中国东海海表温度时空演化分析

doi:10.6046/gtzyyg.2020.04.28

中国东海海表温度时空演化分析

王平^,¹, 毛克彪^,², 孟飞¹, 袁紫晋²

1.山东建筑大学测绘地理信息学院,济南 250101

2.中国农业科学院农业资源与农业区划研究所,北京 100081

Spatiotemporal evolution of sea surface temperature in the East China Sea

WANG Ping^,¹, MAO Kebiao^,², MENG Fei¹, YUAN Zijin²

1. School of Surveying and Geo-Informatics, Shandong Jianzhu University, Jinan 250101, China

2. Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China

通讯作者: 毛克彪(1977-),男,研究员,博士生导师,主要从事农业遥感、农业大数据方面的研究。Email:maokebiao@caas.cn。

责任编辑: 张仙

收稿日期: 2020-01-15 修回日期: 2020-04-13 网络出版日期: 2020-12-15

基金资助:

国家重点研发计划重点项目“全国和典型区域低温、高温灾害风险评估与图谱编制”. 2019YFC1510203
中央级公益性科研院所基本科研业务费专项项目“高时空分辨率干旱监测关键参数土壤水分反演算法及应用研究”. 1610132020014

Received: 2020-01-15 Revised: 2020-04-13 Online: 2020-12-15

作者简介 About authors

王平(1997-),女,硕士研究生,主要从事农业遥感方面的研究。Email:wangping_1997@163.com。

摘要

为掌握中国东海2003—2018年间海表温度(sea surface temperature,SST)变化规律,分析SST变化与气候异常现象之间的联系,利用遥感数据监测东海16 a来SST时空演化特征。以2003—2018年MODIS SST产品为数据源,先通过最邻近点值替代法对数据进行修复,并用实测数据进行精度验证,利用最小二乘法、皮尔逊相关系数分析SST变化趋势,通过互相关分析研究海表温度异常(sea surface temperature anomaly,SSTA )与南方涛动指数(southern oscillation index,SOI)的相关性。结果表明: ①2003—2018年东海SST总体呈上升趋势,夏季升温趋势更加明显,长江口海域升温速度可达0.042 ℃/a以上; ②东海SST呈SE—NW分布,同纬度地区的大陆附近SST通常比其东部海域低,但4—9月杭州湾海域SST比其东部要高; ③SOI与滞后其15个月内的东海SSTA基本不相关,但与滞后其21~39个月的东海SSTA呈较强负相关,相关系数超过-0.2。研究结果可为掌握气候变化规律、预测极端天气提供参考依据。

关键词： 海表温度(SST) ; 时空变化 ; 东海

Abstract

In order to grasp the law of sea surface temperature (SST) change in the East China Sea from 2003 to 2018, the authors analyzed the relationship between SST changes and climate anomalies, and used remote sensing data to monitor the temporal and spatial evolution of SST in the East China Sea for 16 years. With the 2003—2018 MODIS SST product as the data source, the data were first repaired by the nearest neighbor point value replacement method, and the measured data were used to verify the accuracy. The least square method and Pearson correlation coefficient were used to analyze the SST change trend. Through cross-correlation analysis, the correlation between sea surface temperature anomaly (SSTA) and southern oscillation index (SOI) was studied. The results are as follows: ① SST in the East China Sea generally showed an upward trend from 2003 to 2018, and the temperature rise in summer was more obvious. The temperature rise rate in the Yangtze River estuary could reach above 0.042 ℃/a; ② SST in the East China Sea showed a SE—NW distribution, and at the same latitude, SST near the mainland was usually lower than the eastern sea area, but the SST of Hangzhou Bay area from April to September was higher than that of the eastern area; ③ SOI was basically not related to the East China Sea SSTA that was 15 months behind it, but it had a strong negative correlation with the East China Sea SSTA that was 21~39 months behind with correlation coefficient exceeding -0.2. The research results can provide a reference for grasping the laws of climate change and predicting extreme weather.

