Prediction of UIva prolifera drift and transportation based on remote sensing data and numerical models: A case study in the offshore area of Jiangsu Province

  • LIN Lianjie , 1 ,
  • DONG Changming , 1, * ,
  • JI Yuxiang 2 ,
  • LIM KAM SIAN Kenny Thiam Choy 3 ,
  • LI Zhaoxin 4 ,
  • JIANG Xingliang 5 ,
  • CAO Yuhan 6 ,
  • GAO Hui 1 ,
  • WANG Shengqiang 1 ,
  • CAO Qian 1
Expand
  • 1. School of Marine Sciences, Nanjing University of Information Science and Technology, Nanjing 210044, China
  • 2. Lianyungang Meteorological Bureau of Jiangsu Province, Lianyungang 222006, China
  • 3. Wuxi University, Wuxi 214105, China
  • 4. State Key Laboratory of Estuarine and Coastal Sciences, East China Normal University, Shanghai 200241, China
  • 5. Department of Atmospheric and Oceanic Sciences, Fudan University, Shanghai 200433, China
  • 6. School of Marine Technology and Geomatics, Jiangsu Ocean University, Lianyungang 222005, China

Received date: 2023-03-15

  Revised date: 2023-09-08

  Online published: 2024-05-11

Abstract

UIva prolifera outbreak is one of the most serious marine disasters affecting the global offshore waters, which has attracted the attention of all sectors of society. According to the location of UIva prolifera extracted from satellite data, the Lagrangian drift model was used to track and predict the drift path of UIva prolifera based on the sea-air-wave set model. Compared with satellite observation, this prediction model can better predict the position, distribution and drift transport of UIva prolifera. In addition, this study also discussed the impact of Stokes Drift on the model prediction. The results show that adding Stokes Drift can correct the drift path of UIva prolifera and effectively improve the accuracy of prediction.

Cite this article

LIN Lianjie , DONG Changming , JI Yuxiang , LIM KAM SIAN Kenny Thiam Choy , LI Zhaoxin , JIANG Xingliang , CAO Yuhan , GAO Hui , WANG Shengqiang , CAO Qian . Prediction of UIva prolifera drift and transportation based on remote sensing data and numerical models: A case study in the offshore area of Jiangsu Province[J]. Journal of Marine Sciences, 2024 , 42(1) : 69 -82 . DOI: 10.3969/j.issn.1001-909X.2024.01.007

0 引言

浒苔等大型绿藻暴发性增殖或高度聚集形成绿潮,严重危害海洋生态环境[1-2]。绿潮在全世界的沿海国家普遍出现[3-4]。自2007年以来,在中国江苏和山东沿岸的东海、黄海、渤海海域每年都有绿潮的发生[5-6],覆盖面积可以达到20 000 km2[1]。浒苔暴发对当地的海洋生态、社会经济造成了巨大的影响。每年4月中旬至5月末,适宜的温度、充足的光照、丰富的营养盐有助于以浒苔为主的藻华在江苏近海形成,在季风和洋流的作用下向北输送进入黄海,6—7月前后在山东沿岸堆积[7-11]。因此对江苏近岸海域的浒苔进行监测预报对于治理浒苔具有十分重要的意义。
近年来,诸多学者基于数值模式对黄海浒苔进行了研究。如吉会峰等[12]使用三维自由水面流动模拟系统MIKE3模式对江苏海域浒苔漂移扩散进行了模拟。黄娟等[13]使用海洋数值模式对黄海近海海域进行了模拟,采用拉格朗日方法跟踪浒苔,得到6 d的浒苔预报结果与遥感观测结果大致相同。李燕等[14]采用大气模式结合国家海洋环境预报中心的业务海流数值预报系统,对黄海区域进行了模拟实验,预测了浒苔在未来72 h内的漂移轨迹,发现该系统在预报4 h内浒苔漂移路径时具有较高的准确性。赵昌等[15]运用中国近海高分辨率三维海浪-潮流-环流耦合海域数值预报系统(marine science and numerical modeling, MASNUM)提供的预报数据构建了黄海浒苔的漂移输运模型,对黄海浒苔的来源及漂移输运过程进行了数值模拟和分析。何恩业等[16]考虑风、流驱动的漂移输运,并结合生态模块建立了黄海浒苔绿潮生态动力学模型。
上述研究中的预报模式有的使用了大气与海洋两种模式,有的只使用了海洋模式,但是都没有考虑海浪对浒苔漂移路径的影响。海浪会引起Stokes漂流,影响海表面流场结构以及海表面的物质输运。LONGUET-HIGGINS[17]研究发现,在旋转海洋系统中,即使考虑的黏性效应很小,上层海洋流动也会被波浪诱导的水平输运改变。KENYON[18]提出Stokes漂流速度与风速密切相关,并且Stokes输运可能会对表层输运产生重大影响。FENG等[19]首次考虑了Stokes漂流对浮游生物扩散的影响,他们在龙虾幼虫的漂移模型中使用Stokes漂流的参数化,得出波浪会影响其输运的结论。ONINK等[20]发现Stokes漂流虽然没有Ekman输运对浮游粒子作用明显,但会导致浮游粒子向北极地区的输运增加。RÖHRS等[21]通过波浪破碎计算浮游粒子混合的研究表明,Stokes漂流导致粒子普遍向岸边输运,稳定了粒子扩散,有利于主导粒子移动方向。MONISMITH等[22]观察到染料羽流的沿岸输运,认为该现象只能用Stokes漂流来解释。由以上研究可知,在预测浮游生物迁移的模型中应该考虑海浪。因此本文将采用大气-波浪-海洋集合模式对江苏近岸海域浒苔漂移路径进行模拟预报,并且讨论Stokes漂流对预报结果的影响。

