研究论文

高空间分辨率海表CO2分压的卫星遥感反演算法:机器学习在秋季象山港的应用

  • 刘婷宇 , 1 ,
  • 白雁 , 1, 2, * ,
  • 朱伯仲 1, 2 ,
  • 李腾 1 ,
  • 龚芳 1
展开
  • 1.自然资源部第二海洋研究所,浙江 杭州 310012
  • 2.浙江大学 海洋学院,浙江 舟山 316021
* 白雁(1979—),女,研究员,主要从事海洋碳循环遥感研究,E-mail:

刘婷宇(1999—),女,山东省烟台市人,主要从事海洋遥感研究,E-mail:

Copy editor: 段焱

收稿日期: 2022-12-27

  修回日期: 2023-02-01

  网络出版日期: 2023-04-28

基金资助

浙江省“尖兵”“领雁”研发攻关计划项目(2023C03011)

国家自然科学基金(42176177)

国家自然科学基金(41825014)

Satellite retrieval algorithm of high spatial resolution sea surface partial pressure of CO2: Application of machine learning in Xiangshan Bay in autumn

  • LIU Tingyu , 1 ,
  • BAI Yan , 1, 2, * ,
  • ZHU Bozhong 1, 2 ,
  • LI Teng 1 ,
  • GONG Fang 1
Expand
  • 1. Second Institute of Oceanography, MNR, Hangzhou 310012, China
  • 2. Ocean College, Zhejiang University,Zhoushan 316021, China

Received date: 2022-12-27

  Revised date: 2023-02-01

  Online published: 2023-04-28

摘要

近海海湾受人类活动及自然变化影响大,海水碳源汇格局变化影响机制极其复杂。由于海湾空间尺度小,需要使用宽波段的高空间分辨率卫星遥感对海-气CO2通量进行监测评估。相对于传统公里级的水色卫星资料,海-气CO2通量定量估算的关键参数——海表CO2分压(sea surface partial pressure of CO2, pCO2)遥感反演在小尺度海湾具有极大的挑战性。该文以秋季象山港为例,利用走航观测pCO2数据及近5年哨兵2号(Sentinel-2)卫星影像,采用支持向量机(support vector machine, SVM)机器学习的方法,基于Sentinel-2遥感反射率及其比值,建立了海表pCO2的遥感反演算法。算法验证结果显示决定系数为0.92,均方根误差为23.23 μatm,遥感反演结果与实测值具有较高一致性。在此基础上,制作了2017—2021年秋季(9—11月)象山港海表pCO2遥感产品,结果表明,象山港海表pCO2整体上呈现从湾顶向湾口递减的趋势,均值为514.56 μatm,其中,湾内pCO2均值为551.94 μatm,湾外pCO2均值为477.19 μatm,整体呈现为大气CO2的源,且5年间秋季pCO2没有显著趋势性变化。结合多参数走航实测数据分析发现,2021年象山港秋季海表pCO2受物理混合作用及生物活动的共同调控。海表温度(sea surface temperature, SST)与pCO2具有良好的正相关关系,且SST对pCO2的影响主要体现在碳酸盐热力学平衡作用上。此外,平均温度归一化的pCO2(NpCO2)与海水盐度和溶解氧饱和度均具有良好的负相关关系,NpCO2与海水盐度的关系是潮汐作用下湾内和外海水体交换的结果;长时间序列的遥感数据分析也证实湾内、湾外pCO2与平均潮高具有较为一致的变化趋势,且这种趋势在湾外强于湾内。该研究构建了一套海湾小尺度pCO2遥感反演方法,为后续海-气CO2通量大范围、长时序遥感监测奠定了良好基础。

本文引用格式

刘婷宇 , 白雁 , 朱伯仲 , 李腾 , 龚芳 . 高空间分辨率海表CO2分压的卫星遥感反演算法:机器学习在秋季象山港的应用[J]. 海洋学研究, 2023 , 41(1) : 82 -95 . DOI: 10.3969-j.issn.1001-909X.2023.01.007

Abstract

Coastal bays are greatly affected by human activities and natural changes, and the influence mechanism of variation in seawater carbon source and sink patterns is extremely complex. Due to the small spatial scale of the bay, it is necessary to use wide-bands high-spatial resolution satellite remote sensing for monitoring the air-sea CO2 flux. Compared with the traditional kilometer-level ocean color satellite data, the retrieval of the sea surface partial pressure of CO2 (pCO2), the key parameter to calculate air-sea CO2 flux, is extremely challenging in small-scale bays. Taking Xiangshan Bay in Zhejiang Province in autumn as an example, a satellite retrieval algorithm for sea surface pCO2 was proposed based on the in situ pCO2 data and Sentinel-2 satellite images in the past five years, using the machine learning method of support vector machine (SVM). The algorithm validation results showed a good performance with R2 of 0.92 and RMSE of 23.23 μatm, and the satellite-derived results were consistent with the in situ values. On this basis, the satellite products of pCO2 in Xiangshan Bay in autumn from 2017 to 2021 (September to November) were produced. The results revealed that the pCO2 of Xiangshan Bay showed a decreasing trend from the top of the bay to the mouth of the bay, with an average value of 514.56 μatm, of which the average pCO2 in the inner bay was 551.94 μatm and the average pCO2 in the outer bay was 477.19 μatm, which implied that Xiangshan Bay was a source of atmospheric CO2 as a whole. There was no significant trend change of pCO2 in autumn in the past five years. Combined with the analysis of in situ data of multiple parameters, it was found that the sea surface pCO2 of autumn in Xiangshan Bay in 2021 was jointly regulated by physical mixing and biological activities. Sea surface temperature (SST) had a good positive correlation with pCO2, which was mainly reflected by the thermodynamic equilibrium of carbonate system. In addition, the normalized pCO2(NpCO2) with average temperature had a good negative correlation with seawater salinity and dissolved oxygen saturation. The relationship between NpCO2 and salinity resulted from the exchange of sea water inside the bay and offshore coastal water under tidal effect. Long-time series satellite data analysis also confirmed that sea surface pCO2 had a relatively consistent trend with the average tide height inside and outside the bay, and this trend was stronger in the outside bay than that in the inner bay. In this study, a set of pCO2 remote sensing retrieval methods in the small-scale bay was constructed, which laid a good foundation for the subsequent long-time series satellite monitoring of sea-air CO2 fluxes.

