文章快速检索  
  高级检索
基于MODIS的长江口表层水体盐度时空分异
牛莹1, 赵欣怡1, 周云轩1, 田波1, 王利花2     
1. 华东师范大学河口海岸学国家重点实验室, 上海 200062;
2. 成都信息工程大学资源环境学院, 成都 610225
摘要: 长江河口地处海陆交汇地区,其海表盐度受到长江流域、东海和三角洲社会经济活动的复合影响。水体盐度直观反映了河口区域冲淡水分布,对于研究淡水羽状锋、长江物质输送与河口环境变化等具有重要意义。本文分别对枯季和洪季的长江口盐度实测数据,以及中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)遥感反射率与反射率的比值进行拟合回归分析,建立长江口表层盐度反演经验模型,得到枯季的相关系数和均方根误差(root-mean-square error,RMSE)分别为-0.930 3、0.45‰,洪季的相关系数和RMSE分别为-0.818 5、0.88‰;并分析模型在时间尺度上的适用性。利用该盐度反演模型对长江口2007-2016年的表层盐度进行反演,结合大通站记录的长江径流量观测资料,分析长江口表层水体盐度的时空变化规律。结果表明:长江口表层盐度受径流量影响较大,空间上呈自西向东递增趋势,具有季节性分异;枯季近岸盐度较高,高盐度海水可以到达长江口南北支分叉122.5°E附近;洪季冲淡水影响范围广,高盐度海水聚集在123°E以东、31°N以南,长江口北部出现低盐区域;2007-2016年间枯季大通站流量呈上升趋势,平均盐度为29.27‰,总体呈降低趋势,洪季大通站流量呈降低趋势,平均盐度为27.10‰,呈上升趋势,盐度和径流量在年际变化中存在良好的负相关关系。
关键词: MODIS    长江口    海表盐度    径流    时空分异    
Sea Surface Salinity Spatio-Temporal Differentiation in Yangtze Estuarine Waters Using MODIS
Niu Ying1, Zhao Xinyi1, Zhou Yunxuan1, Tian Bo1, Wang Lihua2     
1. State Key Laboratory of Estuarine and Coastal Research, East China Normal University, Shanghai 200062, China;
2. College of Resources and Environment, Chengdu University of Information Technology, Chengdu 610225, China
Supported by National Natural Science Foundation of China (41476151)
Abstract: The Yangtze Estuary is located in the intersection of sea and land, and its sea surface salinity (SSS) is affected by the Yangtze River, East China Sea, and social and economic activities of the delta. Salinity can directly reflect the distribution of freshwater plumes; therefore, the research on the spatial and temporal distribution and variation of the Yangtze River salinity is significant for understanding the importance of freshwater plumes, material transport, and estuarine environment. Terra MODIS (moderate-resolution imaging spectroradiometer) remote sensing reflectance, reflectance ratio and field data in dry and flood seasons were used to establish the experienced retrieval models of the Yangtze Estuary, and their RMSE are 0.45‰ and 0.88‰ respectively. The applicability of the model in time scale was also analyzed. The models were used to retrieve SSS in the Yangtze estuarine waters from 2007 to 2016, combined with the runoff observational data from the Datong gauging station, the temporal and spatial variations of SSS were analyzed. The results showed that the SSS distribution in the Yangtze Estuary appeared increasing from the west to the east, which was deeply influenced by the Yangtze River runoff with obvious seasonal differentiation. The off-shore SSS appeared high in the dry season, with high SSS waters reaching westward 123°E, around the bifurcation of the southern and the northern branches of the Yangtze Estuary. Diluted water influenced a larger area in the flood season, which caused the high SSS waters gathering east of 123°E and south of 31°N, along with a low SSS area in the north of the Yangtze Estuary. The Datong gauging station runoff increased during 2007 to 2016 in the flood season, along with the decrease of the average SSS of the study area, and the average SSS was 29.27‰. The runoff decreased in the dry season, along with the increase of the average SSS, and the average SSS was 27.10‰. The SSS variations during 2007 to 2016 had a negative correlation with runoff.
Key words: MODIS (moderate-resolution imaging spectroradiometer)    Yangtze Estuary    sea surface salinity    runoff    spatio-temporal differentiation    

