EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 10: 1538 - 1549

DOI: https://doi.org/10.12082/dqxxkx.2019.180647

地理空间分析综合应用

全球海洋初级生产力时空异常变化对ENSO事件的响应

  • 洪娅岚 1, 3 ,
  • 薛存金 , 1, 2, * ,
  • 刘敬一 1 ,
  • 刘星 3 ,
  • 孙强 1, 3 ,
  • 伍程斌 1
展开
  • 1. 中国科学院数字地球重点实验室,北京 100094
  • 2. 中国科学院空天信息研究院,北京 100094
  • 3. 安徽理工大学,淮南 232001
*薛存金（1979-）,男,博士,副研究员,主要研究方向为海洋地理信息系统、海洋时空分析方法。E-mail:

洪娅岚（1994-）,女,硕士生,主要从事海洋时空聚类挖掘分析研究。E-mail: hongyalan@foxmail.com

收稿日期: 2018-12-11

  要求修回日期: 2019-07-04

  网络出版日期: 2019-10-29

基金资助

中国科学院战略性A类型先导专项(XDA19060103)

国家重点研发计划项目(2016YFA0600304)

国家自然科学基金项目(41671401)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatiotemporal Abnormal Variations of Global Marine NPP in Response to ENSO Events

  • HONG Yalan 1, 3 ,
  • XUE Cunjin , 1, 2, * ,
  • LIU Jingyi 1 ,
  • LIU Xing 3 ,
  • SUN Qiang 1, 3 ,
  • WU Chengbin 1
Expand
  • 1. Key Laboratory of Digital Earth Science, Chinese Academy of Sciences, Beijing 100094, China
  • 2. Aerospace Information Research Institute, Beijing 100094, China
  • 3. Anhui University Of Science & Technology, Huainan 232001, China;
* XUE Cunjin, E-mail:

Received date: 2018-12-11

  Request revised date: 2019-07-04

  Online published: 2019-10-29

Supported by

Strategic Type A Pilot Project of Chinese Academy of Science(XDA19060103)

National Key Research and Development Program of China(2016YFA0600304)

National Natural Science Foundation of China(41671401)

Copyright

Copyright reserved © 2019
Fold

摘要

海洋初级生产力在海洋环境要素的驱动下,在不同海域呈现出不同的时空变化特征,这种时空演变特征在不同的ENSO事件类型下差异更为显著。本文基于1998年1月至2017年12月全球海洋初级生产力的卫星遥感数据集,通过改进海洋时空双约束聚类挖掘方法,挖掘了近20年海洋初级生产力的时空聚簇模式,并从时空分布和空间移动2个方面对比分析了海洋初级生产力时空演变簇与ENSO（El Niño-Southern Oscillation）事件之间的关系。结果表明：① 在EP（Eastern-Pacific）型El Niño事件期间,海洋初级生产力异常低值时空簇主要分布在赤道太平洋东部或中东部海域,异常高值时空簇主要分布在西太平洋和南太平洋中部海域;在CP（Central-Pacific）型El Niño事件期间,异常低值时空簇分布在太平洋中部,而异常高值时空簇分布在南太平洋与西太平洋海域;② 在EP型La Niña事件期间,赤道太平洋中部及东部、赤道大西洋与印度洋海域出现异常高值时空簇,南太平洋中东部海域出现异常低值时空簇;在CP型La Niña事件期间,赤道太平洋中部出现异常高值时空簇;南太平洋中西部海域出现异常低值时空簇;③ 发生在赤道太平洋的海洋初级生产力时空演变簇,在EP型ENSO事件期间具有东移特征,而在CP型ENSO事件期间,时空演变簇在赤道太平洋中部海域产生并消亡;④ ENSO事件中海洋初级生产力时空演变簇面积与MEI具有较强相关性。

关键词： 聚类挖掘; 海洋初级生产力; 时空变化模式; ENSO事件; CP型和EP型; 卫星遥感数据; 太平洋

本文引用格式

洪娅岚 , 薛存金 , 刘敬一 , 刘星 , 孙强 , 伍程斌 . 全球海洋初级生产力时空异常变化对ENSO事件的响应[J]. 地球信息科学学报, 2019 , 21(10) : 1538 -1549 . DOI: 10.12082/dqxxkx.2019.180647