0 引言

海洋作为地球上最大的活性碳库,具有较强的固碳潜力,对大气中CO2浓度起到了重要的调节作用,也对全球气候变化有关键性的调控作用。根据全球碳计划(global carbon project, GCP) 2022年报告[1],2012—2021年,海洋吸收CO2的量为2.90±0.40 Gt C·a-1(占人为排放CO2总量的26%)。如何有效监测、估算海洋CO2吸收量成为当前国际上研究的热点问题之一。海表CO2分压(sea surface partial pressure of CO2,pCO2)是计算海-气CO2通量的关键参数,对其准确计量对于海-气界面CO2交换通量的研究及海洋碳汇变化分析具有重要意义。
全球不断累积的海表pCO2走航实测数据集极大促进了全球和区域的碳源汇格局的研究。尽管近年来走航数据量显著增加,但时间和空间覆盖程度低,且仅有少数地区可以获得完整的季节循环数据[2]。遥感技术的发展,可以对海洋要素实现大范围、长时序的同步观测,并对历史数据进行重处理和分析回溯,弥补了此前仅基于实测数据研究的不足。
此前基于遥感方法对海-气界面CO2通量的研究主要集中在开阔大洋、陆架边缘海和大尺度海湾,发展了多种海表pCO2遥感反演算法[3-12]。早期算法以单参数、多参数的经验算法为主[3-7],后陆续引入神经网络等机器学习算法[8]及半分析算法[9-12]等。如LOHRENZ et al[3]结合主成分分析和多元回归方法,开发了墨西哥湾表层海水pCO2经验遥感算法。TELSZEWSKI et al[8]基于船载数据,结合海表温度(sea surface temperature, SST)及叶绿素质量浓度遥感数据,利用自组织映射神经网络 (self-organizing map, SOM)方法,建立了以SST、叶绿素质量浓度和混合层深度为输入参数的北大西洋海表pCO2遥感反演算法。BAI et al[9] 构建了基于控制机制的半分析算法(mechanistic semi-analytic algorithm, MeSAA),并在东海[9]、南海北部[10]、白令海[11]和墨西哥湾[12]等复杂边缘海取得了很好的应用效果。
位于近岸沿海的小型海湾,空间尺度较小,大多具有半封闭的地形特点,对水动力等自然条件改变及人类活动影响具有高敏感性。同时,受陆地径流输入及人类活动的影响,其生物地球化学机制及其在精细尺度上的源汇格局变化尤为复杂。基于海洋卫星资料的大洋及边缘海区的海表pCO2反演虽然具有较多的可用于算法构建的遥感反演产品,如SST、海表面盐度、叶绿素质量浓度、风速等,但这些产品在近岸的遥感监测受到水体复杂度的影响,反演精度存在较大的不确定性,且数据空间覆盖度较差,即常规公里级、波段较多的海洋水色卫星数据,由于空间分辨率限制,无法应用于海湾小尺度区域;而陆地卫星资料虽然空间分辨率高,但波段少,可反演获得的水色参数较少,水体参数遥感反演具有极大的难度。
欧洲太空局发射的哨兵2号卫星(Sentinel-2)搭载的多光谱成像仪(multi-spectral instrument,MSI)具有10~30 m的高空间分辨率,有2A和2B两颗卫星同时在轨,监测时间分辨率可达3~5 d,在海岸带水体监测中具有优势。
为了实现小尺度复杂水体pCO2的遥感监测,探究高空间分辨率遥感资料的pCO2反演方法,解析海湾尺度pCO2水平及控制机制,本研究以宁波象山港为例,利用Sentinel-2高分辨率卫星遥感数据,基于2021年秋季象山港走航pCO2数据,尝试构建了海表pCO2遥感反演算法,并对2017—2021年秋季象山港pCO2时空变化进行了分析,结合各相关参数空间分布,获得了对秋季象山港pCO2时空分布和影响机制的认识。本研究构建的方法和流程可为后续海-气CO2通量大范围、长时序遥感监测拓展奠定良好基础。

1 研究区域与数据方法

1.1 研究区域

象山港位于浙江省宁波市东南沿海(29°24'—29°46'N,121°25'—122°00'E),湾域狭长(纵深60 km),岸线曲折,平均水深8~10 m,中段最深达47 m。象山港东面朝海并伴有诸多岛屿作为屏障,受台风威胁较少,但其半封闭海湾的特性,容易使海水生化要素停留时间过长,导致污染物的累积。湾内属不正规半日潮,潮汐强烈[13]。流速由湾口向湾顶递减,并具有南岸大于北岸、表层大于底层、落潮大于涨潮的特性[14]。象山港位于亚热带季风区,四季分明,年均风速3.8 m/s,一年分两个干季(7—8月和10—次年2月)和两个湿季(3—6月和9月)。象山港渔业和水产养殖活动众多,海水养殖面积呈逐年递增趋势[15]。养殖产生的污染物主要为过剩饵料和水生生物的排泄物[16],致使水体有机物和氮、磷含量升高,再加上湾内水质富营养化严重,水交换较弱,因此海湾内常有赤潮暴发[17]。通常,高有机质矿化作用会导致pCO2升高,浮游植物高生产力水平会降低海水pCO2,从而造成非常复杂的时空变化格局,需要借助卫星遥感等手段进行高频观测。