Keywords： sea surface temperature(SST) ; spatial and temporal variability ; East China Sea

PDF (5095KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

王平, 毛克彪, 孟飞, 袁紫晋. 中国东海海表温度时空演化分析. 国土资源遥感[J], 2020, 32(4): 227-235 doi:10.6046/gtzyyg.2020.04.28

WANG Ping, MAO Kebiao, MENG Fei, YUAN Zijin. Spatiotemporal evolution of sea surface temperature in the East China Sea. Remote Sensing for Land & Resources[J], 2020, 32(4): 227-235 doi:10.6046/gtzyyg.2020.04.28

0 引言

随着全球变暖,海表温度(sea surface temperature,SST)在不断升高,其中,全球各大洋西部地区SST变化最明显。东海是太平洋西北地区非常重要的边缘海域,北临黄海,东至琉球群岛,海域广阔,海表面积为77万km²左右,对中国的气候变化影响很大^[1]。作为中国海洋生产力最高的海域,东海具有较高的水温和较大的盐度,是鱼虾养殖的理想场所。因此东海温度变化研究对气候变化分析及水产养殖具有重要的指导意义。

SST变化与气候变化具有一定的响应,为此许多学者做了大量研究^[2,3,4,5]。Robles-Tamayo等^[6]分析了海表温度异常(sea surface temperature anomaly,SSTA )与南方涛动指数(southern oscillation index,SOI)的关系; 谭红建等^[7]研究了中国近海SST对全球变暖的影响,结果显示在全球显著变暖的时候,中国近海SST表现出更加迅速的增温特征; 董雷娟等^[8]对全球SST变化进行分析,结果表明,全球SST的变化趋势是下降-上升-下降-上升。一些学者分析了中国近海SST长时间序列变化^[9,10]以及特定年份的SST特征^[11]。近年来许多学者对东海SST变化进行了研究,分析其时空变化^[12]及季节变化^[13]。东海作为我国非常重要的海域,其矿产资源和鱼类资源十分丰富,渔场分布与SST具有密切的联系,研究SST空间分布,可以为渔业捕捞、海水养殖等提供重要依据^[14,15]。目前对于东海SST变化的研究主要是长时间序列以及特定年份,本文侧重于分析近十多a的SST变化。

本研究以MODIS SST三级产品为数据源,利用邻近像元对月平均SST数据进行修复,分析东海地区(N23°00'~33°00',E117°00'~131°00')2003—2018年SST的时空变化,及白天和夜间的SST变化。通过分析东海SSTA和Niño3.4区SSTA以及SOI的互相关性,分析SST和气候变化的关系,以期为掌握近16 a来东海SST变化特点、指导东部地区农业生产提供依据。

1 数据源

遥感数据为MODIS SST三级产品,来自美国国家航空航天局的水色卫星网站(https: //oceancolor.gsfc.nasa.gov/),空间分辨率为4 km,研究中使用了2003—2018年间白天和夜晚的月平均SST数据。MODIS SST产品采用劈窗算法反演SST,该算法的反演精度被很多人所认可^[16,17]。李雪丁^[18]用实测浮标SST数据检验MODIS SST产品在台湾海峡的精度,结果表明,MODIS遥感与实测SST数据的均方根误差为0.51 ℃,平均偏差为-0.02 ℃。

SOI从“气候指南”网站(https: //climatedataguide.ucar.edu/)下载,其可以反映太平洋东、西两侧大气压力变化,与一系列气候异常现象有明确的对应关系。海温实测数据为亚洲东北部地区海洋观测系统(North-East Asian Regional Global Ocean Observing System,NEAR-GOOS)区域延时数据库(Regional Delayed Mode Data Base,RDMDB)中的全球SST解码数据,用于检验插值后MODIS SST产品在东海的适用性。

