黃渤海海水中葉綠素a的分布特征及其環境影響因素

周艷蕾,張傳松,石曉勇,2*,蘇榮國

?

黃渤海海水中葉綠素a的分布特征及其環境影響因素

周艷蕾1,張傳松1,石曉勇1,2*,蘇榮國1

(1.中國海洋大學化學化工學院,山東青島 266100；2.國家海洋局海洋減災中心,北京 100194)

基于2013年夏、秋季和2014年春季黃渤海海域調查數據,分析了該海域葉綠素a的含量、分布特征及其環境影響因素(溫度、鹽度、pH值、溶解無機氮、硅酸鹽、磷酸鹽).結果表明:2013年夏、秋季和2014年春季,黃渤海海水中葉綠素a含量范圍分別是0.918~9.287,1.477~6.435,1.837~5.966mg/L,平均濃度分別為3.527 ,3.467,3.524mg/L;夏季和春季葉綠素a含量略高,秋季葉綠素a含量最低且變化范圍較小;渤海海域葉綠素a分布具有明顯區域特征,其分布基本呈近岸高、中部海域低的分布趨勢;將水質參數作為自變量輸入支持向量機(SVM)中,GA-SVM算法擬合效果(2>0.9)和精確度(MSE<0.01)較好,不同水質參數對海水葉綠素a含量的影響相對重要性具有季節差異,夏季,對海水葉綠素a含量影響最重要是磷酸鹽和溫度;秋季,對于海水葉綠素a含量影響最重要是硅酸鹽和鹽度;春季,對于海水葉綠素a含量影響最重要的是鹽度和溶解無機氮.所有調查季節,對于海水葉綠素a含量影響最重要的是鹽度和磷酸鹽.綜合參數影響重要性,表明陸源輸入是黃渤海海域葉綠素a含量的最重要影響因素.

黃渤海；葉綠素a；相關性分析；支持向量機

渤海是我國最大的內海,黃海屬于半封閉淺海,均有大量的陸源輸入,黃渤海海域水體與外部海域水體交換周期長、水交換能力弱,且黃渤海海域水體更新速度慢、自凈能力較差,容易導致營養物質積累[1].目前,黃渤海海水富營養鹽化現象日益增強,引起浮游植物的快速生長和繁殖[2-3],導致赤潮和綠潮事件頻繁爆發,嚴重威脅了黃渤海海域的生態系統[4].

葉綠素a(Chl-a)是富營養化常見的響應指標,是藻類光合作用的主要色素,可以利用Chl-a來評估藻類生長狀況[5-6].近年來,有很多研究報道關于水體中Chl-a的分布與環境因子的關系[7].李飛鵬等[8]研究發現在小型封閉水體環境中Chl-a分布與水溫、濁度、總氮和總磷呈顯著正相關關系; Ma等[9]研究發現棘洪灘水庫中Chl-a分布和總氮、溶解氧之間呈顯著性負相關關系.在海洋生態系統中,Chl-a分布的影響因子眾多、與環境因子之間具有復雜多變的線性、非線性關系[10-11].支持向量機(support vector machine, SVM)是以機械學習理論為基礎,構建而成的簡單明了的數學模型.支持向量機算法對數據量小、數據特征弱、數據非線性等問題有良好的泛化能力[12].目前,支持向量機算法在預測水體中Chl-a的分布得到成功應用[13-14].但利用支持向量機算法描述環境因子對Chl-a的影響作用方面鮮有報道.

本研究基于2013年夏、秋季和2014年春季的黃渤海海域大面調查數據,分析了該海域Chl-a的分布特征及影響因素,并利用支持向量機算法建立了環境因素與Chl-a分布的定量關系,在近海海域生態環境研究和監測提供支持.

1 材料與方法

1.1 研究海域

圖1 黃渤海站位

現場調查于2013年夏季(6月)、2013年秋季(11月)和2014年春季(4月)搭載中國海洋大學“東方紅2號”調查船在黃、渤海海域進行,調查范圍均為:118°E~126°E、31°N~40°N(圖1).

