溶解氧(Dissolved oxygen, DO)浓度是衡量水质状况和水体自净能力的重要指标,在环境监测、水污染控制和环境化学中具有重要的观测意义,关系到水生生物的生存条件[1-4]。缺氧环境对不同生物有不同程度的影响,且这种影响不仅局限于底栖生物,还涉及水体中的其他生物[5-9]。
在中国近海海域,有关渤海溶解氧浓度时空分布特征及其影响机制的研究发现:溶解氧浓度有显著的季节变化[10-12],春季溶解氧浓度最高,且表、底层溶解氧浓度基本一致;夏季溶解氧浓度最低,表层溶解氧浓度有时会达到过饱和状态,而底层溶解氧浓度基本处于不饱和状态,且存在两个显著的低氧区,北部的低氧区位于秦皇岛以东、辽东湾中部区域,南部的低氧区位于渤海湾东部区域;秋季, 底层溶解氧浓度升高, 表、底溶解氧浓度的差异减小[13-17]。
黄海作为典型的半封闭陆架海,其表层溶解氧浓度受黄海暖流、陆源输入、季节性温跃层及生物活动等共同影响。研究表明,黄海表层溶解氧呈现明显的季节变化。春季水温回升与浮游植物勃发导致光合作用增氧,溶解氧浓度较高;夏季表层水温升高、层化增强,且受长江冲淡水扩展影响,部分区域出现溶解氧浓度的相对低值;秋季海水混合加剧,浓度逐渐回升;冬季低温与强混合作用使溶解氧接近饱和状态。另外,冬、春季节受黄海暖流影响显著,黄海暖流在冬、春季节最为强盛,它作为一支高温、高盐的外海水体自南向北侵入,显著抬升了黄海中东部海域的背景温度,这种增温效应通过降低氧气的溶解度使该区域的溶解氧浓度下降[18-21]。
东海表层溶解氧浓度的分布受到黑潮、沿岸流、上升流及富营养化的复杂调控。现有研究表明:夏季,东海表层溶解氧浓度呈现显著的西北-东南梯度差异,近岸区域受长江等河流输入影响,营养盐丰富,夏季易因藻华后续降解及层化作用导致溶解氧消耗;而黑潮主径流区因其高温高盐、低营养盐的特性,溶解氧浓度相对稳定但整体偏低。在季节上,春季溶解氧浓度普遍为高值,夏季近岸区域可能出现低氧倾向,冬季海水混合均匀后溶解氧浓度得到回升[22-25]。
南海作为深海盆,其表层溶解氧浓度主要受季风驱动下的环流、混合与热带生态系统活动影响。研究显示:南海表层溶解氧分布具有明显的区域异质性,北部陆架区受沿岸冲淡水和季节性强混合调节,溶解氧浓度的季节波动较大;开阔海区则受大洋性水体控制,浓度相对稳定但整体低于沿岸。季节变化上,冬季季风引发强烈垂直混合,溶解氧浓度较高;夏季层化显著,加之西南季风带来的降水与径流影响,部分近岸区域出现溶解氧浓度降低的现象[26-31]。
但多数研究只聚焦于单一海区或特定季节,缺乏对中国近海区域表层溶解氧浓度季节-年际变化特征的整体刻画与对比分析。其次,在影响因素解析方面,传统研究多采用定性描述或简单的统计相关分析,难以量化温度、叶绿素浓度等环境因子对溶解氧变化的相对贡献。因此,本文基于2017—2024年中国近海区域的多源观测与再分析数据,采用多元线性回归与Shapley值分解等方法,系统揭示了中国近海区域表层溶解氧浓度季节与年际变化特征与影响因素,为水质管理、生态保护与渔业可持续发展提供科学依据。
1 数据与方法 1.1 数据本文使用的观测和再分析资料的时间范围为2017年1月1日至2024年12月31日,空间范围为17°N—42°N, 105°E—125°E(见图 1)。表层海水的溶解氧浓度、无机氮浓度与活性磷酸盐(Reactive phosphate, RP)浓度数据来自中国生态环境部国家海洋环境监测中心(National Marine Environmental Monitoring Center, NMEMC)发布的船载观测资料数据集,下载网址: http://ep.nmemc.org.cn:8888/Water,观测站点总计约1 350个,近岸海域分布更为集中。该数据集包括春(3、4、5月)、夏(6、7、8月)、秋(9、10、11月)三个季节的散点数据资料,由于航次计划未涵盖冬季,因此冬季数据暂缺。
|
( 根据审图号为GS(2024)0650的地图制作,红色圆点表示观测站点分布位置。The map is based on the standard map with approval number GS(2024)0650. The red dots indicate the locations of the observation stations. ) 图 1 水深与观测站位分布 Fig. 1 Water depth and distribution of observation stations |
海表温度、风速等数据信息如表 1所示,其中,海表温度(Sea surface temperature, SST)数据来自MURSST(Multi-scale ultra-high resolution SST)数据集,该数据集综合红外与微波卫星观测并用浮标偏差校正,可提供晴空与云区一致的高分辨率海表温度数据,广泛用于海洋中尺度过程、气候监测与数值同化。本文使用的海表温度数据,其空间分辨率为0.01°,时间分辨率为1 d。
|
|
表 1 不同数据产品的信息 Table 1 Information of different data products |
风速数据来自CCMP(Cross-calibrated multi-platform)数据集,该数据集是由美国遥感系统公司(Remote Sensing Systems Company, RSS)制作的全球海面风场融合产品,通过变分同化方法将多颗卫星的微波散射计和辐射计风场与浮标观测及ERA-Interim再分析场交叉校准,生成空间连续、精度高的风场,广泛用于海洋大气耦合、海浪模拟和气候研究。本文使用的风速数据,其空间分辨率为0.25°,时间分辨率为6 h。
悬浮颗粒物(Suspended particulate matter, SPM)浓度数据由欧洲哥白尼海洋环境观测服务中心(Copernicus Marine Environment Monitoring Service, CMEMS)提供,空间分辨率为0.25°,时间分辨率为1个月,下载网址:https://marine.copernicus.eu。
叶绿素浓度与光合有效辐射(Photosynthetically active radiation, PAR)强度数据来自美国国家航空航天局(National Aeronautics and Space Administration, NASA)的海洋水色三级与四级产品,空间分辨率为4 km,时间分辨率为1个月,下载网址:https://oceandata.sci.gsfc.nasa.gov/l3。
另外,尼诺3.4(Niño3.4)指数和印度洋偶极子(Indian Ocean dipole, IOD)指数来自美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA),下载网址:https://psl.noaa.gov。
由于每一年的观测站点位置略有差异,且与各数据分辨率并不相同,为便于后续分析,将各类数据在给定网格内求取平均值,统一转换为空间分辨率为0.3°的规则网格数据。
1.2 方法 1.2.1 多元线性回归方法为分析表层溶解氧浓度与环境要素之间是否存在线性关系,本文以插值后的表层溶解氧浓度为因变量y,与表层溶解氧浓度相关性较高的4种要素为自变量x1—x4,利用最小二乘法得到因变量与自变量之间的线性表达式:
| $ y=a_1 x_1+a_2 x_2+a_3 x_3+a_4 x_4+b \text { 。} $ | (1) |
式中:y为表层溶解氧浓度;x1、x2、x3、x4为选定的四种环境要素变量;a1、a2、a3、a4为各自变量对应的线性回归系数;b为截距。
1.2.2 方差、相关系数、方差解释率与t检验方差(Variance)是衡量一组数据离散程度或波动大小的常用指标,方差较大,说明数据点比较分散,波动较大,其计算公式为
