文章信息
- 逄今朝, 任广波, 施祺, 朱海天, 胡亚斌, 董娟, 马毅. 2021.
- PANG Jin-zhao, REN Guang-bo, SHI Qi, ZHU Hai-tian, HU Ya-bin, DONG Juan, MA Yi. 2021.
- 基于底质类型变化监测的2005—2018年西沙永乐群岛珊瑚礁白化分析
- Analysis of coral reef bleaching in Yongle Islands of Xisha from 2005 to 2018 based on sediment types change monitoring
- 海洋科学, 45(6): 92-106
- Marine Sciences, 45(6): 92-106.
- http://dx.doi.org/10.11759/hykx20200729002
-
文章历史
- 收稿日期:2020-07-29
- 修回日期:2020-10-12
2. 自然资源部第一海洋研究所, 山东 青岛 266061;
3. 中国科学院南海海洋研究所, 广东 广州 510301;
4. 国家卫星海洋应用中心, 北京 100081
2. First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China;
3. South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou 510301, China;
4. National Satellite Marine Application Center, Beijing 100081, China
珊瑚礁生态系统是热带海洋最重要的生态系统之一, 在创造海洋初级生产力、维持海洋生物多样性、防浪固滩、资源供给、国防建设等方面发挥巨大作用。我国珊瑚礁基本都分布于南海, 诸岛礁北起钓鱼岛, 南至曾母暗沙, 西起万安滩, 东止黄岩岛, 是世界珊瑚礁的重要组成部分。西沙群岛海域资源丰富, 具有极重要的权益与战略价值。
珊瑚礁白化是由于环境胁迫, 珊瑚失去体内共生的虫黄藻或者共生虫黄藻失去体内色素, 而导致五彩缤纷的珊瑚变白的现象, 是在全球变暖背景下珊瑚礁大面积退化和死亡的主要因素[1]; 南海西沙群岛珊瑚礁白化现象日趋严重[2], 珊瑚礁白化危及珊瑚礁基底安全, 对珊瑚礁生态系统造成巨大破坏。珊瑚礁的保护工作日益受到人们的重视。现有的珊瑚礁白化监测手段以传统的人工实地调查为主, 不仅费时费力, 且仅能获取点或断面的观测数据, 难以实现大面积观测。以高分辨率、宽覆盖和高频度为特点的遥感技术在珊瑚礁的调查和监测方面是一种有效手段[3]。
目前国内外研究者监测珊瑚礁白化的方法主要有现场监测、生态监测和遥感监测3种, 现场监测方法无法开展大尺度空间区域的白化监测。利用遥感手段开展的白化监测其精度有待提升[11-13], 研究发现海表面温度(surface sea temperature, SST)的升高是造成珊瑚礁白化的主要因素, 从20世纪80年代开始国内外学者将SST变化分析应用于珊瑚礁白化的研究[4-6], 通过研究珊瑚白化周热度(degree heating week, DHW)等珊瑚礁白化指标, 证实珊瑚礁白化的地理分布是由SST的空间格局确定的[7]。继而有研究将26个周热度累计热应力确定为珊瑚礁白化的阈值[8], 发现珊瑚礁白化多发生于夏季, 且当日平均SST距平大于等于1.0 ℃便会发生白化[9]。通过文献分析发现目前针对珊瑚礁白化的研究多偏向于基于SST计算DHW等指标对珊瑚礁白化状况进行监测分析[10], 而利用遥感手段结合现场实测数据的珊瑚礁白化监测方法研究不多, 并且大部分研究工作只关注小尺度研究区域整体的白化分析, 对于大尺度区域下整体和单个岛礁两种尺度的白化分析工作不多。
本文以2005—2007年QuickBird、2011—2012年WorldView-2/QuickBird和2016—2018年GF-1/2等高分辨率遥感影像为数据源, 以西沙永乐群岛的14个重点岛礁为研究区域, 采用SVM分类方法结合人机交互信息提取方法开展上述3个时期永乐群岛珊瑚礁底质类型提取, 结合现场资料, 开展基于底质类型变迁监测的永乐群岛整体以及单个岛礁珊瑚礁白化分析, 为珊瑚岛礁现状监测、生态评估和恢复提供技术支撑。
1 研究区与数据 1.1 研究区概况本文的研究区域为西沙永乐群岛的羚羊礁、中建岛等14个岛礁所在礁盘(15°46′~17°07′N, 111°11′~112°06′E)。各岛礁多是由珊瑚、贝屑等组成的海洋型岛屿, 地貌特征在南海岛礁中具有代表性, 其底质类型包括深礁前斜坡、珊瑚丛生区等11个类型。
1.2 数据与处理 1.2.1 遥感数据与处理本文所使用的卫星影像有空间分辨率分别为0.61 m、0.5 m、2 m和1 m的QuickBird卫星影像、WorldView-2卫星影像、高分一号(GF-1)和高分二号(GF-2)卫星影像4种, 以上数据均包括蓝、绿、红和近红外4个波段; 由于永乐群岛面积较大, 卫星受到天气状况及云层覆盖等影响, 无法在同一时间点获取覆盖所有岛礁的合格影像, 因此主要选取了2005、2011、2018年3期影像用于研究, 若由于云层覆盖等影响导致上述3期影像在各研究时段内不能被覆盖的岛礁选取与各研究时段相近时间的影像用于研究, 14个岛礁及对应的卫星影像信息见表 1。由于主要选取了2005、2011、2018年3期影像, 因此在下文中分别将2005—2007年、2011—2012年、2016—2018年影像表述为2005、2011、2018年影像。
