The spatial characteristics of marine heatwaves and their influencing factors in the South China Sea

  • PENG Xiaomeng , 1, 2 ,
  • YU Yi , 1, 2, 3, * ,
  • MA Wentao 1, 2, 3 ,
  • YAN Yunwei 4
Expand
  • 1. Second Institute of Oceanography, MNR, Hangzhou 310012, China
  • 2. State Key Laboratory of Satellite Ocean Environment Dynamics, Hangzhou 310012, China
  • 3. Donghai Laboratory, Zhoushan 316000, China
  • 4. Oceanography College, Hohai University, Nanjing 210000, China

Received date: 2024-01-24

  Revised date: 2024-04-01

  Online published: 2025-02-08

Abstract

Using the data of high resolution satellite sea surface temperature (SST) from January 1, 1990 to December 31, 2020, the spatial characteristics of marine heatwaves (MHWs) in the South China Sea were identified with a deep-first-search algorithm, and the characteristics of marine heatwaves at different spatial scales were further investigated. The results indicated that the small-scale marine heatwave events in the South China Sea (Type I MHWs, area<1.8×104 km2) occurred the most frequently, accounting for 94.20% of the total marine heatwave occurrences. Large-scale marine heatwaves with areas exceeding 1.2×105 km2 (Type III MHWs) occurred only 74 times during the 31-year period, with the largest event recorded in 2015. Further analysis revealed significant differences in the spatial distribution of intensity, duration, and frequency of marine heatwaves for different spatial scales. Compared to Type I MHWs, Type II MHWs (1.8×104~1.2×105 km2) exhibited a noticeable increase in the average coverage area with an intensity exceeding 1.5 ℃. Statistical analysis showed that the intensity, duration, and cumulative intensity of South China Sea MHWs increased with the spatial scale of the MHWs. The intensity of Type III MHWs was 1.4 times that of Type I MHWs and 1.2 times that of Type II MHWs. In addition, the response of South China Sea MHWs areas to the El Niño-Southern Oscillation (ENSO) was also investigated. The results showed a significant increase in the areas of Type I to III MHWs during El Niño periods, with a lag of 6 to 7 months. The duration of Type III MHWs during El Niño was longer by 2 days compared to La Niña periods. This study explored the fundamental characteristics of South China Sea MHWs areas and further analyzed the commonalities and differences of MHWs at different spatial scales, providing new insights into the characteristics and mechanisms of the formation and dissipation of South China Sea MHWs.

Cite this article

PENG Xiaomeng , YU Yi , MA Wentao , YAN Yunwei . The spatial characteristics of marine heatwaves and their influencing factors in the South China Sea[J]. Journal of Marine Sciences, 2024 , 42(4) : 21 -33 . DOI: 10.3969/j.issn.1001-909X.2024.04.003

