2022, Vol. 46
文章信息
- 焦艳, 商杰, 高松, 吴玲娟, 李杰, 于清溪, 赵一丁, 付迪. 2022.
- JIAO Yan, SHANG Jie, GAO Song, WU Ling-juan, LI Jie, YU Qing-xi, ZHAO Yi-ding, FU Di. 2022.
- 黄海绿潮发展规模影响因子及预测方法研究
- Influencing factors and prediction method of the green tide scale in the Yellow Sea
- 海洋科学, 46(5): 65-73
- Marina Sciences, 46(5): 65-73.
- http://dx.doi.org/10.11759/hykx20210718001
-
文章历史
- 收稿日期：2021-07-18
- 修回日期：2021-10-20
2. 国家海洋局北海预报中心, 山东 青岛 266061;
3. 国家海洋局北海信息中心, 山东 青岛 266061
2. North China Sea Marine Forecast Center of State Oceanic Administration, Qingdao 266061, China;
3. North China Sea Data & Information Service of State Oceanic Administration, Qingdao 266061, China
绿潮是指海洋中一些大型藻类(如浒苔)在一定环境条件下漂浮增殖或聚集达到某一水平, 导致海洋生态环境异常的一种现象[1]。绿潮在全球沿岸海域暴发变得越来越频繁, 已经成为一种世界性的海洋灾害。自1980年起, 美国、加拿大、荷兰、法国、意大利、日本和韩国等国家, 均暴发过绿潮灾害, 法国沿岸海域尤为严重[2-5]。
2007年, 黄海中、南部海域首次发生绿潮。2008年至今, 黄海海域绿潮灾害连年暴发, 分布面积居高不下, 山东半岛南部沿岸的日照、青岛、烟台、威海等地均有不同程度的绿潮登陆。绿潮不仅对沿海地区的水上赛事、水产养殖、滨海旅游、海上交通运输等相关产业产生严重影响, 也对近海海洋生态环境造成严重破坏。
黄海绿潮暴发已有十余年的历史, 由于大气和海洋环境不同, 不同年份绿潮的发展规模有明显差异。特别是近年来, 我国近海海洋环境的极端气候事件增多, 导致绿潮发展的不确定性增大。因此, 研究黄海绿潮发展的影响因子, 在绿潮生成前期对其分布面积进行有效预测, 可为有关部门提前开展绿潮防灾减灾工作部署、制定应急处置方案提供必要的科学依据。
目前已有学者在绿潮影响因子和预测预报技术方面开展了一些初步研究。张苏平等[6]和衣立等[7]分别从黄海水文气象条件变化方面对2008、2009年绿潮聚集和定向移动进行研究分析, 认为风场是绿潮漂动的主要强迫场, 风场驱动下的海洋表层流场年际变化是绿潮漂移路径变异的主要原因。黄娟等[8]基于三维全动力POM海洋模式和2008—2009年黄海绿潮多源实测和监测数据, 利用拉格朗日粒子追踪方法对绿潮的漂移轨迹进行应急预测, 取得了较好的预报效果。Lin等[9]从交叉学科的角度研究绿潮成因和动力机制, 发现2008年4—5月在南黄海中部稳定冷涡的发生发展和运动过程与浒苔的漂流聚集密切相关, 可以利用冷涡来预测绿潮的生消和漂移。上述研究结合黄海绿潮在特定年份的发展过程, 提出了影响绿潮暴发和漂移的局地因子, 并通过数值模拟的方式进行绿潮预报。
然而, 而黄海绿潮发生在开阔海域, 在生成和发展的过程中要经过大规模、长时间的漂移。数值模拟方法受强迫场和计算资源的限制, 预报时效偏短(一般小于7 d), 无法满足绿潮防灾减灾的实际需求。为延长绿潮的预报时效, 本文首次采用气候统计预测的思想, 分析绿潮规模年际变化与前期大气和海洋要素的定量关系, 建立绿潮最大分布面积的定量化预测模型。
1 研究区域及数据来源黄海绿潮主要生成于江苏盐城外海, 随着面积的增长不断向北漂移, 影响山东附近海域。本文选取(33~37°N, 119~123°E)为研究区域, 并根据绿潮藻种的演变规律和对近岸的影响程度, 以35°N为界划分为两部分(图 1)。绿潮发展初期主要位于35°N以南海域, 此时对近岸影响较小; 绿潮发展成熟期主要位于35°N以北海域, 当绿潮北移进入35°N时表明其对近岸的影响逐渐开始。
 |
| 图 1 研究区域位置 Fig. 1 Location of the study area |