Abstract

Driven by multiple marine environmental factors, global marine NPP (net primary productivity) shows different spatiotemporal variations in different ocean areas, and the variations are more remarkable in ENSO events. This paper improved the Dual-constraint SpatioTemporal Clustering Approach (DcSTCA) by adjusting threshold attribute parameters to explore the spatiotemporal evolution clusters of global marine NPP using the satellite remote sensing dataset from January 1998 to December 2017, and analyzed the relationships between the marine NPP spatiotemporal evolution clusters and ENSO events. Results show that: (1) During the period of Eastern Pacific (EP) El Niño events, the spatiotemporal evolution clusters with an abnormal decreased intensity were mainly located in either the equatorial mid-eastern Pacific Ocean (PO) or the equatorial eastern PO, while the spatiotemporal evolution clusters with an abnormal increased intensity were mainly located in the equatorial western PO and the central South Pacific. During the period of Central Pacific (CP) El Niño events, the spatiotemporal evolution clusters with an abnormal decreased intensity were mainly located in the equatorial central PO, and the spatiotemporal evolution clusters with an abnormal increased intensity were mainly located in the equatorial western PO and the central South Pacific. (2) During the period of EP La Niña events, the spatiotemporal evolution clusters with an abnormal increased intensity were located in the equatorial central or the central eastern PO, the equatorial Atlantic ocean and the equatorial Indian ocean, while the spatiotemporal evolution clusters with an abnormal decreased intensity were located in the east-central South Pacific. During the period of Central Pacific (CP) La Niña events, the spatiotemporal evolution clusters with an abnormal increased intensity were mainly located in the equatorial central PO, and the spatiotemporal evolution clusters with an abnormal decreased intensity were mainly located in the mid-western South Pacific. (3) The distribution and spatial movements of marine NPP spatiotemporal evolution clusters in the tropical PO showed some regularity. The spatiotemporal evolution clusters had more significant variation characteristics in EP ENSO events as compared with in CP ENSO events. During the period of EP ENSO events, the spatiotemporal evolution clusters presented a trend of moving to the east. During the period of CP ENSO events, the spatiotemporal evolution clusters presented a tendency to arise and disappear in the central equatorial PO. (4) The area of spatiotemporal evolution cluster had a strong correlation with MEI in ENSO events.

Key words： clustering mining; net primary productivity; spatiotemporal variation pattern; ENSO events; Eastern Pacific (EP) and Central Pacific (CP) types; satellite remote sensing dataset; Pacific Ocean

1 引言

海洋净初级生产力（Net Primary Production, NPP）为单位面积上海洋浮游植物光合作用的能力[1],是全球变化研究的重要内容[2]。目前基于多尺度卫星遥感数据研究发现,全球范围内不同海域海洋初级生产力含量及时空变化存在差异并受多种海洋要素影响,厄尔尼诺-南方涛动（El Niño-Southern Oscillation, ENSO）事件的发生也与海洋初级生产力的异常变化密切相关[3]。
目前,利用卫星遥感数据开展海洋初级生产力的影响因素方面的研究可以分为2个阶段：① 利用长时间序列遥感或模式数据开展海洋初级生产力与多种海洋环境要素影响关系的研究。Behrenfeld等[4]利用海洋水色卫星遥感数据量化全球范围内1997-2006年的海洋初级生产力变化趋势,发现物理环境和海洋生物通过上层海洋温度的变化影响浮游植物生长;Field等[5]利用海洋和陆地初级生产力增长模型估计全球初级生产者净碳产量,发现海洋初级生产力受光、营养盐和温度的影响;Kahru等[6] 利用传统聚类分析方法将加利福尼亚湾分为12个区域,探索不同区域海表叶绿素浓度和初级生产力的年际周期变化。此类研究重点分析了海洋环境要素的变化,揭示了海洋环境要素对初级生产力的影响,但对海洋初级生产力时空变化模式的分析较少。② 随着对海洋初级生产力的深入研究,科学家们开始关注ENSO事件对海洋初级生产力的影响,如在全球尺度上,Messié等[3]利用经验正交函数（EOF）方法探究海洋初级生产力以及其他海洋环境要素与ENSO事件的响应;Racault等[7]利用观测以及再分析数据表明两类（CP/EP）El Niño事件对热带及亚热带地区浮游植物影响最大并通过叶绿素浓度和海洋初级生产力在生长期、高峰期、终止期的变化来反映ENSO对浮游植物的影响[8]。针对部分区域的研究包括Behrenfeld等[9]利用Sea-viewing Wide Field-of-view Sensor（SeaWiFS）传感器提供的陆地和海洋初级生产力数据,发现由于ENSO对上升流和营养盐的影响最大,从而导致NPP在热带地区增加明显;Gierach等[10]则通过1997-1998年和2009-2010年的2个典型El Niño事件来区分CP/EP事件期间赤道太平洋地区的不同生物反应;Wei等[11]通过卫星和实测数据观测了2009-2011年整个ENSO周期赤道太平洋生物变化,发现以海洋初级生产力为代表的生物异常变化空间格局与叶绿素a的异常变化并不完全相同;林智涛等[12]利用卫星遥感数据,研究了ENSO期间中国南海北部的海洋表面温度、风场等环境场变化特征,并探讨其对南海北部初级生产力的影响。
现阶段的研究分析了海洋初级生产力在ENSO期间的周期变化、季节模式等,但缺乏在空间上对海洋初级生产力连续动态演变过程的揭示。尽管大量研究分析了海洋环境要素（如海洋表面温度[13]、海表叶绿素a浓度）对两类ENSO事件的响应,如Radenac等[14]利用层次聚类确定了叶绿素与ENSO相关的5种典型结构及其变化机制,但针对海洋初级生产力的异常变化与两类ENSO事件之间关系的研究偏少。基于此,本文在双约束海洋异常变化时空聚簇挖掘方法的基础上（Dual-constraint SpatioTemporal Clustering Approach, DcSTCA）[15],通过分析海洋初级生产力的时空变化特征,确定DcSTCA的关键参数阈值,挖掘全球海洋初级生产力异常变化时空聚簇模式,从而分析海洋初级生产力时空演变簇的空间分布及移动特征对两类ENSO事件的响应。