岛礁名称 | 2005—2007年 | 2011—2012年 | 2016—2018年 | |||||
卫星类型 | 成像时间 | 卫星类型 | 成像时间 | 卫星类型 | 成像时间 | |||
银屿 | QuickBird | 2005-07-13 | WorldView-2 | 2011-10-11 | GF-1 | 2018-03-07 | ||
银屿仔 | ||||||||
石屿 | QuickBird | 2011-06-05 | ||||||
晋卿岛 | ||||||||
中建岛 | 2005-05-07 | 2012-04-29 | GF-2 | 2016-03-07 | ||||
盘石屿 | 2007-02-17 | 2012-04-08 | GF-1 | 2016-07-30 | ||||
金银岛 | 2006-05-10 | 2012-04-23 | 2018-03-07 | |||||
羚羊礁 | 2012-04-20 | |||||||
甘泉岛 | 2011-06-05 | |||||||
珊瑚岛 | ||||||||
广金岛 | 2005-07-13 | |||||||
琛航岛 | ||||||||
全富岛 | WorldView-2 | 2011-10-11 | ||||||
鸭公岛 |
QuickBird、WorldView-2、GF-1/2等多光谱遥感影像预处理过程包括大气校正、几何校正。大气校正去除太阳辐射在经过大气层时发生散射和吸收而导致对光谱的影响, 校正过程利用ENVI 5.3软件中的FLAASH大气校正模块; 几何校正过程以2005年QuickBird影像为基准, 对2011、2018年遥感影像进行配准, 配准误差小于0.5像元。几何校正后统一将遥感影像的空间分辨率重采样到1 m, 以保证不同类型的遥感影像提取的底质信息在面积上的统一性, 重采样方法选择最近邻法。
1.2.2 现场数据于2013年7月、2015年6月赴永乐群岛部分岛礁开展珊瑚礁底质、珊瑚礁健康状况现场调查, 利用人工潜水、水下实地摄影等手段获取了珊瑚礁底质类型组成、珊瑚礁健康状况、珊瑚礁覆盖度等相关数据, 共在羚羊礁、盘石屿等8个岛礁获取了66个现场站位信息; 利用现场数据作为分类和验证样本, 开展珊瑚礁底质类型分类; 现场调查照片、验证样本区域示意图见图 2。
2 研究方法利用预处理后的3期高分遥感影像按照董娟等[14]提出的珊瑚礁底质类型分类体系, 采用SVM分类方法提取3期永乐群岛珊瑚礁底质类型信息并进行精度验证, 结合人机交互信息提取方法对SVM算法分类不合理区域进行修正; 基于底质类型提取结果开展变迁检测, 得到3个时期珊瑚礁底质类型变迁信息; 后根据不同底质类型对应的活珊瑚覆盖度, 计算各底质类型活珊瑚变迁数据, 得到整体及各岛礁白化率; 最后建立珊瑚礁白化等级分级规则, 开展2005—2018年、2005—2012年和2012—2018年3个时期的珊瑚礁白化监测与分析。在下文中将2005—2018年、2005—2012年和2012—2018年3个白化研究时段分别表述为总体时段、第1时段、第2时段。本文研究技术路线图见图 3。
2.1 珊瑚礁底质类型提取方法针对珊瑚礁底质类型分类体系的构建, 相关研究提出了不同的分类体系[11]。考虑到本文研究区域礁体形态、水动力条件、出露程度等因素影响, 选择董娟等[14]提出的适合于永乐群岛的珊瑚礁底质类型分类体系, 分为: 深礁前斜坡、浅礁前斜坡、礁前阶地、藻脊、珊瑚丛生区、珊瑚沉积区、沙洲、沙坪、点礁、礁塘和潟湖共11个类型; 刘宝银等[15]、左秀玲等[16]、夏东兴等[17]、龚剑明等[18]对西沙群岛不同底质类型珊瑚覆的盖度估计进行了统计, 如表 2所示。
底质类型 | 深礁前斜坡 | 浅礁前斜坡 | 礁前阶地 | 藻脊 | 珊瑚丛生区 | 珊瑚沉积区 | 礁塘 | 点礁 | 潟湖坡 | 沙洲 | 沙坪 |
覆盖度/% | 30~40 | 80~90 | 10~20 | 0 | 80~90 | 30~40 | 0 | 80~90 | 0 | 0 | 0 |
利用支持向量机(support vector machine, SVM)分类方法对珊瑚礁底质类型信息进行提取。SVM是基于统计学习理论[19]的一种二分类模型, 其学习策略是找到特征空间中一个能够将所有数据样本划分开的决策超平面, 使类别正确分开的同时实现类别间隔最大化。由于珊瑚礁位于水下, 在底质类型光谱信息采集过程中, 水深严重干扰了珊瑚礁底质类型光谱信息, 直接根据珊瑚礁遥感影像光谱信息特征进行SVM分类会影响分类结果的准确性, 而基于人机交互的信息提取方法则具有很好的灵活性、适应性, 二者结合使用可以在不增加系统复杂性的前提下提高分类精度。