1.2 数据

1.2.1 实测数据及样品采集与分析

本研究使用的实测数据来自2021年11月10日 “润江二号”科考船在浙江省象山港采集的海水表层水体环境参数。研究区域及采样站点如图1所示。使用General Oeanics公司G.O.8050走航式CO2监测系统进行走航观测,测定参数包括表层海水温度、盐度、溶解氧浓度、叶绿素荧光、海水x CO 2 d r y(表层海水通过平衡器后的干空气下的气态CO2摩尔分数)、大气xCO2、大气压强等。测量过程中,海水由位于海表面以下约2 m处潜水泵泵入五通阀,依次分流至水-气平衡器系统及溶解氧探头、叶绿素探头、SBE温盐仪(SBE45/CTD船用走航式多参数水质仪)。选用0 mg/m3、584 mg/m3、1 960 mg/m3的标准气体对测量气体进行定标。采用FieldSpec 4-ASD地物光谱仪同步测量该区域海水遥感反射率,观测及处理方法参考文献[18]中所使用的方法及标准。
图1 研究区域、走航航线及采样站点

(图中红色三角形代表采样站位置;红色星形代表验潮站位置;黑色圆点代表pCO2极值点分布位置。)

Fig.1 The study area, cruise tracks and sampling stations

(Red triangles represent the location of sampling stations; red starsrepresent the position of the tide gauging stations; black dots represent the location of the pCO2 extremums.)

1.2.2 卫星遥感数据

研究使用的卫星遥感影像数据来自Sentinel-2卫星上搭载的MSI传感器的多波段遥感反射率数据(https://scihub.copernicus.eu/dhus/#/home)。选择下载2017—2021年秋季(9—11月)覆盖研究区域的影像数据。剔除薄云影响的影像后,分别获得2017年、2018年、2019年、2020年、2021年秋季(9—11月)影像3、4、3、2、6景。SST遥感数据采用美国国家航空航天局发射的Landsat-8卫星上搭载的陆地成像仪数据(operational land imager,OLI,https://earthexplorer.usgs.gov/),共获得2017年、2018年、2019年、2021年秋季(9—11月)影像2、1、1、2景;受到云覆盖的影响,2020年秋季未获得有效影像。Sentinel-2 MSI及Landsat-8 OLI传感器波段对比见表1
表1 Sentinel-2 MSI及Landsat-8 OLI传感器波段信息

Tab.1 Band informations of Sentinel-2 MSI and Landsat-8 OLI sensor

Landsat-8 OLI Sentinel-2 MSI
波段序号 波段信息 波长/nm 空间分辨率/m 波段序号 波段信息 波长/nm 空间分辨率/m
Band1 气溶胶 430~450 30 Band1 气溶胶 433~453 60
Band2 蓝光 450~515 30 Band2 蓝光 458~523 10
Band3 绿光 525~600 30 Band3 绿光 543~578 10
Band4 红光 630~680 30 Band4 红光 650~680 10
Band5 植被红边 698~713 20
Band6 植被红边 733~748 20
Band7 植被红边 773~793 20
Band5 近红外 845~885 30 Band8 近红外 785~900 10
Band8a 植被红边 855~875 20
Band9 水蒸气 935~955 60
Band6 短波红外 1 560~1 660 30 Band10 短波红外 1 360~1 390 20
Band7 短波红外 2 100~2 300 30 Band11 短波红外 1 565~1 655 20
Band8 全色波段 503~676 15 Band12 短波红外 2 100~2 280 20

1.2.3 走航pCO2 及溶解氧计算方法

对G.O.8050走航式CO2监测系统获得的现场测量原始数据进行筛选,根据WEISS[19]提出的公式计算饱和水汽压:
ln p ( H 2 O )=24.454 3- 6   745.09 t E-4.848 9×ln t E 100-0.000 533×S
p(H2O)=exp l n ( p H 2 O )
通过xC O 2 d r y计算获得平衡器内水汽饱和空气中的CO2分压(pC O 2 w e t) :
pC O 2 w e t=xC O 2 d r y× p 0 - p ( H 2 O )
最后,利用TAKAHASHI et al[20]提出的温度校正公式计算海表原位pCO2in situ:
pC O 2 i n   s i t u=pC O 2 w e t×exp ( t s - t E ) × 0.042   3
上述各式中:tE为平衡器内温度(单位:℃);ts为海表温度(单位:℃);S为海表盐度;p(H2O)为饱和水汽压(单位:atm);p0为大气压强(单位:hPa);pC O 2 i n   s i t u为海表现场温度条件下的pCO2(单位:μatm),后续简称为pCO2。其中,压强单位1 atm=106 μatm=1 013.25 hPa。
文中使用温度归一化的pCO2(NpCO2)进行影响机制的分析讨论。NpCO2采用以下公式计算[20]:
NpCO2=pCO2× e 0.042   3 × ( t s - 20.13 )
海水溶解氧(dissolved oxygen, DO)饱和度为根据实测溶解氧浓度计算的理论值,其公式如下[21]:
r(O)= ρ ( O ) ρ ' ( O )×100%
式中:r(O)为海水溶解氧饱和度(单位:%);ρ(O)为走航测定的溶解氧浓度(单位:μmol/L);ρ'(O)为海水中特定温度和盐度下的溶解氧饱和浓度(单位:μmol/L),其数值可查询《海洋调查规范 第4部分:海水化学要素调查》表F.1获得。