0 引言

在全球气候变暖的影响下,各种类型极端气候事件发生的频率升高,给社会、经济、生态等方面带来显著影响。海洋中常见的极端事件有缺氧事件[1]、海面温度(sea surface temperature, SST)异常降低[2]或升高[3]等,其中海水异常升温并持续一段时间的极端事件称为海洋热浪(marine heatwaves, MHWs)[4]。海洋热浪对海洋生态系统、渔业等影响十分显著,海洋热浪的发生通常会导致海洋初级生产力的降低[5-6]、生物栖息地的破坏[7]、珊瑚白化[8]以及生物分布和种群结构的改变[9]。在全球气候变暖的影响下,海洋热浪发生的频率和强度有所增加,呈现出更为复杂的变化特征[10-12]。复杂多变的海洋热浪会受到多种动力过程的影响,例如海气相互作用、海洋环流和大尺度气候过程等[13-14],并且不同海域海洋热浪的形成机制存在显著差异[15]。热带海域海洋热浪主要受ENSO等大尺度气候过程的影响[16];对中高纬度海域而言,许多标志性海洋热浪(例如Blob)则与阻塞高压及其导致的海气相互作用有关[16-17]。海洋热浪的时空分布特征及影响机制十分复杂,而系统研究海洋热浪时空特征及机制的基础是准确地识别海洋热浪。
如何选取温度阈值是判断海洋热浪事件的第一步。考虑到海洋上层生物的耐热性,可以将超过固定温度阈值的高温事件判别为海洋热浪[18],但是该方案对识别暖季节的海洋热浪较为有效,对冷季节的海洋热浪识别能力较差。另一个更为有效的判别方法是基于大气热浪识别方案的百分位阈值法,该方法是将多年(通常选取30年)同一天的SST从低到高排序,选取某个百分位的SST作为阈值来定义海洋热浪。相对于以第99百分位数或其他百分位数作为判断阈值来定义海洋热浪事件[19],将第90百分位数作为判断阈值得到了更广泛的应用[4]。该方法将SST高于阈值且持续时间不少于5 d的异常高温事件定义为一次海洋热浪事件,若两次事件的间隔时间不超过2 d,则认定为同一海洋热浪事件。在确定海洋热浪事件的起止时间后可以进一步通过统计来获得海洋热浪的发生频率、强度、持续时间等基本特征。
除了海洋热浪的发生频率、强度以及持续时间具有空间差异性,不同海洋热浪事件的面积也有明显差异[14]。例如,2015年东北太平洋海洋热浪事件核心面积超过5 000 km2[14],而2003年地中海海洋热浪面积约为200 km2[20]。海洋热浪面积的差异性对区域气候以及海洋生态系统有着不同的影响。然而当前广泛使用的热浪判别方法无法直接获得海洋热浪的面积信息。SUN等[21]使用K最近邻分类算法(K-nearest neighbor,KNN)对全球海洋热浪面积特征进行了分析,该方法可以高效准确地得到大洋海洋热浪面积特征信息;另外一种常用的海洋热浪面积识别方法是将同一时刻发生海洋热浪的相邻格点统计为一次海洋热浪事件[10,22]。然而,上述研究主要聚焦于大洋中强度较高、面积较大的海洋热浪事件,例如SUN等[21]、GUPTA等[22]都仅统计了面积大于5°×5°的海洋热浪事件。从海洋热浪发生频率的空间分布得知,海洋热浪发生频繁的区域与中尺度涡活跃的区域高度重合[14],因此对较小尺度的海洋热浪开展研究也具有十分重要的意义,但是目前有关较小尺度海洋热浪面积特征的识别研究较少。
作为西北太平洋最大的边缘海,南海(South China Sea, SCS)约有8 000 km2珊瑚礁分布其中[23]。珊瑚礁对南海的海洋生态环境、渔业以及人类活动有着重要的影响。随着全球气候变暖,南海珊瑚礁面积在过去50年有显著的下降[23]。其中,海洋热浪是影响珊瑚礁面积变化的重要因素之一[24],因此需要对南海海洋热浪的基本特征和动力机制开展研究。已有的研究表明,在全球气候变暖的影响下,南海海洋热浪的持续时间、强度、发生频率等都有显著变化[25-27],北部湾及南沙群岛是主要的南海海洋热浪发生区域,近10年中该区域发生海洋热浪更加频繁[25]。动力诊断分析发现,南海海洋热浪的形成和维持既会受到海洋上升流、海气相互作用等局地动力过程的影响,也会受到ENSO和西北太平洋亚热带高压等大尺度气候信号的影响[15,25,27-28]。然而,关于南海海洋热浪面积特征及其影响机制研究的工作还相对较少。
本文以南海为例,采用深度优先搜索算法对海洋热浪面积进行识别,系统分析不同面积海洋热浪的持续时间、强度、发生频率等特征,并探究了南海海洋热浪面积变化与大尺度气候信号的关系。

1 数据与方法

1.1 数据

本文使用的SST数据来自于美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)的逐日最佳插值海面温度数据[29](https://psl.noaa.gov/data/gridded/data.noaa.oisst.v2.highres.html)。该SST数据空间分辨率为0.25°×0.25°,其将多个卫星遥感SST数据进行融合,并进一步利用船测及浮标数据进行修正获得,已被广泛应用于海洋热浪研究[25]。选用的SST数据的时间范围为1990年1月1日—2020年12月31日,共31年。用海洋气候观测小组(Ocean Observations Panel for Climate,OOPC)提供的Niño3.4指数来研究不同面积南海海洋热浪对ENSO信号的响应特征。本文使用的海面风场数据来源于欧洲中期预报中心(European Center for Medium-Range Weather Forecasts, ECMWF)的ERA-Interim再分析数据[30]。风场数据为日均数据,空间分辨率为0.25°×0.25°。选用的海面风场数据的时间长度为1990年1月1日—2020年12月31日,与SST数据的时间长度保持一致。

1.2 南海海洋热浪基本要素定义

海洋热浪可以认为是一次海水温度持续异常偏高的离散事件[31],本文使用HOBDAY等[4]提出的海洋热浪计算方法来判别南海海洋热浪。选取1990—2020年以每日为中心的前、后11 d窗口内所有年份的SST,将选取的SST从低到高排序后的第90百分位数定义为某日的SST阈值。当SST有连续5 d及以上天数超过相应的阈值时,定义为一次海洋热浪事件。如果两次海洋热浪事件间隔的天数不超过2 d,则认为是同一个海洋热浪事件(图1a)。利用上述判别方法可以得到海洋热浪的开始时间(ts)、结束时间(te)、持续时间(tdur)、平均强度(Imean)和累积强度(Icum)等海洋热浪的基本特征信息。南海海洋热浪特征的主要统计指标计算方法如表1所示[32]
图1 海洋热浪定义示意图(a)及1999年1月18日南海海洋热浪空间分布(b)

Fig.1 Schematic of metrics used to define a marine heatwave (a), and distribution of MHWs in the South China Sea on January 18, 1999 (b)

