海洋学研究 >

2023 , Vol. 41 >Issue 3: 1 - 13

DOI: https://doi.org/10.3969/j.issn.1001-909X.2023.03.001

研究论文

海水硝酸盐跃层深度计算方法研究

  • 孟宇 , 1, 2 ,
  • 陈双玲 , 1, 2, *
展开
  • 1.自然资源部第二海洋研究所,浙江 杭州 310012
  • 2.卫星海洋环境动力学国家重点实验室, 浙江 杭州 310012
*陈双玲(1988—),女,副研究员,主要从事水色卫星遥感和海洋碳循环方面的研究,E-mail: 。

孟宇(1999—),女,山东省德州市人,主要从事卫星遥感反演海洋新生产力方面的研究,E-mail:。

Copy editor: 段焱

收稿日期: 2023-01-19

  修回日期: 2023-05-23

  网络出版日期: 2023-10-24

基金资助

国家自然科学基金项目(42030708)

国家自然科学基金项目(42276184)

国家自然科学基金项目(41906159)

收起

Quantification of nitracline depth in seawater

  • MENG Yu , 1, 2 ,
  • CHEN Shuangling , 1, 2, *
Expand
  • 1. Second Institute of Oceanography, MNR, Hangzhou 310012, China
  • 2. State Key Laboratory of Satellite Ocean Environmental Dynamics, Hangzhou 310012, China

Received date: 2023-01-19

  Revised date: 2023-05-23

  Online published: 2023-10-24

Fold

摘要

硝酸盐是海洋中浮游植物生命活动可利用的主要氮形态,其跃层深度(ZN)会直接影响硝酸盐垂向输送、海洋初级生产力以及海洋碳循环。随着海洋观测技术的不断发展,硝酸盐剖面数据的采集呈现多样化,包括船基CTD观测和生物地球化学浮标BGC-Argo自动观测等,且垂向采样分辨率差异较大(CTD较低,BGC-Argo较高)。针对不同采样数据,亟需对硝酸盐跃层深度计算方法进行系统且定量化的对比分析研究。本文利用西北太平洋历史船测CTD数据和BGC-Argo浮标数据,采用差值法、梯度法和阈值法分别计算对应硝酸盐跃层深度。研究结果表明:就单一硝酸盐剖面,基于BGC-Argo数据,差值法计算的ZN与目视解译的ZN相差仅为0.2 m,阈值法次之为20.0 m,梯度法相差最大为202.8 m;基于CTD数据,差值法计算的ZN与目视解译的ZN相差2.0 m,阈值法相差49.0 m,梯度法相差155.0 m。相较于梯度法和阈值法,差值法计算的ZN与目视解译的ZN相差最小。根据误差统计分析结果发现,基于BGC-Argo数据,三种方法计算得到的ZN与目视解译的ZN均呈现良好相关性,其中差值法计算结果误差最小(R2为0.77,RMSE为28.48 m),阈值法的R2为0.64,RMSE为34.85 m,梯度法的R2为0.52,RMSE为53.80 m;对于CTD数据,由于其垂向采样分辨率较低,三种方法计算得到的ZN与目视解译的ZN相差较大,但相比于梯度法和阈值法,差值法的误差仍最小(R2为0.81,RMSE为16.13 m),阈值法的R2为0.47,RMSE为27.65 m,梯度法的R2为0.42,RMSE为36.41 m。通过对比分析各方法的特点和差异性,初步探究了各方法的适用性,可为深入研究硝酸盐垂向分布特征和向上输运过程提供科学参考。

关键词： 硝酸盐跃层深度; 梯度法; 差值法; 阈值法; 西北太平洋; BGC-Argo; CTD

本文引用格式

孟宇 , 陈双玲 . 海水硝酸盐跃层深度计算方法研究[J]. 海洋学研究, 2023 , 41(3) : 1 -13 . DOI: 10.3969/j.issn.1001-909X.2023.03.001

Abstract

Nitrate is the main nitrogen form available for phytoplankton life activities in the ocean, and its nitracline depth (ZN) directly affects the vertical transport of nitrate and the ocean primary productivity, and then further influences the carbon cycle. With the advancement of ocean observation technologies, the profile data of nitrate have been collected in diversified ways, such as ship-based CTD observations and BGC-Argo automatic observations. The vertical sampling resolution of these techniques varies significantly (the vertical sampling resolution of CTD is lower than that of BGC-Argo). In view of different sampling data, it is urgent to conduct systematic and quantitative comparative analysis and study on the computing methods of ZN. In this study, three different methods: difference method, gradient method and threshold method, are adopted to compute the corresponding ZN by using the historical ship-based CTD data and BGC-Argo buoy data in the Northwest Pacific Ocean. The results show that in the case of single nitrate profile, based on BGC-Argo data, the difference between observed ZN and the ZN calculated by difference method is only 0.2 m, followed by threshold method is 20.0 m and gradient method is 202.8 m at most. Based on CTD data, the difference between observed ZN and ZN calculated by difference method is 2.0 m, the threshold method is 49.0 m, and the gradient method is 155.0 m. Compared with the gradient method and threshold method, the difference between the ZN calculated by the difference method and the observed ZN is the smallest. According to the results of statistical error analysis, it is found that the ZN calculated by the three methods based on BGC-Argo data show a good correlation with the observed ZN. Among them, the error of difference method is the smallest (R2=0.77, RMSE=28.48 m). The R2 and RMSE of threshold method are 0.64 and 34.85 m, and the R2 and RMSE of gradient method are 0.52 and 53.80 m. For CTD data, due to its low vertical sampling resolution, the ZN calculated by the three methods is quite different from the observed ZN. However, compared with the gradient method and threshold method, the error of the difference method is still the smallest (R2=0.81, RMSE =16.13 m). The R2 and RMSE of threshold method are 0.47 and 27.65 m, and the R2 and RMSE of gradient method are 0.42 and 36.41 m. The applicability of each method is preliminarily explored through comparing and analyzing the characteristics and differences of them so as to provide some scientific reference for the in-depth research on the vertical distribution characteristics and upward transport process of nitrate.

