基于奇異值分解技術的近海水體硅藻濃度反演模型研究

陳宇航, 孫德勇, 2, 3, 陳薇薇, 樊 杰, 王勝強, 2, 3, 張海龍, 2, 3, 何宜軍, 2, 3

基于奇異值分解技術的近海水體硅藻濃度反演模型研究

陳宇航1, 孫德勇1, 2, 3, 陳薇薇1, 樊 杰1, 王勝強1, 2, 3, 張海龍1, 2, 3, 何宜軍1, 2, 3

(1. 南京信息工程大學海洋科學學院, 江蘇 南京 210044; 2. 江蘇省海洋動力遙感與聲學重點實驗室, 江蘇南京 210044; 3. 江蘇省海洋環境監測工程技術研究中心, 江蘇 南京 210044)

浮游植物是水體生態系統中的重要初級生產者, 其中硅藻貢獻海洋初級生產力約40%, 因此估算硅藻濃度對了解海洋生物地球化學過程和生態系統演變至關重要。本文基于2016年6月黃渤海和2018年7月黃渤海航次實測色素濃度數據集, 利用CHEMTAX軟件獲取硅藻濃度信息; 之后, 結合實測遙感反射率數據, 利用奇異值分解方法, 構建硅藻濃度反演模型。檢驗結果表明: 模型的決定系數為0.80(<0.001), 平均絕對百分比誤差和中值誤差分別為58.62%和39.12%, 模型適用度較高; 經過衛星驗證, 該模型適用于GOCI(Geostationary Ocean Color Imager)傳感器(2=0.78,<0.001, 平均絕對百分比誤差和中值誤差分別為44.43%和35.55%)。將模型應用于2020年6月份GOCI月平均數據, 其硅藻濃度空間分布趨勢與前人研究一致。本研究成果可為近海水體硅藻生物量的遙感估算研究提供技術方法支撐。

硅藻濃度; 奇異值分解; CHEMTAX; GOCI; 中國近海

浮游植物以其細胞形態、生物地理化學功能和元素需求等一系列特征在調節海洋生物地球化學中起著關鍵作用[1]。通過對浮游植物進行探測, 可以刻畫出海洋水體浮游植物種群結構及分布特征, 這將為深入理解海洋中浮游植物功能多樣性提供重要支撐, 為揭示海洋生物地球化學過程提供科學依據。中國近海浮游植物種群結構復雜多樣, 主要的優勢藻種為硅藻()、甲藻()、綠藻()和定鞭金藻()等[2-6]。不同浮游植物種群呈現出不同的功能性差異, 研究浮游植物種群生物量, 掌握浮游植物種群結構特征, 這對研究海洋生態動力學和碳、硅等多種元素循環等均具有重要意義[7-10]。

針對中國近海浮游植物種群生物量, 很多學者進行過一定研究。王俊等[11]通過分析1992年至1993年渤海生態基礎調查資料, 發現渤海共有浮游植物31屬70種, 其中硅藻門的種類和數量占絕對優勢; 孫軍等[7]基于渤海浮游植物群落的分析和模擬資料, 研究發現硅藻和甲藻的占比最高; 趙越等[12]利用流式細胞儀和形態學觀察等方法對2015年黃海及東海的浮游植物樣品進行處理分析, 發現硅藻是黃海海域的特征藻種; 陳楠生等[13]研究分析了1957—2019年間渤海46次航次調查數據, 結果顯示渤海浮游植物的生物多樣性很高, 在已鑒定的140個赤潮物種中, 硅藻類占一半以上。現有研究表明, 硅藻的生物量在中國近海浮游植物種群生物量中擁有較大的占比。

硅藻也是海洋食物鏈的重要組成部分。在海洋富營養化的情況下, 硅藻生物量會劇增, 從而極易引起赤潮, 對海洋生態環境造成嚴重破壞。同時, 硅藻還會產生有害的次生代謝物, 使得有毒物質在海洋中富集, 最終通過食物鏈對捕食動物的發育甚至是生命造成巨大威脅[14-15]。由于其獨特的主導地位與功能優勢, 硅藻已成為多個種群中的研究重點, 對硅藻生物量的反演研究成為當務之急。