1 方法和数据

1.1 预报流程

江苏浒苔预报模式采用大气-波浪-海洋集合模式,其中大气模式采用天气预报模式(weather research and forecasting model, WRF),波浪模式采用第三代近岸海浪模式(simulating waves nearshore, SWAN),海洋模式采用区域海洋模式(regional ocean modeling system, ROMS)。浒苔预报流程如图1所示,首先由WRF模式计算得到各大气变量,将其作为大气强迫场提供给SWAN模式和ROMS模式进行计算。其次,将SWAN模式得到的波浪相关变量转换为Sokes漂流,与ROMS模式的海表面流场进行合成,得到最终的预报区域流场。最后,使用拉格朗日漂流模式对卫星提取的浒苔位置进行追踪,得出浒苔漂移路径,最终输出未来72 h的浒苔漂移路径预报产品。
图1 江苏近海浒苔预报模式流程示意图

Fig.1 Schematic diagram of the forecast model process of UIva prolifera in Jiangsu offshore

1.2 模式设置

1.2.1 WRF模式设置

WRF模式是由美国国家大气研究中心(National Center for Atmospheric Research, NCAR)、美国国家海洋与大气管理局(National Oceanic and Atmospheric Administration, NOAA)等研究机构共同参与开发的新一代中尺度数值天气预报系统。WRF模式可广泛应用于数值天气预报、数据同化、区域和全球范围的气候模拟以及大气-海洋模式的模拟等。
本研究中浒苔预报使用的WRF模式的模拟区域为图2所示的黑色框区域(117°E—130°E,28°N—38°N),由于要为SWAN模式和ROMS模式提供大气强迫,因此相比于预报区域(119°E—124°E,31°N—36°N,图2红色框区域),计算范围更大。WRF模式空间分辨率为8 km,时间积分步长为30 s,输出时间间隔设置为1 h。模式中的三维大气初始条件以及随时间变化的边界条件来自于全球预报系统(Global Forecast System, GFS)的每日预报数据。
图2 WRF模式范围设置示意图

(黑色框区域为WRF模式的计算范围,红色框区域为浒苔预报范围。)

Fig.2 Diagram of WRF model range setting

(The black box area is the calculation range of WRF model, and the red box area is the UIva prolifera forecast range.)

1.2.2 SWAN模式设置

SWAN模式模拟的区域为119°E—124°E,31°N—36°N,模式所采用的地形设置如图3所示,地形根据航天飞机雷达地形测绘使命(Shuttle Radar Topography Mission, SRTM)产品制作。模式空间分辨率为0.02°×0.02°。风场数据由WRF模式模拟的海面10 m风场提供。模式设置的时间步长为1 min,模式输出的时间间隔为1 h。模式边界场资料为NOAA提供的WAVEWATCH-III模拟的全球波浪数据集。初始和边界谱形由“联合北海波浪计划”(Joint North Sea Wave Project, JONSWAP)谱提供。
图3 ROMS模式地形图

Fig.3 Topographic map of ROMS model

1.2.3 ROMS模式设置

浒苔预报中使用的ROMS模式为区域海洋模式,模拟区域为119°E—124°E, 31°N—36°N,模式使用的地形数据与SWAN模式一致。ROMS模式网格分辨率为1 km,垂向使用S坐标系分层,一共32 层,模式积分步长为120 s,输出时间间隔设置为1 h,加入了潮汐和长江的淡水输入,大气强迫由WRF模式提供。

1.3 数据

本研究中WRF模式使用GFS的8 d预报数据进行驱动,数据的时间分辨率为3 h,空间分辨率为0.25°×0.25°。SWAN模式使用WAVEWATCH-III产品的波向、波周期以及有效波高的预报数据作为边界场,数据的时间分辨率为1 h,空间分辨率为0.5°×0.5°。ROMS模式使用混合坐标海洋模式(Hybrid Coordinate Ocean Model,HYCOM)数据作为边界场,数据的时间分辨率为3 h,空间分辨率为1/12°×1/12°。
本研究用于同WRF模式风场对比的数据来自欧洲航天局(European Space Agency, ESA)的星载散射计(The advanced SCAT terometer,ASCAT)的逐日观测数据,数据空间分辨率为0.25°×0.25°。用于同SWAN模式有效波高对比的数据来自欧洲中期天气预报中心对全球气候的第五代大气再分析(ERA5)的混合浪有效波高数据,数据空间分辨率为0.5°×0.5°。用于同ROMS模式海表面温度对比的数据来自遥感系统公司(Remote Sensing System, RSS)提供的逐天卫星融合产品,数据的空间分辨率为9 km。用于对比浒苔漂移路径的卫星图像来自通信、海洋和气象卫星(Communication、Ocean and Meteorological Satellite,COMS)搭载的海洋水色遥感传感器(Geostationary Ocean Color Imager,GOCI),每天1 景图像,空间分辨率为500 m。