0 引言

海表盐度(sea surface salinity, SSS)作为描述海洋物理性质的基本要素之一,是监测和研究海洋温盐环流、海-气循环、水循环等过程的关键变量[1-2]。目前SSS的现场实测具有空间与时间上的局限,而卫星遥感作为新的动态监测技术,具有大范围监测、全天时全天候等特点,不仅可以快速、及时地提供海表面水环境状况,还可以结合长时间序列的卫星数据分析SSS的时空变化状况,满足SSS研究过程中的需要。现有的盐度卫星主要是欧洲航天局研制的土壤湿度和海洋盐度卫星(soil moisture and ocean salinity, SMOS)、美国的Aquarius卫星以及SMAP(soil moisture active/passive)卫星,空间分辨率为20~200 km,主要应用于大洋或开阔海域盐度反演,在近海岸特别是河口区域,盐度反演误差较大[3-5]。中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer, MODIS)具有较高的光谱分辨率和时间分辨率,已应用于珠江口、渤海湾和墨西哥湾北岸等近海小尺度地区的海表盐度反演[6-10],其反演原理主要利用河口区域表层水体盐度和有色可溶性有机物(colored dissolved organic matter, CDOM)之间的相关性[11-12]。CDOM与盐度的关系在不同河口地区明显不同,与研究区域的水动力、生物化学过程密切相关[13],因此,MODIS盐度反演模型需要根据不同河口特征进行构建。

长江口是中国最大径流量长江的入海通道,大量陆源淡水与海水在此处混合,产生了独特的河口物理、化学和生物环境特征。河口冲淡水密度比海水密度小,漂浮在海水之上形成河口地区特有的地理现象——河口淡水羽状锋和羽状体[14]。受潮流、径流影响,河口淡水羽状锋面和锋体变化快速,表层水体盐度作为河口地区咸淡水分布和羽状锋重要描述指标,在时间和空间上分异性显著。本文基于盐度实测数据,利用Terra MODIS L1B数据进行长江口及近海表层盐度反演,研究长江冲淡水分布范围,并对十年来的盐度反演结果进行分析,讨论其时空分异,对了解和研究长江冲淡水分布、长江口近岸生态环境和咸潮监测等具有重要意义。

1 研究区域与数据来源

研究区域覆盖了长江口、杭州湾以及邻近的口外海域,地理范围为121°07′08"E—124°21′00″E,29°48′29″N—32°03′04″N(图 1)。根据大通站2007—2016年水文观测资料,长江口年平均径流量为2.77×104 m3/s:每年5—10月为洪季,径流量占全年的67.4%,其中7月径流量最大;11月至次年4月为枯季,径流量占全年的32.6%,其中2月径流量最小。

图 1 研究区域和盐度实测站点位置图 Fig. 1 Study area and SSS field data site location distribution

卫星遥感数据来自MODIS传感器,是美国地球观测系统(earth observation system, EOS)卫星中最主要的仪器,搭载于Terra和Aqua两颗卫星上,共有36个通道,覆盖可见光、近红外与热红外波段,其较高的光谱分辨率和中等的空间分辨率, 能够满足研究需要。本文选择经过辐射定标的Terra MODIS L1B数据MOD1KM,空间分辨率为1 km。为有效地对MODIS L1B数据进行大气校正,采用NASA(national aeronautics and space administration)海洋水色制作的4 km空间分辨率Terra MODIS遥感反射率数据进行校正,数据具有每日、月平均和季节平均等产品。

表层盐度实测数据来自长江口共享航次(图 1),盐度现场观测仪器采用美国Sea-Bird公司的温盐深仪(conductance temperature depth, CTD),测量方式为船舶定点测量。测量深度从1 m至60 m不等,统一取其水深1~3 m的盐度数据,并用其用来代表表层盐度[15]