1.2 樣品采集及測定

使用CTD獲取不同站位海水鹽度()、溫度()等水質參數,同時使用Niskin采水器采集水樣,水樣使用GF/F(Whatman,450℃灼燒4.5h)濾膜過濾,按照《海洋監測規范》(GB17378-2007)確定過濾體積為300~500mL,過濾后收集濾膜用錫紙包裹于-20℃冷凍保存用于測定Chl-a.Chl-a采用紫外可見分光光度計測定.

取未過濾的水樣用醋酸纖維膜過濾,用高密度聚乙烯瓶子(Nalgene)裝濾液于-20℃冷凍保存.硝酸鹽(NO3--N)、亞硝酸鹽(NO2--N)、磷酸鹽(PO43--P)、硅酸鹽(SiO32--Si)采用QUAATRO型營養鹽自動分析儀測定.氨氮(NH4+-N)采用次溴酸鈉氧化法手工測定.其中,DIN=NH4+-N +NO3--N +NO2--N.

使用Winkler碘量法對溶解氧(DO)進行現場測定.pH值采用復合電極法進行現場測定.

1.3 數據處理

數據處理與分析使用SPSS19.0和MATLAB12.0等軟件完成;SPSS19.0完成Chl-a分布與水質參數之間的Pearson相關性分析. LIBSVM工具包[15]安裝到MATLAB12.0實現Chl-a分布與水質參數的支持向量機基回歸分析.

2 結果與討論

2.1 黃渤海水質參數變化特征

如表1所示,由于不同季節海域風、冷水團、大氣壓力等因素影響不同[16],導致春季比夏、秋季的海水溫度偏低;相對于春、夏季,秋季海水鹽度明顯大,該海域在夏季(6~8月)降水量占年降水量的60%以上,春季(4月)降水量大于秋季(11月)[17],因此這是由于不同季節的陸源輸入及降水量的不同所造成的結果;秋季黃渤海域的DIN、PO43--P和SiO32--Si平均含量均高于春、夏季,分別是春季的1.62、4.27和3.34倍,是夏季的1.57、3.62和2.73倍,且春夏季的營養鹽結構變化幅度較大,大部分站位的N:P比和Si:P比高于Redfield值.這可能是由于春季海域浮游植物處于增殖期,生長繁殖能力增強,消耗大量營養鹽,同時溫躍層開始形成,上下水體得不到有效的交換,沉積物釋放的營養鹽不能向上補充.而秋季(末)海域浮游植物處于衰減期,海水溫度較低,浮游植物對營養鹽的吸收減弱,且海水中浮游生物開始消亡釋放營養鹽,同時,溫躍層逐漸消失,黃海冷水團逐漸上涌,上下水體得到有效交換,底層營養鹽向上補充,使營養鹽水平逐漸升高.

表1 黃渤海水質參數統計

注:溫度的單位為℃, PO43--P, SiO32--Si, DIN的含量單位為μmol/L; n.d.表示未檢出.

2.2 黃渤海水體葉綠素時空分布特征及其與環境因子的相關性

夏季(6月),黃渤海區域海水中Chl-a含量范圍為0.918~9.287mg/L,平均濃度為3.527mg/L.由圖2可知,海水中Chl-a分布呈近岸高,遠岸低的特征,此分布特征在渤海灣內和北黃海尤為顯著,并且夏季海水中Chl-a含量與鹽度呈顯著性負相關(<0.05),其原因是渤海灣和北黃海屬于半封閉淺海,許多河流對渤海進行淡水輸入[18],使得其有大量的營養鹽輸入,促使浮游植物的生長,從而海水中Chl-a含量升高;低值區主要位于黃海中部,并且夏季海水中Chl-含量與溫度呈極顯著性正相關(<0.01),其原因可能是夏季黃海中部存有冷水團[19],浮游生物活動受溫度限制所致.