1.4 遥感技术

1.4.1 数据下载

用于模式验证与评估的数据为基于COMS卫星搭载的海洋水色遥感传感器GOCI的L1B数据,其空间分辨率为500 m,该数据已经过几何校正及辐射校正的处理,数据包含8 个波段大气层顶的总辐射率(数据下载网站: https://oceancolor.gsfc.nasa.gov/)。选取的数据时间段为2017年5月24日—6月21日。

1.4.2 数据预处理

针对研究海域(119°E—124°E,31°N—36°N),对数据进行裁剪和重采样。最终获得瑞利校正反射率,分辨率为0.005°。具体处理流程如图4所示。
图4 GOCI数据预处理流程图

Fig.4 Flow chart of GOCI data preprocessing

1.4.3 算法介绍

卫星数据经预处理后需要分别进行去云处理和藻类识别才能提取出藻类的位置信息。去云处理有三个步骤:浑浊水体掩膜、云掩膜和云影掩膜,之后进行藻类识别,得到浒苔位置数据,具体流程如图5所示。
图5 藻类位置信息数据处理流程图

Fig.5 Flow chart of algae location information data processing

图5中涉及的关键步骤——浑浊水体掩膜、云掩膜、云影掩膜和藻类识别的计算公式如下。
1)浑浊水体掩膜。目标像元判别为浑浊水体的标准如下:
NDVI= R r c ( 865 n m ) - R r c ( 660 n m ) R r c ( 865 n m ) + R r c ( 660 n m )≤-0.03
式中:NDVI为浑浊水体掩膜值,其大小是判断水体浑浊的依据。Rrc为瑞利校正反射率,是在考虑了其他散射(如米氏散射)后,瑞利散射对总散射的贡献。
2)云掩膜。目标像元判别为云的标准如下:
Mean_Vis≥0.05且Whiteness≤0.4
其中,
M e a n _ V i s = 1 N i = 1 N R r c , i
M e a n _ A L L = 1 M i = 1 M R r c , i
W h i t e n e s s = i = 1 M R r c , i - M e a n _ A L L M e a n _ A L L
式中:N为可见光波段数,M为全部波段数,Mean_Vis为像元在可见光波段的平均反射率,Mean_ALL为像元在全部波段的平均反射率,Whiteness为判断为云的像元阈值。
3)云影掩膜。目标像元判别为云影的标准如下:
LTR-Ref_LTR≤0.01
式中:LTR=Rrc(490 nm)+Rrc(555 nm),Ref_LTR为以该像元为中心,31×31窗口内LTR的平均值。达到以上阈值则判断像元为云影。
4)藻类识别。目标像元判别为藻类的标准如下:
AFAI≥0,且AFAI≤0.02
其中,浮游藻类指数(adjusted floating algae index, AFAI)能够很好地监测浒苔的变化,其定义式如下:
AFAI=Rrc(745 nm)-Rrc(680 nm)- 745 - 680 865 - 680×[Rrc(865 nm)-Rrc(680 nm)]

2 结果与讨论

2.1 模式输出物理场验证

2.1.1 WRF模式验证

本文通过对比ASCAT观测与WRF输出的海面10 m风速及其相对误差来验证WRF模式的准确性。其中,相对误差(relative error, RE)公式为
RE= y i - y ^ i y ^ i×100%
式中:yi y ^ i分别为模拟数据与观测数据。
图6是ASCAT观测的和WRF模式模拟的2019年9月研究区海面10 m风速月平均数据对比图。从图中可以看出,WRF模拟的与ASCAT观测的海面10 m风的风向均为东北向,WRF模拟的风向较为偏北,整体风速表现为南大北小。两组数据空间分布差异最大出现在西南部,在此区域,ASCAT观测的风速明显大于WRF模拟结果,其中ASCAT观测风速大约为7 m/s,WRF模拟风速大约为5 m/s。由于ASCAT数据仅有海洋表面的风场数据,所以在图6a中ASCAT观测数据在陆地范围没有风场显示。图7是两组海面10 m风速数据的相对误差分布图,从图中可以看出,两组数据在大部分区域的相对误差小于20%,平均相对误差为18%;在东北部和西南部的相对误差较高,在东北部最高达到35%,在西南部最高达到40%。综合海面10 m风速空间分布以及相对误差大小,可以认为本文所构建的WRF模式可再现研究区域的大气环境情况。
图6 ASCAT观测的(a)和WRF模式模拟的(b)2019年9月研究区海面10 m风速月平均数据对比

Fig.6 Comparison between ASCAT observation (a) and WRF model simulation (b) in monthly average sea surface wind speed data at 10 meters in the study area in September 2019

图7 ASCAT观测的和WRF模式模拟的2019年9月研究区月平均海面10 m风速相对误差空间分布

Fig.7 Spatial distribution of relative errors in monthly average sea surface wind speed data at 10 meters observed by ASCAT and simulated by WRF model in the study area in September 2019