| $ s^2=\frac{\sum\limits_{i=1}^n\left(x_i-\bar{x}\right)^2}{n-1} 。$ | (2) |
式中:s2为样本方差;n为样本的数据量;xi为样本中每一个单独的数据值;x为样本平均值。
相关系数(Correlation coefficient)是用于量化两个变量之间线性关系强度与方向的统计指标,本研究采用皮尔逊相关系数(Pearson correlation coefficient),其值域为[-1, 1]。对于两个变量x和y,其皮尔逊相关系数r的计算公式如下:
| $ r=\frac{\sum\limits_{i=1}^n\left(x_i-\bar{x}\right)\left(y_i-\bar{y}\right)}{\sqrt{\sum\limits_{i=1}^n\left(x_i-\bar{x}\right)^2} \sqrt{\sum\limits_{i=1}^n\left(y_i-\bar{y}\right)^2}} 。$ | (3) |
式中:n为样本量;xi和yi为第i个样本的两个变量值;x和y分别为两个变量的样本均值。
方差解释率(Variance interpretation rate,通常记为R2)是衡量回归模型对因变量变异解释程度的核心指标。其值域为[0, 1],数值越大,表明模型的自变量对因变量的解释能力越强。为评估多元线性回归模型的拟合优度,计算了拟合值与表层溶解氧浓度数据之间的方差解释率,计算公式为
| $ R^2=1-\frac{\sum\limits_{i=1}^n\left(y_i-\hat{y}_i\right)^2}{\sum\limits_{i=1}^n\left(y_i-\bar{y}\right)^2} 。$ | (4) |
式中:R2为方差解释率;n为样本量;yi为第i个表层溶解氧浓度数据;
t检验(t test)是统计学中常用的参数检验方法,主要用于在总体方差未知的情况下,对总体均值进行统计推断[32]。其核心思想是通过比较样本数据所呈现的效应与随机误差,以判断总体参数是否存在显著差异。在本文中,对表层溶解氧浓度与相关环境要素的相关系数进行t检验时,t值计算公式为
| $ t=\frac{r \sqrt{n-2}}{\sqrt{1-r^2}} 。$ | (5) |
式中:t为检验统计量;r为相关系数;n为样本量。
对空间相关系数进行显著性检验时,显著性水平设置为0.05,本文的样本量大于120,此时若|t|>1.96,则认为相关系数通过了显著性检验;对时间序列的相关系数进行显著性检验时,显著性水平设置为0.1,样本量为8,对应2017—2024年共8 a数据,此时若|t|>1.94,则认为相关系数通过了显著性检验。
对线性趋势进行t检验时,显著性水平设置为0.1,本文的样本量为8,此时若|t|>1.94,则认为相关系数通过了显著性检验。t值计算公式为
| $ t=\frac{\hat{b}}{\sqrt{\frac{\sum\limits_{i=1}^n\left(y_i-\hat{y}_i\right)^2 /(n-2)}{\sum\limits_{i=1}^n\left(x_i-\bar{x}\right)^2}}} 。$ | (6) |
式中:
Shapley值分解法(Shapley value decomposition method)是一种基于合作博弈论的数学方法,用于公平量化多个变量对模型预测结果的贡献度。其核心思想是通过计算某一变量在所有可能的变量组合中所带来的边际贡献的加权平均值,从而确定其相对重要性[33]。在本研究中,该方法被用于分解多元线性回归模型的方差解释率,评估海表温度、营养盐、悬浮颗粒物等环境要素对表层溶解氧浓度变化的相对贡献,该方法克服了传统回归系数受量纲和共线性影响的局限,具体计算过程见下文。
假设环境要素因子集合N={1, 2, 3, …, n}表示影响表层溶解氧浓度的n个环境要素,x为N的任一子集,
| $ v(\mathit{Φ})=0, $ | (7) |
| $ v\left(x_1 \cup x_2\right) \geqslant v\left(x_1\right)+v\left(x_2\right), x_1 \cap x_2=\mathit{Φ} 。$ | (8) |
式中:v(Φ)为空集Φ的实值函数;集合x1与集合x2都是N的任一子集;v(x1∪x2)为集合x1与集合x2并集的实值函数;v(x1)为集合x1的实值函数;v(x2)为集合x2的实值函数。
在集合N下,第i个环境要素的Shapley值计算公式为
| $ \begin{gathered} \alpha_i(v)= \\ \sum\limits_{x \subseteq N \backslash\{i\}} \frac{|x|!(n-|x|-1)![v(x \cup\{i\})-v(x)]}{n!} 。\end{gathered} $ | (9) |
式中:αi(v)为第i个环境要素的Shapley值;x为集合N不包含要素i的任意子集;|x|为子集x中的要素个数;n为总的要素个数;
图 2(a)—2(c)展示了中国沿海区域2017—2024年春季、夏季与秋季平均表层溶解氧浓度的空间分布形态,总体而言,表层溶解氧浓度存在显著的季节变化,在不同区域的时间相位较为一致,于春季最高、秋季次之、夏季最低。图 2(d)—2(f)展示了2017—2024年春季、夏季与秋季表层溶解氧浓度年际方差的空间分布形态,总体而言,年际变化强度有明显的区域差异性,春季,辽东湾与黄海北部海域的年际方差较大,其余海域的年际方差普遍较小;夏季,渤海、黄海北部与珠江口海域的年际方差较大,其余海域的年际方差普遍较小;秋季,渤海湾、莱州湾与山东半岛南部海域的年际方差较大,其余海域的年际方差普遍较小。
|
( 每个季节,对于拥有至少2 a记录的数据点,计算其多年平均值;而年际方差的计算则要求数据点至少具备6 a的数据,以反映其年际变化强度。For each season, we calculate the multi-year means for data points with at least two years of records; meanwhile, the calculation of interannual variances require data points with at least six years of records in order to reflect the intensity of interannual variation. ) 图 2 不同季节溶解氧浓度的平均值与年际方差 Fig. 2 Mean values and interannual variances of DO concentration in different seasons |
为进一步研究不同海域表层溶解氧浓度季节变化特征的异同,计算了渤海、黄海、东海及南海在春、夏、秋三季的表层溶解氧浓度平均值与季节方差,结果如表 2所示。结合图 2(a)—2(c)可得:四个海域的溶解氧浓度均呈现一致的季节变化规律:春季最高、秋季次之、夏季最低。然而,对于同一季节,溶解氧浓度均表现为渤海最高、黄海次之、东海再次、南海最低,且季节变化强度存在明显差异,其中,渤海和黄海的溶解氧浓度季节波动显著、东海较弱、南海最弱。
|
|
表 2 不同海域溶解氧浓度的平均值与季节方差 Table 2 Means and seasonal variances of DO concentration in different sea areas |
图 3展示了三个季节表层溶解氧的纬向平均浓度,结合表 2可得:总体上,不同季节的溶解氧浓度随纬度升高呈一定的上升趋势。因此,从空间分布来看,各季节溶解氧浓度均表现为渤海最高、黄海次之、东海再次、南海最低。