绿潮资料来源于国家海洋局北海预报中心绿潮多源监测数据和2019年《北海区海洋灾害公报》[10], 时间为2008—2019年。国家海洋局北海预报中心承担北海区绿潮业务化监测与预警职责, 数据资料详实可靠。大气和海洋数据选取NCEP/NCAR Climate Forecast System Reanalysis (CFSR)和Climate Forecast System Version 2 (CFS v2), 以及Met Office HadISST, 时间为1990—2019年。
2 绿潮规模年际变化表征绿潮规模的物理量有两个, 分别为绿潮的分布面积和覆盖面积。绿潮分布面积指发现漂浮绿潮的整个海域包络线以内的总面积; 绿潮覆盖面积指绿潮实际覆盖的海域面积。此外, 还有一个概念为绿潮分布密度, 定义为覆盖面积与分布面积的比值, 用公式表示为:
| $ 绿潮分布密度=绿潮覆盖面积/绿潮分布面积×100\%. $ | (1) |
图 2为2008至2019年各年最大分布面积和最大覆盖面积的年际变化。最大分布面积达到或超过50 000 km2的年份有5个, 分别为2009、2014、2015、2016和2019年, 其中2009年分布面积最大, 达到58 000 km2; 2012年分布面积最小, 不足20 000 km2; 平均分布面积约40 000 km2。
 |
| 图 2 2008—2019年最大分布面积和最大覆盖面积年际变化 Fig. 2 Interannual variation in the maximum distribution and coverage area from 2008 to 2019 |
覆盖面积最大值也出现在2009年, 约为2 100 km2, 最小值为2018年的193 km2, 与当年环境综合治理密切相关。平均覆盖面积约620 km2。
图 3为2008至2019年绿潮分布密度的年际变化及其线性趋势。可以看出绿潮分布密度总体呈现下降的趋势, 2009年分布密度最大, 达到3.6%; 2018年分布密度最小, 仅为0.5%。
 |
| 图 3 2008—2019年绿潮分布密度年际变化及线性趋势 Fig. 3 Interannual variation and linear trend of the green tide distribution density from 2008 to 2019 |
本文选取绿潮最大分布面积作为表征当年绿潮规模的物理量, 分析影响因子并建立预测模型。一方面, 绿潮分布面积决定了其整体影响范围; 另一方面, 与绿潮覆盖面积相比, 分布面积的监测技术更成熟、精确度更高。
3 绿潮分布面积影响因子分析及预测模型建立黄海绿潮的暴发机理比较复杂, 在生成和发展的过程中, 主要受绿潮源地生态因子、黄海海域大气和海洋热力和动力因子的影响[11-13]。为延长预报时效, 采用了气候统计预测的思想和方法, 研究大气和海洋热力和动力因子对绿潮发展规模的影响, 暂不考虑源地生态因子的影响。
3.1 绿潮分布面积影响因子分析选取温度、湿度、降水、辐射、风、流、盐度等14个与绿潮发展规模可能相关的大气和海洋热、动力因子(表 1), 按照第1节的区域划分, 分别计算区域1、区域2和区域1+2各要素区域平均值与当年最大分布面积的滑动相关系数(图 4)。为排除高频信号的干扰, 同时为便于业务化应用, 将上述大气和海洋要素进行5 d平均处理。
| 名称 | 简写名称 | 研究区域 |
| 2 m气温 | at | 区域1 区域2 区域1+2 |
| 2 m比湿 | q | |
| 降水率 | prate | |
| 向下短波辐射 | dswsfc | |
| 10 m风 | wnd_u; wnd_v | |
| 风散度 | wnddiv | |
| 风应力 | wndstrsu; wndstrsv | |
| 海温 | sst | |
| 盐度 | sal | |
| 流 | ocn_u; onc_v | |
| 流散度 | ocndiv |
 |
| 图 4 通过检验的大气和海洋要素与绿潮最大分布面积的滑动相关系数 Fig. 4 Sliding correlation coefficients between significant atmospheric and marine factors and the maximum distribution area of the green tide 注: 方框标记相关性较强的时段 |