2.2 白化分析方法为了定量研究各类珊瑚礁底质类型的面积变化, 利用转移矩阵进行变化分析。转移矩阵反映了某区域某时段期初和期末各类型面积之间相互转化的动态过程, 它不仅包括静态某时间点的各类型面积数据, 而且有各类型面积期初转出和期末转入的信息[12]。转移矩阵数学形式为:
$ \boldsymbol{S}_{i j}=\left(\begin{array}{cccc} s_{11} & s_{12} & s_{13} & \cdots & s_{1 n} \\ s_{21} & s_{22} & s_{23} & \cdots & s_{2 n} \\ s_{31} & s_{32} & s_{33} & \cdots & s_{3 n} \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ s_{n 1} & s_{n 2} & s_{n 3} & \cdots & s_{n n} \end{array}\right), $ | (1) |
式中: S表示面积; n代表底质类型数目; i, j分别代表研究初期、末期底质类型数目。通过对2005、2011和2018年提取的底质类型信息进行变化检测, 得到总体时段、第1时段、第2时段各岛礁底质类型转移数据, 后基于珊瑚覆盖度计算各底质类型活珊瑚变迁面积开展白化分析。
为了便于统计分析, 在本文中作如下定义: 若珊瑚礁由珊瑚覆盖高的底质类型向珊瑚覆盖低的底质类型变迁, 则认为珊瑚礁发生了白化; 相反, 若珊瑚礁由珊瑚覆盖低的底质类型向珊瑚覆盖高的底质类型变迁, 则认为珊瑚礁发生了恢复。
按照上述定义, 给出整体及各岛礁白化率(2)、恢复率(3)计算公式:
$ \mathrm{BR} =\frac{\mathrm{BA}}{\mathrm{CA}}, $ | (2) |
$ \mathrm{RR} =\frac{\mathrm{RA}}{\mathrm{CA}}. $ | (3) |
BR、RR分别代表整体或各岛礁白化、恢复率, BA、RA分别代表整体或各岛礁活珊瑚白化、恢复面积, CA代表起始年份整体或各岛礁活珊瑚覆盖面积。
珊瑚礁的白化和恢复是同时发生的, 但白化和恢复所发生的区域、发展趋势和比例各有特点, 若将白化与恢复综合起来进行分析, 将淹没白化的特征, 不利于开展珊瑚礁白化状况的分析, 因此在本文中, 将珊瑚礁白化与恢复分别进行研究分析。
目前, 针对大尺度区域下整体及各岛礁的珊瑚礁白化分级监测分析研究较少, 为了更好的描述永乐群岛珊瑚礁白化情况, 本文提出了一种珊瑚礁白化等级划分原则, 此原则在潘艳丽等[10], 赵领娣等[20]的研究基础上, 按照整体以及各岛礁白化率, 将白化情况分为轻度白化、中度白化、重度白化、严重白化共4个等级, 其对应的等级划分标准见表 3。
根据现场调查数据选择验证样本区域, 并且保证样本在每个底质类型中分布均匀, 利用验证样本对2012年4月20日羚羊礁信息提取结果进行精度验证。使用混淆矩阵对珊瑚礁底质类型分类结果进行精度评价。混淆矩阵通过比较现场调查的真实底质类型信息和分类结果图中相应位置的地物信息的正确率开展分类精度的评价。主要评价指标有: 总体分类精度(overall accuracy, OA), 指分类结果中被正确分类的像元数占总像元数的比例; 制图精度(producer accuracy, PA)表示分类结果中某一类别正确分类的像元数与该类别真实参考总数的比率; 用户精度(user accuracy, UA)表示分类结果中正确分为某类的像元总数与整个图像分为该类的像元总数的比率; Kappa系数是一种定量评价遥感分类图与参考数据之间一致性的方法。
结果表明, 总体分类精度和Kappa系数分别为89.71%和0.882, 分类总体精度较好, 这验证了本文所引用的珊瑚礁底质类型分类体系的合理性与信息提取方法的准确性, 精度验证信息详见表 4。
底质类型 | 生产者精度/% | 用户精度/% | 错分率/% | 漏分率/% |
深礁前斜坡 | 97.44 | 88.37 | 11.63 | 2.56 |
浅礁前斜坡 | 91.67 | 96.49 | 3.51 | 8.33 |
礁前阶地 | 95.12 | 48.51 | 51.85 | 4.88 |
藻脊 | 59.81 | 98.46 | 1.54 | 40.19 |
珊瑚丛生区 | 100.00 | 99.14 | 0.86 | 0.00 |
珊瑚沉积区 | 100.00 | 100.00 | 0.00 | 0.00 |
沙坪 | 33.33 | 100.00 | 0.00 | 66.67 |
沙洲 | 100.00 | 65.22 | 34.78 | 0.00 |
礁塘 | 100.00 | 93.75 | 6.25 | 0.00 |
点礁 | 92.31 | 100.00 | 0.00 | 7.69 |
总体精度 | 89.71% | |||
Kappa系数 | 0.882 |
