基金项目:国家重点研发技术海洋环境安全保障专项(2017YFC1404804); 国家自然科学基金(41776146); 厦门大学校长基金(20720180106)
通信作者:spshang@xmu.edu.cn
(1.厦门大学水声通信与海洋信息技术教育部重点实验室,福建 厦门 361005; 2.厦门大学海洋与地球学院,福建 厦门 361102; 3.厦门大学环境与生态学院,福建 厦门 361102)
(1.Key Laboratory of Underwater Acoustic Communication and Marine Information Technology Ministry of Education,Xiamen University,Xiamen 361005,China; 2.College of Ocean and Earth Sciences,Xiamen University,Xiamen 361102,China; 3.College of the Environment
PHYSAT; phytoplankton groups; remote sensing; Taiwan Strait; threshold; spectra shape
DOI: 10.6043/j.issn.0438-0479.201807024
浮游植物类群遥感是海色遥感的热点问题,关乎全球变化生态响应研究及有害藻华的辨识.针对目前广泛应用的浮游植物类群遥感全球算法PHYSAT,应用台湾海峡夏季表层浮游植物光合色素与SeaWiFS同步卫星遥感数据,探讨其区域适用性.结果显示两种主要类群(硅藻(Diatom)和聚球藻(Synechococcus))的遥感光谱异常(Ra)分布交错,且同一类群的Ra在不同航次、不同站位之间也存在差异,用PHYSAT算法阈值标准均不能得到有效识别.在建立归一化离水辐射率nLwref(λ,Chla)台湾海峡区域查找表的基础上,重新生成硅藻和聚球藻的Ra,不同类群的Ra依旧混杂.这可能与建立PHYSAT算法的标准海域和台湾海峡水体光学组分差异及台湾海峡的水体光学组分时空差异,尤其是颗粒后向散射系数bbp的变动有关.采用K-means和FCM(Fuzzy c-means)方法对443 nm归一化的Ra进行聚类,准确率超过70%.该结果说明在类似台湾海峡的区域水体,浮游植物类群的遥感分辨可能需要更多考虑光谱谱形上的差异,而非如PHYSAT算法进行量值范围区分.
PHYSAT,one of the widely-accepted methods to detect multiple phytoplankton groups from space,was tested for its applicability in the Taiwan Strait(TWS)with 27 match-ups of in situ photosynthetic pigments collected during three cruises in summer and SeaWiFS daily data.Reflectance anomalies(Ra)spectra of the two dominant phytoplankton groups(Diatom and Synechococcus)in the TWS were completely mixed.Significant temporal and spatial variabilities in Ra distribution were also observed among samples of a specific phytoplankton group.The phytoplankton group in the TWS was not identified successfully using Ra with PHYSAT threshold and additional spectral criteria,even Ra based on the regional lookup table of nLwref(λ,Chla)for the TWS,which may be due to different bio-optical characteristics in waters,especially particulate backscattering coefficients(bbp).Clustering methods,K-means and FCM(Fuzzy c-means),were applied with Ra normalized at 443 nm.More than 70% of the samples were successfully identified.It seems that the remote sensing of phytoplankton groups may pay more attention to the difference in Ra spectra shape rather than in the magnitude by PHYSAT method in regional areas such as the TWS.
作为海洋的初级生产者,浮游植物在决定全球碳的分配及热收支平衡上扮演着重要角色,是海洋生物地球化学研究的基本要素.因不同类群的浮游植物具有某些特性,其在海洋生物地球化学循环过程中体现的具体功能也可能不同.根据浮游植物在生物地球化学循环中的作用,可以将其分为不同的功能群,包括硅化浮游植物(如硅藻(Diatom))、固氮浮游植物(如束毛藻(Trichodesmium))、钙化浮游植物(如球石藻(Coccolithophorids))、产二甲基硫(DMS)浮游植物(如棕囊藻(Phaeocyctis))等[1-2].
