EN中文

Journal of Geo-information Science >

2018 , Vol. 20 >Issue 8: 1190 - 1200

DOI: https://doi.org/10.12082/dqxxkx.2018.180046

Turbidity Patterns Identification Based on Self-organizing Maps at Yellow River Estuary

  • SHEN Ming , 1, 2 ,
  • WANG Siyuan , 1, * ,
  • MA Yuanxu 1 ,
  • SU Lihong 3 ,
  • YOU Yongfa 1, 2
Expand
  • 1. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Harte Research Institute, Texas A & M University-Corpus Christi, Corpus Christi, TX 78412, USA;
*Corresponding author: WANG Siyuan, E-mail:

Received date: 2018-01-15

  Request revised date: 2018-03-19

  Online published: 2018-08-24

Supported by

National Natural Science Foundation of China, No.91547107, 41428103.

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

In the study of spatial and temporal changes of the turbidity, traditional methods largely depend on field survey, which needs considerable manpower and materials. And these models are limited in different regions and time periods. With the help of self-organizing map (SOM) clustering, typical turbidity patterns can be extracted from plenty of remote sensing imageries covering long time periods. It can also facilitate the analysis of intra-annual and inter-annual variations. Taking the Yellow River estuary as our study area, six turbidity patterns were revealed from 2000-2015 MODIS data. Two main turbid areas appeared on the turbidity feature maps, located in the western and southern Bohai Bay, and outside the estuary in north-western Laizhou Bay. Four patterns appeared annually, of which the turbid level in winter and spring is higher than that in autumn and summer. And during the last fifteen years, turbidity patterns have gradually changed from middle turbidity to Clean, showing a declining trend of the overall turbid level. The hydrological data from Yellow River, meteorological observation data of wind and wave on the sea surface and ocean dynamics in the estuary were combined to detect the contributing factors of turbidity patterns. Spatial distribution was mainly influenced by wind waves and ocean dynamics, such as tide and circulating current. And intra-annual changes of dominant turbidity pattern were mainly caused by wind and wave on the sea surface, while the influence of sediment transportation from Yellow River is only limited around the estuary. SOM clustering results were evaluated from two perspectives: calculation of statistic parameters for quantitative analysis and inversion of the concentration of total suspended matter in the study area in 2007 for comparison with empirical model. It showed that there were significant differences between SOM patterns, and this method could reveal similar turbid features as the empirical models do. Thus, SOM is an effective and indispensable method to identify turbidity patterns and can directly extract typical features from long time series remote sensing imageries. This method significantly facilitates the study on spatial and temporal variation of water turbidity in coastal areas, which is of great practical value for research on sediment transport and water utilization in complex water bodies.

Key words： remote sensing; self-organizing maps; turbidity pattern; spatial-temporal change; Yellow River estuary

Cite this article

SHEN Ming , WANG Siyuan , MA Yuanxu , SU Lihong , YOU Yongfa . Turbidity Patterns Identification Based on Self-organizing Maps at Yellow River Estuary[J]. Journal of Geo-information Science, 2018 , 20(8) : 1190 -1200 . DOI: 10.12082/dqxxkx.2018.180046

1 引言

河口是河流携带物质的承泄区,在河流和海洋动力的共同作用下,浑浊状况复杂。造成河口区水体浑浊的物质包括泥沙等无机悬浮物和浮游植物等有机物质,其浓度影响水体生产力和污染物输送,是海岸带水质监测和水环境评价的重要指数[1]。水体浑浊模式即浑浊水体的典型分布特征,在不同时间存在差异,其变化规律一般与季节有关。研究河口区水体浑浊模式,能够评估水质状况、估算泥沙输运量,利于解释河口附近地貌特征和水文现象,如沉积物运移、沉积和再悬浮过程等[2]。
遥感卫星能够对特定区域进行不同尺度上可靠、持续的影像观测,过去10年间已快速发展成为监测沉积物运移和总悬浮物（TSM）浓度分布的重要工具。尤其遥感长时序、大面积观测的特点,在浑浊度多年变化规律研究中具有极大潜力。国内外大量研究关注通过确定离水辐射率与实测悬浮物质浓度之间的量化关系,建立多种经验模型或物理模型,分析TSM时空分布差异[3,4]。Chuanmin等[5]在美国佛罗里达州Tampa Bay河口,建立了叶绿素、有色溶解有机物和总悬浮物浓度反演的半分析模型,综合评估河口区水质状况。Güttler等[1]通过建立浑浊度指数TI,利用多种传感器数据,反演不同时空尺度下黑海Danube三角洲附近海域浑浊度分布,提取出春、夏秋和冬3种浑浊模式,并分析其年内、年际变化影响因素。
由于黄河水体含沙量高,泥沙输运量大,众多学者对黄河口及其附近海域悬浮物质含量进行了研究。早在20世纪90年代,黄海军等[6]开展了黄河口含沙水体反射光谱野外观测实验;周良明等[7]依据光谱特性对渤海海域不同浑浊情况的水体进行了分类;温令平等[8]以NOAA卫星反演结果为基础,结合潮流作用规律,分析了黄河口附近浑浊水体分布成因和泥沙输运机制;樊彦国等[9]在河口区建立了基于TM3/TM2的反演模型,Wang等[10]的研究证明MODIS第一波段对渤海域悬浮泥沙浓度反演具有较好的应用效果。
目前针对水体浑浊模式的研究,主要基于实测光谱与悬浮泥沙浓度构建多种经验、半经验模型。对于多年浑浊度变化,需要逐年采样和建模,耗费大量人力、物力;同时,此类模型只在采样时段前后具有较高反演精度,难以分析和预测浑浊度的长期变化规律。Lu等[11]利用数值模拟方法建立渤海悬浮物质浓度反演模型,通过模拟不同情境下的渤海悬浮物质分布,分析黄河径流的影响。该方法相比经验模型减小了对野外观测实验的依赖,但模型模拟仍需要较多输入参数支撑,且方法的选择对精度影响较大。人工神经网络（ANN）能够在缺乏先验知识和数据假设的情况下,从大量复杂数据集中提取出潜在模式,揭示其中的规律[12],弥补实测数据的不足。同时,ANN具有非线性结构,处理噪声干扰和数据不确定性时更稳定。由于河口水文过程在时空尺度上都较为复杂,具有动态和非线性特征,尤其对于多年变化,水体浑浊特征难以用单一模型关系解释,因此相比传统经验方法,ANN更有优势[13]。自组织映射网络（SOM）是一种典型的非监督神经网络,利用竞争获胜的结点代表类别特征[14],在遥感影像处理和信息提取中已得到广泛应用。张涛[15]、任军号等[16]结合K-means、遗传算法等对SOM网络进行了优化,实现了高精度遥感影像分类。黄亚捷等[17]利用SOM网络进行中国耕地生产力分区,证明SOM能够有效识别非线性特征并可视化分析。近年来,SOM网络在水文学领域亦得到广泛应用,包括复杂水体分类[18]、河道演变模式提取[19]等。Lin等[20]将SOM网络应用到降水数据分类,比较发现SOM相比K-mean等其他聚类方法具有更高精度,并能降维显示类别的空间分布,更适合同质区域划分。
水体浑浊模式具有明显的空间分布差异,特别在黄河流域,由于其含沙量高,大量泥沙等沉积物由河口输运至渤海,加上海表风浪、环流等因素的共同作用,黄河口附近海域浑浊模式复杂且变化频繁。传统方法需要大量野外观测实验以反映多年变化,SOM网络则能够通过对多时相数据的非线性特征聚类,提取典型浑浊模式,输出可视化特征。本研究以黄河河口区为研究区,利用SOM网络从长时间序列遥感影像中提取典型浑浊模式,了解其时空变化规律,分析近15年黄河口海域浑浊度的年内、年际变化特征及其影响因素,为黄河河口区和整个渤海海域的海岸带管理及水资源综合利用提供重要的信息参考。