2 研究方法

2.1 数据修复

目前,SST主要是利用热红外波段进行反演,由于云层的影响,在反演SST时需要去除云覆盖像元,因此,反演出来的SST图像存在缺值现象^[19]。这种数据缺值的情况会影响数据分析精度,为了解决这一问题,许多学者进行了大量研究。马寨璞等^[20]利用缺值像元周围各观测站的观测值与背景值之间的差异加权求得修订值; 谈建国等^[21]利用相近时间AVHRR资料的相对变化率来反演替代云区; 毛志华等^[22]综合利用资料插值、平滑、匹配修正,数值内插、曲面拟合和动力方程的数模替补,历史同期标准温度图进行时间域的替补等方法,对云覆盖区域的数据进行修复。东海某些区域存在缺值情况,部分数据缺值严重,为了更好地分析SST变化,首先对2003—2018年间所有的SST数据进行修复。本研究首先对数据进行预处理,包括数据格式、数据类型转换、裁剪等过程,然后利用最邻近点值替代法修复缺值的SST数据,最后利用NEAR-GOOS SST实测数据对插值后的数据进行精度验证。总体的技术路线如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 技术路线

Fig.1 Technology flow chart

最邻近点值替代法依据地理学第一定律: 空间相关性,即距离越近越相似。利用同一时间尺度下邻近区域的像元对数据进行修复,把最邻近点的像元值赋给空值。首先建立一个掩模数据,输入图像中的无效像元在建立的掩模图像中同一位置处有固定的像元值,从而可以识别图像中的无效像元,然后计算邻近像元到该无效像元的欧氏距离,把距离最近的有效像元的像元值赋给无效像元。

2.2 时空变化分析方法

为了更好地分析东海地区SST的时空变化情况,描述SST在像元尺度上的变化,利用最小二乘法逐像元计算2003—2018年间SST年际变化率Slope,即

(1)

Slope = \frac{n \sum_{i=1}^{n} (iSS T_{i}) - \sum_{i=1}^{n} i \sum_{i=1}^{n} SS T_{i}}{n \sum_{i=1}^{n} i^{2} - {(\sum_{i=1}^{n} i)}^{2}}

式中: Slope为SST年际变化率; n为SST时间序列的总长度,这里n取16; SST_i为第i年的年平均SST。当Slope>0时,表明随时间i的增加,SST呈上升趋势; 当Slope<0时,表明随时间i的增加,SST呈下降趋势。

皮尔逊相关系数常用来准确度量2个变量之间的相关程度,其大小可以反映2个变量的相关性强弱^[23]。本文中,SST与时间的皮尔逊相关系数R表示为:

(2)

R = \frac{n \sum_{i=1}^{n} (iSS T_{i}) - \sum_{i=1}^{n} i \sum_{i=1}^{n} SS T_{i}}{\sqrt[]{n \sum_{i=1}^{n} i^{2} - {(\sum_{i=1}^{n} i)}^{2}} \sqrt[]{n \sum_{i=1}^{n} SS {T_{i}}^{2} - {(\sum_{i=1}^{n} SS T_{i})}^{2}}}

相关系数 $R$ 的取值范围为[-1,1],当R>0时,表示SST与时间序列呈正相关; 当R<0时,表示SST与时间序列呈负相关。且 $|R|$ 越大,SST与时间序列的相关性越强。

2.3 互相关分析

为了更好地分析东海SST与SOI及Niño3.4区SST的关系,利用互相关分析法分析东海SSTA与SOI及Niño3.4区SSTA的相关性,从而分析东海SST对厄尔尼诺和拉尼娜现象的响应情况。互相关分析可估计2个时间序列的相关程度,2个系列的数据具有一定的延迟,通过变换2列数据的延迟数,找出2个数据之间的最大相关系数。设2个时间序列x(i)和y(i),i=0,1,2,…,N,它们的滞后数为m=0,1,2,…,N, $\bar{x}$ 和 $\bar{y}$ 分别为x和y的均值,则两者的互相关系数r定义为:

