2026, Vol. 56
2. 中国海洋大学环境科学与工程学院, 山东 青岛 266100
海洋悬浮颗粒物(Suspended particulate matter，SPM)是指在海洋中能够悬浮一段时间的固体颗粒物质，简称悬浮物。悬浮物具有吸附海洋中其他物质的能力，是输运海洋中污染物和陆源营养盐的重要载体[1]。如果海洋中存在大量的悬浮物，将会导致水体浑浊，削弱海水中的有效光合辐射，从而限制浮游植物的生长繁殖[2]。在近岸海域中，悬浮物的主要成分通常是悬浮泥沙，其在海水中的浓度及其分布对于河口三角洲的发育演变和海底地形地貌的长期变化具有显著影响[3]。因此，研究悬浮物浓度的变化规律对于理解海洋生态系统的动态平衡、评估海洋环境质量以及制定海洋资源管理策略具有重要的指导意义。
近年来，悬浮物浓度的长期变化趋势逐渐受到关注。然而，由于观测数据获取困难、时间连续性欠佳以及空间覆盖度有限，相关研究成果较为匮乏。卫星遥感技术作为一种大范围、连续监测的手段，具有高空间分辨率和长时间序列的优势，逐渐成为研究悬浮物浓度长期变化的重要工具。基于多年来的遥感数据积累，已经发现全球部分海域表层悬浮物浓度在数十年间出现各种变化趋势(上升或下降)[4-6]。近年来，受气候变化和人类活动的双重影响，全球海洋环境发生了显著变化，如海表面温度升高、海平面上升、风速变化和河流泥沙排放量减少等，这些变化都可能对悬浮物浓度的长期变化趋势产生影响。例如，基于2002—2014年的卫星遥感数据研究表明，美国科珀斯克里斯蒂湾悬浮物浓度的长期变化主要由风浪再悬浮作用驱动[7]；而在亚洲太平洋沿岸，由于上世纪后半叶以来大河入海输沙量的减少，近海悬浮物浓度整体呈现下降趋势[8]。以珠江为例，通过修筑堤坝、疏浚河道、建设水闸等人类活动，其入海水沙量显著减少，导致河口海域表层悬浮物浓度呈现长期下降的趋势[9-10]。
中国东部海是西北太平洋的重要边缘海，涵盖渤海、黄海和东海三个海区，拥有众多的河口、港湾和广阔的浅海陆架，并有长江(世界第三长河)和黄河(世界第五长河)流入，长江和黄河均是全球高输沙河流之一，使得中国东部海成为世界上悬浮物浓度最高的边缘海之一[11]。同时，中国东部海位于东亚季风区[12]，其水动力过程会受到季风的显著影响。近年来，随着人类活动加剧和全球气候变化增强，中国东部海的海洋环境面临着诸多变迁，如大型水利工程导致入海泥沙通量锐减[13]，气候变化引发的东亚季风强度波动加剧[14]，这些因素使得悬浮物浓度的时空变化规律呈现出复杂的演变特征。
在全球海洋悬浮物浓度长期变化的背景下，21世纪以来10余年间中国东部海不同区域的表层悬浮物浓度同样长期存在显著的变化特征。基于卫星遥感数据，渤海表层悬浮物浓度在2003—2014以每年2.79%的变化幅度显著下降[15]，长江口附近海域在2000—2010年的年下降速率可达到2.8 mg/L[16]。以往的研究表明，中国东部海的悬浮物浓度变化会受到河流入海水沙量和气象强迫的影响，但其变化趋势的主要驱动因素仍然缺乏具体清晰的结论。例如，Zhang等[17]认为黄河口附近海域悬浮物浓度在2000—2011年先上升后下降的变化趋势与黄河入海泥沙量在2003年后的锐减高度相关；Zhao等[18]则认为风速是导致渤海表层悬浮物浓度在2003—2016年下降的主要原因；而黄海胶州湾海域的悬浮物浓度变化很大程度上会受到波浪的控制[19]；长江口及其附近海域表层悬浮物浓度总体下降[20-21]可能是由长江入海水沙量长期持续的减少所导致。此外，Chen和Liu[11]对整个中国东部沿海地区在1997—2013年的后向散射系数(bb, 555)进行研究发现，其下降的变化趋势与全球海表面温度的变化显著相关。在以往的卫星遥感研究中，由于不同海域的水文条件存在差异，通常建立的参数化方案仅适用于所研究的海域范围，所以研究往往局限于局部海域，例如黄河三角洲、长江三角洲以及渤海等。而对于涉及大范围海域的研究，很多情况下直接采用遥感反射率来代替悬浮物浓度。因此，这些研究结果无法直接用于分析整个中国东部海在长时间尺度上的悬浮物浓度变化趋势，同时对于多环境因子协同作用下不同海域悬浮物浓度的长期变化特征仍然缺乏系统性认识。