2 数据与方法

2.1 研究区概况

黄河河口区位于渤海湾和莱州湾之间,为半封闭的海岸带水体,属陆相、弱潮、多沙善徙、强烈堆积河口[21]。黄河河口相比其他河口最突出的特点是,潮差相对小,潮流速小,海洋动力弱[22]。河口区波浪具有明显的季节性,且黄河来水来沙洪枯季相差悬殊,全年径流和泥沙均集中在7-10月,达全年的84.9%[23],河口海域进而呈现不同的浑浊特征。研究区（图1）位于渤海西南,包含黄河河口区及附近海域。考虑到水体的流动性,临近海域浑浊情况会相互影响,本研究将黄河口周围的渤海湾、莱州湾和一部分渤海中部海域共同作为研究区域,以更好反映整体浑浊模式。
Fig. 1 Location of Yellow River basin and the study area

图1 黄河流域和研究区位置图

2.2 MODIS数据集及数据处理

中等分辨率成像光谱仪（MODIS）是美国EOS系列卫星TERRA和AQUA搭载的重要传感器,具有全球免费接收和使用、光谱范围广、时间分辨率高等特点,已成为全球生态环境研究的重要遥感数据源。MODIS数据能够提供覆盖研究区的逐日影像,有多种高质量数据产品。36个光谱波段覆盖了从0.4 µm（可见光）到14.4 µm（热红外）的全光谱,其中有9个海洋水色波段,但海洋水色波段在高浑浊水体易发生信号饱和,不能有效识别浑浊度的时空变化。MODIS第一波段反射率与水体悬浮泥沙浓度有较好的相关性,适合用于海湾和河口等小型水体区域的浑浊度反演,已有研究表明该波段算法在河口近岸海域有较好的反演效果[4,10]。该波段数据空间分辨率250 m,适合黄河口附近海域浑浊度分布变化研究,且信噪比较高,因此选用为遥感数据源。
本研究采用的是MODIS地表反射率产品（MOD09）,由L1B数据经过严格的大气校正、几何校正和辐射校正获得的二级产品,基本消除了大气分子、气溶胶与薄云等的干扰。考虑到研究区范围较小、泥沙变化频繁,最终选用250 m分辨率的每日数据（MOD09GQ）,包含第1、2波段信息,其中心波长分别为645 nm和848 nm。
近红外波段阈值更适用于提取中小水体像元[24],因此依据第二波段经验阈值提取出研究区水域部分。根据云覆盖度、噪声和清晰度对处理后的逐日影像进行质量筛选,最终筛选出323幅无云、清晰的高质量影像,时间覆盖2000-2015年。

2.3 自组织映射神经网络（SOM）

2.3.1 SOM网络概述
SOM网络是由芬兰学者Kohonen 提出的模拟人脑功能、具有自组织、侧抑制等特性的神经网络模型[25],其拓扑结构一般分为两层：输入层和输出层（也称为竞争层）（图2）。对于一组有n个样本的p维输入数据X=（x1, x2,…, xn）,其中输入样本 Xi= （U1, U2,…,Up）T,网络输入层有n个节点分别对应各输入样本,输出节点Oj与各输入层节点Xi间都有权值连接Wj=（w1j, w2j,…, wnj）。输出层的节点数及结构可根据研究需求自定义,输出类别的数目和自定义的输出层神经元节点数一致。SOM网络训练过程属于非监督的竞争学习：首先各输出层神经元被随机赋予一个权值,作为网络初始权向量;逐一比较输入样本Xi与各输出神经元权重之间的距离,距离最小的节点即为该输入模式激发的获胜节点;随后随着训练时间的增加,优胜邻域内输出节点权值不断调整;通过迭代循环,以学习率η（n） （0<η（n）<1）或训练时间达到某一阈值为结束条件,完成网络训练。最终SOM网络将所有输入数据划分为指定的类别,每一个输入模式都激发一个输出节点,二者之间具有最大相似性,输出节点权向量最为接近对应输出模式。长时序遥感数据具有复杂的非线性特征,SOM网络能够对其进行聚类并提取典型特征,在遥感图像分类[15,16]、高维数据降维[26]等方面均有成功应用。
Fig. 2 Schematic diagram of a 3×4 two-dimensional self-organizing map

图2 3×4 SOM网络结构示意图[27]

2.3.2 SOM网络应用
为避免过度概括数据特征或混淆多种模式,定义SOM网络结构时,输出层结点数应适当略多于潜在模式数量[28]。已有研究表明,渤海海域受季风气候主导,悬浮泥沙运移具有明显的季节变化特征[29]。因此认为潜在浑浊模式数量与季节和月份有较大关联,即存在4-12种模式。尝试使用3×4、3×3、2×3和2×2等结构的网络进行类别提取,输出节点过多时,分类结果过于零散,部分类别间相似性较高;输出节点过少,类别概括性过高,内部差异较大。比较发现2×3的网络结构最为合理,即划分出6个不同的浑浊模式。
网络输入采用红波段反射率,由于红波段反射率和总悬浮颗粒物浓度呈显著的正相关关系[4,10],因此能够以红波段反射率的相对高低反映浑浊度的空间趋势,作为SOM网络训练和分类依据。一次性输入所有影像进行网络训练,随着训练步数的增加,SOM网络经历初始随机分散到收敛的过程,500次迭代训练后分类结果趋于稳定。最终以稳定网络分类结果为依据,分析多年黄河河口附近海域水体浑浊度分布模式。

