,三种诊断色素与Tchl a之间具有很强的相关性,R2分别为0.93、0.94与0.79(p<0.001)。进一步利用表2中五种模型形式分别构建Tchl a与三种诊断色素之间的反演模型,最终甄选出的最佳反演模型如表3所示。利用留一交叉验证法(Leave-One-Out,LOO)检验模型反演效果,即每次取n-1个样本建模,剩余1个数据用于验证,此过程重复n次。

    表  3  诊断色素最佳反演模型精度
    Tab.  3  Accuracy of optimal inversion model for diagnosing pigment
    色素名称模型形式决定系数abc
    Chl(c1+c2)$ y = {10^{{\text{a}}{{\left( {{\text{lg }}x} \right)}^{\text{b}}}}} $0.88−1.9180.590
    Chl c3$ y = {10^{{\text{a}}{{\left( {{\text{lg }}x} \right)}^2} + {\text{b}}\left( {{\text{lg }}x} \right) + {\text{c}}}} $0.800.1801.441−0.745
    Hex-Fuco$ y = {10^{{\text{a}}{x^{\text{b}}}}} $0.68−0.825−0.267
    下载: 导出CSV 
    | 显示表格

    实测Chl(c1+c2)、Chl c3、Hex-Fuco浓度与模型反演值对应情况如图2所示。可以看到大多数散点都集中在1∶1线附近,说明反演的浮游植物色素浓度与实测值较为接近。从误差值来看,MAPEME值均比较低,Chl(c1+c2)、Chl c3、Hex-Fuco模型的MAPE分别为39.38%、42.36%、45.44%;ME分别为29.84%、27.35%、27.27%;RMSE平均值为0.02 mg/m3;决定系数R2值较高,Chl(c1+c2)、Chl c3模型R2分别为0.88(p<0.001)与0.80(p<0.001)。综合以上精度评价指标,本文反演的三种诊断色素浓度精度较高,模型反演结果可信。

    图  2  实测浮游植物色素浓度与反演得到的三种色素浓度之间的散点对比
    Fig.  2  Comparisons between the measured and the estimated concentration

    基于实测样本数据的获取时间、地理信息及相应的卫星过境时间等,对该反演模型的卫星适用性进行验证,利用以下规则进行星地匹配点的选取:(1)时间窗口范围设定为±3 h;(2)选取匹配点周围3×3像元的色素浓度平均值作为最终星地匹配值;(3)对于色素浓度值小等于0.001 mg/m3的匹配数据予以剔除。

    根据以上时空匹配规则,与Tchl a日产品匹配后共获得10个样本点,其验证结果如图3所示。整体上看,实测值与星地匹配数据集反演值之间具有较高的一致性,散点分布在1∶1线附近。MAPE为37%~48%,ME为31%~38%,RMSE均较低。整体而言,在MODIS卫星上应用本文建立的反演模型得到的结果可信。

    图  3  实测色素浓度与基于星地匹配数据集反演得到的色素浓度之间的散点对比
    Fig.  3  Scatter point comparison between the measured pigment concentration and the pigment concentration inversion based on satellite-derived data

    将本文构建的诊断色素反演模型应用于2016-2020年MODIS月平均Tchl a产品中,得到各色素多年平均浓度分布如图4所示,图中色素浓度值均取对数。由图4可知,反演的三种色素分布趋势是一致的,整体上呈近岸浓度高、离岸浓度低的特点。赤道区域的色素浓度明显高于南、北纬30°海域之间,低纬海域有两条较为明显的浓度低值条带,呈南、北对称的特点。在东太平洋北部近岸海域、白令海峡附近、南美洲近岸海域等地出现色素浓度高值。南美洲西岸位于秘鲁寒流上升流区,世界四大渔场之一秘鲁渔场位于该海域,此处表层海水在风的作用下向外扩散,下层海水上涌带来了丰富的营养盐,因此,浮游植物丰度较高,海洋环境中的色素浓度值也较高[7]

    图  4  2016-2020年东太平洋海域三种色素浓度年平均空间分布
    Fig.  4  Annual average spatial distribution of three concentrations from 2016 to 2020 in the eastern Pacific Ocean

    2016-2020年各色素月平均分布如图5所示。从时间上看,北太平洋海域色素浓度值从1月至5月逐渐升高,在5月至7月有短暂的下降趋势,于夏季达到低值;而后从7月至10月色素浓度值又逐渐升高,于秋季达到峰值,10月之后色素浓度逐渐减小,南半球色素浓度月变化趋势则相反。南北半球中低纬度(0-30°)海域常年呈现色素浓度低值,较为稳定。在南半球新西兰海域附近常年存在色素浓度高值,该浓度高值区在夏季面积较大,之后逐渐减小,在8月面积达到低值,8月至12月该高浓度区域又逐渐扩大。本文得到的结果与庄燕培等[20]、林凌等[21]的研究结果一致,受陆架水的影响,白令海峡附近海域色素浓度较其他区域高很多,可能与该区域内不同水团间的混合过程有关。