基于此，本研究将适用于整个中国东部海的间接反演算法应用到近20年的卫星遥感长时间序列资料，即先将遥感反射率转换为后向散射系数，再转换为表层悬浮物浓度，最后进行缺测重构。该算法得到的2003—2023年中国东部海表层悬浮物浓度数据可以揭示中国东部海表层悬浮物浓度在长时间尺度上的时空分布特征和变化趋势，有效克服现有悬浮物浓度研究多聚焦于短时间尺度或局部海域过程的局限性。同时，在全球气候变化增强和人类活动加剧协同作用的背景下，本研究结合水文气象数据资料，厘清影响该海域悬浮物浓度变化规律的主要因素，以期为中国东部海和其他沿海地区制定应对气候变化和人类活动的合理措施提供参考。
1 研究区域、数据与方法 1.1 研究区域中国东部海位于亚欧大陆东部，是世界上最大的边缘海之一，地理经纬度范围为24°N—41°N、117°E—131°E。该海域从北向南依次为渤海、黄海和东海(见图 1)，这三个海域紧密相连，海水交换密切，同时与西北太平洋也存在复杂的水体交换，使得中国东部海水文环境复杂。
|
( (a)中国地图，审图号：GS(2016)1600号；(b)中国东部海地形图；(c)中国东部海环流分布。蓝色点代表水文站的位置；红色点代表气象站的位置；实线箭头表示冬季和夏季在相同方向上流动的环流；虚线箭头表示环流的冬季流向，夏季流向则相反。全文研究区域均取自全局图((a)图)黑框内，下文中省略全局图说明。(a) Map of China, censor code: No. GS (2016) 1600; (b) Bathymetric map of the China's eastern sea; (c) Circulation patterns in the China's eastern sea. Blue points indicate locations of hydrological stations; Red points indicate meteorological stations; Solid arrows indicate currents flowing in the same direction during both winter and summer; Dashed arrows show winter current directions. while the summer direction is opposite. All study regions are selected from the global map (Figure (a)) within the black box, and subsequent descriptions will omit explanations of the global map. ) 图 1 研究区域概况 Fig. 1 Overview of the study area |
汇入中国东部海的河流众多，包括长江、黄河、辽河和钱塘江等。其中，黄河是世界上输沙量第二大的河流[22]，其输送到渤海的泥沙占渤海总入海泥沙量的90%以上[23]。黄河年平均径流量为4.86×1010 m3，平均每年向渤海输入1.64×108 t泥沙，使渤海成为世界上悬浮物浓度最高的海域之一[24]。近年来，黄河入海水沙量受人类活动影响逐渐增大，导致黄河径流量和输沙量出现明显下降趋势。与20世纪50年代相比，2000—2010年，黄河的径流量和输沙量分别减少约70%和90%[25]。长江作为世界第三长河，平均每年向东海输送约9.25×1011 m3的淡水和5×108 t的泥沙。自2003年三峡大坝建成后，长江入海泥沙被大量拦截，下游输沙量锐减。根据中国水利部数据记载，2020年长江入海泥沙量降至约1.5×108 t/a，仅为历史均值的30%。
中国东部海位于东亚季风区，同时海域水深较浅，因此风浪是影响中国东部海悬浮物再悬浮的重要因素，特别是在近岸海域。冬季，中国东部海受较强的北向季风控制，平均风速可以达到5~10 m/s，而夏季盛行的南向季风较弱，平均风速一般为4~7 m/s[26]。冬季高能量的风浪会产生强烈的底部剪切应力，搅动已沉积的泥沙，使其重新悬浮于水体中，从而导致近岸区域的悬浮物浓度显著升高。
1.2 研究数据本研究使用的卫星遥感数据来自美国国家航空航天局(National Aeronautics and Space Administration, NASA)于2002年发射的搭载中等分辨率成像光谱仪(Moderate resolution imaging spectrometer, MODIS)的Aqua卫星，MODIS传感器能够以1~2 d的重访频率提供自2002年7月以来中国东部海的连续遥感观测数据。本研究中所下载的卫星原始数据为L1A级数据(数据来源：https://oceancolor.gsfc.nasa.gov/)，时间跨度为2003—2023年，共计下载超过25 000张卫星图像。