(3)

r (m) = \frac{\sum_{i=1}^{N-m} [x (i) - \bar{x}] [y (i + m) - \bar{y}]}{\sqrt[]{\sum_{i=1}^{N-m} [x {(i) - \bar{x}]}^{2}} \sqrt[]{\sum_{i=1}^{N-m} [y {(i + m) - \bar{y}]}^{2}}}

本研究中,N为SST时间序列的总月数,即192。

3 结果与分析

3.1 精度验证

插值后SST精度验证结果如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 MODIS插值后SST精度验证

Fig.2 Accuracy of MODIS SST after interpolation

利用邻近像元对MODIS SST产品进行修复后,通过NEAR-GOOS的 SST实测数据对重构数据进行精度验证。首先,需要对实测数据进行筛选,剔除海温、时间、日期、经纬度范围、数据标号不合法或者重复的数据^[24]。从SST精度验证结果可以看到,修复后的SST数据与SST实测数据的均方根误差为1.1 ℃,R²达0.88以上,满足了SST时空变化分析的精度要求。

3.2 东海SST年际变化

图3为东海SST年际变化。从图3中可以看到,2003—2018年间东海SST总体呈上升趋势,2016年SST最高,为24.1 ℃,2011年SST最低,为23.0 ℃。从图中还可以看到东海SST年际变化十分明显,有显著高的年份,也有显著低的年份。2007—2011年间SST一直处于下降的状态,之后在2014—2016年间SST又迅速升高,2016年之后SST又有所下降。从总体上看,SST是不断波动变化的,有些年份变化比较平缓,有些年份变化比较剧烈。从SSTA变化中可以看到,2009—2015年间东海SSTA一直处于负值的状态。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 东海SST年际变化

Fig.3 Interannual variation of SST of the East China Sea

为了更直观地体现东海SST逐年变化,绘制了SST变化趋势空间分布图(图4)。从图中可以看到,2003—2018年间,东海大部分海域年均SST呈上升趋势,长江口海域的增温率最高,可达0.042 ℃/a以上。部分区域平均SST呈下降趋势,主要包括东海北部以及东北部地区,但降温幅度和范围远小于增温幅度和范围。SST随时间变化的相关系数空间分布与SST变化趋势空间分布大致相同,SST升温(降温)幅度越大,SST变化与时间变化的正(负)相关性越强。东海大部分海域SST与时间呈正相关,长江口海域SST变化与时间的相关性最强,可达0.653以上。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2003—2018年东海年平均SST变化趋势空间分布

Fig.4 Spatial distribution of annual average SST change trends in the East China Sea from 2003 to 2018

为了分析SST的季节变化,将所有数据进行季节划分: 3—5月为春季,6—8月为夏季,9—11月为秋季,12—2月为冬季,同时绘制各季节SST变化折线图(图5),并统计各季节SST变化趋势(表1)。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 各季节东海SST年际变化

Fig.5 Interannual variation of SST of the East China Sea in each season

表1 各季节东海SST年际变化趋势

Tab.1 Interannual variation trend of SST in the East China Sea in each season

	春季	夏季	秋季	冬季
全天	y=0.018x-16.193, R²=0.061	y=0.030x-33.037, R²=0.128	y=0.013x-0.283, R²=0.029	y=0.006x+8.289, R²=0.005
白天	y=0.020x-18.699, R²=0.064	y=0.026x-25.304, R²=0.088	y=0.016x-5.694, R²=0.041	y=0.006x+7.230, R²=0.006
夜间	y=0.017x-14.163, R²=0.058	y=0.034x-41.049, R²=0.172	y=0.010x-5.233, R²=0.018	y=0.005x+9.262, R²=0.004

