基于GOCI的长江口及附近海域主要营养盐的分布与日内变化研究

李阳东，卢灿灿，李鸿莉，常亮，林军，沈敏

（1.上海海洋大学海洋科学学院，上海 201306；2.农业农村部大洋渔业开发重点实验室，上海 201306；3.大洋渔业资源可持续开发教育部重点实验室，上海 201306；4.上海市河口海洋测绘工程技术研究中心，上海 201306；5.上海海洋大学海洋生态与环境学院,上海 201306）

1 引言

营养盐作为海洋浮游植物生长与繁殖必不可少的成分，不仅影响着海洋初级生产力大小，也是维持海洋生态系统正常运行的基础[1]。近年来，工业和生活污水的大量排放、化肥生产及农作物种植等人类活动，使近岸海域的营养盐含量增加，造成海水富营养化和赤潮频发。因此，对近岸海域营养盐浓度开展合理监测，是科学治理海水水质和控制水体富营养化的关键。

目前，水质遥感监测研究主要集中在光学活性变量上，如温度[2]、叶绿素a[3-4]、透明度[5]和总悬浮物（Total Suspend Solids，TSS）[6]等，对于总磷（Total Phosphate，TP）、总氮（Total Nitrogen，TN）、溶解氧（Dissolved Oxygen，DO）和化学需氧量（Chemical Oxygen Demand，COD）等非光学活性化合物的研究较少。相当多的研究表明，营养盐浓度与决定水体光学特性的主要物质（即叶绿素a、有色溶解有机物（Colored Dissolved Organic Matter，CDOM）和总悬浮物）的浓度具有良好的相关性[7-8]。对于营养盐浓度的遥感反演研究，目前国内外学者大多采用经验和半经验方法，利用遥感数据开展适当的数学分析，进而建立起相应的反演模型和算法。已有研究表明，内陆湖泊营养盐的研究略早于河口及近岸海域。张鸿键等[9]对中分辨率成像光谱仪（MODerateresolution Imaging Spectroradiometer，MODIS）的反射率与对应的TP浓度实测数据进行相关性分析，并建立了三次多项式反演模型用于监测洞庭湖TP 营养状况。利用MODIS 卫星数据，Xu 等[10]反演了梅州湾溶解无机氮（Dissolved Inorganic Nitrogen，DIN）的浓度值，并评估DIN 浓度对反演精度的影响。Isenstein 等[11]利用Landsat ETM+数据和多元线性回归方程，建立了TP 和TN 的遥感反演模型，显示了北美洲尚普兰湖营养盐的空间分布。利用波段组合和区域多变量统计建模技术，Gao 等[12]建立了大型湖泊TP浓度空间建模方案，并对巢湖流域的TP浓度进行了分析。Xiong等[13]基于洪泽湖悬浮无机物与磷之间良好的相关性，利用MODIS/Aqua 数据开发了TP估算算法。此外，国内外学者也相继对河口及近岸海域的营养盐浓度进行了初步的探索。李小斌等[14]基于偏最小二乘回归思想，利用珠江口海域的实测遥感反射率和TN 数据，建立了珠江口海域无机氮浓度估算的遥感模型。Chang 等[15]利用MODIS 数据和遗传算法模型研究了美国佛罗里达州西部坦帕湾地区TP 浓度分布与季节变化规律。王林等[16]利用大洋河河口海域的实测数据和环境一号电荷耦合器件图像传感器（Charge Coupled Device，CCD）影像数据，建立了营养盐遥感反演模型，并分析了该区域营养盐含量分布特征及富营养化状况。Yu等[17]基于多元统计建模技术，利用MODIS数据和渤海的实测DIN 浓度建立了渤海溶解无机氮浓度的反演模型。然而上述统计模型大多应用于内陆湖泊和我国南部海域的营养盐的分布特征，对于我国重要河口之一的长江口及其附近海域的营养盐遥感监测的研究成果较少。