3 近15年黄河河口水体浑浊模式时空特征分析

3.1 近15年黄河河口水体浑浊度空间分布模式

经过SOM网络训练,黄河河口区海域2000-2015年共提取出6类浑浊模式,每类模式空间浑浊特征如图3所示。以红波段反射率空间差异代表浑浊水体分布,反射率越高的区域,对应水体浑浊度也越高。其中,一类模式（F）反射率出现突变,渤海湾和莱州湾南岸沿岸出现条块状的高反射率突变带,反射率特征和形态特征均符合海冰的特点,定义为海冰模式。其余5类模式浑浊水体空间特征存在一定差异,浑浊区面积依次减小,清澈水体面积依次增加,高浑浊区的范围不同。根据其整体浑浊程度,依次定义为极浑浊模式、高浑浊模式、中浑浊模式、低浑浊模式和清澈模式。极浑浊和高浑浊模式中,大面积浑浊水体集中在莱州湾和渤海湾,尤其河口南部浑浊度最高,渤海中部海区浑浊度略有降低,河口外有一向东输沙带,其中极浑浊模式中莱州湾整体浑浊度更高,向东输沙带更加明显,高浑浊模式整体浑浊度逐渐过渡,清澈水体的面积也有所增加;中浑浊模式的浑浊区集中在河口南部、莱州湾西部及渤海湾沿岸,渤海中部海区较清澈;低浑浊模式浑浊区进一步缩小,清澈水体面积增大,在河口外和渤海湾南岸有部分浑浊水体;清澈模式仅河口南部小面积水体浑浊,渤海湾整体也较为清澈。
Fig.3 Typical turbidity patterns

图3 浑浊模式典型特征

3.2 近15年黄河河口水体浑浊模式年内变化特征

统计2000-2015年不同浑浊模式出现频率 （图4）,各月份有其对应的主导模式,并随季节变化。研究区1-4月以中浑浊模式为主,少部分时段出现高浑浊模式;5-7月以清澈模式为主导,8-10月除清澈模式外,低浑浊模式的比例逐渐增加;11-12月与1-4月类似,仍然以中浑浊模式为主、高浑浊模式为辅。海冰模式主要出现在1月,其次为2月和 12月,极浑浊模式在1、6、7、10、12月均有出现,没有明显的周期性规律,因此认为高浑浊、中浑浊、低浑浊和清澈模式4种模式是研究区浑浊度年内变化的主要分布模式,其中前2种浑浊度较高的模式出现在11月到次年4月,较清澈的模式出现在5-10月,四类模式在年内过渡更替。
Fig. 4 Intra-annual variation of turbidity pattern
注：A 极浑浊模式;B高浑浊模式;C中浑浊模式;D低浑浊模式;E清澈模式;F海冰模式

图4 浑浊模式年内变化

结合SOM提取出的典型模式浑浊水体空间分布特征（图4）,得出黄河口附近海域浑浊模式季节变化规律：冬春季浑浊度相对较高,浑浊带分布在河口南部和渤海湾西南沿岸,个别时段浑浊水体分布更广,渤海湾到莱州湾水体都较为浑浊;夏季研究区内水体整体均较为清澈,仅河口外小范围水体较混浊;秋季浑浊水体面积增加,集中在河口东南和渤海湾南部沿岸。水体浑浊度11月至次年4月较高,5-10月较低。

3.3 近十五年黄河河口水体浑浊模式年际变化特征

统计不同模式在每年内的出现频率,以当年数据中出现频率最高的模式作为该年份的代表模式,分析研究区浑浊模式的年际变化特征。图5列出了代表浑浊模式变化情况,虚线为2000-2015年浑浊模式年际变化趋势线。2000年黄河口附近海域以清澈模式为主,2001-2002年浑浊度增高,以中浑浊模式为主,2003-2004年浑浊度降低,主要为低浑浊模式,随后浑浊度升高,2005-2008年持续较浑浊,均以中浑浊模式为主,2009-2012年浑浊度降低,均以清澈模式为主,至2013年再次升高,2013-2014年中浑浊模式为当年主要浑浊模式,2015年水体较清澈,以清澈模式为主。近15年黄河口附近海域浑浊模式逐渐由中浑浊模式向清澈模式变化,整体浑浊度降低。
Fig. 5 Inter-annual variation of turbidity pattern

图5 浑浊模式年际变化

4 浑浊模式影响因素

结合利津水文站观测的水沙数据、研究区风浪数据和黄河口海域水文动力特征分析浑浊模式时空变化原因。利津站是最靠近黄河入海口的水文观测站,其观测记录数据能够体现黄河输送入海的水沙情况,所用数据来自各年份《黄河泥沙公报》;收集了研究区2000-2007年各月份海面风速、海浪高度和周期数据,数据来自《东亚船舶站天气报资料定时值数据集》;以及邻近环渤海地区2000-2015年最大风速、平均风速和极大风速数据,数据来自《中国地面气候资料月值数据集》,选取的站点均在距离研究区海岸线50 km范围内,可以用于环渤海地区气象条件研究[30],站点包括塘沽、渤海A平台、秦皇岛、乐亭、黄骅、东营、龙口、潍坊。

4.1 浑浊水体分布成因分析

浑浊模式典型特征显示（图3）,研究区浑浊水体主要集中在2个区域,河口南部和渤海湾沿岸,不同位置的浑浊带成因和来源有所差异。河口附近的水体浑浊主要由黄河入海径流携带的泥沙造成。河口南部稳定的顺时针环流,挟带泥沙向南运移,使大量入海泥沙聚集在莱州湾西北部[22],因此,除海冰模式外,各模式在该区域均存在浑浊带。同时由于河口区潮流与径流流向垂直,阻碍了黄河泥沙向海洋中部扩散,因此浑浊区仅限制在口门附近[23]。泥沙再悬浮则是渤海湾西部及南部浑浊水体的主要来源。河口北部向南的余流阻碍黄河携带的泥沙向北部运输,但该区域风浪掀沙作用强烈,引起大量泥沙再悬浮,因此水体浑浊度也较高[31]。此外,渤海湾密集的港口建设和剧烈的人类活动也为近岸海域带来大量泥沙,使沿岸泥沙浓度整体较高。

4.2 浑浊模式年内变化影响因素

浑浊模式年内变化呈现季节性更替特征。图6展示了不同时间浑浊模式对应的黄河平均含沙量和径流量关系。可以看出,中、高浑浊模式对应的利津站径流量和泥沙量均较小,径流量和含沙量较高的情况均属于低浑浊模式或清澈模式。由于低浑浊模式和清澈模式出现在5-10月,期间黄河处于汛期,因此径流量和泥沙含量均较高,但根据其典型浑浊特征（图3）,研究区内整体浑浊度较低,黄河携带的泥沙仅造成小范围的水体浑浊。结合4.1节中对河口区海洋动力的分析,黄河来水来沙仅影响河口口门附近浑浊度,不是浑浊模式季节变化的主导因素。
Fig. 6 Turbidity patterns and corresponding hydrological features of Yellow River