表 1列出的14个变量中, 有6个变量的滑动相关系数通过95%显著性检验, 分别为海温、盐度、降水率、表面短波辐射、风的纬向分量和流的纬向分量(图 4)。变量名后的数字表示区域, 方框标记出相关性较强的时段。
图 4中, 有5个因子的关键影响区都位于区域1, 仅有盐度的关键影响区是区域2, 说明绿潮发展初期的大气和海洋环境对绿潮发展规模起主导作用。下面对各因子的相关性进行具体分析。
所有因子中, 相关性最强且信号持续时间最长的是海温。持续的正相关信号表明, 前期海温越高, 绿潮分布面积越大。盐度虽然仅在4月第6—15 d通过显著性检验, 但在绿潮暴发前期也呈现持续的正相关信号, 且盐度关键影响区为区域2, 表明35°N以北海域海水中的盐分多少是绿潮能否持续发展的影响因子。降水率与绿潮最大分布面积在5月第11—15 d呈强正相关关系, 5月第11—15 d处于绿潮规模达到卫星可观测时间的前5 d, 表明在绿潮暴发前如果发生强降水, 易引发海水富营养化, 从而有利于绿潮暴发。向下短波辐射的关键影响期是在6月第6—10 d前后, 说明在绿潮发展初期, 充足的光照有利于绿潮的生长。风和流的纬向分量属于大气和海洋的动力因子, 它们通过影响绿潮的漂移路径对绿潮最大分布面积产生影响。具体来说, 当风和流的纬向分量为正(自西向东)时, 有利于绿潮向东漂移, 东部开阔的海域有利于绿潮的发展和扩散。
3.2 绿潮分布面积预测模型建立为便于业务化应用, 在建立预测模型时, 选取因子应遵循以下几个原则: (1) 因子的强相关信号要有一定的持续性; (2) 因子强相关时段宜早不宜晚, 以保证预测的时效性; (3) 兼顾大气与海洋、热力与动力因子的影响。选取相关系数最高的海温、向下短波辐射和流的纬向分量作为预测因子, 分别代表海洋热力因子、大气因子和海洋动力因子, 并以其在对应时段内的均值定义指数: Xsst(3月第16 d至4月第30 d)、Xdswsfc(6月第6 d至第15 d)和Xocn_u(6月第6 d至第25 d)。
采用一元/多元回归方法建立绿潮最大分布面积(S)与各因子组合的回归方程。表 2列出了各因子组合方程的相关系数(R)和标准差(standard deviation, DST)。
| 因子组合 | R | DST /(104 km2) |
| Xdswsfc | 0.60 | 1.21 |
| Xsst | 0.67 | 1.12 |
| Xocn_u | 0.75 | 1.00 |
| Xdswsfc, Xsst | 0.74 | 1.07 |
| Xsst, Xocn_u | 0.80 | 0.96 |
| Xdswsfc, Xocn_u | 0.76 | 1.04 |
| Xdswsfc, Xsst, Xocn_u | 0.80 | 1.01 |
由表 2可知, 与绿潮最大分布面积相关性最好的因子是Xocn_u, R达到0.75, 通过95%显著性检验。因此最优一元回归方程为:
| $ S_{1}=5.45×10^{5}X_{\rm{ocn\_u}}+5.68×10^{4}. $ | (2) |
在Xocn_u因子的基础上增加Xsst因子, R提升至0.80, DST下降至9.58×103 km2, 因此最优二元回归方程为:
| $ S_{2}=6.36×10^{3} X_{\rm{sst}}+3.96×10^{5} X_{\rm{ocn\_u}} −1.33×10^{5}.$ | (3) |
若同时考虑3个因子的影响, 建立三元回归方程, R并没有较二元回归方程有所提高, 反而标准差有所增大, 说明引入预测因子过多会引起干扰信号增强, 因此仅采用一元和二元回归方程作为预测模型。
从拟合结果来看(图 5), 一元和二元回归模型都能够比较好地模拟出绿潮最大分布面积的总体变化趋势, 即2009年偏大, 2010—2013年偏小, 2014—2016年转为偏大。对比而言, 二元回归模型更接近与观测值, 由此采用式(3)作为绿潮最大分布面积的预测方程。
 |
| 图 5 最优一元/二元回归模型拟合值与绿潮实际最大分布面积对比图 Fig. 5 Comparison between the fitting value of the optimal linear/binary regression model and the observation value of the maximum distribution area of the green tide |