为验证卫星反演及插值重构结果的准确性，本研究基于2011—2012年春、冬两季前往黄、东海进行现场观测(973项目2011年春季航次、973项目2011年冬季航次)2022年春、冬两季前往渤、黄海进行现场观测(NORC2022-01)，2023年春季前往渤、黄海进行现场观测(NORC2023-01)，通过水样抽滤法现场观测，共计获得418个中国东部海不同季节的SPM实测值。
本研究使用了中国东部海沿岸共18个气象站在2003—2023年的风速观测数据(见图 1)，数据来源于美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)下设的国家环境信息中心(National Center for Environmental Information, NCEI)(https://www.ncei.noaa.gov/)，这些气象站包括营口站、乐亭站和潍坊站等。黄河与长江的月均径流量和月均输沙量数据均来自《中国河流泥沙公报》，其中黄河水沙量由利津水文站测量，利津站距离黄河入海口约104 km；长江水沙量由大通水文站测量，大通站距离长江入海口约624 km，可以将其测量值视为河流入海水沙量。
1.3 研究方法MODIS卫星图像采用NASA开发的海洋水色处理软件SeaDAS(SeaWiFS Data Analysis System，version 8.1.0)进行预处理(如大气校正、海冰去除)。本研究使用的大气校正算法为NIR-SWIR算法，该算法结合了标准的近红外(Near-infrared，NIR)方法和适用于处理浑浊水体的短波红外SWIR(Shortwave infrared)方法[27]，目前已广泛应用于全球海洋水色遥感数据的处理中[28]。NIR-SWIR算法不仅与近年来新提出的大气校正方法在浅海的反演结果相近[29]，并且在处理中国东部海沿岸的浑浊水体时有较好的效果[30]。卫星遥感数据经过预处理后，可以得到各个波段的遥感反射率(Remote sensing reflectance，RRS)，之后利用QAA-RGR(Quasi-analytical-red-green-bands-ratio algorithm)算法，将中国东部海的RRS转换为后向散射系数(bb, 532)，该算法是基于准分析(Quasi-analytical algorithm，QAA)算法并结合中国东部海原位观测数据构建的[31]，适用于大范围、海色性质差异较大的海域。最后，结合胡静雯等[32]和翟世奎等[33]提出的中国东部海后向散射系数、浊度与悬浮物浓度之间的相关关系，将后向散射系数先转换为浊度，再转换为表层悬浮物浓度。具体算法如下：
| $ r_{\mathrm{rs}, 555}=R_{\mathrm{RS}, 555} /\left(0.52+1.7 R_{\mathrm{RS}, 555}\right), $ | (1) |
| $ \begin{gathered} u_{555}=\frac{\left[-g_0+\left(g_0^2+4 g_1 r_{\mathrm{rs}, 555}\right)^{\frac{1}{2}}\right]}{2 g_1}, \\ g_0=0.089, g_1=0.125, \end{gathered} $ | (2) |
| $ a_{555}=0.0596+0.52\left(R_{\mathrm{RS}, 645} / R_{\mathrm{RS}, 555}\right)^{1.423}-0.047, $ | (3) |
| $ b_{\mathrm{b}, 555}=u_{555} a_{555} /\left(1-u_{555}\right), $ | (4) |
| $ Y=\left\{\begin{array}{l} 0.8687\left(\lg b_{\mathrm{b}, 555}\right)^2+1.445 \lg b_{\mathrm{b}, 555}+0.6057, \\ b_{\mathrm{b}, 555} \leqslant 0.03 \\ 0.4, b_{\mathrm{b}, 555}>0.03 \end{array}, \right. $ | (5) |