2 盐度遥感反演方法

长江口近海CDOM在波长为355 nm处的吸收系数与盐度存在较好的负相关性,在3月的相关系数为-0.87,回归系数为-22.6,在7月的相关系数为-0.945,回归系数为-32.32[16];相关性极强,可以作为盐度反演的中间变量。本文参考盐度与CDOM吸收系数之间的相关性,选择MODIS在355 nm附近的3、4、8、9、10、11波段反射率作为变量来进行拟合分析,其中心波长分别为469、555、412、443、488、531 nm;通过指数、线性、对数和幂回归等统计方法,建立长江口近海表层盐度的遥感反演模型,按照洪季和枯季分别对长江口表层水体盐度进行反演。

2.1 数据预处理

MODIS L1B数据自带几何定位信息,在使用前需要进行几何校正。地理坐标选择WGS 84(world geodetic system 1984),以最邻近采样(nearest neighbor)插值法进行校正,同时进行蝴蝶结效应(bow-tie)的去除。

辐射亮度直接由传感器测量,包括表面反射、相邻象元反射以及云层的反射,并非地物真实的反射率,其中一部分误差可以通过大气顶层(TOA)反射率而非DN(digital number)值来进行校正。传感器接收的大部分TOA辐射是大气中空气分子和气溶胶的反射,在定量遥感中,这些误差需要通过精确建模从原始数据中去除,大气校正就是从TOA辐射中恢复离水辐射。

NASA制作的海洋水色数据Terra MODIS遥感反射率Rrs(λ)是从水色传感器获得的基本参数,可以为许多衍生产品的算法提供基本输入。采用的校正算法是先推导出海平面以下的上行光谱辐射亮度,并通过上行太阳辐照度将辐射亮度进行归一化,最终表示为光谱遥感反射率[17-19],即不同波长对应的Rrs(λ)。其建模计算公式为

其中,离水组分表达为

式中:fb(λ)为双向反射校正;fλ为谱外响应校正;F0为地外太阳辐照度[20]Fs为日地距离对F0影响的校正;θs为入射角;tgs(λ)为日地传输过程中大气吸收造成的下行太阳辐射透射率;Lt(λ)为大气层顶辐射;tgv(λ)为辐射上行传输路径中因气体吸收而引起的损耗;fp(λ)为带外响应校正;LR(λ)为空气分子瑞利散射引起的辐射影响;La(λ)为气溶胶散射影响;tdv(λ)为在传输路径中的大气漫射辐射;Lf(λ)为白帽影响。

由于NASA的MODIS反射率产品数据空间分辨率过低,无法与实测数据匹配,本文利用NASA精确大气校正后的反射率作为基准对MODIS L1B影像MOD1KM进行校正。

2.2 洪季盐度反演

将洪季(7—8月)共享航次实测SSS数据与对应当天时刻的MODIS数据进行空间匹配。由于MODIS影像质量受到云覆盖的影响,遍历2013—2017年航次时间对应的影像,选择了数据质量较好、没有云覆盖的4景:MOD1KM201600722、MOD1KM20160724、MOD1KM201600725和MOD1- KM20170802。提取出同一位置实测盐度对应波段3、4、8、9、10、11的遥感反射率,建立实测盐度与反射率之间的对应数据集。

水色波段比值是常用的定量遥感反演方法。本文计算了6个波段反射率之间的比值,并将21个自变量分别与实测盐度进行拟合回归分析,包括指数回归、线性回归、对数回归和幂回归4种方法(表 1)。其中,波段4(555 nm)与波段9(443 nm)的反射率比值R(555)/R(443)作为自变量的拟合效果最好,其指数模型相关系数(-0.818 5)绝对值达0.818 5,相关性极强,可以用来对洪季长江口表层水体盐度进行反演。同时,波段4(555 nm)与波段9(443 nm)的反射率比值也常用于CDOM遥感反演之中[21-22]

