基于FCM方法的黄河水下三角洲沉积动力环境分区

刘付程，陈沈良，彭俊，陈晴

(1.淮海工学院 测绘工程学院，江苏 连云港 222005；2.华东师范大学 河口海岸学国家重点实验室，上海 200062；3.盐城师范学院 城市与资源环境学院，江苏 盐城 224002)



基于FCM方法的黄河水下三角洲沉积动力环境分区

刘付程1，2，陈沈良2*，彭俊3，陈晴2

(1.淮海工学院 测绘工程学院，江苏 连云港 222005；2.华东师范大学 河口海岸学国家重点实验室，上海 200062；3.盐城师范学院 城市与资源环境学院，江苏 盐城 224002)

客观定量地确定沉积动力环境分区是理解区域沉积动力过程的重要基础。本文以黄河水下三角洲表层沉积物的粒度分析数据为基础，运用模糊c均值聚类(FCM)等方法对该区域的沉积动力环境进行了分类、识别、分区及制图表达。结果表明，研究区域的沉积动力环境可分为3个类别，分别代表了冲刷、冲淤混合和淤积3类不同形式的沉积动力环境。各类别沉积动力环境的隶属度分布图具有指示其在不同空间位置处出现的可能性大小及其优势分布区的作用，而由模糊隶属度值生成的沉积动力环境分区图也与研究区域实际的沉积动力空间格局有着较高的吻合度，表明制图结果是合理和有效的。研究结果可为黄河三角洲滨海区地貌演变趋势分析和海岸防护提供重要的参考价值。

粒度；沉积动力环境；模糊c均值聚类；FCM；分区；黄河水下三角洲

1　引言

沉积动力环境分区是海洋沉积学的重要研究内容之一，它是正确认识区域沉积环境特征的前提，也是理解区域沉积动力过程的基础。沉积动力环境分区研究一般涉及两方面的基本内容：一是沉积环境特征识别，二是分区及制图表达。由于粒度及其分布特征是沉积过程的客观记录，因此粒度分析常被认为是识别沉积环境、揭示沉积动力过程的重要手段之一。迄今已有不少学者提出运用概率成因图[1]、粒度参数散点图[2]、C-M图[3]、三角图式[4—5]、粒径趋势分析[6—7]、数理统计分析[8—12]等方法来判别沉积环境，并取得了很多成功的案例。然而在沉积环境分区及制图表达方法方面，目前多以经验选择和主观判断为主，尤其是在分区的类别及其界线的确定方面，缺乏定量化的手段。这与沉积环境空间变化的渐变性和模糊性难以用量化的方法来表达有着很大的关系。

模糊聚类分析是定量分析、表达具有模糊特征或现象的有效方法[13]。在诸多的模糊分析方法中，模糊c均值聚类(Fuzzyc-mean，FCM)方法在地学领域中的应用最为广泛，如Lucieer等运用FCM方法对澳大利亚Tasmania岛周边海域的底质环境因子进行聚类分析，并利用模糊隶属度来刻画该海域不同类别底质环境空间分布的渐变性和模糊性特征[14]；Kim等基于东海北部表层沉积物磁学参数的FCM分析结果，对该海域表层沉积物的来源及其空间分布进行了识别[15]；杨琳等运用FCM方法对成土环境因子进行模糊聚类，获得土壤与成土环境之间的相关知识并据此开展土壤空间预测制图[16]；McBratney和Moore讨论了运用FCM方法来开展气候分类研究，并重点讨论了最优聚类类别数的确定方法[17]。本文尝试运用FCM方法对黄河水下三角洲的沉积动力环境进行分类和识别，并着重讨论沉积动力环境分区图的制作过程，以期能为黄河三角洲的冲淤演变分析和海岸防护提供参考依据。

2　材料与方法

2.1区域概况

黄河水下三角洲是指与黄河三角洲毗连的弧形海域，北起徒骇河、南至小清河，包括渤海湾南缘及莱州湾西部(图1)。该海域潮汐较弱，但复杂多样。北黄海潮波进入渤海后，受地形和海岸形态的影响，入射波和反射波在黄河海港五号桩外形成驻波节点，从而出现无潮点[18]。无潮点附近为全日潮，离无潮点越远，半日潮性质越明显。研究海域平均潮差在0.73～1.77 m之间，其中无潮点附近潮差最小，仅0.4 m，从无潮点分别向西侧渤海湾和莱州湾方向，潮差逐渐增大，至徒骇河口、小清河口潮差达1.6～2.0 m。三角洲近岸潮流基本上是往复流，东侧海域涨潮流方向为S或SW向，落潮流方向为N或NE向。但流速分布变化较大，神仙沟外和清水沟老黄河口附近存在高流速区，流速分别达到1.2 m/s和1.85 m/s，并且由此向南、北方向递减，其中黄河口以南区域的流速比以北区域要小，支脉沟至小清河口一带流速最小。三角洲海域最大风速出现在NW、ENE和NNE这3个方向，风速可达18 m/s，波浪主要受风的季节变化控制，全年以NE向浪出现频率最高，为10.3%，强浪向亦为NE向；波高小于0.5 m的波浪出现频率约占51%，0.5～3.0 m的波浪出现频率约占48%[19]。