| $ b_{\mathrm{b}, \lambda}=b_{\mathrm{b}, 555}(555 / \lambda)^{Y}, $ | (6) |
| $ T_{\mathrm{u}}=111.35 b_{1, 033 \mathrm{~b}, 532}, $ | (7) |
| $ \lg C_{\mathrm{SPM}}=0.977 \lg T_{\mathrm{u}}+0.153 。$ | (8) |
式中: RRS, 555和RRS, 645代表从卫星数据中获得的555 nm和645 nm波段的遥感反射率；rrs，555、b555、u555、a555分别代表地表以下555 mm波段的遥感反射率、后向散射系数、后向散射系数与吸收和后向散射系数之和的比值、吸收系数；Y为粒子后向散射系数的光谱功率；g0和g1是经验参数；Tu为浊度；CSPM为本研究最终使用的中国东部海表层悬浮物浓度值。
基于上述MODIS卫星反演算法进行反演，得到了2003—2023年中国东部海SPM月平均时间序列。如图 2所示，在中国东部海的大部分海域，SPM月平均序列在2003—2023年每个网格点的有效观测数比例超过90%，但渤海与黄、东海区域之间以及黄、东海沿岸与外海区域之间都存在有效观测数的差异，最大差异约20%。这种差异会对研究中国东部SPM的变化规律产生影响，因此本研究采用经验正交函数数据插值(Data interpolation empirical orthogonal functions，DINEOF)方法进行插值，用于填补中国东部SPM月平均数据中的缺测值。DINEOF方法是一种无参数、自适应的海洋学缺失数据重构技术。在相似的重构误差水平下，DINEOF方法的计算速度相较于最优插值方法快约30倍，并且重构结果与现场观测数据具有良好的一致性[34]。因此，目前DINEOF方法已经广泛应用于水色卫星遥感产品的缺失数据填补中，如叶绿素a、悬浮物浓度等[35-36]。DINEOF算法具体运算步骤如下：
|
( (a)DINEOF插值前；(b)DINEOF插值后。(a) Before DINEOF interpolation; (b) After DINEOF interpolation. ) 图 2 中国东部海月平均SPM有效数据百分比的空间分布 Fig. 2 Spatial distribution of the percentage of valid data for monthly mean SPM in the China's eastern sea |
(1) 在中国东部海表层悬浮物浓度的原始矩阵中，舍弃有效数据百分比小于10%的空间点。之后将待重构的中国东部海表层悬浮物浓度定义为初始矩阵 Xm×n，0，其中m是空间维度，n是时间维度，初始矩阵中的缺测值被初始化为0。
(2) 求 Xm×n, 0每个空间点在时间维度的平均值，得到平均值矩阵 AVE, m×1。再令Xm×n, 0减去 AVE, m×1得到矩阵Xm×n，简写为矩阵X。之后随机取出矩阵X中有效数据的1%作为交叉校正矩阵 Y。
(3)对矩阵X进行奇异值分解，分解出空间特征模态、奇异值矩阵和时间特征模态，然后用通过分解获得的模态值替换缺测数据，并计算出本次重构的均方根误差：
| $ \boldsymbol{X}_{i, j}=\sum\limits_{k=1}^p S_k\left(U_k\right)_i\left(V_k^{\mathrm{T}}\right)_j, $ | (9) |
| $ R=\sqrt{\frac{1}{n} \sum\limits_{k=1}^n\left(X_k-Y_k\right)}。$ | (10) |
式中：i和j分别为缺测数据的空间和时间索引；p为模态个数，本文中设为50；Uk和Vk分别为第k个模态的空间和时间函数，Sk是对应的奇异值；R为均方根误差；n为交叉校正矩阵 Y中的数据个数。
(4) 将收敛阈值设为10-10，对矩阵 X不断重复第(3)步直至R收敛，并保留模态数p∈N+，取R最小值对应的模态数p，记为最优模态数。用最优模态数对缺测数据进行重构并加上AVE, m×1，从而获得最终的重构矩阵 X。
