海洋科学  2018, Vol. 42 Issue (11): 13-23   PDF    
http://dx.doi.org/10.11759/hykx20170926002

文章信息

张彦南, 王久娟, 段广拓, 陈劲松, 易琳. 2018.
ZHANG Yan-nan, WANG Jiu-juan, DUAN Guang-tuo, CHEN Jin-song, YI Lin. 2018.
基于奇异谱分析的深圳近海净初级生产力时间序列研究
Study of the time series of net primary productivity in Shenzhen coastal waters based on singular spectrum analysis
海洋科学, 42(11): 13-23
Marina Sciences, 42(11): 13-23.
http://dx.doi.org/10.11759/hykx20170926002

文章历史

收稿日期:2017-09-26
修回日期:2017-12-07
基于奇异谱分析的深圳近海净初级生产力时间序列研究
张彦南1,2, 王久娟1,2, 段广拓1,2, 陈劲松1,2, 易琳1,2     
1. 中国科学院深圳先进技术研究院 数字所空间信息中心, 广东 深圳 518055;
2. 深圳海洋环境大数据应用与分析工程实验室, 广东 深圳 518055
摘要:海洋净初级生产力(Net Primary Productivity,NPP)长时间序列分析可获取NPP多年变化趋势、季节变化等动态信息,对海洋环境的监测与预报具有重要意义。本文以2003~2013年月际尺度净初级生产力卫星遥感产品为数据源,通过奇异谱分析提取标准化净初级生产力时间序列的长期趋势和周期振荡特征。研究表明,①浮标监测数据的叶绿素a浓度、海表温度与MODIS的叶绿素a浓度、海表温度产品变化趋势基本一致,NPP时间序列产品可用于分析深圳近岸海域净初级生产力的变化趋势。②空间分布上,深圳西部海域的NPP和叶绿素a浓度远高于大鹏湾和大亚湾,大鹏湾和大亚湾的NPP和叶绿素a浓度均值及变化趋势非常接近。三个海区NPP、叶绿素a浓度、海表温度和光合有效辐射在季风转换期变化剧烈。③长期趋势上,深圳西部海域呈现2 a周期波动趋势,在均值附近以年为周期上下波动。大鹏湾和大亚湾2003~2006年NPP低于平均水平,2008年后NPP开始以年为周期围绕平均值上下波动,2012年后NPP整体与均值持平。④周期特征上,深圳西部海域、大鹏湾和大亚湾的NPP呈"W"或"M"型周年变化,存在夏季主高峰(6~7月)和冬季次高峰(12~1月)。
关键词海洋净初级生产力    奇异谱分析    时间序列    深圳近海    
Study of the time series of net primary productivity in Shenzhen coastal waters based on singular spectrum analysis
ZHANG Yan-nan1,2, WANG Jiu-juan1,2, DUAN Guang-tuo1,2, CHEN Jin-song1,2, YI Lin1,2     
1. Center for Geospatial Information, Shenzhen Institution of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China;
2. Shenzhen Engineering Laboratory for Big Data Analysis and Application of Ocean Environment, Shenzhen 518055, China
Abstract: Taking the monthly satellite remote sensing standard products of net primary productivity (NPP) as data source, we extracted the long-term trend and periodicity through automatic singular spectrum analysis. We determined that the chlorophyll a concentration and sea surface temperature of buoy data were consistent with that of the MODIS images. Moreover, the time series images of the MODIS NPP could be used for the analysis of the NPP in Shenzhen coastal waters. Spatially, the NPP and chlorophyll a concentration in Shenzhen coastal waters were higher than that in Dapeng Bay and Daya Bay, and the mean value and variation trend of the NPP and chlorophyll a concentration were closer between Dapeng Bay and Daya Bay. The marine parameters of the three sea areas significantly changed during the monsoon transition. In the long-term trend, a two-year periodic fluctuation around the mean value was detected in the Shenzhen west sea area. Meanwhile, the NPP was lower than the mean value from 2003 to 2006 in Dapeng Bay and Daya Bay. Moreover, the NPP fluctuated by a one-year period around the mean value after 2008 and almost equaled the mean value after 2012. In terms of the periodic characteristic, a double periodic oscillation with a summer peak in June and July and a winter peak in December and January was identified in the Shenzhen west sea area, Dapeng Bay, and Daya Bay.
Key words: net primary productivity    singular spectrum analysis    time series    Shenzhen coastal waters    