由上文可知, 影响绿潮最大分布面积的关键因子为绿潮暴发前的海温和绿潮漂移过程中的纬向流, 本节将进一步探究各因子与大尺度大气和海洋系统的联系。
将Xsst和Xocn_u指数时间序列延长至1990—2019年, 分别计算各指数与同期和前期500 hPa位势高度和全球海面温度异常(sea surface temperature anomaly, SSTA)的相关系数。图 6a为Xsst指数与4月500 hPa位势高度相关系数分布图(由于篇幅所限, 未通过显著性检验的月份图略)。可以看出, 在北大西洋—欧亚大陆500 hPa位势高度自西向东呈现出“+-+”的相关分布型, 即大西洋东北部正相关, 乌拉尔山负相关, 贝加尔湖以东正相关, 该分布为比较典型的欧亚遥相关波列的负位相。
 |
| 图 6 Xsst与4月500 hPa位势高度的关系 Fig. 6 Relationship between Xsst and geopotential height of 500 hpa in April |
将与均值的偏差超过一倍标准差定义为异常年, 图 6b和图 6c分别为Xsst偏小年和偏大年500 hPa位势高度距平及其等值线合成图。Xsst偏小年乌拉尔山上空为位势高度正距平, 东北大西洋和贝湖以东上空为位势高度负距平。具体表现为乌拉尔阻塞高压增强, 东亚大槽偏西偏深, 欧亚大陆呈经向型环流, 有利于源自高纬度的冷气团南下, 造成黄海海域海温偏低。反之, 在Xsst偏大年, 乌拉尔脊和东亚大槽整体位相偏东, 东亚大槽偏北偏浅, 不利于高纬度冷气团南下深入至黄海海域, 导致黄海海域海温偏高。相比之下, Xsst偏大年欧亚遥相关波列影响更明显。
图 7a为Xocn_u指数与5月全球海面温度的相关系数分布场。在低纬度中东太平洋以及东北太平洋沿岸, 二者呈正相关关系, 在西北太平洋呈负相关关系。
 |
| 图 7 Xocn_u与5月全球海面温度的关系 Fig. 7 Relationship between Xocn_u and sea surface temperature in May |
图 7b、c分别为Xocn_u指数偏小和偏大年全球海温合成场。可以看出在Xocn_u偏小年, 低纬度中东太平洋以及东北太平洋沿岸海温异常偏低, 该分布型为太平洋年代际振荡(Pacific decadal oscillation, PDO)负位相与厄尔尼诺与南方涛动(El Niño-Southern oscillation, ENSO)负位相叠加而成。前人研究表明, PDO与ENSO的共同作用下, Walker环流偏强, 西太平洋副热带高压偏弱偏小、位置偏北偏东, 在高空呈现出气旋式环流异常[14-16], 在我国东部沿海表现为东北风距平。根据Ekman漂流关系, 在东北风距平的驱动下, 将产生西向流距平, 导致绿潮整体位置偏西, 分布面积偏小。而在Xocn_u偏大年, 全球海温异常并不显著。
5 总结与讨论基于绿潮多源监测数据和大气海洋再分析资料, 分析绿潮规模的年际变化及其影响因子, 首次建立了绿潮年最大分布面积的预测模型, 并探讨了大尺度海洋和大气因子对绿潮分布面积的可能影响。
2008至2019年间, 黄海绿潮平均分布面积约40 000 km2, 最大值为2009年的58 000 km2, 最小值为2012年的不足20 000 km2; 黄海绿潮平均覆盖面积约620 km2, 最大值为2 100 km2, 最小值为193 km2。
通过计算, 共有6个变量与绿潮最大分布面积的滑动相关系数通过显著性检验, 分别为海温、盐度、降水率、表面短波辐射、风的纬向分量和流的纬向分量。根据绿潮业务化预测实际需求和回归方程检验结果, 最终选取绿潮生成区的海温(3月第16 d至4月第30 d)和纬向海流(6月第6 d至第25 d)两个因子建立绿潮年最大分布面积预测模型(见式3), 预测模型与观测值相关系数达到0.80, 通过95%显著性检验。
进一步分析影响绿潮规模的大尺度海洋和大气环流因子。欧亚遥相关波列负位相引起黄海海域前期海温升高, 是导致绿潮分布面积偏大的主要大尺度环流因子; 而PDO与ENSO负位相叠加引起的西太平洋上空反气旋环流, 造成6月绿潮北上路径偏西, 是导致绿潮分布面积偏小的主要大尺度环流因子。需要说明的是, 本文仅从定性的角度探究了绿潮规模和大尺度环流因子间的关系, 其具体影响机制仍需通过数值模拟的方法开展深入研究。
| [1] |