长江是我国第一大河，年平均径流量高达9.24×1011m3，每年向长江口和邻近的东海输送大量的淡水和营养物。近年来长江流域人类活动的增加，对近岸水质的影响日益明显[18]，富营养化问题突出。目前对长江口营养盐浓度的研究大多基于传统采样的监测点数据[19-21]，如Wang 等[22]根据实测采样点观测数据，探讨了东海营养盐分布，并指出长江口海域全年营养盐含量丰富。叶林安等[23]根据2015年春、夏、秋、冬4个季节的调查资料，分析了东海营养盐的季节变化特征及其影响因素。此种采集水样进行试验分析的方法费时费力，且只能通过固定的采样点数据来分析海域的水质情况。利用遥感影像对长江口营养盐反演的研究比较少，遥感技术可以实现对水体大范围和低成本的动态监测，尤其是时间分辨率为1 h 的GOCI（Geostationary Ocean Color Imager）传感器，可以实现短时间尺度内营养盐浓度时空变化的监测[24-26]。因此，本研究针对缺少现场遥感反射率测量数据的情况，直接利用静止海洋水色卫星COMS（Communication，Ocean and Meteorological Satellite）上搭载的GOCI 数据与长江口邻近海域的表层水体营养盐实测数据来构建营养盐反演模型的方案并展开相关研究。具体针对该区域建立适用于GOCI影像的磷酸盐浓度和硝酸盐浓度反演模型，并利用该反演模型对该海域表层水体的磷酸盐和硅酸盐含量进行估计，进而分析和探讨该海域表层水体营养盐的分布及日变化规律和趋势。

2 数据与方法

2.1 研究区介绍

东海是我国陆架最宽的边缘海，海域辽阔，南接台湾海峡，北至启东嘴与济州岛西南角的连线，东面以九州岛、琉球群岛和台湾海峡连线为界，与太平洋相邻[27]。由于受到长江、钱塘江、瓯江和闽江四大水系主要陆源径流的强烈影响[28]，东海近海的营养盐含量较为丰富。长江口及附近海域（121°～124°E，27°～32°N）是东海重要的组成部分（见图1），该海域受长江冲淡水、江浙沿岸流、苏北沿岸流和台湾暖流等水团影响，水文环境复杂。近年来受长江等陆源影响，长江口海域营养盐浓度过高，经常发生赤潮灾害，该海域已成为我国东海海域赤潮的多发区[29]。

2.2 实测营养盐数据

表层水体的硝酸盐（NO3--N）、磷酸盐（PO43--P）和硅酸盐（SiO32--Si）数据来自2019 年12 月8—13日长江口外海水质与环境调查项目“共享航次”。本次调查的21 个站点位置见图1，S1—S13 采样点的数据用于建立营养盐遥感反演模型，其中S3和S9站点缺失磷酸盐数据，S7站点缺失硅酸盐数据，C1—C8 采样点的数据用于遥感反演模型的验证。针对营养盐的观测，首先采用温盐深仪（Conductivity Temperature Depth，CTD）自容式采样器对长江口及附近海域进行表层水样采集，然后用Whatman GF/F滤膜现场过滤，滤液置于-20 ℃冷冻保存。水样的采集、保存和处理均按《海洋调查规范》的相关规定严格执行，样品分析按《海洋监测规范》的有关方法进行。分别应用锌-镉还原法、磷钼蓝法和硅钼蓝法等分光光度法对采集的水样进行硝酸盐（NO3--N）、磷酸盐（PO43--P）和硅酸盐（SiO32--Si）测定，从而得到对应表层水体营养盐的数据[30]。

图1 研究区与水质调查采样点分布（S1—S13和C1—C8为采样点，A1—A4为4个次研究区域，虚线代表等深线）Fig.1 Study area and distribution of water quality survey sampling points(S1—S13 and C1—C8 are sampling points,A1—A4 are sub-study areas,and the dotted lines represent isobaths)

2.3 GOCI影像采集与处理

2.3.1 GOCI数据简介

GOCI是2010年6月27日由韩国海洋卫星中心发射的世界第一颗海洋水色静止轨道卫星COMS上搭载的传感器，主要用于海洋水色观测，如叶绿素、总悬浮颗粒物和CDOM 等。该传感器观测中心在130°E，36°N，可以覆盖韩国、俄罗斯、日本、朝鲜以及中国在内的2 500 km×2 500 km 的海域，空间分辨率为500 m。GOCI 共设置了8 个波段，包括6个可见光波段（B1—B6）和2 个近红外波段（B7—B8），每天可以提供从8:15—15:15（北京时，下同）的八景遥感影像，时间分辨率为1 h。研究所需的GOCI L1B 数据由韩国海洋卫星中心（Korea Ocean Satellite Center，KOSC）提供（网址：http://kosc.kiost.ac/）。本文采用2019 年12 月8—11 日的GOCI 数据进行建模，然后利用2018年4月8日的GOCI影像进行长江口及附近海域水体营养盐浓度日变化规律的研究。