图1　研究区表层沉积物采样站位及其类型Fig.1　Sampling stations of the surface sediments and their sediment types

2.2数据来源

2007年夏季在黄河三角洲滨海区布设了18个沉积物采样断面，并在各断面上运用帽式采泥器采集7～9个表层沉积物样品，共计155个(图1)。采样断面间相距10 km左右，采样范围基本涵盖了整个水下三角洲区域。采样站位利用AG122-GPS信标机进行实时差分定位，定位精度优于3 m。沉积物样品分析的前处理均按照泥沙颗粒分析规范进行，样品经去除有机质和超声波振荡分散处理等过程后，采用Coulter LS-100Q型激光粒度分析仪进行粒度测定，并统一采用尤登-温德华氏等比值Φ粒级标准表示，最终获得0.25Φ间隔的泥沙级配，在此基础上再采用McManus矩法公式计算了平均粒径、中值粒径、分选系数、偏态及峰态等粒度参数。与此同时还按照Folk分类方案对沉积物进行了分类和命名(图1)。

2.3研究方法

2.3.1　模糊c均值聚类方法(FCM)

FCM是一种应用广泛的非监督聚类方法，它通过计算样品与其各类别原型在多属性空间中的距离，并以隶属度对距离进行加权，最终达到类内加权误差平方和目标函数最小化[13，16]。模糊目标函数J(U，v)定义为：

(1)

式中，n为样品数，c为聚类类别数，J为模糊聚类误差，U是n×c样品隶属度矩阵，其元素μik∈[0，1]表示第i个样品隶属于第k类别的隶属度值；v是聚类类别的中心，它是一c×p矩阵，p为样品属性或变量的个数；φ(≥1)为模糊加权指数，它是一个可控制聚类结果和类别交叠程度的常数；dik表示在属性空间中，第i个样品相对于第k类别中心的距离。

模糊类别数c和模糊加权指数φ是影响聚类结果的两个重要参数。McBratney等[17]建议采用c-φ多次组合最优取值法来同时确定c、φ，即一个相对于φ的派生函数-[(△J/△φ)c0.5]，其峰值最小的c值为最优选择，在选定c值的前提下，峰值所对应的φ值为最优选择。上述FCM聚类过程采用Matlab编程实现。

2.3.2　Pejrup三角图

采用Pejrup三角图对不同聚类(分区)类别沉积物的沉积动力特征进行识别。Pejrup三角图是利用沉积物结构组成及其反映的水动力强度来区分现代河口沉积环境及其亚环境的一种图示法[4]，它是丹麦学者Pejrup于1988年提出的。该三角图首先以沉积物砂含量的90%、50%、10%为结构分类标志线，将沉积物分为A、B、C、D四大类；然后再以黏土占粉砂与黏土之和的80%、50%、20%为标志点向砂端元引出3条辐射线，从而再将沉积物分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四类；两组标志线将三角图划分为16个子区域，分别指示不同的沉积动力环境。在Pejrup三角图中，砂含量反映了沉积物的基本粒度组成和分选程度，也是介质的流动强度和浑浊度的体现，砂含量越高，介质的流动强度越大，三角图中从A到D，随着砂含量逐渐降低，水动力强度也在逐渐减弱[20]。黏土/(粉砂+黏土)的比值反映均匀悬浮组分(黏土)与递变悬浮组分(粉砂)量的对比关系，它是介质扰动度的反映，其值越低，介质的扰动也就越强，因此三角图中从Ⅰ到Ⅳ的水动力作用也就越强[4，20]。

2.3.3　地统计学插值

普通Kriging插值方法是一种经典的地统计学插值方法，其理论基础是区域化变量理论，其插值过程充分考虑了变量的空间变异特征，是一种最优无偏插值方法，但它本质上仍是一种加权平均方法[21]。对于变量在点x处的估计值Z*(x)，可用与该点相关的m个有效观测值Z(xi)的加权平均得到，即：

(2)

式中，λi是观测值Z(xi)的权重，表示各邻近点对待估点的贡献大小，它可在满足最优无偏条件下由实验半方差的拟合理论模型求得。假设区域化变量满足二阶平稳，则实验半方差γ(h)可用下式计算：

(3)

式中，h为分割两点的距离，又称为步长；N(h)为所有相距为h的样点对的数目；Z(xi)和Z(xi+h)分别表示区域化变量在位置xi和xi+h处的观测值。实验半方差相对于步长的散点图可用球状、指数、高斯等模型来拟合，并可用块金值、基台值、变程等参数来对模型进行刻画[21]。上述地统计学插值过程基于ArcGIS软件实现。

由于FCM的隶属度值属成分数据范畴，其“定和”特性使得各类别隶属度值之间存在伪相关，并由此产生“闭合效应”，一般不适合直接用来进行空间插值[22]。有学者提出用对数比转换的方法将成分数据变换成其组分比值的对数，然后再采用转回公式将插值结果转回至原始数据尺度[22—23]。其转换公式为：