1.2.4 遥感数据预处理及与实测数据匹配策略

对下载的Sentinel-2 L1C级数据使用软件Sen2Cor 2.5.5进行大气校正。Sen2Cor是官方提供的专门用于将大气层顶部L1C级数据处理为Level 2A产品和格式化的处理器。为了与Landsat OLI数据进行匹配分析,将Sentinel-2数据重采样至30 m空间分辨率。
进行遥感数据与实测数据匹配时,在空间上,匹配与实测站点经纬度最接近的1×1像元(30 m×30 m)的遥感数据;在时间上,寻找与实际观测时间邻近的遥感数据。实测数据测量时间为2021年11月10日9:50—15:40,当日低潮时间为5:53,高潮时间为13:29,观测数据大部分位于涨潮时间内;与之匹配的是2021年11月11日的Sentinel-2数据,卫星过境时间为10:29,当日象山港低潮时间为6:46,高潮时间为14:32。由于象山港水团动态变化较大,实测数据与遥感数据的匹配会存在一定的不确定性,但由于2 d观测时间内的潮汐状态基本一致,在目前数据量较为有限的情况下,可以认为匹配是合理有效的。
采用ArcGIS 10.8提取出与实测站位经纬度匹配的Sentinel-2卫星13个波段的遥感反射率,最终获得151组数据用于遥感反演算法建模和验证。

1.2.5 精度评价指标

本研究采用均方根误差(RMSE)、决定系数(R2)、相关系数(r)和偏差(Bias)作为模型和遥感产品的精度评价指标。 RMSE可以衡量模型预测值与现场测量数据的差值;R2用于评价回归模型系数拟合优度,拟合优度越大,自变量对因变量的解释程度越高;r为反映变量之间相关关系的统计指标;Bias描述的是预测值的期望与真实值之间的差距,描述了数据的准确性,偏差越大,越偏离真实数据。各指标计算公式如下:
$\mathrm{RMSE}(x,\hat{x})=\sqrt{(\sum\limits_{i=1}^n({x}_i-\hat{x})^2)/n}$
$R^2\left(x,\hat{x}\right)=1-\frac{\sum\limits_{i=1}^n\left(x_i-\hat{x}\right)^2}{\sum\limits_{i=1}^n\left(x_i-\bar{x}\right)^2}$
$r=\frac{\sum_{i=1}^n\left(x_1-\bar{x}_1\right)\left(x_2-\bar{x}_2\right)}{\sqrt{\sum_{i=1}^n\left(x_1-\bar{x}_1\right)^2 \sum_{i=1}^n\left(x_2-\bar{x}_2\right)^2}}$
$\mathrm{Bias}(x,\hat{x})=(x_i-\hat{x})/\hat{x}$
式中:   x代表实测值,$\hat{x}$代表预测值,$\bar{x}$代表实测值的均值,   n代表样本数量。 x 1 x 2分别代表进行相关性分析的不同输入变量,$\bar{x}_1$、$\bar{x}_2$代表输入变量的均值。

2 结果

2.1 水体光谱特征分析

水的光学性质会因水体物质组成和含量而变化。分析水体光谱特征除了有助于快速定位不同水体类型,总结归纳特定水体类型pCO2的分布特点外,还有助于构建遥感反演算法。理论上,水体的实测光谱反射率与卫星获得的遥感反射率具有“波段比值组合等效性”[22]。因此,可以根据实测光谱信息建立反演算法,将其应用于卫星遥感反演。
分析2021年11月10日象山港实测遥感反射率曲线(图2)可以发现,海湾中部的站位(C~H站)整体遥感反射率较低,主要由于该区域水体悬浮物质量浓度较低且有机质含量较高,对光具有强烈的吸收作用。而湾顶(A、B站)及湾口(I、K站)四个站位水体遥感反射率较高,其中A站反射率峰值位于黄光谱段,表现为中等浑浊水体;B站反射率峰值位于蓝光谱段,说明水体相对清澈;I、K站反射率峰值向红光谱段偏移,且峰值处遥感反射率数值较高,主要是由于湾口水体浊度相对较高导致,同时,由于受到高含量有机碎屑的强吸收作用,I、K站在蓝绿波段的遥感反射率偏低[23]。受浮游植物调节,海湾内部水体的最大反射率峰值大多出现在绿光波段(B3),仅B站出现在蓝光波段(B2);受浮游植物和悬浮无机物调节,湾口水体I站和K站的最大反射率峰值出现在红光波段(B4)。Sentinel-2 MSI的8个波段(由于900~2 390 nm波段的实测遥感反射率整体极低,故未在图中展示)基本能够代表象山港水体的光谱特征。
图2 象山港11个站点实测遥感反射率曲线

(粉色矩形区域代表Sentinel-2 MSI的8个波段范围,图顶端为波段序号;实心圆点代表各波段中心波长。)

Fig.2 Curve of in situ remote sensing reflectance of eleven stations in Xiangshan Bay

(The pink rectangular areas represent the range of 8 bands of Sentinel-2 MSI, with band numbers at the top of the figure, and the solid dots represent the center wavelengths of each band.)

2.2 遥感模型的构建与验证

大多数的机器学习方法需要大量数据集进行模型训练,而在实际研究中,尤其是针对小尺度区域的遥感反演研究,可获取的样本数量极为有限,大多数机器学习算法容易出现过拟合现象。针对这一问题,相关学者提出了支持向量机(support vector machine, SVM)算法,用于针对小样本数据集的回归分析研究。
在SVM的回归过程中起决定作用的是支持向量,在增加样本时,如果只是无效约束样本,并不会影响最后的结果。此外,SVM对于过拟合也有很好的抵抗性[24]。众多研究表明,SVM是在小样本条件下表现较佳性能,提高泛化能力的机器学习方法[25-26]。如YANG et al[25]通过SVM算法以及96组实测数据,对滇池区域湖表面温度进行反演,分析了湖面温度与水质参数的时空变化特征。KIM et al[26]基于SVM算法,结合63组实测数据,反演了韩国西海岸叶绿素-a质量浓度和悬浮颗粒物参数,对近岸水质进行了监测。实验结果表明,针对该研究所使用的随机森林、Cubist 以及SVM三种方法中,SVM的反演效果最好。因此,基于本研究的匹配策略,可以认为SVM回归算法与本研究的样本数据特征具有良好的适配性。
进行SVM模型构建时,首先采用相关性分析选择最优输入参数。由于Band10~Band12遥感反射率值整体较低,存在较大误差,故予以排除。考虑的输入参数包括Band1~Band9的遥感反射率及波段间的遥感反射率比值(各参数相关性见图3)。由于不同波段遥感反射率比值之间存在冗余现象,波段遥感反射率比值仅选择与pCO2相关性最高的一项(Band1/Band3)。最终确定的模型输入参数为Band1/Band3、Band3、Band2、Band4、Band1、Band5,相关系数r分别为0.94、-0.94、-0.92、-0.88、-0.86、-0.85。
图3 pCO2与主要波段和波段比值遥感反射率的相关性矩阵图