目前研究硅藻生物量的方法大多基于實測采集數據。例如, 利用實驗室光學顯微鏡、流式細胞術等獲取采集水體樣本中的硅藻豐富度信息; 利用高效液相色譜法(High Performance Liquid Chro-matography, HPLC)求得現場采集水體樣本的色素濃度信息, 并通過CHEMTAX軟件或診斷色素分析法獲得硅藻濃度信息[16-21]。這些測量方法獲取的硅藻濃度較精確, 但實測數據獲取難度大, 且無法長時序、大范圍地對硅藻進行觀測研究。隨著衛星遙感的快速發展, 遙感技術在探測宏觀大范圍和長時序變化的目標對象上, 具有得天獨厚的優勢。Xi等[22]基于診斷色素分析法獲得硅藻濃度信息, 利用奇異值分解方法(Singular Value Decomposition, SVD)對星地匹配遙感反射率(Remote sensing reflectance,rs)數據進行處理, 探究硅藻濃度信息與rs之間的潛在關聯, 獲取全球硅藻濃度時空分布特征。現有反演方法在一定程度上可以獲得硅藻濃度信息, 但主要是針對大洋水體的硅藻濃度研究。中國近海水體成分復雜, 宏觀大洋水體尺度上的硅藻濃度反演模型未必適用于區域性的近海水體, 而目前專門針對中國近海水體硅藻濃度的遙感反演研究仍屬空白, 估算模型的缺失阻礙了中國近海硅藻生物量的衛星反演, 更無法實現周期性對硅藻生物量的時空監測。

為此, 針對渤海和北黃海水體, 本文基于2016年6月黃渤海和2018年7月黃渤海航次實測數據, 首先利用CHEMTAX軟件, 將色素濃度數據轉化為對應的藻種濃度數據, 提取硅藻濃度信息; 之后, 利用SVD, 提取標準化后的反射率光譜特征, 將SVD后得到協方差矩陣, 探究硅藻濃度與矩陣之間的潛在聯系, 構建硅藻濃度反演模型; 將模型應用于2020年的6月份GOCI(Geostationary Ocean Color Imager)數據, 獲取硅藻濃度月平均分布產品; 并與已有硅藻濃度反演模型進行定性地探討比較。

1 數據與方法

1.1 研究區域概況

本文研究區域是渤海和北黃海。渤海位于37°N～ 41°N、117°E～121°E之間, 是我國最北部的半封閉內海, 僅在東部以渤海海峽與北黃海相通。受黃河、遼河與海河等河流影響, 大量泥沙沖積推擠海床, 造成海底平坦。渤海平均深度只有18 m, 豐富的營養物質經過河流進入渤海, 為浮游植物提供良好的生存條件[23]。北黃海是一個半封閉海域, 被山東半島、遼東半島和朝鮮半島圍繞, 受黃海暖流、季節性黃海冷水團和河流淡水的共同作用影響, 其生態環境復雜多樣[24]。

1.2 數據獲取與處理

本研究所采用的是2016年6月黃渤海和2018年7月黃渤海航次的實測數據, 主要包括遙感反射率rs數據以及基于HPLC方法獲取的色素濃度數據, 通過質量控制后參與模型構建的實測航次數據具體信息與采樣的航次站點分布分別如表1與圖1所示。

表1 現場航次及其實驗參數信息

1.2.1 遙感反射率數據獲取與處理

現場測量rs數據是由美國ASD公司生產的FieldSpec4Hi-ResNG地物光譜儀測量獲得, 它可以測量的光譜波長介于350～2 500 nm之間, 其中在700 nm以內的光譜分辨率是3 nm。在進行作業的過程中, 選擇天氣晴朗的環境, 使用ASD測量目標地物完畢后使用ASD自帶的RS3軟件對采集到的數據進行處理。本航次所采用的光譜范圍在400～700 nm之間, 對數據進行重采樣的采樣間隔為1 nm。為保證模型的準確性, 剔除實測rs數據中小于零異常值, 經過處理后的rs光譜如圖2所示, 其中不同顏色的光譜曲線代表不同站點的rs光譜。

1.2.2 浮游植物種群濃度數據獲取與處理

參照Aiken的質量控制方法[25]: 1) 剔除總葉綠素濃度和輔助色素濃度之差大于兩者之和的30%; 2) 剔除12種輔助色素中濃度小于0.001 mg·m–3的數目小于6個的樣本[26]。在航次所采集色素濃度基礎上, 利用CHEMTAX (CHEMical TAXonomy, CHEMTAX)軟件獲取浮游植物種群濃度。CHMTAX軟件可通過由每種浮游植物不同色素的比例組成的初始比率矩陣, 將色素信息轉化為對應的藻種濃度信息。本研究的CHEMTAX軟件計算所得藻種及其藻種包含色素信息是參考Aiken等[25]和Zhang等[26]的研究, CHEMTAX軟件計算是使用Pan等[27]和Sun等[28]研究中的初始色素比率矩陣。在CHEMTAX軟件計算時, 本研究定義64個矩陣, 每個矩陣各藻種和對應藻種色素之間的比率均是初始比率矩陣乘以0.65～1.35之間的隨機數。在獲取的64組種群濃度中, 選取6組種群濃度均方根誤差(MSE)最低的平均值作為最終藻種濃度, 并且為保證后續模型的準確性, 只保留CHEMTAX軟件計算所得大于0.005 mg·m–3的藻種濃度。

