2025, Vol. 55
2. 中国海洋大学物理海洋教育部重点实验室，山东 青岛 266100;
3. 中国海洋大学海洋环境与生态教育部重点实验室，山东 青岛 266100;
4. 中国海洋大学环境科学与工程学院，山东 青岛 266100
悬浮物(suspended particulate matter，SPM)浓度的变化是反映海洋环境质量[1-2]、生态系统健康状况[3-4]以及海洋碳循环[5-7]的重要指标。SPM主要由无机颗粒物(如泥沙)、有机颗粒物(如浮游植物、碎屑)以及溶解性有机物质等组成，它们在海洋中的分布和动态变化对海洋生态系统的生产力、营养盐循环、水下光照条件以及海洋生物的栖息环境具有深远的影响。SPM不仅影响着该区域的海洋环境质量，还通过一系列的物理、化学和生物过程与海洋生态系统产生复杂的相互作用。
南海北部陆架区[8-10]作为连接内陆与深海的重要过渡带，其海洋环境复杂多变，生态功能多样，近年来，随着全球气候变化和人类活动的加剧，该区域的海洋环境发生了显著变化。Yu等[11]研究发现，在2002—2017年，受季风和海表面温度影响，南海海域叶绿素a浓度显著上升。谢友鸽[12]研究发现，在1993—2015年，南海海平面在边缘海域和中北部海域呈现显著增长趋势。同时，Hong等[13]研究发现，在1979—2019年间南海北部沿岸海域风速总体呈现减小的趋势，外海风速呈增大趋势。Chu等[14]研究发现，在强厄尔尼诺期间热带印度洋-南海区域海表面温度变暖，而中太平洋至东太平洋变冷。此外，南海区域的入海河流输沙量总体呈现出降低的趋势，如珠江[15]、红河[16-17]、南渡江[18]等河流都呈现降低趋势。南海北部陆架区的海洋环境正在经历显著变化，揭示该区域SPM浓度的变化规律及其驱动机制已成为当前海洋环境研究的重要科学命题。
目前，南海北部陆架区SPM浓度的变化特征已受到广泛关注。李珏等[19]基于2003—2017年的MODIS-Aqua卫星海表反射率数据，揭示了北部湾SPM浓度呈现明显的季节变化特征。Wang等[20]利用Landsat遥感卫星数据反演了1988—2015年珠江口浅滩和河道中的SPM浓度，发现其呈显著下降趋势，平均每年下降5.7~10.1 mg/L。Zhan等[21]用MODIS-Aqua数据计算了月平均SPM浓度，结果表明珠江口海域SPM浓度在2003—2015年呈现减少趋势。
与此同时，在SPM浓度变化的影响因素研究方面，学者们也取得了不少进展。Zhang等[22]研究表明, 北部湾地区挖掘海底管道导致海底悬浮沉积物的扩散，引起该区域SPM浓度升高。Wang等[23]于2019年首次观测了内部潮汐对泥沙输运的影响，发现内部潮汐将底层沉积物带到了距海底300 m以上的高度，造成表层SPM浓度升高。李薛[24]基于遥感数据和HYCOM资料研究了南海SPM对2014年超强台风“威马逊”的响应，发现台风引起的海水强混合与上升流会导致海表面SPM浓度降低。此外，李钰等[19]基于MODIS-Aqua数据反演了2003—2017年SPM浓度，指出冬季SPM浓度高主要受控于较强的冬季风及波浪，而夏季河流入海泥沙的增多会导致河口形成SPM高浓度区。
综上所述，尽管南海部分地区SPM浓度的研究已取得一定成果，但相较于其他海域，南海北部陆架区SPM浓度变化特征及其影响因素的探讨仍显不足。特别是在全球气候变化和人类活动共同作用的背景下，该区域SPM浓度呈现出更加复杂多变的特征。本研究利用长时间序列的卫星遥感数据和现场观测资料，提取分析了2000—2023年南海北部陆架区SPM浓度在季节尺度和年际尺度上的变化特征，并进一步探讨了这两种时间尺度SPM浓度变化的影响因素。
1 研究区域、数据与方法 1.1 研究区域南海(见图 1(a))拥有复杂多样的地形特征，涵盖大陆架、大陆坡和深海盆地等多种海底地貌类型。南海北部陆架区(见图 1(b))位于中国的南海北部，东起南澳岛，西至北部湾，呈东北向宽带状展布，与中国的广东、广西和海南等省份相邻，是南海与大陆交互的重要区域。南海北部陆架区是世界上最宽阔的大陆架之一，其地势由陆缘四周向中央海盆倾斜，坡度较缓。该区域的水深范围在0~150 m之间，主要地貌类型为陆架沉积平原，海底地形平坦，分布的沉积物类型主要为砾质砂、砂、黏土质粉砂和粉砂质黏土[25]。
|
( (a)南海地形图，引用自国家海洋数据中心南海海洋图集[26]，(b)研究区示意图及河流入海口位置示意图。1—3为红河支流入海口、4为南渡江入海口、5为珠江入海口，6为韩江入海口，(c)南海北部冬季季风环流示意图，(d)南海北部夏季季风环流示意图。(a)Topographic map of the South China Sea, quoted from the South China Sea Ocean Atlas of the National Marine Data Center[26]; (b)Schematic diagram of the study area and the location of the river estuary. 1—3 are the estuary of the tributary of the Red River, 4 is the estuary of the Nandu River, 5 is the estuary of the Pearl River, 6 is estuary of the Han River; (c)Schematic diagram of winter monsoon circulation in the northern South China Sea; (d)Schematic diagram of summer monsoon circulation in the northern South China Sea. ) 图 1 本文所涉及的研究示意图 Fig. 1 Schematic diagram of the research involved in this article |
南海北部陆架区主要受珠江、韩江、南渡江和红河等河流系统(见图 1(b))的物质输入影响。珠江原指广州到入海口的一段河道，后来逐渐成为西江、北江、东江和珠江三角洲诸河的总称。珠江年径流量3 561亿m3，是中国径流量第二大河流，中国境内第三长河流[15]。韩江是广东省第二大江，是潮汕最大的河流，径流总量为245亿m3，蕴含丰富的水资源[27]。南渡江是海南岛最大河流，发源于白沙县南峰山，至海口市入海，全长311 km，流域面积7 176.5 km2[28]。红河作为跨境河流，全长1 140 km，流域面积约87 000 km2，其上游为云南境内的元江，经河口流入越南，以强大的输沙能力著称[16-17]。
南海北部陆架区位于热带，属典型的季风气候区，冬夏两季季风环流如图 1(c)、1(d)所示。每年的9月前后，东北季风到达台湾海峡，11月至翌年4月，由东北季风所控制；4月于马六甲海峡开始西南季风，7和8月为最盛期[29]。
1.2 数据来源SPM浓度卫星数据来源于哥白尼海洋环境监测服务中心(https://www.copernicus.eu/)，该中心提供了来自卫星、地面基站、空中和海上测量系统的大量全球数据。本文选取2000—2023年分辨率为4 km×4 km的L3级SPM浓度日数据集及分辨率为4 km×4 km的L4级经过插值的SPM浓度月数据集。该数据产品由多个卫星传感器集成而成，包括SeaWIFS、MODIS-Aqua、MODIS-Terra、MERIS、VIIRS-NPP等。由于云层遮盖、天气条件、传感器故障等原因，某些地区在特定日期可能无法获取有效的遥感数据。图 2(a)展示了2000—2023年间南海北部陆架区遥感数据的有效数占比的空间分布情况，在8 766 d的数据中，有效数占比集中于15%~40%。为验证该数据集在南海北部陆架区的适用性，研究采用海南省生态环境厅(https://hnsthb.hainan.gov.cn/)和广东省生态环境厅(https://gdee.gd.gov.cn/)提供的实测SPM浓度数据进行对比验证，实测数据站点如图 2(a)所示。数据集SPM浓度与实测SPM浓度的对比检验如图 2(b)所示，匹配点数为46，相关系数(R2)为0.62，均方根误差(root mean squared error，RMSE)为2.22 mg/L，表明该数据集在南海北部陆架区具有较好的适用性。
|
( (a)遥感数据的有效数占比及实测站点分布情况。蓝点表示实测SPM站点; (b)数据集SPM浓度和实测SPM浓度对比。(a)The proportion of valid remote sensing data and the distribution of measured stations, with blue dots indicating measured SPM stations).(b)Comparison between dataset SPM concentration and measured SPM concentration. ) 图 2 遥感数据质量评估 Fig. 2 Quality assessment of remote sensing data |
此外，SPM浓度的长时序实测数据来源于香港特别行政区政府环境保护署(https://www.epd.gov.hk)，提取了香港地区8个站点2002—2022年的表层观测数据。这些站点的空间分布如图 3所示。站点的SPM浓度主要通过每月一次的采样进行获取，尽管由于天气条件、设备维护或其他不可控因素，部分月份的采样数据存在缺失，但整体数据集仍保持了较高的时间连续性。香港地区实测SPM浓度可以有效支持后续对SPM浓度年际变化趋势的研究。