遥感因其实时、大面积、可持续观测的特点,在大范围、长序列浮游植物观测方面具有优势.在全球变化大环境下,发展浮游植物类群遥感技术,获取不同浮游植物功能群的时空分布特征及其对气候变化的响应,是水色遥感的一项重要研究内容.遥感信号作为水体吸收和后向散射的综合结果,其光谱特征对于不同浮游植物类群有所差异,已有研究针对某种浮游植物在相对高浓度条件下(如藻华)提出了特定的遥感检测方法,如球石藻遥感算法[3-5]、束毛藻遥感算法[6-8]、甲藻遥感算法[9]和硅藻遥感算法[10].部分研究综合多航次现场浮游植物调查信息和遥感信号,尝试检测多种浮游植物类群的遥感算法[11-14],其中以PHYSAT算法最为典型[11-12].
Alvain等[11]通过对北大西洋、赤道太平洋的大量光合色素样品采集,从特征色素与叶绿素a(Chla)浓度(质量浓度,下同)比值中提取浮游植物优势种群信息; 选取现场观测±1 d、±60 km的SeaWiFS同步卫星遥感数据中5个可见光波段的归一化离水辐射率nLw进行平均,建立不同Chla浓度的nLwref查找表,继而通过与现场同步匹配的遥感nLw计算遥感光谱异常Ra(Ra=nLw(λ)/nLwref(λ,Chla)),结合优势类群信息,最终得到定鞭藻类(Haptophytes)、原绿球藻(Prochlorococcus)、聚球藻(Synechococcus)和硅藻四大浮游植物类群在一类水体中的Ra判别标准,称为PHYSAT算法.为了更好地提取南大洋及上升流区的硅藻信息,Alvain等[12]将nLwref的数据来源延伸至全球范围,Ra的判别经验阈值略有调整,定鞭藻改为微型真核生物(nanoeucaryotes),并新增对棕囊藻和球石藻水华的判别.PHYSAT算法在全球及区域海域浮游植物类群时空分布和敏感海域对气候变化响应的研究中均有应用.在大尺度范围,PHYSAT算法提取的浮游植物群落分布特征与其他现场观测结果基本相符,如:原绿球藻和聚球藻在贫营养热带水体大量存在,北大西洋硅藻水华呈现显著的年际变动; 北大西洋涛动(NAO)指数、南半球环状模(SAM)呈显著正位相时,高纬度海域的硅藻优势度异常突出,尤其是SAM正位相时南大洋的硅藻优势度[11-12,15-16].采用NOMAD、GeP&CO全球浮游植物色素数据集对PHYSAT算法在1997—2006年的月分布反演结果进行检验,微型真核生物的正确识别率可高达83%,其次是硅藻(57%),原绿球藻和聚球藻则相对容易混淆[12]; 在Alvain等[17]的研究中,硅藻、原绿球藻、聚球藻的正确识别率分别上升至73%,61%,57%.但需要指出的是,在上述与现场观测的比对研究中,浮游植物类群遥感均采用月反演结果,仅适用于水团、浮游植物类群结构相对稳定的开放大洋水体.在我国,有部分学者直接利用PHYSAT算法获取南海浮游植物类群的季节分布特征[18-19],但PHYSAT算法在中国海域的适用性仍未知.对于相对小尺度的区域海域,PHYSAT算法的性能尚缺乏有效评估.由于水体组分差异,虽然nLwref可以很大程度地去除背景信号(Chla)的影响,但PHYSAT算法对四大类群设定的Ra阈值范围及其在其他海域是否适用仍有很大的不确定性,有待进一步验证.
台湾海峡是连接东海和南海的狭长水道.受东亚季风控制,冬季低温的浙闽沿岸水自东海南下,同时还有一支暖水自南海北部北上; 而夏季则由西南季风驱动暖水自南海北上,在夏季风及地形的作用下形成沿岸和浅滩上升流[20].已有研究显示,厄尔尼诺-南方涛动(ENSO)事件可能会通过一定方式影响东亚季风场的强弱,进而影响台湾海峡的海洋动力环境场,并对浮游植物生物量及群落结构产生生态效应.强厄尔尼诺事件期间,台湾海峡冬季表层水体温度明显高于海区气候平均态,区域暖水与冷水面积比值比往年增加25%,高Chla浓度水体的面积减半[21].在西南风较小、上升流较弱的厄尔尼诺现象发展期年份,夏季台湾海峡南部Chla浓度较低,以蓝藻为主要优势类群(34%~49%)[22-23]; 而在西南风较大、上升流较强的厄尔尼诺现象衰亡期年份,则硅藻明显占优势(42%~65%)[22-24].