|
图 3 不同季节溶解氧浓度沿南北方向的分布 Fig. 3 The distribution of DO concentration along the north-south axis in different seasons |
图 4(a)展示了溶解氧浓度季节方差的空间分布形态,图 4(b)展示了季节方差的纬向变化,结合表 2可得:渤海区域的溶解氧浓度季节方差最大、黄海次之、东海再次、南海最低,并且季节方差随纬度升高呈一定的上升趋势,这进一步反映了渤海和黄海的溶解氧浓度季节波动显著、东海较弱、南海最弱。上述空间分布特征的驱动因素分析,将在第3章结合多元线性回归与Shapley值分解方法进一步探讨。
|
图 4 溶解氧浓度季节方差的空间分布 Fig. 4 Spatial distribution of seasonal variances of DO concentration |
在量化了表层溶解氧浓度的年际变化强度后,本研究进一步计算了其线性趋势,如图 5(a)—5(c)所示。总体而言,对于三个季节的溶解氧浓度,大部分海域的线性趋势并未通过90%置信水平的显著性检验,说明线性趋势未呈现显著的上升或者下降趋势,变化较为复杂。但部分海域的年际变化较为明显,春季,渤海湾、辽东湾、黄海大部分海域与长江口南部海域的溶解氧浓度有较为显著的上升趋势,莱州湾、黄海北部与东海西南部海域的溶解氧浓度有较为显著的下降趋势;夏季,渤海湾南部、长江口东部与南海北部海域的溶解氧浓度有较为显著的上升趋势,渤海湾北部、山东半岛沿岸海域、黄海北部与长江口北部海域呈现较为显著的下降趋势;秋季,渤海湾、长江口与南海大部分海域的溶解氧浓度有较为显著的上升趋势,黄海北部、南部与东海大部分海域呈现较为显著的下降趋势。
|
( 较大的点表示该点的线性趋势已通过90%置信水平的显著性检验。Larger points indicate that the linear trend at that point has passed the significant test at 90% confidence level. ) 图 5 各季节溶解氧浓度的线性趋势 Fig. 5 Linear trends of DO concentration in different seasons |
对于2017—2024每一年的数据,将春、夏、秋三季的溶解氧浓度取平均值作为年平均溶解氧浓度,图 6(a)和6(b)分别展示了其年际方差与线性趋势的空间分布:总体而言,渤海、山东半岛附近海域与黄海北部海域的年际方差较大,年际变化较强;大部分海域的线性趋势也并未通过90%置信水平的显著性检验,说明线性趋势也较为复杂。但部分海域的年际变化较为明显,在渤海湾南部、辽东湾、长江口附近与南海大部分海域,年平均溶解氧浓度有一定的上升趋势,在莱州湾、渤海湾北部、黄海北部、长江口北部与南部海域,年平均溶解氧浓度有一定的下降趋势。
|
( 在图(b)中,较大的点表示该点的线性趋势已通过90%置信水平的显著性检验。In figure (b), larger points indicate that the linear trend at that point has passed the significant test at 90% confidence level. ) 图 6 年平均溶解氧浓度的年际变化情况 Fig. 6 Interannual variations of the annual average DO concentration |
对于每个季节、所有数据的8 a平均值,不同环境要素与表层溶解氧浓度之间在空间上的相关系数如表 3所示,加粗数值表示该要素与溶解氧浓度的相关系数通过了显著性t检验,由表 3可知:春季,与溶解氧浓度相关性较强的4种要素分别为海表温度(相关系数r=-0.95)、叶绿素浓度(r=0.43)、氮磷比(Nitrogen-to-phosphorus ratio, N∶P,在本文中,以无机氮浓度与活性磷酸盐浓度的比值表示, r=0.16)与悬浮颗粒物浓度(r=0.16);夏季,与溶解氧浓度相关性较强的4种要素分别为海表温度(r=-0.74)、风速(r=-0.31)、光合有效辐射强度(r=0.24)与活性磷酸盐浓度(r=-0.20);秋季,与溶解氧浓度相关性较强的4种要素分别为海表温度(r=-0.90)、叶绿素浓度(r=0.56)、悬浮颗粒物浓度(r=0.34)与光合有效辐射强度(r=-0.75)。
|
|
表 3 不同环境要素与溶解氧浓度在空间上的相关系数 Table 3 Spatial correlation coefficients between DO concentration and various environmental factors |
对于每个季节,以表层溶解氧浓度为因变量y,与表层溶解氧浓度相关性较高的4种要素为自变量x1—x4,利用最小二乘法对溶解氧浓度进行多元线性拟合,溶解氧浓度与拟合值的对比情况如图 7所示,图 7(a)—7(c)分别展示了春、夏、秋季溶解氧浓度与多元线性拟合值之间的残差(溶解氧浓度与拟合值之差)空间分布形态。
|
图 7 不同季节溶解氧浓度多元线性回归残差的空间分布 Fig. 7 Spatial distribution of multiple linear regression residuals of DO concentration in different seasons |
春季,以海表温度、叶绿素浓度、悬浮颗粒物浓度与氮磷比为自变量x1—x4,对溶解氧浓度y进行多元线性拟合,方程式为y=11.62-0.20x1-0.06x2-0.004x3-0.000 1x4,结合图 7(a),在黄海北部、山东半岛东部与海南岛附近海域的拟合值偏低,在辽东湾、山东半岛南部、长江口东部与珠江口北部海域的拟合值偏高,其余海域的残差较小,该方程的方差解释率为91.38%;夏季,以海表温度、风速、光合有效辐射强度与活性磷酸盐浓度为自变量x1—x4,对溶解氧浓度y进行多元线性拟合,方程式为y=9.96-0.20x1-0.20x2+0.07x3-6.55x4,结合图 7(b),在渤海湾、黄海北部、山东半岛东部、长江口南部与南海北部湾海域的拟合值偏低,在山东半岛南部与长江口东部海域的拟合值偏高,其余海域的残差较小,该方程的方差解释率为62.72%,可能是因为部分海域夏季浮游植物光合作用旺盛,产生氧气造成海域水体溶解氧过饱和,使得海域实际溶解氧浓度偏离线性拟合结果,最终降低模型整体的方差解释能力;秋季,以海表温度、叶绿素浓度、悬浮颗粒物浓度与光合有效辐射强度为自变量x1—x4,对溶解氧浓度y进行多元线性拟合,方程式为y=11.06-0.24x1+0.046x2+0.006x3+0.05x4,结合图 7(c),在渤海湾、山东半岛南部、长江口与海南岛附近海域的拟合值偏低,在辽东湾南部、黄海北部、山东半岛南部与长江口东部海域的拟合值偏高,其余海域的残差较小,该方程的方差解释率为82.90%。
在多元线性回归中,方差解释率(R2)代表了方程的拟合优度。但R2本身并不提供各自变量对因变量变异的具体贡献信息,这限制了我们对各要素重要性的判断。而Shapley值是一种基于博弈论的公平分配原则,它可以将因变量的总变异分解为各个自变量的贡献度,并量化每个自变量对因变量变异的相对重要性[33]。因此,本研究使用Shapley值分解方法,计算各环境要素对溶解氧浓度变化的相对贡献率,进而识别影响溶解氧浓度空间分布的关键要素。各季节,与溶解氧浓度相关性较高的4种要素,每种要素对方差解释率的贡献如图 8所示。
|
图 8 各环境要素对溶解氧浓度多元线性回归方程方差解释率的贡献 Fig. 8 Contribution of each environmental factor to the variance explanation rate of the multiple linear regression equation for DO concentration |