|
图 3 香港地区实测SPM站点图 Fig. 3 SPM station map measured in Hong Kong |
在研究SPM浓度的影响因素时，本研究使用了有效波高卫星遥感数据、叶绿素a浓度卫星遥感数据和输沙量的观测数据。有效波高和叶绿素a浓度的卫星遥感数据来自哥白尼海洋环境监测服务中心(https://www.copernicus.eu)，其中有效波高数据的空间分辨率为1/5(°)，时间分辨率为3 h；叶绿素a浓度数据的空间分辨率为4 km×4 km，本研究采用其月均产品。2000—2021年珠江(西江、北江、东江)、韩江、南渡江的年输沙量数据来自国家水利部发布的中国河流泥沙公报(http://www.mwr.gov.cn/)以及水利部珠江水利委员会发布的珠江片河流泥沙公报(https://www.pearlwater.gov.cn/，见表 1)，水文控制站分别为高要站、石角站、博罗站、潮安站、龙塘站；越南红河年输沙量数据于文献[16-17]中收集。
|
表 1 数据来源信息表 Table 1 Data source information table |
Mann-Kendall(M-K)趋势检验法[30-32]用于确定变量是否有显著的上升或下降趋势，是一种用于检测时间序列趋势变化的非参数统计方法，它不需要对数据分布做出任何假设，其优点是不需要样本遵从一定的分布，也不受少数异常值的干扰，计算也比较简便。
对于时间序列X={x1, x2, …, xn}，具体计算过程如下：
统计值S为
| $ S=\sum\limits_{i<j} a_{i j}, $ | (1) |
| $ a_{i j}=\operatorname{sign}\left(x_j-x_i\right)=\left\{\begin{array}{l} 1, x_i<x_j \\ 0, x_i=x_j \\ -1, x_i>x_j \end{array} 。\right. $ | (2) |
统计值S的均值E(S)和V0(S)方差为
| $ E(S)=0, $ | (3) |
| $ V_0(S)=\frac{n(n-1)(2 n+5)}{18}-\sum_{j=1}^m \frac{t_j\left(t_j-1\right)\left(2 t_j+5\right)}{18} 。$ | (4) |
式中：m是并列秩的组数；每个组具有tj个并列观察值；tj为第j组重复值的个数。
| $ Z=\left\{\begin{array}{l} \frac{S-1}{\sqrt{V_0(S)}}, S>0 \\ 0, S=0 \\ \frac{S+1}{\sqrt{V_0(S)}}, S<0 \end{array}。\right. $ | (5) |
式中Z为标准化检验统计量。在α=0.05的显著水平下，当|Z|≥Z1-α/2=1.96，时间序列X有明显上升或下降趋势。统计变量Z>0，时间序列X为上升趋势；Z＜0，则为下降趋势。
1.3.2 经验正交分解法经验正交函数分解(EOF)法[33-35]是一种基于矩阵经验正交分解，探寻时空主要特征的统计学方法。本文拟采用该方法分析南海北部陆架区SPM浓度的时空变化特征。其中，特征向量对应空间样本，主成分对应时间系数。
首先将数据集以矩阵Xm×n形式给出(其中m为空间点数，n为时间步长数)，计算协方差矩阵，得到方阵：
| $ \boldsymbol{C}_{m \times m}=\frac{1}{n} \boldsymbol{X}_{m \times n} \cdot \boldsymbol{X}_{m \times n}^{\mathrm{T}} \text { 。} $ | (6) |
矩阵Cm×m全部特征值λ1，…，λm(λ1>λ2>…>λm)与特征向量Vm×m满足条件：
| $ \boldsymbol{C}_{m \times m} \cdot \boldsymbol{V}_{m \times m}=\boldsymbol{V}_{m \times m} \cdot \boldsymbol{E}_{m \times m}, $ | (7) |
| $ \boldsymbol{E}_{m \times m}=\left[\begin{array}{ccc} \lambda_1 & \cdots & 0 \\ \vdots & \ddots & \vdots \\ 0 & \cdots & \lambda_m \end{array}\right]。$ | (8) |
得出各空间特征向量所对应的时间系数矩阵为
| $ \boldsymbol{T}_{m \times n}=V_{m \times m}^{\mathrm{T}} \cdot \boldsymbol{X}_{m \times n} \text { 。} $ | (9) |
第k个模态的方差贡献率为
| $ R_k=\lambda_k / \sum\limits_{i=1}^m \lambda_i \times 100 \% \text { 。} $ | (10) |
本文选用North法对特征值的误差范围进行显著性检验，在95%置信度水平下的特征根的误差为
| $ \Delta \lambda=\lambda \sqrt{\frac{2}{N}}。$ | (11) |
式中：λ是特征根；N是样本总数。
将λ按顺序依次检查，标上误差范围。如果相邻两个特征根之间的误差范围没有重叠，即λi+1的误差上限小于λi的误差下限，则表示通过显著性检验。
1.3.3 多元回归分析法多元线性回归[36-40]是一种常用的统计分析方法，用于研究多个自变量与因变量之间的线性关系。在进行回归分析时，标准化系数被广泛用于衡量各自变量对因变量影响的强度，通过标准化处理，将自变量的单位变化转化为标准差单位，使得不同量纲的变量可以在同一标准下进行比较。在本研究中，我们使用标准化系数来定量评估有效波高、河流输沙量和叶绿素a浓度等变量对南海北部陆架区SPM浓度变化的影响，明确它们在不同时间尺度上的相对贡献。
多元线性回归的基本模型形式为
| $ Y=b_0+b_1 X_1+b_2 X_2+\cdots+b_n X_n+\varepsilon 。$ | (12) |
式中：Y是因变量；X1, X2, …, Xn是自变量；b0是截距项；b1, b2, …, bn是回归系数；ε是误差项。
标准化回归系数的计算公式如下：
| $ \beta_{\mathrm{i}}=b_{\mathrm{i}} \times \frac{S_{X_{\mathrm{i}}}}{S_{\mathrm{Y}}} \text { 。} $ | (13) |
式中：βi为标准化回归系数；bi为回归方程中自变量Xi的非标准化回归系数；SXi为自变量Xi的标准差；SY是因变量的标准差。
2 结果 2.1 悬浮物浓度在季节尺度上的变化图 4展示了2000—2023年南海北部陆架区SPM浓度的月平均分布，SPM浓度在季节与空间上呈现显著变化。冬季(1—3月)沿岸区域SPM浓度较高，特别是珠江口和海南岛西南沿岸区域，浓度超过50 mg/L，而远岸区域浓度较低，多在10 mg/L以下。春季(4—6月)SPM浓度显著下降，4月达到全年最低值，沿岸高浓度区域范围明显缩小，远岸区域浓度趋于均匀且较低，普遍低于5 mg/L。夏季(7—9月)SPM浓度逐渐回升，高浓度区域再次集中于珠江口和海南岛沿岸区域，8月SPM浓度显著提升，部分区域达到30 mg/L以上，远岸浓度也有所上升。秋季(10—12月)浓度快速增加，是SPM浓度最高的季节，高浓度区域范围迅速扩展至珠江口西南及海南岛周边区域，到12月时浓度达到全年峰值。总体来看，SPM浓度表现出显著的季节性变化，春夏秋冬平均SPM浓度分别为2.03、2.34、3.97和2.83 mg/L，SPM浓度从冬季开始逐渐下降，春季达到最低，夏季趋于稳定，秋季显著上升，近岸与远岸区域均呈现出明显的季节变化。此外，四个季节内SPM浓度在空间分布上都呈现出显著的梯度分布规律，近岸区域浓度较高，向远岸逐渐降低。
|
图 4 2000—2023年月平均SPM浓度分布图 Fig. 4 Monthly average SPM concentration distribution map from 2000 to 2023 |
图 5展示了2000—2023年南海北部陆架区SPM浓度的月平均、年平均时间序列及其年际变化趋势。黑色折线表示逐月SPM浓度变化，红色折线表示逐年SPM浓度变化。SPM浓度在不同阶段表现出不同的变化特征：2000—2012年，浓度在2.6~3.4 mg/L之间波动，其中2000、2005和2008年SPM浓度达到较高水平；2013—2015年浓度显著下降，进入低值阶段，年平均浓度降至2.0 mg/L以下，其中2014和2015年达到最低值，2013年也处于较低水平；2016年后，浓度开始回升，2022年达到3.215 mg/L，但2023年又略有下降, 降至2.761 mg/L，表明近年浓度虽有回升，但整体仍低于2000年代初期的水平。蓝色直线表示由年平均SPM浓度进行线性回归得到的下降趋势，结果表明2000—2023年SPM浓度呈下降趋势，平均每年变化百分比为-0.51%，总体下降幅度较小。
|
( 黑线、红线分别代表SPM浓度月均和年均时间序列，蓝色直线表示由年平均SPM浓度进行线性回归得到的下降趋势。Black and red lines represent monthly and annual time series of SPM concentration, respectively. Blue lines represent the downward trend obtained from linear regression of annual average SPM concentration. ) 图 5 2000—2023年SPM浓度的长期变化 Fig. 5 Long term changes in SPM concentration from 2000 to 2023 |