Key words： nitracline depth; gradient method; difference method; threshold method; Northwest Pacific; BGC-Argo; CTD

0 引言

硝酸盐是海洋中浮游植物赖以生长的重要营养盐,其含量和变化直接影响海洋初级生产力[1]。海洋上层硝酸盐主要来源于混合层内光合作用导致的有机物再矿化和混合层以下硝酸盐的垂向输送[2]。硝酸盐垂向输送所供给的氮为外源氮,所支持的初级生产力被称为海洋新生产力。海洋新生产力在很大程度上决定了海洋有效碳输出,是海洋碳循环研究的重要组成部分[3⇓-5]。随着全球变暖和海洋层化加剧,硝酸盐的垂向输送和海洋新生产力的变化是当前海洋学研究中备受关注的重要科学问题,其中,评估硝酸盐垂向输送首先需要准确量化硝酸盐跃层深度[6]。从垂向来看,硝酸盐在海水表层被浮游植物吸收利用,在混合层内几乎呈均匀分布,而在混合层以下一定深度范围内,通过有机物再矿化作用,硝酸盐浓度随深度急剧增加,并形成显著的垂向梯度,这一水层被称为硝酸盐跃层[7⇓-9]。硝酸盐跃层上边界深度即为硝酸盐跃层深度(ZN,单位:m)。硝酸盐跃层深度反映了海洋深层营养盐向上供应的情况[10-11],其变化会直接影响上层海水硝酸盐浓度,是评估硝酸盐向透光区输送情况的关键参数[12⇓-14]。
近年来有不少利用硝酸盐跃层深度进行的研究,例如GOES等[15]通过确定硝酸盐跃层深度与海表面温度的关系,利用实测和遥感数据评估了北太平洋海洋新生产力;CERMEÑO等[11]利用1995—1997年间四次大西洋经向航行获得的采样数据,确定大西洋球石藻与硅藻的生物量比值与硝酸盐跃层深度密切相关,且随硝酸盐跃层深度增加,球石藻生物量相对硅藻迅速上升到优势地位;PAINTER等[16]利用2011年8—9月在北大西洋东部海区采集的CTD剖面数据计算发现,该海区硝酸盐跃层深度处的硝酸盐平均利用率通常比海表面高十倍,且硝酸盐跃层深度的变化会对该海区微微型浮游生物的分布产生影响;PASQUERON等[17]利用在地中海地区收集的历史船测CTD数据以及五台Bio-Argo浮标数据,证实地中海地区硝酸盐跃层深度自西向东逐渐加深,且硝酸盐跃层深度在营养物质循环中起到重要作用;WEN等[18]利用2019年热带北太平洋西部船测CTD数据和生物采样数据,发现硝酸盐跃层深度是影响热带北太平洋西部固氮生物群落形成以及固氮速率的关键因素之一。
鉴于硝酸盐跃层深度在科学研究中的重要作用,对其进行准确计算至关重要。目前,对硝酸盐跃层深度进行客观计算的方法概括起来可分为三种:1)差值法,以混合层深度(mixed-layer depth,MLD)作为重要参考深度,计算混合层以下硝酸盐浓度超过混合层硝酸盐浓度一定值的最浅深度;2)梯度法,计算混合层以下一定深度范围内硝酸盐浓度随深度变化速率最大的深度;3)阈值法,在同一海区内,计算混合层以下一定深度范围内硝酸盐浓度和海水位势密度均达到固定阈值的深度。除上述三种主流计算方法外,目视解译法通过人工目视解译对硝酸盐剖面逐个进行合理解读,通常能够较为准确地识别每条硝酸盐剖面中的硝酸盐跃层深度,是一种相对准确的判别方法。但由于目视解译法不能实现自动化批处理,在海洋观测数据日益剧增的背景下,该方法显然是不切实际的数据处理方法。对比之下,另外三种计算方法相对客观,可以通过计算机编程手段实现海量数据批处理,但这三种方法的可适用性亟需进行定量评估。
另外,上述三种计算方法得到的硝酸盐跃层深度数值含义是不同的。硝酸盐跃层的存在不利于硝酸盐的垂向输运[10-11],但从硝酸盐跃层上边界开始,硝酸盐浓度随深度迅速增加刺激了浮游植物生长[9],使得硝酸盐跃层中往往存在叶绿素最大值层。因此差值法和阈值法是从生物/生态学角度评价硝酸盐的垂向输运,而梯度法则是分析硝酸盐剖面的垂向变化特征,仅从物理海洋学的角度评价硝酸盐的垂向输运,所得深度为单纯物理学意义上的硝酸盐跃层深度。如LAANEMETS等[19]基于350余条历史船测CTD剖面数据,利用差值法计算得到芬兰湾西部1992—1999年平均硝酸盐跃层深度为24.5 m;MAYOT等[20]利用格陵兰海中北部两台BGC-Argo浮标的数据,通过求解硝酸盐浓度随深度的一阶导数最大值,计算确定2012年和2014年硝酸盐跃层深度分别为37.0 m和31.0 m;PASQUERON等[17]设定硝酸盐跃层深度为监测到硝酸盐浓度大于1.00 mmol/m3的首个深度,利用在地中海地区收集的历史船测CTD数据和Bio-Argo浮标数据,计算发现地中海海区最东部硝酸盐跃层深度比最西部的深约90 m。
上述研究多针对单一硝酸盐跃层深度计算方法,缺乏不同方法之间的对比分析。随着海洋观测技术手段的不断发展,硝酸盐剖面数据的采集也呈多样化,亟需对不同硝酸盐跃层深度计算方法进行系统且定量化的对比分析研究,以规范对不同硝酸盐剖面数据的处理和应用。鉴于此,本文聚焦西北太平洋,将上述三种计算方法分别应用到历史船测CTD数据和漂流浮标BGC-Argo数据,计算求解对应的硝酸盐跃层深度。同时,将目视解译法作为辅助判别验证方法,衡量三种计算方法的优缺点和差异性,初步探究各方法的适用性,为深入研究硝酸盐垂向分布特征和向上输运过程提供科学参考。

1 材料与方法

1.1 研究海域概况

西北太平洋海域宽阔,具有独特的地理位置和海洋环境,受大洋环流主导。其中,黑潮和亲潮是北太平洋西部的两股强劲海流,对西北太平洋及其附近海域的物质交换、气候以及生态环境产生重要影响[21-22]。黑潮起源于北赤道流,经吕宋海峡沿台湾岛东岸进入东海,当其北上从日本东部脱离进入开阔大洋后被称为黑潮延伸体[23]。黑潮是由南向北的暖流,具有高温、高盐的特点,黑潮延伸体由于其特殊的地理格局、丰富的陆源物质输入以及活跃的海洋动力过程,成为跨圈层物质能量循环以及营养盐输运的最佳研究区[24]。亲潮是由北向南的寒流,具有低温、高含氧量的特点,与北上的黑潮交汇,汇聚了丰富的营养物质,形成了具有较高叶绿素质量浓度和初级生产力的黑潮与亲潮交汇区[25]。此外,西北太平洋的硝酸盐浓度整体呈现西北高,东南低的分布特点,且在25°N以北海域沿纬向分布,浓度随纬度增加而增大[26]。在人类活动影响下,通过大气沉降和河流输入的外源无机氮,也给西北太平洋上层硝酸盐分布和初级生产带来显著影响[27⇓⇓-30]。
现场观测到的硝酸盐剖面是不同海洋过程综合作用的结果,硝酸盐的垂向分布有时会受不同水团水平运动的影响,使得硝酸盐垂向剖面呈多跃层形态。在西北太平洋副热带环流区没有水平外源氮输入,上层营养盐供给主要由垂向过程主导[31];而在黑潮延伸体区域,垂向和水平输运过程的相对重要性尚无定论,从历史的物理海洋研究来看,垂向过程和水平过程都很重要[32-33]。