由图 2(a)DINEOF插值和图 2(b)插值后的对比情况可以看出，插值后的SPM有效数据均超过97%，说明DINEOF插值方法提高了有效数据的覆盖度。从空间分布来看，图 3展示了中国东部海SPM卫星反演重构数据(见图 3(c)和图 3(f))与现场观测数据(见图 3(a)和图 3(d)) 和卫星反演原始数据(见图 3(b)和图 3(e))之间的对比结果，以2011年为例，卫星反演数据与现场观测数据在空间分布上具有较高的一致性，表明本文中的卫星遥感反演方法能够有效地捕捉到现场观测中的高值区域。而缺测区域主要集中在低浓度区域，因此完成重构后的中国东部海SPM与原始SPM相比，空间分布上更加完整。除了黄河口和长江口附近部分海域因水动力过程复杂而仍存在少量数据缺失外，重构方法成功填补了绝大部分缺测区域。DINEOF插值方法在保持SPM卫星反演数据整体变化特征(特别是受关注的近岸高浓度区域)的基础上，显著提升了数据的空间覆盖度。
|
( (a)春季观测值；(b)春季DINEOF插值前；(c)春季DINEOF插值后；(d)冬季观测值；(e)冬季DINEOF插值前；(f)冬季DINEOF插值后。(a) Observed values in spring; (b) Before DINEOF interpolation in spring; (c) After DINEOF interpolation in spring; (d) Observed values in winter; (e) Before DINEOF interpolation in winter; (f) After DINEOF interpolation in winter. ) 图 3 2011年中国东部海SPM空间分布图 Fig. 3 Spatial distributions of SPM in the China′s eastern sea in 2011 |
本研究通过卫星反演结果与现场观测结果的对比检验(见图 4(a))发现，相关系数R2和均方根误差(Root mean squared error，RMSE)VRMSE分别为0.93和2.56 mg/L，显著的相关性和较低的误差值表明，经过卫星反演的中国东部海月平均SPM具有可靠性。而经过DEINEOF插值重构后的结果与卫星反演结果相比，散点距离标准斜线的分布更为集中，离散程度显著降低，这表明插值处理有效提升了反演精度，使结果偏差进一步减小。同时，插值后的相关系数R2提升至0.96，均方根误差降低至1.69 mg/L(见图 4(b))。这些结果说明，插值结果在反演结果的基础上与观测结果之间具有更强的相关性和更低的误差值，空间分布也更加完整，可以更加准确地量化中国东部海SPM的长期变化规律。
|
( (a)现场观测航次计划站点；(b)SPM的现场观测值与卫星反演值的对比；(c)SPM的现场观测值与DINEOF重构值的对比。橘色点为黄东海航次计划站点；蓝色为渤黄海航次计划站点；颜色条为数据点的密度，值越高代表该区域内数据点越密集。(a) Planned stations for in-situ observation cruises; (b) Comparison between in-situ observed values and satellite-retrieved values of SPM; (c) Comparison between in-situ observed values and DINEOF-reconstructed values of SPM. Orange points indicate the Yellow Sea and East China Sea cruise stations; Blue points indicate the Bohai Sea and Yellow Sea cruise stations; Colorbar shows point density, with higher values reflecting a larger number of points in the region. ) 图 4 卫星反演结果与DINEOF重构结果验证 Fig. 4 Validation of satellite-retrieved values and DINEOF-reconstructed values |
本研究采用一种非参数统计方法—Mann-Kendall(M-K)趋势检验，可以有效地判别中国东部海表层悬浮物浓度、风速和河流水沙量是处于自然波动还是具有显著上升或下降的变化趋势。对于时间序列变量x1，x2，……，xn，该方法利用了Kendall[37]和Mann[38]提出的算法计算其统计变量Z。Z>0表示时间序列为上升的趋势，反之为下降的趋势。|Z|≥1.96表示时间序列上升或下降的变化趋势通过了显著性检验。