2.1.2 SWAN模式验证

本文使用ERA5的混合浪有效波高数据来验证SWAN模式的准确性。图8为2019年9月ERA5和SWAN模拟的月平均有效波高对比图。从图中可以看出,SWAN与ERA5模拟的有效波高均表现为东高西低的态势,其中ERA5模拟的有效波高的较高值范围(1.2~1.6 m)较SWAN的更偏西,SWAN模拟的有效波高较高值的范围较ERA5的更偏北。由两组数据的相对误差分布图(图9)可见,两组数据在大部分区域的相对误差小于10%,在西南部的相对误差较高,最高达到35%,空间平均相对误差为8%。综合有效波高空间分布以及相对误差大小,可以认为本文所构建的SWAN模式可再现研究区域的波浪情况。
图8 ERA5(a)和SWAN模式(b)模拟的2019年9月研究区月平均有效波高对比

Fig.8 Comparison the of monthly average significant wave heights simulated by ERA5 (a) and SWAN model (b) in the study area in September 2019

图9 ERA5和SWAN模式模拟的2019年9月研究区月平均有效波高相对误差空间分布

Fig.9 Spatial distribution of relative errors in monthly average significant wave height simulated by ERA5 and SWAN modes in the study area in September 2019

2.1.3 ROMS模式验证

为了验证ROMS模式的准确性,本文使用由RSS提供的卫星观测的海表面温度(sea surface temperature, SST)验证ROMS模式模拟的SST。
图10是2019年6月1日卫星观测的SST和ROMS模式模拟的SST的对比图。由图可以看出,ROMS模式模拟的SST与卫星观测的SST的分布比较接近。在靠近长江口的区域,模式模拟结果比卫星观测值偏高;在研究区北部,模式模拟结果比卫星观测值偏低,冷水范围更大。整个区域的SST最大误差保持在1 ℃以内。根据SST的空间分布对比结果可以认为,本文所构建的ROMS模式可再现研究区域的海温情况。
图10 RSS提供的卫星观测的(a)和ROMS模式模拟的(b) 2019年6月研究区海表面温度对比

Fig.10 Comparison of sea surface temperature between satellite observation provided by RSS (a) and simulated by ROMS model (b) in the study area in June 2019

2.2 浒苔漂移评估

2.2.1 评估方法

随机选取浒苔暴发时段内无明显云团遮挡的卫星影像对本研究的模式预报结果进行评估,选取时段为2017年5月27日—5月29日和6月16日—6月18日。在预处理后的遥感影像中对浒苔进行标记,以预报前一天的标记位置作为浒苔的初始位置,利用拉格朗日漂流模式追踪未来72 h浒苔漂移输运路径,并选取相应的遥感影像进行对比。
分别对浒苔的中心点位置、漂移方向和面积进行评估。
浒苔中心点位置采用研究范围内所有浒苔质点位置的平均,计算公式为
x m e a n = i = 1 n x i n
y m e a n = i = 1 n y i n
式中:x为经度,y为纬度,n为研究范围内浒苔质点的个数。
浒苔漂移方向计算公式为
A= a , x 2 x 1 y 2 > y 1 a + 180 ° , x 2 < x 1 y 2 y 1 a + 180 ° , x 2 x 1 y 2 < y 1 0 + 360 ° , x 2 > x 1 y 2 y 1
式中:A为浒苔漂移方向角, $a=\arctan \left(\frac{y_{2}-y_{1}}{x_{2}-x_{1}}\right) $,正东向为0°。
取存在浒苔的网格点数m乘以网格分辨率为浒苔面积S:
S=m·r
式中:m是格点数,r是模式或卫星数据的分辨率。
浒苔覆盖面积和区块中心点误差Es,中心点漂移方向误差Ea计算公式为
Es= | y s - y m | y m
Ea=ys-ym
式中:ys是卫星观测结果,ym是模式预报结果。

2.2.2 第一组数据对比

以2017年5月26日的卫星遥感标记作为输入场,得到2017年5月27日—29日的浒苔漂移预报结果,并以5月27日—29日卫星遥感影像作为对照,对模式预报结果进行评估。图11为5月27日—29日卫星遥感影像真彩色图。鉴于5月29日黄海北部几乎完全被云所覆盖,5月29日卫星观测结果不纳入对比,仅评估5月27日和28日的模式预报结果(即48 h预报结果)。其中,浒苔覆盖面积以及中心点位置使用48 h预报结果中两天的平均值与卫星观测结果的平均值进行对比,漂移方向分别使用48 h预报结果中两天的预报值与卫星观测结果进行对比。
图11 2017年5月27日—29日卫星遥感观测影像

Fig.11 Satellite remote sensing observation images on May 27th-29th, 2017

图12a12b分别为卫星观测到的5月27日和28日的浒苔分布,图12c12d分别为模式预报的同时期的浒苔分布。5月27日—28日的浒苔主要分布在连云港近岸(119.2°E—120.0°E,34.8°N—35.5°N)、黄海北部离岸(120.6°E—122.2°E,34.5°N—35.5°N)和长江口(121.5°E—122.2°E,31°N—32°N)三个区域。根据预处理的卫星图像数据,估算得到三个区域卫星观测和模式预报的浒苔覆盖面积和中心点位置(表1)。三个区域浒苔覆盖面积预报与卫星观测结果的误差分别为23.20%,16.70%和19.50%,在整个江苏近海的覆盖面积误差为16.11%;中心点位置预报与卫星观测结果的误差分别为0.01 km,0.28 km和0.28 km。
图12 2017年5月27日与28日模式预报的浒苔覆盖区域与卫星观测结果对比

(虚框表示浒苔出现区块。)

Fig.12 Comparison of the coverage area of UIva prolifera predicted by the model and satellite observations on May 27th and 28th, 2017

(The dashed box represents the appearance block of UIva prolifera.)