国家海洋局. 中华人民共和国海洋行业标准, 绿潮预报和警报发布: HY/T 217—2017[S]. 北京: 中国标准出版社, 2017. State Oceanic Administration. The issue of green tide HY/T 217-2017, The issue of green tide forecasts and warnings[S]. Beijing: China Quality and Standard Publish Press, 2017. |
| [2] |
MENESGUEN A. Modelling coastal eutrophication: the case of French ulva mass blooms[J]. Marine Coastal Eutrophication, 1992, 127: 979-992. |
| [3] |
III E R, RANGOONWALA A, SCHWARZSCHILD M. Spectral definition of the macro-algae ulva curvata in the back-barrier bays of the eastern shore of Virginia, USA[J]. International Journal of Remote Sensing, 2012, 33(2): 586-603. DOI:10.1080/01431161.2010.543436 |
| [4] |
AUROUSSEAU P. Le flux d'azote et de phosphore provenant des bassins versants de la rade de Brest[J]. Comparaison avec la Bretagne, 2001, 27: 137-161. |
| [5] |
CUGIER P, HIR P L. Development of a 3D hydrodynamic model for coastal ecosystem modelling. Application to the plume of the Seine River (France)[J]. Estuarine Coastal & Shelf Science, 2002, 55(5): 673-695. |
| [6] |
张苏平, 刘应辰, 张广泉, 等. 基于遥感资料的2008年黄海绿潮浒苔水文气象条件分析[J]. 中国海洋大学学报(自然科学版), 2009, 39(5): 870-876. ZHANG Suping, LIU Yingchen, ZHANG Guangquan, et al. Analysis on the hydro-moteorological conditions from remote sensing data for the 2008 algal blooming in the Yellow Sea[J]. Periodical of Ocean University of China, 2009, 39(5): 870-876. |
| [7] |
衣立, 张苏平, 殷玉齐. 2009年黄海绿潮浒苔暴发与漂移的水文气象环境[J]. 中国海洋大学学报(自然科学版), 2010, 40(10): 18-26. YI Li, ZHANG Suping, YIN Yuqi, et al. Influnce of environmental hydro-meteorological conditions to enteromorpha prolifera blooms in Yellow Sea, 2009[J]. Periodical of Ocean University of China, 2010, 40(10): 18-26. |
| [8] |
黄娟, 吴玲娟, 高松, 等. 黄海绿潮应急漂移数值模拟[J]. 海洋预报, 2011, 28(1): 25-32. HUANG Juan, WU Lingjuan, GAO Song, et al. Numerical simulation of green tide drift in the Yellow Sea[J]. Marine Forecasts, 2011, 28(1): 25-32. DOI:10.3969/j.issn.1003-0239.2011.01.005 |
| [9] |