秋季(11月),黃渤海區域海水中Chl-a含量范圍為1.477~6.435mg/L,平均濃度是3.467mg/L.海水中Chl-a高值區基本分布于渤海、北黃海大連近岸海域和南黃海近岸海域.低值區主要在南黃海中部.這是由于南黃海的中部受到黃海暖流和黑潮余脈的影響形成低營養鹽分布海域[19],營養鹽抑制浮游植物的生長,從而形成黃海海水中Chl-a分布的封閉式低值區.

春季(4月),黃渤海區域表層海水中Chl-a含量范圍為1.837~5.966mg/L,平均濃度是3.524mg/ L.海水中Chl-a分布特征和夏秋季類似,呈現近岸高,遠岸低,但相對于夏、秋季海水中Chl-a高值區范圍向中部擴散.這是由于海域冷水團尚未完全形成,水團影響較小[18-19].春季溫度上升,浮游植物逐漸開始快速的生長和繁殖,導致春季海水中Chl-a含量與pH值(0.278,<0.01)和DIN (0.280,<0.01)呈現顯著正相關,與(-0.383,< 0.01)呈現極顯著負相關.

表2 葉綠素a與所有參數的相關性

注:溫度的單位為℃, PO43--P, SiO32--Si, DIN的含量單位為μmol/L; ** 表示顯著性水平<0.01;* 表示顯著性水平< 0.05.

黃渤海海域水質Chl-a整體分布具有明顯區域特征和季節特征.其平面分布基本呈現南北高、中部低,近岸高、外海低的分布趨勢.這是由于近岸有海河、長江等河流的輸入、海水淺、混合性強以及營養鹽分布較高,適合浮游植物較快的生長和繁殖.在時間上,整體呈現夏季和春季葉綠素含量略高,秋季葉綠素含量最少且范圍最小.可能原因是溫度逐漸下降,浮游植物的生長和繁殖能力較弱,從而造成葉綠素含量下降.由于海水中Chl-a含量與環境因子之間有復雜的線性、非線性關系[10],導致海水中Chl-a含量與海水參數在不同季節相關性不同.

2.3 基于支持向量機對水體Chl-a分布的環境因素分析

將6個水質參數(SiO32--Si、DIN、PO43--P、T、S和pH)作為自變量,Chla濃度作為因變量輸入到GA-SVM算法中,選取可決系數(2)較大和均方誤差(MSE)較小的最佳條件參數[20-21].遺傳算法(Genetic Algorithm,GA)是SVM常用的優化算法之一,是一種以仿生學為基礎,解決復雜系統優化自適應概率優化的技術[22].GA-SVM算法的準確率如表3所示,夏、秋、春季和三季所有數據的2分別為0.965、0.966、0.975和0.932,2均接近于1,算法的擬合效果良好[23-24].夏、秋、春季和三季所有數據的MSE分別為0.0082、0.0080、0.0086和0.0076,MSE均小于0.01,說明算法對樣本數據具有良好的精確度[25].比龍愛民等[26]利用多元相關分析海水中Chl-a分布和其它水質因子線性關系(2=0.709,<0.001)更具有描述性.這是由于海水中Chl-a分布和部分水質因子之間具有復雜多變的非線性關系[11].

根據權重系數的求解計算不同輸入變量對輸出結果的重要性[27],6個輸入變量對Chl-a分布的權重系數和相對重要性如表4所示.其中將夏季權重系數最大的PO43--P、秋季權重系數最大的SiO32--Si、春季權重系數最大的和三季權重系數的賦予相對重要性為100,其余變量與之對比得到相對重要性,由于權重系數為矢量,其絕對值大小表明輸出結果的影響程度.

表3 算法的準確率

表4 支持向量機回歸模型中輸入變量的權重系數和相對重要性評價

注:溫度的單位為℃, PO43--P, SiO32--Si, DIN的含量單位為μmol/L.