图6 不同浑浊模式对应黄河水沙特征

计算月平均风浪数据与4种季节模式在各月份出现频率之间的相关性,如表1所示。风浪大小与高、中浑浊模式频率呈正相关,与低浑浊模式和清澈模式呈负相关,海面风浪高度与浑浊模式之间的相关性最强,其次为海面风浪周期和环渤海地区平均风速。说明风速较大时,尤其出现高度高、周期长的大浪,研究区海域越易呈现浑浊度较高的模式,高度低、周期短的海面风浪更易形成清澈模式。
Tab.1 Correlation coefficient between monthly average wind and wave data and pattern frequency

表1 月平均风浪与浑浊模式频率相关系数

高浑浊模式 中浑浊模式 低浑浊模式 清澈模式
最大风速/(m/s) 0.345 0.598* -0.400 -0.402
平均风速/(m/s) 0.401 0.628* -0.488 -0.429
极大风速/(m/s) 0.046 0.335 -0.460 -0.034
海面风速/(m/s) -0.002 0.416 -0.083 -0.440
海面风浪高度/m 0.526 0.687* -0.218 -0.771**
海面风浪周期/s 0.633* 0.543 -0.132 -0.549

注：* 在0.05水平上显著相关;**在0.01水平上显著相关

逐月分析风浪高度和周期年内变化与对应浑浊模式更替规律（图7）,各月主导模式为当月出现频率最高的浑浊模式。依据渤海风场的季节性变化,划分冬季为11-次年2月、夏季5-8月、春季3-4月和秋季9-10月[32]。如图7所示,冬春季平均风浪高度较大,研究区以中浑浊模式为主导,4月开始风浪高度和周期均降低,研究区浑浊模式向清澈过渡,秋季9-10月回升,清澈模式出现频率下降,中、低浑浊模式比例增大,11、12月风浪高度维持在较高水平,研究区再次以中浑浊模式为主导。研究表明,渤海 8级以上的大风天气75%发生在11月至来年4月[33],与高浑浊和中浑浊模式主导的时间段一致。这是由于冬春季强风大浪多发,加上渤海整体水深较浅,绝大部分在20 m以内[34],水中沉积物容易被风浪搅动发生再悬浮,造成整体水体浑浊程度较高。因此,海面风浪是造成研究区水体浑浊模式季节变化的主要因素。
Fig. 7 Monthly average wind and wave data with corresponding dominant turbidity pattern

图7 月平均风浪变化与对应主导浑浊模式

4.3 浑浊模式年际变化影响因素

黄河口附近海域海面风浪与对应年代表模式如图8所示,2000-2001年年平均风速和风浪高度均上升,浑浊模式从清澈变为中浑浊模式,2003-2004年风速和风浪高度下降,代表模式为低浑浊模式;2005年后海面风速和风浪高度增加,引起大量海底泥沙再悬浮,使当年代表模式为中浑浊模式。同时,已有研究也表明,2000年以来,环渤海沿海地区风速≤3 m/s的小风日数总体呈现明显增加的趋势,>3 m/s风速的日数为减小趋势,尤其风速>6 m/s的出现日数减小显著[30],年最大风速也为下降趋势,与本文得到的近15年代表浑浊模式呈现浑浊向清澈变化的趋势相一致。其中,2011年大风日数最少,仅14.26 d,远低于多年平均水平（32.4 d）[35],本文中得出的2011年及其临近年份代表模式也均为清澈模式。因此,近15年来黄河口附近海域海面风速减小,尤其大风出现频率降低,导致风浪引起的泥沙再悬浮减弱,造成该区域水体整体呈现向清澈变化的趋势。
Fig. 8 Inter-annual variation of sea surface wind and wave with typical turbidity pattern

图8 海面风浪年际变化与对应年典型模式

5 SOM网络浑浊模式分类结果评价

5.1 浑浊模式统计特征分析

依据图像统计特征,比较不同模式差异,评价SOM网络分类结果。计算每幅影像像元反射率的四分位数（25%分位数q25、中值q50、75%分位数q75）和四分位差（q50-q25、q75-q50）作为图像定量评价指标。方差分析结果显示,被划分为不同浑浊模式的影像四分位数均在0.01的置信水平上存在显著差异。其中,q50和q75的组间均方差比其他分位数高出一个数量级,说明q50和q75在不同模式之间的差异相对较大,区分度高。
分别绘制分位数和分位差散点图（图9）,分析不同浑浊模式差异。由于海冰模式下近岸水体被海冰覆盖,不能反映浑浊情况,极浑浊模式属于短时间突变,因此散点图只考虑4种年内变化模式。可以看出4种模式散点分布位置不同,对应相应浑浊特征,具有一定的区分度。清澈模式中,像元反射率75%分位数、中值和四分位差均最低,说明该模式下研究区内浑浊度整体均较低且空间差异较小;低浑浊模式其次,浑浊度整体略高于清澈模式;中、高浑浊模式像元反射率分位数和分位差均较高,其中高浑浊模式的75%分位数和50%~75%分位差略低于中浑浊模式,说明这2类模式下研究区整体浑浊度均较高,空间差异大,但浑浊水体比例略有差异,高浑浊模式空间差异更小。从散点图中可以看出,4种模式具有一定的区分度,从清澈模式到低、中、高浑浊模式,像元反射率增加,研究区整体浑浊度及空间差异均逐渐增大。
Fig.9 Scatter diagrams of statistical quartiles

图9 四分位数（a）和四分位差（b）散点图

基于统计特征的分析表明,SOM网络输出的黄河口附近海域不同浑浊模式区分度较好,浑浊度具有明显差异,浑浊水体比例自清澈模式至高浑浊模式依次增加。

5.2 2007年悬浮泥沙浓度反演结果与SOM浑浊模式比较

选取2007年每月一景遥感影像验证SOM网络分类结果。利用崔娟[36]2007年在曹妃甸近岸海域建立的经验模型（式（1））反演悬浮泥沙浓度（TSM）,其中B1为MODIS第一波段反射率。模型拟合R2为0.874,可用于研究区浑浊度反演。反演计算得到的2007年每月泥沙悬浮物分布情况如图10所示。
y=38491.754×B12+120.907×B1+3.566 （1）
Fig.10 TSM distribution near the Yellow River estuary in 2007