1.2.3 GOCI衛星數據獲取與處理

本研究使用的衛星數據為GOCI數據, GOCI是韓國航天局于2009年發射的COMS(Communication Ocean and Meteorological Satellite)衛星上搭載的水色遙感器, 它可以覆蓋我國渤海、黃海以及東海部分區域, 空間分辨率約為500 m, 時間分辨率可達1 h, 每天可連續進行8次觀測, 并設有6個可見光波段(412 nm、443 nm、490 nm、555 nm、660 nm和680 nm)。

1.3 精度指標

本研究通過決定系數(2)、均方根誤差(MSE)、平均絕對百分比誤差(APE)和中值誤差(E)來對建模效果進行精度校驗, 相應的計算公式如下所示:

2 硅藻濃度反演模型開發

利用SVD, 可以提取浮游植物rs特征, 進而獲取浮游植物色素或種群生物量信息, 這種方法已經被初步應用于色素濃度反演模型的構建[29-30]。本研究基于SVD, 提取標準化后的反射率光譜特征, 利用SVD后的協方差矩陣與CHEMTAX軟件計算的硅藻濃度進行線性擬合, 建模流程如圖3所示。

首先將實測rs數據作標準化處理: 用實測rs數據減去平均實測rs值, 之后除以實測rs的標準差,提取標準化后的rs數據中與GOCI相同的6個波段數據, 記為矩陣。矩陣根據公式(5)進行SVD后得到3個矩陣: PCs(左奇異值向量矩陣)、EOFs(右奇異值向量矩陣)、奇異值矩陣Σ。

式中,為行列矩陣;為行列矩陣; Σ為行列矩陣, 是矩陣在對角線上的奇異值, 并按遞減順序排列, 其中為樣品數,為波段數。將CHEMTAX計算的硅藻濃度取對數, 結合公式(6)與協方差矩陣進行線性擬合。本研究使用留一交叉驗證法(Leave-One-Out Cross Validation)進行建模, 即每次使用–1個樣品數建模, 留下1個作為驗證點, 循環次建模, 最后取模型的平均作為最終模型。

ln(dia) =0+11+11+ … +au, (6)

式中,dia為硅藻濃度,0為截距,1、2、…、n為回歸系數,1、2、…、u為矩陣中列向量的前個元素。這里引入赤池信息量準則(AIC)來決定的取值, 以此來尋找最優擬合[29-30]。

3 結果與分析

3.1 硅藻濃度反演模型驗證

3.2 硅藻濃度反演模型示范應用

注: A) 遼東灣; B) 渤海灣; C) 萊州灣; D) 鴨綠江入海口; E) 遼河入海口; F) 海河入海口

4 討論

4.1 硅藻濃度空間分布的潛在因素分析

就上述反演得到的2020年6月渤海和北黃海水體硅藻濃度的空間分布而言, 整體上, 硅藻濃度的分布呈現出近岸濃度高、離岸濃度低的趨勢特點, 與前人研究一致[32-34]。海水溫度、鹽度以及營養鹽等是影響浮游植物空間分布的重要因素。其中, 營養鹽的作用更顯著[35-36]。在眾多浮游植物種群中, 硅藻偏愛在低溫、高營養鹽的水環境中生存[37], 而近岸海域水深較淺, 攜帶大量營養鹽的地表徑流與海水能夠充分混合, 使得河口區營養物質較為豐富, 并且水流逐漸變緩, 水體濁度降低, 有利于硅藻等浮游植物的生長繁殖[38], 因此可能造成硅藻濃度較高。隨著離岸距離的增加, 海水的深度增大, 營養物質的豐度不及近岸水域, 所以硅藻濃度也逐漸降低。

渤海的硅藻濃度整體上高于北黃海, 這可能是由于渤海整體上是一個近封閉內海, 受海河、黃河和遼河等陸源輸入的影響較大, 河流沖淡水帶來了豐富的營養物質與海水進行交匯, 為硅藻的生長提供了良好條件[11, 35, 39]。相較于渤海, 北黃海受陸源輸入的影響比較小, 同時又具備低鹽度、高營養的渤海沿岸水與高鹽度、低營養的黃海水, 所以可能導致硅藻濃度相對于渤海較低[24]。