2005、2011、2018年永乐群岛底质类型分类结果见图 4, 永乐群岛中结构完整岛礁的底质类型分布存在规律, 自海向岛礁中心依次为深礁前斜坡、浅礁前斜坡、礁前阶地或藻脊、珊瑚丛生区、珊瑚沉积区、沙洲或沙坪、礁塘或潟湖、点礁。深礁前斜坡位于岛礁最外围, 紧邻其内分布浅礁前斜坡, 由于水动力条件等的差异, 二者的珊瑚覆盖度估计分别为35%、85%, 差异较大; 礁前阶地与藻脊交错分布, 由于藻脊覆盖有一层藻类, 几乎无珊瑚存在, 所以二者光谱及影像纹理特征差异明显, 易于区分, 二者珊瑚覆盖度估计较低, 分别为15%、0; 珊瑚丛生区和珊瑚沉积区分布面积最广, 是构成岛礁的主要组成部分, 有种类、数量众多的活珊瑚生长于此, 二者的珊瑚覆盖度估计分别为85%、35%; 沙洲由沙坪发展而来, 因此沙洲和沙坪相邻分布, 二者无活珊瑚生长; 礁塘和潟湖地势低洼, 分布于岛礁和礁环的中心位置, 其中生长有点状离散分布的点礁, 点礁的珊瑚覆盖度估计为85%。将14个岛礁按照区域位置关系分别放在3个区域框中, 其中2005年各岛礁分类结果用a表示, 分为a1、a2和a3三个区域框, 同理用b和c分别表示2011年和2018年分类结果。
3.2 珊瑚礁白化分析 3.2.1 永乐群岛珊瑚礁白化及原因分析对永乐群岛珊瑚礁总体空间尺度开展白化情况分析, 基于2005、2011、2018年各岛礁底质类型信息提取结果, 经变迁检测及白化率计算, 得到总体时段、第1时段、第2时段白化监测信息, 详见表 5。
底质类型 | 总体时段 | 第1时段 | 第2时段 |
深礁前斜坡 | 212.27 | 244.36 | 188.05 |
浅礁前斜坡 | –369.33 | –295.10 | –432.93 |
礁前阶地 | 26.77 | 47.54 | 58.00 |
藻脊 | 298.51 | 385.19 | 179.69 |
珊瑚丛生区 | –955.36 | –792.31 | –664.43 |
珊瑚沉积区 | 63.27 | 51.20 | 296.52 |
沙坪 | 1.12 | 1.00 | 11.50 |
沙洲 | 14.20 | 20.39 | 6.30 |
礁塘 | 16.02 | 13.42 | 15.63 |
点礁 | –29.46 | –31.11 | –31.10 |
潟湖 | 27.74 | 11.56 | 31.87 |
白化率 | –20.57% | –16.99% | –17.82% |
恢复率 | 10.03% | 11.77% | 12.44% |
在表 5中, 各底质类型活珊瑚面积变迁量是指2005到2018年间永乐群岛3个白化研究时段各底质类型活珊瑚覆盖面积变迁数量, 正、负数分别表示该底质类型活珊瑚覆盖面积增加、减少, 发生恢复、白化; 2005和2011年活珊瑚覆盖总量分别为6 582.21 hm2和6 331.53 hm2; 白化、恢复率分别按照公式(2)、(3)计算得到。
为了更好地对永乐群岛各单岛珊瑚礁白化情况进行分析, 根据岛礁地理位置关系, 将14个岛礁分为9个岛礁单元, 结合构建的永乐群岛珊瑚礁白化分级表, 对9个岛礁单元开展白化等级评估, 详细信息见表 6。
岛礁 | 总体时段 | 等级 | 第1时段 | 等级 | 第2时段 | 等级 |
银屿、银屿仔、石屿、晋卿岛 | –20.20% | 重度白化 | –15.86% | 中度白化 | –16.37% | 中度白化 |
中建岛 | –28.95% | 重度白化 | –22.12% | 重度白化 | –22.22% | 重度白化 |
盘石屿 | –20.62% | 重度白化 | –16.92% | 中度白化 | –22.26% | 重度白化 |
金银岛 | –10.44% | 中度白化 | –23.89% | 重度白化 | –12.48% | 中度白化 |
羚羊礁 | –33.36% | 严重白化 | –17.27% | 中度白化 | –21.56% | 重度白化 |
甘泉岛 | –4.99% | 轻度白化 | –12.48% | 中度白化 | –7.35% | 轻度白化 |
珊瑚岛 | –15.14% | 中度白化 | –14.47% | 中度白化 | –11.65% | 中度白化 |
广金岛、琛航岛 | –21.65% | 重度白化 | –10.45% | 中度白化 | –32.52% | 严重白化 |
全富岛、鸭公岛 | –21.34% | 重度白化 | –16.65% | 中度白化 | –15.14% | 中度白化 |
注: “-”代表珊瑚礁覆盖率降低 |
结合表 5, 总体时段永乐群岛活珊瑚面积减少694.25 hm2; 白化面积为1 354.15 hm2, 白化率为20.57%, 达到重度白化等级; 其中, 因珊瑚丛生区变迁为珊瑚覆盖更低的底质类型引起了珊瑚礁大面积的白化, 活珊瑚面积共减少955.36 hm2; 该研究时段的白化主要是由珊瑚丛生区、浅礁前斜坡发生白化引起, 二者发生白化的面积分别占本研究时段白化总面积的71%和27%。在第1、2时段, 永乐群岛珊瑚礁白化率分别为16.99%、17.82%, 都为中度白化等级。