图10 黄河口附近海域2007年泥沙悬浮物分布

将每景验证影像以相同的处理方式输入训练好的SOM网络,得到对应浑浊模式类别,分类结果如表2所示。由于所选取的验证影像获取日水体整体均相对较清澈,未出现浑浊度较高的极浑浊和高浑浊模式。1-3月和11-12月悬浮泥沙含量较高,莱州湾西北部和渤海湾南部有明显的高浓度区,但高泥沙浓度水体面积不大,未覆盖到整个海湾,划分为中浑浊模式;4-9月整体泥沙含量均较低,未出现高含沙量的区域,被划分为清澈模式;10月河口南部和渤海湾南岸有部分区域泥沙含量略高,被划分为低浑浊模式。对照图3,验证数据模型反演得到的悬浮泥沙浓度空间分布与SOM网络模式提取的典型特征一致,说明SOM网络从长时序遥感影像中提取出的黄河口近15年典型浑浊模式具有一定的代表性,与经验模型反演结果一致,能够体现研究区内悬浮泥沙浓度分布特征。
Tab.2 SOM classification results of 2007 validation data

表2 2007年验证数据SOM分类结果

模式类别 月份
中浑浊模式 1、2、3、11、12
低浑浊模式 10
清澈模式 4、5、6、7、8、9

6 结论

本文将自组织映射网络（SOM）应用于浑浊水体空间分布模式聚类,从长时序遥感影像中直接提取出典型浑浊模式,不必依赖大量野外观测实验,节省更多人力、物力,且能弥补经验模型仅适用于特定时段的不足,实现在不同年份之间比较浑浊模式变化特征。验证结果表明,反演得到的总悬浮物浓度空间分布与SOM网络提取的典型类别特征一致,说明SOM方法能够在一定程度上代替经验模型模拟区域浑浊特征。以黄河口为例,SOM网络提取出2000-2015年不同典型模式,模式浑浊度间具有明显差异,冬春季浑浊度较高,夏秋季浑浊度较低,近15年来河口区海域浑浊度呈现降低趋势。结合黄河水文和渤海风场情况分析模式成因,黄河入海泥沙影响范围仅局限于河口口门周边,空间差异主要由潮流、环流等海洋动力和泥沙再悬浮造成;浑浊模式更迭主要受到风浪的影响,海面风速大,以及高度高、周期长的大浪,使研究区海域更易呈现浑浊度较高的模式。
海岸带水体浑浊模式分类提取中,基于特定野外观测实验的方法在分析多年变化特征时具有一定的局限性,SOM网络能够在经验关系不足时,从大量遥感影像中提取典型浑浊模式,便于在长时间范围内分析年内、年际变化特征。同时,将任意时段的遥感影像输入到训练好的SOM网络,能够基于多年浑浊度分布规律,快速识别其对应模式特征,实现浑浊模式快速预报与提取。本文不仅为研究黄河口附近海域泥沙运移机制提供参考,利于优化渤海海岸带管理和水资源利用,也为水体浑浊度研究提供新的思路。这说明在光谱与泥沙含量经验关系不足的情况下,神经网络方法能够从大量遥感影像中识别并提取浑浊分布典型特征,对于了解类似河口区这样浑浊度高、变化大且作用因素复杂的水体具有重要意义。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Güttler F N, Niculescu S, Gohin F.Turbidity retrieval and monitoring of Danube Delta waters using multi-sensor optical remote sensing data: An integrated view from the delta plain lakes to the western-northwestern Black Sea coastal zone[J]. Remote Sensing of Environment, 2013,132(6):86-101.

DOI

[2]
Loisel H, Mangin A, Vantrepotte V, et al.Variability of suspended particulate matter concentration in coastal waters under the Mekong's influence from ocean color (MERIS) remote sensing over the last decade[J]. Remote Sensing of Environment, 2014,150(2):218-230.

[3]
Miller R L, Liu C C, Buonassissi C J, et al.A Multi-Sensor Approach to Examining the Distribution of Total Suspended Matter (TSM) in the Albemarle-Pamlico Estuarine System, NC, USA[J]. Remote Sensing, 2011,3(5):962-974.

DOI

[4]
Rodríguez-Guzmán V, Gilbes-Santaella F.Using MODIS 250 m imagery to estimate Total Suspended Sediment in a tropical open bay[J]. International Journal of System Applications, Engineering & Development, 2009,1(3):36-44.ABSTRACT Monitoring and better understanding of sediment flux and processes in coastal environments are important to maintain water quality and geomorphologic balance. This study describes the development and validation of an algorithm to estimate total suspended sediment (TSS) based on remote sensing reflectance (R rs) and MODIS/Terra band 1 data. Two image processing methods, based on two image analysis packages predefined routines, were evaluated and compared in order to determine the most suitable method for this study. Analyses of in situ data showed a significant relationship between TSS and R rs at 645 nm (R 2 =0.73) indicating positive response of this parameter in the interested region of the spectrum. Developed algorithms were evaluated by applying resultant equations to two MODIS images from which in situ data were available. In the validation analysis the lower error was encountered when using an exponential equation, however linear equations estimations followed better the tendency of measured values. TSS estimations of all three algorithms presented values within the range of in situ observations and spatial patterns characteristic of coastal environments. Additional data and pre-processing parameters will be evaluated in order to improve validation results and produce TSS operational products for tropical coastal waters.

[5]
Hu C, Chen Z, Clayton T D, et al.Assessment of estuarine water-quality indicators using MODIS medium-resolution bands: Initial results from Tampa Bay, FL[J]. Remote Sensing of Environment, 2004,93(3):423-441.

DOI

[6]
黄海军,李成治,郭建军.黄河口海域悬沙光谱特征的研究[J].海洋科学,1994,18(5):40-44.分析了57组含沙水体光谱反射曲线特征，定量描述悬浮水体光谱反射峰值处波长的“红移”现象。在此基础上得出黄河口区野外实测悬浮体含量与光谱反射率呈较好的相关关系，相关系数为0.89，且在4个波段中，MSS7相关系数最低，MSS6最高。因而用分段回归或复相关模式来研究悬沙含量，效果较好。文中最后讨论了提高遥感信息－悬沙相关关系精度的方法，提出增加参与回归模型参数的设想，特别是增加悬沙粒度参数。

[ Huang H J, Li C Z, Guo J J.A study on the spectral feature of suspended matter in the Huanghe River delta area[J]. Ocean Sciences, 1994,18(5):40-44. ]

[7]
周良明,刘玉光,郭佩芳.渤海和北黄海水色光谱的特征分析[J].海洋通报,2005,24(2):13-19.

[ Zhou L M, Liu Y G, Guo P F.Characteristics of ocean color spectrum in Bohai Sea and Northern Yellow Sea[J]. Marine Science Bulletin, 2005,24(2):13-19.]

[8]
温令平,张健.遥感技术在黄河口泥沙运动及渤海湾悬沙分布研究中的应用[J].水道港口,1989(3):33-37.