4.2 硅藻濃度反演模型的合理性和局限性分析

近年來, 許多學者對浮游植物種群生物量有專門的探究[9, 40-42], 但目前準確計算浮游植物各種群生物量仍然是個嚴峻的挑戰。在水色遙感中, 太陽輻射光進入水中經過浮游植物等水體組分散射后, 其中一部分離開水面被搭載在衛星的傳感器所接收, 所以通過rs可以獲取浮游植物信息[43-45]。由于多維度數據集難以提取其特征信息, 而SVD方法可以通過降低數據維度來尋找描述數據集內的主導特征信息[46]。因此本研究通過SVD方法來降低rs時間和空間維度, 獲取能夠描述rs光譜特征的主導信號[29, 47]。

葉綠素可以描述浮游植物生物量變化[51], 因此通過實測總葉綠素濃度與硅藻濃度的數據, Sun等[28]建立了二者之間的經驗關系模型, 雖然在其研究中表現出較好的模擬精度(2與APE分別為0.808與54.2%), 但是經驗模型歸根結底對于時空的依賴性較強, 并且浮游植物種群結構成分變化復雜[52-53], 因此經驗模型是否適合于其他區域和時間仍需進行進一步比較驗證。此外, 根據浮游植物吸收可加性理論, 總浮游植物吸收可分解成不同藻種吸收[54], 基于此, 樊杰等[55]尋找硅藻吸收光譜不同波段處的高斯峰與實測硅藻濃度之間的關系來構建硅藻濃度反演模型并且具有較高的精度。基于本研究數據, 利用樊杰等[55]的硅藻濃度反演模型, 反演得到相應的硅藻濃度, 并與本研究所反演硅藻濃度進行比較, 如圖6所示。可以發現本研究反演的硅藻濃度與實測的硅藻濃度之間的2(圖6a)雖然低于與基于樊杰等[55]的硅藻反演模型(圖6b), 分別為0.80與0.83, 但在APE、與E均好于基于樊杰等[55]硅藻反演模型, 分別為58.62%與61.15%, 39.12%與52.25。由于樊杰等[55]是針對黃渤東海的硅藻濃度所構建的硅藻反演模型, 該模型可能具有區域性, 而本研究針對渤海和北黃海的硅藻濃度構建硅藻濃度反演模型, 因此可能造成本研究模型精度較高于樊杰等[55]模型。再者, 衛星浮游植物吸收系數產品是由rs產品轉化而來, 因此在經過多個經驗關系的步驟過程中可能會引入累積誤差, 樊杰等[55]模型精度可能會受到限制。

然而, 本研究所開發模型的表現仍受到一些局限。本研究基于2個夏季航次實測rs數據和HPLC色素濃度數據中, 由于rs隨季節變化而變化, 構建的模型是否適用于4個季節還未知, 后續在模型構建中將考慮加入更多不同季節航次數據。模型構建中所需的硅藻濃度是基于CHEMTAX軟件轉化HPLC色素濃度獲取, 盡管CHEMTAX軟件被普遍認為是一種計算浮游植物群落生物量的有效方法[56-60], 但由于其初始色素比率矩陣受時間和空間影響較大, 需要在未來工作中進一步研究獲取更準確的最優初始比率矩陣, 提高模型反演精度。

5 結論

[1] DUTKIEWICZ S, CERMENO P, JAHN O, et al. Di-me-n-sions of marine phytoplankton diversity[J]. Biogeosciences, 2020, 17(3): 1-46.

[2] MOISAN J R, MOISAN T A H, LINKSWILER M A. An inverse modeling approach to estimating phytoplankton pigment concentrations from phytoplankton absorption spectra[J]. Journal of Geophysical Research: Oceans, 2011, 116(C9): C09018.

[3] CLEVELAND J S. Regional models for phytoplankton absorption as a function of chlorophyll a concentration[J]. Journal of Geophysical Research, 1995, 100(C7): 13333- 13344.

[4] 周虹麗, 朱建華, 韓冰, 等. 幾種典型藻種吸收光譜特性的比較[J]. 海洋技術, 2010, 29(3): 78-81, 92.

ZHOU Hongli, ZHU Jianhua, HAN Bing, et al. Compa-rison of spectral absorption characteristics of several typical algae[J]. Marine Technology, 2010, 29(3): 78-81, 92.

[5] 張前前, 王磊, 類淑河, 等. 浮游植物吸收光譜特征分析[J]. 光譜學與光譜分析, 2006, 26(9): 1676-1680.

ZHANG Qiangqiang, Wang Lei, LEI Shuhe, et al. Characteristics of absorption spectra of phytoplankton[J]. Spectroscopy and Spectral Analysis, 2006, 26(9): 1676-1680.

[6] 李楠. 顧及種群結構特征的東中國海浮游植物吸收光譜分解研究[D]. 南京: 南京信息工程大學, 2020.