结合图 5与表 6, 有1个岛礁达到严重白化等级, 达到重度白化等级及以上的有6个岛礁, 白化情况严重; 珊瑚礁白化最严重区域在羚羊礁和中建岛礁盘上, 其单岛白化率分别为33.36%(严重白化)和28.95%(重度白化); 甘泉岛白化率最低, 仅4.99%; 总体上东北部、西南部岛礁白化率最高; 第1时段有2个岛礁达到重度白化等级, 而所有的岛礁都达到了中度白化等级, 珊瑚礁白化最严重的区域集中在西部的金银岛和中建岛所在的礁盘上; 第2时段有3个岛礁达到重度白化等级, 达到中度白化等级以上的有7个岛礁; 珊瑚礁白化最严重的区域在广金岛、琛航岛, 盘石屿, 中建岛, 羚羊礁所在的4个礁盘上, 广金岛、琛航岛达到严重白化等级, 白化率为32.52%, 永乐群岛南部白化情况较其他区域更加严重; 综合三个研究时间段来看, 永乐群岛西部与南部白化情况最严重。
在珊瑚礁的恢复方面, 2005—2018年永乐群岛珊瑚礁共恢复659.9 hm2, 恢复率为10.03%; 从统计数据来看, 仅2个岛礁恢复率达到20%以上, 达到10%以上的只有4个岛礁, 总体恢复情况较差。藻脊、深礁前斜坡是此研究时间段活珊瑚增加面积最多的底质类型, 分别增加了298.51 hm2和212.27 hm2, 约占恢复面积的75%; 甘泉岛、中建岛活珊瑚覆盖恢复情况较好, 恢复率分别为24.58%和23.77%; 从区域位置来看, 永乐群岛南部的珊瑚礁恢复状况明显好于北部。在第1、2时段, 永乐群岛珊瑚礁恢复率分别为11.77%、12.44%。
自20世纪80年代起, 大量学者的研究表明海温升高会导致珊瑚白化[4-6], 厄尔尼诺和拉尼娜事件会使海温不断升高, 导致珊瑚大面积白化, 表 7为2004—2018年间记录的南海厄尔尼诺与拉尼娜事件信息[21-22]。
序号 | 事件类型 | 起止年月 | 时长/月 | 峰值时间 | 强度等级 |
1 | 厄尔尼诺 | 2004-07—2005-01 | 7 | 2004-09 | 弱 |
2 | 厄尔尼诺 | 2006-08—2007-01 | 6 | 2006-11 | 弱 |
3 | 拉尼娜 | 2007-08—2008-05 | 10 | 2008-01 | 中等 |
4 | 厄尔尼诺 | 2009-06—2010-04 | 11 | 2009-12 | 中等 |
5 | 拉尼娜 | 2010-06—2011-05 | 12 | 2010-12 | 中等 |
6 | 拉尼娜 | 2011-08—2012-03 | 8 | 2011-12 | 超强 |
7 | 厄尔尼诺 | 2014-10—2016-04 | 19 | 2015-11 | 超强 |
由表 7可以看出在2004—2018年间永乐群岛海域发生了多起厄尔尼诺和拉尼娜事件, 其中第1时段发生了不间断交替进行的厄尔尼诺与拉尼娜事件; 第2时段又发生了超强等级的厄尔尼诺事件; 综合3个研究时段发现, 永乐群岛西部与南部白化情况更严重, 这是由于盛行的夏季东南季风带来大量的热带海水, 热威胁不断积累[16-21], 导致西部与南部白化情况严重, 加之季风与人类活动使永乐群岛发生大面积白化。
3.2.2 羚羊礁、甘泉岛、中建岛珊瑚礁白化及原因分析在以岛礁单元为空间尺度的白化分析中发现羚羊礁总体时段白化情况是最严重的, 但在第1、2时段中的白化情况并不均匀, 与羚羊礁相比位于永乐群岛最南端的中建岛虽然在总体研究时段中白化程度仅次于羚羊礁, 但各时段白化程度严重且均匀; 在珊瑚礁恢复方面, 甘泉岛恢复率最高, 且各时段恢复状况表现均匀。因此, 以珊瑚礁白化、恢复状况特征差异明显的3个岛礁为例, 开展详细的珊瑚礁底质类型空间尺度白化分析, 具体如下。
表 8羚羊礁、中建岛、甘泉岛总体时段底质类型活珊瑚面积变迁表是指2005到2018年3个单岛珊瑚礁各底质类型活珊瑚覆盖面积变迁数量, 其与2005年各单岛活珊瑚覆盖总量都由总体时段珊瑚礁底质类型转移矩阵结合表 2活珊瑚覆盖度计算得到, 羚羊礁、中建岛、甘泉岛2005年活珊瑚覆盖总量分别为573.83 hm2、414.54 hm2和87.13 hm2; 正、负数分别表示该底质类型活珊瑚覆盖面积增加、减少, 发生恢复、白化; 白化率与恢复率分别按照公式(2)、(3)计算得到。
底质类型 | 羚羊礁 | 中建岛 | 甘泉岛 |
深礁前斜坡 | 9.92 | 53.70 | 18.01 |
浅礁前斜坡 | –15.46 | –53.05 | –2.79 |
礁前阶地 | 1.15 | –1.28 | 0.63 |
藻脊 | 36.24 | 41.87 | 3.35 |
珊瑚丛生区 | –164.27 | –66.95 | –1.56 |
珊瑚沉积区 | –5.49 | 1.28 | –1.22 |
沙坪 | 0.00 | 0.00 | 0.00 |
沙洲 | 0.24 | 2.97 | 0.63 |
礁塘 | 16.02 | 0.00 | 0.00 |
点礁 | –11.73 | 0.00 | 0.00 |
潟湖 | 0.00 | 0.00 | 0.00 |
白化率 | –33.36% | –28.95% | –4.99% |
恢复率 | 10.12% | 23.77% | 24.58% |