海洋净初级生产力(Net Primary Productivity, NPP)是海洋中可供各类异养生物直接或间接利用的有机物质(或能量)的总和。海洋生态系统的碳固定主要通过生物泵这一过程实现, 浮游植物的初级生产力是这一过程的起始环节和关键环节[1]。由于地理环境和浮游植物的种群结构以及生态特点存在差异, 不同海区海洋初级生产力的时空分布并不均匀, 且多数河口、海湾受大陆径流影响, 呈现出高生产力和周期性变化明显等特征[2]。已有关于河口海湾净初级生产力的研究多依赖走航或实地观测等不连续观测数据, 采用长时间序列遥感产品分析海洋NPP变化规律的较少。目前遥感观测数据生成的海洋NPP已经积累成一个长时间序列, 通过对NPP长时间序列的分析, 可获取NPP多年变化的趋势、季节变化等动态信息, 对于海洋环境的监测与预报具有重要意义。

目前遥感产品长时间序列分析已被应用于农作物生产判断与分类、地表覆盖变化与监测和作物产量和生物量预测等方面, 时间序列分析方法主要分为时间域分析和频率域分析。时间域分析方法较多采用一元线性回归识别时间序列的长期趋势, 但该方法规避误差能力较弱, 也无法度量时间序列变化趋势的显著程度。频率域分析方法主要为谐波分析和小波分析方法等。谐波分析是采用三角函数对时间序列进行拟合获取其振幅、周期和位相等反映植被物候的信息, 已应用于去云处理[3]、物候信息提取[4]、复种指数监测[5]和作物识别[6]等方面, 但该算法易因泄漏效应无法获取准确的谐波参数值。小波分析多用于识别时间序列的振荡成分, 被广泛用于水文要素的趋势分析[7-8], 但其得到的局部位相无法完全解释气象或生物数据的波形变化。而奇异谱分析(Singular Spectrum Analysis, SSA)提取的趋势信息和周期成分不受线性变化和固定波形的约束, 是分解时间序列提取其长期趋势和季节变动的有效方法, 曾用于分析预测气候变化[9]、径流变化[10]、植被生长状况[11]等。袁林旺等[12]在SSA去噪序列的基础上, 采用均值生成函数模型(Mean Generation Function, MGF)对海面变化进行预测。贾铎等[11]采用SSA重建了草原露天矿区MODIS NDVI时间序列的趋势和周期振荡信号, 并通过Mann Kendall检测对趋势成分的显著程度和突变状况进行定量化。本文主要探讨了奇异谱分析在海洋生态方面的应用, 提取了NPP时间序列的长期趋势和季节变动等信息, 对比深圳西部海域、大鹏湾和大亚湾的空间差异。该方法较以往研究中实地观测或统计分析方法, 具有较强的可操作性和客观性。

1 研究区概况与研究数据 1.1 研究区概况

深圳市地处广东省南部沿海, 属亚热带海洋性季风气候。海域连接南海与太平洋, 海岸线全长257 km, 海域面积1 145 km2, 主要划分为珠江口、深圳湾、大鹏湾和大亚湾四个近岸海区(图 1), 为典型二类水体。珠江口水文环境复杂, 终年受内陆冲淡水和南海表层咸水的交替影响, 兼具河流与海洋动力的双重特征, 沿岸工业发达, 居民区众多, 受人类活动严重干扰; 深圳湾为珠江口伶仃洋东侧中部的一个内宽外窄的半封闭型浅水海湾, 主要靠潮流量维持其生态, 生态环境比较脆弱; 大鹏湾位于珠江口东北部, 是一个半封闭型海湾, 常有赤潮发生; 大亚湾是南海北部较大的半封闭性海湾, 近年沿岸工业与养殖业发展迅速, 受人类活动干扰较重。

图 1 研究区示意图 Fig. 1 Location of the study area
1.2 研究数据

本文选取俄勒冈州立大学提供的全球海洋净初级生产力的月平均产品构建NPP时间序列(数据来源http://www.science.oregonstate.edu/ocean.productivity/index.php), 全年12景, 2003~2013年共计132景影像, 空间分辨率均为1/12°。该产品是使用Behrenfeld于1997年提出的VGPM模型反演得到, VGPM模型是考虑到光照、水温、营养盐等对NPP产生直接或间接影响的因素, 同时考虑叶绿素和温度在垂直剖面差异的生理过程模型[1]。模型主要输入数据为MODIS叶绿素表面浓度产品、MODIS SST4算法的海表温度产品和MODIS云校正的光合有效辐射产品。真光层深度是从MODIS叶绿素浓度产品中反演得到, 具体算法参考文献[13]。