LI Nan. Decomposition of phytoplankton absorption spectra based on phytoplankton community structure characteristics in the East China Sea[D]. Nanjing: Nanjing University of Information Science & Technology, 2020.

[7] 孫軍, 劉東艷, 錢樹本. 浮游植物生物量研究Ⅰ.浮游植物生物量細胞體積轉化法[J]. 海洋學報, 1999, 21(2): 75-85.

SUN Jun, LIU Dongyan, QIAN Shuben. Study on phy-toplankton biomass I. Phytoplankton measurement bio-mass from cell volume or plasma volume[J]. Acta Ocea-nologica Sinica, 1999, 21(2): 75-85.

[8] BRUCKMAN L S, RICHARDSON T L, SWANSTROM J A, et al. Linear discriminant analysis of single-cell fluorescence excitation spectra of five phytoplankton species[J]. Applied Spectroscopy, 2012, 66(1): 60-65.

[9] LING Z B, SUN D Y, WANG S Q, et al. Retrievals of phytoplankton community structures from in situ fluorescence measurements by HS-6P[J]. Optics Express, 2018, 26(23): 30556-30575.

[10] 李捷, 李超倫. 高濃度硅藻對橈足類繁殖的抑制作用[J]. 生態學報, 2004, 24(11): 2664-2670.

LI Jie, LI Chaolun. Deleterious effects of diatom in high concentration on copepod reproduction[J]. Acta Ecologica Sinica, 2004, 24(11): 2664-2670.

[11] 王俊, 康元德. 渤海浮游植物種群動態的研究[J]. 海洋水產研究, 1998, 19(1): 43-52.

WANG Jun, KANG Yuande. Study on population dynamics of phytoplankton in the Bohai Sea[J]. Marine Fisheries Research, 1998, 19(1): 43-52.

[12] 趙越, 于仁成, 孔凡洲, 等. 黃、東海夏季浮游植物群落特征及其影響因素分析[J]. 海洋與湖沼, 2019, 50(4): 838-850.

ZHAO Yue, YU Rencheng, KONG Fanzhou, et al. Features of phytoplankton communities and their contriolling factors in the Yellow Sea and the East China Sea in summer time[J]. Oceanologia et Limnologia Sinica, 2019, 50(4): 838-850.

[13] 陳楠生, 黃海龍. 中國海洋浮游植物和赤潮物種的生物多樣性研究進展(一): 渤海[J]. 海洋與湖沼, 2021, 52(2): 346-395.

CHEN Nansheng, HUANG Hailong. Advances in the study of biodiversity of biodiversity of phytoplankton and redtide species in China (?): The Bohai Sea[J]. Oceanologia et Limnologia Sinica, 2021, 52(2): 346- 395.

[14] 馬健榮, 劉明, 徐信, 等. 硅藻研究與應用展望[J]. 山東農業科學, 2010(8): 52-56.

MA Jianrong, LIU Ming, XU Xin, et al. Prospect in reseach and application of diatoms[J]. Shandong Agricultural Sciences, 2010(8): 52-56.

[15] Ianora A, Miralto A, Poulet S A, et al. Aldehyde suppression of copepod recruitment in blooms of a ubiquitous planktonic diatom[J]. Nature: International Weekly Journal of Science, 2004, 429(6990): 403-407.

[16] 楊洋. 南黃海網采浮游植物生物量及群落結構季節與年際變化[D]. 青島: 中國科學院大學(中國科學院海洋研究所), 2016.

YANG Yang. Seasonal and interannual changes of net phytoplankton biomass and community structure in the South Yellow Sea[D]. Qingdao: University of Chinese Academy of Sciences (Institute of Oceanology, CAS), 2016.

[17] Ken F, Masato H, Yasushi Y, et al. Phytoplankton dynamics in the East China Sea in spring and summer as revealed by HPLC-derived pigment signatures[J]. Deep-Sea Research Part II, 2003, 50(2): 367-387.

[18] Li W K, Dickie P M. Monitoring phytoplankton, bacterioplankton, and virioplankton in a coastal inlet (Bedford Basin) by flow cytometry[J]. Cytometry, 2001, 44(3): 236-246.

[19] Wright S W, Enden R L v d, Pearce I, et al. Phytoplankton community structure and stocks in the Southern Ocean (30–80°E) determined by CHEMTAX analysis of HPLC pigment signatures[J]. Deep-Sea Research Part II, 2009, 57(9): 758-778.

[20] Xi H Y, Hieronymi M, R?ttgers 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.

[21] Zeidner G, Preston C MDelong E F, et al. Molecular diversity among marine picophytoplankton as revealed by psbA analyses[J]. Environmental Microbiology, 2003, 5(3): 212-216.