1.2 数据与预处理

本文使用的CTD剖面数据来自美国国家环境信息中心(National Centers for Environmental Information,NCEI)制作的2018版世界海洋数据集(WOD18, https://www.nodc.noaa.gov/access/index.html),BGC-Argo数据来自BGC-Argo数据网站中心(https://biogeochemical-argo.org/)。温盐深剖面仪(conductivity-temperature-depth profiler,简称CTD剖面仪) 是获取CTD数据的仪器,通常从科考船的甲板上进行投放采样,极端天气难以完成采样。投放后,CTD以约0.5 m/s的速度降至定深,采水器通过加载预设的配置文件来决定其采水深度和回收深度。采样后,直读式CTD剖面仪有导线连接,以实时传输的方式将数据显示在用户端的电脑上;自容式CTD剖面仪则将数据暂时储存在内置的存储器中,待回收后进行读取[34⇓-36]。CTD剖面仪可以在0~2 000 m海水深度范围内进行采样,垂向采样间隔为0~300 m、300~1 000 m、1 000~2 000 m。BGC-Argo浮标是通过调节外部油囊体积来实现运动和自动化采样。浮标平时停留在1 000 m等密度层随深层洋流作中性漂流,达到程序设定时间后先下沉到2 000 m,然后在上升阶段进行观测,当浮标到达海面时,通过卫星将教据传回地面,然后接受新的指令,开始下一个循环。浮标上浮速率约为10 cm/s,剖面观测时间约为6 h,在0~2 000 m海水深度范围内进行采样,采样时间间隔为5~10天,观测深度、周期、采样率等参数都可自主设定, 在特殊情况下(捕捉台风、涡旋等过程)可根据科学任务实时做出调整[37⇓⇓-40]。根据研究需要,本文选用BGC-Argo浮标0~1 000 m内的采样数据,垂向采样间隔为0~100 m、100~500 m和500~1 000 m。
本文所用CTD数据来源于124个航次,同一航次采样时间间隔为1~5天,不同航次之间采样时间间隔不固定,短则数天,长则数月。CTD数据采样点的空间分布如图1a所示,总计3 526个采样站位,时间跨度为2002-01-18—2019-08-02。本文所用BGC-Argo数据采样点的空间分布如图1b所示,总计427个采样站位。其中,编号为5904034的浮标观测时间为2013-03-01—2017-02-24,共收集了275个采样站位的数据;另一台编号为5904035的浮标观测时间为2013-03-02—2015-04-13,共收集了152个采样站位的数据。
图1 实测数据采样站点空间分布图

Fig.1 Spatial distribution of the sampling stations of in-situ data

对上述数据进行预处理,剔除存在大范围缺测的剖面数据及剖面数据噪声,尽可能确保剖面数据采样的完整性和数据质量。具体步骤如下:1)检查剖面在10 m水深内有无数据记录,以确保所用剖面有表层观测数据。2)检查CTD和BGC-Argo两类数据在0~100 m、100~250 m和250~500 m内的垂向分辨率和数据采样点数,将所得数据采样点数取平均,剔除采样点数小于均值的剖面数据,以确保剖面数据在垂向500 m以内的连续性。上述数据统计显示,在0~100 m、100~250 m和250~500 m内CTD数据的垂向分辨率平均为25.8 m、37.2 m和77.6 m,对应数据采样点数平均为4个、4个和3个;BGC-Argo数据的垂向分辨率平均为5.9 m、10.5 m和11.5 m,对应数据采样点数平均为18个、14个和13个。3)针对满足上述条件的CTD数据,进行间隔为15 m的一维线性插值来合理填充剖面缺失的数据;针对BGC-Argo数据,进行垂向窗口为1×5的滑动平均,以剔除剖面数据存在的明显噪声,即剖面中存在的异常数据值。经上述预处理,最终得到383个CTD站位的剖面数据和159个BGC-Argo站位的剖面数据,分别占各自站位总数的10.86%和37.24%(表1)。利用预处理后的CTD和BGC-Argo站位的剖面数据开展研究,进行三种硝酸盐跃层深度方法的计算和结果对比分析。
表1 BGC-Argo和CTD站位数据统计

Tab.1 Data statistics of BGC-Argo and CTD sampling sites

数据类型 时间范围 总站位数/个 预处理后站位数/个 数据利用率/%
CTD 2002-01-18—2019-08-02 3 526 383 10.86
BGC-Argo 2013-03-01—2017-02-24 427 159 37.24

1.3 计算方法

本文采用的硝酸盐跃层深度计算方法包括差值法(图2a)、梯度法(图2b)和阈值法(图2c)。其中,差值法需要混合层深度作为重要参考,基于前人研究[19],本文采用密度判别法计算剖面的混合层深度。经实验对比分析,针对本文所选数据,以表层(10 m处)的位势密度作为初始参考值,将垂向密度差大于0.03 kg/m3的最浅深度定义为混合层深度[41],其结果准确性整体高于基于0.05 kg/m3位势密度差计算的混合层深度。
图2 三种硝酸盐跃层深度的计算方法示意图

(cMLD为剖面中混合层深度的硝酸盐浓度,ci为剖面上第i个数据点的硝酸盐浓度,ci-1为剖面上第i-1个数据点的硝酸盐浓度,Δc1为ci-1与cMLD的差值,Δc2为ci与cMLD的差值,d2c/d z i + 1 2为硝酸盐浓度的二阶导数剖面上第i+1个点对应数值,σi和 σ i - 1分别为剖面上第i个和第i-1个点的位势密度。)

Fig.2 Schematic diagrams of three nitracline depth calculation methods

(cMLD represents the nitrate concentration of the MLD point of the profile, ci represents the nitrate concentration of the ith data point of the profile, ci-1 is the nitrate concentration of the (i-1)th data point, Δc1 is the difference between ci-1 and cMLD, Δc2 is the difference between ci and cMLD, d2c/d z i + 1 2 is the (i+1)th data point on the second derivative profile of nitrate concentration, σi and σi-1 represent the potential density of the ith and (i-1)th point, respective.)