由表4可知,對于夏季Chl-a分布影響最顯著的輸入變量是PO43--P和,之后依次是、DIN、SiO32--Si和pH值.夏季,位于長江以北的地表徑流相繼進入豐水期,陸源輸入大量營養鹽[28-29],促進浮游植物的生長和繁殖,且該海域的N:P>22的站位超過80%,Si:P>22的站位超過70%,說明在黃河口和南黃海近海海域均出現較大范圍的P潛在限制[30],從而磷酸鹽成為主要影響因子;海水溫度垂直方向上波動較大,使成為繼磷酸鹽之后最重要的影響因子.

對于春季Chl-a分布影響最顯著的輸入的變量是和DIN,之后依次是pH值、、PO43--P和SiO32--Si.浮游植物在春季慢慢開始生長和繁殖,但此時黃渤海海域各個輸入徑流還沒有進入豐水期,陸源輸入的營養鹽和淡水不如夏季多,從而海水中的DIN分布和成為影響海水中Chl-a分布的主要因素.

對于秋季Chl-a分布影響最顯著的輸入的變量是SiO32--Si和,之后依次是、pH值、PO43--P和DIN.

對3個季節的全部調查數據進行分析表明, Chl-a分布影響最顯著的輸入變量是和PO43-- P,之后依次是、DIN、pH值和SiO32--Si.黃渤海海域的陸源輸入是近岸海域營養鹽的主要來源,是浮游植物活動的主要影響因素,浮游植物生長和繁殖能力強時需要吸收大量的磷酸鹽[31],而該海域磷酸鹽分布相對較低且陸源輸入相對較少,導致和PO43--P成為最顯著的影響因素.

3 結論

3.1 黃渤海海域水質Chl-a分布具有明顯區域特征,葉綠素a濃度呈現南北高、中部低,近岸高、外海低的分布趨勢.葉綠素a的分布主要受陸源輸入、冷水團等因素的影響.黃渤海海域夏季和春季葉綠素含量略高,秋季葉綠素含量最低且范圍最小.

3.2 將水質參數SiO32--Si、DIN、PO43--P、、和pH值作為變量輸入GA-SVM算法對海水中葉綠素a分布進行回歸分析.GA-SVM算法的擬合效果和精確度較好,不同季節,可決系數(2)均大于0.9,均方誤差(MSE)均小于0.01.結果表明GA-SVM算法對于海水中葉綠素a分布與其環境因子的關系有良好的描述性.

3.3 GA-SVM算法結果表明,不同水質參數在不同季節對Chl-a分布的影響相對重要性也不同.夏季,對于海水Chl-a分布影響最顯著的是PO43--P和;秋季,對于海水Chl-a分布影響最顯著的是SiO32--Si和;春季,對于海水Chl-a分布影響最顯著的是和DIN.陸源輸入是黃渤海海域Chl-a分布的最大影響因素.

[1] Liu S M. Response of nutrient transports to water–sediment regulation events in the Huanghe basin and its impact on the biogeochemistry of the Bohai [J]. J. Marine. Syst, 2015, 141:59-70.

[2] Schmoker C, Russo F, Drillet G, et al. Effects of eutrophication on the planktonic food web dynamics of marine coastal ecosystems: The case study of two tropical inlets [J]. Marine Environmental Research, 2016,119:176-188.

[3] 趙晨英,臧家業,劉 軍,等.黃渤海氮磷營養鹽的分布、收支與生態環境效應[J]. 中國環境科學, 2016,36(7):2115-2127.

[4] Andersen J H, Schlüter L, ?rtebjerg G. Coastal eutrophication: recent developments in definitions and implications for monitoring strategies [J]. Journal of Plankton Research, 2006, 28(7):621-628.

[5] Gibson G, Carlson R, Simpson J, et al. Nutrient Criteria Technical Guidance Manual: Lakes and Reservoirs (EPA-822- B-00-001). [M]. Washington DC: United States Environment Protection Agency, 2000.