表 1 洪季MODIS反射率和反射率比值与实测盐度相关系数绝对值 Table 1 Correlation coefficient absolute value between MODIS reflectance/ reflectance ratio and field SSS in flood season
指数回归线性回归对数回归幂回归
R(469)0.141 40.141 40.063 20.083 7
R(555)0.519 60.506 00.577 90.576 2
R(412)0.273 90.247 00.328 60.360 6
R(443)0.264 60.264 60.176 10.170 3
R(488)0.316 20.305 00.316 20.322 5
R(531)0.223 60.209 80.223 60.244 9
R(469)/R(443)0.173 20.204 90.130 40.094 9
R(469)/R(488)0.655 70.697 10.712 70.673 8
R(469)/R(531)0.565 70.555 00.591 60.601 7
R(555)/R(469)0.692 80.707 10.785 50.757 6
R(555)/R(443)0.818 50.805 00.791 80.795 6
R(555)/R(488)0.632 50.645 00.725 30.708 5
R(555)/R(531)0.435 90.459 30.600 80.566 6
R(412)/R(469)0.514 80.532 00.574 50.556 8
R(412)/R(555)0.758 90.769 20.808 10.804 2
R(412)/R(443)0.104 90.100 00.134 20.134 2
R(412)/R(488)0.224 70.226 70.223 60.219 1
R(412)/R(531)0.101 50.127 30.094 90.070 7
R(443)/R(488)0.173 20.148 30.251 00.270 2
R(443)/R(531)0.141 40.089 40.094 90.126 5
R(488)/R(531)0.031 60.070 70.170 30.130 4

R(555)/R(443)作为自变量,利用指数回归建立的长江口表层水体盐度(S)反演模型为

2.3 枯季盐度反演

将枯季(2—3月)共享航次实测SSS数据与对应当天时刻的MODIS数据进行空间匹配。遍历2013—2017年航次时间对应的影像,选择MODIS影像3景:MOD1KM20160215、MOD1KM2016- 0218和MOD1KM20160228,提取出同一位置实测盐度对应波段3、4、8、9、10、11的遥感反射率。

对比6个波段反射率和反射率比值21个自变量分别与实测盐度拟合回归的结果(表 2)。其中,波段4(555 nm)与波段3(469 nm)的反射率比值R(555)/R(469)作为自变量的拟合效果最好。与洪季模型的波段不同,这可能是长江口近海CDOM吸收系数与盐度之间相关性存在季节性差异的结果,洪季陆源CDOM的比重大于枯季[16]R(555)/R(469)作为自变量的指数模型相关系数绝对值均在0.9之上,其指数模型的相关系数(-0.930 3)绝对值达0.930 3,相关性极强,可以很好地对盐度进行反演。

表 2 枯季MODIS反射率和反射率比值与实测盐度相关系数绝对值 Table 2 Correlation coefficient absolute value between MODIS reflectance/ reflectance ratio and field SSS in dry season
指数回归线性回归对数回归幂回归
R(469)0.228 30.218 60.065 60.219 1
R(555)0.482 80.473 60.461 20.469 0
R(412)0.311 40.302 30.286 00.293 3
R(443)0.245 60.244 70.225 60.234 5
R(488)0.240 80.231 10.070 40.231 9
R(531)0.402 50.393 40.378 80.387 7
R(469)/R(443)0.352 80.349 70.352 00.355 2
R(469)/R(488)0.147 30.138 60.139 60.148 3
R(469)/R(531)0.628 50.634 50.629 30.623 5
R(555)/R(469)0.930 30.929 50.930 10.930 1
R(555)/R(443)0.846 50.846 90.848 50.847 8
R(555)/R(488)0.870 90.866 40.878 40.882 2
R(555)/R(531)0.770 90.764 30.768 80.775 2
R(412)/R(469)0.465 60.461 20.452 80.456 9
R(412)/R(555)0.312 60.316 20.092 70.290 7
R(412)/R(443)0.493 10.488 30.482 00.486 5
R(412)/R(488)0.391 20.384 70.376 00.381 7
R(412)/R(531)0.078 10.072 10.081 20.086 6
R(443)/R(488)0.240 60.233 70.231 50.238 1
R(443)/R(531)0.390 50.396 40.381 60.375 8
R(488)/R(531)0.901 90.901 90.901 90.902 2