[22] Xi H Y, Losa S N, Mangin A, et al. Global retrieval of phytoplankton functional types based on empirical orthogonal functions using CMEMS GlobColour merged products and further extension to OLCI data[J]. Remote Sensing of Environment, 2020, 240: 111704.

[23] 劉紀遠. 中國科學院地理科學與資源研究所[J]. 科技開發動態, 2005(4): 18-20.

Liu Jiyuan. Institute of Geographic Sciences and Natural Resources Research, CAS[J]. Science & Technology Development Trends, 2005(4): 18-20.

[24] 劉述錫, 樊景鳳, 王真良. 北黃海浮游植物群落季節變化[J]. 生態環境學報, 2013, 22(7): 1173-1181.

Liu Shuxi, Fan Jingfeng, Wang Zhenliang. The seasonal changes of phytoplankton community in the North Yellow Sea, China[J]. Ecology and Environmental Sciences, 2013, 22(7): 1173-1181.

[25] 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, 2008, 56(15): 899-917.

[26] Zhang H L, Emmanuel D, Amane F, et al. Estimation of phytoplankton taxonomic groups in the Arctic Ocean using phytoplankton absorption properties: implication for ocean-color remote sensing[J]. Optics Express, 2018, 26(24): 32280-32301.

[27] Pan H Z, Li A F, Cui Z G, et al. A comparative study of phytoplankton community structure and biomass determined by HPLC-CHEMTAX and microscopic methods during summer and autumn in the central Bohai Sea, China[J]. Marine Pollution Bulletin, 2020, 155: 111172.

[28] Sun D Y, Lai W D, Wang S Q, et al. Synoptic relationships to estimate phytoplankton communities specific to sizes and species from satellite observations in coastal waters[J]. Optics Express, 2019, 27(16): A1156- A1172.

[29] Taylor B B, Taylor M H, Dinter T, et al. Estimation of relative phycoerythrin concentrations from hyperspectral underwater radiance measurements?A statistical approach[J]. Journal of Geophysical Research: Oceans, 2013, 118(6): 2948-2960.

[30] Bracher A, Taylor M H, Taylor B, et al. Using empirical orthogonal functions derived from remote- sensing reflectance for the prediction of phytoplankton pigment concentrations[J]. Ocean Science, 2015, 11(1): 139-158.

[31] Siswanto E, Tang J, Yamaguchi H, et al. Empirical ocean-color algorithms to retrieve chlorophyll-a, total suspended matter, and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas[J]. Journal of oceanography, 2011, 67(5): 627-650.

[32] 張丹. 黃渤海浮游植物與生物硅的研究[D]. 天津: 天津科技大學, 2018.

Zhang Dan. The study of phytoplankton and biosilicon in the Yellow Sea and the Bohai Sea[D]. Tianjin: Tianjin University of Science and Technology, 2018.

[33] 鄒亞榮. 渤海葉綠素時空分布特征分析[J]. 遙感信息, 2004(3): 30-31, 62.

Zou Yarong. Analysis spetial distribution characteristics for Chlin Bohai Sea[J]. Remote Sensing Information, 2004(3): 30-31, 62.

[34] 周艷蕾, 張傳松, 石曉勇, 等. 黃渤海海水中葉綠素的分布特征及其環境影響因素[J]. 中國環境科學, 2017, 37(11): 4259-4265.

Zhou Yanlei, Zhang Chuansong, Shi Xiaoyong, et al. Distribution characteristics of chlorophylland its influencing enviromental factors in Bohai Sea and Yellow Sea[J]. China Environmental Science, 2017, 37(11): 4259-4265.

[35] 張瑩. 渤海中部浮游植物與環境因子的空間關系及季節差異分析[D]. 煙臺: 中國科學院煙臺海岸帶研究所, 2016.

Zhang Ying. Spatial correlation and seasonal variation of phytoplankton and environmental factors in the central Bohai Sea[D]. Yantai: Yantai Coastal Zone Research Institute, Chinese Academy of Sciences, 2016.

[36] 劉西漢. 渤海灣營養鹽與浮游植物群落結構的變化特征及關系分析[D]. 煙臺: 中國科學院大學(中國科學院煙臺海岸帶研究所), 2019.

Liu Xihan. The variations of nutrients and phytoplan-k-ton assemblages in the Bohai Bay and their correlation analysis[D]. Yantai: Yantai Institute of Coastal Zone Research, University of Chinese Academy of Sciences, 2019.

[37] Xiao W P, Liu X, Irwin A J, et al. Warming and eutrophication combine to restructure diatoms and dinoflagellates[J]. Water Research, 2018, 128: 206-216.