本研究在3个夏季航次现场观测色素数据的基础上,结合SeaWiFS同步卫星遥感数据,对PHYSAT算法在台湾海峡浮游植物类群遥感的适用性进行检验,分析导致问题的潜在原因,探讨发展浮游植物类群遥感算法的可能方向.
2004年7—8月、2005年7月、2006年6月在台湾海峡南部进行大面观测,站位分布如图1所示.采集水样过滤,样品滤膜保存于液氮中,带回至实验室用高效液相色谱法测量浮游植物光合色素,具体方法详见文献[25].
参考Alvain等[11-12]确定浮游植物类群:结合特征
Δ和○表示该站位有遥感数据匹配且表层优势类群分别为聚球藻和硅藻.
图1 2004—2006年夏季航次的台湾海峡浮游植物色素采样站位
Fig.1 Phytoplankton pigment sampling stations in the Taiwan Strait during summer cruises in 2004-2006
色素二乙烯基叶绿素a(dv-Chla)、玉米黄素(zeaxanthin)、岩藻黄素(fucoxanthin)、19'-己酰基氧化岩藻黄素(19'-hexanoyloxy-fucoxanthin)、多甲藻素(peridinin)与总Chla浓度的比值,选取原绿球藻、聚球藻、硅藻、微型真核生物为主要优势类群的表层样品.浮游植物类群分析结果与遥感数据匹配站位的分布情况详见图1.由于部分站位多次采样,可能出现同一站位具有多种浮游植物优势类群(对应不同时间)以及同一站位具有多个匹配Ra的情况.
在NASA网站(http:∥oceandata.sci.gsfc.nasa.gov/SeaWiFS/L2)下载SeaWiFS L2 1.1 km分辨率遥感数据.根据现场采样时间、地点,选取匹配遥感数据(时间窗口±1 d; 空间窗口3×3); 根据遥感Chla浓度和nLwref查找表[11]计算得Ra.其中,Chla浓度小于0.04 mg/m3或大于3.00 mg/m3,或气溶胶光学厚度aot_865大于0.15的遥感数据,舍弃[11].
通过MATLAB 2014a软件中相应函数及默认设置,采用K-means和FCM(Fuzzy c-means)两种算法[26]对已知硅藻和聚球藻的样品光谱聚类.
K-means算法以类中各样本的加权平均值(质心)代表该类,通常以各样本与其质心的欧几里德距离总和作为目标函数进行聚类.基本步骤如下:选择k个样品作为初始质心,或将所有样品分成k个初始类后,将k个类的质心作为初始凝聚点; 再将每个样品归入最近的凝聚点所在类,该类的凝聚点更新为其均值; 重复以上步骤,直至所有样品的分配不再变化.
在很多分类问题中,分类对象之间没有明确的界限.模糊目标函数算法为了弥补目标函数法(如K-means)硬划分所带来的诸多缺陷而引入了软划分的概念,即将样本按照一定的概率(隶属度)归属于某类.FCM是其中最重要且应用最广泛的算法.其聚类准则是求U、V,使得目标函数J(U,V)取得最小值:
J(U,V)=∑nk=1∑ci=1umi kd2i k.
其中:U=(ui k)c×n为隶属度矩阵,ui k表示第k个样品xk属于第i类的隶属度(0≤uik≤1,∑ci=1ui k=1); V={v1,v2,…,vc},为c个类的聚类中心,di k=‖xk-vi‖(i=1,…,c).
现场观测期间,以原绿球藻、聚球藻、硅藻、微型真核生物为主要优势类群的表层样品共80个; 因为云覆盖遥感数据缺失,或遥感Chla浓度、aot_865数据不符合要求(详见1.2小节),最终匹配上遥感数据的样品仅27个.其中,原绿球藻、微型真核生物的现场数据与遥感数据匹配上的样品均只有一个,其他为聚球藻(n=17)和硅藻(n=8).
四大浮游植物类群的Ra分布如图2所示.原绿球藻的Ra分布整体平缓,和PHYSAT算法的判别标准(0.8~1.0,表1)相似,但数值偏低(0.5~0.6); 微型真核生物(2.7~3.7)则大大偏离PHYSAT算法的判别标准(0.4~1.0,表1).聚球藻除412 nm波段外,443,490,510,555 nm 4个波段的Ra差异不大; 硅藻
(a)硅藻;(b)聚球藻;(c)原绿球藻和微型真核生物.