表1 48 h模式预报与卫星观测的浒苔覆盖面积及中心点位置(2017年5月27日与28日的平均值)

Tab.1 48-hour model prediction and satellite observation of the coverage area and center point position of UIva prolifera (average values of May 27th and 28th, 2017)

区域 浒苔覆盖面积 浒苔中心点位置
卫星观测/km2 模式预报/km2 误差/% 卫星观测 模式预报 误差/km
连云港近岸 38.89 31.56 23.20 34.88 °N,119.25 °E 34.89 °N,119.24 °E 0.01
黄海北部离岸 975.17 1 170.60 16.70 35.01 °N,121.41 °E 34.87 °N,121.23 °E 0.28
长江口 133.82 166.23 19.50 31.48 °N,121.93 °E 31.64 °N,121.86 °E 0.28
江苏近海 1 147.88 1 368.39 16.11

注:表中空白表示无数据。

表2为模式预报的浒苔平均漂移方向和卫星观测结果的对比(这里以正东方向为0°,正西方向为180°)。在连云港近岸区域,27日漂移方向误差最大,可达61.07°,28日模式预报的漂移方向误差低于27日,为36.26°。在黄海北部离岸区域,27日漂移方向误差最小,为-8.96°,28日模式预报的漂移方向变化明显,误差达到-104.29°。在长江口区域,27日漂移方向误差为-40.37°,28日模式预报的漂移方向误差低于27日,为8.90°。
表2 48 h模式预报与卫星观测的浒苔漂移方向(2017年5月27日和28日)

Tab.2 48-hour model prediction and satellite observation of the drift direction of UIva prolifera (May 27th and 28th, 2017)

区域 5月27日浒苔漂移方向/(°) 5月28日浒苔漂移方向/(°)
卫星观测 模式预报 误差 卫星观测 模式预报 误差
连云港近岸 275.49 214.42 61.07 88.85 52.59 36.26
黄海北部离岸 39.88 48.84 -8.96 33.60 137.89 -104.29
长江口 294.16 334.53 -40.37 95.58 86.68 8.90

注:表中漂移方向为当日模式或卫星结果与前一日结果根据公式(12)计算得到。

2.2.3 第二组数据对比

以2017年6月15日的卫星遥感标记作为输入场,得到2017年6月16日—18日的浒苔漂移预报结果,再以6月16日—18日卫星遥感影像作为对照,对模式预报结果进行评估。图13为6月16日—18日卫星遥感影像真彩色图。鉴于6月18日连云港近岸和长江口几乎完全被云覆盖,6月18日卫星观测结果不纳入对比,仅评估6月16日和17日的模式预报结果(即48 h预报结果)。其中浒苔覆盖面积以及中心点位置使用48 h预报结果中两天的平均值与卫星观测结果的平均值进行对比,漂移方向分别使用48 h预报结果中两天的预报值与卫星观测结果进行对比。
图13 2017年6月16日—18日卫星遥感观测影像

Fig.13 Satellite remote sensing observation images on June 16th-18th, 2017

图14a14b分别为卫星观测到的2017年6月16日和17日的浒苔分布,图14c14d分别为模式预报的同时期的浒苔分布。该时期的浒苔主要分布在黄海北部(>33.5°N)和黄海南部(≤33.5°N)两个区域。由于6月16日和17日,在黄海南部均出现了云覆盖情况,导致该区域对比误差较大,因此后续重点统计分析黄海北部区域的浒苔分布情况。在黄海北部,模式预报的浒苔覆盖面积与卫星观测结果之间的误差为4.81%,中心点误差为1.20 km(表3);6月16日和17日模式预报与卫星观测的浒苔漂移方向误差分别为-7.52°和-78.9°(表4)。
图14 2017年6月16日与17日模式预报的浒苔覆盖区域与卫星观测结果对比

Fig.14 Comparison of the coverage area of UIva prolifera predicted by the model and satellite observations on June 16th and 17th, 2017

表3 48 h模式预报与卫星观测的浒苔覆盖面积及中心点位置(2017年6月16日和17日的平均值)

Tab.3 48-hour model prediction and satellite observation of the coverage area and center point position of UIva prolifera (average values of June 16th and 17th, 2017)

区域 浒苔覆盖面积 浒苔中心点位置
卫星观测/km2 模式预报/km2 误差/% 卫星观测 模式预报 误差/km
黄海北部 1 270.30 1 212.00 4.81 35.61°N,120.85°E 34.88°N,121.17°E 1.20
黄海南部 440.61 155.71 182.97 32.89°N,122.84°E 31.62°N,121.85°E 2.04
江苏近海 1 710.91 1 367.71 25.09