Fig.3 Correlation matrix of pCO2 and remote sensing reflectance at major bands and band ratio

在所有151组实测pCO2与遥感反射率匹配数据中,随机选取70%作为算法构建的训练集,30%作为算法验证集。在进行SVM参数设置时,采用5折交叉验证来防止过拟合情况出现:核函数选择高斯核函数,超参数cgamma的最佳值分别为5.66和0.70。SVM建模效果如图4所示,其中,训练集R2为0.95, RMSE为17.94 μatm,p<0.001(图4a);验证集R2为0.92, RMSE为23.23 μatm,p<0.001(图4b)。从图中可以看出,除部分散点偏离1∶1线外,大部分散点拟合效果良好,均匀分布于1∶1线附近。
图4 算法验证结果

(图4a和4b分别为SVM训练集和验证集建模及验证结果,图中黑色直线为1∶1直线,橙色直线为整体拟合曲线。图4c和4d分别为走航实测(2021年11月10日)及遥感反演(2021年11月11日)的pCO2结果。图4e为对应经度下实测pCO2与反演pCO2的结果对比。)

Fig.4 Algorithm validation result

(Fig.4a and fig.4b are modeling and validation results of the SVM training and validation dataset. The black straight line is the 1∶1 line; The orange line is the overall fitted curve. Fig.4c and fig.4d are pCO2 results of in situ measurement (Nov. 10, 2021) and satellite retrieval (Nov. 11, 2021), respectively. Fig.4e is the comparison between in situ pCO2 and satellite-derived pCO2 at corresponding longitude.)

遥感反演pCO2的空间分布(图4d)与实测值(图4c)具有很好的一致性,整体呈现由湾顶向湾口逐步下降的趋势。在横山岛至中央山岛海域出现pCO2的最大值。从图中也可以看出,在小屠岱至象山港大桥一带,遥感反演结果略高于实测结果,而在湾外则略低于实测结果,这可能是因为实测和遥感2天间隔的潮位略有变化造成的。将实测结果与遥感反演结果按照经度进行对比(图4e)发现,反演pCO2结果较为均匀地分布于实测值附近, 说明模型效果良好。

2.3 象山港秋季海表pCO2时空分布

2021年11月10日的象山港走航实测pCO2数值在487.16~729.15 μatm 之间,平均值为596.90 μatm;SST数值在19.19~21.08 ℃之间,平均值为20.13 ℃。对pCO2按实测海表平均温度归一化后,得到NpCO2变化范围为482.03~733.13 μatm,平均值为595.69 μatm,pCO2与NpCO2相差不大,说明温度热力学作用不显著。根据走航实测pCO2分布(图4c)可以初步得出,象山港海表pCO2的空间变化为由湾顶向湾口逐步减小,最大值出现在象山港湾顶的横山岛至中央山岛的狭长海域。
2017—2021年秋季pCO2遥感反演结果见图5图6。象山港秋季整体pCO2均呈现出由湾顶向湾口逐步减小的趋势,均值为514.56 μatm。为方便计算及分析讨论,根据象山港的水体光谱特征,以象山港大桥(图5图6中黑色加粗线)为界,将象山港分为湾内及湾外两部分。其中,湾内pCO2均值为551.94 μatm,湾外pCO2均值为477.19 μatm。夏威夷Mauna Loa天文观测台记录的2021年11月大气pCO2水平为407.76 μatm,虽然近海大气CO2浓度会更高,但可以看出象山港湾内水体整体上表现为CO2的源区。
图5 2017—2021年秋季象山港Sentinel-2 MSI pCO2遥感反演结果(a、c、e、g、i、k)与邻近时间Landsat-8 OLI遥感SST空间分布(b、d、f、h、j、l)

(红色闪电代表大唐乌沙山发电厂位置。)

Fig.5 Spatial distribution of Sentinel-2 MSI satellite-derived pCO2 (a, c, e, g, i, k) and Landsat-8 OLI SST (b, d, f, h, j, l) of adjacent time in Xiangshan Bay in autumn 2017-2021

(Red lightning represents the location of Datang power Plant.)

图6 2017—2021年秋季象山港pCO2遥感反演空间分布

(红色闪电代表大唐乌沙山发电厂位置。)

Fig.6 Spatial distribution of satellite-derived pCO2 in Xiangshan Bay in autumn 2017-2021

(Red lightning represents the location of Datang power Plant.)

遥感结果表明,象山港pCO2极大值通常出现在靠近湾顶的横山岛附近及湾中小屠岱至象山港大桥的狭长水域,其中,各个年份中的最大值出现在2017年的湾顶位置;极小值通常出现在湾顶强蛟镇附近及湾外部分水体,在2017年、2020年、2021年也于西沪港观测到pCO2极小值(极值点位置标注在图1中)。由于海湾存在较大的潮汐等水动力和生物地球化学变异性,pCO2的年、月变化,甚至日变化均较大,这种差异同样也体现在温度变化上。将对应日期最接近的温度与pCO2结果进行对比发现(图5),温度高低与pCO2变化具有一定的一致性,这种一致性将在后续进行详细讨论。