本文使用EOF方法进一步研究了南海北部陆架区SPM浓度的时空变异性，包括第一至第四模态主成分的空间分布及对应的时间系数变化(见图 6)。第一主成分(EOF1)占总方差的49.57%，显示南海北部陆架区整体SPM浓度变化的主要模式。整个地区空间分布较为均匀，在沿岸区域SPM浓度较高，黄色区域呈现了相反的状态。相应的时间演变呈现了在2012年前后具有相反的相位。振幅较大的正相出现在了2012、2013与2014年。第二主成分(EOF2)解释了10.64%的方差，表现为南北区域的明显反相位特征，其中北部浓度增加与南部浓度减少相对应，时间系数显示2012年前后发生了显著的相变。第三主成分(EOF3)解释了6.24%的方差，捕捉到了珠江入海口、海南岛西南部、红河入海口等SPM浓度高值区。第四主成分(EOF4)反映了局部区域的细致变化模式，其时间系数波动性较大但没有明显的长期趋势。整体来看，EOF分析揭示了南海北部陆架区SPM浓度在时间和空间上的主要变化模式，并指出2012年是一个显著的相变节点。
|
图 6 EOFs第一至第四模态的振幅(左栏)与对应的时间序列(右栏) Fig. 6 The amplitudes of the first to fourth modes of EOFs (left) and their corresponding time series (right) |
卫星遥感反演的SPM浓度数据分析表明，2012年是一个显著的转折点，长时序的实测SPM浓度数据也证实了这一变化。我们对香港地区8个点位的表层SPM浓度数据进行了平均处理，图 7展示了年均SPM时间序列图。结果表明，实测数据的趋势与遥感反演结果一致，进一步支持了2012年作为SPM浓度变化转折点的结论。
|
图 7 香港地区实测SPM浓度时间序列图 Fig. 7 Time series of measured SPM concentration in Hong Kong area |
基于对2000—2023年年均SPM浓度的EOF分析，将SPM的变化分为2000—2012年、2013—2023年两个阶段进行研究，图 8分阶段展示了2000—2023年南海北部陆架区SPM浓度的变化趋势及空间变化特征。其中，图 8(a)为SPM浓度月平均时间序列及2000—2012年和2013—2023年两阶段的线性回归结果，在2000—2012年SPM浓度呈下降趋势，平均每年变化百分比为-1.10%，而2013—2023年则呈显著上升趋势，年均变化百分比为7.11%。为了进一步分析南海北部陆架区SPM浓度的空间变化趋势，我们对两个阶段网格点的年均SPM浓度进行了M-K趋势检验，结果表明，在2000—2012年，南海北部大部分区域SPM浓度显著下降(见图中蓝色区域)，但局部区域浓度呈上升趋势(见图中红色区域)；在2013—2023年大部分区域SPM浓度显著上升(见图中红色区域)，仅少数区域浓度有所下降(见图中蓝色区域)。整体来看，线性回归量化了时间上的趋势变化，M-K分析揭示了两阶段SPM浓度在空间分布上的显著差异，南海北部陆架区SPM浓度由整体下降转为快速上升。
|
( (a)SPM浓度月平均时间序列，蓝色线代表2000—2012年线性回归获得的下降趋势，红色线代表2013—2024年线性回归获得的上升趋势；(b)2000—2012年平均SPM浓度的M-K趋势分析，|Z|>1.96;(c)2013—2023年平均SPM浓度的M-K趋势分析，|Z|>1.96)。(a)Monthly average time series of SPM concentration. Blue line represents the decreasing trend obtained from linear regression from 2000 to 2012, and red line represents the increasing trend obtained from linear regression from 2013 to 2024;(b)M-K trend analysis of average SPM concentration from 2000 to 2012, |Z|>1.96;(c)M-K trend analysis of average SPM concentration from 2013 to 2023, |Z|>1.96. ) 图 8 SPM浓度的变化趋势及空间特征 Fig. 8 Trend and spatial variation characteristics of SPM concentration |
南海北部陆架区SPM浓度的季节性变化主要受季风驱动的海洋动力过程调控。季风通过控制波浪强度及其作用方式，显著影响沉积物的再悬浮与再分布过程，从而导致SPM浓度呈现显著的季节性波动[41-43]。其中，波浪在沉积物动力学过程中起关键作用。本文选取有效波高作为波浪作用的表征变量，以分析其对SPM浓度变化的驱动机制。图 9展示了2000—2023年间南海北部陆架区多年平均有效波高与SPM浓度的月时序变化，二者的相关系数R2达到0.81(p＜0.001)，SPM浓度的季节变化与有效波高呈显著正相关。冬季受东北季风的控制，强风驱动下形成的高能波浪增强了水体混合强度，导致底剪切应力显著增大，促使海底沉积物大量侵蚀并向上输运至水体表层，从而表现为SPM浓度在冬季达到峰值。相比之下，夏季海浪较小，水体混合强度减弱，风浪导致的底剪切应力也减小，海底泥沙没有足够的动力输运到表层，从而导致SPM浓度较低[44]。SPM的季节变化显著受到波浪的季节变化影响，这一结论与李珏等[19]的研究结果相吻合，其研究指出，北部湾冬季高浓度悬浮体主要受控于较强的冬季风浪作用。Li等[41]指出渤海显著波高主导了SPM的变化，解释了SPM月变化的58.9%，与季风相关的风浪控制了SPM的季节变化，并促进了渤海南部冬季的输出。
|
( 蓝色柱状图为有效波高，黑色折线图为SPM浓度。The blue bar chart represents the significant wave height, and the black line chart represents the SPM concentration. ) 图 9 有效波高与悬浮物浓度多年月平均时间序列 Fig. 9 Significant wave height and the multi-year monthly average time series of SPM concentration |
此外，SPM浓度季节变化的影响因素较为复杂，除波浪作用外，水体层结效应也可能是重要调控因子。在南海北部混合强度具有明显的季节性，夏季海水表层增温快，次表层增温慢，加上夏季对流混合弱，上层海水混合不强，混合层较浅；秋季海表温度不断降低，对流混合加强，混合层的厚度不断加深[45]。该海域混合层的厚度从夏季至翌年冬末初春均趋于增加，期间水体层结强度呈逐渐减弱趋势[46]。强层结条件可能会通过抑制垂向混合将SPM限制在温跃层以下，从而降低表层SPM浓度。
在空间分布上，四个季节近岸区域的SPM浓度均普遍高于远岸区域。这一现象也与波浪和地形有关：远岸水深较大，波浪引起的水体搅拌作用难以触及海底，底层沉积物无法有效被输运至表层，导致远岸海区域SPM浓度相对较低。值得注意的是，即使在不考虑波浪作用的情况下，近岸区的SPM浓度仍可能因潮汐动力维持较高水平。潮汐引起的周期性水流可增强底部剪切应力，导致沉积物持续再悬浮；同时，潮致湍流混合可能将再SPM输运至表层，形成近岸SPM富集区。尽管南海北部陆架区相关研究较少，但在其他陆架海区的研究支持了这一机制，例如，在亚得里亚海北部西部大陆架，波-流相互作用增加了海洋底部应力，导致强沉积物重新悬浮[47]；在渤海，潮流是维持SPM分布的经常性因素，海浪对SPM输运的贡献也不容忽视[48]。在黄河三角洲，间歇性大浪是悬沙浓度急剧上升的原因，悬沙浓度的周期性波动归因于日常海流[49]。
3.2 年际尺度变化影响因素在2000—2023年期间，南海北部陆架区SPM浓度呈现出显著的阶段性变化：2000—2012年SPM浓度呈下降趋势，2013—2023年SPM浓度则转为上升趋势。为探讨这两个阶段SPM浓度变化的影响因素，本文通过线性回归分析了河流输沙量、叶绿素a浓度与有效波高在两个阶段的变化趋势(见图 10)。此外，通过多元回归分析，本文发现2000—2012年和2013—2021年两个阶段中，SPM浓度的变化分别有79.4%和94.4%可以由河流输沙量、叶绿素a浓度和有效波高这三个因素解释，这三个因素在不同阶段对SPM浓度的解释程度有所不同，本文通过标准化回归系数(β值)定量评估了每个因素对SPM浓度变化的相对影响程度。在2000—2012年阶段，河流输沙量的β值为0.303，叶绿素a浓度的β值为0.786，有效波高的β值为0.140；而在2013—2021年，河流输沙量的β值为-0.143，叶绿素a浓度的β值为0.729，有效波高的β值为0.329。通过这些β值的大小，可以看出各阶段每个因素对SPM浓度的相对影响强度。
|