LIN H Z, JIANG P, ZHANG J X, et al. Genetic and marine cyclonic eddy analyses on the largest macroalgal bloom in the world[J]. Environmental Science & Technology, 2011, 45(14): 5996-6002. |
| [10] |
自然资源部北海局. 2019年北海区海洋灾害公报[R/OL]. [2020-05-27]. http://ncs.mnr.gov.cn/n1/n127/n134/200527142944815111.html. North China Sea Bureau of Ministry of Natural Resources. Bulletin on marine hazards in North China Sea[R/OL]. [2020-05-27]. http://ncs.mnr.gov.cn/n1/n127/n134/200527142944815111.html. |
| [11] |
李曰嵩, 潘灵芝, 肖文军, 等. 风对黄海绿潮藻漂移的影响[J]. 海洋环境科学, 2014, 33(5): 772-776. LI Yuesong, PAN Lingzhi, XIAO Wenjun, et al. Effect of wind on the drifting of green macroalgae in the Yellow Sea[J]. Marine Environmental Science, 2014, 33(5): 772-776. |
| [12] |
李鸿妹. 营养盐与黄海浒苔绿潮暴发关系的探究[D]. 青岛: 中国海洋大学, 2015. LI Hongmei. Study on the relationship between nutrient salt and the outbreak of green tide in the Yellow Sea[D]. Qingdao: Ocean University of China, 2015. |
| [13] |
何世钧, 唐莹莉, 张婷, 等. 基于支持向量机的绿潮灾害影响因素的权重分析[J]. 中国环境科学, 2015, 35(11): 3431-3436. HE Shijun, TANG Baoli, ZHANG Ting, et al. Weight analysis of each influence factor of the green tide disaster based on SVM[J]. China Environmental Science, 2015, 35(11): 3431-3436. DOI:10.3969/j.issn.1000-6923.2015.11.030 |
| [14] |
董克慧. 赤道中东太平洋海温异常时与夏季副高的关系分析[J]. 浙江气象, 2002, 23(2): 7-10. DONG Kehui. Analysis of the relationship between the summer subtropical high and the SSTA of equatorial middle eastern Pacific[J]. Journal of Zhejiang Meteorology, 2002, 23(2): 7-10. DOI:10.3969/j.issn.1004-5953.2002.02.003 |
| [15] |
冯琬, 范广洲, 龙妍妍. 夏季南亚高压及西太平洋副热带高压强度变化与前期海温异常的关系[J]. 气候变化研究进展, 2018, 14(2): 111-119. FENG Wan, FAN Guangzhou, LONG Yanyan. The influence of tropical ocean on the South Asian High and the Western Pacifica Subtropical High[J]. Climate Change Research, 2018, 14(2): 111-119. |
| [16] |
CHAN J C L. PDO, ENSO and the early summer monsoon rainfall over south China[J]. Geophysical Research Letters, 2005, 32(8): 1-5. |