图 8(a)展示了春季各要素对方差解释率的贡献,其中,海表温度的贡献率为88.28%,叶绿素浓度的贡献率为9.40%,悬浮颗粒物浓度的贡献率为1.44%,氮磷比的贡献率为0.88%,因此,影响春季溶解氧浓度空间分布的关键要素为海表温度,次级要素为叶绿素浓度。结合表 3进行分析,溶解氧浓度与海表温度之间存在显著的负相关关系,说明温度是调节春季海水溶解氧浓度的关键物理因子,其途径在于改变氧气在水体中的溶解度[11],温度升高时,氧气溶解度降低,导致溶解氧浓度下降,因此溶解氧浓度与海表温度存在显著的负相关关系,夏季与秋季的调控机制也是如此;溶解氧浓度与叶绿素浓度之间呈较强的正相关关系,这是由于春季浮游植物生长旺盛,较高浓度的叶绿素会通过光合作用产生更多的氧气[34-35],因此溶解氧浓度与叶绿素浓度有较强的正相关关系。
图 8(b)展示了夏季各要素对方差解释率的贡献,其中,海表温度的贡献率为75.99%,风速的贡献率为12.24%,光合有效辐射强度的贡献率为8.02%,活性磷酸盐浓度的贡献率为3.75%,因此,影响夏季溶解氧浓度空间分布的关键要素也是海表温度,次级要素为风速。结合表 3进行分析,溶解氧浓度与海表温度之间存在显著的负相关关系,这是由于温度升高时,氧气溶解度降低,导致溶解氧浓度下降[11],因此溶解氧浓度与海表温度存在显著的负相关关系;溶解氧浓度与风速之间存在一定的负相关关系,这是由于风速增加,导致海水垂向混合的增强,将底层低氧水带至表层,降低了表层溶解氧浓度[15],因此溶解氧浓度与风速有一定的负相关关系。
图 8(c)展示了秋季各要素对方差解释率的贡献,其中,海表温度的贡献率为54.34%,光合有效辐射强度的贡献率为28.01%,叶绿素浓度的贡献率为13.19%,悬浮颗粒物浓度的贡献率为4.46%,因此,影响秋季溶解氧浓度空间分布的关键要素为海表温度,光合有效辐射强度也有较强的影响。结合表 3进行分析,溶解氧浓度与海表温度之间存在显著的负相关关系,这是由于温度升高时,氧气溶解度降低,导致溶解氧浓度下降[11];同时,溶解氧浓度与光合有效辐射强度之间也存在显著的负相关关系,这是由于较强的光合有效辐射往往会伴随海表温度的升高,而溶解氧浓度会随海表温度的升高而降低[11, 13],因此溶解氧浓度与光合有效辐射强度存在较强的负相关关系。
需要注意的是,影响不同季节表层溶解氧浓度空间分布的次级要素有所不同,春季,叶绿素浓度是次级要素;夏季,风速是次级要素;秋季,光合有效辐射强度是次级要素。这是因为春季浮游植物勃发,叶绿素的光合增氧作用凸显[34-35],叶绿素浓度成为次级影响要素;而风速和光合有效辐射强度的贡献被温度的负效应与生物产氧信号掩盖,因此风速与光合有效辐射强度对春季溶解氧浓度的影响很小。夏季较强的水体层化限制了垂向交换,而风速通过增强溶解氧浓度的垂向混合成为次要影响要素[15];因表层溶解氧处于较饱和状态,光合作用无法继续提升溶解氧浓度,因此叶绿素浓度对溶解氧浓度的影响很小;同时,由于夏季温度较高,光合有效辐射强度对温度与溶解氧浓度的影响都较小。秋季水温下降后,温度控制力减弱,光合有效辐射强度因局地增温效应与溶解氧浓度呈显著负相关关系[11, 13],成为次级影响要素;而叶绿素浓度与溶解氧浓度虽有较强的正相关关系,但贡献度小于光合有效辐射强度辐射;由于秋季水体混合较强,风速的混合作用有限,对溶解氧的影响较小。
结合春、夏、秋三个季节影响要素的分析可得:影响溶解氧浓度空间分布的关键要素都包含海表温度,且海表温度对拟合方程方差解释率的贡献都很高。由于溶解氧浓度会随海表温度的升高而降低,且夏季海表温度最高、秋季次之、春季最低,因此理论上溶解氧浓度应呈现春季最高、秋季次之、夏季最低的季节变化趋势,该推论与本文2.1节所述的溶解氧季节变化规律相符。并且由于温度随纬度升高而降低,所以南海的海表温度最高、东海次之、黄海再次、渤海最低,因此,理论上各季节溶解氧浓度为渤海最高、黄海次之、东海再次、南海最低,该推论与本文2.1节所述的各季节溶解氧浓度空间分布特征相符。由于渤海海表温度的季节变化最大、黄海次之、东海再次、南海最小,因此,理论上渤海区域的溶解氧浓度季节变化最强、黄海次之、东海较弱、南海最弱,该推论与本文2.1节所述的溶解氧浓度季节方差的空间分布特征相符。
3.2 溶解氧浓度线性趋势的影响因素分析前文分析表明, 不同季节的表层溶解氧浓度与海表温度在空间分布上呈显著的负相关关系。为验证这一关系在年际变化尺度上是否依然成立,本节进一步对比分析了二者在不同季节及年平均的变化趋势,其中,海表温度的年平均值也是由春、夏、秋数据取三季平均值得到。不同季节与年平均的海表温度线性趋势如图 9(a)—9(d)所示,结合图 5与图 6进行分析,春季,在莱州湾,海表温度有较为显著的上升趋势,而此海域的表层溶解氧浓度有较为显著的下降趋势,表层溶解氧浓度与海表温度可能存在一定的负相关关系,在长江口南部海域,海表温度有较为显著的下降趋势,而表层溶解氧浓度有一定的上升趋势;夏季,在渤海湾北部海域,海表温度有较为显著的上升趋势,而表层溶解氧浓度有较为显著的下降趋势,在长江口东部海域,海表温度有一定的下降趋势,而表层溶解氧浓度有较为显著的上升趋势;秋季,在大部分黄海与东海海域,海表温度有较为显著的上升趋势,而表层溶解氧浓度有较为显著的下降趋势;对于年平均海表温度,在莱州湾、渤海湾北部、黄海北部与长江口北部海域,有较为显著的上升趋势,而年平均溶解氧浓度有一定的下降趋势。
|
( 较大的点表示该点的线性趋势已通过90%置信水平的显著性检验。Larger points indicate that the linear trend at that point has passed the significant test at 90% confidence level. ) 图 9 海表温度的线性趋势 Fig. 9 Linear trends in SST |
图 10(a)—10(d)分别展示了不同季节与年平均的表层溶解氧浓度与海表温度时间序列之间的相关系数,由图 10可知:春季,在莱州湾与东海西南部,溶解氧浓度与海表温度呈现较为显著的负相关关系;夏季,在渤海大部分海域、黄海北部、山东半岛附近与长江口东部海域,溶解氧浓度与海表温度呈现较为显著的负相关关系;秋季,在渤海湾北部、黄海大部分海域、东海大部分海域与南海北部海域,溶解氧浓度与海表温度呈现较为显著的负相关关系。对于年平均数据,在莱州湾、渤海湾北部、山东半岛附近海域、黄海北部与长江口北部海域,溶解氧浓度与海表温度呈现较为显著的负相关关系。这表明温度是调节这些海域溶解氧浓度年际变化的关键物理因子,其途径在于改变氧气在水体中的溶解度[11],温度升高时,氧气溶解度降低,导致溶解氧浓度下降;温度降低时,氧气溶解度升高,导致溶解氧浓度上升,因此溶解氧浓度与海表温度存在显著的负相关关系。
|
( 较大的点表示该点的相关系数已经通过90%置信水平的显著性检验。Larger points indicate that the correlation coefficient at that point has passed the significant test at 90% confidence level. ) 图 10 溶解氧浓度与海表温度时间序列之间的相关系数 Fig. 10 Correlation coefficients between DO concentration and SST time series |