的Ra则在412~510 nm波段有明显的下倾坡度,基本趋势为Ra(412)>Ra(443)>Ra(490)>Ra(510).这和PHYSAT算法中描述的两个类群的Ra特征基本相符.然而从量值上看,PHYSAT算法中微型真核生物、原绿球藻、聚球藻和硅藻的Ra经验阈值依次增大(表1),而台湾海峡聚球藻和硅藻的Ra基本交叠在一起,和标准有很大差异,不能通过阈值法分离.若严格按照PHYSAT算法标准,8种硅藻和17种聚球藻均无法被准确识别,即这两个主要类群的识别率为零.
表1 浮游植物类群PHYSAT算法的判别标准[11]
Tab.1 Ra criteria for plankton groups in the PHYSAT method[11]
按航次分开显示,可见不同年份的Ra数据有较大差异(图3).2006年硅藻的Ra分布较为集中,2004年和2005年的则相对离散.聚球藻样品主要集中在2004年和2006年2个航次,但这2年的Ra分布范围差异很大:不考虑412 nm波段,2004年聚球藻的Ra基本落在1.5~2.2之间,大于PHYSAT算法标准(0.9~1.2,表1); 2006年的Ra则多数落在0.7~1.0之间,和PHYSAT算法标准较接近.
由于原绿球藻、微型真核生物现场与遥感匹配上的样品均只有一个,Ra分布缺乏代表性,所以主要针对聚球藻和硅藻两大类群进行讨论.
受天气影响,2004年夏季航次(主要在8月)遥感与现场数据匹配的站位中,硅藻和聚球藻均落在靠北的F、G断面上,相对近岸; 而2006年除A、B、C断面的部分近岸站位外,其他基本落在S断面(S4~S10),离岸相对较远(图1).聚球藻的Ra量值与谱形和PHYSAT算法标准较接近的均为2006年S断面的站位,离岸较远,而其他近岸站位结果则比PHYSAT算法标准大很多(图2和图3); 硅藻的站位相对集中,基本落在近岸(图1),443~555 nm波段的Ra主要落在1.0~2.0,与PHYSAT算法标准接近(图2),偏离PHYSAT算法标准较大的为特别近岸(2004年F0)或相对远岸(2005年A7)的站位.
根据辐射传输模型,遥感光谱信号最终取决于水体的吸收和后向散射特性,因此Ra不可避免地受水体光学因子变动的影响.Alvain等[17]模拟有色溶解有机物(CDOM)吸收系数ag、浮游植物比吸收系数a*ph、颗粒后向散射系数bbp、Chla浓度变化与Ra的关系并进行敏感性分析,结果显示bbp对Ra的量值影响最大.2004年和2006年2个航次采样期间的遥感bbp(443)分布如图4所示.2004年F、G断面站位的bbp(443)基本在0.01 m-1以上; 2006年S断面离岸站位(S4~S10)在约0.002 m-1,近岸站位则与2004年F、G断面较接近(大于0.01 m-1).2004年聚球藻的Ra显著高于2006年,2006年近岸站位的Ra远高于离岸站位,可能与近岸站位悬浮泥沙含量较高、bbp较大有关.显然,不同区域、不同时间水体的光学组分可能不同,不同浮游植物类群主导的水体对应的Ra很难用阈值设定来简单划分.
图4 台湾海峡MODIS-Aqua 4 km 8 d平均bbp(443)
Fig.4 MODIS-Aqua 4 km 8 d rage bbp(443)in the Taiwan Strait
遥感Chla数据的不确定性可能也是导致Ra变动和PHYSAT算法失效的重要影响因素.这种不确定性主要有两方面来源:1)遥感Chla浓度反演算法.台湾海峡OC3M遥感Chla浓度(0.1~10 mg/m3)与实测相比存在高估,平均相对误差高达136%[27]; 本研究中样品的Chla浓度为0.04~3.00 mg/m3,且80%样品低于1.25 mg/m3(对应的平均相对误差为55.3%),这在很大程度上避开了近岸混浊水体,消减了Chla浓度遥感算法对Ra的可能影响.2)遥感与现场数据的匹配.因光照、潮汐等因素的作用,水体中浮游植物的Chla浓度通常存在昼夜差异[28]; 且研究海域在夏季多上升流,浮游植物生物量及群落结构会随之调整[22].受天气、耀斑等影响,台湾海峡遥感数据严重缺失,本研究中遥感与现场数据匹配的时间窗口设定为±1 d,当卫星过境与现场采样时间相隔较久或2 d内水团有较显著异动时,实际Chla浓度或浮游植物类群则可能与遥感观测到信号出现偏离.