表1 海洋热浪的基本特征要素

Tab.1 The metrics to character marine heatwaves

指标 定义 计算公式 单位
θclim 在一个时段内计算的气候态SST θ c l i m ( j ) = y s y e j - 5 j + 5 θ ( y , d ) 11 ( y e - y s + 1 )
m90 气候态SST的第90百分位数 m90(j)=P90(X)
tdur 海洋热浪持续的时间 tdur=te-ts d
f 海洋热浪发生的频次 f=n
Imean 平均强度,即在海洋热浪持续时间中的平均异常温度 I m e a n = θ ( t ) - θ c l i m ( j ) ¯
Icum 累积强度,即从开始时间到结束时间内异常温度的总和 I c u m = t s t e   [ θ ( t ) θ c l i m ( j ) ] d t ℃·d

注:某日SST用θ(t)表示,θ(y, d)指第y年第d天的SST, j表示某天,ysye分别为气候态SST的开始日期和结束日期;P90为SST从低到高排列后的第90百分位数, X =   θ ( y , d ) | y s y y e ,   j - 5 d j + 5;tste分别为海洋热浪的开始日期和结束日期。

通过上述海洋热浪的判别方法[32],可以得到南海每个格点的海洋热浪信息,由此可以进一步得到每天南海海洋热浪的空间分布,如图1b所示。然而,此时仍然无法从单个格点的海洋热浪信息中提取出海洋热浪事件面积特征。因此,我们进一步使用深度优先搜索算法(depth-first-search,DFS)[33],对同一天开始发生的海洋热浪进行空间划分。该算法从源节点开始,按顺序访问新节点,不断递归执行该过程,直到某节点不能再访问到下一个节点为止,如果还存在未被发现的节点,则选择上一个节点作为源节点并重复以上过程,整个进程反复进行直到所有相邻节点都被访问为止(图2a)。基于此算法,可将两个或以上相邻点所在的区域视为一次海洋热浪发生的面积。同样以1999年1月18日为例,同时发生海洋热浪的像素点(图1b)通过此算法进行面积识别,分析发现,当日共发生了6次海洋热浪事件。识别海洋热浪事件之后,将某一次海洋热浪事件发生范围内所有像素点的平均强度、累积强度、持续时间的区域平均值定义为该次海洋热浪事件的平均强度、累积强度和持续时间。
图2 深度搜索算法示例图(a)以及1999年1月18日海洋热浪事件面积示意图(b)

(图a中不同颜色箭头代表不同访问顺序。图b中不同颜色代表不同的海洋热浪事件。)

Fig. 2 Depth-first-search algorithm example diagram (a), and the area diagram of the MHWs events occurred on January 18, 1999 (b)

(In fig.a, arrow paths indicate the visiting order. In fig.b, different colors represent different MHWs events.)

2 结果与分析

2.1 南海海洋热浪面积分类

已有的研究表明,海洋热浪会受到不同特征尺度的动力过程影响[14]。不难推测,由不同动力过程调控的海洋热浪面积也会有显著的差异。南海具有尺度极其丰富的季风、环流、中尺度涡、锋面、冲淡水等动力系统[34],因此本文将南海典型中尺度涡(半径为75~200 km)的面积作为海洋热浪面积划分的阈值,将南海海洋热浪划分为三种类型,进而统计不同类型海洋热浪的基本特征及影响机制。将海洋热浪面积小于1.8×104 km2的定义为Ⅰ类海洋热浪,即小尺度海洋热浪;将面积介于1.8×104~1.2×105 km2的定义为Ⅱ类海洋热浪,即中尺度海洋热浪;将面积大于1.2×105 km2的定义为Ⅲ类海洋热浪,即大尺度海洋热浪。表2展示了1990—2020年三种类型南海海洋热浪的基本特征。通过统计发现,Ⅰ类海洋热浪事件的平均面积最小,但是发生次数达到5万余次,远高于Ⅱ类、Ⅲ类海洋热浪的发生次数,因此Ⅰ类海洋热浪的总面积最大。此结果表明,南海海洋热浪主要表现为较小尺度的海洋热浪。Ⅲ类海洋热浪在31年中发生次数仅为74次,发生次数最多的年份为1998年,其中2015年发生的南海海洋热浪面积最大,达到4.0×105 km2。由此可以初步推测,影响Ⅲ类海洋热浪的动力过程可能为大尺度气候信号,具体分析见3.3节。从三种类型海洋热浪的概率密度分布图可以发现,三种类型海洋热浪的发生次数随着面积的增大都显著减少,而当Ⅲ类海洋热浪面积大于1.8×105 km2后,海洋热浪的发生次数无明显的下降趋势(图3)。
表2 1990—2020年三种类型海洋热浪的基本特征

Tab.2 The characteristics of three types of MHWs from 1990 to 2020

类别 占比/% 总面积/km2 总次数/次 平均面积/km2
Ⅰ类 94.20 161 175 000 51 445 3 133
Ⅱ类 5.67 109 211 100 3 096 35 275
Ⅲ类 0.13 12 783 900 74 172 755
图3 三种类型南海海洋热浪面积概率密度图