由于Niño3.4与IOD指数是表征海表温度变化的重要指标[36-37],而海表温度与表层溶解氧浓度之间存在一定的负相关关系,因此,本文继续探究气候指数与表层溶解氧浓度年际变化之间是否存在关联性。不同季节与年平均的Niño3.4与IOD指数时间序列如图 11(a)与11(b)所示。对于Niño3.4指数,在2020—2022年,春季、夏季、秋季与年平均值都处于较强的负相位,在2023年,都处于较强的正相位;对于IOD指数,在2022年,春季、夏季、秋季与年平均值都处于较强的负相位,在2019与2023年,都处于较强的正相位。为寻找表层溶解氧浓度与Niño3.4、IOD指数序列之间是否存在关联性,本文选取了三个代表性区域进行分析,区域位置如图 11(c)所示。其中,区域1范围为36.80°N—41.20°N,117°E—122.55°E,包含66个数据点;区域2范围为36.35°N—37.95°N,121.35°E—123.20°E,包含16个数据点;区域3范围为21.40°N—25.25°N,116.10°E—120.50°E,包含27个数据点。对于这三个研究区域,首先计算2017—2024年的春季、夏季、秋季与年平均的表层溶解氧浓度区域平均值,然后分别减去各季节及年平均的8 a平均值,从而获得四组表层溶解氧浓度异常值的时间序列,如图 11(d)、11(e)与11(f)所示。对比图 11(a)与11(b),在2020—2022年,当春季、夏季、秋季与年平均Niño3.4指数都处于较强负相位时,三个区域的春季、夏季、秋季与年平均表层溶解氧浓度异常值大多为正值;在2023年,当Niño3.4与IOD指数都处于较强正相位时,三个区域的表层溶解氧浓度异常值大多为负值。可以看出,三个区域的表层溶解氧浓度异常值与Niño3.4、IOD指数之间存在一定的反相位关系。
|
( 由于溶解氧浓度只有春、夏、秋三季数据,所以计算Niño3.4与IOD指数的年平均值时,也只用了春、夏、秋三季数据,经对比,春、夏、秋、冬四季数据的平均值与春、夏、秋三季数据的平均值相差不大,因此取春、夏、秋三季数据的平均值作为年平均值;图(c)根据审图号为GS(2024)0650的地图制作。As DO concentration data is only available for spring, summer, and autumn, the annual means for the Niño3.4 and IOD indices were calculated using data from these three seasons only. Comparison result reveals that there is a minimal variation in the seasonal means between four seasons and the spring-summer-autumn seasons. Consequently, the spring-summer-autumn seasonal means are adopted as the annual means. Figure (c) was produced based on the map with map approval No. GS(2024)0650. ) 图 11 气候指数时间序列与所选区域的溶解氧浓度异常值时间序列 Fig. 11 Time series of climate indices and time series of DO concentration anomalies for the selected region |
在初步观察上述三个区域的表层溶解氧浓度异常值与气候指数的关联性之后,本研究计算了不同季节以及年平均表层溶解氧浓度时间序列与Niño3.4指数时间序列之间的相关系数,如图 12(a)—12(d)所示。结合前文进行分析,春季,在莱州湾与东海西南部,Niño3.4指数与海表温度都和溶解氧浓度呈现较为显著的负相关关系;夏季,在渤海大部分海域、黄海北部与山东半岛附近海域,Niño3.4指数与海表温度都和溶解氧浓度呈现较为显著的负相关关系;秋季,在渤海湾北部、大部分黄海、东海海域与南海北部海域,Niño3.4指数与海表温度都和溶解氧浓度呈现较为显著的负相关关系;对于年平均数据,在莱州湾、渤海湾北部、山东半岛附近海域与黄海北部海域,Niño3.4指数与海表温度都和溶解氧浓度呈现较为显著的负相关关系。图 12(e)—12(h)展示了Niño3.4指数与海表温度的相关系数,对于上述区域不同季节与年平均的Niño3.4指数与海表温度,都呈现一定的正相关关系。由此可得,对于上述区域,厄尔尼诺-南方涛动模态与溶解氧浓度的年际变化存在较强的关系,当Niño3.4指数处于较强的正相位时,海表温度也处于较高状态[36],此时氧气溶解度降低[11],导致溶解氧浓度下降;当Niño3.4指数处于较强的负相位时,海表温度也处于较低状态,此时氧气溶解度升高,导致溶解氧浓度上升。
|
( 较大的点表示该点的相关系数已经通过90%置信水平的显著性检验。Larger points indicate that the correlation coefficient at that point has passed the significant test at 90% confidence level. ) 图 12 溶解氧浓度、海表温度与Niño3.4指数时间序列之间的相关系数 Fig. 12 Correlation coefficients between DO concentration, SST and the Niño3.4 index time series |
不同季节以及年平均表层溶解氧浓度时间序列与IOD指数时间序列之间的相关系数如图 13(a)—13(d)所示。结合前文进行分析,春季,在莱州湾与东海西南部,IOD指数与海表温度都和溶解氧浓度呈现一定的负相关关系;夏季,在渤海大部分海域、黄海北部与山东半岛附近海域,IOD指数与海表温度都和溶解氧浓度呈现较为一定的负相关关系;秋季,在渤海湾北部、大部分黄海、东海海域与南海北部海域,IOD指数与海表温度都和溶解氧浓度呈现一定的负相关关系;对于年平均数据,在莱州湾、渤海湾北部、山东半岛附近海域与黄海北部海域,IOD指数与海表温度都和溶解氧浓度呈现一定的负相关关系。图 13(e)—13(h)展示了IOD指数与海表温度的相关系数,对于上述区域不同季节与年平均的IOD指数与海表温度,都呈现一定的正相关关系,与Niño3.4指数相比,IOD指数与海表温度、溶解氧浓度的相关性都较弱。由此可得,对于上述区域,印度洋偶极子模态与溶解氧浓度的年际变化存在一定关系,当IOD指数处于较强的正相位时,海表温度也处于较高状态[37],此时氧气溶解度降低,导致溶解氧浓度下降[11];当IOD指数处于较强的负相位时,海表温度也处于较低状态,此时氧气溶解度升高,导致溶解氧浓度上升,与Niño3.4指数对比,IOD与溶解氧浓度的关联性较弱。
|
( 较大的点表示该点的相关系数已经通过90%置信水平的显著性检验。Larger points indicate that the correlation coefficient at that point has passed the significant test at 90% confidence level. ) 图 13 溶解氧浓度、海表温度与IOD指数时间序列之间的相关系数 Fig. 13 Correlation coefficients between DO concentration, SST and the IOD index time series |
本文基于2017—2024年的船载观测资料数据集、MURSST数据集、CCMP数据集、海洋水色三级与四级产品等数据,通过多元线性回归与Shapley值分解等方法,系统研究了中国沿海表层溶解氧浓度的季节-年际变化特征及影响因素,主要结论如下:
(1) 总体而言,中国沿海表层溶解氧浓度从北往南随纬度降低而减小,并存在显著的季节和年际变化。沿海表层溶解氧浓度的季节变化在渤海和黄海最为显著、东海次之、南海最弱,在不同区域的时间相位较为一致,春季最高、秋季次之、夏季最低。沿海表层溶解氧浓度的年际变化存在显著的空间差异,春季,渤海湾、辽东湾、黄海大部分海域与长江口南部海域的溶解氧浓度有较为显著的上升趋势,莱州湾、黄海北部与东海西南部海域的溶解氧浓度有较为显著的下降趋势;夏季,渤海湾南部、长江口东部与南海北部海域的溶解氧浓度有较为显著的上升趋势,渤海湾北部、山东半岛、黄海北部与长江口北部海域呈现一定的下降趋势;秋季,渤海湾、长江口与南海大部分海域的溶解氧浓度有一定的上升趋势,黄海北部、南部与东海大部分海域呈现一定的下降趋势;对于年平均数据,在渤海湾南部、辽东湾、长江口附近与南海大部分海域,溶解氧浓度有一定的上升趋势,在莱州湾、渤海湾北部、黄海北部、长江口北部与南部海域,年平均溶解氧浓度有一定的下降趋势。
(2) 对于季节变化,影响春季与夏季表层溶解氧浓度空间分布的关键因素为海表温度,秋季为海表温度与光合有效辐射。对于表层溶解氧浓度年际变化较大的海域,春季,在莱州湾与东海西南部;夏季,在渤海大部分海域、黄海北部与山东半岛附近海域;秋季,在渤海湾北部、大部分黄海、东海海域与南海北部海域。对于年平均数据,在莱州湾、渤海湾北部与黄海北部海域,厄尔尼诺-南方涛动模态与印度洋偶极子模态与溶解氧浓度的年际变化存在一定的关联性:当Niño3.4指数与IOD指数处于较强的正相位时,海表温度也处于较高状态,此时氧气溶解度降低,导致溶解氧浓度下降;当Niño3.4指数与IOD指数处于较强的负相位时,海表温度也处于较低状态,此时氧气溶解度升高,导致溶解氧浓度上升。与Niño3.4指数对比,IOD指数与溶解氧浓度的关联性较弱。
本文聚焦于中国沿海表层溶解氧浓度的季节-年际变化特征,通过多元线性回归与Shapley值分解等方法识别了影响表层溶解氧浓度空间分布特征与年际变化的主要环境要素,并对影响机制进行了分析,为分区、分类制定差异化的水质管理与生态保护策略提供了科学依据。然而,本研究主要基于表层数据与多元线性回归、Shapley值分解等统计分析方法,尚未深入探讨水体垂直交换过程对表层溶解氧变化的影响,且受数据时空分辨率限制,对小尺度区域过程的解析仍显不足,因此,后续研究可重点加强水体垂直过程的观测与机制分析,同时借助更高时空分辨率的数据与模型,深入解析小尺度的区域动力与生物地球化学过程。另外,由于本文所使用的船载观测资料数据集缺少冬季表层溶解氧浓度的观测数据,因此遗漏了冬季表层溶解氧浓度的分布特征以及与之相关的驱动机制,后续可通过其他数据源填补冬季数据空白,以揭示表层溶解氧浓度的完整季节变化特征及其驱动机制。
| [1] |
Middelburg J J, Levin L A. Coastal hypoxia and sediment biogeochemistry[J]. Biogeosciences, 2009, 6(7): 1273-1293. DOI:10.5194/bg-6-1273-2009 ( 0) |
| [2] |
Naqvi S W A, Bange H W, Farías L, et al. Marine hypoxia/anoxia as a source of CH4 and N2O[J]. Biogeosciences, 2010, 7(7): 2159-2190. DOI:10.5194/bg-7-2159-2010 ( 0) |
| [3] |
Rabalais N N, Diaz R J, Levin L A, et al. Dynamics and distribution of natural and human-caused hypoxia[J]. Biogeosciences, 2010, 7(2): 585-619. DOI:10.5194/bg-7-585-2010 ( 0) |
| [4] |
Rabalais N N, Cai W J, Carstensen J, et al. Eutrophication-driven deoxygenation in the coastal ocean[J]. Oceanography, 2014, 27(1): 172-183. DOI:10.5670/oceanog.2014.21 ( 0) |
| [5] |
Gray J S, Wu R S, Or Y Y. Effects of hypoxia and organic enrichment on the coastal marine environment[J]. Marine Ecology Progress Series, 2002, 238: 249-279. DOI:10.3354/meps238249 ( 0) |
| [6] |
Keeling R F, Körtzinger A, Gruber N. Ocean deoxygenation in a warming world[J]. Annual Review of Marine Science, 2010, 2: 199-229. DOI:10.1146/annurev.marine.010908.163855 ( 0) |
| [7] |
Stramma L, Johnson G C, Sprintall J, et al. Expanding oxygen-minimum zones in the tropical oceans[J]. Science, 2008, 320(5876): 655-658. DOI:10.1126/science.1153847 ( 0) |
| [8] |
Vaquer-Sunyer R, Duarte C M. Thresholds of hypoxia for marine biodiversity[J]. Proceedings of the National Academy of Sciences, 2008, 105(40): 15452-15457. DOI:10.1073/pnas.0803833105 ( 0) |
| [9] |
Zhang J Z, Gilbert D, Gooday A J, et al. Natural and human-induced hypoxia and consequences for coastal areas: Synthesis and future development[J]. Biogeosciences, 2010, 7(5): 1443-1467. DOI:10.5194/bg-7-1443-2010 ( 0) |
| [10] |
李志成, 魏皓, 张海彦, 等. 渤海夏季底层氧亏损分布的年际差异分析[J]. 海洋与湖沼, 2021, 52(3): 601-613. Li Z C, Wei H, Zhang H Y, et al. The interannual difference in summer bottom oxygen deficiency in Bohai Sea[J]. Oceanologia et Limnologia Sinica, 2021, 52(3): 601-613. ( 0) |
| [11] |
Chen Y Z, Zhai F G, Gu Y Z, et al. Seasonal variability in dissolved oxygen in the Bohai Sea, China[J]. Journal of Oceanology and Limnology, 2022, 40(1): 78-92. DOI:10.1007/s00343-021-0235-6 ( 0) |
| [12] |