R(555)/R(469)作为自变量,利用指数回归建立的长江口表层水体盐度反演模型为

3 结果与讨论 3.1 精度和适用性分析

为验证长江口表层水体盐度反演模型的准确性,在实测盐度数据中抽取一部分作为验证数据,与反演的盐度数据进行对比分析,结果(图 2)显示:验证数据与反演数据之间存在良好的一致性,枯季反演结果的回归系数为1.002 2,相关系数为0.98,RMSE(root-mean-square error)为0.45‰;洪季反演结果的回归系数为0.992 5,相关系数为0.98,RMSE为0.88‰,枯季反演的效果优于洪季。对比其他MODIS盐度反演模型,渤海湾、墨西哥湾北岸和马来西亚海域等研究区域的盐度反演RMSE为0.26‰~1.40‰[6-9],本文的反演模型精度满足研究需求。

图 2 枯季(a)和洪季(b)遥感反演盐度与实测盐度比较图 Fig. 2 Correlation between retrieved SSS and field SSS in dry season (a) and flood season (b)

长江径流量是影响盐度分布的重要因素,存在显著的季节性变化(洪枯季),根据多年观测资料,长江在每年5至10月为洪季,11月至次年4月为枯季[23]。为验证上述盐度反演经验模型在时间序列上的适用性,利用NASA海洋水色制作的MODIS反射率月平均数据对2007、2010、2013和2016年1— 12月的月平均盐度进行反演,并与大通站记录的长江径流量进行对比(图 3)。可以看出,4年间反演的月平均盐度与大通站流量之间具有很好的对应性,当大通站流量降低时,长江口近海的表层盐度明显上升;其中6—8月大通站流量最大,长江口盐度处于低值,9—11月大通站流量明显减少,长江口盐度相应上升。在2007、2010、2013和2016年,盐度与径流量之间的相关系数分别为-0.89、-0.89、-0.90和-0.79,存在很好的负相关关系,两者呈现明显此消彼长的变化趋势,表明利用该经验模型反演的盐度能够较好地反映长江口表层盐度随径流量变化的特征,符合盐度的变化规律,该经验模型可以适用于长江口表层水体的盐度反演。

图 3 2007、2010、2013、2016年遥感反演月平均盐度与大通站径流量对比 Fig. 3 Comparison of retrieved monthly average SSS and Datong gauging station runoff in 2007, 2010, 2013, and 2016
3.2 长江口表层盐度场分布

根据长江口表层水体盐度反演公式,利用NASA海洋水色的MODIS反射率月平均数据,分别对2007、2010、2013、2016年的3月和8月的表层盐度进行反演(图 4)。3月为枯季,平均径流量为1.95×104 m3/s,占全年径流量的6.05%;8月为洪季,平均径流量为4.13×104 m3/s,占全年径流量的12.64%。

a. 200703; b. 200708; c.201003; d. 201008; e. 201303; f. 201308; g. 201603; h. 201608。 图 4 长江口表层水体盐度反演结果空间分布 Fig. 4 Retrieved monthly average SSS and Datong gauging station runoff

长江口表层盐度空间分布在总体上呈现梯度分布趋势。由于长江的径流量是影响盐度分布的重要决定性因素[24-25],这种空间梯度分布趋势受径流量变化影响显著,具有季节性分异,3月和8月的盐度分布呈现明显的差异。

枯季3月近岸盐度较高(图 4aceg),高盐度海水水舌能够到达123°E以东和31°N以北、长江口南北支分叉附近。洪季8月冲淡水能够影响的范围更广(图 4bdfh),高盐度海水在123°E以东、31°N以南的地区聚集,长江口北部出现明显盐度较低区域,这是长江冲淡水在夏季向东北方向偏转程度最大、伸展距离最远的结果[26]

为直观分析长江口表层盐度在空间上的梯度变化趋势,选择长江口外南支和北支分叉附近的31.25°N剖面,观察盐度在该纬度附近的分布(图 5)。3月(图 5a)盐度在25‰~35‰之间,近岸盐度明显高于8月(图 5b),在122.8°E附近有小幅上升,以东盐度稳定在较高范围;8月(图 5b)盐度自西向东呈递增趋势,近岸盐度在20‰左右,明显低于外海,后趋于稳定在25‰~30‰之间。

图 5 长江口31.25°N整体剖面表层盐度变化 Fig. 5 SSS variations of 31.25°N section in Yangtze Estuary
3.3 长江口表层盐度年际变化