Fig.3 Area probability density map of three types of MHWs in the South China Sea

2.2 南海海洋热浪面积特征分析

首先,我们计算了南海海洋热浪的平均强度、持续时间以及发生频率的空间分布(图4)。如图4a所示,海洋热浪强度较高的区域主要为南海北部陆架海域、越南上升流区以及吕宋岛西北海域,以上海区均存在着较为充沛的海洋锋面过程[35]。由此可知,南海强度较高的海洋热浪可能与锋面过程有关。从海洋热浪强度和持续时间的空间分布可以看出,两者存在明显差异。例如,南海北部海洋热浪强度最强,但持续时间不是最长;而南海海盆中部的海洋热浪强度较弱,但持续时间可以达到10 d以上。北部湾、西沙群岛和南沙群岛西部存在持续时间超过11 d以上的海洋热浪,其中西沙群岛以及北部湾分布着较为密集的珊瑚礁[14],持续时间较长的海洋热浪可能会对珊瑚礁产生不利影响。
图4 1990—2020年南海海洋热浪的平均强度(a)、持续时间(b)以及发生频率(c)的空间分布

Fig.4 The distribution of mean intensity (a), duration (b) and frequency (c) of MHWs in the South China Sea from 1990 to 2020

不同空间尺度海洋热浪的强度、持续时间及发生频率的空间分布有显著差异性(图5)。Ⅰ类海洋热浪的发生次数占南海热浪总次数的94.20%(表2),因此,Ⅰ类海洋热浪的强度、持续时间以及发生频率的空间分布与南海整体海洋热浪的空间特征相似。与Ⅰ类海洋热浪相比,Ⅱ类海洋热浪平均强度超过1.5 ℃的覆盖范围有所增加,进一步延伸至海南岛南部、菲律宾群岛西北部和中南半岛东部沿岸(图5b)。如图5c所示,Ⅲ类海洋热浪在近海的覆盖面积较少,主要表现为海盆尺度的分布特征,在东沙群岛、中沙群岛和南沙群岛西北部海区的强度较高,最高平均强度可达2.5 ℃。进一步研究发现,海洋热浪面积越大,其持续时间长的海洋热浪空间覆盖面积也越大(图5d,5e,5f)。Ⅱ类、Ⅲ类海洋热浪持续时间大于15 d的覆盖面积集中在南海东部和中部,最长可以持续25 d;而Ⅲ类海洋热浪事件在南沙群岛附近海域的持续时间可达到30 d以上。三种类型海洋热浪的发生频率也存在显著差异。Ⅰ类海洋热浪因占比较高,在整个南海区域均有发生,尤其是南海北部沿岸海域的发生频率更高,可达2.5 次/a。Ⅱ类、Ⅲ类海洋热浪发生的频率较Ⅰ类有显著减少,Ⅱ类平均发生频率为0.8 次/a,Ⅲ类仅为0.1 次/a。
图5 南海三种类型海洋热浪的平均强度(a, b, c)、持续时间(d, e, f)以及发生频率(g, h, i)的空间分布

Fig.5 The distribution of mean intensity (a, b, c), duration (d, e, f) and frequency (g, h, i) for three types of MHWs in the South China Sea

为探究南海海洋热浪面积与强度、持续时间的定量关系,我们对1990—2020年的南海三种类型海洋热浪空间尺度信息进行统计分析。结果表明,海洋热浪的强度、持续时间、累积强度随着海洋热浪面积的增大均呈递增趋势(图6)。Ⅲ类海洋热浪平均强度的中位数分别比Ⅰ类、Ⅱ类海洋热浪高0.17 ℃、0.10 ℃,持续时间则比Ⅰ类、Ⅱ类高2 d、1 d。已有的研究表明,累积强度高(强度高且持续时间长)的海洋热浪对海洋生态的影响较为显著[14]图6c表明,Ⅲ类海洋热浪累积强度的中位数是Ⅰ类海洋热浪的1.4倍,是Ⅱ类的1.2倍,并且Ⅲ类海洋热浪的累积强度可以达到38.5 ℃·d,远高于Ⅰ类海洋热浪的累积强度最大值27.3 ℃·d。由此可以推测,Ⅲ类海洋热浪虽然发生次数较少,但是可能会对南海海洋生态环境产生较大影响。
图6 三种类型海洋热浪的平均强度(a)、持续时间(b)以及累积强度(c)箱式图

Fig.6 The box plot of mean intensity (a), duration (b) and cumulative intensity (c) for three types of MHWs