2 数据来源与研究方法

2.1 数据来源

本文采用1998年1月至2002年12月SeaWiFS和2003年1月至2017年12月Moderate Resolution Imaging Spectroradiometer（MODIS）Aqua产品作为实验数据,由俄勒冈州立大学海洋生产力网站提供[16],空间分辨率为9 km×9 km,时间分辨率为月。Couto等[17]对这2种传感器数据进行了相关性与标准差分析,表明数据集可合并使用,分析结果不受数据转换的影响。本文采用标准化月均距平算法-Z-score[18]去除季节性周期变化的影响,生成NPP月均距平栅格数据集。表征ENSO信号的指数选择Multivariate ENSO Index（MEI）,来自美国国家海洋大气管理局[19]。根据ENSO事件判断标准[20,21]：若MEI连续5个月大于0.5,定为El Niño事件;小于-0.5为La Niña事件、ENSO事件强度的定义[12]和类型划分依据[22,23],本文归纳了1998年1月至2017年12月的8次El Niño事件和6次La Niña事件,及ENSO事件类型：EP和CP型,如表1所示。
表1 1998-2017年ENSO事件

Tab. 1 ENSO events from 1998 to 2017

时间 MEI平均值 事件 强度 类型 最强时间
1998年1月-1998年6月 2.367 厄尔尼诺 强 EP 1998年2月
1998年9月-1999年5月 -0.884 拉尼娜 中等 EP 1999年2月
1999年8月-2000年3月 -1.024 拉尼娜 中等 EP 2000年2月
2002年5月-2003年3月 0.978 厄尔尼诺 中等 CP 2003年1月
2004年7月-2004年12月 0.638 厄尔尼诺 弱 CP 2004年11月
2005年2月-2005年7月 0.753 厄尔尼诺 弱 CP 2005年3月
2006年6月-2007年2月 0.848 厄尔尼诺 弱 CP 2006年11月
2007年9月-2008年4月 -1.187 拉尼娜 中等 CP 2008年3月
2008年9月-2009年3月 -0.652 拉尼娜 弱 CP 2009年1月
2009年6月-2010年5月 1.039 厄尔尼诺 中等 CP 2010年2月
2010年7月-2011年4月 -1.574 拉尼娜 强 CP 2010年10月
2011年7月-2011年4月 -0.815 拉尼娜 弱 CP 2012年1月
2014年5月-2014年9月 0.907 厄尔尼诺 中等 CP 2014年6月
2015年3月-2016年6月 1.877 厄尔尼诺 强 EP 2015年9月

2.2 研究方法

聚类作为数据挖掘的基本方法,在诸多研究中得到了广泛应用[24]。传统的聚类方法大都基于专题属性进行聚类,分裂了栅格对象的时空特性与专题属性,而兼顾时空与专题属性的聚类方法又存在算法复杂,参数难以确定等问题[25]。DcSTCA能够很好的兼顾时序栅格海洋异常变化的时间、空间和属性,有效发现复杂形状的海洋异常变化对象时空聚簇模式,从而揭示ENSO事件中海洋初级生产力连续动态演变过程,因此本文采用DcSTCA进行全球海洋初级生产力异常变化模式的挖掘与提取[15]。由于海洋初级生产力在全球尺度上的异常升高或降低区域呈破碎性分布,难以直接利用DcSTCA中针对海洋表面温度异常变化时空聚类所给定的属性阈值 ξ a 和核密度阈值K,必须结合NPP异常变化特征来确定。参考文献[25]、[26]中的确定参数方法,本文利用栅格单元与其第K个时空可达性邻近栅格之间的NPP属性差异来确定这2个参数,利用不同K值与属性阈值参数进行NPP聚簇实验,对得到的时空簇进行标准差计算,并绘制曲线,曲线急剧变化的第一个拐点则为K值最优选择,满足NPP时空簇数量与簇质量的平衡,本文采用了文献[27]中提到的反馈调节的策略。当选择适当的K值后,界于时空簇与噪声之间的NPP专题属性临界值可以作为属性阈值参数。图1显示了2个参数的计算流程。图1（a）中,在取K大于35时,曲线急剧上升,时空簇标准差发生较大变化,因此选择K=35为核阈值;再对图1（b）K=35时的曲线进行拟合,得到第一个拐点的纵坐标, ξ a =1.2（mgC·m-2·d-1）为属性阈值。
图1 K值与属性阈值的确定