分别连续反演2007—2016年枯季(3月)和洪季(8月)的长江口表层盐度,对比长江大通在3月和8月的径流量,进行年际变化分析(图 6)。2007—2016年间3月平均盐度为29.40‰,大于8月的平均盐度27.10‰。

图 6 长江口2007—2016年的3月和8月反演盐度与大通站流量对比 Fig. 6 Comparison of retrieved SSS and Datong gauging station runoff during 2007—2016 in March and August

对比2007—2016年间的反演盐度和长江大通站流量年际变化,3月大通站流量整体呈上升的变化趋势,波动较为平稳,盐度呈现减少的变化趋势(图 6a);8月大通站流量整体呈波动中略微降低趋势,盐度变化总体呈现增加趋势(图 6b)。符合三峡工程建设以来径流量枯季增加洪季减少的变化规律[27-28]。3月与8月的盐度和径流量都呈相反的变化趋势,其相关系数分别为-0.60和-0.79,两者在年际变化中也存在较好的负相关关系。

4 结论

本文建立长江口表层盐度反演模型,反演了2007—2016十年间枯季和洪季的盐度,对长江口表层盐度场的时空分异进行分析,结果表明:

1) 长江口表层盐度空间分布总体呈现自西向东递增的梯度分布趋势,深受径流量影响,具有季节性分异。

2) 枯季近岸盐度较高,高盐度海水可以到达长江口南北支分叉附近。

3) 洪季冲淡水影响范围广,高盐度海水聚集在123°E以东、31°N以南,长江口北部出现低盐区域。

4) 近十年来枯季大通站流量呈上升趋势,盐度呈现减少趋势;洪季流量整体呈下降趋势,盐度呈增加趋势。两者存在较好的负相关关系。

长江口的水动力学、生物化学过程等较为复杂且具有季节性分异,除了径流量之外,盐度分布还受到潮汐、近岸环流等因素影响,值得进一步深入讨论。

致谢: 本研究使用的实测盐度资料由华东师范大学负责的国家自然科学基金项目“长江口科学考察实验研究”(41549003,41649903)提供,专此致谢。

参考文献
[1]
李志.海洋表层盐度遥感反演机理及应用研究[D].青岛: 中国海洋大学, 2008.
Li Zhi. The Study of Sea Surface Salinity Retrieval Model at L-Band[D]. Qingdao: Ocean University of China, 2008. http://d.wanfangdata.com.cn/Thesis/Y1338425
[2]
Terray L, Corre L, Cravatte S, et al. Near-Surface Salinity as Nature's Rain Gauge to Detect Human Influence on the Tropical Water Cycle[J]. Journal of Climate, 2012, 25(3): 958-977. DOI:10.1175/JCLI-D-10-05025.1
[3]
Korosov A, Counillon F, Johannessen J A. Monitoring the Spreading of the Amazon Freshwater Plume by MODIS, SMOS, A Quarius, and TOPAZ[J]. Journal of Geophysical Research:Oceans, 2015, 120(1): 268-283. DOI:10.1002/2014JC010155
[4]
Zine S, Boutin J, Waldteufel P, et al. Issues About Retrieving Sea Surface Salinity in Coastal Areas from SMOS Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(7): 2061-2072. DOI:10.1109/TGRS.2007.894934
[5]
Urquhart E A, Zaitchik B F, Hoffman M J, et al. Remotely Sensed Estimates of Surface Salinity in the Chesapeake Bay:A Statistical Approach[J]. Remote Sensing of Environment, 2012, 123: 522-531. DOI:10.1016/j.rse.2012.04.008
[6]
Marghany M, Hashim M, Cracknell A P. Modelling Sea Surface Salinity from MODIS Satellite Data[C]//International Conference on Computational Science and Its Applications. Berlin: Springer, 2010: 545-556.
[7]
Geiger E F, Grossi M D, Trembanis A C, et al. Satellite-Derived Coastal Ocean and Estuarine Salinity in the Mid-Atlantic[J]. Continental Shelf Research, 2013, 63: S235-S242. DOI:10.1016/j.csr.2011.12.001
[8]
Wang J, Deng Z. Development of a MODIS Data Based Algorithm for Retrieving Nearshore Sea Surface Salinity Along the Northern Gulf of Mexico Coast[J]. International Journal of Remote Sensing, 2018, 39(11): 3497-3511. DOI:10.1080/01431161.2018.1445880
[9]