[38] 葉又茵, 項鵬, 王磊, 等. 南流江河口區春季浮游植物群落結構組成與分布特征[J]. 海洋學報, 2017, 39(10): 111-123.

Ye Youyin, Xiang Peng, Wang Lei, et al. The structure and distribution of phytoplankton community in the Nanliu River Estuary during spring[J]. Haiyang Xuebao, 2017, 39(10): 111-123.

[39] 肖聰. 渤海與北黃海CDOM遙感反演算法及其時空分異規律研究[D]. 南京: 南京信息工程大學, 2018.

Xiao Cong. Study of remote sensing algorithm and the temporal-spatial distribution of CDOM in Bohai Sea and North Yellow Sea based on MODIS satellite data[D]. Nanjing: Nanjing University of Information Science & Technology, 2018.

[40] Zhu Q, Shen F, Shang P, et al. Hyperspectral remote sensing of phytoplankton species composition based on transfer learning[J]. Remote Sensing, 2019, 11(17): 2001.

[41] Uitz J, Claustre H, Morel A, et al. Vertical distribution of phytoplankton communities in open ocean: An assessment based on surface chlorophyll[J]. Journal of Geophysical Research Atmospheres, 2006, 111(C8): C08005.

[42] Brewin R, Hardman-Mountford N J, Lavender S J, et al. An intercomparison of bio-optical techniques for detecting dominant phytoplankton size class from satellite remote sensing[J]. Remote Sensing of Environment, 2011, 115(2): 325-339.

[43] 謝文君, 陳君. 海洋遙感的應用與展望[J]. 海洋地質與第四紀地質, 2001, 21(3): 123-128.

Xie Wenjun, Chen Jun. The application and prospecting of marine remote sensing[J]. Marine Geology & Quaternary Geology, 2001, 21(3): 123-128.

[44] 吳培中. 世界衛星海洋遙感三十年[J]. 國土資源遙感, 2000(1): 2-10.

WU Peizhong. 30 Years for satellite ocena remote sensing in the world[J]. Remote Sensing for Land and Resources, 2000 (1): 2-10.

[45] 潘德爐, Doerffer R, 毛天明, 等. 海洋水色衛星的輻射模擬圖像研究[J]. 海洋學報(中文版), 1997, 19(6): 43-55.

Pan Delu, Doerffer R, Mao Tianming, et al. Study on radiation simulation image of ocean water color satellite[J]. Acta Oceanologica Sinica, 1997, 19(6): 43-55.

[46] Dan K. A singularly valuable decomposition: The SVD of a matrix[J]. The College Mathematics Journal, 1996, 27(1): 2-23.

[47] Craig S E, Jones C T, Li W K W, et al. Deriving optical metrics of coastal phytoplankton biomass from ocean colour[J]. Remote Sensing of Environment, 2012, 119: 72-83.

[48] Xi H Y, Losa S N, Mangin A, et al. Global chlorophyllconcentrations of phytoplankton functional types with detailed uncertainty assessment using multisensor ocean color and sea surface temperature satellite products[J]. Journal of Geophysical Research: Oceans, 2021, 126(5): e17127.

[49] Zhou M J, Shen Z L, Yu R C. Responses of a coastal phytoplankton community to increased nutrient input from the Changjiang (Yangtze) River[J]. Continental Shelf Research, 2007, 28(12): 1483-1489.

[50] Chen C. Chemical and physical fronts in the Bohai, Yellow and East China seas[J]. Journal of Marine Systems, 2009, 78(3): 394-410.

[51] O′REILLY J E, MARITORENA S, Mitchell B G, et al. Ocean color chlorophyll algorithms for SeaWiFS[J]. Journal of Geophysical Research, 1998, 103: 24937- 24953.

[52] Ciotti A M, Bricaud A. Retrievals of a size parameter for phytoplankton and spectral light absorption by colored detrital matter from water-leaving radiances at SeaWiFS channels in a continental shelf region off Brazil[J]. Limnology & Oceanography Methods, 2006, 4(7): 237-253.

[53] Devred E, Sathyendranath S, Stuart V, et al. A three component classification of phytoplankton absorption spectra: Application to ocean-color data[J]. Remote Sensing of Environment, 2011, 115(9): 2255- 2266.

[54] Sun D Y, Fan J, Wang S Q, et al. Understanding optical absorption associated with phytoplanktonic groups in the marginal seas[J]. Science of The Total Environment, 2021, 789(1): 147846.

[55] 樊杰, 孫德勇, 王勝強, 等. 基于吸收系數的近海水體硅藻濃度反演模型研究[J]. 遙感學報, 2021, DOI: 10.11834/jrs.20210475.