结合表 8, 总体时段羚羊礁活珊瑚面积减少了133.37 hm2, 白化面积为191.46 hm2, 白化率为33.36%, 达到严重白化等级, 在14个岛礁中白化最严重, 其中珊瑚丛生区减少最多, 面积缩减164.27 hm2, 占据了白化总量的86%; 在第1、2时段, 羚羊礁白化率分别为17.27%、21.56%, 分别达到了中度白化、重度白化等级。甘泉岛与羚羊礁在地理位置上相邻, 但表现出了不同的白化状况, 在14个岛礁中恢复率最高, 总体时段达到了24.58%, 在其余两个研究时段也分别达到了24.46%、13.5%。中建岛白化率略低于羚羊礁, 但其白化趋势严重, 总体、第1、第2时段白化率分别为–28.95%、–22.12%、–22.22%, 均为重度白化等级。
结合图 6发现总体时段羚羊礁、中建岛白化集中在岛礁内部珊瑚丛生区, 羚羊礁内部的白化位置较均衡, 而中建岛西北部、北部区域白化严重, 此外, 羚羊礁环岛靠外侧浅礁前斜坡部分也有白化; 甘泉岛恢复主要发生在深礁前斜坡。第1时段羚羊礁白化集中在岛礁内的北部、南部的珊瑚丛生区及环岛靠外侧的浅礁前斜坡, 中建岛的白化区域、甘泉岛恢复区域与总体时段大致相同, 但中建岛白化面积相对减少, 甘泉岛第1时段恢复率与总体时段基本持平。第2时段羚羊礁白化集中在岛礁内东北部、西南部及环岛靠外侧部分, 白化主要由珊瑚丛生区、珊瑚沉积区、浅礁前斜坡白化引起; 中建岛的白化区域主要发生在内部与外部环岛区域; 甘泉岛主要发生在靠近内侧的浅礁前斜坡与珊瑚丛生区。
除厄尔尼诺与拉尼娜事件外, 自20世纪70年代起中建岛开始建设并驻军; 羚羊礁羚羊社区人民就地取材, 利用珊瑚礁及贝壳等建造素有“珊瑚梁、贝壳墙”之称的房屋, 加之近年来建设太阳能发电、海水淡化设备, 人为活动影响也导致羚羊礁、中建岛发生大面积白化。
4 结论本文以西沙永乐群岛羚羊礁、中建岛等14个岛礁为研究区域, 利用SVM分类方法结合人机交互信息提取方法完成了永乐群岛2005年、2011年和2018年珊瑚礁底质类型分类, 基于分类结果得到总体时段、第1时段和第2时段珊瑚礁底质类型变化分析结果, 开展不同尺度区域下的珊瑚礁白化分析, 得到以下结论:
1) 提出了轻度、中度、重度和严重白化四级珊瑚礁白化程度分级方法, 将总体时段永乐群岛珊瑚礁白化状况(白化率为20.57%)评价为重度白化等级, 同时在单岛分析中发现总体时段14个岛礁中有11个达到重度白化及以上等级, 其中羚羊礁白化率(33.36%)最高, 达到严重白化等级;
2) 永乐群岛总体时段珊瑚丛生区、浅礁前斜坡发生白化的面积为1 324.69 hm2, 占总体白化面积的98%, 珊瑚丛生区、浅礁前斜坡珊瑚礁白化是永乐群岛珊瑚礁白化的主要来源;
3) 总体时段14个岛礁中只有甘泉岛珊瑚礁覆盖度在逐渐增加, 其恢复率达到了24.58%, 表现出了较好的恢复态势。
[1] |
贾丹丹. 基于遥感的南海珊瑚礁区海表温度时空变化及生态影响的研究[D]. 南宁: 广西大学, 2018. JIA Dandan. Temporal and spatial variation of sea surface temperature and ecological impacts in coral reef areas of the south China sea based on remote sensing. Nanning: Guangxi University, 2018. |
[2] |
陈标, 陈永强, 黄晖. 西沙群岛2010年珊瑚热白化卫星遥感监测[C]//2012年地球科学与遥感国际会议论文集(ESRS 2012). 美国: 信息工程研究所, 2012: 8. CHEN Biao, CHEN Yongqiang, HUANG Hui. Satellite Remote Sensing Monitoring Coral Bleaching During the 2010 Bleaching Event at Parcel Islands, South China Sea[C]//Proceedings of 2012 International Conference on Earth Science and Remote Sensing(ESRS 2012). USA: Information Engineering Research Institute, 2012: 8. |
[3] |
徐兵. 珊瑚礁遥感监测方法研究[D]. 南京: 南京师范大学, 2013. XU Bing. Research on remote sensing monitoring method of coral reef[D]. Nanjing: Nanjing Normal University, 2013. |
[4] |
COLES S I, JOKIEL P L. Effects of temperature on photosynthesis and respiration in hermatypic corels[J]. Marine Biology, 1977, 43(3): 209-216. DOI:10.1007/BF00402313 |
[5] |