(4)

回转公式为：

(5)

式中，yi表示样品隶属第i类别的隶属度值；zi表示隶属度值经对数比转换后的值；D表示聚类类别数。

3　结果与分析

3.1沉积动力环境分类

一般来说，对于物源供给条件基本一致的三角洲滨海区，具有相似粒度特征的沉积物往往也有着相似的沉积动力条件。因此可以通过沉积物粒度组分及其参数的相似性程度来对沉积物进行分类，据此可以推断该区域可能存在的沉积动力环境类别。本文以黏土、粉砂、砂组分和中值粒径、平均粒径、分选系数、偏态和峰态等沉积物属性指标为基础，运用FCM方法来推断研究区的沉积动力环境类别数目。考虑到上述沉积物属性指标之间存在不同程度的相关性，为提升聚类的识别效果，因此在执行模糊聚类之前需对沉积物的属性变量进行主成分分析，然后再以选定的主成分作为FCM聚类的输入变量。本研究中，样品数据经主成分分析后，前3个主成分的方差累积贡献率达到95%，表明这3个主成分已包含了沉积物属性变量的绝大部分信息，因此可以利用这3个主成分来开展FCM聚类分析。图2是模糊聚类类别数c在取不同值的情况下，模糊加权指数φ与派生函数-[(△J/△φ)c0.5]之间的曲线关系图。从图中可以看出，当c=3、φ=1.9时曲线取得最小的峰值，表明在此条件下聚类类别的交叠程度最小，类别之间的区分效果最好，因此可以认为研究区沉积物样品的最优聚类类别数为3。由于聚类后的每一类别沉积物，都有着其特有的属性数量特征，它们是在特定的沉积动力环境下形成的，因此沉积物的聚类类别数实际上也就反映了研究区沉积动力环境的类别数。由此可以推定黄河水下三角洲的沉积动力环境可分为3个基本类别，分别用C1、C2、C3表示。

图2　模糊加权指数与派生函数-[(△J/△φ)c0.5]关系图Fig.2　The curves of -[(△J/△φ)c0.5] against fuzziness exponent (φ) with c taking different values

3.2沉积动力环境特征识别

图3是研究区C1、C2和C3类别沉积物在Pejrup三角图中的投影分布情况。从图中可以看出，各类别沉积物的投影点均分布在三角图的Ⅲ和Ⅳ区，说明研究区的水动力总体上较强。与此同时，各类别沉积物投影点在三角图中的分布还表现出明显的聚集性特征，且分布在三角图的不同部位，说明其各自的水动力强度也存在一定程度上的差异。C1类别沉积物主要分布在三角图的Ⅳ-A、Ⅳ-B区，表明其所处环境的水动力最强；C2类别沉积物主要分布在Ⅳ-C、Ⅲ-C区，其水动力强度次之；C3类别沉积物主要分布在Ⅲ-D区，其水动力强度相对最弱。

图3　不同沉积动力环境类别沉积物在Pejrup三角图中的投影分布Fig.3　Projective distribution of sediments on the Pejrup triangular diagram from different categories of sedimen-tary dynamic environments

表1给出了3个类别沉积物粒度特征的描述性统计结果。从表中可以看出它们之间也存在着较为显著的差异。从沉积物的粒度组成上来看，C1类别沉积物的颗粒较粗，其中值粒径和平均粒径的平均值分别为3.795Φ和3.953Φ，且有3/4样品的砂含量都在60%以上，最高值可达90%以上，沉积物以推移组分为主，表现出明显的高能环境特征。C3类别沉积物的颗粒组成较细，其中值粒径和平均粒径的平均值分别为6.654Φ和6.768Φ，有近80%样品的黏土含量超过了20%，沉积物中悬移组分含量普遍较高，表现出一定的低能环境特征。而C2类别沉积物的粒度大小总体上界于前二者之间，其中值粒径和平均粒径的平均值分别为4.893Φ和5.242Φ，沉积物多以跃移组分为主，其介质环境的能量也普遍较高。

表1　不同沉积动力环境类别沉积物粒度特征的描述性统计

从沉积物的分选性来看，研究区沉积物样品的分选系数在0.712～2.746之间，跨分选“中等”、“较差”和“差”多个级别[24]。3个类别沉积物的分选性也存在一定程度的差异，其中C1类别沉积物分选系数的平均值为1.172，且其绝大部分样品为分选“中等”或“较差”；C2类别沉积物分选系数的平均值为1.910，其样品分选性多为“较差”或“差”；C3类别沉积物分选系数的平均值为1.837，其样品分选性主要为“较差”。由此可见，C1类别沉积物的分选性相对较好，这与其高能环境下的强力分选有关；而C2类别沉积物的分选性相对最差，反映其沉积动力过程较为复杂；C3类别沉积物因所处环境水动力较弱，其分选性总体上也较差。