( (a)总输沙量年时间序列，直线代表2000—2012年和2013—2021年线性回归获得的下降趋势；(b)叶绿素a浓度与SPM浓度年时间序列，直线代表2000—2012年线性回归获得的下降趋势以及2013—2021年线性回归获得的上升趋势；(c)有效波高与SPM浓度年时间序列，直线代表2000—2012年和2013—2021年线性回归获得的上升趋势。(a)Annual time series of total sediment load. The straight line represents the declining trend obtained by linear regression for 2000—2012 and 2013—2021;(b)Annual time series of chlorophyll-a concentration and SPM concentration. The straight line represents the declining trend obtained by linear regression for 2000—2012 and the increasing trend for 2013—2021;(c)Annual time series of significant wave height and SPM concentration. The straight line represents the increasing trend obtained by linear regression for 2000—2012 and 2013—2021. ) 图 10 河流输沙量、叶绿素a浓度与有效波高的时间序列 Fig. 10 Time series of sediment load, Chlorophyll-a concentration, and effective wave height |
河流输沙量是南海北部陆架区SPM的重要物质来源之一。在2000—2012年，由于人为活动(如水坝建设等)的影响[16, 50-52]，河流输沙量显著下降。该阶段β值为0.303，表明河流输沙量的减少直接导致了南海北部陆架区SPM浓度的降低。然而，在2013—2021年，河流输沙量的下降趋势趋于平缓，但SPM浓度快速增长。该阶段河流输沙量的β值降至-0.143，呈弱负相关，表明河流输沙量对SPM浓度的影响可以忽略不计，其他因素(有效波高和叶绿素a浓度)对SPM浓度的影响逐渐增强。总体来看，河流输沙量对SPM浓度的显著影响主要集中在2000—2012年期间。李钰等[19]表明北部湾区域2003—2017年夏季河流入海物质的增多在河口形成高SPM浓度区；Wang等[53]基于Landsat图像场景的反演结果，分析了1987—2015年珠江口SPM浓度的时空变化，解释了TSS浓度呈显著下降趋势主要是由于同时进行的大坝建设导致入海泥沙减少。
海洋中的SPM包括悬浮泥沙、浮游生物、生物碎屑等，而南海北部陆架区具有典型的热带海洋特征，全年高温和强光照条件为浮游生物提供了良好的生长环境[11, 54]。所以在南海北部陆架区SPM中浮游生物占比更大，而浮游生物中又以浮游植物占据优势，叶绿素a作为浮游植物生物量的关键指标，在该海域对SPM浓度的变化具有重要指示作用。在2000—2012年和2013—2021年期间，叶绿素a浓度的β值分别为0.786和0.729，表明其在两个阶段均是影响SPM浓度最重要的因素。Cai等[55]通过4次巡航数据揭示了南海地区小型浮游植物在控制颗粒有机碳输出通量方面发挥重要作用，而颗粒有机碳是SPM中有机碳的组成部分。叶绿素a一方面通过生物效应影响SPM浓度：浮游植物增殖会增加有机颗粒物(如细胞、排泄物)的浓度，同时促进生物聚合体的形成，间接提升SPM总量[56]。另一方面通过物理-生物耦合作用影响SPM浓度：高浓度叶绿素a水体通常伴随较强的颗粒物聚集效应，尤其在陆架区，湍流和潮汐作用可加速有机-无机颗粒的结合[57]。
在南海北部陆架区，风速与有效波高并非严格的对应关系[58-61]。有效波高作为综合表征风浪和涌浪的关键动力参数[62]，不仅能够反映局地风场对海面的直接作用，更能全面体现不同来源波浪对SPM输运过程的协同影响。有效波高通过调控底层沉积物的再悬浮强度，成为反映海洋动力过程对SPM影响的重要指标之一[41]。在2000—2012年，有效波高呈现上升趋势，但其β值仅为0.140，表明有效波高对于该段SPM变化趋势没有贡献。这一时期，有效波高的增加未能显著抵消河流输沙量减少和叶绿素a浓度下降的负向效应，SPM浓度整体呈现下降趋势。然而，在2013—2021年，有效波高的上升幅度更显著，β值也增至0.329，反映出有效波高成为SPM浓度回升的核心影响因素之一，对SPM浓度的增加起到了促进作用。上述结果表明，有效波高对SPM浓度的影响具有阶段性特征，其作用主要体现在2013—2021年。这种波浪动力对SPM浓度的阶段性影响在其他陆架海区同样存在。Li等[41]指出渤海强波减少是SPM浓度十年下降的主要原因。这一发现与本研究的结论相互印证，共同揭示了波浪在近海SPM长期变化中的重要作用。
整体来看，河流输沙量、叶绿素a浓度与有效波高对南海北部陆架区SPM浓度的作用表现出阶段性特征。在2000—2012年，SPM浓度的下降主要由河流输沙量和叶绿素a浓度的减少驱动；而2013—2021年，SPM浓度的上升主要归因于叶绿素a浓度的增加和有效波高的持续上升，河流输沙量的影响几乎可以忽略。叶绿素a浓度在整个研究期间均发挥了重要作用，体现了生物过程对SPM浓度变化的持续影响。2012年是SPM浓度变化的关键转折点，SPM浓度变化从物质供给和生物过程主导的下降阶段，向动力和生物过程驱动的上升阶段转变。
南海北部陆架区SPM浓度的年际变化受多重因素调控。尽管河流输沙量、叶绿素浓度和有效波高是主要影响因素，但其解释力仍存在不足。本研究将进一步探讨海洋层结和厄尔尼诺-南方涛动(El Niño-southern oscillation，ENSO)事件对SPM浓度年际变化的影响。南海层结的时空变化特征已有较多研究, 例如，Jin等[63]运用HadISST资料分析了中国海海表面温度的多时间尺度变化后发现，混合层深度季节变化明显，年际变化主要集中在深海盆区域。武扬等[64]对南海多时间尺度分析进一步印证了南海北部陆架区的层结变化在年际尺度上并不显著，该区域层结的年际变异性较小，其对SPM浓度年际变化的影响相对有限。厄尔尼诺-南方涛动事件作用于大气环流和水汽输送，显著影响南海北部的冬季降水[65]。此外，ENSO还可以通过改变黑潮自吕宋海峡流入南海的水量影响南海海水质量，使南海海水质量存在着具有ENSO特征的年际变化[14]。SPM年平均浓度的最低值出现在2014和2015年，这两年均是厄尔尼诺年；而SPM年平均浓度的高值年则集中在2000、2008和2011年，这些年份正好是拉尼娜年。总体来看，南海北部陆架区SPM浓度在厄尔尼诺年明显偏低，在拉尼娜年明显偏高(见图 11)。在2010—2011年，中等强度厄尔尼诺和大强度拉尼娜交替出现，对全球气候产生了重要影响，这可能是2012年南海水质发生突变的重要原因。不仅如此，在中国的其他海域如渤海[66]、黄海和东海, SPM在2012年左右也发生了显著的下降[51]。未来还需要通过更多方法进一步探索这一信号的物理机制。
|
( 蓝色为厄尔尼诺, 黄色为拉尼娜。Bluerepresents El Niño; Yellowrepresents La Niña. ) 图 11 中级及以上强度等级的厄尔尼诺和拉尼娜事件时间示意图 Fig. 11 Schematic diagram of the time of El Niño and La Niña events with intermediate and above intensity levels |
本文综合利用卫星遥感数据(包括SPM浓度、有效波高和叶绿素a浓度)以及实测的河流输沙量数据，通过M-K趋势检验、经验正交分解和多元回归分析等方法，对南海北部陆架区SPM浓度的时空变化规律及其影响因素进行了研究，主要结论如下：
(1) SPM浓度的时空分布规律与变化趋势：在空间分布上，SPM浓度呈现出近岸高、外海低的格局，尤其在珠江口和海南岛西南沿岸形成明显的高值区，向远岸延伸，浓度逐渐降低。在季节尺度上，浓度呈现秋冬高、春夏低的规律，春季浓度达到全年最低；夏季逐步回升；秋季迅速增加并在12月达到全年峰值。在年际尺度上，2000—2023年，SPM浓度整体呈现阶段性变化：2000—2012年浓度显著下降，而2013—2023年浓度则快速上升，2012年前后成为关键转折点，SPM浓度由下降趋势转为上升趋势。
(2) SPM浓度变化的影响因素分析：SPM浓度的空间分布与季节变化主要受有效波高影响，冬季东北季风增强波浪混合，底层沉积物再悬浮导致SPM浓度增加；夏季波浪减弱，SPM浓度随之下降。在年际尺度上，SPM浓度变化呈现明显的阶段性特征：2000—2012年SPM浓度的下降主要由河流输沙量和叶绿素a浓度的减少驱动；而2013—2023年SPM浓度的显著上升主要归因于叶绿素a浓度的增加和有效波高的持续上升。
由于收集到的实测红河输沙量数据仅涵盖2000—2021年，对2021年之后SPM浓度变化的驱动机制解释存在不确定性。未来研究可通过补充更长时序的实测数据或结合模型模拟，以进一步提高分析的完整性和准确性。其次，SPM浓度的变化受多种自然和人为因素共同影响，本研究虽考虑了有效波高、叶绿素a浓度和河流输沙量等关键因素，但对其他潜在因素(如人类活动、气候变化等)的量化分析尚显不足。未来可进一步探讨这些因素对SPM浓度变化的贡献，以更全面地理解其变化机制。此外，卫星遥感数据的分辨率和精度也可能对研究结果产生一定影响，未来可结合更高精度的遥感数据或地面观测数据，提升研究的空间分辨率和可靠性。总体而言，本研究为南海北部陆架区SPM浓度的变化规律提供了重要参考，但仍需进一步完善数据和方法, 以更深入地揭示其复杂的环境响应机制。