此外,PHYSAT算法直接应用卫星遥感数据加以统计,而后以绝对阈值划分的方式分辨不同类群,很可能将卫星数据本身的质量问题带入[29],算法失效的风险较大.
当浮游植物或其他水色成分存在显著区域特征时,采用全球通用的nLwref(λ,Chla)将必然导致Ra结果的偏离.Navarro等[30]在区域遥感叶绿素算法的基础上,用地中海海域遥感数据生成nLwref(λ,Chla)查找表,建立了适用于地中海的PHYSAT区域算法.台湾海峡为联系东海和南海的狭长水道,近岸水体不可避免会受CDOM或悬浮泥沙的影响,水体成分与大洋水体不同.针对该问题,参考Alvain等[11]的方法,本研究选取航次所在3年(2004—2006年)夏季(6—8月)的SeaWiFS daily 1.1 km遥感数据(115.5°~120.5°E,21°~26° N),生成台湾海峡区域nLwref(λ,Chla)查找表,其中,Chla浓度范围为0.04~3.00 mg/m3,气溶胶光学厚度aot_865小于0.15,nLw(555)小于1.3 mW/(cm2·mm·sr)[11,30].形成的台湾海峡区域nLwref(λ,Chla)查找表及相应3个航次硅藻和聚球藻的Ra分布(以Ra'表示,区别于全球通用查找表生成的Ra)如图5所示.尽管硅藻和聚球藻的Ra'(0.5~2.0)与图2中的Ra(0.7~4.0)相比变动范围变窄,相对集中,但两者的Ra分布仍交错而难以用阈值分离.这可能与台湾海峡近岸河流输入及上升流的作用有关[20].水团的复杂性导致CDOM等非藻类成分的时空分布不均一,且相对浮游植物而言该部分光学信号不可忽略,最终影响Ra分布.
图5 基于nLwref(λ,Chla)区域查找表的台湾海峡2004—2006年夏季航次的硅藻和聚球藻Ra分布
Fig.5 Ra distribution of Diatom and Synechococcus in the Taiwan Straitbased on the regional lookup table of nLwref(λ,Chla)during summer cruises in 2004-2006
等[31]采用自组织神经网络(SOM)算法对Ra进行聚类.和PHYSAT算法相比,该算法首先以满足一定条件的大量遥感Ra作为输入层,形成10×10的输出层(神经元); 基于这100个神经元,某种浮游植物类群样品对应的Ra都可以找到与之最接近的神经元,从而很大程度上避免了PHYSAT算法阈值限制,导致样品不能有效找到归类的问题; 但SOM是一种非监督分类算法[32],100个神经元的属性(和浮游植物类群的关系)未知.该研究把600多个已知浮游植物类群的Ra作为标注样本,将其投影至100个神经元,从而确定四大浮游植物类群对应的神经元分布.这种方法的前提是必须拥有大量数据作为标注样本,而类似本研究中遥感与现场浮游植物类群匹配样品数少的情况下,无法检测SOM算法是否适用.
本研究中虽然硅藻和聚球藻对应的Ra分布严重交错,但聚球藻的Ra谱形较为平缓,硅藻的则从短波至长波有较明显的下降幅度(图2).对这2种类群的Ra进行443 nm归一化,结果如图6所示:聚球藻在490,510,555 nm波段基本落在0.8~1.0之间,而硅藻多数落在0.6~0.7之间.443 nm归一化很大程度上消除了不同浮游植物类群的Ra分布在量值上的差异,同时也消除了同一浮游植物类群Ra在不同航次、不同
站位的差异,突显了各类群的Ra谱形特征.由此可见聚球藻和硅藻在Ra谱形上有较大差异.