Fig. 1 The determination of K and attribute threshold

3 结果与讨论

3.1 全球海洋初级生产力时空簇对ENSO事件的响应

利用上述数据和方法,在全球范围内共获取213个时空演变簇对象,其中130个为异常升高的时空演变簇对象：演变周期内属性一直高于平均状态的时空簇对象,以下称为异常高值时空簇;83个为异常降低的时空演变簇对象：演变周期内属性一直处于低于平均状态的时空簇对象,以下称为异常低值时空簇。发生在ENSO期间的时空演变簇有106个,其中异常高值时空簇65个,异常低值时空簇41个。利用时空簇在ENSO期间最强月份的空间分布代表时空簇的分布特征,图2给出了ENSO事件最强月份时空簇的空间分布。图2（a）、（b）为El Niño事件最强月份异常低值/高值时空簇空间分布,图2（c）、（d）中为La Niña事件最强月份异常低值/高值时空簇空间分布。
图2 1998-2017年ENSO事件最强月份时空簇的空间分布

Fig. 2 Spatial distribution of marine NPP clusters in the strongest months of ENSO events from 1998 to 2017

在El Niño事件最强月份,异常低值时空簇分布在赤道太平洋中东部（20°S-20°N）,西北印度洋以及热带大西洋海域;海洋初级生产力异常高值时空簇分布在西太平洋和南太平洋,以及大西洋和印度洋部分海域。在La Niña事件最强月份,异常低值时空簇分布在西太平洋以及南太平洋海域;异常高值时空簇分布在赤道太平洋中东部、印度洋中部以及赤道大西洋海域。综上,可得：① 赤道太平洋中东部与大西洋0°-30°N区域,在El Niño事件期间海洋初级生产力出现异常降低过程,产生异常低值时空簇,La Niña事件期间则产生海洋初级生产力异常高值时空簇;② 赤道西太平洋和南太平洋海域,在El Niño事件期间产生海洋初级生产力异常高值时空簇,La Niña事件期间产生海洋初级生产力异常低值时空簇;③ 相比印度洋与大西洋,太平洋海域的海洋初级生产力时空演变簇对ENSO事件响应更为敏感。赤道太平洋异常高值时空簇与异常低值时空簇呈现东-西反向分布,并且在南太平洋与赤道太平洋海域呈现南-北反向分布。
从图2中可知,海洋初级生产力异常高值簇和低值簇在不同类型ENSO事件期间分布存在差异,尤其是在太平洋区域,这种差异对海洋初级生产力与不同类型ENSO事件的响应分析具有重要意义。基于此,本文展开海洋初级生产力时空演变簇对EP型El Niño事件、CP型El Niño事件、EP型La Niña事件以及CP型La Niña事件的响应分析和讨论。

3.2 全球海洋初级生产力时空演变簇对EP型El Niño事件的响应

图3展示了1998年1月至2017年12月的2次EP型El Niño事件（即,1998年1月至1998年6月和2015年3月至2016年6月）最强月份海洋初级生产力时空演变簇空间分布。1998年2月,赤道中东太平洋初级生产力异常降低,异常低值时空簇分布在赤道太平洋东部,并向南美洲延伸;同时由于北印度洋海洋表面温度会在El Niño年冬季出现海盆尺度的增暖[28],导致北印度洋出现海洋初级生产力异常低值时空簇;而异常高值时空簇则出现在赤道西太平洋与南太平洋海域。2015年9月,海洋初级生产力异常低值时空簇出现在赤道太平洋中东部,异常高值时空簇则出现在西太平洋与南太平洋海域,印度洋东部和大西洋也相应出现异常高值时空簇。可见太平洋初级生产力的异常变化对2次EP型El Niño事件的响应较为一致,赤道太平洋中东部呈现异常低值状态,西部与南部则为高值状态。
图3 1998-2017年EP型El Niño事件最强月份时空簇的空间分布

Fig. 3 Spatial distribution of marine NPP clusters in the strongest months of EP El Niño events from 1998 to 2017