[ Wen L P, Zhang J.Analysis of the sediment transport of Huanghe River estuary and the distribution of suspended sediment in Bohai Bay by using remote sensing technology[J]. Journal of Waterway and Harbor, 1989(3):33-37. ]

[9]
樊彦国,孟志河,张磊,等.基于遥感光谱反射率反演黄河口海域Ⅱ类水体悬浮泥沙浓度模型[J].海洋科学,2010,34(9):60-63.依据黄河口海域含沙水体野外实测光谱反射率为参考实验数据, 结合水体表面光谱观测数据建立了经验回归模型, 从而定量估测黄河口海域水体表层悬浮泥沙质量浓度, 最终得出黄河口海域不同年份水体的悬浮泥沙质量浓度图, 这对分析河口海岸带冲淤变化过程具有重要的意义。

[ Fan Y G, Meng Z H, Zhang L, et al.Based on remote sensing spectral reflectance inversion of suspended sediment concentration model of surface water at the Yellow River Estuary[J]. Marine Sciences, 2010,34(9):60-63. ]

[10]
Wang L, Zhao D, Yang J, et al.Retrieval of total suspended matter from MODIS 250 m imagery in the Bohai Sea of China[J]. Journal of Oceanography, 2012,68(5):719-725.Abstract) in the Bohai Sea of China. A robust linear relationship was established between the equivalent remote sensing reflectance (converting ASD-measured by spectral response function) in the 620–67002nm band (band 1) of MODIS and the concentration of TSM (02=020.95; 02=0227; RMS02=020.512) acquired in August and September 2008. The model was validated via in situ measurements in September 2009, resulting in a mean relative error of 12.902%. Then, the corresponding MODIS products of monthly average concentration of TSM were produced from January to December 2009. The distribution characteristics of TSM in the Bohai Sea of China are closely related with the spatial pattern and seasonal variability. This study demonstrates that the moderately high resolution of MODIS 25002m data is available for monitoring the transport and fate of materials in relatively smaller bodies of water.

DOI

[11]
Lu J, Chen X, Tian L, et al.Numerical simulation-aided MODIS capture of sediment transport for the Bohai Sea in China[J]. International Journal of Remote Sensing, 2014,35(11-12):4225-4238.Traditionally, the establishment of a remote-sensing retrieval model depends on in situ data acquired by expensive and considerably labour-intensive field surveys, but now we can benefit from numerical simulation. In this study, after considering the advantages of numerical simulation in extending the spatial and temporal suspended sediment concentration (SSC), we propose an approach to establish an SSC retrieval model from remotely sensed images with the aid of a numerical model for the Bohai Sea in China. First, significant correlation, between simulated SSC and atmosphere-corrected water-leaving reflectance derived from Moderate Resolution Imaging Spectroradiometer (MODIS) band-1 images, was investigated to demonstrate a novel SSC retrieval model. The synchronous data from remote sensing and numerical simulations enabled the removal of spatial and temporal differences between satellite and in situ measurements. Based on this retrieval model, the SSC distribution pattern was simulated in two scenarios to separate river sediment discharge from the overall process of resuspension. The results indicate that the distribution pattern of the simulated surface SSC without sediment discharge from the Yellow River in most study areas generally matched that derived from MODIS images, except for the estuarine area. The surface SSC 30 40 km away from the estuaries are dominated by sediment discharge from rivers. The proposed method, the numerical simulation-aided SSC retrieval MODIS model, can efficiently capture the sediment transport in the Bohai Sea, which is helpful for operational monitoring of the water environment in estuary and coastal waters.

DOI

[12]
Richardson A J, Risien C, Shillington F A.Using self-organizing maps to identify patterns in satellite imagery[J]. Progress in Oceanography, 2003,59(2-3):223-239.Satellite remote sensing has revolutionized modern oceanography, providing frequent synoptic-scale information that can be used to deduce ocean processes. However, it is often difficult to extract interpretable patterns from satellite images, as data sets are large and often non-linear. In this methodological paper, we describe the self-organizing map (SOM), a type of artificial neural network adept at pattern identification. The ability of the SOM to extract patterns from a variety of satellite data, including scatterometer and thermal imagery, is illustrated by example. We characterize inter-annual, seasonal and event-scale variability by using the SOM and relate the output to auxillary variables by using a number of techniques that enhance interpretation. Practical recommendations for the fruitful application of SOMs are given. Although the SOM has only rarely been used in oceanography previously, it is a promising applied mathematical tool for pattern extraction from many types of data, especially large and complex satellite data sets.

DOI

[13]
Kalteh A M, Hjorth P, Berndtsson R.Review of the self-organizing map (SOM) approach in water resources: Analysis, modelling and application[J]. Environmental Modelling & Software, 2008,23(7):835-845.

[14]
Kohonen T.Self-Organizing Maps 3rd Edition[M]. Berlin Heidelberg: Springer, 2001.

[15]
张涛. 一种利用K均值和SOM进行遥感图像分类的方法[J].地理空间信息,2011,9(1):109-111.探讨了一种将K均值算法和SOM神经网络算法相结合的方法,并将其应用于多光谱遥感图像分类,通过与K均值算法、ISODATA算法和SOM算法的对比实验,验证了该方法的有效性。

DOI

[ Zhang T.Remote sensing image classification utilizing K-means and SOM[J]. Geospatial Information, 2011,9(1):109-111. ]

[16]
任军号,吉沛琦,耿跃. SOM神经网络改进及在遥感图像分类中的应用[J].计算机应用研究,2011,28(3):1170-1172.针对自组织特征神经网络自身算法的特点和缺陷,采用遗传算法对网络进行改进,形成了基于遗传算法的自组织特征神经网络,并从输入向量、竞争层神经元数量设置和初始权向量设定三方面,结合遥感图像的特性对自组织特征映射网络遥感图像分类的方法进行了改进。将该方法应用于选择西安地区的ETM+卫星遥感图像进行分类实验。结果表明,基于遗传算法的自组织特征映射网络使得遥感图像的分类精度更高,且该算法实现简单,具有一定的工程应用价值。

DOI

[ Ren J H, Ji P Q, Geng Y.Application and improvement of SOM network in remote sensing image classification[J]. Application Research of Computer, 2011,28(3):1170-1172. ]