VGPM模型具有很强的适用性, 能适应不同海区长时间序列的海洋净初级生产力的估算要求。李小斌等[14]、贾艳红等[15]、李国胜等[16]使用VGPM模型分别对东海、黄海和南海一类水体反演初级生产力。檀赛春等[17]对最大光合速率修正后估算中国近海二类水体初级生产力。殷燕等[18]对真光层深度进行修正后使用VGPM模型估算光学特性复杂多变的太湖梅梁湾水域的初级生产力。Zhang等[19]对比太湖梅梁湾的VGPM模型和经验模型估算的初级生产力, 认为基于VGPM模型得到的初级生产力更能反映年内变化。因此VGPM模型用于估算研究区二类水体的初级生产力, 可更好反映其年际与年内变化趋势。

2 研究方法 2.1 NPP时间序列产品的预处理 2.1.1 时间序列产品的可用性

为说明MODIS长时间序列产品可以代表深圳近岸海域的长期变化趋势, 本文采用2014~2016年深圳近海浮标自动监测系统测定的叶绿素a浓度、海表温度数据与MODIS叶绿素a浓度、海表温度月平均产品进行对比。因不同浮标站点的起始监测时间不同, 因此, 本文将深圳近岸海域划分为深圳西部海域、大鹏湾和大亚湾后统一监测时间, 其中深圳西部海域的4个浮标监测数据自2014年12月1日~ 2016年9月30日, 大鹏湾的6个浮标监测数据自2014年9月1日~2016年9月30日, 大亚湾的4个浮标监测数据自2014年1月1日~2016年9月30日。其后统计各浮标监测站点的日平均和月平均, 再算出该区域日平均和月平均值。

2.1.2 时间序列产品的标准化

为提取三个海区的NPP变化趋势, 需对原时间序列T进行标准差标准化处理:

$ {T^*} = \frac{{T - \mu }}{\sigma } $ (1)

式中, T*为时间序列标准值, μ为时间序列均值, σ为时间序列标准差。标准NPP值的正负表示高于或者低于NPP平均水平。

2.2 NPP时间序列的奇异谱分析

一定时期内的海洋净初级生产力序列可看作以时间为自变量的时间序列, 其变化趋势可能存在准周期振荡规律。非平稳时间序列可能包含长期趋势、季节变动、循环变动和不规则变动。通过分解时间序列提取其长期趋势和季节变动的方法很多, 如广义线性函数、移动平均、状态空间、小波变换、贝叶斯方法、动态谐波回归[3]等。而奇异谱分析将一维时间序列植入高维欧式空间, 通过对时间序列构造出的轨迹矩阵进行奇异值分解得到包含时间序列趋势和周期信息的主分量, 重构并提取出代表原时间序列的长期趋势信号、周期信号和噪声信号等。本文采用奇异谱分析提取时间序列的长期趋势和周期振荡规律, 算法实现是基于Matlab平台开发的Auto SSA软件包, 该软件包由德国Bremen University的Theodore Alexandrov设计开发(http://www.pdmi.ras.ru/~theo/autossa/english/index.html)。

2.2.1 分解

(1) 设长度为132的NPP时间序列为F=(f0, f1, f2, …, fN-1), 对F以窗宽L进行拆分构造L×K的轨迹矩阵X, K=N-L+1, 则有Xj = (fj-1, …, fj+L-2)T, j=1, 2, …, K

$ \begin{array}{l} F = ({f_0},{f_1},{f_2}, \cdots ,{f_{N - 1}}) \to X = ({f_{i + j - 2}})_{i,j = 1}^{L,K}\\ \;\;\; = [{X_1}: \cdots :{X_K}] \end{array} $ (2)

矩阵X为Hankel矩阵, 即矩阵副对角线上元素相等。

(2) 构造L×L矩阵S=XXT, 获取矩阵S的特征值λj和特征向量Uj, 并对X进行SVD分解, 则X=$\sum\nolimits_{j = 1}^d {\sqrt {{\lambda _j}} } {U_j}V_j^T$, ${V_j} = {X^T}{U_j}/\sqrt {{\lambda _j}} $, $d = \max \{ j:{\lambda _j} > 0\} $(dL)。

(3) 其后将奇异值I ={1, …, d}分组为I1, …, Im, 则有$X = \sum\nolimits_{k = 1}^m {{X_{{I_k}}}, {X_{{I_k}}} = \sum\nolimits_{i \in {I_k}} {{X_i}} } $

(4) 求取矩阵${X_{{I_k}}}$的对角平均, 则有时间序列F的分量集合${f_n} = \sum\nolimits_{k = 1}^m {f_n^{(k)}, n = 0, \cdots, N - 1} $, 其中每个k序列$f_n^{(k)}$都是${X_{{I_k}}}$的对角平均, 即时间序列趋势分量。

2.2.2 重构

(1) 选择SVD分解的趋势分量;

(2) 利用趋势分量重构X矩阵;