由于数据年限的局限性,本文分析2015年前后异常低值时空簇的动态特征,及对El Niño事件生消演变的响应。结果表明,异常低值时空簇在EP型El Niño事件期间发生在赤道太平洋中东部,且存在东移并在东部发展消亡的趋势;异常高值时空簇分布在西太平洋与南太平洋海域。图4为2015年3月至2016年6月赤道太平洋海域异常低值时空簇空间位置变化过程。该时空演变簇在太平洋中部产生,随着El Niño事件的发展,逐渐向赤道东太平洋移动,在El Niño事件达到最大强度时完全覆盖赤道中东太平洋海域;随着El Niño事件的结束,在中东太平洋稳定发展后开始向南北两端分裂消亡。这一东移过程可能与浮游植物贫营养的暖池水向东流入赤道太平洋中部和东部盆地海域相关。在EP型El Niño事件期间,温跃层的深化和向上的垂直速度的减少是导致垂直输入的营养减少的直接原因,信风减弱和盆地温跃层深度的大范围变化导致赤道东太平洋变暖,而中央盆地海温正距平是暖池向东平流的结果[14]。图5为该时空演变簇的面积与MEI的相关关系,表明MEI超前5个月时相关系数达到0.96（通过95%的显著性检验）。
图4 2015-2016年赤道中东太平洋时空演变簇的空间移动

Fig. 4 Spatial movements of marine NPP evolution clusters in the equatorial central-eastern Pacific Ocean from 2015 to 2016

图5 2015-2016年赤道中东太平洋时空簇面积与MEI相关关系

Fig. 5 Relationship between spatiotemporal cluster area and MEI in the equatorial central-eastern Pacific Oceanfrom 2015 to 2016

3.3 全球海洋初级生产力时空演变簇对CP型El Niño事件的响应

海洋初级生产力异常低值时空簇在CP型El Niño事件期间分布在太平洋中部海域,如图6（a）-（f）所示,2003、2010和2014年为中等强度El Niño事件年,海洋初级生产力的异常变化强度较弱,因而时空演变簇数量较少且其空间覆盖范围相对较小;2004、2005和2006年为弱El Niño事件年,海洋初级生产力异常低值时空簇只在赤道太平洋中部出现,而异常高值簇很少。海洋表面温度异常变化的强度在EP型El Niño事件期间比CP型El Niño事件期间强[29],由于海洋表面温度的异常升高增强了海水分层,并抑制营养盐供应,导致海洋初级生产力降低。相关研究表明温跃层和平流反馈在EP El Niño事件发生期间发挥作用,而平流反馈主要在CP El Niño事件发生期间发挥作用[14],因此相比于EP型El Niño事件,异常低值时空簇对CP型El Niño事件的响应较弱。
图6 1998-2017年CP型El Niño事件最强月份时空簇的空间分布

Fig. 6 Spatial distribution of marine NPP clusters in the strongest months of CP El Niño events from 1998 to 2017

在时空演变簇的空间分布与移动上,异常低值时空簇在太平洋中部的生消演变具有一致性。图7为异常低值时空簇在2009-2010年CP型El Niño事件期间的空间位置变化过程,可见随着El Niño事件的发展时空演变簇在赤道太平洋中部产生并消失,期间几乎不发生空间移动。图8为该时空演变簇面积/km2与MEI相关关系图,MEI滞后2个月时相关系数达到0.74（通过95%的显著性检验）。
图7 2009-2010年赤道中太平洋时空演变簇的空间移动

Fig. 7 Spatial movements of marine NPP evolution clusters in the equatorial central Pacific Ocean from 2009 to 2010

图8 2009-2010年赤道中太平洋时空簇面积与MEI相关关系

Fig. 8 Relationship between spatiotemporal cluster area and MEI in the equatorial central Pacific Ocean from 2009 to 2010

海洋初级生产力时空演变簇对两类El Niño事件的响应研究结果表明：① El Niño事件强度越大,海洋初级生产力时空演变簇数量越多、空间覆盖范围越大;② 发生在太平洋区域的海洋初级生产力时空演变簇对两类El Niño事件的响应在空间分布和移动特征上存在差异。海洋初级生产力异常低值时空簇在CP型El Niño事件期间主要分布在赤道太平洋中部海域,并且随着El Niño事件的发展在中部产生并消亡,空间位置几乎不发生移动;异常低值时空簇在EP型El Niño事件期间,主要分布在赤道太平洋东部及中东部海域,且具有向东的移动趋势。

3.4 全球海洋初级生产力时空演变簇对EP型La Niña事件的响应

全球海洋初级生产力时空演变簇对EP型La Niña事件的响应如图9所示。异常高值时空簇在1999-2000年的2次EP型La Niña事件期间分布在赤道太平洋区域,同时印度洋中部及赤道大西洋海域也出现了异常高值时空簇;异常低值时空簇则分布在南太平洋中东部海域。
图9 1998-2017年EP型La Niña事件最强月份时空簇的空间分布