2.3 ENSO对不同空间尺度南海海洋热浪的影响

海洋热浪通常与ENSO事件有着密切联系,ENSO会造成海面温度在短时间内异常升高,超过海洋生物生存适宜温度的上限,从而造成海洋生态系统的破坏[36]。南海受ENSO信号的影响明显,当发生厄尔尼诺事件时,南海的众多动力过程都有显著的变化[37]。因此,我们进一步分析了南海海洋热浪面积和厄尔尼诺事件的关系。由图7可知,南海海洋热浪面积与Niño3.4指数具有正相关性。当厄尔尼诺发生时(1997/1998年,2009/2010年,2015/2016年), 三种类型海洋热浪每月发生总面积通常达到峰值。早期的研究发现,在厄尔尼诺事件发生时,通常伴随着南海较强的增温事件[37]。不难推测,增温事件会诱导南海产生更多的海洋热浪事件,从而导致统计面积有所增加。其中,单次Ⅲ类海洋热浪事件面积的最大值出现在2015年9月,而Ⅰ类、Ⅱ类海洋热浪面积的最大值则分别出现在1998年5月和2015年11月。
图7 1990—2020年南海三种类型海洋热浪每月发生的热浪总面积以及Niño3.4指数的时间序列

(图中橙色代表海洋热浪每月发生的总面积,红色表示Niño3.4指数正值,蓝色表示Niño3.4指数负值,灰色虚线为Niño3.4指数的±0.5 ℃等值线。)

Fig.7 The time series of monthly total area of the three types of MHWs in the South China Sea and the Niño3.4 index from 1990 to 2020

(The orange color denotes the monthly total area of MHWs, the red color denotes positive Niño3.4 index values, the blue color denotes negative Niño3.4 index values, the gray dashed lines denote ±0.5 ℃ Niño3.4 index.)

我们也分别计算了三种类型海洋热浪总面积与Niño3.4指数的超前-滞后关系,发现Ⅰ类海洋热浪面积滞后Niño3.4指数7个月、Ⅱ类海洋热浪面积滞后7个月、Ⅲ类海洋热浪面积滞后6个月时,两者的正相关系数达到最大。已有的研究表明,南海海盆SST的增温通常滞后于厄尔尼诺事件5~8个月[37-39],与本研究中海洋热浪面积的滞后月份基本一致。该结果进一步证明了厄尔尼诺事件导致南海SST增高,从而使海洋热浪面积在同时期增大。
相对于拉尼娜事件,南海海洋热浪在厄尔尼诺事件时期每月发生总面积会有所增大(图8c,8f,8i),其中Ⅱ类海洋热浪每月发生总面积的增加最为显著,达到3.32×105 km2。另外,三种类型海洋热浪的平均强度和持续时间在不同时期也有明显的差异性(图8)。其中厄尔尼诺事件时期Ⅲ类海洋热浪持续时间的中位数比拉尼娜时期长2 d。
图8 厄尔尼诺时期和拉尼娜时期三种类型海洋热浪平均强度(a,d,g)、持续时间(b,e,h)以及每月发生总面积(c,f,i)的箱式图

Fig.8 The box plot of mean intensity (a, d, g), duration (b, e, h), monthly total area (c, f, i) for three types of MHWs during El Niño events and La Niña events

进一步研究发现,不同气候事件发生时期,三种类型海洋热浪的强度、持续时间以及发生频率的空间分布也有显著差异(图9图10)。较为明显的差异表现为:Ⅲ类海洋热浪的面积在拉尼娜事件发生时会覆盖到吕宋海峡区域,而厄尔尼诺事件期间则在南海西南海域覆盖面积较大。在两种气候事件发生时期,Ⅰ类和Ⅱ类海洋热浪强度的空间分布差异较小,而持续时间和发生频率的空间分布则差异显著。当厄尔尼诺事件发生时,持续时间超过25 d的Ⅰ类和Ⅱ类海洋热浪事件主要存在于南海海盆中部及西部(图9d,9e);而拉尼娜事件发生时,则主要覆盖于吕宋海峡及南海东部海域(图10d,10e)。图9g10g表明,厄尔尼诺时期,Ⅰ类海洋热浪事件更容易在南海陆架海区发生,而拉尼娜期间则更容易在吕宋海峡及南海西部海域发生。
图9 厄尔尼诺事件期间南海三种类型海洋热浪的平均强度(a, b, c)、持续时间(d, e, f)以及发生频率(g, h, i)的空间分布

Fig.9 The distribution of mean intensity (a, b, c), duration (d, e, f), frequency (g, h, i) of three types of MHWs in the South China Sea during El Niño events

图10 拉尼娜事件期间南海三种类型海洋热浪的平均强度(a, b, c)、持续时间(d, e, f)以及发生频率(g, h, i)的空间分布

Fig.10 The distribution of mean intensity (a, b, c), duration (d, e, f), frequency (g, h, i) of three types of MHWs in the South China Sea during La Niña events