FAN Jie, SUN Deyong, WANG Shengqiang, et al. Inversion model of diatoms concentration in coastal water based on absorption coefficients[J]. Journal of Remote Sensing, 2021, DOI: 10.11834/jrs.20210475.

[56] Liu X, Huang B Q, Huang Q, et al. Seasonal phytoplankton response to physical processes in the southern Yellow Sea[J]. Journal of Sea Research, 2015, 95: 45-55.

[57] Wang S Q, Ishizaka J, Hirawake T, et al. Remote estimation of phytoplankton size fractions using the spectral shape of light absorption[J]. Optics Express, 2015, 23(8): 10301-10318.

[58] Yan G W, Jiang T, Zhang Y Y, et al. Determining temporal and spatial distribution of autotrophic picop-lankton community composition through HPLC-pigment method and flow cytometry in the central Bohai Sea (China)[J]. Marine Pollution Bulletin, 2020, 157: 111261.

[59] 蘆尚德, 劉婧婧, 馮一平, 等. 固定化小球藻產氧及光合速率的研究[J]. 生物技術通報, 2021, 37(3): 92-98.

Lu Shangde, Liu Jingjing, Feng Yiping, et al. Study on oxygen release and photosynthetic rate of immobilized[J]. Biotechnology Bulletin, 2021, 37(3): 92-98.

[60] Zhu Z Y, Ng W M, Liu S M, et al. Estuarine phytoplankton dynamics and shift of limiting factors: A study in the Changjiang (Yangtze River) Estuary and adjacent area[J]. Estuarine, Coastal and Shelf Science, 2009, 84(3): 393-401.

Inversion model ofconcentrations based on singular value decomposition in coastal waters

CHEN Yu-hang1, SUN De-yong1, 2, 3, CHEN Wei-wei1, FAN Jie1,WANG Sheng-qiang1, 2, 3, ZHANG Hai-long1, 2, 3, HE Yi-jun1, 2, 3

(1. School of Marine Sciences, Nanjing University of Information Science and Technology, Nanjing 210044, China; 2. Jiangsu Key Laboratory of Ocean Dynamics Remote Sensing and Acoustics, Nanjing 210044, China; 3. Jiangsu Research Center for Ocean Survey Technology, Nanjing 210044, China)

Phytoplankton is a vital primary producer in marine ecosystems, andaccount for almost 40% of the primary productivity in the ocean. Thus, estimatingconcentrations plays a crucial role in understanding marine biogeochemical processes and ecosystem evolution. In this study, we obtainedconcentrations using the CHEMTAX program and phytoplankton pigment data from the Bohai Sea and the Yellow Sea collected in June 2016 and July 2018. Furthermore, we established a model to estimateusing measured remote sensing reflectance (rs) based on the singular value decomposition method. The leave-one-out method accuracy test showed that the accuracy of the model was relatively high (determination coefficient,2: 0.80,<0.001). The mean absolute percent error (APE) was 58.62%, and the median error (E) was 39.12%. Validation by satellite–ground synchronizationrsencouraged applicability of the geostationary ocean color imager (2: 0.78,<0.001,APE: 44.43%, andE: 35.55%). The spatial distribution of the invertedconcentration showed a high degree of similarity with previous reports. A comparison with the three current inversion modelsand this study provides technical support for continuedbiomass research in coastal waters.

diatom concentrations; SVD; CHEMTAX; GOCI; Chinese coastal seas

Feb. 18, 2022

P733.3

A

1000-3096(2022)09-0025-11

10.11759/hykx20220218002

2022-2-18;

2022-4-22

國家自然科學基金項目(42176179, 41876203, 42176181, 42106176); 江蘇省基礎研究計劃(自然科學基金)項目(BK20211289, BK20210667); 自然資源部空間海洋遙感與應用重點實驗室開放基金(202102005); 江蘇省研究生研究與實踐創新項目(KYCX21_0975)

[National Natural Science Foundation of China, Nos. 42176179, 41876203, 42176181, 42106176; Jiangsu Basic Research Program (Natural Science Foundation) Project, Nos. BK20211289, BK20210667; Open Fund of Key Laboratory of Spatial Marine Remote Sensing and Application, Ministry of Natural Resources, No. 202102005; Jiangsu Province Postgraduate Research and Practice Innovation Project, No. KYCX21_0975]

陳宇航(1998—), 福建省莆田市人, 碩士研究生, 主要研究方向為海洋光學遙感, E-mail: 570274708@qq.com; 孫德勇(1984—),通信作者, 主要從事水體光學、水色遙感, E-mail: sundeyong@nuist.edu.cn

(本文編輯: 趙衛紅)