注:表中空白表示无数据。

表4 48 h模式预报与卫星观测的浒苔漂移方向(2017年6月16日和17日)

Tab.4 48-hour model prediction and satellite observation of the drift direction of UIva prolifera (June 16th and 17th, 2017)

区域 6月16日浒苔漂移方向/(°) 6月17日浒苔漂移方向/(°)
卫星观测 模式预报 误差 卫星观测 模式预报 误差
黄海北部 58.61 66.13 -7.52 47.53 126.43 -78.90
黄海南部 229.13 224.27 4.86 48.73 268.99 -220.26

注:表中漂移方向为当日模式与卫星结果与前一日结果根据公式(12)计算得到。

2.3 Stokes漂流对模式预报的影响

STOKES[23]指出,表面重力波的非线性作用会导致海表水质点在波浪传播方向上产生拉格朗日净输运,这一现象被称为Stokes漂流。Stokes漂流能够改变海表面的流场结构,从而进一步影响海面上的物质输运过程[24]。因此,本研究合成了Stokes漂流与海表面流场,评估Stokes漂流对浒苔漂移路径预报的影响。
海洋中的浒苔暴露在空气中的部分相对较少,大部分浒苔都沉降在海面水体以下[25]。这主要是因为海面上的浒苔由于遭受高光强胁迫,大部分会逐渐变白并死亡,而悬挂在水下的浒苔则能够躲避高光强的胁迫而生存下来[26]。因此在计算Stokes漂流时需要考虑水深的影响。另外,参考相关的浒苔预报研究[14-15]发现,风速经验参数的取值并没有经过验证的实验支持,为了减小估算风力的误差,本文直接使用波浪速度来计算Stokes漂流。综合以上考虑,本文中Stokes漂流的计算方法为
U=USe2kz
US=c(ak)2D
式中:U为海面流速矢量;US为海面Stokes漂流流速矢量;c为波浪相速度;a为波振幅;k为波数;D为波浪传播方向,正东方向为0°;z为深度。
为了讨论Stokes漂流对浒苔漂移路径的影响,以云覆盖影响最小的2017年5月26日的遥感数据作为输入场,得到5月27日有无考虑Stokes漂流模式的浒苔漂移分布预报结果,并与卫星观测结果进行对比(图15)。由图可见,考虑Stokes漂流的浒苔分布更加接近卫星观测的结果,尤其在近岸海域。由表5可知,考虑Stokes漂流比不考虑Stokes漂流的浒苔覆盖面积的总体误差小近50%。考虑Stokes漂流的三个区域浒苔覆盖面积预报结果与卫星观测结果误差分别为0.06%、14.25%和18.21%,在整个江苏近海的覆盖面积误差为14.27%;不考虑Stokes漂流的三个区域浒苔覆盖面积预报结果与卫星观测结果误差分别为28.84%、30.16%和28.50%,在整个江苏近海的覆盖面积误差为29.04%。由表6可知,在连云港近岸,考虑Stokes漂流的浒苔中心点位置预报误差小于不考虑Stokes漂流的预报误差;在黄海北部离岸,考虑Stokes漂流和不考虑Stokes漂流的浒苔中心点位置预报误差相当;在长江口,考虑Stokes漂流的预报误差大于不考虑Stokes漂流的预报误差。从表7可以发现,在连云港近岸与黄海北部离岸,考虑Stokes漂流模式的浒苔中心点漂移方向误差均小于不考虑Stokes漂流模式的结果,分别为-4.36°和-0.57°;而在长江口,考虑Stokes漂流模式的结果误差大于不考虑Stokes漂流模式的结果误差。
图15 考虑Stokes漂流模式和不考虑Stokes漂流模式24 h预报的浒苔分布与卫星观测结果的对比(2017年5月27日)

Fig.15 Comparison between the distribution of UIva prolifera predicted by the 24-hour forecast considering and without considering the Stokes Drift model and the satellite observation results (May 27th, 2017)

表5 考虑Stokes漂流模式和不考虑Stokes漂流模式预报的24 h浒苔覆盖面积与卫星观测结果对比(2017年5月27日)

Tab.5 Comparison of 24-hour UIva prolifera coverage area predicted by considering and without considering the Stokes Drift model with satellite observation results (May 27th, 2017)

区域 浒苔覆盖面积/km2 模式预报浒苔覆盖面积与卫星观测结果的误差/%
卫星观测 考虑Stokes漂流模式 不考虑Stokes漂流模式 考虑Stokes漂流模式 不考虑Stokes漂流模式
连云港近岸 34.34 32.26 26.65 0.06 28.84
黄海北部离岸 1 029.70 1 200.77 1 474.32 14.25 30.16
长江口 143.42 175.35 200.60 18.21 28.50
江苏近海 1 207.46 1 408.38 1 701.57 14.27 29.04
表6 考虑Stokes漂流模式和不考虑Stokes漂流模式预报的24 h浒苔中心点位置与卫星观测结果对比(2017年5月27日)

Tab.6 Comparison of the 24-hour center position of UIva prolifera predicted by considering and without considering the Stokes Drift model with satellite observation results (May 27th, 2017)