李文彬, 刘子洲, 翟方国, 等. 渤海底层溶解氧的季节变化研究[J]. 海洋科学, 2024, 48(11): 56-69. Li W B, Liu Z Z, Zhai F G, et al. Seasonal variations in the bottom dissolved oxygen concentration in the Bohai Sea[J]. Marine Sciences, 2024, 48(11): 56-69. ( 0) |
| [13] |
Zhang H Y, Wei H, Zhao L, et al. Seasonal evolution and controlling factors of bottom oxygen depletion in the Bohai Sea[J]. Marine Pollution Bulletin, 2022, 174: 113199. DOI:10.1016/j.marpolbul.2021.113199 ( 0) |
| [14] |
Zhai W D, Zhao H D, Zheng N, et al. Coastal acidification in summer bottom oxygen-depleted waters in northwestern-northern Bohai Sea from June to August in 2011[J]. Chinese Science Bulletin, 2012, 57(9): 1062-1068. DOI:10.1007/s11434-011-4949-2 ( 0) |
| [15] |
Zhao H D, Kao S J, Zhai W D, et al. Effects of stratification, organic matter remineralization and bathymetry on summertime oxygen distribution in the Bohai Sea, China[J]. Continental Shelf Research, 2017, 134: 15-25. DOI:10.1016/j.csr.2016.12.004 ( 0) |
| [16] |
Zhai W D, Zhao H D, Su J L, et al. Emergence of summertime hypoxia and concurrent carbonate mineral suppression in the central Bohai Sea, China[J]. Journal of Geophysical Research: Biogeosciences, 2019, 124(9): 2768-2785. DOI:10.1029/2019JG005120 ( 0) |
| [17] |
Wei Q S, Wang B D, Yao Q Z, et al. Spatiotemporal variations in the summer hypoxia in the Bohai Sea (China) and controlling mechanisms[J]. Marine Pollution Bulletin, 2019, 138: 125-134. DOI:10.1016/j.marpolbul.2018.11.041 ( 0) |
| [18] |
Wang B D, Xin M, Wei Q S, et al. A historical overview of coastal eutrophication in the China Seas[J]. Marine Pollution Bulletin, 2018, 136: 394-400. DOI:10.1016/j.marpolbul.2018.09.044 ( 0) |
| [19] |
唐景荣, 韦钦胜, 赵宇航, 等. 2021年夏末秋初渤海和北黄海的溶解氧分布与低氧特征[J]. 海洋学报, 2025, 47(3): 13-26. Tang J R, Wei Q S, Zhao Y H, et al. Distributions of dissolved oxygen and hypoxic characteristics in the Bohai Sea and the northern Yellow Sea during the late summer-early autumn in 2021[J]. Acta Oceanologica Sinica, 2025, 47(3): 13-26. ( 0) |
| [20] |
刘鹏霞, 刘子洲, 翟方国, 等. 山东半岛东部近海海水溶解氧时空变化[J]. 海洋科学, 2021, 45(7): 66-80. Liu P X, Liu Z Z, Zhai F G, et al. Temporal-spatial variations in dissolved oxygen in the eastern coastal area of the Shandong Peninsula[J]. Marine Sciences, 2021, 45(7): 66-80. ( 0) |
| [21] |
刘春利, 葛长字, 张玉娟, 等. 黄海表层溶解氧时空分布特征[J]. 海洋环境科学, 2017, 36(2): 255-260. Liu C L, Ge C Z, Zhang Y J, et al. Spatial and temporal variations of surface dissolved oxygen in the Yellow Sea[J]. Marine Environmental Science, 2017, 36(2): 255-260. ( 0) |
| [22] |
Zhu Z Y, Wu H, Liu S M, et al. Hypoxia off the Changjiang (Yangtze River) estuary and in the adjacent East China Sea: Quantitative approaches to estimating the tidal impact and nutrient regeneration[J]. Marine Pollution Bulletin, 2017, 125(1-2): 103-114. DOI:10.1016/j.marpolbul.2017.07.029 ( 0) |
| [23] |
吴林妮. 南黄海-东海溶解氧和营养盐的时空格局及影响因素研究[D]. 青岛: 自然资源部第一海洋研究所, 2021. Wu L N. Spatiotemporal Patterns and Influencing Factors of Dissolved Oxygen and Nutrients in the South Yellow Sea and the East China Sea[D]. Qingdao: First Institute of Oceanography, Ministry of Natural Resources, 2021. ( 0) |
| [24] |
池连宝, 宋秀贤, 袁涌铨, 等. 夏、冬季黄东海溶解氧的分布特征研究[J]. 海洋与湖沼, 2017, 48(6): 1337-1345. Chi L B, Song X X, Yuan Y Q, et al. Distribution of dissolved oxygen in the Yellow Sea and East China Sea in summer and winter[J]. Oceanologia et Limnologia Sinica, 2017, 48(6): 1337-1345. ( 0) |
| [25] |