偏态表示沉积物频率曲线的不对称性，反映沉积过程中的能量变异。表1表明，各类别沉积物的频率曲线均表现出正偏或极正偏[24]，表明其沉积过程中的介质能量差异明显。C3类别沉积物的偏态值在0.495～1.741之间，均值为1.315，且各样品偏态值的标准差较小，反映其介质能量变异相对较小。C2类别沉积物的偏态值变化于0.425～2.133之间，均值为1.693，且其标准差相对最大，说明其沉积过程中的水力强度变化较大。C1类别沉积物的偏态均值为1.490，介于前二者之间，但其内部各样品的偏态值变化于0.712～2.075，说明其介质能量的差异也较为明显。

峰态反映沉积物粒度频率曲线中峰凸的程度。研究区3个类别沉积物均以宽态峰为主[24]，其中C1类别沉积物峰态值变化于1.172～2.752之间，平均值为2.104，中等峰占21%，宽峰占79%；C2类别沉积物70%为宽峰，30%为很宽峰，峰态值变化2.344～3.467之间，均值为2.746；C3类别沉积物以宽峰为主，占96%，只有4%的样品为很宽峰，峰态值变化于2.248～2.909之间，均值为2.450。

3.3沉积动力环境分区制图表达

FCM的隶属度值反映了沉积物样品隶属于不同类别沉积动力环境的程度。因此将沉积物样品的隶属度值进行空间插值，可获得不同类别沉积动力环境的隶属度分布图。图4是经对数比转换后的隶属度新变量ln(μiC1/μiC3)和ln(μiC2/μiC3)的实验半方差及其拟合理论模型参数。基于该理论模型，分别对变量ln(μiC1/μiC3)和ln(μiC2/μiC3)进行普通Kriging插值，然后再对插值结果按式(5)进行回转计算，获得了研究区域C1、C2和C3类别沉积动力环境的隶属度分布图(图5)。该图具有指示某一类别沉积环境在不同空间位置处出现的可能性大小，因而也为区域沉积动力环境分区和制图表达提供量化基础。

图4　沉积物隶属度值对数比转换后的半方差及其拟合模型Fig.4　Semivariance and its fitted model of the log-ratio of membership degree values of different categories of sediments

图5a是C1类沉积动力环境的隶属度分布。从图中可以看出，其隶属度高值区(图中红色区域，隶属度值一般大于0.6，下同)主要呈斑块状分布于湾湾沟、飞雁滩、清水沟和小清河等水深6 m以浅的沿岸区，表明在这些海域出现C1类别沉积动力环境的可能性要远大于其他地方。结合已有研究资料分析发现，三角洲北部湾湾沟和飞雁滩沿岸区因走向W-E向，受偏北向的迎风浪影响十分显著。波浪在水深5 m以浅海域发生破碎并形成破浪带[25]，对底质形成强烈扰动并掀起，在沿岸流和落潮流的影响下发生离岸输移，致使其表层逐渐被分选粗化，表现出明显的“波浪掀砂、潮流输砂”的动力沉积特征。飞雁滩沿岸区因靠近无潮点附近的强流速区，其水深6.15 m以浅的区域同时还是强潮流区，使得其侵蚀范围和侵蚀深度得到进一步扩大[26]。清水沟老河口在黄河改道清8流路后，原径流作用丧失，海洋动力相应增强。受其河口沙嘴前端地形效应的影响，波浪发生折射，波能在沙嘴前端辐聚，波蚀能力增强，导致沙嘴后退，两侧底质明显粗化[25]。小清河口属潮汐控制型河口[27]，河口呈喇叭状，平均潮差1.25 m，最大潮差3.37 m，河口涨、落潮最大流速可达0.79 m/s和1.12 m/s，涨落潮流对河口有着一定的侵蚀作用，致使其底质逐步粗化。由此可见，C1类别沉积动力环境主要表现为水动力强、沉积物粗化、冲刷特征明显，因此属于冲刷型的沉积动力环境。

图5　不同类别沉积动力环境的隶属度分布图Fig.5　Distribution of membership degree values of the three categories of sedimentary dynamic environments

图5b是C2类别沉积动力环境的隶属度分布。其高值区主要分布在三角洲北部水深6～12 m之间的近岸海域、现行河口口门外35～50 km处的斑块状海域和莱州湾的绝大部分。Ren等[28]研究认为，在三角洲北部和现行河口口门外各存在一沉积物汇集中心。从空间位置来看，这两个汇集中心基本上都落入图5b三角洲北部和口门外的隶属度高值区中，这表明这两个隶属度高值区有淤积情况发生。莱州湾作为一个半封闭的海湾，是沿岸物质的汇集地，在某种程度上也是一个沉积物淤积区域。因此，图5b的隶属度高值区具有沉积物的淤积特征。但进一步分析发现，图5b隶属度高值区的沉积物均以粉砂和砂组分为主，黏土组分含量普遍较低(表1)，这表明该区细颗粒物质有对外输出的可能。由此可见，C2类别沉积动力环境的沉积动力过程复杂，冲刷和淤积情况均有可能发生，可视其为冲淤混合型沉积动力环境。