2.3.2 GOCI数据处理

为对地面实测采样点数据与同步的GOCI影像的遥感反射率进行相关性分析并建立相应的营养盐反演模型，我们选择GOCI影像时，控制其与匹配的地面点采样时间间隔不超过3 h。根据地面实测采样点的经纬度坐标，精准地提取所匹配GOCI 影像的对应单个像元的遥感反射率，最后共匹配到13组有效数据，对应的实测采样数据与GOCI 影像数据获取时间及对应的潮位信息情况见表1，其中潮位数据从国家海洋信息中心获取。由表1 可见，时间间隔越小，潮位差越小；除了S10 和S12 两个站点匹配时间间隔较大且潮位差相差较大外，其他站点的匹配时间相近（不超过75 min），潮位差均低于60 cm，平均潮位差27.7 cm，说明水样数据和影像数据的总体匹配效果较好，潮位差对匹配效果准确性的影响有限。需要指出的是，S10—S13这几个站点基本位于30 m 以深海域，而水深较深区域营养盐较低，其随时间变化的量也比浅水区小得多；相比深水区，近岸浅水区营养盐的时空分布变化特征更应该受到关注。因此在进行GOCI影像的营养盐浓度反演模型构建时仍然考虑了这几个站点数据，以提升模型的稳健性。

表1 实测采样数据与GOCI影像的匹配情况Tab.1 Matchups between in-situ sampling data and GOCI imagery

由于海洋水体的吸收性强，反射率较低，所以GOCI 传感器接收到的水体辐亮度仅占总辐射量的10%，其余90%来自大气瑞利散射和溶胶散射等因素[31]。因此，需要对遥感影像进行有效的大气校正，去除这些由于大气影响造成的辐亮度误差，才能提取出水体信息的遥感反射率。本文利用的是mMUMM二类水体大气校正算法[32]，该算法是GOCI 官方处理数据软件GDPS V1.4.1 的内置大气校正模型之一。首先，利用GDPS 对与现场观测营养盐数据匹配的GOCI L1B 影像按研究区域进行裁剪，然后对裁剪后的L1B 数据进行大气校正，得到GOCI 影像的遥感反射率数据，基于此遥感反射率值与实测营养盐数据进行后续相关性分析。

2.4 精度评价指标

营养盐相关性对比分析利用决定系数R2和均方根误差（Root Mean Square Error，RMSE）进行，营养盐反演模型采用RMSE、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）和平均相对百分比误差（Mean Relative Percentage Error，MRPE）[33]来检验其预测精度。

3 结果与讨论

3.1 营养盐之间的相关性分析

为探究长江口及其邻近海域表层水体中各营养盐浓度之间是否存在类似于其他内陆湖泊及河口区域营养盐之间的相关性，利用S1—S13 采样点的表层水体营养盐实测数据（包括硝酸盐、磷酸盐和硅酸盐数据），对各营养盐分别进行线性、二次多项式、幂和指数等函数模型的拟合，得到的各模型结果见表2。由表2可知，磷酸盐浓度与硅酸盐浓度的4种拟合模型的决定系数R2都在0.85以上，其中，二次函数（式②）相关性最好（参与站点数N=11，R2=0.942 7，RMSE=0.247 7，p<0.01）。硝酸盐浓度与磷酸盐浓度的4个拟合模型中幂函数（式⑦）拟合度最好（N=11，R2=0.822 4，RMSE=0.644 7，p<0.01）。硝酸盐浓度与硅酸盐浓度的4种拟合模型的决定系数R2都在0.87 以上，其中，二次函数（式⑩）最佳（N=12，R2=0.955 5，RMSE=0.220 4，p<0.01）。结果表明，长江口及邻近海域表层水体的磷酸盐、硅酸盐与硝酸盐之间存在明显的正相关关系，且相关性都达到了显著水平（p<0.01）。