新窗口打开| 下载CSV

结果表明: 夏季和秋季SST最大值均出现在2016年,春季SST最小值出现在2011年,冬季SST最小值出现在2015年。各季节SST总体呈上升趋势,但升温速度不同: 夏季升温速度最快,春、秋次之,冬季最慢。夏季,夜间SST升温速率高于白天,而春季、秋季以及冬季白天SST升温速率高于夜间。

3.3 东海SST月际变化

为了描述SST的月际变化情况,绘制了SST月际变化折线图(图6)。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 东海SST月际变化曲线

Fig.6 Monthly variation curve of SST of the East China Sea

从图6中可以看出,东海6—10月的月平均SST高于25 ℃,SST在春季和冬季比较低,而在夏季和秋季比较高,其中,夏季平均SST可达27.6 ℃,而冬季平均SST只有19.6 ℃。东海SST月际变化明显,从最低温度18.3 ℃(2月)迅速上升到最高温度28.9 ℃(8月)。

为了分析SST空间分布特征,通过图像运算,给出东海各月SST空间分布(图7)。通过比较各月份,可以看出,东海SST基本呈现SE—NW的分布特征,SST向西北部逐渐递减。同纬度地区,靠近陆地的SST较低,越往东,离陆地越远,SST越高。冬季SST处于较低水平(图7(a)—(c)),冬季东海南、北温差最大可达20 ℃。东海西北部SST低于11 ℃,台湾东部海温为23~26 ℃。春季(图7(d)—(f))是冬季向夏季过渡的季节,SST开始上升,东海东部海域SST为20~29 ℃,浙江、福建沿岸SST为11~23 ℃。5月,杭州湾SST为20~23 ℃,比其东部海域要高。夏季(图7(g)—(i)),陆地气温升高,强烈的海气热交换使得SST上升。此时,东海SST高于20 ℃。秋季SST开始下降,东海东部SST高于西部(图7(j)—(l)),以10月为例,东海西部SST约20~26 ℃,东部约23~29 ℃。

图7-1

新窗口打开| 下载原图ZIP| 生成PPT

图7-1 东海SST空间分布

Fig.7-1 Spatial distribution of SST of the East China Sea

图7-2

新窗口打开| 下载原图ZIP| 生成PPT

图7-2 东海SST空间分布

Fig.7-2 Spatial distribution of SST of the East China Sea

4 讨论

南方涛动(southern oscillation,SO)可以反映热带环流的年际变化。是一种印尼地区、东南太平洋以及印度洋之间反相气压振动的现象。表现为: 当印度洋及印尼地区的气压偏低时,南太平洋气压就会偏高,反之亦然。SOI用于衡量SO现象的强度,同时,Niño3.4区SSTA可以用来表征厄尔尼诺和拉尼娜事件^[25]。

为了分析温度异常与气候异常的关系,绘制了东海SSTA,Niño3.4区SSTA与SOI折线图(图8)。其中,2004年、2009年、2015年为厄尔尼诺年, 2008年、2010年、2011年、2016年为拉尼娜年^[26]。从图中可以看到,SOI变化范围在-3.4~2.7之间,东海SSTA在-1~1.2 ℃之间变化,Niño3.4区SSTA在-1.8~2.9 ℃之间变化。厄尔尼诺发生期间,SOI为负值,Niño3.4区SSTA为正值; 拉尼娜发生期间,SOI大部分为正值,Niño3.4区SSTA为负值。表明正异常与厄尔尼诺事件有关,负异常与拉尼娜事件有关。2007—2008年SOI急剧上升,到2008年,SOI达到近年来的最大值。刘少锋等^[27]研究了拉尼娜事件与2008年1月中国南方极端气候异常的关系,认为赤道中东太平洋海温负异常是导致我国南方出现冰冻灾害等极端天气的重要原因,进一步说明研究SST特征对我国南方的天气预测有着重要的意义。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 东海SSTA时间序列