[6] McCarthy M J, James R T, Chen Y, et al. Nutrient ratios and phytoplankton community structure in the large, shallow, eutrophic, subtropical Lakes Okeechobee (Florida, USA) and Taihu (China) [J]. Limnology, 2009,10(3):215-227.

[7] 鄭國俠,宋金明,戴紀翠,等.南黃海秋季葉綠素a的分布特征與浮游植物的固碳強度[J]. 海洋學報:中文版, 2006,28(3):109- 118.

[8] 李飛鵬,張海平,陳 玲.小型封閉水體環境因子與葉綠素a的時空分布及相關性研究[J]. 環境科學, 2013,34(10):3854-3861.

[9] Ma J P, Rui C J, Ge J H, et al. Correlation between Chlorophyll-Concentration and Environmental Factors in Jihongtan Reservoir [J]. Advanced Materials Research, 2011,356-360(2):959-962.

[10] 劉 佳,黃清輝,李建華.崇明北湖葉綠素a濃度與環境因子的GAM回歸分析[J]. 中國環境科學, 2009,29(12):1291-1295.

[11] 張 穎,高倩倩.基于極限學習機回歸的海水Chla濃度預測方法[J]. 海洋環境科學, 2015,34(1):107-112.

[12] Cristianini N, Shawe-Taylor J. An introduction to support vector machines and other kernel-basedlearning methods [M]. Cambridge university press, 2000.

[13] 張玉超,錢 新,錢 瑜,等.支持向量機在太湖葉綠素a非線性反演中的應用[J]. 中國環境科學, 2009,29(1):78-83.

[14] Park Y, Cho K H, Park J, et al. Development of early-warning protocol for predicting chlorophyll-concentration using machine learning models in freshwater and estuarine reservoirs, Korea [J]. Science of the Total Environment, 2015,502:31-41.

[15] 王 龍.基于19年衛星測高數據的中國海海平面變化及其影響因素研究[D]. 青島:中國海洋大學, 2013.

[16] 郭興森,呂迎春,孫志高,等.黃河口溶解無機碳時空分布特征及影響因素研究[J]. 環境科學, 2015,36(2):457-463.

[17] 姜德娟,張 華,常遠勇,等.基于TRMM衛星資料的渤海降水遙感估算研究[J]. 海洋科學, 2015,39(10):116-124.

[18] 李延偉,胡瑩瑩,陳淑梅.夏、秋季北黃海營養鹽的時空分布特征及其影響機制[J]. 中國環境科學, 2013,33(6):1060-1067.

[19] 李 偉,王玉衡,汪嘉寧,等.2011年春、夏季黃、東海水團與水文結構分布特征[J]. 海洋與湖沼, 2012,43(3):615-623.

[20] Nieto P J G, García-Gonzalo E, Arbat G, et al. A new predictive model for the filtered volume and outlet parameters in micro- irrigation sand filters fed with effluents using the hybrid PSO– SVM-based approach [J]. Computers & Electronics in Agriculture, 2016,125:74-80.

[21] Nieto P J G, García-Gonzalo E, Fernández J R A, et al. A hybrid wavelet kernel SVM-based method using artificial bee colony algorithm for predicting the cyanotoxin content from experimental cyanobacteria concentrations in the Trasona reservoir (Northern Spain) [J]. Journal of Computational & Applied Mathematics, 2016,309:587-602.

[22] 劉希亮,趙學勝,陸 鋒,等.基于GA-SVM的露天礦拋擲爆破拋擲率預測[J]. 煤炭學報, 2012,37(12):1999-2005.

[23] 張 博.混沌支持向量機風速短期預測及其在pcDuino平臺實現[D]. 太原:中北大學, 2014.

[24] Nieto P J G, Fernández J R A, Suárez V M G, et al. A hybrid PSO optimized SVM-based method for predicting of the cyanotoxin content from experimental cyanobacteria concentrations in the Trasona reservoir: A case study in Northern Spain [J]. Applied Mathematics & Computation, 2015,260(C):170-187.