SMITH O H G. The effect of sudden changes in temperature, light, and salinity on the population density and export of zooxanthellae from the reef corals Stylophora pistillata Esper and Seriatopora hystrix Dana. J Exp Mar Biol Ecol[J]. Jourmal of Experimental Marine Biology & Ecology, 1989, 129(3): 279-303. |
[6] |
GLYNN P W. Coral reef bleaching in the 1980s and possible connections with global warming[J]. Trends in Ecology & Evolution, 1991, 6(6): 175-179. |
[7] |
HUGHES T P, KERRY J T, ALVAREZNORIEGA M, et al. Global warming and recurrent mass bleaching of corals[J]. Nature, 2017, 543(7645): 373. DOI:10.1038/nature21707 |
[8] |
GLEESON M W, STRONG A E. Applying MCSST to coral reef bleaching[J]. Advances in Space Research, 1995, 16(10): 15M54. |
[9] |
ARECO H O, QUIBILAN M C, ALIN O P M, et al. Coral bleaching in Philippine reefs: Coincident evidences with mesoscale thermal anomalies[J]. Bulletin of Marine Science, 2001, 69(2): 579-593. |
[10] |
潘艳丽, 唐丹玲. 卫星遥感珊瑚礁白化概述[J]. 生态学报, 2009, 29(9): 5076-5080. PAN Yanli, TANG Danling. General introduction to satellite remote sensing of coral reef bleaching[J]. Journal of ecology, 2009, 29(9): 5076-5080. DOI:10.3321/j.issn:1000-0933.2009.09.057 |
[11] |
蔡玉林, 索琳琳, 孙旋, 等. 珊瑚礁白化监测方法研究进展[J]. 海洋环境科学, 2019, 38(5): 776-781. CAI Yulin, SUO Linlin, SUN Xuan, et al. Review of methods for coral reef bleaching monitoring[J]. Marine Environmental Science, 2019, 38(5): 776-781. |
[12] |
万佳馨, 任广波, 马毅. 基于WorldView-2和GF-2遥感影像的赵述岛礁坪底质变化研究[J]. 海洋科学, 2019, 43(10): 43-54. WAN Jiaxin, REN Guangbo, MA Yi. Study on substrate changes of Zhaoshu reef flat based on World View-2 and GF-2 remote sensing images[J]. Marine science, 2019, 43(10): 43-54. |
[13] |
王雪丽, 蔡玉林, 索琳琳, 等. 基于Landsat-8数据的珊瑚礁白化变化监测[J]. 遥感信息, 2019, 34(6): 119-124. WANG Xueli, CAI Yulin, SUO Linlin, et al. Monitoring of coral reef bleaching based on Landsat-8 data[J]. Remote sensing information, 2019, 34(6): 119-124. DOI:10.3969/j.issn.1000-3177.2019.06.019 |
[14] |
董娟, 任广波, 胡亚斌, 等. 基于高分辨率遥感的珊瑚礁地貌单元体系构建和分类方法——以8波段Worldview-2影像为例[J]. 热带海洋学报, 2020, 39(4): 116-129. DONG Juan, REN Guangbo, HU Yabin, et al. Construction and classification of coral reef geomorphic unit system based on high-resolution remote sensing: using 8-band Worldview-2 Image as an example[J]. Acta tropical Oceanographica Sinica, 2020, 39(4): 116-129. |