图5c给出了C3类别沉积动力环境的隶属度空间分布情况。从图中可以看出，其隶属度高值区主要分布在水深15 m以深的海域，该海域因离岸较远且水较深，因此波浪、潮流对底质的扰动较小，潮流从近岸携带的细颗粒沉积物往往在此落淤，表现出较弱的动力环境特征。此外，在现行河口口门附近以及孤东到神仙沟之间的近岸海域也各有一个隶属度的高值区。前者是黄河入海径流受河口拦门沙及外来潮流的顶托作用，使其流速变小，水动力强度显著降低，泥沙在口门附近落淤[25]，形成弱动力环境。而后者的弱动力环境则可能与黄河海港的引堤阻隔或减缓了南北向流动的涨落潮水流有关。因受引堤的隐蔽作用，该海域常处波影区，从而促进了细颗粒物质的落淤[29]。因此，C3类别沉积动力环境主要表现为水动力弱、沉积物颗粒较细，淤积特征明显，可认为其是淤积型沉积动力环境。

从图5还可以直观地看出，3个类别沉积动力环境隶属度分布图的高值区在空间上是彼此错位的，它们均有着各自的优势分布区，因此可以根据隶属度最大准则来对其进行空间区域划分，从而可以得到研究区域的沉积动力环境分区图。图6是采用硬化方法[30]获得的研究区域沉积动力环境分区图。硬化方法是通过比较每一空间位置处各沉积动力环境类别隶属度值大小，并指定隶属度最大者所对应的类别为相应点位的沉积动力环境类别。因此图6是图5的合成，集中反映了研究区域沉积动力环境的空间分异和格局。结合图5可以看出，图6的不同类型区分别对应于研究区3个类别沉积动力环境的优势分布区(即隶属度的高值分布区)，因此图6也较好地体现了研究区域的沉积动力空间分布格局。

图6　黄河三角洲滨海沉积动力环境分区Fig.6　Map of sedimentary dynamic environment in the littoral zone of the Yellow River Delta

硬化过程在确定某一位置环境类别的同时，也忽略了其作为其他环境类别的可能性，因此硬化过程会引入忽略不确定性。忽略不确定性可以用信息熵来度量[30]，其计算公式为：

(6)

图7　沉积动力环境分区图的忽略不确定性Fig.7　Ignored uncertainties of the sediment dynamic environment map

4　讨论

沉积动力环境分区应该遵循自然发生原则。遵循自然发生原则也就是要尽可能地按照水动力作用下形成的自然特征来进行区域亚环境的区分，而不应将分区过程建立在人为主观判断的基础上[11]。自然发生原则要求分区过程要秉持差异性与趋同性相统一，也即分区类别数的确定要能体现区域亚环境的总体差异，同时又要确保同一分区单元内的环境特征尽可能地趋同化。FCM方法作为一种数据驱动的非监督分类方法，其算法设计是要保证类内加权误差平方和目标函数最小化(即趋同性)，在此基础上再根据类别交叠度最小化(即差异性)来确定分类类别数，能很好地体现差异性与趋同性的要求。这与传统方法依靠经验按照地貌或地域单元来确定分区类别数是有本质区别的，因为其确定过程往往是经验化的、定性的，并且它也难以保证各分区单元内沉积动力环境特征的趋同性要求。从本文对黄河三角洲滨海区的沉积动力环境分区结果来看，无论是水动力强度还是沉积物的粒度特征，各类别之间的差异是显著的，同一类别内部的同质性也是较为明显的。

沉积物属性变量的可区分性和样品数据的典型性是FCM分区结果有效性的基础。FCM方法是一种纯数据驱动的分类方法，它是依据样品属性变量的相似性程度来对样品进行分类的。因此只有当参与分类的沉积物属性变量或变量组合在区域不同亚环境中存在一定的差异时，这些亚环境才有可能被区分和识别；与此同时，也只有当不同亚环境均存在一定数量典型沉积物样品时，分区结果的代表性和有效性才能被体现。本文以沉积物粒度组分及其参数的主成分分析结果作为基本变量来开展沉积动力环境分区，分区结果能较好地体现沉积物粒度特征在区间的差异和区内的趋同性。但由于沉积物粒度及其参数对沉积环境的识别过程具有多解性，因此它们对复杂环境条件下的动力环境区分能力有限，这也是图7中忽略不确定性出现高值的重要原因之一。因此选择和利用可区分性强的沉积物属性变量(如沉积物矿物组成、环境敏感粒度组分等)将有助于提升FCM方法的环境分区效果。沉积物样品的典型性不仅影响亚环境的有效识别，同时还会影响到制图结果的代表性。如在野外调查时发现，现行黄河口的南北两侧为烂泥区，属弱动力环境。而图6的制图结果表明，其北侧为一水动力相对较强的亚环境，这与实际情况有一定出入。实际上，在这一区域附近所采集的3个沉积物样品分别为粉砂质砂和砂质粉砂，而不是典型弱动力环境下的黏土质沉积物，导致该区因缺少典型样品而致其无法识别。因此，在沉积物样品采集方案设计时，要尽量利用已掌握的先验经验和知识来确保采集样品的典型性，进而才能保证FCM方法的分区和制图的有效性和代表性。