依据以上特征,用相对简单的聚类方法K-means和FCM,尝试通过443 nm归一化Ra对25个样品的硅藻和聚球藻进行聚类.按照PHYSAT算法把5个波段值全部作为输入,K-means对2种类群的聚类准确率为72%,其中硅藻的失误率较高(38%),聚球藻的较低(24%)(表2; 图7).FCM聚类结果和K-means完全一致,但相比K-means,FCM聚类结果中提供了样品对不同类别的隶属度参数(附录表S1,http:∥jxmu.xmu.edu.cn/upload/html/20190110.html),从中可看出样品的类群优势是否显著,如:2006年航次C3和C5站位均被归在同一类(聚球藻),但C3对聚球藻和硅藻的聚类中心隶属度分别为0.58和0.42,而C5则分别为0.96和0.04,说明C5站位聚球藻的主导优势比C3站位更显著.在实际应用中,可以从时空角度分辨浮游植物优势种群的过渡与更替,对甄别混合类群水体也有很大帮助.未来在更多数据积累的基础上,据此结果进一步发展分辨算法的可能性是存在的.
由于大气校正的影响,卫星遥感反射率Rrs与实测值之间存在一定的偏差.已有卫星定标研究显示,
SeaWiFS的Rrs在412 nm波段与其他可见光波段(443,490,510,555 nm)相比,有较大不确定性[33-34]; 在包括台湾海峡在内的南海东北部水体,MODIS的Rrs(412)和实测值也有较大偏离[35].此外,CDOM和非藻类颗粒在包括412 nm的短波段具有强吸收,在高CDOM和悬浮泥沙的近岸水体对遥感信号有显著影响.以上原因导致412 nm波段的Ra有很大不确定性,容易被浮游植物之外的因素所干扰[17].因此尝试了不含412 nm的4个波段输入情况,聚类准确率可提高至76%(表2).从图7可看出,4波段与5波段输入相比,结果中减少了对一个聚球藻的错误聚类.该样品443 nm归一化Ra在443~555 nm波段与聚球藻类的质心极其接近,但因为412 nm波段出现较大偏离,以5波段输入时被错误地归入硅藻类.可见,后续研究可考虑应用412 nm以外波段以减小大气校正或非藻类水色成分带入的不确定性影响.
综上所述,即便建立台湾海峡区域nLwref(λ,Chla)
图7 443 nm归一化Ra作为输入的硅藻和聚球藻K-means和FCM聚类结果
Fig.7 K-means and FCM clustering results for Diatom and Synechococcous,using Ra normalized at 443 nm as input
查找表,生成的不同浮游植物类群Ra仍难以通过阈值划分; 基于443 nm归一化Ra却可以对不同浮游植物类群成功聚类.因此,在去除主要背景信号(Chla)影响的条件下,浮游植物类群的分辨可能需要更多依赖于Ra谱形的变化而非量值的差异.在台湾海峡类似区域水体,或许可以通过Ra谱形差异识别主要浮游植物类群信息,从而提取浮游植物类群的时空变化信息及其对环境条件的可能响应.
本研究采用PHYSAT算法,在台湾海峡以硅藻和聚球藻为主的25个样品,基于对应匹配的Ra,发现浮游植物类群信息并不能被有效识别.硅藻和聚球藻2个类群的Ra相互交错,且同一类群的Ra在不同年度、不同站位的分布有所差异; 而建立台湾海峡区域nLwref(λ,Chla)查找表仍不能改变不同浮游植物类群Ra混杂的趋势.可见PHYSAT算法按Ra阈值及附加光谱特征限制对不同浮游植物类群进行分类,并不适用于台湾海峡,这可能与建立PHYSAT算法标准的海域和台湾海峡的水体光学特征不同有关.
对Ra进行443 nm归一化,用K-means和FCM聚类均可以较好地将硅藻和聚球藻2个类群样品分开(准确率72%); 舍弃412 nm波段后准确率可高达76%,这与短波段易受CDOM和大气校正的影响有关.该结果说明,浮游植物类群的遥感分辨可能需要更多考虑Ra谱形上的差异,而不是如PHYSAT算法进行量值范围区分.
受现场采样和遥感数据匹配的限制,本研究的样品数偏少且集中在硅藻和聚球藻2个类群,新增其他类群,如原绿球藻和微型真核生物类群,尤其是原绿球藻和聚球藻同属pico级的浮游植物,从Ra谱形特征上是否可以有效将几种类群浮游植物分开还有待更多的现场数据支持与验证.