表2 各营养盐相关分析结果Tab.2 Results of correlation analysis of nutrients

3.2 营养盐遥感反演模型的建立与验证

为建立表层水体各营养盐浓度的GOCI数据反演模型，我们在营养盐浓度与GOCI 数据的相关性以及营养盐浓度与GOCI波段遥感反射率回归模型的建立及验证等方面进行了大量的实验。实验过程中我们发现硝酸盐浓度遥感反演模型的精度不够好，因此下文主要针对磷酸盐和硅酸盐遥感反演模型的立和验证进行描述。

3.2.1 营养盐浓度与GOCI数据的相关性分析

为探究表层水体营养盐浓度与GOCI波段之间的相关性，将GOCI影像单波段遥感反射率、各波段遥感反射率的组合（和、差、比值和归一化植被指数（Normalized Difference Vegetation Index，NDVI）算法及单波段遥感反射率的对数（共128种情形）与磷酸盐和硅酸盐浓度的实测值进行相关性分析[10，15]。分析结果（限于篇幅，相关数据图表未列出）表明：磷酸盐、硅酸盐和硝酸盐在B5—B8 波段有较高的相关性（相关系数>0.8）；磷酸盐浓度与GOCI 数据各波段组合的遥感反射率的相关系数的范围是-0.934 6～0.891 0，波段组合中有16 个相关系数绝对值大于0.9；硅酸盐浓度与GOCI 数据的遥感反射率的相关系数在-0.851～0.891 之间，波段组合中有22个相关系数绝对值大于0.8。

3.2.2 营养盐遥感反演模型的建立

根据营养盐浓度与GOCI波段之间的相关性分析结果，选取相关性高的波段或波段组合为自变量，以营养盐浓度为因变量，分别按线性、二次多项式、指数函数及幂函数4 种数学模型建立各营养盐与单波段及波段组合之间的回归反演模型。

为建立磷酸盐的遥感反演模型，利用PO43--P数据与相关系数的绝对值大于0.9 的16 个GOCI 波段组合进行4 种数学模型的回归分析。图2 为回归分析结果中决定系数R2最大的4个模型对应的散点图和拟合情况。由图可知，这4 个模型的R2都在0.93以上，RMSE都小于0.36。基于波段组合B6+B7 建立的二次函数（N=11，R2=0.932 6，RMSE=0.353，p=0.016）和幂函数（N=11，R2=0.931 2，RMSE=0.354 8，p<0.01）与基于波段组合B6+B8 建立的二次函数（N=11，R2=0.931 8，RMSE=0.355 3，p<0.01）和幂函数（N=11，R2=0.931 4，RMSE=0.356 4，p<0.01）模型的拟合度都很高。基于波段组合B6+B7 建立的二次函数在4 个模型中相对最优，其R2最大且RMSE最小，因此选取此模型作为下文中的磷酸盐验证模型。

图2 磷酸盐反演模型Fig.2 Phosphate inversion models

类似地，为建立硅酸盐的遥感反演模型，利用SiO32--Si 数据与相关系数的绝对值大于0.8 的22 个GOCI 波段组合进行线性、二次多项式、指数函数模型和幂函数模型回归分析。图3为分析结果中决定系数R2最大的4 个模型对应的散点图和拟合情况。从中可以看出，这4 个模型中R2都在0.83 以上，且RMSE在0.4 左右。基于波段B6 建立的二次函数（N=12，R2=0.834 9，RMSE=0.408 3，p<0.01）和幂函数（N=12，R2=0.834 9，RMSE=0.408 2，p<0.01）与基于波段组合B6-B8 建立的二次函数（N=12，R2=0.841 6，RMSE=0.399 9，p<0.01）和幂函数（N=12，R2=0.842 3，RMSE=0.398 9，p=0.000 2）模型的拟合效果都很好。基于波段组合B6-B8 建立的幂函数模型相对最佳，其R2最大且RMSE最小，因此作为下文中硅酸盐的验证模型。