Yu X, Xiao B, Liu X, et al. Retrieval of Remotely Sensed Sea Surface Salinity Using MODIS Data in the Chinese Bohai Sea[J]. International Journal of Remote Sensing, 2017, 38(23): 7357-7373. DOI:10.1080/01431161.2017.1375570
[10]
丁晓英, 余顺超. 基于遥感的珠江口表层盐度监测研究[J]. 遥感信息, 2014, 29(5): 96-100.
Ding Xiaoying, Yu Shunchao. Water Salinity in Pearl River Estuary Based on Remote Sensing[J]. Remote Sensing Information, 2014, 29(5): 96-100. DOI:10.3969/j.issn.1000-3177.2014.05.017
[11]
Johnson D R, Miller J, Schofield O. Dynamics and Optics of the Hudson River Outflow Plume[J]. Journal of Geophysical Research:Oceans, 2003, 108(C10): 3323. DOI:10.1029/2002JC001485
[12]
Stedmon C A, Osburn C L, Kragh T. Tracing Water Mass Mixing in the Baltic-North Sea Transition Zone Using the Optical Properties of Coloured Dissolved Organic Matter[J]. Estuarine, Coastal and Shelf Science, 2010, 87(1): 156-162. DOI:10.1016/j.ecss.2009.12.022
[13]
Bai Y, Pan D, Cai W J, et al. Remote Sensing of Salinity from Satellite-Derived CDOM in the Changjiang River Dominated East China Sea[J]. Journal of Geophysical Research:Oceans, 2013, 118(1): 227-243. DOI:10.1029/2012JC008467
[14]
朱建荣, 丁平兴, 胡敦欣. 2000年8月长江口外海区冲淡水和羽状锋的观测[J]. 海洋与湖沼, 2003, 34(3): 249-255.
Zhu Jianrong, Ding Pingxing, Hu Dunxin. Observation of the Diluted Water and Plume Front off the Changjiang River Estuary During August 2000[J]. Oceanologia et Limnologia Sinica, 2003, 34(3): 249-255. DOI:10.3321/j.issn:0029-814X.2003.03.003
[15]
王永红, Heron M L, Ridd P. 航空微波遥感观测海水表层盐度的研究进展[J]. 海洋地质与第四纪地质, 2007, 27(1): 139-145.
Wang Yonghong, Heron M L, Ridd P. Progress in Measuring Sea Surface Salinity by Using Airborne Microwave Remote Sensing System[J]. Marine Geology & Quaternary Geology, 2007, 27(1): 139-145.
[16]
余小龙.浑浊海岸水体色素成分的吸收特性测量及其浓度的遥感反演[D].上海: 华东师范大学, 2013.
Yu Xiaolong. Measurements of Pigment Absorption Coefficients and Retrieval Models of Pigment Concentration in Turbid Coastal Waters[D]. Shanghai: East China Normal University, 2013. http://cdmd.cnki.com.cn/Article/CDMD-10269-1013267688.htm
[17]
Ahmad Z, Franz B A, McClain C R, et al. New Aerosol Models for the Retrieval of Aerosol Optical Thickness and Normalized Water-Leaving Radiances from the SeaWiFS and MODIS Sensors over Coastal Regions and Open Oceans[J]. Applied Optics, 2010, 49(29): 5545-5560. DOI:10.1364/AO.49.005545
[18]
Bailey S W, Werdell P J. A Multi-Sensor Approach for the On-Orbit Validation of Ocean Color Satellite Data Products[J]. Remote Sensing of Environment, 2006, 102(1/2): 12-23.
[19]
Gordon H R, Wang M. Influence of Oceanic Whitecaps on Atmospheric Correction of Ocean-Color Sensors[J]. Applied Optics, 1994(33): 7754-7763.
[20]