3 影响机制讨论

3.1 基于实测数据的pCO2影响机制分析

近岸海表pCO2分布主要受控于温度、盐度、生物活动、河流输入、海水碳酸盐性质(如DIC、总碱度变化等)[27-28]。此外,还受到其他过程的影响,如SHIM et al[29]认为在近岸区,长江口北部海水表层pCO2主要受海水混合及上升流的影响。在此,本研究主要探讨海水温度、盐度、生物活动对表层pCO2的影响。
温度对pCO2分布的影响主要体现在温度热力学作用上。当无外部水体交换时,海水碳酸盐体系平衡受温度影响而发生改变,pCO2随温度的升高而升高[30]。由走航观测结果可知,2021年11月象山港SST位于19.19~21.08 ℃之间,平均值为20.13 ℃(图7a);SST与pCO2整体呈现正相关关系,决定系数R2为0.51。湾口水体受来自东海的外源海水输入影响,且实测数据大部分来自涨潮期间,因此,航次中温度的最低值也分布于此;而湾顶水体,由于深入内陆,受陆源输入影响较大,其pCO2影响机制与湾外存在差异。因此,如将最靠近湾顶(图7b中红色实心点)及湾口(图7b中蓝色实心点)的值去除后进行拟合,SST与pCO2的决定系数R2可以达到0.84。由此可见,温度是秋季象山港pCO2的一个重要影响因子,且温度对pCO2的影响主要体现在碳酸盐体系热力学作用上。此外,研究水域还受到当地电厂(大唐乌沙山发电厂)温排水的影响,多幅遥感影像中均在大唐乌沙山发电厂周围出现温度的局部高值(图5b5d5f),同时,多年pCO2结果也于该处附近呈现高值(图6e6f6g),2021年该高值区范围减小,可能与温排水扩散范围改变有关。
图7 2021年11月10日象山港现场走航观测要素分布及其与pCO2相关性分析

(图7a7c7e分别为走航测量的SST、盐度、溶解氧饱和度的空间分布;图7bpCO2与SST的相关性,其中红色与蓝色点分别代表最靠近湾口与湾顶的数据;图7d和7f分别为NpCO2与盐度、溶解氧饱和度的相关性。图中黑色直线为全部数据拟合曲线,红色虚线为去除圆圈内数据的拟合曲线。)

Fig.7 Spatial distribution of underway measured parameters and their correlations with pCO2 in Xiangshan Bay in Nov. 10, 2021

(Fig.7a, fig.7c and fig.7e are the spatial distribution of SST, salinity and dissolved oxygen saturation, respectively. Fig.7b is the correlation between pCO2 and SST and the red and blue dots represent the data closest to the mouth and top of the bay. Fig.7d and fig.7f are the correlation between NpCO2 and salinity and dissolved oxygen saturation. The black straight lines are the fitting curves of total data, and the red dashed line is the fitting curve with the data in circles removed.)

盐度增加会使海水离子浓度增大,导致碳酸盐电离度降低,从而使氢离子的活度系数及活度减小, pH增加;此外,海水CO2溶解度随盐度的增加而降低。上述两个因素均会导致 pCO2随盐度的升高而减小。从实测数据来看,2021年11月象山港海水表层盐度为20.10~25.94,均值为22.51(图7c)。象山港形状狭长,湾顶海水与东海海水的交换作用较弱,且受陆地径流的影响,盐度较低,pCO2较高。自湾顶向湾口,随着湾内水体与湾外水体的交换作用加强,盐度逐渐升高,pCO2最低值分布于湾口高盐区域。为分析盐度与 pCO2的关系,将温度归一化至海表平均温度20.13 ℃,探讨NpCO2与盐度的关系。由图7d可以看出,盐度与NpCO2存在良好的负相关关系,说明盐度所表示的混合作用也是该地区pCO2的主要调控因子之一。
表层溶解氧饱和度是水体中生物光合作用与呼吸作用的重要指标,可表征生物活动,使用该指标可以讨论海表pCO2对生物作用的响应。2021年11月象山港海水溶解氧饱和度较低,变化范围为79.74% ~86.78%,平均值为83.39%(图7e),整体上呈现氧亏损状态,表明海水存在有机质降解过程,消耗水体中的溶解氧,释放CO2导致pCO2升高。溶解氧饱和度最高值分布在湾口区域,由于湾口受外海水体影响大,水体浊度较低,有适宜的光照条件,利于浮游植物利用充足的陆源营养物质进行光合作用,消耗DIC,释放氧气,使pCO2减少[31]。可以看出,秋季象山港溶解氧饱和度与NpCO2呈现良好的负相关关系(图7f),说明生物活动也是调控该区域pCO2的主要因子之一。

3.2 基于遥感反演结果的pCO2影响机制分析

遥感可以获得湾内大范围长时序的数据,本节针对湾内、湾外两个区域,分别分析潮汐作用控制下水体混合作用和SST变化对pCO2的影响。水体混合作用以平均潮高表示,湾内、湾外分别选用西泽潮位站和梅山潮位站(位置见图1)数据。由于Sentinel-2卫星过境时间为10:29,因此,卫星影像对应的平均潮高取最接近的10:00和11:00的潮高均值。此外, Landsat卫星的SST数据按照最接近的时间与Sentinel-2卫星的pCO2数据对应。
潮汐作用一方面通过水交换使湾外盐度较高的水体与湾内盐度较低的水体混合,影响pCO2变化;另一方面,潮汐作用也可以影响水体存留时间,水体存留时间较短,则有机物无法彻底分解,进而会对pCO2产生影响[31]。从图8可以看出, 除部分影像(如2018年9月28日、2021年9月17日)受湾内有效数据量限制,致使湾内pCO2平均值偏高或偏低外,整体来看,pCO2与平均潮高具有较为一致的变化趋势,且这一趋势在湾外水体中体现得更为明显。
图8 基于遥感数据的象山港秋季pCO2影响机制分析

Fig.8 Analysis of mechanism affecting satellite-derived pCO2in Xiangshan Bay in autumn