Fig. 9 Spatial distribution of marine NPP clusters in the strongest months of EP La Niña events from 1998 to 2017

发生在太平洋海域的异常高值时空演变簇生命周期覆盖了这2次La Niña事件,其空间变化过程如图10所示（只显示2次La Niña事件期间的空间分布）。该时空演变簇在1998年1月（El Niño事件发生时）出现在西太平洋暖池区域,随着El Niño事件的消亡和1999年2月La Niña事件的发生移动到赤道太平洋中部,随着时间的推移,该时空演变簇逐渐向东移动,且覆盖面积逐渐变大,在2000年2月形成覆盖太平洋中部与东部的异常高值时空簇。图11为该时空演变簇面积与MEI相关关系图,MEI超前4个月相关系数达到0.73（通过95%的显著性检验）。
图10 1999-2000年赤道中东太平洋时空演变簇的空间移动

Fig. 10 Spatial movements of marine NPP evolution clusters in the equatorial central-eastern Pacific Ocean from 1999 to 2000

图11 1999-2000年时空簇面积与MEI相关关系

Fig. 11 Relationship between spatiotemporal cluster area and MEI in the equatorial central-eastern Pacific Ocean from 1999 to 2000

3.5 全球海洋初级生产力时空演变簇对CP型La Niña事件的响应

全球海洋初级生产力时空演变簇对CP型La Niña事件的响应如图12所示。异常高值时空簇在CP型La Niña事件期间分布在太平洋中部海域,异常低值时空簇分布在南太平洋中部偏西海域。海洋初级生产力时空演变簇的空间覆盖范围和个数与ENSO事件强度存在关联,如2010年为强La Niña事件年,异常高值时空簇在赤道太平洋中部空间覆盖范围较大,异常低值时空簇在赤道西太平洋和南太平洋都有分布;2008-2009年以及2012年为中等偏弱La Niña事件年,海洋初级生产力时空演变簇的空间覆盖范围和个数都相对较小（少）。
图12 1998-2017年CP型La Niña事件最强月份时空簇的空间分布

Fig. 12 Spatial distribution of marine NPP clusters in the strongest months of CP La Niña events from 1998 to 2017

在空间移动上,异常高值时空簇在CP型La Niña事件期间覆盖范围逐渐向中部扩张。图13为异常高值时空簇在强La Niña事件期间的空间位置移动过程。随着La Niña事件的发展,异常高值时空簇在太平洋中部偏西海域逐渐扩大,并向中部移动。该异常高值时空簇的时空演变与MEI存在相关性（图14）,与MEI滞后6个月时相关系数达到0.74（通过95%的显著性检验）。在La Niña事件中时空簇面积与MEI走势相关性比在El Niño事件中稍差一些,这可能是由于ENSO的暖相位事件通常比冷相位强,且在La Niña事件中营养丰富的水体向东水平平流和向上平流导致透光层营养供给较弱,从而抑制了La Niña事件中浮游植物的总体分布[14]。
图13 2010-2011年赤道中太平洋时空演变簇的空间移动

Fig. 13 Spatial movements of marine NPP evolution clusters in the equatorial central Pacific Ocean from 2010 to 2011

图14 2010-2011年赤道中太平洋时空簇面积与MEI相关关系

Fig. 14 Relationship between spatiotemporal cluster area and MEI in the equatorial central Pacific Ocean from 2010 to 2011

海洋初级生产力时空演变簇对两类La Niña事件的响应研究结果表明：① 在空间分布上,在EP型La Niña事件期间,异常高值时空簇主要分布于中东太平洋、印度洋和大西洋海域,异常低值时空簇主要分布于南太平洋中东部海域;在CP型La Niña事件期间,异常高值时空簇主要分布于中太平洋海域,异常低值时空簇主要分布于西太平洋和南太平洋中东部海域;② 在空间移动特征上,异常高值时空簇在EP型La Niña事件期间具有明显的东移趋势,海洋初级生产力时空演变簇在CP型La Niña事件期间,仅在赤道太平洋中部生消演变。

