沿海水体的光学多样性如何？外文翻译资料

沿海水体的光学多样性如何？

摘要：沿海地区是社会资源，同时也受到来自各种因素的巨大压力。沿海地区显示出了丰富的光学多样性特征。这些水体的光学分类和区分区域之间相似性的潜力是一个海洋水色卫星富有成果的应用。为了从水体的光学性质来看沿海水体的特殊性和复杂性，基于全分辨率的SeaWiFS全球遥感反射率数据Rrs被手机起来用于沿海地区和海洋边缘部分，最大限度保证数据覆盖区域和季节采样。利用非监督聚类方法得出16个不同光学性质的水体类别，其覆盖条件从异常浑浊到寡营养化。当使用一组7年的SeaWiFS全球数据集时，这组光学水体类别允许沿海地区，边缘海域和大型内陆水体的有效分类。与更浑浊的水体条件相关联的水体类别在近海岸和中海拔地区体现出了相对优势。局部光学变化通过研究时段内占据主导地位的水体类别数量来衡量，在90%数据日考虑的情况下平均为5.2类。通过计算类成员资格得出的Shannon指数来更具体分析光学多样性。低光学多样性的地区主要是浑浊的水体以及封闭的海洋和内陆水体。贫营养化水体也显示出了相对较低的多样性，然而沿海区域和开放的大洋之间的区域呈现最高的光学多样性，这与生态特征产生了很有价值的联系。

关键词：光学性质 沿海地区 分类 SeaWiFS 水色

1. 引言

作为海洋和陆地生态系统支持人口分布之间的界面，沿海地区需要进行深入研究和理解。沿海地区是地球上人口高密度区(Small amp; Nicholls, 2003)和社会资源，同时也承认着来自人类的巨大压力。大城市人口增长、经济发展、污水排放、局部污染和栖息地减少导致生态系统恶化(Halpern et al., 2008; Lotze et al., 2006)。人类活动，如过度捕捞(Stewart et al., 2010)和外来物种入侵(e.g., Katsanevakis, Zenetos, Belchor, amp; Cardoso, 2013; Molnar, Gamboa, Revenga, amp; Spalding, 2008)，直接影响食物网和沿海地区的生物多样性。水库蓄水网络的扩展改变了淡水流量和河口沉积物总量((Vouml;rouml;smarty et al., 2003)。人为向沿海地区输入营养也出现了严重的化学特征(Galloway et al., 2008)，导致了寡营养化和富营养化现象的发生(Diaz amp; Rosenberg, 2008; Voss et al., 2011)。温室气体浓度上升及其与之相关的酸化作用也会加剧这些效应。由气候变化引起的浮游生物物种分布和上升流生态系统改变所引发的严重后果备受关注(e.g., Bakun amp; Weeks, 2004; Beaugrand, Reid, Ibantilde;ez, Lindley, amp; Edwards, 2002).

在这样背景下，沿海生态系统和海洋边缘地区需要进行适度监测，以提高对其性质改变的探测和生态系统动态性的理解，并遵循环境保护政策的影响。然而，当需要全球观测网络时，实际采样的时空分布额不均匀：一大部分沿海地区缺乏相关的光学观测采样，并且由于操作限制造成一些季节相对被忽略。海洋水色遥感在全球和频繁观测领域扮演着高性价比的工具，可以从这些观测数据中解译出海洋表面的叶绿素a(Chla)、悬浮物质和可溶性有机物(CDOM)浓度。然而，这种全球观测能力由于实测数据的不均匀分布而受到质疑，这些实测数据是经验算法的基础或是用于定义半经验生物光学算法参数，像叶绿素a吸收率和CDOM吸收斜率指数。因为相同的原因，验证结果的覆盖范围有效，尤其是遥感反射率和固有光学属性。这导致许多算法和验证统计的应用能力受到质疑。这个问题可以通过引入光学分类技术来避免，利用遥感反射率Rrs的光谱形状从光学角度量化两类水体之间的相似度(e.g., DAlimonte, Meacute;lin, Zibordi, amp; Berthon, 2003; Martin Traykovski amp; Sosik, 2003; Moore, Campbell, amp; Feng, 2001).因为在一个光学水体类应用的算法定义或验证结果被应用在与之相关的任意水体类别所产生的限制条件，光学分类技术为全球尺度下海洋水色遥感最佳且同质的使用提供了一个强有力的途径。通过充分利用实测数据基础来定义光学水体类别参考体系所挖掘出来的潜力被用于区域和全球尺度((Lubac amp; Loisel, 2007; Meacute;lin et al., 2011; Moore, Campbell, amp; Dowell, 2009; Moore, Dowell, Bradt, amp; Ruiz Verdu, 2014; Vantrepotte, Loisel, Dessailly, amp; Meacute;riaux, 2012).当实测数据被认为具有比卫星监测数据更低的不确定性时，当实测Rrs数据收集常常伴随着其余未来应用所需的观测量时(如叶绿素a用于相关经验算法的定义)，这样做就会显示出多方面的优势。然而，通过分类反映光学变化的情况会在实测数据范围方面产生一定限制，这是对用于均匀代表所有区域和季节的光学水体类型集合创建的限制。