2021年11月航次测得的象山港海水表层盐度为20.10~25.94,均值为22.51。由于湾内盐度梯度较小,且象山港四周无大型河流,陆地径流输入较小,因此,湾外海水在潮汐作用下向湾内的混合占据主导作用。在涨潮时,由于湾外高盐、低pCO2海水涌入,导致湾内pCO2下降;而在落潮时,外海水影响减小,湾内受高有机质矿化作用影响的高pCO2海水占据主体,pCO2升高。因此,潮汐影响下的水体混合作用(盐度变化)是影响秋季象山港pCO2的主要控制因素之一。除此之外,从图8中也可以看出,温度对pCO2分布也具有较为明显的影响,温度较低或较高时,pCO2也分别出现一定的回落或上升现象,但由于温度的日变化较大,且目前遥感影像有效数据较少,后续还需进一步收集更多的数据进行深入分析。

4 结论

近海海湾海-气CO2通量变化的影响机制极其复杂,且海湾空间尺度小,需要使用宽波段的高空间分辨率遥感进行监测评估,相对于传统公里级的水色卫星资料,近海海湾海表pCO2遥感反演具有极大的挑战性。本研究以秋季象山港为例,构建了30 m高空间分辨率的海湾海表pCO2遥感反演模型,并分析了其时空变化趋势。
基于2021年11月10日在象山港连续走航观测数据及Sentinel-2卫星遥感影像,结合SVM机器学习方法,建立了秋季象山港海表pCO2的遥感反演算法。模型训练集R2为0.95,RMSE为17.94 μatm;验证集R2为0.92,RMSE 为23.23 μatm。反演模型和遥感产品均具有较高的精度。
pCO2的遥感反演结果表明,2017—2021年,象山港秋季pCO2在空间上呈现从湾顶向湾口递减的趋势,pCO2整体均值为514.56 μatm,为大气CO2的源。 pCO2的极大值出现在靠近湾顶的横山岛附近及湾中小屠岱至象山港大桥的狭长水域,极小值出现在湾顶强蛟镇附近、西沪港及湾外部分水体。
结合实测走航观测数据及遥感数据分析了秋季象山港海表pCO2影响机制。整体来看,基于实测数据和遥感反演结果的机制分析结果基本吻合,二者均很好印证了潮汐引起的物理混合作用及温度是秋季象山港pCO2的主要控制因素之一。此外,基于实测数据的机制分析结果还表明,温度归一化后的pCO2与溶解氧饱和度具有良好的负相关关系,说明生物作用也是重要的控制因素之一。
本文研究了利用高空间分辨率卫星影像估算近海小尺度海湾海表pCO2的遥感反演方法,以象山港为例,初步获知了海湾海表pCO2时空分布及变化机制。受数据量限制和云及混合像元的影响,目前pCO2的反演可能仍存在一定的不确定性,对其进一步探索还需要更多针对该区域的长期监测数据,并需要完善遥感建模方式。在碳中和的背景下,省、市管辖海域和海湾的海水碳源汇格局评估尤为重要。目前针对港湾的此类研究还不多,我们的研究虽然仅有单个航次的数据,但构建的遥感反演方法及机制认识为后续海-气CO2通量大范围、长时序遥感监测奠定了良好基础。
[1]
FRIEDLINGSTEIN P, O’SULLIVAN M, JONES M W, et al. Global carbon budget 2022[J]. Earth System Science Data, 2022, 14: 4811-4900.

DOI

[2]
GRUBER N. Carbon at the coastal interface[J]. Nature, 2015, 517: 148-149.

DOI

[3]
LOHRENZ S E, CAI W J, CHAKRABORTY S, et al. Satellite estimation of coastal pCO2 and air-sea flux of carbon dioxide in the northern Gulf of Mexico[J]. Remote Sensing of Environment, 2018, 207: 71-83.

DOI

[4]
ETCHETO J, DANDONNEAU Y, BOUTIN J. Estimating the interannual variability of the air-sea CO2 flux in the east equatorial Pacific[J]. Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 1999, 24(5): 405-410.

DOI

[5]
ONO T, SAINO T, KURITA N, et al. Basin-scale extrapo-lation of shipboard pCO2 data by using satellite SST and Chl a[J]. International Journal of Remote Sensing, 2004, 25(19): 3803-3815.

DOI

[6]
LOHRENZ S E, CAI W J. Satellite ocean color assessment of air-sea fluxes of CO2 in a river-dominated coastal margin[J]. Geophysical Research Letters, 2006, 33(1): L01601.

[7]
JOSHI I D, WARD N D, D’SA E J, et al. Seasonal trends in surface pCO2 and air-sea CO2 fluxes in Apalachicola Bay, Florida, from VIIRS ocean color[J]. Journal of Geophysical Research: Biogeosciences, 2018, 123(8): 2466-2484.

DOI

[8]
TELSZEWSKI M, CHAZOTTES A, SCHUSTER U, et al. Estimating the monthly pCO2 distribution in the North Atlantic using a self-organizing neural network[J]. Biogeosciences, 2009, 6(8): 1405-1421.

DOI

[9]
BAI Y, CAI W J, HE X Q, et al. A mechanistic semi-analytical method for remotely sensing sea surface pCO2 river-dominated coastal oceans: A case study from the East China Sea[J]. Journal of Geophysical Research: Oceans, 2015, 120(3): 2331-2349.

DOI

[10]
吕航宇, 白雁, 李骞, 等. 夏季珠江口海域海水CO2分压的卫星遥感反演[J]. 海洋学研究, 2018, 36(2):1-11.

DOI

H Y, BAI Y, LI Q, et al. Satellite remote sensing retrieval of aquatic pCO2 in summer in the Pearl River Estuary[J]. Journal of Marine Sciences, 2018, 36(2): 1-11.

[11]
SONG X L, BAI Y, CAI W J, et al. Remote sensing of sea surface pCO2 in the Bering Sea in summer based on a mechanistic semi-analytical algorithm (MeSAA)[J]. Remote Sensing, 2016, 8(7): 558.