4 结论与展望

海洋初级生产力在全球尺度范围内的异常变化具有时空差异性,这种时空差异与ENSO事件类型与及其演变存在密切关系。本文基于1998年1月至2017年12月全球海洋初级生产力数据集,从数据驱动的角度挖掘分析了海洋初级生产力时空异常变化模式,探讨了这种模式与不同ENSO事件类型之间的关系。研究发现,在EP 型ENSO事件期间,时空演变簇中心向东移动或分布;在CP型ENSO事件期间,时空演变簇则局限在热带太平洋中部。这可能由于在 EP型ENSO事件期间,风应力异常覆盖热带太平洋大部分区域,并有向东到南美洲沿岸的分布趋势,而在CP型ENSO事件期间,风应力主要分布于中西太平洋区域,一部分风场由南分布到西太平洋暖池东边界附近后急转向西南方向,另一部分则有向北的趋势,这与时空演变簇在中太平洋区域三角分布形态相对应[10]。具体结论如下：
（1）赤道太平洋中东部与大西洋0°-30°N区域,在El Niño事件期间出现异常低值时空簇;在La Niña事件期间出现海洋初级生产力异常高值时空簇。赤道西太平洋和南太平洋区域,在El Niño事件期间,出现海洋初级生产力异常高值时空簇;在La Niña事件期间,出现海洋初级生产力异常低值时空簇。时空演变簇的空间覆盖范围和个数与ENSO事件强度存在关联。
（2）两类El Niño事件对太平洋区域海洋初级生产力异常变化的影响存在明显差异。在EP型El Niño事件期间,赤道太平洋东部或中东部出现异常低值时空簇,西太平洋和南太平洋出现异常高值时空簇。在CP型El Niño事件期间,异常低值时空簇只分布在太平洋中部,而异常高值时空簇则受事件强度影响分布在南太平洋与西太平洋区域,事件强度越强,海洋初级生产力时空演变簇覆盖范围越大。在空间移动上,发生在赤道中东太平洋的时空演变簇,在EP型El Niño事件期间,具有东移特征,而在CP型El Niño事件期间,时空演变簇在赤道太平洋中部产生并消亡。
（3）海洋初级生产力异常变化的空间分布和移动特征对两类La Niña事件的响应也存在差异。在EP型La Niña事件期间,异常高值时空簇出现在赤道太平洋中部及东部、赤道大西洋与印度洋海域;异常低值时空簇出现在南太平洋中东部海域。在CP型La Niña事件期间,异常高值时空簇分布在赤道太平洋中部海域;异常低值时空簇分布在南太平洋中西部海域。在空间移动上,发生在赤道中东太平洋的时空演变簇,在EP型La Niña事件期间,具有由中部向东部移动的特征,而在CP型La Niña事件期间,时空演变簇仅在赤道太平洋中部生消演变。
本文从数据挖掘的角度得出海洋初级生产力异常演变簇可以作为不同ENSO事件的表征信号,有助于进一步分析海洋生态环境要素的时空演变及对ENSO事件的预测预报。海洋环境要素的时空演变机理分析仍需要引入物理海洋动力机制分析,因此,数据挖掘与物理机制相结合的分析方法是今后研究的重点。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李国胜, 王芳, 梁强 , 等. 东海初级生产力遥感反演及其时空演化机制[J]. 地理学报, 2003,58(4):483-493.

[ Li G S, Wang F, Liang Q , et al. Estimation ofocean primary productivity by remote sensing and introduction to spatio-temporal variation mechanism for the east China sea[J]. Acta Geographica Sinica, 2003,58(4):483-493. ]

[2]
檀赛春, 石广玉 . 中国近海初级生产力的遥感研究及其时空演化[J]. 地理学报, 2006,61(11):1189-1199.

[ Tan S C, Shi G Y . Remote sensing for ocean primary productivity andits spatio-temporal variability in the China seas[J]. Acta Geographica Sinica, 2006,61(11):1189-1199. ]

[3]
Messié M, Chavez F P . A global analysis of ENSO synchrony: The oceans' biological response to physical forcing[J]. Journal of Geophysical Research Oceans, 2012,117(C10).

[4]
Behrenfeld M J, O'Malley R T, Siegel D A, et al. Climate-driven trends in contemporary ocean productivity[J]. Nature, 2006,7120:752-755.

[5]
Field C B, Behrenfeld M J, Randerson J T , et al. Primary production of the biosphere: Integrating terrestrial and oceanic components[J]. Science, 1998,281(5374):237-240.

[6]
Kahru M, Marinone S G, Lluch-Cota S E , et al. Ocean-color variability in the Gulf of California: Scales from days to ENSO[J]. Deep-Sea Research Part II, 2004,51(1):139-146.

[7]
Racault M F, Sathyendranath S Brevin R J W, Brevin R J W, et al. Impact of El Nino variability on Oceanic Phytoplanton Front[J]. Bulletin of Marine Science, 2017, doi: 10.3389/fmars.2017.00133

[8]
Racault M F, Sathyendranath S, Menon N , et al. Phenological responses to ENSO in the global oceans[J]. Surveys in Geophysics, 2017,38(1):277-293.

[9]
Behrenfeld M J, Randerson J T, Mcclain C R , et al. Biospheric primary production during an ENSO transition[J]. Science, 2001,291(5513):2594-2597.

[10]
Gierach M M, Lee T, Turk D , et al. Biological response to the 1997-98 and 2009-10 El Niño events in the equatorial Pacific Ocean[J]. Geophysical Research Letters, 2012,39.