    图  5  2016-2020年东太平洋海域三种色素浓度月平均空间分布
    Fig.  5  Monthly average spatial distribution of three concentrations from 2016 to 2020 in the eastern Pacific Ocean

    为更详细地探究东太平洋红藻诊断色素浓度的长时序变化趋势,根据地理位置选取4个具有代表性的区域进行分析(图1),分别为东太平洋北部海域S1(中心经纬度为178.54°W,45.54°N,下同)、副热带开阔海域S2(160.54°W,20.54°N)、热带海域S3(100.54°W,0.54°N)及南美洲西岸海域S4(74.54°W,30.54°S)。选取区域设定为3×3个网格(27 km×27 km),最终获取2016-2020年,共60个月各色素浓度在典型区域内的时间序列。

    图6所示,三种色素的季节分布趋势基本一致,其中S1区域的浓度值显著高于其他区域,次高值为S4区域。S3位于副热带海域,色素浓度常年处于低值,较为稳定,与上述空间分布结果一致。北半球三种色素浓度整体季节变化趋势为夏季达到低值,春季与秋、冬季达到浓度高值,而南半球的季节变化趋势与北半球相反,如图6中S1区域与S4区域常出现高低峰交错的现象,其中S1区域在2018年3月及12月、2019年10月、2020年11月出现色素浓度异常峰值现象,说明在这三年S1区域可能出现了较大的藻类繁殖现象。整体上,东太平洋海域近岸区域三种诊断色素浓度高于开阔海域诊断色素浓度值,如S4区域三种诊断色素浓度值显著高于S2与S3区域。

    图  6  2016-2020年4个典型区域三种色素浓度月平均变化趋势
    Fig.  6  Monthly average change of the concentration of the pigment in 4 typical areas from 2016 to 2020

    由于光照在水平及垂直方向上的不均匀性,浮游植物在进行光合作用时,会形成并利用很多辅助色素,用于扩大其光合作用的场所[15]。Chase等[16]证明辅助色素与Tchl a在全球范围内的高协变关系应作为评估反演Tchl a浓度效果的一个参考。因此,辅助色素与Tchl a之间较稳定的“共变关系”是本文建立模型的理论基础。

    将三种诊断色素与Tchl a做线性回归分析,结果显示,Chl(c1+c2)、Chl c3、Hex-Fuco具有较为显著的正相关关系,其中Chl(c1+c2)与Tchl a相关性最高,R2为0.91(p<0.001)。庄燕培等[22]研究证明,诊断色素与Tchl a浓度的相关性在很大程度上取决于该色素的特有藻类对总生物量的贡献大小。例如,在硅藻为优势藻类的东海海域,其诊断色素岩藻黄素的浓度与Tchl a浓度呈显著相关性。因此,东太平洋海域Chl(c1+c2)、Chl c3、Hex-Fuco浓度与Tchl a浓度的强相关性及其与Tchl a相似的分布规律,也指示了红藻尤其是颗石藻在该区域的优势地位。

    图4图5可见,东太平洋北部海域与热带地区如南美洲近岸海域红藻诊断色素浓度均呈现较高值,具有相似的季节变化特征。东太平洋海域存在的厄尔尼诺现象导致热带内与热带外之间气候相互影响[23-24],其通过环流所夹带的营养盐交换过程促使海域内营养盐丰富[20-21]、藻类大量繁殖,或许是导致色素浓度较高的原因。

    本文基于东太平洋实测航次数据集,构建并遴选了最优的红藻诊断色素反演模型。相比于已有研究,如王桂芬等[14]利用Tchl a浓度反演南海Hex-Fuco浓度的MAPEME分别为56.19%、33.35%,本文分别为45.44%、27.27%;李正浩等[11]利用Tchl a浓度反演中国近海总叶绿素c浓度的MAPE为42.26%,本文反演的Chl(c1+c2)、Chl c3浓度的MAPE分别为42.36%与39.38%。模型精度与前者保持在同一量级,这在一定程度上表明该模型具有较好的适用性。此外,前者研究区域多为近岸海域,而本文研究区域为开阔大洋,可互相作为补充,对后续开展其余色素浓度反演模型的构建工作具有借鉴参考意义,也为开展浮游植物色素浓度大范围、长时序遥感研究奠定了基础。需要注意的是,本文所构建的模型是基于开阔大洋的实测数据构建的,该模型在应用于其他区域时,需要针对不同区域的特点,优化调整模型参数。