南海主要受东亚季风的影响[40],因此本文分析了南海风场变化对南海海洋热浪的影响。如图11a11b所示,南海夏季盛行西南季风,会在越南东南海域形成上升流,进而形成冷舌;而冬季盛行东北季风,在风场的驱动下,南海北部的冷水可以向南输送[36]。当厄尔尼诺发生时,南海风场会发生明显的变化(图11c11d)。夏季季风在南海北部以及越南东南海域存在减弱的特征(图11c),该海域季风的减弱会削弱越南上升流的强度[40],从次表层带到表层的冷水减少。同时风场的改变也会阻止沿岸冷水向海盆中部流动,从而导致夏季南海海盆中部SST的升高。如图11d所示,厄尔尼诺时期,冬季的南海北部存在西南风的异常,从而导致东北季风的减弱。一方面,季风的减弱会使冬季西边界流变弱[41],由北向南的冷水输送也会减小;另一方面,风速变小会减小海洋的热损失[42],也会使SST增加。由此可知,厄尔尼诺期间风场的改变会导致SST的升高,从而使南海海洋热浪的发生面积有所增加。
图11 气候态平均的南海夏季风场(a)和冬季风场(b);厄尔尼诺发生时期南海夏季(c)和冬季(d)相对于气候态平均的风场异常分布

Fig.11 The climatological mean surface wind vectors in summer (a) and winter (b); the anomalous surface wind vectors in summer (c) and winter (d) in the South China Sea during El Niño events

3 讨论与小结

3.1 讨论

海洋热浪对海洋生态系统有着重要的影响,因此海洋学家针对不同海域海洋热浪的强度、持续时间以及发生频率等基本特征开展了一系列研究,并同时探讨了典型海洋热浪事件的动力机制[14]。近几十年来,关于海洋热浪的研究成指数级增加[43],但是有关海洋热浪事件面积特征的研究却相对较少。已有的研究主要是通过单个格点或者固定面积海区平均的SST来获得海洋热浪强度、持续时间等信息,但忽略了海洋热浪面积这一重要指标。本文利用深度优先搜索算法获得了南海海洋热浪面积的基本特征,并初步探讨了其动力机制。但本文使用的海洋热浪面积识别算法未将海洋热浪不同情景变化考虑在内,存在一定的不确定性。该面积识别算法与前人使用的算法类似,简单地将位置相邻并且同时发生的海洋热浪归为一次海洋热浪事件。该方法无法识别海洋热浪事件的移动、合并和分裂等动态过程。例如,同一天发生的,边缘距离相近的不同海洋热浪事件应归为同一事件,但本文将这种情况仍归为独立的多个海洋热浪事件。SUN等[21]基于中尺度涡追踪算法准确识别了大洋海洋热浪迁移及面积变化等过程,但南海海洋热浪的尺度和变率相对于大洋海洋热浪更加复杂多变,该方法是否可以运用到南海海域还需进一步验证。未来我们计划进一步完善海洋热浪事件的面积识别算法,将海洋热浪事件的不同变化情况考虑在内,从而减小研究的不确定性。
海洋热浪的主要驱动因素包括海洋的局地作用和大尺度气候信号的遥相关影响[14]。本文重点关注了大尺度气候信号对南海海洋热浪面积的影响特征。研究发现,当厄尔尼诺事件发生时,南海海洋热浪面积显著增加。我们也初步分析了南海风速与海洋热浪的关系。当南海风速减小时,混合层深度可能变浅,从而更容易诱导海洋热浪的发生。但我们没有进一步定量分析影响南海海洋热浪面积的具体动力过程。混合层温度收支方程分析是研究影响海洋热浪动力过程的常用方法[14],海洋热浪通常受到水平平流、海气热交换、垂直混合等过程影响,而这些过程在南海发生厄尔尼诺事件时,往往会发生显著的变化[36]。因此下一步计划使用混合层温度收支方程定量分析影响南海海洋热浪的动力过程。

3.2 小结

本文利用卫星遥感观测数据,采用深度优先搜索算法对1990—2020年南海海洋热浪进行空间识别,在此基础上进一步按照海洋热浪的面积将其划分为小尺度海洋热浪(Ⅰ类海洋热浪)、中尺度海洋热浪(Ⅱ类海洋热浪)以及大尺度海洋热浪(Ⅲ类海洋热浪)三种类型。通过以上识别及分类,获得了南海海洋热浪面积的基本信息。统计分析结果表明,南海绝大多数海洋热浪为Ⅰ类海洋热浪,并且强度较高的Ⅰ类海洋热浪主要发生在南海沿岸海域;南海海洋热浪面积与其平均强度、持续时间和累积强度均存在显著的正相关关系,Ⅲ类海洋热浪累积强度的中位数是Ⅰ类海洋热浪的1.4倍,是Ⅱ类的1.2倍,并且Ⅲ类海洋热浪的累积强度可以达到38.5 ℃·d,远高于Ⅰ类海洋热浪的27.3 ℃·d。进一步分析ENSO对三种类型海洋热浪面积的影响可知,当厄尔尼诺事件发生时,南海海洋热浪面积显著增加,并存在6~7个月的滞后关系。三种类型海洋热浪的平均强度等特征在厄尔尼诺事件和拉尼娜事件期间的空间分布也存在显著差异性。该研究探究了南海海洋热浪覆盖面积这一重要指标,并分析了不同空间尺度海洋热浪的共性和差异性,为深入了解南海海洋热浪生消特征及机制提供了新的研究思路。
[1]
STRAMMA L, SCHMIDTKO S, LEVIN L A, et al. Ocean oxygen minima expansions and their biological impacts[J]. Deep Sea Research Part I: Oceanographic Research Papers, 2010, 57(4): 587-595.