| [1] |
Parodi C, Cerpa L, Zhu Z Y, et al. Tracking suspended particulate organic matter biochemistry from glacial meltwater runoff to coastal waters of an Antarctic fjord[J]. Marine Chemistry, 2024, 267: 104455. DOI:10.1016/j.marchem.2024.104455 (  0) |
| [2] |
Sivakumar V, Kannan V, Uppara R B, et al. Spatiotemporal variation of water quality in the context of suspended particulate matter in Laguna Mar Chiquita Lake, Argentina using ACOLITE[J]. Desalination and Water Treatment, 2024, 320: 100684. DOI:10.1016/j.dwt.2024.100684 ( 0) |
| [3] |
Li F, Zhu M, Chen W, et al. Unveiling the effects of environmental factors and Yellow River inputs on the ichthyoplankton community structure in typical bays[J]. Mar Environ Res, 2024, 201: 106677. DOI:10.1016/j.marenvres.2024.106677 ( 0) |
| [4] |
Gao S, Zhang S, Feng Z, et al. The ecological risk and fate of microplastics in the environmental matrices of marine ranching area in coastal water[J]. J Hazard Mater, 2024, 473: 134570. DOI:10.1016/j.jhazmat.2024.134570 ( 0) |
| [5] |
Mari X, Passow U, Migon Christophe, et al. Transparent exopolymer particles: Effects on carbon cycling in the ocean[J]. Progress in Oceanography, 2017, 151: 13-37. DOI:10.1016/j.pocean.2016.11.002 ( 0) |
| [6] |
Baumas C, Bizic M. A focus on different types of organic matter particles and their significance in the open ocean carbon cycle[J]. Progress in Oceanography, 2024, 224: 103233. DOI:10.1016/j.pocean.2024.103233 ( 0) |
| [7] |
He L H, Liu Y G, Yang G, et al. The distribution and characteristics of suspended particulate matter in the Palau-Caroline seamount area of the western tropical Pacific Ocean[J]. Journal of Sea Research, 2025, 203: 103233. ( 0) |
| [8] |
Qiu C H, He B J, Wang D X, et al. Mechanisms of a shelf submesoscale front in the northern South China Sea[J]. Deep Sea Research Part Ⅰ: Oceanographic Research Papers, 2023, 202: 104197. DOI:10.1016/j.dsr.2023.104197 ( 0) |
| [9] |
Geng B X, Shu Y Q, Hu J T, et al. Influences of tides on shelf circulation in the northeastern South China Sea during summer[J]. Journal of Marine Systems, 2024, 243: 103964. DOI:10.1016/j.jmarsys.2024.103964 ( 0) |
| [10] |
Yang W, Guo X H, Cao Z M, et al. Seasonal dynamics of the carbonate system under complex circulation schemes on a large continental shelf: The northern South China Sea[J]. Progress in Oceanography, 2021, 197: 102630. DOI:10.1016/j.pocean.2021.102630 ( 0) |
| [11] |
Yu Yi, Xing X G, Liu H L, et al. The variability of chlorophyll-a and its relationship with dynamic factors in the basin of the South China Sea[J]. Journal of Marine Systems, 2019, 200: 103230. DOI:10.1016/j.jmarsys.2019.103230 ( 0) |
| [12] |
谢友鸽. 基于卫星测高重力数据的南海海平面变化研究[J]. 海洋测绘, 2024, 44(5): 5-9. Xie Y G. Research on sea level changes in the South China Sea based on satellite altimeter gravity data[J]. Ocean Surveying and Mapping, 2024, 44(5): 5-9. ( 0) |
| [13] |
Hong B, Zhang J. Long-term trends of sea surface wind in the Northern South China Sea under the background of climate change[J]. Journal of Marine Science and Engineering, 2021, 9(7): 752. DOI:10.3390/jmse9070752 ( 0) |
| [14] |
Chu X Q, Dong C M, Qi Y Q. The influence of ENSO on an oceanic eddy pair in the South China Sea[J]. Journal of Geophysical Research: Oceans, 2017, 122(3): 1643-1652. DOI:10.1002/2016JC012642 ( 0) |
| [15] |
吴创收, 杨世伦, 黄世昌, 等. 1954—2011年间珠江入海水沙通量变化的多尺度分析[J]. 地理学报, 2014, 69: 422-432. Wu C S, Yang S L, Huang S C, et al. Multiscale analysis on the variation of water and sediment flux from the Pearl River to the sea during 1954—2011[J]. Journal of Geography, 2014, 69: 422-432. ( 0) |
| [16] |
Quang N H, Viet T Q. Long-term analysis of sediment load changes in the Red River system (Vietnam) due to dam-reservoirs[J]. Journal of Hydro-Environment Research, 2023, 51: 48-66. DOI:10.1016/j.jher.2023.10.002 ( 0) |
| [17] |
Lu XX, Oeurng C, Le T P Q, et al. Sediment budget as affected by construction of a sequence of dams in the lower Red River, Viet Nam[J]. Geomorphology, 2015, 248: 125-133. DOI:10.1016/j.geomorph.2015.06.044 ( 0) |
| [18] |