2 结果本研究基于2003—2023年经MODIS卫星遥感数据反演和DINEOF插值法重构后的月平均SPM长时间序列数据，探讨整个中国东部海SPM的长期变化趋势。
根据水深数据(见图 5(a))将中国东部海划分为沿岸区域和外海区域。根据之前研究确立的标准[39]，超过50 m水深的区域在本研究中被称为“外海区域”，而深度小于50 m的区域在本研究中被称为“沿岸区域”。通过对中国东部海在这20年间的SPM进行多年平均处理(见图 5(b))，以反映中国东部海SPM的平均分布状态。从空间上看，SPM总体呈现从沿岸到外海逐渐降低的分布趋势，且随着水深的增加，SPM逐渐变小。具体而言，高SPM区域(>40 mg/L)主要分布在沿岸海域，包括渤海的三个海湾，黄海的山东半岛沿岸和苏北浅滩以及东海的长江口、杭州湾和浙闽沿岸等区域；而渤海中央海盆(＜10 mg/L)、黄海中部以及东海外海(＜5 mg/L)等区域的SPM则常年处于较低水平。
|
( (a)中国东部海地形图；(b)MODIS卫星遥感数据反演的2003—2023年中国东部海多年平均SPM。(a) Bathymetric map of the China's eastern sea; (b) Multi-year mean SPM in the China's eastern sea retrieved from MODIS satellite remote sensing data during 2003—2023. ) 图 5 中国东部海地形和SPM空间分布 Fig. 5 Bathymetry and spatial distribution of SPM in the China's eastern sea |
本研究通过对整个中国东部海区域的月平均SPM时间序列进行逐年平均分析，以量化中国东部海SPM在近20年间的总体变化趋势。图 6展示了2003—2023年中国东部海SPM的月平均时间序列(蓝线)和年平均时间序列(红线)。从图 6中可以看出，其浓度在长期时间尺度上呈现出一定的变化规律。具体而言，月平均SPM呈现出明显的季节性波动，在这20年间的平均值为9.0 mg/L，而每年的浓度变化范围为3~15 mg/L，同时其波动振幅有减小的趋势。年平均SPM的变化趋势相比于月平均变化趋势较为平滑，但仍显示出一定的波动性。通过进一步对年平均中国东部海SPM的长期变化趋势进行线性回归分析可以看出，其呈现出长期下降的趋势，年均降幅为0.1 mg/L。这意味着在过去的20年中，SPM总体下降了约21.3%。
|
图 6 2003—2023年期间中国东部海月平均和年平均SPM时间序列 Fig. 6 Time series of monthly mean SPM and annual mean SPM in the China′s eastern sea from 2003 to 2023 |
以2003、2013和2023年为例，中国东部海年平均SPM的空间分布如图 7(a1)—(a3)所示。2003年，莱州湾西部、苏北浅滩、长江口以及杭州湾部分区域的SPM超过了60 mg/L，而渤海湾、辽东湾北部及黄东海沿岸大部分区域的SPM也普遍高于40 mg/L。然而，在随后的十几年间，渤海高SPM区域(>40 mg/L)的面积不断收缩，到2023年已经缩减至黄河口附近区域。同时，黄东海沿岸的高SPM区域范围整体上也呈现出减少趋势。此外，通过分析高SPM区域在2003—2023年的面积变化(见图 7(b1))及平均浓度值变化(见图 7(b2))可以发现，高SPM区域范围在各年份间存在波动现象，其中2011—2013年高SPM区域面积有所增加，之后各年份高SPM区域面积逐渐减少。
|
( 2003年(a1)、2013年(a2)和2023年(a3) 中国东部海年平均SPM空间分布。中国东部海高SPM区域的面积(b1)和平均浓度值(b2)。(a) The spatial distribution of annual mean SPM in the China's eastern sea in 2003(a1), 2013(a2)and 2023(a3). Occupied areas (b1) and mean concentration (b2) of high SPM areas in the China's eastern sea. ) 图 7 中国东部海高SPM区域空间分布及浓度变化 Fig. 7 Spatial distribution and concentration variation of high SPM areas in the China's eastern sea |