[2]
FIRTH L B, KNIGHTS A M, BELL S S. Air temperature and winter mortality: Implications for the persistence of the invasive mussel, Perna viridis in the intertidal zone of the south-eastern United States[J]. Journal of Experimental Marine Biology and Ecology, 2011, 400(1/2): 250-256.

[3]
DI LORENZO E, MANTUA N. Multi-year persistence of the 2014/15 North Pacific marine heatwave[J]. Nature Climate Change, 2016, 6(11): 1042-1047.

DOI

[4]
HOBDAY A J, ALEXANDER L V, PERKINS S E, et al. A hierarchical approach to defining marine heatwaves[J]. Progress in Oceanography, 2016, 141: 227-238.

[5]
CHEUNG W W L, FRÖLICHER T L. Marine heatwaves exacerbate climate change impacts for fisheries in the northeast Pacific[J]. Scientific Reports, 2020, 10(1): 6678.

DOI PMID

[6]
SMALE D A, WERNBERG T, OLIVER E C J, et al. Marine heatwaves threaten global biodiversity and the provision of ecosystem services[J]. Nature Climate Change, 2019, 9(4): 306-312.

[7]
WERNBERG T, BENNETT S, BABCOCK R C, et al. Climate-driven regime shift of a temperate marine ecosystem[J]. Science, 2016, 353(6295): 169-172.

DOI PMID

[8]
EAKIN C M, SWEATMAN H P A, BRAINARD R E. The 2014-2017 global-scale coral bleaching event: Insights and impacts[J]. Coral Reefs, 2019, 38(4): 539-545.

DOI

[9]
MUNARI C. Effects of the 2003 European heatwave on the benthic community of a severe transitional ecosystem (Comacchio Saltworks, Italy)[J]. Marine Pollution Bulletin, 2011, 62(12): 2761-2770.

DOI PMID

[10]
FRÖLICHER T L, FISCHER E M, GRUBER N. Marine heatwaves under global warming[J]. Nature, 2018, 560(7718): 360-364.

[11]
CAVOLE L, DEMKO A, DINER R E, et al. Biological impacts of the 2013-2015 warm-water anomaly in the northeast Pacific: Winners, losers, and the future[J]. Oceanography, 2016, 29(2): 273-285.

[12]
OLIVER E C J, DONAT M G, BURROWS M T, et al. Longer and more frequent marine heatwaves over the past century[J]. Nature Communications, 2018, 9(1): 1324.

DOI PMID

[13]
HOLBROOK N J, SEN GUPTA A, OLIVER E C J, et al. Keeping pace with marine heatwaves[J]. Nature Reviews Earth & Environment, 2020, 1(9): 482-493.

[14]
OLIVER E C J, BENTHUYSEN J A, DARMARAKI S, et al. Marine heatwaves[J]. Annual Review of Marine Science, 2021, 13(1): 313-342.

[15]
胡石建, 李诗翰. 海洋热浪研究进展与展望[J]. 地球科学进展, 2022, 37(1):51-64.

DOI

HU S J, LI S H. Progress and prospect of marine heatwave study[J]. Advances in Earth Science, 2022, 37(1): 51-64.

DOI

[16]
HOLBROOK N J, SCANNELL H A, GUPTA A S, et al. A global assessment of marine heatwaves and their drivers[J]. Nature Communications, 2019, 10(1): 2624.

DOI PMID

[17]
OLIVER E C J, BENTHUYSEN J A, BINDOFF N L, et al. The unprecedented 2015/16 Tasman Sea marine heatwave[J]. Nature Communications, 2017, 8: 16101.

DOI PMID

[18]
WERNBERG T, SMALE D A, TUYA F, et al. An extreme climatic event alters marine ecosystem structure in a global biodiversity hotspot[J]. Nature Climate Change, 2013, 3(1): 78-82.

[19]
MARBÀ N, JORDÀ G, AGUSTÍ S, et al. Footprints of climate change on Mediterranean Sea biota[J]. Frontiers in Marine Science, 2015, 2: 56.

[20]
OLITA A, SORGENTE R, NATALE S, et al. Effects of the 2003 European heatwave on the Central Mediterranean Sea: Surface fluxes and the dynamical response[J]. Ocean Science, 2007, 3(2): 273-289.