本次研究的目的是利用可用的沿海、海岸水体以及海洋边缘地区的卫星观测数据来提取包括这些地区所有光学变化量和至今未利用信息的光学水体类型集合。沿海地区的焦点通过其重要性来说明：总是被称为光学复杂性水体，并包含了一大部分相对于大多数大洋水体中相当有限的变化所呈现出的自然水体光学变化。但是，如下所示，从富营养化到贫营养化水体的典型光学水体类型都在分析中被覆盖。本次研究的主要应用方面是阐述全球尺度下观测的光学可变性，从而挖掘地区之间的光学相似性，评估给定区域内的光学稳定度。首先提出的是研究区域和训练数据集的创建，再描述聚类和分类方法，然后叙述光学水体类型的分布，最后量化光学多样性。

1. 数据和方法

2.1 卫星观测数据和研究区域

所有宽视场海洋观测传感器Level-1A数据从美国航空航天局(NASA)的海洋生物处理组(OBPG)获取并使用SeaWiFS数据分析软件处理(SeaDAS, version 6, Fu, Baith, amp; McClain, 1998)。这个图像被称为最低分辨率为1.1km的MLAC数据采集。使用正弦曲线投影和1/48°空间分辨率(约2.3km)将产品投影到全球区域。随后的分析使用每日的数据。鉴于更高水平的平均数据具有趋于平滑的光谱特征，上述的时空采样可以很好地用在获取沿海水体的光学可变性。使用SeaWiFS MLAC数据的缺点是数据获取在地面站的操作中呈现时空分布不均。本次工作的焦点是在沿海和海洋边缘地区。为了独立全球海洋的各部分从而对应那个模糊的定义，一个任意标准数据集被用来定义研究区域。首先，如果具体海岸线的最短距离大于200km或海洋深度大于4000m(对中美洲和南美洲区域为9000m)，将网格点剔除。水深测量按照General Bathymetric Chart of the Oceans (GEBCO)一分钟栅格数据集来定义。最后按照这个标准剔除一些海洋边缘地区部分区域之后，存储分析区域所有的范围(如，印尼群岛、中国和日本海、鄂霍次克海、地中海、北海、墨西哥湾和哈德逊湾)。面积很大的湖也包含其中(如美洲、欧洲和非洲的大湖、贝加尔湖和里海)但是相关数据不能包含在训练过程中。最终的沿海区域面积为地球表面积的12%(或海洋面积的17%)。

为了进行地区统计，研究区域被分割为代表海洋边远地区和沿海位置部分的独立地区(如图1)。特别是，这些地区分布是通过Longhurst(2006)的生物地理区和大海洋生态系统(LMEs)来完成的(Sherman amp; Hempel, 2009). 表1-7提供了每个区域首字母的列表。这些选取的名称不必反映与这片区域相关的整个地理区域而只需与待分析的沿海部分相关即可。

我们需要处理1998-2004间的SeaWiFS数据，从中得出7年的数据，在此期间没有被NASA限制的LAC数据分布用于研究目的。图2叙述了参与分析的有效数据总天数。对于整个区域来说，数据平均值为283天(标准差221天)。天数相对较少的利用MLAC的使用解释，当以上解释不足以执行全球研究时。覆盖范围的变化性很强，对地中海(MEDI)来说，最大天数为767天；对拉普帖夫海(LAPT)来说，最小天数为6天。一般而言，最低覆盖范围的地区是高纬度或云和烟尘覆盖频繁的地区，如几内亚湾(GUIN,平均为41天)。一些内陆水体也呈现出了相对较低的覆盖范围(贝加尔湖最低为12天)，但这不是一个普遍特征(美国五大湖,GREL,有效数据平均天数为358天)。调整数据可变性的一个额外因素与地面接收站的操作有关。

2.2 训练数据集

训练数据集被用来定义一组光学类。为了便于管理，这个数据集只能是卫星数据文档的子集，但是必须能很好地表示沿海地区水体的光学可变性。下面的放大旨在最大化训练数据集的地理覆盖范围和季节采样。对于研究区域内的每个栅格点来说，需要建立有效Rrs数据日列表。除了这个列表，保留5天随着日程表来优化数据离差。如果一个栅格点的有效数据天数小于5天，那么他们必须全面包含在训练数据集中。这个方面保证了具有很少数据的位置或季节也可以被训练数据集代表，或反过来避免那些具有很多有效数据和地区或具有很好大气条件的季节完全占据训练过程。最终的训练数据集总量为个光谱。所有大洋区域不被包含在训练数据集创建的原因是中贫营养化水体占据了一大部分数据，会削弱聚类获取沿海地区微妙的光学可变性的能力。

图1 研究区域分区，表1-7中定义的地区缩写

2.3 聚类技术

为了减少反射率的一介可变性，聚集在每一个Rrs光谱反射率的光谱形状，需要在聚类之前按下面的公式对反射率数据进行积分形式( Lubac amp; Loisel, 2007; Vantrepotte et al., 2012)的标准化(是每个波段的波长)：

其中(单位为)表示通过在(412nm)和(670nm)之间积分得到的标准化光谱。这个公式利用梯形积分法来计算。

表1

高纬度地区名称缩写定义.每个区域的主体类(最频繁被选择为最大类成员资格对应的类)以及平均Shannon指数(见式6)

标准化反射率光谱组成训练数据集之后使用ISODATA(Iterative Self-Organizing Data Analysis Technique, Jensen, 1996; Memarsadeghi, Mount, Netanyahu, amp; Le Moigne, 2007; ISOD-

ATA, 2014)聚类方法分析。这个非监督分类算法相当于K-means聚类算法的改进算法。不同于K-means算法，ISODATA算法在迭代期间可以自主调整聚类个数，旨在合并相似类和通过标准差和距离标准分解距离远的类。在每次迭代过程中，如果标

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[139266]，资料为PDF文档或Word文档，PDF文档可免费转换为Word