为验证上述海域变化趋势的显著性及量化其变化趋势的幅度，对中国东部海每个网格点SPM的时间序列进行了M-K趋势分析(见图 8(a))，结果表明，渤海的三个海湾沿岸区域、北黄海沿岸区域、南黄海中部区域、苏北浅滩以及长江口地区的SPM均呈显著下降趋势(Z＜-1.96)，而山东半岛南岸和浙闽沿岸的SPM呈显著上升趋势(Z>1.96)。之后进一步对每个网格点的SPM进行线性回归分析，得到了2003—2023年中国东部海SPM年变化量(见图 8(b))和年变化百分率(见图 8(c))。中国东部海SPM下降幅度最大的区域位于渤海湾和莱州湾，年均降幅和年均下降百分比分别为1.6 mg/L和1.0%。而辽东湾、苏北浅滩和长江口的下降也比较明显，年均降幅大于0.6 mg/L，年变化百分率大于0.4%。此外，山东半岛西南岸和浙闽沿岸有长期上升的趋势，SPM年均上升幅度为0.1~0.4mg/L，年增长率为0.4%~0.8%。而黄海中部地区以及东海外海区域的SPM年变化值较小，这表明这些区域的长期变化趋势较弱。
|
( (a)年平均SPM的M-K趋势检验；(b)SPM的年变化值；(c)SPM的变化百分比。(a) M-K trend test results of annual mean SPM; (b) Annual SPM variation; (c) Percentage of SPM variation. ) 图 8 中国东部海年平均SPM长期变化的空间分布 Fig. 8 Spatial distribution of long-term variation in annual mean SPM in the China's eastern sea |
从上述分析可知，中国东部海SPM整体呈现出下降的长期变化趋势，但这一变化趋势并不是单调递减的，而是伴随着一定的年际波动。基于此，本研究进一步对中国东部海SPM进行了年际变化分析，结果如图 9所示。从图 9中可以看出，SPM在2003—2023年经历了较为剧烈的年际变化，年变化率范围为-7.5%~5.0%，并存在波动现象。
|
( 蓝色线表示年际升降变化；红色柱表示年际升降百分比。The blue line indicates interannual variation; The red bars indicate percentage of interannual variation. ) 图 9 中国东部海SPM年际变化 Fig. 9 Interannual variation of SPM in the China′s eastern sea |
中国东部海SPM的长期变化趋势在沿岸区域表现得尤为显著，这些区域主要包括渤海、山东半岛沿岸、苏北浅滩沿岸、长江口、杭州湾以及浙闽沿岸等(见图 8)。由于中国东部海沿岸区域水深较浅，风浪作用可以直达海底，因此风浪是海洋沉积物侵蚀和再悬浮的重要动力机制[40-41]。鉴于此，本研究利用中国东部海沿岸18个气象站观测的年平均风速数据，深入探讨风速对沿岸海域SPM长期变化的影响。
图 10展示了2003—2023年期间中国东部海沿岸气象站观测的风速年平均异常时间序列，结果表明风速的长期变化趋势存在显著的区域差异。具体而言，潍坊站、龙口站和滨海站等13个气象站点(见图 10(a1))在2003—2023年的年平均风速呈现下降趋势(Z＜-1.96)，年变化值为0.1 m/s；而黄海沿岸的赣榆站、东海沿岸的平潭站和福鼎站的年均风速(见图 10(a2))在这20年间呈上升趋势(Z>1.96)，平均每年上升0.02~0.07 m/s；其他2个站点(见图 10(a3))的风速在这20年间不存在显著的长期变化趋势(|Z|＜1.96)。
|