基于FCM方法的沉积动力环境分区过程，本质上是沉积动力环境的反演过程，它与基于数值模拟方法的沉积动力分区在演绎逻辑和分区的依据方面是有明显差异的。前者是从沉积物结构组成及其反映的水动力强度来反向演绎沉积动力环境，后者则是从动力的产生过程来正向演绎沉积动力环境。因此在沉积动力环境的识别和分区方面，两者在一定程度上是可以相互印证和补充的。如冯秀丽等利用数值模拟方法模拟了波流共同作用下飞雁滩海域冲淤变化， 认为该海域存在4个冲刷中心[31]，这与本文得出的冲刷型沉积环境是一致的。张士华等利用数值模拟方法模拟了黄河在断流和正常行河条件下，其水下三角洲的沉积物输运机制和海底冲淤演变过程，并将研究区划分为冲刷区、淤积区以及界于两者之间的冲淤平衡区[32]。其冲刷区主要位于三角洲北岸海域及不再行河的清水沟老河口海域，与本文的结论也是基本一致的；但其淤积区基本涵盖了本文的冲淤混合区和淤积区，这一差异是与数值模拟方法多注重动力过程的演绎，而基本不关注沉积物的结构组成，从而导致其分区依据与以强调沉积物粒度特征的FCM方法不一致有关。由此可见，若先以数值模拟方法获得区域沉积动力分布的先验知识，并以此作为沉积物采样方案设计依据的有益补充，再在此基础上利用沉积物的粒度特征开展基于FCM方法的沉积动力环境分区，将有助于提升区域沉积动力环境的识别效果，降低分区结果的不确定性。

5　结论

(1)以沉积物粒度数据为基础，运用FCM等方法，对黄河水下三角洲的沉积动力环境进行了分类、识别、分区和制图表达研究。结果表明，研究区域的沉积动力环境可分为3个基本类别，分别代表冲刷、冲淤混合和淤积3类不同的动力沉积形式。不同沉积动力环境隶属度分布图具有指示不同类别沉积动力环境在不同空间位置处出现可能性大小的作用。基于不同沉积动力环境的隶属度图生成沉积动力环境分区图，能较好地体现沉积动力空间分布格局。

(3)制图结果表明，研究区域冲刷区主要以斑块状分布在三角洲北部水深6 m以浅的沿岸区和清水沟老河口及小清河口附近，冲淤混合区主要分布在三角洲北部水深6～12 m之间的近岸区、现行河口口门外35～50 km处以及莱州湾的大部，淤积区则主要分布在水深15 m以深海域、现行河口口门附近及孤东与神仙沟之间的沿岸区。

(3)沉积动力环境分区应该遵循自然发生原则，要尽可能地按照水动力作用下的自然特征来开展分区工作，而不应将分区过程建立在主观判断的基础上。基于FCM的沉积动力环境分区方法，从数据出发，以数据驱动，用量化表征，无主观干扰，较好地体现了沉积环境分区的自然发生原则，值得推广应用。

[1]Visher G S. Grain size distributions and depositional processes[J]. Journal of Sedimentary Petrology， 1969， 39: 1074-1106.

[2]Friedman G M. Dynamic processes and statistical parameters compared of the grain-size distribution of beach and river sand[J]. Journal of Sedimentary Petrology， 1967， 37: 514-529．

[3]Passega R H. Grain-size representation by CM patterns as a geological tool[J]. Journal of Sedimentary Petrology， 1964， 34: 830-847．

[4]Pejrup M. The Triangular Diagram Used for Classification of Estuarine Sediments: a New Approach， in Tide-influenced Sedimentary Environments and Facies[M]. Dordrecht: D. Reidel Publishing Company， 1987: 298-300．

[5]Flemming B W. A revised textural classification of gravel-free muddy sediments on the basis of ternary diagrams[J]. Continental Shelf Research， 2000， 20: 1125-1137．

[6]McLaren P， Bowles D. The effects of sediment transport on grain-size distributions[J]. Journal of Sedimentary Petrology， 1985， 55: 457-470．

[7]Gao S， Collins M A. Critique of the “McLaren Method” for defining sediment transport paths—Discussion[J]. Journal of Sedimentary Petrology， 1991， 61(1): 143-146．

[8]Fieller N R J， Gilbertson D D， Olbricht W. A new method for environmental analysis of particle size distribution data from shoreline sediments[J]. Nature， 1984， 311: 648-651．

[9]李玉中， 陈沈良. 系统聚类分析在现代沉积环境划分中的应用——以崎岖列岛海区为例[J]. 沉积学报， 2003， 21(3): 487-494．

Li Yuzhong， Chen Shenliang. Application of system cluster analysis to classification of modern sedimentary environment — a case study in Qiqu archipelago area[J]. Acta Sedimentologica Sinica， 2003， 21(3): 487-494．

[10]徐志伟， 汪亚平， 李炎， 等. 多元统计及物源分析支持的北部湾东部海域沉积物输运趋势[J]. 海洋学报， 2010， 32(3): 67-78．

Xu Zhiwei， Wang Yaping， Li Yan， et al. Sediment transport patterns in the eastern Beibu Gulf based on grain-size multivariate statistics and provenance analysis[J]. Haiyang Xuebao， 2010， 32(3): 67-78．

[11]周蒂. 对数比统计分析及粒度数据中沉积水动力环境信息的萃取[J]. 沉积学报， 1996， 14(S): 149-157.