[17]
黄亚捷,叶回春,张世文,等.基于自组织特征映射神经网络的中国耕地生产力分区[J].中国农业科学,2015,48(6):1136-1150.目的】耕地生产力的高低直接关系到国家粮食安全,科学分析不同区域耕地生产力构成要素及其影响机制、摸清耕地资源状况,对于把握耕地资源利用的科学决策、实现耕地产能提升,特别是支撑省域土地整治以及高标准基本农田划定、保障国家粮食安全战略具有重要意义。【方法】基于中国31个省(自治区/直辖市)的土壤肥力、气候条件、地形地貌等自然条件及经济投入、效益反馈等社会统计数据,建立构成自然要素及社会经济要素的指标体系。根据粮食作物单产对耕地生产力分级,并结合以往区划确定耕地生产力区。在深入剖析耕地生产力与其构成素要素之间的复杂、高维、非线性关系基础上,采用自组织特征映射神经网络模型,通过U-矩阵面板以及变量位面对评价单元耕地生产力6个自然要素、5个社会经济要素构成的高维复杂数据进行可视化和空间聚类,识别不同空间格局下耕地生产力的差异性和相似性,直观反映耕地生产力构成要素变化的敏感分布区域,并基于耕地压力指数校正。最后,将聚类结果与耕地生产力分级结果叠加,并结合综合性、相对一致性、区域共轭性、行政单元完整性等原则进行适当调节,确定耕地生产力亚区。【结果】不同省域的土壤肥力、气候条件、地形地貌及经济投入、效益反馈方面有显著的空间差异性和发展的非均衡性,进而将自然要素、社会经济要素均聚为6类。以此为依据,将中国耕地生产力划分为10个耕地生产力区、24个亚区,其中耕地生产力区包括东北平原区、华北平原-丘陵区、黄土高原区、四川盆地、长江中下游平原区、华南丘陵区、云贵高原区、内蒙古高原区、西北内陆区、青藏高原区。耕地生产力亚区是根据自然要素、社会经济要素的可视化特征和空间聚类结果对耕地生产力区的区域优势及限制因素的细化及简要说明,并基于耕地压力指数校正,最终建立起中国耕地生产力分区系统。【结论】分区综合考虑了由自然要素、社会经济要素及耕地压力指数共同构成的区域耕地生产力主导因素及关键问题,分区系统与客观实际相吻合,表明自组织特征映射神经网络模型是一种耕地生产力要素分区与敏感区域识别的科学有效方法,通过空间可视化与要素聚类分析,揭示了不同区域的耕地生产力现有优势、限制因素。

DOI

[ Huang Y J, Ye H C, Zhang S W, et al.Zoning of arable land productivity based on self-organizing map in China[J]. Scientia Agricultura Sinica, 2015,48(6):1136-1150. ]

[18]
Céréghino R, Park Y S, Compin A, et al.Predicting the species richness of aquatic insects in streams using a limited number of environmental variables[J]. Journal of the North American Benthological Society, 2003,22(3):442-456.

DOI

[19]
Jeong K S, Hong D G, Byeon M S, et al.Stream modification patterns in a river basin: Field survey and self-organizing map (SOM) application[J]. Ecological Informatics, 2010,5(4):293-303.

DOI

[20]
Lin G, Chen L.Identification of homogeneous regions for regional frequency analysis using the self-organizing map[J]. Journal of Hydrology, 2006,324(1-4):1-9.

DOI

[21]
陈先德. 黄河水文[M].郑州:黄河水利出版社,1996.

[ Chen X D.Huanghe Hydrology[M]. Zhengzhou: The Yellow River Water Conservancy Press, 1996. ]

[22]
周良勇,龚淑云,刘勇,等.黄河口附近海域表层悬浮体分布及粒度特征[J].海洋地质与第四纪地质,2007,27(5):33-38.利用2001年7月进行的两船同步走航调查资料,结合同一时期的 陆地卫星合成图像,对枯水期黄河口表层悬浮体空间分布和粒度特征进行了研究.低潮时,黄河河口表层悬浮体含量、温度、盐度在河口口门外5 km范围内变化迅速,表层悬浮体含量和温度向海方向呈指数方式迅速降低,悬浮体含量由519 mg/L下降到20～30mg/L,温度则下降4℃左右;盐度则由1升至33.表层悬浮体含量的变化与表层水体温度、盐度变化有很好的对应关系,温度、盐 度变化反映了河流注入的淡水在表层与海水的混合过程.与调查时期接近的一景遥感图像(RGB321)对照,可以看出图像色调变化与测量数值的变化比较吻 合.悬浮体平均粒径为6.64～5.26 φ,以粉砂为主.沿测线由河口向海方向,粒度成分和粒径的变化趋势明显,粒径逐渐变粗,黏土成分减少而砂的成分增多,这可能与絮凝作用有关.

[ Zhou L Y, Gong S Y, Liu Y, et al.Spatial distribution and grain-size characteristics of suspended matters in surface water of Yellow River mouth[J]. Marine Geology & Quaternary geology, 2007,27(5):33-38. ]

[23]
臧启运. 黄河三角洲近岸泥沙[M].北京:海洋出版社, 1996.

[ Zang Q Y.Offshore sediment in Yellow River Delta[M]. Beijing: China Ocean Press, 1996.

[24]
吴赛,张秋文.基于MODIS遥感数据的水体提取方法及模型研究[J].计算机与数字工程,2005,33(7):1-4.

[ Wu S, Zhang Q W.Method and model of water body extraction based On remote sensing data of MODIS[J]. Computer & Digital Engineering, 2005. ]

[25]
Kohonen T.Analysis of a simple self-organizing process[J]. Biological Cybernetics, 1982,44(2):135-140.This paper contains mathematical results relating to a recently discovered self-organizing process. In particular, an analysis of two partial processes is presented. In the first one, a set of numerical representations assumes the correct order, and in the second one the final map of the representations converges to its asymptotic form.

DOI

[26]
Aguado D, Montoya T, Borras L, et al.Using SOM and PCA for analysing and interpreting data from a P-removal SBR[J]. Engineering Applications of Artificial Intelligence, 2008,21(6):919-930.This paper focuses on the application of Kohonen self-organizing maps (SOM) and principal component analysis (PCA) to thoroughly analyse and interpret multidimensional data from a biological process. The process is aimed at enhanced biological phosphorus removal (EBPR) from wastewater. In this work, SOM and PCA are firstly applied to the data set in order to identify and analyse the relationships among the variables in the process. Afterwards, K-means algorithm is used to find out how the observations can be grouped, on the basis of their similarity, in different classes. Finally, the information obtained using these intelligent tools is used for process interpretation and diagnosis. In the data set analysed, both techniques yielded similar results regarding the relationships among the variables and the clustering of the observations (i.e., the same groups of observations were identified) and, therefore, identical process interpretation could be made. The cluster analysis allowed relating the observations to process behaviour, clearly distinguishing start-up, desirable and poor process conditions. The results demonstrate that the applied techniques are highly effective to compress multidimensional data sets and to extract relevant information from the process, making the interpretation and diagnosis much easier and evident.