(3) 利用矩阵X重构长度为N的时间序列G=(g0, g1, …, gN-1)。该过程可概括为将X重构为G, 具体过程借助矩阵$Y = \{ {y_{ij}}\} _{i, j = 1}^{i = L, j = K}$实现, 定义L*=min{L, K}, K*=max{L, K}, 则当LK时, Y*=Y; 当L > K时, Y*=YT; 则

$ {g_n} = \left\{ \begin{array}{l} \frac{1}{{n + 1}}\sum\nolimits_{m = 1}^{n + 1} {y_{m,n - m + 2}^*,} \;\;\;\;\;\;\;\;\;0 \le n < {L^*} - 1\\ \frac{1}{{{L^*}}}\sum\nolimits_{m = 1}^{{L^*}} {y_{m,n - m + 2}^*,\;\;\;\;\;\;\;\;\;\;\;{L^*} - 1 \le n < {K^*}} \\ \frac{1}{{N - n}}\sum\nolimits_{m = n - {K^*} + 2}^{N - {K^*} + 1} {y_{m,n - m + 2}^*,\;\;{K^*} \le n < N} \end{array} \right. $ (3)

窗宽L的大小和SVD分解子集选择决定了重构时间序列G。窗宽L越大, SVD分解的奇异值越多, 第一主分量承载的趋势信息也相对减少, 因此为更好分离趋势信息和噪声信息, 设定窗宽L接近L/2且能被可能的振荡周期整除, 即L=60。实验中N=132, L=60, K=N-L+1=63, 因此L < K, L*=L, K*=K, Y*=Y

3 结果与分析 3.1 原始NPP时间序列分析

图 2图 3所示, 浮标监测数据与MODIS影像的叶绿素a浓度、海表温度变化趋势基本一致, 表明MODIS叶绿素a浓度、海表温度产品可用于分析深圳近海的变化趋势, 则在MODIS叶绿素a浓度、海表温度产品基础上, 通过VGPM模型得到的NPP时间序列产品可用于分析深圳近岸海域净初级生产力的变化趋势。

图 2 三个海域的浮标与MODIS影像叶绿素a浓度月均值对比图 Fig. 2 Comparison of the monthly mean value of chlorophyll a concentration between the drifts and the MODIS images

图 3 三个海域的浮标与MODIS影像海表温度月均值对比图 Fig. 3 Comparison of the monthly mean value of sea surface temperature between the drifts and the MODIS images

统计三个海区的海洋净初级生产力、叶绿素a浓度海表温度和光合有效辐射的月均值和变异系数, 由图 4图 5可知净初级生产力的均值和变异系数的整体变化趋势与叶绿素a浓度较为一致, 说明NPP受叶绿素a浓度的影响比海表温度和光合有效辐射多。南海光照充足, 光照不是净初级生产力的决定性因子, 而营养盐可能是海洋净初级生产力的限制性因子, 大气环流、上升流等通过营养盐影响NPP的时空分布[20]。丘耀文等[21]认为营养盐可增加所有浮游植物数量或有选择地促进某些浮游植物生长, 进而改变浮游植物生物量、水体叶绿素a浓度和NPP。

图 4 2003~2013年各海洋参数的月均值 Fig. 4 Monthly mean of the ocean parameters from 2003 to 2013

图 5 2003~2013年各海洋参数的变异系数 Fig. 5 Monthly variation coefficient of the ocean parameters from 2003 to 2013

空间分布上, 深圳西部海域的净初级生产力和叶绿素a浓度远高于大鹏湾和大亚湾, 大鹏湾和大亚湾的均值及变化趋势非常接近。桓清柳[22]指出深圳近岸海域氮磷营养盐污染状况为东优西劣, 西部海域水体表现出一定程度富营养化, 大鹏湾和大亚湾均未达到富营养化水平。这与大鹏湾和大亚湾地理条件有关, 二者均为半封闭性海湾, 且河流短小, 地表径流少, 主要受沿岸流和陆源排放物影响, 整体营养盐水平较低。深圳西部海域有珠江径流和深圳河注入, 受陆源污染物排放与航运影响, 无机氮与活性磷酸盐含量较高。营养盐的空间分布差异导致深圳西部海域的净初级生产力和叶绿素a浓度远高于大鹏湾和大亚湾。

季节分布上, 三个海区的NPP与叶绿素a浓度呈“W”或“M”型周年变化, 存在夏季主高峰和冬季次高峰。海表温度和光合有效辐射均值极为接近, 以年为周期存在明显夏季高峰。三个海区海洋参数的变异系数总体呈现春季波动剧烈的趋势。王卫强等[23]发现在气候态意义下, 南海表层海温在5月份存在明显增温, 为季风转换期间南海对大气强迫的响应。Wu等[24]指出4~6月为南海春夏季风转换时期, 期间海气相互作用过程会引起降水和海温的异常变化。

