北冰洋叶绿素a 及初级生产力遥感反演研究进展

庞小平 胡晓坤 季青 李娟 张晨雷 梁泽毓 陈亦卓

(1 武汉大学,中国南极测绘研究中心,湖北 武汉 430079;2 自然资源部极地测绘科学重点实验室,湖北 武汉 430079)

0 引言

全球气候变化加剧了北极海冰消融,并对区域气候和生物地球化学循环产生重要影响[1-2]。海表叶绿素a浓度是监测北冰洋生态系统最重要的参数之一,能反映浮游植物光合作用的强弱和生物群落的生长状况。同时,浮游植物的生长状况与海洋环境条件密不可分,如水体分层与流速[3]、光照[4]、水温[5]、营养条件[6]等,因此浮游植物生长状况的变化能直接反映水体环境的变化。浮游植物作为食物网中最重要的初级生产者,其种类组成、群落结构和丰度将直接影响水体环境、生态系统内的能量和物质交换,进而影响区域乃至全球的环境变化[7-9]。北极作为全球环境变化的敏感区,准确全面地获取北冰洋叶绿素及浮游植物初级生产力变化信息,是研究北冰洋生态系统变化、预测全球和区域气候变化趋势的关键[2]。

遥感观测技术是监测大尺度海洋初级生产力的重要手段[10]。然而,在北冰洋开展水色遥感存在诸多挑战。如高纬度地区较低的太阳高度角需要更准确的大气校正模型,厚云和大范围海冰覆盖严重影响了卫星数据质量,海冰的高反射率使得获取冰边缘区水体信息变的更加困难等[11-12]。此外,受北冰洋独特且复杂的水体光学特性影响,国内外广泛应用的叶绿素a遥感反演算法和模型在北极存在较大的局限性[13]。近年来,国外在区域优化的经验算法上取得了较大进展。Lewis 和Arrigo[12]以及Carmack等[13]根据洋流流向将北冰洋大陆架划分为流入陆架、流出陆架和内部陆架,并收集整理了北冰洋生物光学数据库(图1),基于不同陆架的生物光学特性提出了适用于北冰洋的区域优化算法(AO.emp 和AOReg.emp)。然而区域优化算法的适用区域仍存在较大的不确定性。同时,在针对北冰洋水体的半经验半分析物理模型算法和神经网络算法方面,Lewis 和Arrigo[12]以及Blix 等[14]进行了相关工作,然而目前这两类算法的精度仍有很大的提升空间。现有的初级生产力模型在北极的应用也存在较大的挑战。海冰覆盖限制卫星数据的空间覆盖率,严重影响卫星反演精度[15]。淡水河流注入的大量有色可溶物使得水体光学属性变得复杂,导致水体组分浓度反演变得困难。同时,水面次表层浮游植物爆发使得基于水表光学特性建立的初级生产力模型极大地低估了浮游植物生物量[16-17]。

图1 北极区域划分图与生物数据分布图。a)北冰洋陆架和海盆。黑线为区域划分线,其中陆架与海盆分界线与1000米等深线重合。绿色箭头表示流入海流而紫色箭头表示流出海流;b)北极生物光学数据库中不同项目实测数据空间分布图(根据Lewis 和Arrigo[12]优化的算法绘制)Fig.1.The regional division and biological data distribution of the Arctic area.a) the Arctic Ocean with its shelf seas and basin.Subregions between shelf and basin are bounded by black lines using the 1000 m isobaths.Inflow and outflow currents are depicted as green and purple arrows,respectively;b) spatial distribution of in situ measurements of different program from the AO database colored by expedition[12]

在上述背景下,本文尝试总结基于卫星遥感数据的叶绿素a浓度和初级生产力分析研究方法,详述北冰洋叶绿素a和初级生产力遥感估算模型及其适用区域,定性或定量描述其模型精度,同时整理归纳了近年来北冰洋叶绿素a浓度和初级生产力的时空变化特征,以期为我国北冰洋水色遥感、北极生态系统及其对气候环境变化的响应等研究提供参考。