图3 硅酸盐反演模型Fig.3 Silicate inversion models

3.2.3 营养盐反演模型验证

为检验上述磷酸盐和硅酸盐反演模型的有效性，利用C1—C8共8个站点的数据进行验证。由于C5—C7 站点缺失磷酸盐实测数据，C6—C8 站点缺失硅酸盐实测数据，因此为了增加验证的数据量，对于磷酸盐或硅酸盐实测数据缺失的站点，依据营养盐之间的高相关性，由硝酸盐数据利用表2 中营养盐间的拟合关系（式⑦和⑩）计算得到相应的磷酸盐和硅酸盐数据，代表对应站点的实测值来验证反演模型的精度。

利用验证站点的磷酸盐数据对最优的磷酸盐模型Y=1826.764 1X2+15.947 4X-0.057 5 进行验证分析，通过该模型计算得到相应站点的预测值，结果如表3。由表3可知，该模型反演出的磷酸盐预测值的结果较好，实测值与预测值之间误差较小，都在0.7 μg/L 以下。8个站点中只有C8的相对误差相对较大，为-57.69%。经计算，磷酸盐反演模型的RMSE、MAPE和MRPE分别为0.338 1 μg/L、21.65%和-14.38%。图4 为实测值和预测值的散点图及拟合曲线，图中左上角列出了拟合曲线所对应的函数和统计参数。由图4 可以看出，磷酸盐反演模型的预测值与实测值吻合较好。

表3 营养盐反演模型精度分析Tab.3 Accuracy analysis of nutrient inversion models

图4 磷酸盐和硅酸盐的实测值与预测值的散点图及拟合情况Fig.4 Scatter plots and fitting of the measured and predicted values of phosphate and silicate

利用验证站点的硅酸盐数据对最佳的硅酸盐模型Y=79 567.214 7X2.7514+0.544 7 进行验证分析，通过此模型计算得到相应站点的预测值，结果如表3。由表3可知，该模型反演出的硅酸盐预测值的结果较好，实测值与预测值之间的误差较小，除C6 站点外，其余站点误差都在0.1 mg/L以下，且相对误差都较小。经计算，硅酸盐反演模型的RMSE、MAPE和MRPE分别为0.246 1 mg/L、6.73%和-4.13%。从图4可以看出，该模型反演出的硅酸盐的预测值与实测值的相关性较高，模型预测值和参考值非常接近。

综合表3和图4，磷酸盐和硅酸盐的反演模型验证效果较好，具有良好的预测精度，适用于长江口及附近海域营养盐浓度的反演。

3.3 营养盐时空变化分析

3.3.1 空间分布和日变化特征

为了分析长江口及附近海域营养盐的分布情况和日变化特征，应用上述营养盐反演模型对2018年4 月8 日的GOCI遥感影像进行营养盐反演（所选日期内的全部8 幅GOCI 遥感影像在研究区范围内基本无云覆盖）。反演结果如图5 和图6 所示，图中白色区域表示陆地、云或无效值区域，杭州湾内的白色区域主要是由于mMUMM 大气校正算法造成的数据缺失。

图5是2018年4月8日8:15—15:15长江口及附近海域表层水体的磷酸盐浓度反演结果。图中可以看出，与前人研究[17]一致，整个长江口及附近海域磷酸盐浓度分布不均匀，各个海区的浓度值相差较大，表层水体浓度呈现出由近岸向外海递减的趋势，122°30′E 以东海域基本属于低值区。图中还可以看出在苏北浅滩附近海域有一个东南向的舌型高值区。在长江口口门内，崇明岛以西磷酸盐浓度整体比较低，南支的南槽和北槽汊道口到口门附近，磷酸盐浓度逐渐增加，尤其是长兴岛附近增加较明显，这一分布与高学鲁等[34]研究相一致。另外，杭州湾内虽然数据缺失较多，但仍然可以看出其磷酸盐浓度整体较高，明显高于湾外海域。