Zhou Di. Logratio statsitics and the extraction of environmental signals from grain-size data[J]. Acta Sedimentologica Sinica， 1996， 14(S): 149-157．

[12]孙东怀， 安芷生， 苏瑞侠， 等. 古环境中沉积物粒度组分分离的数学方法及其应用[J]. 自然科学进展， 2001， 11(3): 269-271．

Sun Donghuai， An Zisheng， Su Ruixia， et al. Mathematical approach to sedimentary component partitioning of polymodal sediments and its applications [J]. Progress in Natural Science， 2001， 11(3): 269-271．

[13]Bezdek J C， Ehrlich R， Full W. FCM: The fuzzyc-means clustering algorithm[J]. Computers and Geosciences， 1984， 10(2/3): 191-203．

[14]Lucieer V， Lucieer A. Fuzzy clustering for seafloor classification[J]. Marine Geology， 2009， 264: 230-241．

[15]Kim W， Doh S J， Yu Y， et al. Magnetic evaluation of sediment provenance in the northern East China Sea using fuzzyc-means cluster analysis[J]. Marine Geology， 2013， 337: 9-19．

[16]杨琳， 朱阿兴， 李宝林， 等. 应用模糊c均值聚类获取土壤制图所需土壤-环境关系知识的方法研究[J]. 土壤学报， 2007， 44(5): 784-791．

Yang Lin， Zhu Axing， Li Baolin， et al. Extraction of knowledge about soil-environment relationship for soil mapping using fuzzyc-means (FCM) clustering[J]. Acta Pedologica Sinica， 2007， 44(5): 784-791．

[17]McBratney A B， Moore A W. Application of fuzzy sets to climatic classification[J]. Agricultural and Forest Meteorology， 1985， 35: 165-185．

[18]胡春宏， 吉祖稳， 王涛. 黄河口海洋动力特性与泥沙的输移扩散[J]. 泥沙研究， 1996(4): 1-10．

Hu Chunhong， Ji Zuwen， Wang Tao. Characteristics of ocean dynamics and sediment diffusion in the Yellow River estuary[J]. Journal of Sediment Research， 1996(4): 1-10．

[19]臧启运. 黄河三角洲近岸泥沙[M]. 北京: 海洋出版社， 1996: 40-44．

Zang Qiyun. Nearshore Sediments of the Huanghe River Delta[M]. Beijing: China Ocean Press， 1996: 40-44．

[20]章伟艳， 张霄宇， 金海燕， 等. 长江口-杭州湾及其邻近海域沉积动力环境及物源分析[J]. 地理学报， 2013， 68(5): 640-650．

Zhang Weiyan， Zhang Xiaoyu， Jin Haiyan， et al. Dynamic sedimentary environment and the provenance characteristics in Yangtze River Estuary-Hangzhou Bay and its adjacent waters[J]. Acta Geographica Sinica， 2013， 68(5): 640-650．

[21]王政权. 地统计学及其在生态学中的应用[M]. 北京:科学出版社， 1999: 59-149.

Wang Zhengquan. Geostatistics and its Application in Ecology[M]. Beijing: Science Press， 1999: 59-149．

[22]Odeh I O A， Todd A J， Triantafilis J. Spatial prediction of soil particle-size fractions as compositional data[J]. Soil Science， 2003， 168 (7): 501-514．

[23]Aitchison J. The statistical analysis of compositional data[J]. J Royal Stat Soc B， 1982， 44(2): 139-177．

[24]贾建军， 高抒， 薛允传. 解法与矩法沉积物粒度参数的对比[J]. 海洋与湖沼， 2002， 33(6): 577-582．

Jia Jianjun， Gao Shu， Xue Yunchuan. Gain-size parameters derived from graphic and moment methods: a comparative study[J]. Oceanologia et Limnologia Sinica， 2002， 33(6): 577-582．

[25]陈小英， 陈沈良， 刘勇胜. 黄河三角洲滨海区沉积物的分异特征与规律[J]. 沉积学报， 2006， 24(5): 714-721．

Chen Xiaoying, Chen Shenliang, Liu Yongsheng. Sedmient differentiation along nearshore zone of the Yellow River Delta[J]. Acta Sedimentologica Sinica， 2006， 24(5): 714-721．