3.2 标准化NPP时间序列的长期变化趋势

深圳西部海域整体呈现2 a周期波动趋势(图 6), 在2003、2005、2007、2009、2011、2013年3月左右NPP均值达到正峰值, 高于历年平均水平; 在2004、2006、2008、2010、2012年3月左右NPP均值达到负峰值, 低于历年平均水平。

图 6 深圳西部海域NPP长期趋势(a)与趋势成分(b) Fig. 6 Long-term trend (a) and components (b) of the NPP in the Shenzhen west sea area

大鹏湾的长期趋势较为平稳, 大亚湾长期趋势的波动变化呈现阶段性特征(图 7), 2003~2006年NPP低于平均水平, 2008年后NPP开始以年为单位在平均值上下波动。其中, 趋势成分9显示2003~2006年NPP低于平均水平, 2008年后NPP以14个月为周期在均值附近波动。趋势成分12和13叠加显示, 2003~2006年NPP低于平均水平, 2007年NPP以16个月为周期波动, 在2、7、9月份易出现峰值。趋势成分18、19和20叠加显示NPP以30个月为周期波动。

图 7 大鹏湾NPP长期趋势(a)与趋势成分(b~d) Fig. 7 Long-term trend (a) and components (b~d) of the NPP in Dapeng Bay

大亚湾长期趋势的波动变化与大鹏湾接近, 2003~2006年NPP低于平均水平, 2008年NPP在均值附近波动, 2012年始趋势几乎平直。如图 8所示, 趋势成分7~成分11叠加显示的趋势更贴近整体趋势, 趋势成分14显示波动周期约28个月, 趋势成分25显示自2004年6月始波动周期约15个月。

图 8 大亚湾NPP长期趋势(a)与趋势成分(b~d) Fig. 8 Long-term trend (a) and components (b-d) of the NPP in Daya Bay
3.3 标准化NPP时间序列的周期振荡特征

深圳西部海域NPP呈现明显双周期变化, 存在夏季(6~7月)和冬季(12~1月)两个季节高峰(图 9)。2003年1月~2007年6月, 其季节高峰为7月和1月, 自2007年6月开始季节高峰波动转换为6月和12月。如图 10所示, 大鹏湾NPP的周年变化呈“W”型波动变化存在夏季主高峰(7月)和冬季次高峰(12月)。周期成分1~成分4显示NPP以年为周期存在夏季高峰和冬季次高峰, 每年7月达到NPP最大值。大亚湾也呈现稳定振幅的“W”型的周年变化, 每年1月和7月达到正峰值(图 11)。周期成分5和成分6显示每年1月和7月达到峰值。因SSA识别出周期振荡成分一般为一对相邻重建成分之和, 且二者特征值接近相等, 频率接近, 能解释原序列中频率为1/12时振荡方差的2/3[11]。故周期成分5~成分6已满足要求, 在此不讨论周期成分17。

图 9 深圳西部海域NPP标准化时间序列的周期振荡特征 Fig. 9 Periodicity and components of the NPP in the Shenzhen west sea area

图 10 大鹏湾NPP标准化时间序列的周期振荡特征 Fig. 10 Periodicity and components of the NPP in Dapeng Bay

图 11 大亚湾NPP标准化时间序列的周期振荡特征 Fig. 11 Periodicity and components of the NPP in Daya Bay

蔡昱明等[25]发现珠江口的叶绿素a浓度和NPP均是夏季高于冬季。蒋万祥等[26]认为珠江口表层叶绿素a浓度夏春季高于秋冬季, 受光照与营养盐影响, NPP夏秋季高于春冬季。宋星宇等[27]发现近年大亚湾大鹏澳水域氮磷比值不断升高, 营养盐含量的变化可引起浮游植物群落结构的改变。丘耀文等[21]指出大亚湾夏秋冬季营养盐高于春季。于锡军等[28]认为大亚湾大辣甲水域叶绿素a浓度呈现夏、春、冬季高于秋季的特征。李敏[29]也发现南海表层叶绿素a浓度夏冬季高于春秋季。以往研究证实受营养盐限制, 深圳近海叶绿素a浓度和初级生产力夏季和冬季高于其他季节。