1.3.1 差值法

差值法最初由LAANEMETS等[19]提出,该方法选用混合层深度作为重要参考深度,计算混合层以下硝酸盐浓度超过混合层硝酸盐浓度0.05 mmol/m3的最浅深度,并将此深度认定为硝酸盐跃层深度。基于此,LAANEMETS等[19]针对350余条历史船测CTD剖面数据,计算得到芬兰湾西部1992—1999年平均硝酸盐跃层深度为24.5 m。其中,1996年的硝酸盐跃层深度最深为33.5 m,1999年的最浅为13.5 m[19]。
本研究采用LAANEMETS等[19]提出的差值法,计算混合层以下硝酸盐浓度超过混合层硝酸盐浓度0.05 mmol/m3的最浅深度作为硝酸盐跃层深度。如图2a所示,如果Δc1小于0.05 mmol/m3且Δc2大于0.05 mmol/m3,则数据点i所在深度为满足浓度差大于0.05 mmol/m3的最浅深度,该深度即为硝酸盐跃层深度。该方法需要准确评估混合层深度,基于混合层所在深度的硝酸盐浓度,理论上能够较为容易地确定硝酸盐跃层深度。

1.3.2 梯度法

EPPLEY等[7]提出混合层以下一定深度范围内硝酸盐浓度变化速率最大的深度即为硝酸盐跃层深度,该深度可通过求解硝酸盐浓度随深度变化的一阶导数最大值得到。2017年,GONG等[9]对梯度法进一步改进,他们认为硝酸盐垂向剖面在满足二阶导数等于0的基础上(d2c/dz2=0),需同时满足三阶导数小于0(d3c/dz3<0),据此计算得到的混合层以下最浅深度为硝酸盐跃层深度。基于此,GONG等[9]针对2012年夏季巡航观测SEATS站点获得的单条硝酸盐剖面数据,计算得到该站点的硝酸盐跃层深度为89.0 m。SEATS站点的硝酸盐跃层深度历史观测记录为20~90 m[42-43],该方法计算结果在历史观测范围内。
本研究利用GONG等[9]提出的二阶三阶导数法(二阶导数为0,三阶导数小于0)进行了硝酸盐跃层深度计算。此外,结合上述研究,还利用二阶导数最大值(即一阶导数变化最大的位置,也即“拐点”)来求取硝酸盐跃层深度。结果发现,基于二阶导数最大值所计算的硝酸盐跃层深度比基于二阶三阶导数法计算的误差更小。因此,本研究综合前人研究和相关实践,计算硝酸盐剖面随深度的二阶导数最大值以确定硝酸盐跃层深度。图2b为梯度法的示意图,其中数据点i+1所在深度为二阶导数最大值对应深度,数据点i所在深度则为硝酸盐跃层深度。

1.3.3 阈值法

CULLEN等[44]在1981年提出,硝酸盐跃层深度对应硝酸盐浓度最大垂向梯度,而在同一海区最大垂向梯度对应的硝酸盐浓度仅在小范围内波动,可用固定阈值估算得到硝酸盐跃层深度。基于此,CULLEN等[44]将阈值设为1.00 mmol/m3,利用1974—1979年在南加州湾获取的143条剖面数据,计算南加州湾近海的硝酸盐跃层深度为45.0 m。2020年,FUJIKI等[45]针对北太平洋亚热带西部的一个站点(30°N,145°E)研究发现,当硝酸盐浓度大于0.10 mmol/m3时,硝酸盐浓度和位势密度有很好的线性关系,提出同时设定海水位势密度阈值(24.81 kg/m3)和硝酸盐浓度阈值(0.10 mmol/m3),以定量评估硝酸盐跃层深度的计算方法。基于此,FUJIKI等[45]采用2012年7月—2013年3月船测CTD剖面数据,计算得到北太平洋副热带环流海区硝酸盐跃层深度,结果显示硝酸盐跃层深度在2013年3月最浅为10.0 m,在2012年12月最深为130.0 m[45]。
本研究采用FUJIKI 等[45]提出的双阈值法计算原理,通过敏感性实验确定位势密度的阈值为24.81 kg/m3,硝酸盐浓度的阈值为1.00 mmol/m3,计算硝酸盐剖面中同时满足两个阈值的最浅深度,且硝酸盐跃层深度需大于混合层深度。如图2c所示,数据点i-1处位势密度大于24.81 kg/m3但硝酸盐浓度小于1.00 mmol/m3,而数据点i所在深度的两个参数均达到阈值且深度大于混合层深度。根据上述方法原理,数据点i所在深度为同时满足两个设定条件的最浅深度,该深度即为硝酸盐跃层深度。

1.3.4 误差评估

针对每条硝酸盐剖面,采用人工目视解译三次求平均的方法判定并记录各剖面的硝酸盐跃层深度,将该深度与三种方法计算的硝酸盐跃层深度进行对比,并从统计角度对各方法的计算结果进行对比分析。其中,人工目视解译是指凭借人的眼睛,依靠解译者对于硝酸盐跃层深度概念的理解、硝酸盐浓度垂向变化的认知以及掌握的相关航次和浮标资料,通过分析、判断,提取每条剖面的硝酸盐跃层深度。从定义来看,人工目视解译判读结果是较为准确合理的。需要说明的是,人工目视解译方法会存在一定程度的主观性,但依据硝酸盐跃层深度的定义进行人工判定,并未倾向任何一种计算方法;而且,通过多次目视解译求平均的方法可以尽可能地减小判别误差。不同的解译者得出的结果可能存在差别,但这种差别与其他三种计算方法判别结果的差别相比,非常不显著。因此可将目视解译判读结果作为系统评价其他方法的标准。人工目视解译具体步骤如下。
1)准备工作:(i)计算每条剖面的混合层深度;(ii)绘制1 000 m深度范围内的硝酸盐浓度的垂向剖面图,并在剖面图上标记混合层深度。
2)初步解译:(i)通过人眼可识别到混合层标记点以下一定深度范围内,剖面呈现硝酸盐浓度随深度急剧增加的特性;(ii)标记并记录混合层以下300 m的深度位置,截取混合层标记点到该标记点范围内的数据,该部分剖面包含了硝酸盐跃层的上部分。需要说明的是,这里选择混合层以下300 m深度的范围进行剖面局部放大,是为了保障在充分看到硝酸盐跃层变化的前提下,更准确地判断硝酸盐跃层上边界的位置。
3)详细判读:(i)绘制截取深度范围内的硝酸盐剖面图(即硝酸盐跃层的上部分);(ii)人眼识别、标记并记录剖面曲线中硝酸盐浓度随深度急剧增加的初始深度。
4)重复验证:(i)针对每条剖面重复步骤1)~3)三次;(ii)对三次结果求平均值,确定硝酸盐跃层深度。
选取R2和RMSE作为误差统计指标。在统计学上,R2为决定系数;RMSE表示均方根误差,用于衡量估测值与真实值之间的偏差,并且对数据中的异常值较为敏感。若R2越接近1,RMSE越接近0,说明该方法计算结果与目视解译结果相差越小,准确度越高。R2和RMSE的计算公式如下:
R 2 = 1 - ∑ i = 1 n ( y i - y ︿ i ) 2 ∑ i = 1 n ( y i - y - i ) 2
R M S E = ∑ i = 1 n ( y i - y ︿ i ) 2 n
式中:   y i为目视解译值,   y ︿ i为三种方法的计算值,   y - i为目视解译值的平均值。