1 叶绿素a 浓度遥感反演算法

1.1 经验模型算法

用于反演估算叶绿素a浓度的经验模型算法是基于海表面色素浓度与遥感蓝绿波段反射率比之间定量关系的反演算法。其中蓝色波段选择范围为443 nm、488～490 nm、510～532 nm,绿色波段范围为551～560 nm[18]。经验模型算法根据用于图像处理的波段数分为使用两波段的OC2 算法、三波段的OC3 算法和四波段的OC4 算法[19]。总体而言,经验算法是采用一个四次多项式模型来拟合叶绿素a浓度(mg·m–3)和波段反射率Rrs之间的关系,其公式如下:

式中,Chl a表示叶绿素浓度,R为最大光谱波段比以10 为底的对数。公式(2)为R与Rrs等式关系举例,ai为经验或半经验系数(i=1,2,3,4)。Mustapha 等[18]应用了在北冰洋波弗特海获取的实测数据对该经验模型算法进行了评估,但需要提到的是,作为叶绿素a浓度反演的基础算法,经验模型算法在整个北冰洋的适用性还有待于进一步验证。

1.2 区域优化算法

北冰洋浮游植物种类、有色可溶物等组分相较于中低纬度地区存在差异,水体光学性质主要由有色颗粒物主导,浮游植物有较高的色素包装效应。浮游植物相对丰度较低使得后向散射系数较低,硅藻类浮游植物有着较低的辐射吸收系数[20-22]。

传统算法特别是一些经验算法比较适用于低纬度海域或者开阔大洋,算法的参数也是基于低纬度水体光学特性发展而来,因而在水体组分较为复杂的沿海区域和高纬度海域叶绿素a反演的精度较低。为此采用与研究区生物光学数据相协调的替代方法(区域优化算法)往往是更好选择。

Wang 和Cota[20]发现四波段OC4 遥感算法并不总是在海洋的所有水域有效,特别是在沿海和高纬度海域不能进行准确地叶绿素a浓度反演。为此,他们利用在波弗特海和楚科奇海采集的生物光学数据改进了光辐射传输模型,形成了OC4P算法。验证结果表明,辐射传输模型模拟的遥感反射光谱与实测数据吻合较好,也证实了实测数据的运用有助于了解研究区域的生物光学性质。

Cota 等[22]在分析了北极海域生物光学特性的基础上,利用线性插值的方式改进了基于SeaWiFS 的经验算法,提出了一种四波段的线性优化算法(OC4L)。这种以实测数据为基准的区域优化算法在研究区内最大限度地提高反演精度,避免了传统算法出现负值的情况。Son 和Kim[23]在研究斯瓦尔巴群岛附近海域叶绿素a浓度时发现与NASA 标准算法反演结果存在较大误差。该海域叶绿素a浓度对气候变化非常敏感,同时非藻类颗粒(NAP)对蓝色波长高度吸收且有色可溶物质(CDOM)较多。因此,Son 和Kim 在结合该区域生物光学和水体光学特性的基础上开发了三种区域优化算法(SC3M、SC2S、SC4)。

Lewis 和Arrigo[12]收集了各国共34 次北极考察的生物光学数据,建立了一个大型北极生物光学数据库,该数据库涵盖了不同季节、不同区域的实测数据,能较好地反映北冰洋水体的固有光学属性。基于对实测数据的分析,Lewis 和Arrigo提出适用于全北冰洋的优化经验算法(AO.emp)和区域优化算法(AOReg.emp),并针对不同的传感器特点优化出不同的算法系数。

1.3 半经验半分析物理模型算法

半经验半分析物理模型算法是一种基于海洋固有光学模型的分析算法。该算法通过水体各个组分(如叶绿素a浓度、CDOM、悬浮颗粒等)的光学性质来反演特定要素组分的浓度。Carder 等[24]的研究表明遥感反射率Rrs(λ)与海洋表面的离水辐射LW(λ)和下行辐照度Ed(λ)的比值有关,而离水辐射、下行辐照度又与水体的后向散射系数bb(λ)和吸收系数a(λ)有关。Lewis 和Arrigo[12]提出了适用于全北冰洋海域的半经验半分析物理模型算法(AO.GSM)。该算法具有较高的叶绿素a浓度反演精度,同时对有色可溶物质的吸收系数和颗粒物的后向散射系数也有较高的精度,能较好地反映北冰洋水体的光学特性。相关公式推导如下:

式中,t 为海气通过率,n 为海水折射率,二者都可看作是常数;f(λ)/Q(λ)为辐射分布因子,由于其值在大多数卫星观测几何模型中较小[25],因而上式可以简化为:

式中,C 表示为常数,bb(λ)和a(λ)表示水体的后向散射系数和吸收系数,这两项系数和水体的光学属性有关,是各组分的线性叠加,即:

式中,bbw(λ)和aw(λ)表示纯水的两项系数,bbp(λ)表示水体中各组分后向散射系数的总和,aph(λ)和adg(λ)分别表示叶绿素色素的吸收系数和水体颗粒物的吸收系数[19]。bbp(λ)、aph(λ)、adg(λ)又有如下公式表示:

式中,λ0是参考波段(通常为443nm);Sdg是水体颗粒物的光谱衰减系数;Sbbp为后向散射系数;Chl a是叶绿素a浓度,是叶绿素a吸收系数。利用Rrs(λ)在412 nm、443 nm、490 nm、510 nm和555nm 的反射率代入公式中求解出Chl a、bbp(λ0)和adg(λ0)三个未知量。

1.4 神经网络与机器学习反演方法

基于多元非线性回归技术的神经网络算法可以依据测量数据(即浓度和反射率)或模拟数据集进行训练并分析。Buckton 等[26]利用MERIS 数据在计算海水组分时发现神经网络算法不但比传统的经验方法(如波段比值法等)具有更高的反演精度,而且还可以获得多种信息(如几何参数、大气能见度等)。

随着计算机技术的发展,采用多个隐藏层的机器学习模型算法被广泛应用于海洋叶绿素a浓度的遥感反演中。Blix 等[27]利用机器学习高斯回归过程模型算法反演了巴拉顿湖的叶绿素a浓度,研究表明机器学习法在反演复杂水体组分上相比于经验算法有更高的灵敏度。随后,Blix 等还利用该算法估算了北极和亚北极海域的叶绿素a浓度。研究结果表明,机器学习模型在开阔水域和沿海地区有较好的反演精度,在水体辐射校正上比传统方法更优[14]。

2 初级生产力遥感估算方法

2.1 经验模型遥感估算方法

Hill 和Zimmerman[28]基于北冰洋楚科奇海多次走航观测数据,提出了海表初级生产力的经验公式:

Hill 等[29]结合实测数据和水体光学特性将水体从垂直方向上分为了四个部分,分别为混合层、透光层、1.2 倍光学厚度层和浅层,在此基础上利用ARCSS-PP 数据库和1998—2007 年之间的卫星数据提出泛北冰洋海域的综合深度经验模型,其公式如下:

式中,PPsat表示卫星反演的初级生产力,单位为mg C·m–2·d–1;Chl a表示叶绿素a浓度,单位为mg·m–3;Z表示深度,单位为m。该模型的创新在于提出了一种利用遥感手段反演不同深度叶绿素a浓度,一定程度上解决了次表层浮游植物爆发造成的初级生产力低估的问题。实测数据检验的结果表明,模型在混合层和透光层反演精度较高,而在夏季时期模型低估了40%～75%。

2.2 垂直广义生产模型

Behrenfeld 和Falkowski[30]提出了一套基于叶绿素浓度、光照周期和光深度参数的垂直广义生产模型,用以估算海洋净初级生产力。垂直广义生产模型的核心思想是将单位面积海域水面到透光层底部看作单位水柱,对单位水柱进行建模计算单位海域的净初级生产力,再结合卫星观测资料估算整个研究区域的净初级生产力。该模型如式(12)所示:

式中,NPP表示从表层至真光层深度的每日净初级生产力;表示最高光合作用速率,其数值与温度有关;PAR为表面光合活性辐射,即浮游植物能利用的表层有效太阳辐射;Zeu为真光层深度,dl为日照时间。

Hill 和Zimmerman[28]提出了适用于楚科奇海和西波弗特海的垂直广义生产模型,并将OC4L算法反演的叶绿素a浓度作为输入值代入反演的优化模型中。同时,他们还发现北冰洋海域的浮游植物最高光合作用速率和催青温度(T)与中低纬度浮游植物有较大的差异。基于实测数据的统计分析,改进后的模型如下:

2.3 碳基海洋生产力模型

碳基海洋生产力模型是Behrenfeld 等[31]提出的一种基于浮游植物生物量和叶绿素a浓度的海洋初级生产力模型。室内培养结果表明,浮游植物会调节细胞色素水平以应对光照、营养物质、温度等环境变化,满足它对光合作用的需求,而这种变化可以通过浮游植物生物碳和叶绿素a浓度比值来定量反映[32-33]。基于该研究结果,Behrenfeld 等计算全球初级生产力的步骤如下:

(1)利用颗粒物后向散射系数bbp来估算浮游植物碳生物量:

式中,C表示浮游植物碳生物量(单位为mg C·m–2);0.00035 为背景值,表示水体碎屑组分和颗粒物对散射系数估计的偏差。

(2)利用叶绿素a浓度和浮游植物生物量的比值(Chla:C)计算浮游植物的生长速率(μ):

繁华一瓢饮止：《金粉世家》号称民国红楼，的确是有点红楼的影子。尤其是对女性的塑造都极用心，为整部小说的基调和氛围都增色许多。

式中,Chl a:Csat表示卫星反演的叶绿素与生物量之比,Ig表示混合层光级,即水体的光照强度。

(3)结合浮游植物生长速率和生物量来估算海洋净初级生产力:

式中,Zeu表示光合作用活跃的深度,单位为m;h(I0)是描述光照变化对深层植物光合作用的函数。

Hill 和Zimmerman[28]在前人研究的基础上,提出了应用于楚科奇海和波弗特海的碳基生产力模型,与大洋算法不同的是,他们提出一种经验算法来估算浮游植物碳生物量(C)。并且利用OC4L 算法来反演叶绿素a浓度。公式如下:

式中,R表示光谱最大波段比,该值取决于卫星的观测波段。模型估算结果与实测数据的回归分析表明,春季时模型估算结果整体会略微偏高但相关系数较高,达到0.74,标准偏差为0.35。而在夏季,模型精度较差,具体表现为在一部分区域高估,而在另外区域低估,相关系数为0.17,标准偏差为0.51。

2.4 极地海洋初级生产力参数化模型

Arrigo 等[34]基于SeaWiFS 叶绿素a浓度数据、海表温度数据和水体有效辐射,提出了一种适用于极地海域的初级生产力估算模型,其计算公式如下所示:

式中,PP为日尺度初级生产力,单位为mg C·m–2·d–1;z表示深度,单位为m;t为时间,单位为h;表示浮游植物碳生物量与叶绿素a浓度的比值,反映浮游植物在不同环境下光合作用效率;Chl a(z)表示随深度改变的叶绿素a浓度,可通过式(21)计算;G(z,t)为净生物量增长速率,它是关于时间t和深度z的函数,可通过式(22)计算。

式中,Chla(0)表示表层叶绿素浓度,单位为mg·m–3;MLD表示混合层的深度,单位为m。

式中,G0表示微藻类在0℃下的最大净生长速率,通常为常数0.59 d–1;r为G值对温度的敏感度;T(t)为随时间t变化的温度函数,单位为℃;L(z,t)为光限制函数,其定量表达式如下:

式中,PUR(z,t)表示光合有效辐射,是随时间和水深变化的参量;EK(z,t)为光驯化参数,是定量化描述浮游植物对光环境变化的响应。

Pabi 等[35]利用卫星反演的叶绿素浓度数据、海表温度数据和海冰范围数据,改进了Arrigo 等提出的初级生产力模型,并利用改进的模型估算了北冰洋1998 年至2006 年的初级生产力,结果表明模型在夏季低估较为严重,原因在于次表层浮游植物爆发。

北极地区低光照、低太阳高度角是限制浮游植物光合作用的重要原因。因此,Bélanger等[36]基于实测光谱辐照度数据提出了适用于泛北冰洋海域的光谱解析生产力模型,其表达公式如下:

式中,PP表示初级生产力,单位为mg C·m–2·d–1;Chl a表示叶绿素a浓度,单位为mg·m–3;表示轻饱和叶绿素标准化固定率,是浮游植物光合作用强度的指标,根据北冰洋水体现场观测结果该值通常为2.0 mg C·(mg Chl)–1·h–1;EK为饱和辐照度,单位为mol C·m–2·s–1;PUR(z,t)为光合有效辐射,由如下公式表示:

式中,aph(λ)为浮游植物光谱吸收系数;E0为光谱标量辐照度;Kd(λ,t)为水体光谱扩散衰减系数。

3 北冰洋叶绿素a 与初级生产力时空分布与变化研究进展

目前,国内外学者对北冰洋浮游植物生物量和初级生产力估算方面取得了一定的进展。Zhang等[37]利用卫星观测数据的分析结果显示,1988—2007 年海冰减少导致北极海域初级生产力在20 年间增加了50%。Lewis 等[38]运用了半经验半分析物理模型算法和区域优化算法反演并分析了1998—2019 年北极海域长时序的叶绿素a浓度变化,同时对北极海域近20 年浮游植物初级生产力进行了估算。研究结果表明,北极海域叶绿素a浓度在1998 年至2019 年间增加了22%,几乎所有的增加都发生在2009 年之后。叶绿素a浓度增加的区域主要是楚科奇海和巴伦支海,分别增加了26%和61%,并且在过去的四年里年平均叶绿素a浓度的最大值出现了三次。

在北冰洋叶绿素a浓度的季节变化研究方面,Pabi 等[35]发现北极海域浮游植物有着较为明显的生长周期。在1—3月,海冰覆盖范围较大时,叶绿素a浓度与初级生产力几乎为零。从4月开始海冰消融,叶绿素a浓度上升,5月时出现最高值。随后,北极海域叶绿素a浓度会有所降低,而在7—8月会迎来全年的第二次高爆发,9—12月随着海冰生长,叶绿素a浓度逐渐降低。Pabi 等[35]的研究结果还表明,北冰洋表层水中叶绿素a浓度的年平均值为1.5 mg·m–3,藻华爆发的时间一般为春、秋两季,叶绿素a浓度最高接近2.5 mg·m–3。随着海冰的减少以及北极年平均气温的上升,浮游植物生长周期受到较大影响,浮游植物爆发生长时间提前[35]。Kahru 等[39]利用卫星观测数据分析了1997—2009年间北极地区浮游植物爆发的时间,发现北冰洋约11%的海域(如哈德逊湾、巴芬湾、格陵兰岛沿岸海域、喀拉海)在初夏时期,因海冰快速消融导致浮游植物爆发生长时间提前了50天。

北极地区的年平均初级生产力约为1.5 Gt C·a–1,北极圈(66.5°N)以北的海域面积为 1.4×107km2,所以单位面积的年均初级生产力约为107 g C·m–2·a–1[40]。Pabi 等[35]利用极地海洋初级生产力参数化模型估算了1998—2006 年北冰洋初级生产力。结果表明,在3—9 月浮游植物生长季节里,北冰洋单位面积的日均初级生产力达到了420±26 mg C·m–2·d–1。空间分布上,浮游植物爆发增长的海域主要在巴伦支海、喀拉海和东西伯利亚海。同时,这些海域也是海冰范围缩减较为明显的区域。对开阔水域和海洋初级生产力进行回归分析发现,北冰洋浮游植物增长与开阔水域面积的增长密切相关,而与辐照度和海表温度的相关性较小。

Arrigo 等[41]分析了2003—2007 年北极海域初级生产力的时空变化。年初级生产力在2003—2006 年间增长了27.5 Tg C·a–1,但在2006—2007年间增长了35 Tg C·a–1,超过过去五年增长值。春季海冰融化加速和秋季冻结延迟的共同作用导致2007 年无冰时间比2006 年长100 天。在拉普捷夫海、西伯利亚海和楚科奇海的大部分海域,包括没有受到2007 年夏季海冰面积急剧减少影响的大陆架地区,2007 年浮游植物生长时间比2006 年延长了25～75 天(图2)。