    本文以东太平洋海域作为研究区域,基于多个航次的实测红藻诊断色素浓度数据与留一交叉验证法,建立并筛选Chl(c1+c2)、Chl c3、Hex-Fuco三种红藻诊断色素浓度的最佳反演模型。将反演模型应用于MODIS产品中,得到2016-2020年Chl(c1+c2)、Chl c3、Hex-Fuco三种色素浓度不同尺度下的时空分布图。从空间上看,色素浓度整体呈现由近岸向离岸水域递减的趋势;从时间上看,北半球海域色素浓度值在夏季达到低值,在秋、冬季达到峰值,南半球色素浓度变化趋势相反。

    致谢:感谢澳大利亚地球观测浮游植物类生产力项目提供的BEAGLE航次数据、Nelson等人提供的P16N与P18航次数据、McClain等人提供的S04航次数据、Boss等人提供的TARA航次数据、Stephane等人提供的KM14-16航次数据,以上数据的获取网址为https://oceancolor.gsfc.nasa.gov/

  • 图  1   航次调查站位分布(黑色标记为典型区域S1-S4的中心位置)

    Fig.  1.   Locations of the sampling stations (black marks are the center of the typical region S1-S4)

    图  2   实测浮游植物色素浓度与反演得到的三种色素浓度之间的散点对比

    Fig.  2.   Comparisons between the measured and the estimated concentration

    图  3   实测色素浓度与基于星地匹配数据集反演得到的色素浓度之间的散点对比

    Fig.  3.   Scatter point comparison between the measured pigment concentration and the pigment concentration inversion based on satellite-derived data

    图  4   2016-2020年东太平洋海域三种色素浓度年平均空间分布

    Fig.  4.   Annual average spatial distribution of three concentrations from 2016 to 2020 in the eastern Pacific Ocean

    图  5   2016-2020年东太平洋海域三种色素浓度月平均空间分布

    Fig.  5.   Monthly average spatial distribution of three concentrations from 2016 to 2020 in the eastern Pacific Ocean

    图  6   2016-2020年4个典型区域三种色素浓度月平均变化趋势

    Fig.  6.   Monthly average change of the concentration of the pigment in 4 typical areas from 2016 to 2020

    表  1   航次具体信息

    Tab.  1   Details of the cruises

    航次名称航次时间站点数量数据来源
    BEAGLE2003-08-15-2003-10-0685CSIRO
    P16N2006-02-14-2006-03-2524SeaBASS
    P182007-12-17-2008-02-1697SeaBASS
    S042011-03-03-2011-03-2328SeaBASS
    TARA2011-03-18-2011-07-0914SeaBASS
    KM14-162014-07-23-2014-07-266UCSB
    下载: 导出CSV

    表  2   诊断色素反演模型形式

    Tab.  2   The inversion model forms of diagnostic pigment concentration

    模型编号模型名称模型形式
    模型1一次函数模型$ y = {\text{a}}x + {\text{b}} $
    模型2二次函数模型$ y = {\text{a}}{x^2} + {\text{b}}x{\text{ + c}} $
    模型3对数函数模型$ y = {\text{aln}}x + {\text{b}} $
    模型4指数函数模型$ y = {\text{a}}{{\text{e}}^{{\text{b}}x}} $
    模型5幂函数模型$ y = {\text{a}}{x^{\text{b}}} $
    注:其中a、b、c为模型拟合出的常数项;因变量y为诊断色素浓度;自变量x为Tchl a浓度
    下载: 导出CSV

    表  3   诊断色素最佳反演模型精度

    Tab.  3   Accuracy of optimal inversion model for diagnosing pigment

    色素名称模型形式决定系数abc
    Chl(c1+c2)$ y = {10^{{\text{a}}{{\left( {{\text{lg }}x} \right)}^{\text{b}}}}} $0.88−1.9180.590
    Chl c3$ y = {10^{{\text{a}}{{\left( {{\text{lg }}x} \right)}^2} + {\text{b}}\left( {{\text{lg }}x} \right) + {\text{c}}}} $0.800.1801.441−0.745
    Hex-Fuco$ y = {10^{{\text{a}}{x^{\text{b}}}}} $0.68−0.825−0.267
    下载: 导出CSV
  • [1] 薛一迪. ENSO位相转换期北太平洋热带外大气对热带东太平洋海温的影响[D]. 北京: 中国气象科学研究院, 2017.
    [2] 刘雅楠, 徐海明, 张乐英. 冬季东太平洋峡谷风的季节内变化及相联系的海气特征[J]. 大气科学学报, 2020, 43(2): 287-298.
    [3] 安丽娜. 太平洋海山区浮游植物群落结构特征研究[D]. 厦门: 自然资源部第三海洋研究所, 2020.
    [4]