Thuillier G, Hersé M, Foujols T, et al. The Solar Spectral Irradiance from 200 to 2400 nm as Measured by the SOLSPEC Spectrometer from the ATLAS and EURECA Missions[J]. Solar Physics, 2003, 214(1): 1-22. DOI:10.1023/A:1024048429145
[21]
Naik P, D'Sa E J, Grippo M, et al. Absorption Properties of Shoal-Dominated Waters in the Atchafalaya Shelf, Louisiana, USA[J]. International Journal of Remote Sensing, 2011, 32(15): 4383-4406. DOI:10.1080/01431161.2010.486807
[22]
Shanmugam P. New Models for Retrieving and Partitioning the Colored Dissolved Organic Matter in the Global Ocean:Implications for Remote Sensing[J]. Remote Sensing of Environment, 2011, 115(6): 1501-1521. DOI:10.1016/j.rse.2011.02.009
[23]
沈焕庭, 茅志昌, 朱建荣. 长江河口咸水入侵[M]. 北京: 海洋出版社, 2003.
Shen Huanting, Mao Zhichang, Zhu Jianrong. Saltwater Intrusion at the Mouth of the Yangtze River[M]. Beijing: Ocean Press, 2003.
[24]
韩乃斌. 长江口南支河段氯度变化分析[J]. 水利水运工程学报, 1983(1): 77-84.
Han Naibin. Analysis of Chlorinity Variation in the Southern Branch of the Yangtze River Estuary[J]. Scientific Research on Water Conservancy and Water Transport, 1983(1): 77-84.
[25]
朱建荣, 吴辉, 李路, 等. 极端干旱水文年(2006)中长江河口的盐水入侵[J]. 华东师范大学学报(自然科学版), 2010, 4(1): 1-6.
Zhu Jianrong, Wu Hui, Li Lu, et al. Saltwater Intrusion in the Changjiang Estuary in the Extremely Drought Hydrological Year 2006[J]. Journal of East China Normal University (Natural Science), 2010, 4(1): 1-6. DOI:10.3969/j.issn.1000-5641.2010.01.001
[26]
刘兴泉, 尹宝树, 侯一筠. 长江口及其邻近海区环流和温, 盐结构动力学研究:Ⅱ:环流的基本特征[J]. 海洋与湖沼, 2008, 39(4): 312-320.
Liu Xingquan, Yin Baoshu, Hou Yijun. The Dynamic of Circulation and Temperature-Salinity Structure in the Changjiang Mouth and Its Adjacent Marine Area:Ⅱ:Major Characteristics of the Circulation[J]. Oceanologia et Limnologia Sinica, 2008, 39(4): 312-320. DOI:10.3321/j.issn:0029-814X.2008.04.003
[27]
赵军凯, 李九发, 戴志军, 等. 长江宜昌站径流变化过程分析[J]. 资源科学, 2012, 34(12): 2306-2315.
Zhao Junkai, Li Jiufa, Dai Zhijun, et al. Analysis the Runoff Variotion of Yangtze River in Yichang[J]. Resources Science, 2012, 34(12): 2306-2315.
[28]
王利花, 周云轩. 大通站水沙关系演变驱动因素分析[J]. 吉林大学学报(地球科学版), 2018, 48(1): 226-233.
Wang Lihua, Zhou Yunxuan. Driving Factors Analysis on Evolution of Water and Sediment at Datong Station[J]. Journal of Jilin University (Earth Science Edition), 2018, 48(1): 226-233.
http://dx.doi.org/10.13278/j.cnki.jjuese.20180212
吉林大学主办、教育部主管的以地学为特色的综合性学术期刊
0

文章信息

牛莹, 赵欣怡, 周云轩, 田波, 王利花
Niu Ying, Zhao Xinyi, Zhou Yunxuan, Tian Bo, Wang Lihua
基于MODIS的长江口表层水体盐度时空分异
Sea Surface Salinity Spatio-Temporal Differentiation in Yangtze Estuarine Waters Using MODIS
吉林大学学报(地球科学版), 2019, 49(5): 1486-1495
Journal of Jilin University(Earth Science Edition), 2019, 49(5): 1486-1495.
http://dx.doi.org/10.13278/j.cnki.jjuese.20180212

文章历史

收稿日期: 2018-08-13

相关文章

工作空间