2 结果与验证

由上述三种计算方法,分别求解BGC-Argo和CTD两种采样剖面数据的硝酸盐跃层深度,并将三种方法的计算结果进行对比分析。对比包括两部分:其一,以单一硝酸盐剖面为例,对比展示各方法的计算结果和误差(图3);其二,将各计算方法应用到所有剖面数据,进行误差统计,以综合评估各计算方法的优劣性(图4)。
图3 针对单一剖面三种方法计算得到的硝酸盐跃层深度

Fig.3 The nitracline depth calculated by the three methods for a single profile

图4 三种方法计算的硝酸盐跃层深度与目视解译硝酸盐跃层深度的比较

(N为数据量,R2为决定系数,RMSE为均方根偏差。)

Fig.4 Comparison of the ZN calculated by the three methods with the observed ZN

(N is the amount of data, R2 is the coefficient of determination, and RMSE is the root mean square difference.)

2.1 差值法结果

针对BGC-Argo数据,以单一剖面为例,图3a所示剖面的混合层深度为93.6 m,该深度处硝酸盐浓度为0.02 mmol/m3;由差值法计算得到的硝酸盐跃层深度(后文简称ZN)为111.2 m,对应硝酸盐浓度为0.53 mmol/m3,该值与混合层深度处的相差0.51 mmol/m3。针对该剖面,采用目视解译判定的ZN为111.0 m,与差值法计算的ZN仅相差0.2 m。类似的,针对CTD数据,以单一剖面为例,图3b所示剖面的混合层深度为76.0 m,对应硝酸盐浓度为0.81 mmol/m3;差值法计算得到的ZN为152.0 m,该深度对应硝酸盐浓度为1.33 mmol/m3;目视解译判定的ZN为150.0 m,与差值法计算的ZN相差2.0 m。
将所有剖面计算得到的ZN与目视解译判定的ZN进行对比统计,结果显示:基于BGC-Argo数据,由差值法计算的ZN,其R2为0.77,RMSE为28.48 m(图4a);基于CTD数据,由差值法计算的ZN,其R2为0.81,RMSE为16.13 m(图4d)。

2.2 梯度法结果

针对BGC-Argo数据,以单一剖面为例(图3a),由梯度法计算得到的ZN为313.8 m,对应硝酸盐浓度为5.62 mmol/m3。针对该剖面,采用目视解译判定的ZN为111.0 m,与梯度法计算的ZN相差达到202.8 m。类似的,针对CTD数据,以单一剖面为例(图3b),由梯度法计算的ZN为305.0 m,对应硝酸盐浓度为11.33 mmol/m3;目视解译判定的ZN为150.0 m,与梯度法计算的ZN相差155.0 m。
统计结果显示:基于BGC-Argo数据,由梯度法计算的ZN,其R2为0.52,RMSE为53.80 m(图4b);基于CTD数据,由梯度法计算的ZN,其R2为0.42,RMSE为36.41 m(图4e)。

2.3 阈值法结果

针对BGC-Argo数据,以单一剖面为例(图3a),由阈值法计算得到的ZN为131.0 m,对应硝酸盐浓度为2.21 mmol/m3(该值大于1.00 mmol/m3),对应的位势密度为24.83 kg/m3(该值大于24.81 kg/m3)。针对该剖面,目视解译判定的ZN为111.0 m,与阈值法计算的ZN相差20.0 m。类似的,针对CTD数据,以单一剖面为例(图3b),阈值法计算得到的ZN为101.0 m,对应硝酸盐浓度为1.01 mmol/m3(该值大于1.00 mmol/m3),对应的位势密度为24.92 kg/m3(该值大于24.81 kg/m3);目视解译判定的ZN为150.0 m,与阈值法计算的ZN相差49.0 m。
统计结果显示:基于BGC-Argo数据,由阈值法计算的ZN,其R2为0.64,RMSE为34.85 m(图4c);基于CTD数据,由阈值法计算的ZN,其R2为0.47,RMSE为27.65 m(图4f)。

2.4 辅助验证

JOO 等[46]在日本海区域研究发现,ZN与海表面温度具有良好的拟合关系,可利用遥感数据实现海洋硝酸盐跃层深度的评估:
ZN=248.9-18.23×t+0.358 5×t2
式中:t为海表面温度。
本研究根据JOO模型对三种计算方法和目视解译法的准确性开展了辅助验证实验。对于日本海区域,选取经预处理操作筛选得到的45个数据站点,依据JOO模型,利用每个观测站点的海表面温度计算对应的ZN,将该结果分别与目视解译判别结果、差值法计算结果、阈值法计算结果、梯度法计算结果进行比较,计算R2和RMSE。统计分析显示(表2),R2为0.68~0.82,RMSE为14.06 ~20.06 m。其中,目视解译判别结果与JOO模型的计算结果最接近,差值法是三种计算方法中最优的(R2=0.78,RMSE=15.12 m),梯度法所得ZN的误差最大(R2=0.68,RMSE=20.06 m)。该结果辅助验证了目视解译结果的准确性和选择差值法浓度阈值为0.05 mmol/m3的合理性。
表2 JOO模型计算的硝酸盐跃层深度与目视解译以及其他三种方法计算结果的对比统计

Tab.2 Comparison of the ZN calculated by the JOO model with the results of observed and other three methods calculated