[15] |
刘宝银, 刘琳. 印度洋马尔代夫环礁发育空间特征——航天遥感融合信息海气关联[M]. 北京: 海洋出版社, 2014. LIU Baoyin, LIU Lin. Spatial development characteristics of the Maldives Atoll in Indian Ocean: space remote sensing, fusion information, air-sea association[M]. Beijing: Ocean Press, 2014. |
[16] |
左秀玲, 苏奋振, 赵焕庭, 等. 南海珊瑚礁高分辨率遥感地貌分类体系研究[J]. 地理科学进展, 2018, 37(11): 1463-1472. ZUO Xiuling, SU Fenzhen, ZHAO Huanting, et al. Development of a geomorphic classification scheme for coral reefs in the South China Sea based on high-resolution satellite images[J]. Progress in Geography, 2018, 37(11): 1463-1472. |
[17] |
夏东兴, 边淑华, 丰爱平, 等. 海岸带地貌学[M]. 北京: 海洋出版社, 2014. XIA Dongxing, BIAN Shuhua, FENG Aiping, et al. Costal zone geomorphology[M]. Beijing: Ocean Press, 2014. |
[18] |
龚剑明, 朱国强, 杨娟, 等. 面向对象的南海珊瑚礁地貌单元提取[J]. 地球信息科学学报, 2014, 16(6): 997-1004. GONG Jianming, ZHU Guoqiang, YANG Juan, et al. A study on the object-oriented model for geomorphic unit extraction of coral reefs in the South China Sea[J]. Journal of Geo-Information Science, 2014, 16(6): 997-1004. |
[19] |
VAPNIK V N. Direct methods in statistical learning theory[M]//The Nature of Statistical Learning Theory. New York, NY: Springer, 2000.
|
[20] |
赵领娣, 边春鹏. 风暴潮灾害综合损失等级划分标准的研究[J]. 中国渔业经济, 2012, 30(3): 42-49. ZHAO Lingdi, BIAN Chunpeng. The analysis of class division of storm surge comprehensive loss[J]. Chinese fishery economy, 2012, 30(3): 42-49. DOI:10.3969/j.issn.1009-590X.2012.03.007 |
[21] |
张丽, 徐朋飞, 吴义红, 等. 1961-2018年安庆市气候变化及其与厄尔尼诺/拉尼娜的相关性分析[J]. 安徽农学通报, 2019, 25(22): 149-153, 157. ZHANG Li, XU Pengfei, WU Yihong, et al. Climate change in Anqing city from 1961 to 2018 and its correlation with El Nino/Lanina[J]. Anhui agronomy bulletin, 2019, 25(22): 149-153, 157. DOI:10.3969/j.issn.1007-7731.2019.22.056 |
[22] |
袁瑞. 南海北部海洋分层对厄尔尼诺和拉尼娜事件的响应[C]//中国海洋工程学会. 第十九届中国海洋(岸)工程学术讨论会论文集(上). 北京: 中国海洋学会海洋工程分会, 2019: 331-335. YUAN Rui. Response of ocean stratification in northern South China Sea to El Nino and La Nina Events[C]//Chinese society of ocean engineering. Proceedings of the 19th China Ocean (Shore) Engineering Symposium (I). Beijing: Ocean Engineering Branch of Chinese society of ocean engineering, 2019: 331-335. |