图6 是2018 年4 月8 日—日8 景的长江口及附近海域表层水体的硅酸盐浓度分布。图中可以看出，硅酸盐浓度分布不均匀，近岸高，外海低，122°45′E 以东海域基本处于低值区，而苏北浅滩南端和31°N 附近海域呈东和东北向高营养盐水舌继续向外海扩展。从8:15—10:15的影像可以看出，硅酸盐浓度在苏北浅滩和长江口有明显高值区，而在长江口口门内崇明岛以西较低且波动较小，进入南槽和北槽后浓度逐渐增加。虽然杭州湾内数据存在缺失，但仍可以看出硅酸盐含量比长江口口门附近海域和舟山群岛海域高。

从图5 和图6 可以看出，2018 年4 月8 日8:15 长江口邻近海域的磷酸盐和硅酸盐浓度最高，随着时间的变化，除杭州湾外，其他海域均呈现不断降低的趋势。为了定量分析长江口及附近海域的磷酸盐浓度和硅酸盐浓度的区域差异，我们在杭州湾、长江口内河道、长江口外北部及长江口外南部分别取A1、A2、A3 和A4 区域（具体位置见图1）的数据做进一步分析，结果见图7。

图6 2018年4月8日硅酸盐反演结果Fig.6 Silicate inversion results on April 8，2018

从图5—7 可以看出，2018 年4 月8 日4 个区域8 h 内磷酸盐和硅酸盐浓度的变化趋势相似。在杭州湾，磷酸盐和硅酸盐总体上呈先升后降的趋势，其浓度的最大值与最小值相差1.45 μg/L和0.51 mg/L。在长江口内河道，两种营养盐的浓度变化总体呈先降后升趋势，13:15 时降至最低值，随后升高，8 h 内的变化量分别是0.89 μg/L 和0.71 mg/L。在长江口外北部，两种营养盐浓度波动较大，总体上呈下降趋势，8 h 内磷酸盐与硅酸盐浓度变化分别是1.84 μg/L 和0.56 mg/L。在长江口外南部，磷酸盐和硅酸盐在8：15—13：15 呈现先升后降的变化趋势，之后快速上升，两种营养盐浓度在8 h 内的变化量分别为0.73 μg/L和0.39 mg/L。由此可见，1日8 h内4 个区域的磷酸盐浓度变化幅度较大，而硅酸盐变化较小。

图5 2018年4月8日磷酸盐反演结果Fig.5 Phosphate inversion results on April 8，2018

3.3.2 影响因素分析

2018 年4 月8 日，受长江冲淡水的影响，长江口及邻近海域表层水体的磷酸盐和硅酸盐主要分布在苏北浅滩-长江口-舟山海域一带。长江口口内，营养盐浓度沿径流入海方向在崇明岛附近逐渐增加，这可能是由于沿岸河流（特别是黄浦江）和排污口点源营养元素的输入、水体中泥沙颗粒物的解吸附及水体或沉积物中含磷含硅有机物的分解造成的，近岸受长江冲淡水的影响磷酸盐和硅酸盐含量较高，呈现由近岸向外海递减的趋势。由于长江径流量大，长江冲淡水出口门后向东南方向扩展，分为两支，一支朝东南方向贴岸南下，大都限制在杭州湾和舟山群岛附近海域，一支约在31°N，123°E处左转向北朝东北方向进入黄海西南部，直指济州岛[35-36]，使得杭州湾和舟山群岛附近海域的营养盐浓度也相对较高。受苏北沿岸地表径流和沿岸流的影响，苏北浅滩附近出现高值区[37]。122°30′E 以东海域受黑潮表层水的混合影响，呈寡营养盐状态，而苏北浅滩南端和31°N附近硅酸盐的高营养盐水舌，可能是东北向的长江冲淡水通过侧粘滞作用[38]携带部分苏北沿岸流造成的。

为分析研究海域营养盐日变化的机理和因素，我们利用国家海洋信息中心提供的2018年4月8日（小潮）岱山、崇明、吕四及沈家门4个港口的潮汐数据绘制了潮位曲线图。由图8 可知，当日岱山7:00—10:00 为落潮期，10:00—16:00 为涨潮期。杭州湾（A1）作为强潮汐海湾，水体混合作用强烈，磷酸盐和硅酸盐在落潮和落憩时浓度波动较大，出现随涨落潮而降低或升高的现象，即落潮期间，营养盐浓度升高，落憩时段营养盐浓度变化最大，磷酸盐和硅酸盐浓度达到最高值，涨潮时营养盐浓度逐渐降低。与杭州湾海域类似，长江口外南部海域（A4）营养盐浓度的波动与离此区域最近的沈家门验潮站的潮位变化一致，即涨潮期间，磷酸盐和硅酸盐浓度逐渐降低，落潮时，营养盐浓度逐渐增加。