[11]
Shi W, Wang M . Satellite-observed biological variability in the equatorial Pacific during the 2009-2011 ENSO cycle[J]. Advances in Space Research, 2014,54(9):1913-1923.

[12]
林智涛, 沈春燕, 孙楠 , 等. ENSO对南海北部初级生产力的影响[J]. 广东海洋大学学报, 2017(1):80-87.

[ The Influence of ENSO on Primary Productivityin the Northern South China Sea[J]. Journal of Guangdong Ocean University, 2017(1):80-87. ]

[13]
Kao H Y, Yu J Y . Contrasting Eastern-Pacific and Central-Pacific types of ENSO[J]. Journal of Climate, 2009,22(3):615-632.

[14]
Radenac M H, Léger F, Singh A , et al. Sea surface chlorophyll signature in the tropical Pacific during eastern and central Pacific ENSO events[J]. Journal of Geophysical Research Oceans, 2012,117(C4).doi: 10.1029/2011JC007841

[15]
Liu J Y, Xue C J, He Y W , et al. Dual-constraint spatiotemporal clustering approach for exploring marine anomaly patterns using remote sensing products[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018,11:3963-3976.

[16]
Ocean Productivity. Available online: accessed on 8 May 2019).

[17]
Couto A B, Holbrook N J, Maharaj M A . Unravelling Eastern Pacific and Central Pacific ENSO contributions in South Pacific chlorophyll-a variability through remote sensing[J]. Remote Sensing, 2013,5(8):4067-4087.

[18]
Huang P Y, Kao L J, Sandnes F E . Efficient mining of salinity and temperature association rules from ARGO data.[J]. Expert Syst. Appl, 2008,35(1/2):59-68.

[19]
Multivariate ENSO Index. accessed on 8 May 2019).

[20]
Wolter K, Timlin M. Monitoring ENSO in COADS with a seasonally adjusted principal component index[C]. Proceedings of the 17 th Climate Diagnostics Workshop, Norman, 18-23 October , 1992: 52-57.

[21]
晏宏, 孙立广, 刘晓东 , 等. 近50年来南海西沙群岛海域气候异常的ENSO效应[J]. 热带海洋学报, 2010,29(5):29-35.

[ Yan H, Sun G L, Liu X D . Relationship between ENSO events and regional climate anomaliesaround the Xisha Islands during the last 50 years[J]. Journal of topical oceanography, 2010,29(5):29-35. ]

[22]
Wiedermann M, Radebach A, Donges J F , et al. A climate network-based index to discriminate different types of El Niño and La Niña[J]. Geophysical Research Letters, 2016,43(13):7176-7185.

[23]
罗剑锋, 陈敏, 李煜 , 等. 两类ENSO事件对长江中下游地区季节降水的影响[J]. 南水北调与水利科技, 2018(4):82-89.

[ Lou J F, Chen M, Li Y , et al. Influence of the two types of ENSO events on seasonal precipitation over middle and lower reaches of the Yangtze River[J]. South-to-North Water Transfers and Water Science & Technology, 2018(4):82-89. ]

[24]
莫洋, 杜云艳, 吴笛 , 等. 海洋涡旋移动特征的区域划分方法及应用分析[J]. 地球信息科学学报, 2016,18(7):910-919.

[ Mo Y, Du Y Y, Wu D , et al. Regionalization based on the propagation of ocean eddies: methods and applications[J]. Journal of Geo-information Science, 2016,18(7):910-919. ]

[25]
刘敬一, 薛存金, 樊彦国 , 等. 一种面向栅格的空间-属性双重约束聚类方法[J]. 地球信息科学学报, 2016,19(4):447-456.

[ Liu J Y, Xue C J, Fan Y G , et al. 2016. A raster-oriented clustering method with space-attribute constraints[J]. Journal of Geo-information Science, 2017,19(4):447-456. ]

[26]
Ester M, Kriegel H P, Jiirg S, et al. A density based algorithm for discovering clusters in large spatial databases[A]. Proceedings of International Conference on Knowledge Discovery & Data Mining[C]. 1996: 226-231.

[27]
邓敏, 刘启亮, 王佳 , 等. 时空聚类分析的普适性方法[J]. 中国科学:信息科学, 2012(1):111-124.

[ Deng M, Liu Q L, Wang J , et al. A general method of spatio-temporal clustering analysis[J]. Science China, 2012(1):111-124. ]

[28]
Nigam S, Shen H S . Structure of oceanic and atmospheric low-frequency variability over the tropical Pacific and Indian Oceans. Part I: COADS Observations[J]. Journal of Climate, 1993,6(4):657-676.

[29]
Shi J, Qian W . Asymmetry of two types of ENSO in the transition between the East Asian winter monsoon and the ensuing summer monsoon[J]. Climate Dynamics, 2018(14):1-20.

Options
文章导航

/

〈 〉