深圳近海存在夏冬季节NPP高峰与次高峰的季节变化现象, 从海表温度和营养盐角度看, 冬季海表温度最低, 上层水温度的降低会导致上层水的增密效应, 导致上层水体不稳定[30]。且受冬季东北季风和气旋式环流的影响, 使下层含丰富营养盐海水涌升, 利于浮游植物生长, 达到NPP次高峰。春季温度迅速升高, 使海水层化稳定, 风速减小亦不利于海水垂直混合, NPP迅速降低。夏季海表温度达到极大值, 海水层化稳定, 但强西南季风和南海北部的上升流会加强海水垂直混合, 且夏季陆表径流携丰富营养盐入海, 浮游植物种类和数量增加, 导致夏季NPP达到极大值。秋季东北季风控制下SST逐渐降低, 利于海水垂直混合, NPP先降后升。因此, 海表温度会通过营养盐对叶绿素a浓度产生影响, 进而影响NPP的时空分布。

4 结论

本文以2003~2013年月际尺度净初级生产力卫星遥感产品为数据源, 对比了遥感产品和实测数据的整体变化趋势, 并采用奇异谱分析提取标准化净初级生产力时间序列的长期趋势和周期振荡特征。

(1) 浮标监测数据与MODIS影像的叶绿素a浓度、海表温度变化趋势基本一致, 则在MODIS叶绿素a浓度、海表温度产品基础上通过VGPM模型得到的NPP时间序列产品可用于分析深圳近岸海域净初级生产力的变化趋势。

(2) 空间分布上, 深圳西部海域的NPP和叶绿素a浓度远高于大鹏湾和大亚湾, 大鹏湾和大亚湾的NPP和叶绿素a浓度均值及变化趋势非常接近。三个海区海洋参数在季风转换期变化剧烈。

(3) 长期趋势上, 深圳西部海域整体呈现2 a周期波动趋势, 在平均值附近以年为周期上下波动。大鹏湾和大亚湾2003~2006年NPP低于平均水平, 2008年后NPP开始以年为周期在平均值上下波动, 2012年后NPP整体与均值持平。

(4) 周期特征上, 深圳西部海域、大鹏湾和大亚湾的NPP呈“W”或“M”型周年变化, 存在夏季主高峰(6~7月)和冬季次高峰(12~1月)。三个海区的海表温度和光合有效辐射均值极为接近, 以年为周期存在明显夏季高峰。