统计参数 目视解译法 差值法 阈值法 梯度法
R2 0.82 0.78 0.71 0.68
RMSE/m 14.06 15.12 19.05 20.06

3 讨论

本文旨在比较不同ZN计算方法的优劣性和普适性。在这一研究中,ZN的真实值是一个很重要的判断指标,但目前尚未有绝对客观的标准方法来识别ZN的真实值。本文仅根据ZN的定义,对每条剖面的ZN进行人工目视解译来确定ZN的相对参考值,并通过多次判别求平均的方式尽可能减小判别误差。需要说明的是,目视解译是根据定义进行的,所得判别结果并不倾向于任何一种计算方法。针对上述三种方法计算的ZN,本文的分析讨论包括三部分:其一,针对两种数据类型,讨论基于不同垂向分辨率数据计算结果的准确度;其二,针对三种计算方法,讨论各方法的优劣性和适用性;其三,针对差值法和阈值法的阈值设定进行敏感性实验,讨论根据不同阈值计算所得结果的差异性。
对于BGC-Argo数据,三种方法计算得到的R2均大于0.50,其中差值法的R2最大为0.77,阈值法的R2次之为0.64,梯度法的R2最小为0.52。差值法计算结果的RMSE最小为28.48 m,阈值法的次之为34.85 m,梯度法的最大为53.80 m。对于高垂向分辨率数据,三种方法计算得到的ZN与目视解译ZN均具有良好相关性,其中差值法相较其他两种方法计算得到的ZN与目视解译ZN差值最小。
针对历史船测CTD数据,本研究进行了间隔为15 m的一维线性插值,合理填充了剖面缺失的数据,相较于原始剖面数据,插值后的剖面数据在一定程度上提高了硝酸盐跃层深度的计算精度。其中差值法计算结果的R2最大为0.81,阈值法的R2次之为0.47,梯度法的R2最小为0.42;差值法计算结果的RMSE最小为16.13 m,阈值法的次之为27.65 m,梯度法的最大为36.41 m。对于较低垂向分辨率数据,分辨率精度对梯度法和阈值法的影响较大,对差值法影响较小。因此梯度法和阈值法的计算结果与目视解译结果相差较大,而差值法相差较小。BGC-Argo和CTD两种数据的垂向分辨率不同,依据CTD数据计算的ZN与目视解译的ZN的差值显著高于依据BGC-Argo数据计算的结果。
结合单一硝酸盐剖面计算结果(图3)和统计结果(图4)可知,差值法对数据垂向分辨率要求较低,适用性较强,但硝酸盐浓度差值的设定不仅受时间和研究区域的影响,也受人为主观因素的干扰,易引起ZN的偏差[19]。梯度法计算方法简单,不受主观因素影响,所得结果为单纯物理学意义上的ZN,但该方法对数据的垂向分辨率要求较高,而海洋硝酸盐的现场剖面观测多为离散采样,针对垂向采样频率较低的剖面,采用此方法计算ZN往往容易得到虚假跃层深度信息[9],此外,当硝酸盐剖面出现多段跃层时,计算的ZN往往和真实值相差较大。阈值法计算简单易行,对数据的垂向分辨率要求较低,可用于垂向分辨率较低的剖面数据,但不同海区情况不同,硝酸盐浓度差别显著,且双阈值的确定均带有一定程度的主观性,所以计算得到的ZN偏差通常较大[7,11]。上述三种方法中,梯度法根据硝酸盐剖面的垂向变化特征进行计算,理论上不存在区域差异性,而差值法和阈值法的计算精确度与阈值的设定息息相关,不同海区动力和生物地球化学过程都不同,选择合适的阈值至关重要。本研究中的阈值法参考的海水位势密度阈值(24.81 kg/m3)是FUJIKI 等[45]针对北太平洋亚热带西部的一个站点(30°N,145°E)所设定,该站点位于本文研究区域内,具有一定科学参考价值。差值法的参考阈值(0.05 mmol/m3)是LAANEMETS 等[19]针对芬兰湾近海上升流海区所设定;VAHTERA 等[47]针对芬兰湾西部开阔大洋海区,研究营养盐对混合层的输入作用,证明该阈值同样适用;HOIKKALA 等[48]利用阈值0.05 mmol/m3探究波罗的海北部海域营养盐对细菌生长的重要性,发现使用该阈值计算的结果与预期效果基本一致。
本文针对差值法和阈值法的阈值设定进行了敏感性实验,通过调整阈值,观察不同阈值计算结果的差异。针对差值法,本文利用BGC-Argo数据,以硝酸盐浓度步长为0.01 mmol/m3开展了5组敏感性实验,即浓度阈值分别为 0.07,0.06,0.05,0.04 和0.03 mmol/m3。每组实验结果分别与目视解译判别结果进行比较,计算R2和RMSE。结果显示,R2范围为0.68~0.77,RMSE范围为28.4~32.05 m。其中浓度阈值为0.07 mmol/m3时计算误差最大,浓度阈值为0.05 mmol/m3时计算误差最小,证明了本文选择硝酸盐浓度阈值为0.05 mmol/m3的合理性。
对于阈值法的敏感性实验,首先是针对位势密度阈值的敏感性实验,在保持硝酸盐浓度阈值为1.00 mmol/m3不变的前提下,利用BGC-Argo数据,以位势密度步长为0.10 kg/m3开展了5组敏感性实验,即分别以位势密度阈值为24.61,24.71,24.81,24.91和25.01 kg/m3来计算硝酸盐跃层深度,并与目视解译判别结果进行比较,计算R2和RMSE。结果显示,R2分别为0.635,0.639,0.644,0.641和0.637,RMSE分别为35.24,35.07,34.85,34.96和35.14 m。可见,位势密度阈值为 24.81 kg/m3所得ZN误差最小。其次是针对硝酸盐浓度阈值的敏感性实验,在保持位势密度阈值为24.81 kg/m3不变的前提下,开展了5组敏感性实验,分别选取硝酸盐浓度阈值为 0.50,0.90,1.00,1.10和1.50 mmol/m3来计算ZN。结果显示,R2范围为0.56~0.64,RMSE范围为34.85~36.81 m,其中浓度阈值为0.50 mmol/m3的计算误差最大,浓度阈值为1.00 mmol/m3的计算误差最小,证明了选择硝酸盐浓度阈值为1.00 mmol/m3的合理性。因此,阈值的确定应综合考虑具体数据的剖面特征、海区动力环境以及生物地球化学特性等多项要素,不同的海区可以考虑选用不同的阈值。

4 结论

本文在收集西北太平洋历史船测CTD数据和漂流浮标BGC-Argo数据的基础上,利用差值法、梯度法和阈值法分别计算硝酸盐跃层深度,并以人工目视解译判定的结果为参考标准进行了对比和分析。研究表明:
1)就三种计算方法而言,相较于梯度法和阈值法,差值法计算的ZN具有更高的适用性,与目视解译ZN相差较小。
2)就两种数据类型而言,基于BGC-Argo数据计算的ZN与目视解译ZN的差值显著小于基于CTD数据计算的结果,三种方法计算得到的ZN与目视解译ZN均呈现良好相关性,且差值法估算的ZN准确度最高;基于CTD数据,由于其垂向采样分辨率较低,三种方法计算得到的ZN与目视解译ZN相差较大,但相比于梯度法和阈值法,差值法的计算误差仍然最小。
本文仅针对西北太平洋对比分析了ZN的三种计算方法,得到一些有益的结论,但对于其他海区乃至全球大洋ZN的计算以及ZN计算方法精确度的提高和计算方式的创新还有待于进一步分析研究。

感谢美国国家环境信息中心(NCEI, https://www.nodc.noaa.gov/access/index.html)和BGC-Argo数据网站中心(https://biogeochemical-argo.org/)对本文有关CTD观测数据和BGC-Argo观测数据的支持,同时特别感谢两位匿名审稿人提出的宝贵审稿意见,帮助我们完善了实验设计并提升了论文质量。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张建平, 康建成, 任惠茹, 等. 东海北部营养盐分布的季节变化及成因探讨[J]. 海洋科学, 2010, 34(1):35-43.