[25] Nieto P J G, García-Gonzalo E, Fernández J R A, et al. A hybrid PSO optimized SVM-based model for predicting a successful growth cycle of the Spirulina platensis, from raceway experiments data [J]. Journal of Computational & Applied Mathematics, 2015,291(1):293-303.

[26] 龍愛民,陳紹勇,周偉華,等.南海北部秋季營養鹽、溶解氧、pH值和葉綠素a分布特征及相互關系[J]. 海洋通報, 2006, 25(5):9-16.

[27] P. J. García Nieto, E. García-Gonzalo, F. Sánchez Lasheras, et al. Hybrid PSO–SVM-based method for forecasting of the remaining useful life for aircraft engines and evaluation of its reliability [J]. Reliability Engineering & System Safety, 2015: 219–231.

[28] Lin C, Ning X, Su J, et al.Environmental changes and the responses of the ecosystems of the Yellow Sea during 1976–2000 [J]. Journal of Marine Systems, 2005,55(3/4):223-234.

[29] 張傳松,王修林,石曉勇,等.東海赤潮高發區營養鹽時空分布特征及其與赤潮的關系[J]. 環境科學, 2007,28(11):2416-2424.

[30] Laws E A, Pei S, Bienfang P, et al. Phosphate-limited growth and uptake kinetics of the marine prasinophyte Tetraselmis suecica (Kylin) Butcher [J]. Aquaculture, 2011,322(1):117-121.

[31] Su N, Du J, Liu S, et al. Nutrient fluxes via radium isotopes from the coast to offshore and from the seafloor to upper waters after the 2009 spring bloom in the Yellow Sea [J]. Deep Sea Research Part II Topical Studies in Oceanography, 2013,97(97):33-42.

Distribution characteristics of chlorophyll a and its influencing environmental factors in Bohai Sea and Yellow Sea.

ZHOU Yan-lei1, ZHANG Chuan-song1, SHI Xiao-yong1,2*, SU Rong-guo1

(1.College of Chemistry and Chemical Engineering, Ocean University of China, Qingdao 266100,China；2.National Marine Hazard Mitigation Service, Beijing 100194, China)., 2017,37(11)：4259~4265

The distribution characteristics of chlorophyll-a (Chl-a) and the related environmental factors (,, pH, DIN, SiO32--Si, PO43--P) were examined for seawater samples obtained from the Yellow Sea (YS) and the Bohai Sea (BS) in the summer of 2013, the autumn of 2013 and the spring of 2014. The results showed that Chl-a concentration ranged 0.918~9.28μg/L in the summer of 2013 with an average of 3.527μg/L, 1.837~5.966μg/L in the autumn of 2013 with an average of 3.524μg/L and 1.477~6.435μg/L in the spring of 2014 with an average of 3.467μg/L; Chl-a spatial distribution showed a decreasing trend from inshore area to offshore area; The GA-SVM model was used to investigate the Chl-a response relationship with the above environmental factors and the results confirmed the good performance (2>0.9, MSE<0.01). The influence of parameters on the distribution of Chl-a had a significant seasonal variation. The two most significant variables to the distribution of Chl-a were PO43--P andin summer, SiO32--Si andin autumn,and PO43--P in spring andand PO43--P in all three seasons which demonstrated that the terrestrial input were most tightly related to the distribution of Chl-a in the BS and the YS.

Bohai Sea and Yellow Sea；chlorophylla；correlation analysis；support vector machine

X55

A

1000-6923(2017)11-4259-07

周艷蕾(1993-),女,黑龍江伊春人,中國海洋大學碩士研究生,主要從事海洋污染生態化學及海水分析研究.發表論文4篇.

2017-04-18

國家重點研發計劃項目(2016YFC1402101,2016YFC1400602);國家海洋局海洋減災中心科研項目(2014AA060)

* 責任作者, 教授, shixy@ouc.edu.cn