参考文献
[1]
石洪华, 王晓丽, 郑伟, 等. 海洋生态系统固碳能力估算方法研究进展[J]. 生态学报, 2014, 34(1): 12-22.
Shi Honghua, Wang Xiaoli, Zheng Wei, et al. Review of carbon sequestration assessment method in the marine ecosystem[J]. Acta Ecologica sinica, 2014, 34(1): 12-22.
[2]
黄良民. 珠江口水域叶绿素a和类胡萝卜素的周年分布[J]. 海洋环境科学, 1992, 2: 15-20.
Huang Liangmin. The yearly distribution of chlorophyll a and carotenoids in Pearl River Estuary[J]. Merine environmental science, 1992, 2: 15-20.
[3]
Zhang X, Sun R, Zhang B, et al. Land cover classification of the North China Plain using MODIS_EVI time series[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(4): 476-484. DOI:10.1016/j.isprsjprs.2008.02.005
[4]
Canisius F, Turral H, Molden D. Fourier analysis of historical NOAA time series data to estimate bimodal agriculture[J]. International Journal of Remote Sensing, 2007, 28(24): 5503-5522. DOI:10.1080/01431160601086043
[5]
范锦龙, 吴炳方. 复种指数遥感监测方法[J]. 遥感学报, 2004, 8(6): 628-636.
Fan Jinlong, Wu Bingfang. A methodology for retrieving cropping index from NDVI profile[J]. Journal of remote sensing, 2004, 8(6): 628-636.
[6]
Jakubauskas M E, Legates D R, Kastens J H. Crop identification using harmonic analysis of time-series AVHRR NDVI data[J]. Computers & Electronics in Agriculture, 2002, 37(1-3): 127-139.
[7]
姜晓艳, 刘树华, 马明敏, 等. 东北地区近百年降水时间序列变化规律的小波分析[J]. 地理研究, 2009, 28(2): 354-362.
Jiang Xiaoyan, Liu Shuhua, Ma Mingmin, et al. A wavelet analysis of the precipitation time series in Northeast China during the last 100 years[J]. Geographical research, 2009, 28(2): 354-362. DOI:10.3321/j.issn:1000-0585.2009.02.009
[8]
邵晓梅, 许月卿, 严昌荣. 黄河流域降水序列变化的小波分析[J]. 北京大学学报:自然科学版, 2006, 42(4): 503-509.
Shao Xiaomei, Xu Yueqing, Yan Changrong. Wavelet analysis of rainfall variation in the Yellow River Basin[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2006, 42(4): 503-509.
[9]
刘玉莲, 吴洪宝, 李栋梁, 等. 哈尔滨气温增暖倾向和季节循环的年代际差异[J]. 冰川冻土, 2005, 27(5): 660-665.
Liu Yulian, Wu Hongbao, Li Dongliang, et al. The warming trend and interdecadal differentia of seasonal cycle of air temperature in Harbin[J]. Journal of Glaciology and geocryology, 2005, 27(5): 660-665.
[10]
Shaban A, Telesca L, Darwich T, et al. Analysis of long-term fluctuations in stream flow time series:An application to Litani River, Lebanon[J]. Acta Geophysica, 2014, 62(1): 164-179. DOI:10.2478/s11600-013-0175-4
[11]
贾铎, 牟守国, 赵华. 基于SSA-Mann Kendall的草原露天矿区NDVI时间序列分析[J]. 地球信息科学学报, 2016, 18(8): 1110-1122.
Jia Duo, Mu Shouguo, Zhao Hua. Analysis of NDVI time series in grassland open-cast coal mines based on SSA-Mann Kendall[J]. Journal of Geo-information Science, 2016, 18(8): 1110-1122.
[12]
袁林旺, 谢志仁, 俞肇元. 基于SSA和MGF的海面变化长期预测及对比[J]. 地理研究, 2008, 27(2): 305-313.
Yuan Linwang, Xie Zhiren, Yu Zhaoyuan. Long-term prediction and comparison of sea-level change based on the SSA and MGF model[J]. Geographical research, 2008, 27(2): 305-313. DOI:10.3321/j.issn:1000-0585.2008.02.008
[13]
Morel A, Eacute, Berthon J F. Surface pigments, algal biomass profiles, and potential production of the Euphotic layer:relationships reinvestigated in view of remote-sensing applications[J]. Limnology & Oceanography, 1989, 34(8): 1545-1562.
[14]
李小斌, 陈楚群, 施平, 等. 南海1998-2002年初级生产力的遥感估算及其时空演化机制[J]. 热带海洋学报, 2006, 25(3): 57-62.
Li Xiaobin, Chen Chuqun, Shi Ping, et al. Eatimation od primary production of South China sea from 1998 to 2002 by remote sensing and its spatio-temporal variation mechanism[J]. Journal of tropical oceanography, 2006, 25(3): 57-62. DOI:10.3969/j.issn.1009-5470.2006.03.011
[15]
贾艳红, 孙莹, 牛博颖, 等. 基于RS和GIS的黄海海区海洋初级生产力估算[J]. 淮海工学院学报(自然科学版), 2010, 4: 87-91.
Jia Yanhong, Sun Ying, Niu Boying, et al. Estimation of ocean primary productivity in the Yellow Sea based on remote sensing and GIS[J]. Journal of huaihai institude of technology(natural and science edition), 2010, 4: 87-91. DOI:10.3969/j.issn.1672-6685.2010.04.023
[16]
李国胜, 王芳, 梁强, 等. 东海初级生产力遥感反演及其时空演化机制[J]. 地理学报, 2003, 58(4): 483-493.
Li Guosheng, Wang Fang, Liang Qiang, et al. Estimation of ocean primary productivity by remote sensing and introduction to spatio-temporal variation mechanism for the East China Sea[J]. Acta Geographica Sinica, 2003, 58(4): 483-493. DOI:10.3321/j.issn:0375-5444.2003.04.001