[21]
SUN D, JING Z, LI F R, et al. Characterizing global marine heatwaves under a spatio-temporal framework[J]. Progress in Oceanography, 2023, 211: 102947.

[22]
GUPTA A S, THOMSEN M, BENTHUYSEN J A, et al. Drivers and impacts of the most extreme marine heatwaves events[J]. Scientific Reports, 2020, 10(1): 19359.

DOI PMID

[23]
YU K F. Coral reefs in the South China Sea: Their response to and records on past environmental changes[J]. Science China Earth Sciences, 2012, 55(8): 1217-1229.

[24]
FOX M D, COHEN A L, ROTJAN R D, et al. Increasing coral reef resilience through successive marine heatwaves[J]. Geophysical Research Letters, 2021, 48(17): e2021GL094128.

[25]
YAO Y L, WANG C Z. Variations in summer marine heatwaves in the South China sea[J]. Journal of Geophysical Research: Oceans, 2021, 126(10): e2021JC017792.

[26]
TAN H J, CAI R S, WU R G. Summer marine heatwaves in the South China Sea: Trend, variability and possible causes[J]. Advances in Climate Change Research, 2022, 13(3): 323-332.

[27]
王爱梅, 王慧, 范文静, 等. 2019年中国近海海洋热浪特征研究[J]. 海洋学报, 2021, 43(6):35-44.

WANG A M, WANG H, FAN W J, et al. Study on characteristics of marine heatwave in the China offshore in 2019[J]. Haiyang Xuebao, 2021, 43(6): 35-44.

[28]
LIU K, XU K, ZHU C W, et al. Diversity of marine heatwaves in the South China Sea regulated by the ENSO phase[J]. Journal of Climate, 2022, 35(2): 877-893.

[29]
REYNOLDS R W, SMITH T M, LIU C Y, et al. Daily high-resolution-blended analyses for sea surface temperature[J]. Journal of Climate, 2007, 20(22): 5473-5496.

[30]
DEE D P, UPPALA S M, SIMMONS A J, et al. The ERA-Interim reanalysis: Configuration and performance of the data assimilation system[J]. Quarterly Journal of the Royal Meteorological Society, 2011, 137(656): 553-597.

[31]
PEARCE A F, FENG M. The rise and fall of the “marine heat wave” off Western Australia during the summer of 2010/2011[J]. Journal of Marine Systems, 2013, 111: 139-156.

[32]
ZHAO Z J, MARIN M. A MATLAB toolbox to detect and analyze marine heatwaves[J]. Journal of Open Source Software, 2019, 4(33): 1124.

[33]
龚建华. 深度优先搜索算法及其改进[J]. 现代电子技术, 2007, 30(55):90-92.

GONG J H. Depth-first search algorithm and its improvements[J]. Modern Electronics Technique, 2007, 30(55): 90-92.

[34]
CHEN G X, HOU Y J, CHU X Q. Mesoscale eddies in the South China Sea: Mean properties, spatiotemporal variability, and impact on thermohaline structure[J]. Journal of Geophysical Research, 2011, 116(C6): C06018.

[35]
YU Y, ZHANG H R, JIN J B, et al. Trends of sea surface temperature and sea surface temperature fronts in the South China Sea during 2003-2017[J]. Acta Oceanologica Sinica, 2019, 38(4): 106-115.

[36]
LI S, YU K F, CHEN T R, et al. Assessment of coral bleaching using symbiotic zooxanthellae density and satellite remote sensing data in the Nansha Islands, South China Sea[J]. Chinese Science Bulletin, 2011, 56(10): 1031-1037.

[37]
XIE S P, XIE Q, WANG D X, et al. Summer upwelling in the South China Sea and its role in regional climate variations[J]. Journal of Geophysical Research: Oceans, 2003, 108(C8): 3261.

[38]
WANG D X, XIE Q, DU Y, et al. The 1997-1998 warm event in the South China Sea[J]. Chinese Science Bulletin, 2002, 47(14): 1221-1227.

[39]
WU R G, CHEN W, WANG G H, et al. Relative contribution of ENSO and East Asian winter monsoon to the South China Sea SST anomalies during ENSO decaying years[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(9): 5046-5064.

[40]
FANG G H, CHEN H Y, WEI Z X, et al. Trends and interannual variability of the South China Sea surface winds, surface height, and surface temperature in the recent decade[J]. Journal of Geophysical Research: Oceans, 2006, 111(C11): C11S16.

[41]
LI L, GUO X G, WU R S. The winter western boundary current of the South China Sea: Physical structure and volume transport in December 1998[J]. Acta Oceanologica Sinica, 2018, 37(3): 1-7.

[42]
PARK Y G, CHOI A. Long-term changes of South China Sea surface temperatures in winter and summer[J]. Continental Shelf Research, 2017, 143: 185-193.

[43]
HOBDAY A J, OLIVER E C J, GUPTA A S, et al. Category and naming marine heateaves[J]. Oceanography Society, 2018, 31(2): 162-173.

Outlines

/