ZHANG J P, KANG J C, REN H R, et al. Seasonal variation and causative analysis of nutrients distribution in the northern of the East China Sea[J]. Marine Sciences, 2010, 34(1): 35-43.

[2]
任玲, 杨军. 海洋中氮营养盐循环及其模型研究[J]. 地球科学进展, 2000, 15(1):58-64.

REN L, YANG J. Nitrogen nutrients cycling in marine environment and its modeling research[J]. Advance in Earth Sciences, 2000, 15(1): 58-64.

[3]
DUGDALE R C, GOERING J J. Uptake of new and regenerated forms of nitrogen in primary productivity[J]. Limnology and Oceanography, 1967, 12(2): 196-206.

DOI

[4]
EPPLEY R W, RENGER E H, HARRISON W G. Nitrate and phytoplankton production in southern California coastal waters[J]. Limnology and Oceanography, 1979, 24(3): 483-494.

DOI

[5]
焦念志, 王荣. 新生产力:一个新的海洋学研究领域[J]. 海洋与湖沼, 1993, 24(2):205-211.

JIAO N Z, WANG R. New production—a new research area of oceanography[J]. Oceanologia et Limnologia Sinica, 1993, 24(2): 205-211.

[6]
HICKMAN A E, MOORE C M, SHARPLES J, et al. Primary production and nitrate uptake within the seasonal thermocline of a stratified shelf sea[J]. Marine Ecology Progress Series, 2012, 463: 39-57.

DOI

[7]
EPPLEY R W, SAPIENZA C, RENGER E H. Gradients in phytoplankton stocks and nutrients off Southern California in 1974-76[J]. Estuarine and Coastal Marine Science, 1978, 7(3): 291-301.

DOI

[8]
OMAND M M, MAHADEVAN A. The shape of the oceanic nitracline[J]. Biogeosciences, 2015, 12(11): 3273-3287.

DOI

[9]
GONG X A, JIANG W S, WANG L H, et al. Analytical solution of the nitracline with the evolution of subsurface chlorophyll maximum in stratified water columns[J]. Biogeosciences, 2017, 14(9): 2371-2386.

DOI

[10]
BEHRENFELD M J, O’MALLEY R T, SIEGEL D A, et al. Climate-driven trends in contemporary ocean productivity[J]. Nature, 2006, 444(7120): 752-755.

DOI

[11]
CERMEÑO P, DUTKIEWICZ S, HARRIS R P, et al. The role of nutricline depth in regulating the ocean carbon cycle[J]. Proceedings of the National Academy of Sciences, 2008, 105(51): 20344-20349.

DOI

[12]
LEWIS M R, HEBERT D, HARRISON W G, et al. Vertical nitrate fluxes in the oligotrophic ocean[J]. Science, 1986, 234(4778): 870-873.

PMID

[13]
BAHAMÓN N, CRUZADO A. Modelling nitrogen fluxes in oligotrophic environments: NW Mediterranean and NE Atlantic[J]. Ecological Modelling, 2003, 163(3): 223-244.

DOI

[14]
AKSNES D L, OHMAN M D, RIVIÈRE P. Optical effect on the nitracline in a coastal upwelling area[J]. Limnology and Oceanography, 2007, 52(3): 1179-1187.

DOI

[15]
GOES J I, SAINO T, OAKU H, et al. Basin scale estimates of sea surface nitrate and new production from remotely sensed sea surface temperature and chlorophyll[J]. Geophysical Research Letters, 2000, 27(9): 1263-1266.

DOI

[16]
PAINTER S C, PATEY M D, TARRAN G A, et al. Picoeukaryote distribution in relation to nitrate uptake in the oceanic nitracline[J]. Aquatic Microbial Ecology, 2014, 72(3): 195-213.

DOI

[17]
PASQUERON DE FOMMERVAULT O, D’ORTENZIO F, MANGIN A, et al. Seasonal variability of nutrient concentrations in the Mediterranean Sea: Contribution of Bio-Argo floats[J]. Journal of Geophysical Research: Oceans, 2015, 120(12): 8528-8550.

DOI

[18]
WEN Z Z, BROWNING T J, CAI Y H, et al. Nutrient regulation of biological nitrogen fixation across the tropical western North Pacific[J]. Science Advances, 2022, 8(5): eabl7564.

DOI

[19]
LAANEMETS J, KONONEN K, PAVELSON J, et al. Vertical location of seasonal nutriclines in the western Gulf of Finland[J]. Journal of Marine Systems, 2004, 52(1-4): 1-13.

DOI

[20]
MAYOT N, MATRAI P, ELLINGSEN I H, et al. Assessing phytoplankton activities in the seasonal ice zone of the Greenland Sea over an annual cycle[J]. Journal of Geophysical Research: Oceans, 2018, 123(11): 8004-8025.

DOI

[21]
谢玲玲. 西北太平洋环流及其与南海水交换研究[D]. 青岛: 中国海洋大学, 2009.

XIE L L. Study on the circulation in western north Pacific and the water exchange between the Pacific and the South China Sea[D]. Qingdao: Ocean University of China, 2009.

[22]
李占强. 全球常年周平均海表温度场构建及其在西北太平洋中的应用[D]. 大连: 大连海洋大学, 2014.

LI Z Q. Long-term weekly average field of sea surface temperature and used in northwest Pacific[D]. Dalian: Dalian Ocean University, 2014.

[23]
余沛龙. 黑潮延伸体多尺度海洋变化及其对东亚气候的影响[D]. 长沙: 国防科技大学, 2018.

YU P L. Multi-scale oceanic variations over the Kuroshio extension region and their influences on East Asian climate[D]. Changsha: National University of Defense Technology, 2018.

[24]
陈朝晖, 林霄沛, 马昕, 等. 西北太平洋黑潮延伸体观测回顾和展望[J]. 地学前缘, 2022, 29(5):13-22.