图2 北冰洋2006 和2007 年初级生产力以及浮游植物生长时长变化。a) 2006 年初级生产力; b) 2007 年初级生产力;c) 2006 年至2007 年初级生产力变化(暖色区域表明2007 年的产量更高);d) 2006 年至2007 年浮游植物生长时长变化。通过2006 年3 月1 日至9 月30 日的冰覆盖总日数减去2007 年3 月1 日至9 月30 日的冰覆盖总日数获得,暖色区域表明2007 年有较长的生长时长(根据Arrigo 等[41]研究绘制)Fig.2.Primary production in the Arctic Ocean in 2006 and 2007 and the changes in phytoplankton growing season.a) annual primary production in 2006;b) annual primary production in 2007;c) the change in annual primary production between 2006 and 2007 (warm-colored areas were more productive in 2007);d) the changes of phytoplankton growing season between 2006 and 2007.The change in the phytoplankton growing season was calculated by subtracting the total number of days of ice cover between 1 March and 30 September 2007 from the total number of days of ice cover between 1 March and 30 September 2006.Warm-colored areas had a longer growing season in 2007[41]

4 总结与展望

过去几十年里,北冰洋水色遥感以及叶绿素a浓度和浮游植物初级生产力的研究取得了较大的进展。基于卫星影像的反演算法的精度不断提高,对极地海域浮游生物的研究从早期简单的数据收集发展到大尺度时空变化监测,并推动了生物、生态、物理、化学等多领域的交叉融合。水色遥感因其具有的长时序、大范围监测的技术优势,将在未来北冰洋海洋生态系统研究中发挥愈加重要的作用。

目前北冰洋水色遥感研究面临一些问题与挑战。北极地区的高纬度大气校正因低太阳高度角、云雾密布等特点变得困难。传统的遥感大气校正方法是基于大气平面假设建立查找表来进行校正,而在高纬度地区这种方式会带来较大的误差,应考虑大气球面分布重新建立查找表。同时还应该考虑到北冰洋大气散射和吸收增强、太阳光光程增加等因素,开展遥感大气校正。

在发展高精度北冰洋叶绿素a浓度遥感反演算法方面,面临的主要问题有以下几方面。其一,陆源有机物和有色颗粒使得北冰洋水体光学特性变得复杂并且空间差异明显。其二,受北冰洋浮游植物较高光吸收性(色素包装效应)的影响,通用的大洋水体算法在北极有很大的局限性。基于实测数据的区域优化算法能部分解决算法精度问题,前人研究结果也表明相较于通用经验算法,区域优化算法具有较高精度,但区域算法的适用范围较小,往往某一区域得出的算法无法应用于其他区域。半经验半分析物理模型算法是基于水体光学特性的反演算法,发展针对北冰洋水体考虑荧光信号的半经验半分析物理模型算法,是未来开展北冰洋叶绿素a浓度遥感研究的重要方向之一。

北冰洋初级生产力估算模型还存在一定的局限性。首先,无论是垂直广义生产力模型还是极地参数化模型都存在不同程度的低估,原因在于水面以下次表层浮游植物爆发。其次,大部分模型对水体垂直方向上光学特性、生物分布和环境因素改变的模拟不足,导致大部分模型仅能在浅表层有较好的精度。其三,北冰洋冰下浮游植物爆发已成常态,遥感手段在此方面的作用有限,可考虑结合实测数据构建新的估算模型,探索冰边缘区和冰下大尺度初级生产力的时空分布规律。

未来北冰洋叶绿素a及初级生产力研究可在以下几个方面展开:(1)生态模型与遥感技术的结合。生态模型是对生态环境物理化学过程的模拟。对于冰下等难以观测的地区,遥感技术结合生态模型是了解难以观测地区生态机制的重要方法。同时,生态模型与遥感结合的方式也是研究北冰洋大尺度浮游植物时空分布的重要方法,能更好地了解生态系统对环境变化的响应以及相互作用机制。(2)多元观测手段协同实现对北冰洋水体的垂直观测。海洋次表层、混合层等水面下浮游植物爆发是北冰洋春夏季浮游植物生长特点,然而一般光学卫星难以穿透水面。可考虑利用激光雷达卫星(如CLIPSO)结合走航等观测手段,探索北冰洋生态系统的变化。(3)海冰边缘区浮游植物爆发过程与环境因素。北冰洋海冰边缘区浮游植物爆发的时间特征与空间特征是未来北冰洋水色遥感的重要内容之一。同时,了解海冰边缘区的理化性质、营养结构分层、热量收支平衡等环境因素是揭示海冰边缘区浮游植物爆发过程的重要一环,有助于认知北冰洋生态环境变化及其与其他圈层的相互作用。