杨庆霄, 董娅婕, 蒋岳文, 等. 黄海和东海海域溶解氧的分布特征[J]. 海洋环境科学, 2001(3): 9-13. Yang Q X, Dong Y J, Jiang Y W, et al. Distribution feature of dissolved oxygen in Yellow Sea and East China Sea[J]. Marine Environmental Science, 2001(3): 9-13. ( 0) |
| [26] |
Zhao Y Y, Uthaipan K, Lu Z M, et al. Destruction and reinstatement of coastal hypoxia in the South China Sea off the Pearl River estuary[J]. Biogeosciences, 2021, 18(8): 2755-2775. DOI:10.5194/bg-18-2755-2021 ( 0) |
| [27] |
刘洋, 鲍献文, 吴德星. 南海溶解氧垂直结构的季节变化分析[J]. 中国海洋大学学报(自然科学版), 2011, 41(1/2): 25-32. Liu Y, Bao X W, Wu D X. Analysis of vertical structure and seasonal variation of the dissolved oxygen in the South China Sea[J]. Periodical of Ocean University of China, 2011, 41(1/2): 25-32. DOI:10.16441/j.cnki.hdxb.2011.z1.004 ( 0) |
| [28] |
石晓勇, 李鸿妹, 韩秀荣, 等. 夏季南海北部典型中尺度物理过程对营养盐及溶解氧分布特征的影响[J]. 环境科学学报, 2014, 34(3): 695-703. Shi X Y, Li H M, Han X R, et al. Influence of typical mesoscale oceanographical process on the distribution of nutrients and dissolved oxygen in the Northern part of South China Sea in summer[J]. Acta Scientiae Circumstantiae, 2014, 34(3): 695-703. ( 0) |
| [29] |
龙爱民, 陈绍勇, 周伟华, 等. 南海北部秋季营养盐、溶解氧、pH值和叶绿素a分布特征及相互关系[J]. 海洋通报, 2006(5): 9-16. Long A M, Chen S Y, Zhou W H, et al. Distribution of macro-nutrients, dissolved oxygen, pH and chl-a and their relationships in Northern South China Sea[J]. Marine Science Bulletin, 2006(5): 9-16. ( 0) |
| [30] |
杨阳, 马媛, 史华明. 南海北部坡折带溶解氧分布特征及理化环境因子影响[J]. 海洋学报(中文版), 2013, 35(1): 104-110. Yang Y, Ma Y, Shi H M. Characteristics of dissolved oxygen and its physical and chemistry influence factors in the slope break zone in northern South China Sea[J]. Acta Oceanologica Sinica, 2013, 35(1): 104-110. ( 0) |
| [31] |
刘洋. 南海次表层、中层水团结构及其运动学特征的研究[D]. 青岛: 中国海洋大学, 2010. Liu Y. Study on the Structures and the Kinetics Characteristics for the Subsurface and Intermediate Water Masses in the South China Sea[D]. Qingdao: Ocean University of China, 2010. ( 0) |
| [32] |
沈英. t检验和F检验在化学测试质控数据趋势分析中的应用[J]. 检验检疫学刊, 2019, 29(2): 105-107. Shen Y. The application of t-test and F-test in trend analysis of chemical test quality data[J]. Journal of Inspection and Quarantine, 2019, 29(2): 105-107. ( 0) |
| [33] |
Sundararajan M, Najmi A. The many Shapley values for model explanation[C]//Proceedings of the 37th International Conference on Machine Learning, Virtual Event, 2020: 9269-9278.
( 0) |
| [34] |
Zhai F G, Wu W F, Gu Y Z, et al. Interannual-decadal variation in satellite-derived surface chlorophyll-a concentration in the Bohai Sea over the past 16 years[J]. Journal of Marine Systems, 2021, 215: 103496. DOI:10.1016/j.jmarsys.2020.103496 ( 0) |
| [35] |
Song X K, Gu Y Z, Zhai F G, et al. Climatology and seasonal variability of satellite-derived chlorophyll a around the Shandong Peninsula[J]. Journal of Oceanology and Limnology, 2021, 39(4): 1222-1244. DOI:10.1007/s00343-020-0249-5 ( 0) |
| [36] |
Wang M, Guo J R, Song J, et al. The correlation between ENSO events and sea surface temperature anomaly in the Bohai Sea and Yellow Sea[J]. Regional Studies in Marine Science, 2020, 35: 101228. DOI:10.1016/j.rsma.2020.101228 ( 0) |
| [37] |
Zhang Y, Zhou W, Leung T Y M. Phase relationship between summer and winter monsoons over the South China Sea: Indian Ocean and ENSO forcing[J]. Climate Dynamics, 2019, 52(9-10): 5229-5248. DOI:10.1007/s00382-018-4440-8 ( 0) |
2026, Vol. 56



0)