区域 浒苔中心点位置 模式预报浒苔中心点位置与卫星观测结果的误差/km
卫星观测 考虑Stokes漂流模式 不考虑Stokes漂流模式 考虑Stokes漂流模式 不考虑Stokes漂流模式
连云港近岸 34.87°N,119.25°E 34.87°N,119.24°E 34.88°N,119.23°E 0.01 0.02
黄海北部离岸 34.96°N,121.34°E 34.86°N,121.23°E 34.86°N,121.24°E 0.19 0.19
长江口 31.45°N,121.93°E 31.64°N,121.76°E 31.63°N,121.86°E 0.38 0.32
表7 考虑Stokes漂流模式和不考虑Stokes漂流模式预报的24 h浒苔漂移方向(2017年5月27日)

Tab.7 Comparison of 24-hour drift directions of UIva prolifera predicted by considering and without considering the Stokes Drift model with satellite observation results (May 27th, 2017)

区域 浒苔漂移方向/(°) 模式预报浒苔漂移方向与卫星观测结果的误差/(°)
卫星观测 考虑Stokes漂流模式 不考虑Stokes漂流模式 考虑Stokes漂流模式 不考虑Stokes漂流模式
连云港近岸 275.49 279.85 214.42 -4.36 61.07
黄海北部离岸 39.88 40.44 48.84 -0.57 -8.96
长江口 294.16 156.28 334.53 137.88 -40.37

注:表中漂移方向为当日模式或卫星结果与前一日结果根据公式(12)计算得到。

综合以上讨论,Stokes漂流对于海表面物质输运的影响不可忽略,考虑Stokes漂流模式的浒苔覆盖面积预报准确率为80%以上,因此在进行浒苔漂移路径的预报时,加入Stokes漂流的影响以修正浒苔的漂移轨迹是十分必要的。此外,本文所使用的预报模式除了应用于浒苔的漂移路径预报,还可以扩展应用到所有漂浮在海表面的藻类的漂移轨迹预报中,比如赤潮的预报、马尾藻的预报等。

3 结论

本文使用WRF-SWAN-ROMS集合模式对江苏近海区域的浒苔出现位置与漂移输运进行了模拟与预报。在利用卫星遥感数据、再分析资料对上述三个模式模拟的物理场进行验证的基础上,证明了该集合模式能够较好地再现影响浒苔分布的海面10 m风速、有效波高和海表面温度等背景动力学特征。
本研究设置了两组对照实验对模式预报结果进行评估,以遥感影像中任意一天的浒苔位置为初始位置,利用拉格朗日漂流模式追踪,得到72 h浒苔漂移预报结果,并同对应的遥感影像进行对比。这两组实验得到的浒苔中心点位置、覆盖面积及平均漂移方向预报结果均与卫星观测结果较为一致。但是作为模式初始场的浒苔位置如果受到卫星影像中云覆盖的干扰,会影响模式未来的预报结果。
本文通过对比考虑Stokes漂流与不考虑Stokes漂流的海表面流场计算得到的浒苔漂移路径,讨论了Stokes漂流对海表面物质输运的影响,得出考虑Stokes漂流的模式对浒苔覆盖面积预报准确率为80%以上,确认了Stokes漂流对海表面物质输运具有明显影响,在进行浒苔漂移路径预报时,需要加入Stokes漂流进行修正。
[1]
LIU D Y, KEESING J K, HE P M, et al. The world’s largest macroalgal bloom in the Yellow Sea, China: Formation and implications[J]. Estuarine, Coastal and Shelf Science, 2013, 129: 2-10.

[2]
何进, 石雅君, 王玉珏, 等. 不同温度与营养盐条件对浒苔(Ulva prolifera)和肠浒苔(Ulva intestinalis)的生长影响[J]. 海洋通报, 2013, 32(5):573-579.

HE J, SHI Y J, WANG Y J, et al. Impact of temperature and nutrients on the growth of Ulva prolifera and Ulva intestinalis[J]. Marine Science Bulletin, 2013, 32(5): 573-579.

[3]
WANG M Q, HU C M. Mapping and quantifying Sargassum distribution and coverage in the Central West Atlantic using MODIS observations[J]. Remote Sensing of Environment, 2016, 183: 350-367.

[4]
SUN D Y, CHEN Y, WANG S Q, et al. Using Landsat 8 OLI data to differentiate Sargassum and Ulva prolifera blooms in the South Yellow Sea[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 98: 102302.

[5]
王明清, 姜鹏, 王金锋, 等. 2007年夏季青岛石莼科(Ulvaceae)绿藻无机元素含量分析[J]. 生物学杂志, 2008, 25(4):37-38,9.

WANG M Q, JIANG P, WANG J F, et al. Inorganic elements analysis for Ulvaceae species from Qingdao coasts in 2007[J]. Journal of Biology, 2008, 25(4): 37-38, 9.

[6]
LIU X Q, WANG Z L, ZHANG X L. A review of the green tides in the Yellow Sea, China[J]. Marine Environmental Research, 2016, 119: 189-196.

DOI PMID

[7]
JIN Q, DONG S L. Comparative studies on the allelopathic effects of two different strains of Ulva pertusa on Heterosigma akashiwo and Alexandrium tamarense[J]. Journal of Experi-mental Marine Biology and Ecology, 2003, 293(1): 41-55.