[17]
檀赛春, 石广玉. 中国近海初级生产力的遥感研究及其时空演化[J]. 地理学报, 2006, 61(11): 1189-1199.
Tan Saichun, Shi Guangyu. Remote sensing for ocean primary productivity and its spatio-temporal variability in the China Seas[J]. Acta Geographica Sinica, 2006, 61(11): 1189-1199.
[18]
殷燕, 张运林, 时志强, 等. 基于VGPM模型和MODIS数据估算梅梁湾浮游植物初级生产力[J]. 生态学报, 2012, 32(11): 3528-3537.
Yin Yan, Zhang Yunlin, Shi Zhiqiang, et al. Estimation of spatial and seasonal changes in phytoplankton primary production in Meiliang Bay, Lake Taihu, based on the Vertically Generalized Production Model and MODIS data[J]. Acta Ecologica Sinica, 2012, 32(11): 3528-3537.
[19]
Zhang Y L, Qin B Q, Liu M L. Temporal-spatial variations of chlorophyll a and primary production in Meiliang Bay, Lake Taihu, China from 1995 to 2003[J]. Journal of Plankton Research, 2007, 29(8): 707-719. DOI:10.1093/plankt/fbm049
[20]
檀赛春.真光层辐射特性及其对海洋初级生产力遥感的影响[D].北京: 中国科学院大气物理研究所, 2007.
Tan Saichun. Radiative properties of euphotic layer and their impacts on satellite remote sensing of ocean primary productivity[D].Beijing: Institute of Atmosphric Physics, Chinese academy of sciences, 2007. http://cdmd.cnki.com.cn/Article/CDMD-80058-2007179140.htm
[21]
丘耀文, 王肇鼎, 朱良生. 大亚湾海域营养盐与叶绿素含量的变化趋势及其对生态环境的影响[J]. 应用海洋学学报, 2005, 24(2): 131-139.
Qiu Yaowen, Wang Zhaoding, Zhu Liangsheng. Variation trend of nutrient and chlorophyll contents and their effects on ecological environment in Daya Bay[J]. Journal of oceanography in Taiwan Strait, 2005, 24(2): 131-139. DOI:10.3969/j.issn.1000-8160.2005.02.001
[22]
桓清柳, 庞仁松, 周秋伶, 等. 深圳近岸海域氮、磷营养盐变化趋势及其与赤潮发生的关系[J]. 海洋环境科学, 2016, 35(6): 908-914.
Huan Qingliu, Pang Rensong, Zhou Qiuling, et al. Variation trends of nitrogen and phosphorus and the relationship with HABs in Shenzhen coastal waters[J]. Marine Environmental Science, 2016, 35(6): 908-914.
[23]
王卫强, 朱秀华, 侯一筠. 气候态意义下的南海春季暖池[J]. 大气科学, 2005, 29(4): 565-572.
Wang Weiqiang, Zhu Xiuhua, Hou Yijun. The role of ocean dynamics in Spring Warm Pool of the South China Sea[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 2005, 29(4): 565-572. DOI:10.3878/j.issn.1006-9895.2005.04.07
[24]
Wu R, Hu W. Air-Sea Relationship Associated with Precipitation Anomaly Changes and Mean Precipitation Anomaly over the South China Sea and the Arabian Sea during the Spring to Summer Transition[J]. Journal of Climate, 2015, 28(18): 7161-7181. DOI:10.1175/JCLI-D-15-0136.1
[25]
蔡昱明, 宁修仁. 珠江口初级生产力和新生产力研究[J]. 海洋学报, 2002, 24(3): 101-111.
Cai Yuming, Ning Xiuren. Studies on primary production and new production of the Zhujiang Estuary, China[J]. Acta Oceanologica Sinica, 2002, 24(3): 101-111. DOI:10.3321/j.issn:0253-4193.2002.03.014
[26]
蒋万祥, 赖子尼, 庞世勋, 等. 珠江口叶绿素a时空分布及初级生产力[J]. 生态与农村环境学报, 2010, 26(2): 132-136.
Jiang Wanxiang, Lai Zini, Pang Shixun, et al. Spatio-temporal distribution of chlorophyll a and primary productivity in the Pearl River Estuary[J]. Journal of Ecology and Rural Environment, 2010, 26(2): 132-136. DOI:10.3969/j.issn.1673-4831.2010.02.007
[27]
宋星宇, 王生福, 李开枝, 等. 大亚湾基础生物生产力及潜在渔业生产量评估[J]. 生态科学, 2012, 31(1): 13-17.
Song Xingyu, Wang Shengfu, Li Kaizhi, et al. Basic biological production and potential fishery production in Daya Bay[J]. Ecological Science, 2012, 31(1): 13-17. DOI:10.3969/j.issn.1008-8873.2012.01.003
[28]
于锡军, 黄道建, 郭振仁, 等. 大亚湾大辣甲水域叶绿素a及营养盐的垂直分布与季节变化[J]. 生态科学, 2013, 32(1): 78-83.
Yu Xijun, Huang Daojian, Guo Zhenren, et al. The vertical distribution and seasonal variations of chlorophyll a and nutrients content in Dalajia waters in Daya Bay[J]. Ecological Science, 2013, 32(1): 78-83. DOI:10.3969/j.issn.1008-8873.2013.01.014
[29]
李敏.南海海洋叶绿素a时空分布及对季风变动响应的研究[D].北京: 中国气象科学研究院, 2009.
Li Min. A study on the spatial and temporal Chl-a distribution in the South China Sea and a response to the South China Sea monsoon[D]. Beijing: Chinese academy of meteorological sciences, 2009.
[30]
赵辉, 张淑平. 中国近海浮游植物叶绿素、初级生产力时空变化及其影响机制研究进展[J]. 广东海洋大学学报, 2014, 1: 98-104.
Zhao Hui, Zhang Shuping. Review on spatial-temporal variation of china's offshore phytoplankton chlorophyll and primary productivity and their variation mechanism[J]. Journal of Guangdong Ocean University, 2014, 1: 98-104. DOI:10.3969/j.issn.1673-9159.2014.06.016