杨志宏, 贾建军, 王欣凯, 等. 近50年海南三大河入海水沙通量特征及变化[J]. 海洋通报, 2013, 32: 92-99. Yang Z H, Jia J J, Wang X K, et al. Characteristics and changes of sediment flux in the three major rivers of Hainan over the past 50 years[J][J]. Ocean Bulletin, 2013, 32: 92-99. ( 0) |
| [19] |
李珏, 乔璐璐, 黎德强, 等. 南海北部湾表层悬浮体分布规律[J]. 海洋地质与第四纪地质, 2020, 40(2): 10-18. Li Y, Qiao L L, Li D C, et al. Distribution pattern of surface suspended solids in the Beibu Gulf of the South China Sea[J]. Marine Geology and Quaternary Geology, 2020, 40(2): 10-18. ( 0) |
| [20] |
Wang S Y, Shen M, Ma Y X, et al. Application of remote sensing to identify and monitor seasonal and interannual changes of water turbidity in Yellow River Estuary, China[J]. Journal of Geophysical Research: Oceans, 2019, 124(7): 4904-4917. DOI:10.1029/2019JC015106 ( 0) |
| [21] |
Zhan W K, Wu J, Wei X, et al. Spatio-temporal variation of the suspended sediment concentration in the Pearl River Estuary observed by MODIS during 2003—2015[J]. Continental Shelf Research, 2019, 172: 22-32. DOI:10.1016/j.csr.2018.11.007 ( 0) |
| [22] |
Zhang W H, Ran J. Tracking and monitoring of suspended sediment diffusion generated during the trenching of submarine pipeline in NorthernBeibu Gulf[J]. Ships and Offshore Structures, 2022, 18(11): 1528-1534. ( 0) |
| [23] |
Wang H N, Jia Y G, Ji C S, et al. Internal tide-induced turbulent mixing and suspended sediment transport at the bottom boundary layer of the South China Sea slope[J]. Journal of Marine Systems, 2022, 230: 103723. DOI:10.1016/j.jmarsys.2022.103723 ( 0) |
| [24] |
李薛. 基于卫星遥感与再分析资料研究南海上层水体对台风的响应[D]. 湛江: 广东海洋大学海洋与气象学院, 2017. Li X. Research on the Response of Upper Water Bodies in the South China Sea to Typhoons Based on Satellite Remote Sensing and Reanalysis Data[D]. Zhanjiang: School of Oceanography and Meteorology, Guangdong Ocean University, 2017. ( 0) |
| [25] |
Su G Q, Wang T X. Basic characteristics of modern sedimentation in South China Sea[J]. Oceanology of China Seas, 1994, 2: 407-418. ( 0) |
| [26] |
国家海洋数据中心. 南海地球物理与底质图集[M]. https://mds.nmdis.org.cn/, 2025. National Marine Data Center. Atlas of Geophysics and Sediments in the South China Sea[M]. https://mds.nmdis.org.cn/, 2025. ( 0) |
| [27] |
杨传训, 张正栋, 张倩, 等. 1955—2012年韩江入海径流量和输沙量多尺度变化特征[J]. 华南师范大学学报, 2017, 49: 68-75. Yang C X, Zhang Z D, Zhang Q, et al. Multi scale variation characteristics of Hanjiang estuary runoff and sediment transport from 1955 to 2012[J]. Journal of South China Normal University, 2017, 49: 68-75. ( 0) |
| [28] |
卢旭东, 齐实, 陈家东, 等. 南渡江流域降雨侵蚀力时空分布与变化趋势研究[J]. 生态与农村环境学报, 2023, 39(11): 1464-1473. Lu X D, Qi S, Chen J D, et al. Research on the spatiotemporal distribution and variation trend of rainfall erosivity in the Nandu River Basin[J]. Journal of Ecology and Rural Environment, 2023, 39(11): 1464-1473. ( 0) |
| [29] |
郝佳佳. 中国近海和西北太平洋温跃层时空变化分析、模拟及预报[D]. 青岛: 中国科学院海洋研究所, 2008. Hao J J. Analysis, Simulation and Prediction of Temporal and Spatial Changes of Thermocline in China Offshore and the Northwest Pacific[D]. Qingdao: Institute of Oceanography, Chinese Academy of Sciences, 2008. ( 0) |
| [30] |
Fattah M A, Hasan M M, Dola I A, et al. Implications of rainfall variability on groundwater recharge and sustainable management in South Asian capitals: An in-depth analysis using Mann Kendall tests, continuous wavelet coherence, and innovative trend analysis[J]. Groundwater for Sustainable Development, 2024, 24: 101060. DOI:10.1016/j.gsd.2023.101060 ( 0) |
| [31] |
Güçlü Y S, Acar R, Saplıogˇlu K. Seasonally adjusted periodic time series for Mann-Kendall trend test[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2025, 138: 103848. DOI:10.1016/j.pce.2024.103848 ( 0) |
| [32] |
Marsick A, André H, Khelf I, et al. Benefits of Mann-Kendall trend analysis for vibration-based condition monitoring[J]. Mechanical Systems and Signal Processing, 2024, 216: 111486. DOI:10.1016/j.ymssp.2024.111486 ( 0) |
| [33] |
Bhattacharya M, Sinha M. Basin scale wind-wave prediction using empirical orthogonal function analysis and neural network models[J]. Results in Geophysical Sciences, 2021, 8: 100032. DOI:10.1016/j.ringps.2021.100032 ( 0) |
| [34] |