Fig.8 Time series of the SST anomalies of the East China Sea

从图8中可以看到,东海SSTA与厄尔尼诺和拉尼娜事件存在一定的关系,为此,统计了2003—2018年间厄尔尼诺和拉尼娜事件发生前后东海的SSTA(表2)。从表2中可以看到,厄尔尼诺发生当年,SSTA处于较低水平,发生次年SSTA明显升高,结束后一年又有所下降; 拉尼娜发生当年,SSTA处于较高水平,发生次年SSTA明显降低,到结束后一年又有所上升。

表2 东海SSTA与厄尔尼诺年及拉尼娜年的关系

Tab.2 Relationship between SSTA in the East China Sea and El Niño and La Niña

类型	年份	开始时间	结束时间	东海SSTA/℃
类型	年份	开始时间	结束时间	当年	次年	结束后一年
厄尔尼诺年	2004年	2004.08	2005.03	0.03	-0.13	-0.07
	2009年	2009.08	2010.03	-0.14	-0.19	-0.36
	2015年	2014.11	2016.05	-0.06	0.63	0.67
	平均值			-0.06	0.10	0.08
拉尼娜年	2008年	2007.08	2008.06	0.13	-0.14	0.14
	2010年	2010.07	2011.04	-0.19	-0.19	-0.32
	2011年	2011.08	2012.02	-0.45	-0.34	-0.29
	2016年	2016.08	2016.12	0.63	0.50	0.50
	平均值			0.03	-0.04	0.01

新窗口打开| 下载CSV

通过前文分析可知,东海SST与厄尔尼诺和拉尼娜事件具有良好的响应。为了进一步分析东海SST与厄尔尼诺和拉尼娜事件的关系,利用东海SSTA与Niño3.4区SSTA以及SOI作相关分析,分析它们之间的相关性。从图9中可以看到,SOI与滞后其15~39个月的东海SSTA呈负相关,与滞后其21~39个月的东海SSTA的相关性超过了-0.2; SOI及Niño3.4区SSTA与滞后其2 a左右的东海SSTA的相关性比较显著,此外,Niño3.4区SSTA与滞后9~27个月的东海SSTA的相关性超过了0.2,这说明东海SST变化与厄尔尼诺及拉尼娜的发生具有一定的关联。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 东海与赤道太平洋海温以及SOI互相关分析(2003—2018年)

Fig.9 Correlation analysis between East China Sea and equatorial Pacific ocean temperature and SOI (from 2003 to 2018)

5 结论

通过对2003—2018年间东海月平均SST数据进行分析,研究了东海SST年际、月际变化,以及SST异常与气候变化的关系。主要研究结论如下:

1)2003—2018年间东海SST总体呈上升趋势,2016年SST最高,2011年最低; 东海大部分海域SST呈上升趋势,SST与时间呈正相关,其中,长江口海域的增温率最高; 各季节SST呈上升趋势,夏季升温最快,且夜间升温速度比白天快,春、秋和冬季则是白天升温速度高于夜间。

2)东海在2月SST最低(约18.3 ℃),8月的SST最高(约28.9 ℃); 东海SST的空间分布具有按纬度分布的特征,东海SST从东南部向西北部逐渐递减。

3)SSTA与SOI负相关,SOI>0时,SSTA为负,出现拉尼娜现象; SOI<0时,SSTA为正,出现厄尔尼诺现象; 厄尔尼诺发生当年SSTA处于较低水平,发生次年SSTA明显升高,结束后一年又有所下降; 拉尼娜发生当年SSTA处于较高水平,发生次年SSTA明显降低,结束后一年又有所上升。

本文通过分析东海SST时空变化,对海温变化与气候变化之间的关系有了更深的理解,为我国农业生产防灾减灾提供了先验知识。由于本文仅研究了2003—2018年间东海地区SST变化趋势,并不能代表其长期变化,若要对未来SST变化进行预测等研究,还需采用长时间序列的SST数据集。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

邱欢

140年来东海及毗邻的西北太平洋海水温度变化的特征分析

[D]. 上海:上海师范大学, 2017.