DOI

CHEN Z H, LIN X P, MA X, et al. Observational studies in the Kuroshio Extension region, Northwest Pacific—a review and outlook[J]. Earth Science Frontiers, 2022, 29(5): 13-22.

[25]
POLOVINA J J, HOWELL E, KOBAYASHI D R, et al. The transition zone chlorophyll front, a dynamic global feature defining migration and forage habitat for marine resources[J]. Progress in Oceanography, 2001, 49(1-4): 469-483.

DOI

[26]
杨海燕, 毛新燕, 郭新宇. 基于WOD数据集的西北太平洋混合层内营养盐浓度初步研究[J]. 中国海洋大学学报:自然科学版, 2018, 48(8):1-9.

YANG H Y, MAO X Y, GUO X Y. A preliminary study on nutrients concentration within the mixed layer in the northwest Pacific based on WOD data[J]. Periodical of Ocean University of China, 2018, 48(8): 1-9.

[27]
KIM T W, LEE K, NAJJAR R G, et al. Increasing N abundance in the northwestern Pacific Ocean due to atmospheric nitrogen deposition[J]. Science, 2011, 334(6055): 505-509.

DOI

[28]
ZHENG L W, ZHAI W D. Excess nitrogen in the Bohai and Yellow Seas, China: Distribution, trends, and source apportionment[J]. Science of the Total Environment, 2021, 794: 148702.

DOI

[29]
BUCHANAN P J, AUMONT O, BOPP L, et al. Impact of intensifying nitrogen limitation on ocean net primary production is fingerprinted by nitrogen isotopes[J]. Nature Communications, 2021, 12: 6214.

DOI PMID

[30]
SEOK M W, KIM D, PARK G H, et al. Atmospheric deposition of inorganic nutrients to the Western North Pacific Ocean[J]. Science of the Total Environment, 2021, 793: 148401.

DOI

[31]
李娜, 甘波澜. 北太平洋副热带海区动力高度与净初级生产力相关性研究[J]. 中国海洋大学学报:自然科学版, 2020, 50(5):1-10.

LI N, GAN B L. Correlation between dynamic height and net primary production in the subtropical North Pacific gyre[J]. Periodical of Ocean University of China, 2020, 50(5): 1-10.

[32]
KANEKO H, YASUDA I, KOMATSU K, et al. Observations of vertical turbulent nitrate flux across the Kuroshio[J]. Geophysical Research Letters, 2013, 40(12): 3123-3127.

DOI

[33]
LONG Y, ZHU X H, GUO X Y. The oyashio nutrient stream and its nutrient transport to the mixed water region[J]. Geophysical Research Letters, 2019, 46(3): 1513-1520.

DOI

[34]
张龙, 叶松, 周树道, 等. 海水温盐深剖面测量技术综述[J]. 海洋通报, 2017, 36(5):481-489.

ZHANG L, YE S, ZHOU S D, et al. Review of measurement techniques for temperature, salinity and depth profile of sea water[J]. Marine Science Bulletin, 2017, 36(5): 481-489.

[35]
PARADIS R, WOOD S L. Inexpensive expendable conductivity temperature and depth (CTD) sensor[C]// 2013 OCEANS-San Diego. IEEE, 2013: 1-12.

[36]
HERNANDEZ-LASHERAS J, MOURRE B. Dense CTD survey versus glider fleet sampling: Comparing data assimilation performance in a regional ocean model west of Sardinia[J]. Ocean Science, 2018, 14(5): 1069-1084.

DOI

[37]
CHEN S L, WELLS M L, HUANG R X, et al. Episodic subduction patches in the western North Pacific identified from BGC-Argo float data[J]. Biogeosciences, 2021, 18(19): 5539-5554.

DOI

[38]
XING X G, WELLS M L, CHEN S L, et al. Enhanced winter carbon export observed by BGC-Argo in the northwest Pacific Ocean[J]. Geophysical Research Letters, 2020, 47(22): e2020GL089847.

[39]
邱国强, 王海黎, 邢小罡. BGC-Argo浮标观测在海洋生物地球化学中的应用[J]. 厦门大学学报:自然科学版, 2018, 57(6):827-840.

QIU G Q, WANG H L, XING X G. Application of BGC-Argo floats observation to ocean biogeochemistry[J]. Journal of Xiamen University: Natural Science, 2018, 57(6): 827-840.

[40]
SPRINTALL J, TOMCZAK M. Evidence of the barrier layer in the surface layer of the tropics[J]. Journal of Geophysical Research: Oceans, 1992, 97(C5): 7305-7316.

[41]
安玉柱, 张韧, 王辉赞, 等. 全球大洋混合层深度的计算及其时空变化特征分析[J]. 地球物理学报, 2012, 55(7):2249-2258.

AN Y Z, ZHANG R, WANG H Z, et al. Study on calculation and spatio-temporal variations of global ocean mixed layer depth[J]. Chinese Journal of Geophysics, 2012, 55(7): 2249-2258.

[42]
TSENG C M, WONG G T F, LIN I I, et al. A unique seasonal pattern in phytoplankton biomass in low-latitude waters in the South China Sea[J]. Geophysical Research Letters, 2005, 32(8): L08608.

[43]
WONG G T F, TSENG C M, WEN L S, et al. Nutrient dynamics and N-anomaly at the SEATS station[J]. Deep Sea Research Part II: Topical Studies in Oceanography, 2007, 54(14/15): 1528-1545.

DOI

[44]
CULLEN J, EPPLEY R. Chlorophyll maximum layers of the southern-California Bight and possible mechanisms of their formation and maintenance[J]. Oceanologica Acta, 1981, 4: 23-32.

[45]
FUJIKI T, INOUE R, HONDA M C, et al. Time-series observations of photosynthetic oxygen production in the subtropical western North Pacific by an underwater profiling buoy system[J]. Limnology and Oceanography, 2020, 65(5): 1072-1084.

DOI

[46]
JOO H, LEE D B, KANG J J, et al. Inter-annual variation of the annual new production of phytoplankton in the southwestern East/Japan sea estimated from satellite-derived surface nitrate concentration[J]. Journal of Coastal Research, 2018, 85: 336-340.

DOI

[47]
VAHTERA E, LAANEMETS J, PAVELSON J, et al. Effect of upwelling on the pelagic environment and bloom-forming cyanobacteria in the western Gulf of Finland, Baltic Sea[J]. Journal of Marine Systems, 2005, 58(1/2): 67-82.

DOI

[48]
HOIKKALA L, AARNOS H, LIGNELL R. Changes in nutrient and carbon availability and temperature as factors controlling bacterial growth in the northern Baltic Sea[J]. Estuaries and Coasts, 2009, 32(4): 720-733.

DOI

Options
文章导航

/

〈 〉