Khoir A N, Ooi M C G, Juneng L, et al. Spatio-temporal analysis of aerosol optical depth using rotated empirical orthogonal function over the Maritime Continent from 2001 to 2020[J]. Atmospheric Environment, 2022, 290: 119356. DOI:10.1016/j.atmosenv.2022.119356 ( 0) |
| [35] |
Liu B Q, D'Sa E J, Maiti K, et al. Biogeographical trends in phytoplankton community size structure using adaptive sentinel 3-OLCI chlorophyll a and spectral empirical orthogonal functions in the estuarine-shelf waters of the northern Gulf of Mexico[J]. Remote Sensing of Environment, 2021, 252: 112154. DOI:10.1016/j.rse.2020.112154 ( 0) |
| [36] |
Zhang C, Zhang W N, Huang Y X, et al. Analysing the correlations of long-term seasonal water quality parameters, suspended solids and total dissolved solids in a shallow reservoir with meteorological factors[J]. Environmental Science Pollution Research, 2017, 24: 6746-6756. DOI:10.1007/s11356-017-8402-1 ( 0) |
| [37] |
Guimarães T T, Veronez M R, Koste E C, et al. Evaluation of regression analysis and neural networks to predict total suspended solids in water bodies from unmanned aerial vehicle images[J]. Sustainability, 2019, 11(9): 2580. DOI:10.3390/su11092580 ( 0) |
| [38] |
Mustapha A, Abdu A. Application of principal component analysis & multiple regression models in surface water quality assessment[J]. Journal of Environment Earth Science, 2012, 2(2): 16-23. ( 0) |
| [39] |
Moeini M, Shojaeizadeh A, Geza M. Supervised machine learning for estimation of total suspended solids in urban watersheds[J]. Water, 2021, 13(2): 147. DOI:10.3390/w13020147 ( 0) |
| [40] |
Du Y X, Song K S, WangQiang, et al. Total suspended solids characterization and management implications for lakes in East China[J]. Science of the Total Environment, 2022, 806: 151374. DOI:10.1016/j.scitotenv.2021.151374 ( 0) |
| [41] |
Li P, Chen S, Ke Y, et al. Spatiotemporal dynamics of suspended particulate matter in the Bohai Sea, China over the past decade from the space perspective[J]. Science Total Environment, 2022, 851(1): 158210. ( 0) |
| [42] |
Zhang X H, Fichot C G, Baracco C, et al. Determining the drivers of suspended sediment dynamics in tidal marsh-influenced estuaries using high-resolution ocean color remote sensing[J]. Remote Sensing of Environment, 2020, 240: 111682. DOI:10.1016/j.rse.2020.111682 ( 0) |
| [43] |
Zhou Z, Bian C W, Wang C H, et al. Quantitative assessment on multiple timescale features and dynamics of sea surface suspended sediment concentration using remote sensing data[J]. Journal of Geophysical Research: Oceans, 2017, 122(11): 8739-8752. DOI:10.1002/2017JC013082 ( 0) |
| [44] |
郝祚千, 陈民强, 赵盖博, 等. 1984—2021年黄河口及邻近海域悬浮物锋面变化特征及影响因素研究[J]. 中国海洋大学学报(自然科学版), 2025, 55(1): 25-38. Hao Z Q, Chen M Q, Zhao G B, et al. Study on the characteristics and influencing factors of suspended matter front changes in the Yellow River estuary and adjacent waters from 1984 to 2021[J]. Periodical of Ocean University of China, 2025, 55(1): 25-38. DOI:10.16441/j.cnki.hdxb.20230309 ( 0) |
| [45] |
吴凡. 南海上混合层结构表征[D]. 连云港: 江苏海洋大学, 2022. Wu F. Characterization of Mixed Layer Structure in the South China Sea[D]. Lianyungang: Jiangsu Ocean University, 2022. ( 0) |
| [46] |
蔡树群, 甘子钧. 三维斜压陆架海模式的应用: 南海上混合层的季节变化[J]. 海洋学报(中文版), 2000(3): 7-14. Cai S Q, Gan Z J. Application of three-dimensional oblique pressure continental shelf sea model: Seasonal variation of mixed layer in the South China Sea[J]. Chinese Journal of Oceanography, 2000(3): 7-14. ( 0) |
| [47] |
Wang X H, Pinardi N, Malacic V. Sediment transport and resuspension due to combined motion of wave and current in the northern Adriatic Sea during a Bora event in January 2001: A numerical modelling study[J]. Continental Shelf Research, 2007, 27(5): 613-633. DOI:10.1016/j.csr.2006.10.008 ( 0) |
| [48] |
江文胜, 苏健, 杨华, 等. 渤海悬浮物浓度分布和水动力特征的关系[J]. 海洋学报(中文版), 2002(S1): 212-217. Jiang W S, Su J, Yang H, et al. The relationship between suspended solids concentration distribution and hydrodynamic characteristics in the Bohai Sea[J]. Chinese Journal of Oceanography, 2002(S1): 212-217. ( 0) |
| [49] |
Zhu C Q, Liu X L, Shan H X, et al. Properties of suspended sediment concentrations in the Yellow River delta based on observation[J]. Marine Georesources & Geotechnology, 2017, 36(1): 139-149. ( 0) |