DOI

[12]
LE C F, GAO Y Y, CAI W J, et al. Estimating summer sea surface pCO2 on a river-dominated continental shelf using a satellite-based semi-mechanistic model[J]. Remote Sensing of Environment, 2019, 225: 115-126.

DOI

[13]
XU P, MAO X Y, JIANG W S. Mapping tidal residual circulations in the outer Xiangshan Bay using a numerical model[J]. Journal of Marine Systems, 2016, 154: 181-191.

DOI

[14]
吴凡杰, 吴钢锋, 董平, 等. 基于三维水动力水质数值模型的象山港排污策略研究[J]. 海洋环境科学, 2021, 40(1):24-33.

WU F J, WU G F, DONG P, et al. An investigation of the pollutants discharge control strategies in Xiangshan Bay based on 3D hydrodynamic and water quality numerical modelling[J]. Marine Environmental Science, 2021, 40(1): 24-33.

[15]
张健, 李佳芮, 刘书明, 等. 象山港生态系统脆弱性及其评价体系构建[J]. 海洋学研究, 2017, 35(2):74-81.

DOI

ZHANG J, LI J R, LIU S M, et al. The vulnerability of ecosystem and evaluation system construction of Xiangshangang Bay[J]. Journal of Marine Sciences, 2017, 35(2): 74-81.

DOI

[16]
陈华伟, 吴卫飞. 象山港内新增网箱养殖污染物对海水水质的影响预测[J]. 渔业研究, 2021, 43(2):183-192.

DOI

CHEN H W, WU W F. Prediction of the influence of new cage culture pollutants on the seawater quality in Xiangshan Harbor[J]. Journal of Fisheries Research, 2021, 43(2): 183-192.

[17]
钱茹茹. 2001—2020年宁波近岸海域赤潮灾害特征分析[J]. 江苏海洋大学学报:自然科学版, 2022, 31(3):11-17.

QIAN R R. Analysis on the characteristics of red tide disaster in Ningbo coastal waters from 2001 to 2020[J]. Journal of Jiangsu Ocean University: Natural Science Edition, 2022, 31(3): 11-17.

[18]
BAI Y, PAN D L, CAI W J, et al. Remote sensing of salinity from satellite-derived CDOM in the Changjiang River dominated East China Sea[J]. Journal of Geophysical Research: Oceans, 2013, 118(1): 227-243.

DOI

[19]
WEISS R F. Carbon dioxide in water and seawater: The solubility of a non-ideal gas[J]. Marine Chemistry, 1974, 2(3): 203-215.

DOI

[20]
TAKAHASHI T, OLAFSSON J, GODDARD J G, et al. Seasonal variation of CO2 and nutrients in the high-latitude surface oceans: A comparative study[J]. Global Biogeo-chemical Cycles, 1993, 7(4): 843-878.

[21]
国家海洋局. 海洋调查规范第4部分:海水化学要素调查: GB/T 12763.4—2007[S]. 2007.

State Oceanic Administration. Specifications for oceanographic survey—Part 4: Survey of chemical parameters in sea water: GB/T 12763.4—2007[S]. 2007.

[22]
陈楚群, 潘志林, 施平. 海水光谱模拟及其在黄色物质遥感反演中的应用[J]. 热带海洋学报, 2003, 22(5):33-39.

CHEN C Q, PAN Z L, SHI P. Simulation of sea water reflectance and its application in retrieval of yellow substance by remote sensing data[J]. Journal of Tropical Oceanography, 2003, 22(5): 33-39.

[23]
LI T, ZHU B Z, CAO F, et al. Monitoring changes in the transparency of the largest reservoir in Eastern China in the past decade, 2013-2020[J]. Remote Sensing, 2021, 13(13): 2570.

DOI

[24]
WANG X Y, ZHONG Y X. Statistical learning theory and state of the art in SVM[C]// Proceedings of the second IEEE International Conference on Cognitive Informatics, 2003: 55-59.

[25]
YANG K, YU Z Y, LUO Y, et al. Spatial and temporal variations in the relationship between lake water surface temperatures and water quality-A case study of Dianchi Lake[J]. Science of the Total Environment, 2018, 624: 859-871.

DOI

[26]
KIM Y H, IM J, HA H K, et al. Machine learning approaches to coastal water quality monitoring using GOCI satellite data[J]. GIScience & Remote Sensing, 2014, 51(2): 158-174.

[27]
FRIEDRICH T, OSCHLIES A. Neural network-based estimates of North Atlantic surface pCO2 from satellite data: A methodological study[J]. Journal of Geophysical Research, 2009, 114(C3): C03020.

[28]
黄菊, 高郭平, 程天宇, 等. 2015年冬季南黄海水文特征及海-气CO2通量分析[J]. 上海海洋大学学报, 2017, 26(5):757-765.

HUANG J, GAO G P, CHENG T Y, et al. Hydrological features and air-sea CO2 fluxes of the Southern Yellow Sea in the winter of 2015[J]. Journal of Shanghai Ocean University, 2017, 26(5): 757-765.

[29]
SHIM J, KIM D, KANG Y C, et al. Seasonal variations in pCO2 and its controlling factors in surface seawater of the northern East China Sea[J]. Continental Shelf Research, 2007, 27(20): 2623-2636.

DOI

[30]
张龙军. 东海海-气界面CO2通量研究[D]. 青岛: 中国海洋大学, 2003.

ZHANG L J. The study on the CO2 flux at the sea-air interface over the East China Sea[D]. Qingdao: Ocean University of China, 2003.

[31]
石晓勇, 陆茸, 张传松, 等. 长江口邻近海域溶解氧分布特征及主要影响因素[J]. 中国海洋大学学报:自然科学版, 2006, 36(2):287-290,294.

SHI X Y, LU R, ZHANG C S, et al. Distribution and main influence factors process of dissolved oxygen in the adjacent area of the Changjiang Estuary in autumn[J]. Periodical of Ocean University of China, 2006, 36(2): 287-290, 294.

文章导航

/