DOI

[27]
Chon T S.Self-Organizing Maps applied to ecological sciences[J]. Ecological Informatics, 2011,6(1):50-61.Ecological data are considered to be difficult to analyze because numerous biological and environmental factors are involved in a complex manner in environment rganism relationships. The Self-Organizing Map (SOM) has advantages for information extraction (i.e., without prior knowledge) and the efficiency of presentation (i.e., visualization). It has been implemented broadly in ecological sciences across different hierarchical levels of life. Recent applications of the SOM, which are reviewed here, include the molecular, organism, population, community, and ecosystem scales. Further development of the SOM is discussed regarding network architecture, spatio-temporal patterning, and the presentation of model results in ecological sciences.

DOI

[28]
Reusch D, Alley R, Hewitson B.Relative performance of self-organizing maps and principal component analysis in pattern extraction from synthetic climatological data[J]. Polar Geography, 2005,29(3):188-212.

DOI

[29]
Bi N, Yang Z, Wang H, et al.Seasonal variation of suspended-sediment transport through the southern Bohai Strait[J]. Estuarine Coastal & Shelf Science, 2011,93(3):239-247.Based on field observations made in winter 2006 and summer 2007 and on multiscene MODerate resolution Imaging Spectrometer (MODIS) imagery, the seasonal variation of suspended-sediment transport in the southern Bohai Strait and its possible mechanisms are examined. The field observations in two different seasons allow an exponential empirical model to be used to retrieve suspended-sediment concentration (SSC) from MODIS imagery. Both the field-survey data and the MODIS-derived SSC show that the sediment transport in the southern Bohai Strait has a significant seasonal variation due to the seasonally varying thermohaline structure of the water column and the hydrodynamics resulting from the seasonally alternating monsoons. The SSC in winter is approximately 3–10 times higher than in summer. Considering the seasonal variation of water flux (WF) and SSC, the annual sediment flux (SSF) through the southern Bohai Strait is estimated to be approximately 40.002Mt02yr 611, about 4–8 times previous estimates, which did not take into account seasonal variation. Although the Huanghe (Yellow River) discharges a large amount of sediment in the summer, the SSF through the southern Bohai Strait in the winter (6532.002Mt) is about 4 times greater than it is in the summer. The strong seasonal variability of SSF through the southern Bohai Strait indicates that strong resuspension along the coast of the Huanghe delta in winter and enhanced longshore transport by coastal currents due to winter monsoon activity might be the major mechanisms of cross-strait transport of sediment in winter.

DOI

[30]
郭军,曹经福,杨艳娟. 1971-2012年环渤海沿海地区风速变化及其影响因素分析[J].气象与环境学报,2015(4):82-88.

[ Guo J, Cao J F, Yang Y J.Variation of wind speed and its influencing factors around the Bohai coastal areas from 1971 to 2012[J]. Journal of Meteorology and Environment, 2015,31(4):82-88.]

[31]
毕乃双. 黄河三角洲毗邻海域悬浮泥沙扩散和季节性变化及冲淤效应[D].青岛:中国海洋大学,2009.

[ Bi N S, Suspended sediment dispersal off the Huanghe (Yellow River) delta and in its adjacent Bohai Sea, its seasonal variation and effect on the delta erosion-accumulation[D]. Qingdao: Ocean University of China, 2009. ]

[32]
任惠茹,李国胜,郭腾蛟,等.1950-2011年渤海地区海表风场的季节特征与多尺度变化分析[J].地理科学,2017,37(9):1430-1438.

[ Ren H R, Li G S, Guo T J, et al.Multi-scale variability of surface wind direction and speed on the Bohai Sea in 1950-2011[J]. Scientia Geographica Sinica, 2017,37(9):1430-1438. ]

[33]
傅命佐,徐孝诗,程振波,等.黄渤海海岸季节性风沙气候环境[J].中国沙漠,1994,14(1):31-40.分析了黄渤海海岸气候形成因素和影响风沙活动的各种气候要素的季节性变化特征,指出冬、春季研究区受东亚大陆气团的影响,形成了干旱、多风的风沙气候环境,尤其是渤海海岸地区冬、春季气候条件与我国内陆沙漠区和严重沙漠化地区相似,也存在风沙灾害的威胁。

[ Fu M Z, Xu X S, Cheng Z B, et al.The seasonal desertification-climate environment in the coastal areas of the Yellow Sea and Bohai Sea[J]. Journal of Desert Research, 1994,14(1):31-40. ]

[34]
温国义. 利用NOAA-AVHRR探讨中国北部海域的环流和悬浮泥沙沉积作用[D].青岛:中国海洋大学,2004.

[ Wen G Y.Analysis of circulation and sedimentation of suspended sediment in northern China Sea from NOAA-AVHRR[D]. Qingdao: Ocean University of China, 2004. ]

[35]
曹永旺,延军平. 1971-2013年环渤海地区风速的时空特征[J].中国沙漠,2015,35(5):1320-1329.lt;p>基于环渤海地区60个站点1971-2013年日序列最大风速数据,采用线性倾向估计、Mann-kendall检验、反距离加权插值、小波分析等方法,分析了近年来环渤海地区风速的年、季节的变化趋势及其空间分异等特征。结果表明:(1)环渤海地区年均最大风速为6.35 m&middot;s<sup>-1</sup>并以0.423 m&middot;s<sup>-1</sup>的年代变化速率呈显著的下降趋势。区内除承德、丰宁和阜新站点呈略微上升趋势,其余站点均呈下降趋势,整体上表现为南部下降幅度高而北部下降幅度低。四季最大风速也均呈显著的下降趋势,冬、春季的最大风速对全年趋势演变贡献率较大。(2)偏北风(尤其是北西北风)和偏南风(尤其是南西南风)是本区的主要风向。春、夏两季以偏南风为主要风向,秋、冬两季则以偏北风为主要风向。(3)环渤海地区最大风速减少的主要原因是各站点日最大风速为5级及以上的发生频率分别以0.912、0.671、0.271、0.076 d&middot;a<sup>-1</sup>的速率呈下降趋势;大风频率也以1.019 d.a<sup>-1</sup>的速率呈下降趋势。冬半年是本区大风日数相对较多的时段,春季尤甚。(4)本区多数地区属大风较少区和较多区,其中大风较多区的站点最多(31个),而大风频发区的站点最少(仅4个)。位于大风较少区的站点数增长迅速,而大风较多区、多发区和频发区的站点数则均呈现下降趋势。最大风速与大风日数均具有25～30 a的显著振荡周期。</p>

DOI

[ Cao Y W, Yan J P.Spatial-temporal analysis of wind speed in the Bohai rim region during 1971-2013[J]. Journal of Desert Research, 2015,35(5):1320-1329. ]

[36]
崔娟. 曹妃甸近岸海域悬浮泥沙浓度遥感动态监测与分析[D].西安:长安大学,2011.

[ Cui J.Dynamical monitor and analysis of suspended sediment concentration by remote sensing in Caofeidian offshore areas[D]. Xi'an: Chang'an University, 2011. ]

Options
Outlines

/

〈 〉