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

    [5]

    SLETTEN H R, GILLIKIN D P, HALFAR J, et al. Skeletal growth controls on Mg/Ca and P/Ca ratios in tropical Eastern Pacific rhodoliths (coralline red algae)[J]. Chemical Geology, 2017, 465: 1-10. doi: 10.1016/j.chemgeo.2017.05.010

    [6] 孙 军. 今生颗石藻的有机碳泵和碳酸盐反向泵[J]. 地球科学进展, 2007, 22(12): 1231-1239. doi: 10.3321/j.issn:1001-8166.2007.12.003
    [7] 张 健, 李佳芮, 陶以军, 等. 颗石藻类群及其生态功能介绍[J]. 生态科学, 2017, 36(4): 217-225,243.
    [8]

    PEREIRA L. Seaweeds as source of bioactive substances and skin care therapy— cosmeceuticals, algotheraphy, and Thalassotherapy[J]. Cosmetics, 2018, 5(4): 68. doi: 10.3390/cosmetics5040068

    [9]

    XI H Y, HIERONYMI M, RÖTTGERS R, et al. Hyperspectral differentiation of phytoplankton taxonomic groups: a comparison between using remote sensing reflectance and absorption spectra[J]. Remote Sensing, 2015, 7(11): 14781-14805. doi: 10.3390/rs71114781

    [10] 李 丽, 汪品先. 大洋“生物泵”——海洋浮游植物生物标志物[J]. 海洋地质与第四纪地质, 2004, 24(4): 73-79.
    [11] 李正浩, 陈志钊, 王力彦, 等. 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.
    [12]

    WANG G Q, LEE Z, MOUW C B. Concentrations of multiple phytoplankton pigments in the global oceans obtained from satellite ocean color measurements with MERIS[J]. Applied Sciences, 2018, 8(12): 2678. doi: 10.3390/app8122678

    [13]

    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. doi: 10.4319/lo.2000.45.5.1130

    [14]

    CHASE A P, BOSS E, CETINIĆ I, et al. Estimation of phytoplankton accessory pigments from hyperspectral reflectance spectra: toward a global algorithm[J]. Journal of Geophysical Research, 2017, 122(12): 9725-9743. doi: 10.1002/2017JC012859

    [15]

    PAN X J, MANNINO A, RUSS M E, et al. Remote sensing of phytoplankton pigment distribution in the United States northeast coast[J]. Remote Sensing of Environment, 2010, 114(11): 2403-2416. doi: 10.1016/j.rse.2010.05.015

    [16] 王桂芬, 张银雪, 徐文龙, 等. 基于高光谱吸收的南海浮游植物色素浓度估算[J]. 光学学报, 2021, 41(6): 0601002.
    [17] 薛 峰, 董 啸, 范方兴. 西太平洋暖池6月对流增强的成因及其预测意义[J]. 气候与环境研究, 2021, 26(3): 239-249.
    [18]

    VAN HEUKELEM V, 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. doi: 10.1016/S0378-4347(00)00603-4

    [19]

    AIKEN J, PRADHAN Y, BARLOW R, et al. Phytoplankton pigments and functional types in the Atlantic Ocean: a decadal assessment, 1995–2005[J]. Deep Sea Research Part Ⅱ:Topical Studies in Oceanography, 2009, 56(15): 899-917. doi: 10.1016/j.dsr2.2008.09.017

    [20] 庄燕培, 金海燕, 陈建芳, 等. 北冰洋中心区表层海水营养盐及浮游植物群落对快速融冰的响应[J]. 极地研究, 2012, 24(2): 151-158.
    [21] 林 凌. 夏季北极太平洋扇区微微型海洋浮游生物空间分布及环境相关性研究[D]. 上海: 华东师范大学, 2015.
    [22] 庄燕培, 金海燕, 陈建芳, 等. 西赤道太平洋暖池区光合色素分布及其对浮游植物群落的指示作用[J]. 海洋学报, 2012, 34(2): 143-152.
    [23] 毛 欣. 北太平洋Victoria模态与热带太平洋海温联系的研究[D]. 南京: 南京信息工程大学, 2019.
    [24] 闵庆烨. 南北太平洋副热带海温异常对ENSO影响的异同[D]. 北京: 中国气象科学研究院, 2016.
图(6)  /  表(3)
计量
  • 文章访问数:  899
  • HTML全文浏览量:  470
  • PDF下载量:  28
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-11-18
  • 修回日期:  2022-04-06
  • 录用日期:  2022-03-28
  • 刊出日期:  2022-10-19

目录

/

返回文章
返回
x 关闭 永久关闭