| [50] |
Dai S B, Yang S L, Cai A M. Impacts of dams on the sediment flux of the Pearl River, southern China[J]. Catena, 2008, 76(1): 36-43. DOI:10.1016/j.catena.2008.08.004 ( 0) |
| [51] |
Zhou Z, Bian C W, Chen S G, et al. Sediment concentration variations in the East China Seas over multiple timescales indicated by satellite observations[J]. Journal of Marine Systems, 2020, 212: 103430. DOI:10.1016/j.jmarsys.2020.103430 ( 0) |
| [52] |
Dong L X, Guan W B, Chen Q, et al. Sediment transport in the Yellow Sea and East China Sea[J]. Estuarine, Coastal and Shelf Science, 2011, 93(3): 248-258. DOI:10.1016/j.ecss.2011.04.003 ( 0) |
| [53] |
Wang C, Li W, Chen S, et al. The spatial and temporal variation of total suspended solid concentration in Pearl River Estuary during 1987-2015 based on remote sensing[J]. Science Total Environment, 2018, 618: 1125-1138. DOI:10.1016/j.scitotenv.2017.09.196 ( 0) |
| [54] |
Ndah A B, Dagar L, Becek K, et al. Spatio-temporal dynamics of phytoplankton functional groups in the South China Sea and their relative contributions to marine primary production[J]. Regional Studies in Marine Science, 2019, 29: 100598. DOI:10.1016/j.rsma.2019.100598 ( 0) |
| [55] |
Cai P H, Zhao D C, Wang L, et al. Role of particle stock and phytoplankton community structure in regulating particulate organic carbon export in a large marginal sea[J]. Journal of Geophysical Research: Oceans, 2015, 120(3): 2063-2095. DOI:10.1002/2014JC010432 ( 0) |
| [56] |
Alldredge A L, Silver M W. Characteristics, dynamics and significance of marine snow[J]. Progress in Oceanography, 1988, 20(1): 41-82. DOI:10.1016/0079-6611(88)90053-5 ( 0) |
| [57] |
Eisma D. Suspended Matter in the Aquatic Environment[M]. [s.l.]: Springer Science & Business Media, 2012.
( 0) |
| [58] |
齐义泉, 施平, 毛庆文. 南海海面风场和浪场季平均特征的卫星遥感分析[J]. 中国海洋平台, 1997(3): 23-27. Qi Y Q, Shi P, Mao Q W. Satellite remote sensing analysis of seasonal average characteristics of wind and wave fields in the South China Sea[J]. China Ocean Platform, 1997(3): 23-27. ( 0) |
| [59] |
易风, 冯卫兵, 曹海锦. 基于ERA-Interim资料近37年南海波浪时空特征分析[J]. 海洋预报, 2018, 35(1): 44-51. Yi F, Feng W B, Cao H J. Analysis of spatiotemporal characteristics of waves in the South China Sea based on ERA Interim data over the past 37 years[J]. Ocean Forecasting, 2018, 35(1): 44-51. ( 0) |
| [60] |
李荣波, 陈晓斌, 陈璇, 等. 南海海表风速、波高的变化趋势[J]. 海洋开发与管理, 2016, 33(8): 93-97. Li R B, Chen X B, Chen X, et al. The trend of changes in sea surface wind speed and wave height in the South China Sea[J]. Ocean Development and Management, 2016, 33(8): 93-97. ( 0) |
| [61] |
赵红军, 王俊达, 孔俊, 等. 北部湾海浪季节变化和驱动因素的数值模拟研究[J]. 海洋学报, 2022, 44(10): 10-19. Zhao H J, Wang J D, Kong J, et al. Numerical simulation study on seasonal variation and driving factors of waves in Beibu Gulf[J]. Chinese Journal of Oceanography, 2022, 44(10): 10-19. ( 0) |
| [62] |
Holthuijsen L H. Waves in Oceanic and Coastal Waters[M]. Cambridge: Cambridge University Press, 2010.
( 0) |
| [63] |
Jin Q H, Wang H. Multitime scale variations of sea surface temperature in the China seas based on the HadISST dataset[J]. Acta Oceanologica Sinica, 2011, 30(4): 14-23. ( 0) |
| [64] |
武扬, 程国胜. 南海混合层深度的季节和年际变化特征[J]. 海洋预报, 2013, 30(3): 9-17. Wu Y, Cheng G S. Seasonal and interannual variation characteristics of mixed layer depth in the South China Sea[J]. Ocean Forecasting, 2013, 30(3): 9-17. ( 0) |
| [65] |
Yin X, Wu X F, Niu H L, et al. Inter-model spread in representing the impacts of ENSO on the South China spring rainfall in CMIP6 models[J]. Atmosphere, 2024, 15(10): 1199. ( 0) |
| [66] |
Zhao G B, Jiang W S, Wang T, et al. Decadal variation and regulation mechanisms of the suspended sediment concentration in the Bohai Sea, China[J]. Journal of Geophysical Research: Oceans, 2022, 127(3): e2021JC017699. ( 0) |
2. Key Laboratory of Physical Oceanography, Ministry of Education, Qingdao 266100, China;
3. Key Laboratory of Marine Environment and Ecology, Ocean University of China, Qingdao 266100, China;
4. College of Environmental Science and Engineering, Ocean University of China, Qingdao 266100, China