[8]
NELSON T A, LEE D J, SMITH B C. Are “green tides” harmful algal blooms? Toxic properties of water-soluble extracts from two bloom-forming macroalgae, Ulva fenestrate and Ulvaria obscura (Ulvophyceae)[J]. Journal of Phycology, 2003, 39: 874-879.

[9]
VAN ALSTYNE K L, KOELLERMEIER L, NELSON T A. Spatial variation in dimethylsulfoniopropionate (DMSP) production in Ulva lactuca (Chlorophyta) from the Northeast Pacific[J]. Marine Biology, 2007, 150(6): 1127-1135.

[10]
WANG Z L, XIAO J, FAN S L, et al. Who made the world's largest green tide in China? —An integrated study on the initiation and early development of the green tide in Yellow Sea[J]. Limnology and Oceanography, 2015, 60(4): 1105-1117.

[11]
ZHOU M J, LIU D Y, ANDERSON D M, et al. Introduction to the Special Issue on green tides in the Yellow Sea[J]. Estuarine, Coastal and Shelf Science, 2015, 163: 3-8.

[12]
吉会峰, 刘吉堂, 莫旭冬, 等. 江苏重点海域绿潮漂移扩散数值模拟[J]. 海洋科学, 2018, 42(5):82-91.

JI H F, LIU J T, MO X D, et al. Numerical simulation of the green tide drift and diffusion in the sea areas of Jiangsu Province[J]. Marine Sciences, 2018, 42(5): 82-91.

[13]
黄娟, 吴玲娟, 高松, 等. 黄海绿潮应急漂移数值模拟[J]. 海洋预报, 2011, 28(1):25-32.

HUANG J, WU L J, GAO S, et al. Numerical simulation of emergency drift of green tide in the Yellow Sea[J]. Marine Forecasts, 2011, 28(1): 25-32.

[14]
李燕, 李云, 刘钦政. 浒苔漂移轨迹预报系统[J]. 海洋预报, 2010, 27(4):74-78.

LI Y, LI Y, LIU Q Z. Prediction system of drift trajectory of Enteromorpha prolifera[J]. Marine Forecasts, 2010, 27(4): 74-78.

[15]
赵昌, 尹丽萍, 王关锁, 等. 黄海浒苔漂移输运模式的建立与应用[J]. 海洋与湖沼, 2018, 49(5):1075-1083.

ZHAO C, YIN L P, WANG G S, et al. The modelling of Ulva prolifera transport in the Yellow Sea and its application[J]. Oceanologia et Limnologia Sinica, 2018, 49(5): 1075-1083.

[16]
何恩业, 季轩梁, 黄洪辉, 等. 近10a黄海浒苔绿潮时空分布特征分析[J]. 海洋预报, 2021, 38(6):1-11.

HE E Y, JI X L, HUANG H H, et al. The spatial and temporal distribution of Ulva prolifera in the Yellow Sea in recent 10 years[J]. Marine Forecasts, 2021, 38(6): 1-11.

[17]
LONGUET-HIGGINS M. Mass transport in water waves[J]. Philosophical Transactions of the Royal Society of London Series A, Mathematical and Physical Sciences, 1953, 245: 535-581.

[18]
KENYON K E. Stokes transport[J]. Journal of Geophysical Research, 1970, 75(6): 1133-1135.

[19]
FENG M, CAPUTI N, PENN J, et al. Ocean circulation, Stokes drift, and connectivity of western rock lobster (Panulirus cygnus) population[J]. Canadian Journal of Fisheries and Aquatic Sciences, 2011, 68(7): 1182-1196.

[20]
ONINK V, WICHMANN D, DELANDMETER P, et al. The role of Ekman Currents, geostrophy, and Stokes drift in the accumulation of floating microplastic[J]. Journal of Geophysical Research Oceans, 2019, 124(3): 1474-1490.

[21]
RÖHRS J, CHRISTENSEN K H, VIKEBØ F, et al. Wave-induced transport and vertical mixing of pelagic eggs and larvae[J]. Limnology and Oceanography, 2014, 59(4): 1213-1227.

[22]
MONISMITH S G, FONG D A. A note on the potential transport of scalars and organisms by surface waves[J]. Limnology and Oceanography, 2004, 49(4): 1214-1217.

[23]
STOKES G G. On the theory of oscillatory waves[J]. Transactions of the Cambridge Philosophical Society, 1984, 8: 441-455.

[24]
HASSELMANN K. Wave-driven inertial oscillations[J]. Geophysical Fluid Dynamics, 1970, 1(3/4): 463-502.

[25]
刘金林, 杨晓倩, 李继业, 等. 黄海绿潮暴发期间浒苔沉降研究进展[J]. 环境污染与防治, 2020, 42(5):614-618.

LIU J L, YANG X Q, LI J Y, et al. Research progress on settled mature Ulva prolifera during the outbreak of green tide in the Yellow Sea[J]. Environmental Pollution & Control, 2020, 42(5): 614-618.

[26]
吴青. 浒苔漂浮与沉降机制研究[D]. 上海: 上海海洋大学, 2015.

WU Q. Mechanism of floating and sinking for Ulva prolifera[D]. Shanghai: Shanghai Ocean University, 2015.

Outlines

/