[26]孙永福， 段焱， 吴桑云， 等. 黄河三角洲北部岸滩的侵蚀演变[J]. 海洋地质动态， 2006， 22(8): 7-11．

Sun Yongfu， Duan Yan， Wu Sangyun， et al. Coastal evolution in the north of the Yellow River Delta[J]. Marine Geology Letters， 2006， 22(8): 7-11．

[27]陈斌， 黄海军， 梅冰. 小清河口海域泥沙运动特征[J]. 海洋地质与第四纪地质， 2009， 29(5): 35-42．

Chen Bin， Huang Haijun， Mei Bing. Characteristics of sediment transportation near Xiaoqing Estuary[J]. Marine Geology & Quaternary Geology， 2009， 29(5): 35-42．

[28]Ren Xizi， Chen Shenliang， Dong Ping， et al. Spatial and temporal variations in grain size of surface sediments in the littoral area of Yellow River Delta[J]. Journal of Coastal Research， 2012， 28(1A): 44-53．

[29]周永东， 陈沈良， 谷国传. 东营港海域表层沉积物分布及其运移趋势[J]. 海洋地质与第四纪地质， 2009， 29(3): 31-38．

Zhou Yongdong， Chen Shenliang， Gu Guochuan. Distribution characteristics and transport tendency of seafloor surficial sediments in the Dongying Harbor area[J]. Marine Geology & Quaternary Geology， 2009， 29(3): 31-38．

[30]Zhu A X. Measuring uncertainty in class assignment for natural resource maps under a similarity model[J]. Photogrammetric Engineering & Remote Sensing， 1997， 63: 1195-1202．

[31]冯秀丽， 王园君， 黄明全，等. 黄河三角洲桩西至黄河海港海域冲淤演化特征研究[J]. 海洋科学， 2008， 32(9): 12-17．

Feng Xiuli， Wang Yuanjun， Huang Mingquan， et al. Study on changes in scour and silting of submarine topography in the Yellow River Delta from Zhuangxi to the Yellow River port[J]. Marine Sciences， 2008， 32(9): 12-17．

[32]张士华， 邓声贵. 黄河水下三角洲沉积物输运及海底冲淤研究[J]. 海洋科学进展， 2004， 22(2): 184-192．

Zhang Shihua， Deng Shenggui. Study on sediment transport and seabed scour and deposition in the Yellow River Subaqueous Delta area[J]. Advances in Marine Science， 2004， 22(2): 184-192．

高伟，刘乐军，刘杰，等. 山东省北长山岛海岸滑坡演化特征及成因机制[J]. 海洋学报， 2016， 38(9): 100-109， doi: 10.3969/j.issn.0253-4193.2016.09.010

Gao Wei， Liu Lejun， Liu Jie， et al. Formation mechanism and evolution of Beichangshan Island coast landslide in Shandong Province[J]. Haiyang Xuebao， 2016， 38(9): 100-109， doi：10.3969/j.issn.0253-4193.2016.09.010

Subdivisions of sedimentary dynamic environment based on FCM in the Yellow River subaqueous delta

Liu Fucheng1，2， Chen Shenliang2， Peng Jun3， Chen Qing2

(1.SchoolofGeodesyandGeomaticsEngineering，HuaihaiInstituteofTechnology，Lianyungang222005，China; 2.StateKeyLaboratoryofEstuarineandCoastalResearch，EastChinaNormalUniversity，Shanghai200062，China；3.SchoolofUrbanandResourcesEnvironment，YanchengTeachersUniversity，Yancheng224002，China)

Reasonably and quantitatively determining subdivisions of sedimentary dynamic environment is an important basis of understanding regional sedimentary dynamic processes. Based on the grain distribution data of the surface sediment samples， the sedimentary dynamic environment in the Yellow River subaqueous delta area has been classified， identified and represented by the methods of fuzzyc-means clustering (FCM)， triangle illustration and kriging. The results show that the sedimentary dynamic environment of the study area can been classified into 3 categories and they indicate the dynamic sedimentary environments of scour， deposition and mixing of scour and deposition， respectively. And the membership degree maps of the three categories of sedimentary dynamic environments have a function of indicating the occurance probabilities of the different environments at certain places and also can show their dominant areas. Meanwhile the sedimentary dynamic environment map， generated from the fuzzy membership degree values of the surface sediments， is highly identical with the spatial distribution pattern of the sedimentary dynamics in the study area， which means the mapping results are reasonable and effective. The study results have some reference values for the geomorphic evolution trend analysis and coastal protection work in the area of the Yellow River Delta．

grain size; sedimentary dynamic environment; fuzzyc-means clustering；FCM; subdivision; Yellow River subaqueous delta

2015-11-13；

2016-04-02。

国家自然科学基金项目(41306077)；淮海工学院自然科学基金项目(Z2014017)；教育部高等学校青年骨干教师国内访问学者项目。

刘付程(1971—)，男，安徽省安庆市人，副教授，博士，从事海岸带环境演变和GIS应用研究。E-mail:iliufucheng@126.com

陈沈良，博士，教授，从事河口海岸学研究。E-mail: slchen@sklec.ecnu.edu.cn

P736.21

A

0253-4193(2016)09-0089-11