长江口内（A2）河道8 h 内营养盐浓度波动不大，依据崇明验潮站的潮汐曲线图可知，营养盐与潮汐的变化具有明显的规律性，落潮时营养盐浓度降低，落憩时段（12:00—13:00）达到谷值，其后涨潮时营养盐浓度不断上升。造成这种营养盐与潮位变化的原因可能有两个，一个是长江口内河道水深较浅，水体极易混合，另一个是受到沿岸排口点源营养元素的输入影响[39]。

由吕四验潮站潮汐曲线图（见图8）和营养盐的日变化曲线（见图7）可以发现，长江口外北部海域（A3）营养盐浓度变化幅度较大，落憩时段磷酸盐和硅酸盐浓度呈现明显下降，涨潮时，营养盐浓度呈现规律性波动，这可能是由于该区域以风浪为主的混合浪作用强烈，波高较高[40]，导致此区域8 h 内表层营养盐浓度波动较大。此外，4 个区域在13:15 时营养盐浓度都达到谷值，可能是由于光照不断增强，促进了浮游植物的生长和繁殖，消耗大量的营养盐所致。由此可见，长江口及附近海域磷酸盐和硅酸盐浓度的日变化主要受到潮汐作用的影响，同时还与风浪、温度和生物活性有关。

图7 2018年4月8日磷酸盐和硅酸盐平均含量的日内变化Fig.7 Diurnal variation of average phosphate and silicate content on April 8，2018

图8 2018年4月8日港口潮汐曲线图Fig.8 Tide curve of port on April 8，2018

4 结论

基于长江口及附近海域的实测营养盐数据与GOCI 影像各单波段及波段组合的遥感反射率相关分析，建立了GOCI 影像的长江口磷酸盐和硅酸盐遥感反演模型，并对2018年4月8日GOCI影像进行反演，进而分析了营养盐的分布和日变化特征。结论如下：

（1）利用与营养盐相关性较好的GOCI 波段或波段组合，建立了针对磷酸盐和硅酸盐二次多项式和幂函数的GOCI遥感反演模型。在对模型进行验证时，除了利用现场获得的直接观测数据外，还利用硝酸盐与磷酸盐和硅酸盐之间的高相关性，计算得到营养盐数据缺失站点的磷酸盐和硅酸盐的浓度值来辅助验证。验证结果显示，磷酸盐和硅酸盐反演模型的MAPE分别为21.65%和6.73%，表明上述模型预测精度良好，适用于长江口及邻近海域营养盐浓度的遥感反演。

（2）受长江冲淡水和苏北沿岸流的影响，长江口及邻近海域表层水体的磷酸盐和硅酸盐浓度高值区主要在苏北浅滩-长江口-杭州湾-舟山海域一带，并呈现近岸向外海递减的趋势。此外，由于黑潮表层水混合影响，122°45′E以东海域呈寡营养盐状态。

（3）1 d 8 h 内4 个区域磷酸盐浓度的变化幅度较大，而硅酸盐浓度变化幅度较小。此外，4 个区域营养盐的日变化规律与涨落潮变化存在差异，其中杭州湾和长江口外南部与潮位呈负相关关系，长江口内河道呈现正相关关系，说明水团运动对营养盐的日变化有重要影响，而长江口外北部营养盐与潮位变化基本上不具有规律性。

受限于篇幅，本文目前只利用春季的GOCI 影像数据分析日变化特征，为探究不同水文条件（如波浪、潮汐和河流输入等）对营养盐分布与变化的影响，后续会进一步研究其他季节和大小潮潮情下的日变化特征。另外，目前采样点数据较为有限且大多分布在长江口—舟山等大片海域，将基于这些数据构建的营养盐反演模型应用于其他海域时，其结果的准确性可能会有一定的影响。后续应强化观测，增加数据量，特别应在杭州湾、长江航道及苏北浅滩附近海域采集更多高质量的数据来优化和验证模型。