( 红色点代表站点风速显著减弱；绿色点代表站点风速显著增强；黄色点代表站点风速没有显著变化。The red points indicate a significant decreasing trend in wind speed at the stations; The green points indicate a significant increasing trend in wind speed; The yellow points indicate a nonsignificant change trend. ) 图 10 2003—2023年的年平均风速异常时间序列(a1)—(a3)及其在中国东部海沿岸18个气象站位置(b) Fig. 10 Annual mean wind speed anomaly time series from 2003 to 2023 (a1)—(a3) and their positions of 18 meteorological stations along the eastern coast of China(b) |
为进一步研究风速对沿岸海域SPM的影响，图 11展示了中国东部海沿岸16个具有长期变化趋势的气象站测得的年平均风速，并将气象站周围50 km海域范围定义为“邻近海域”。通过与中国东部海邻近海域表层悬浮物浓度的年变化量进行对比分析发现，对于风速显著减弱的气象站(见图 10(b)红点)，附近海域SPM也处于长期下降的趋势，例如潍坊站、滨海站和营口站的风速分别下降了41.29%、30.37%和38.14%，其邻近海域SPM也有明显的下降趋势，分别下降了64.66%、45.85%和31.80%。其余大部分站点风速下降了10%以上，这些站点附近区域SPM也都下降10%以上，并有很好的对应关系。对于赣榆站、平潭站和福鼎站等风速显著增强的站点(见图 10(b)绿点)，风速分别上升了13.05%、6.02%和1.40%，其附近海域SPM也处于上升的趋势，分别上升了12.65%、7.62%和0.98%。而对于风速没有显著变化的站点(见图 10(b)黄点)，其邻近海域SPM的年变化值较小或基本没有变化。这些结果表明，中国东部海沿岸海域风速在近20年间大部分呈现出显著下降的趋势，部分呈现出显著的上升趋势，而风速的长期变化趋势会驱动其邻近海域SPM相应的降低或升高。
|
图 11 2003—2023年中国东部海沿岸16个气象站测得的年平均风速数据与邻近海域年平均SPM的时间序列对比 Fig. 11 Comparison of time series between annual mean wind speed measured at 16 stations along the coast of the China's eastern sea and annual mean SPM in the nearby sea area from 2003 to 2023 |
此外，从中国东部海沿岸16个气象站测得的风速变化幅度与邻近海域SPM变化幅度的拟合关系(见图 12)可以看出，风速变化与SPM变化之间显著正相关(r=0.91，p＜0.05)。以上这些结果表明，中国东部海沿岸海域风速在2003—2023年整体上呈现出显著的下降趋势，而风速降低是导致中国东部海SPM在这20年间锐减的关键调控因素。风速的减小使得海洋表面的波浪能量减弱，进而减弱了对海底沉积物的扰动和再悬浮作用，同时也不利于悬浮物在水体中的混合与输运，从而使得表层悬浮物浓度出现明显的下降趋势。
|
图 12 中国东部海沿岸16个气象站观测的风速变化幅度与邻近海域SPM变化幅度的拟合关系 Fig. 12 The fitting relationship between the wind speed variation range measured at 16 stations along the cost of the China's eastern sea and the SPM variation in the nearby sea area range |
中国东部海区域有多条河流汇入，其中黄河和长江作为两条主要河流，其径流量分别约占中国东部海河流径流量总输入的4%和80%，输沙量则分别约占65%和30%[42]，因此黄河和长江的入海泥沙是中国东部海悬浮物的重要来源。鉴于此，本研究着重探讨黄河和长江对中国东部海SPM长期变化的影响。
在2003年至2023年期间，黄河径流量与输沙量呈现出不同的变化趋势(见图 13)，总体上黄河径流量呈现上升的变化趋势，而黄河输沙量则表现出先下降后上升的变化趋势。具体而言，在2003—2017年，黄河输沙量显著减少；而在此后的几年中，黄河输沙量急剧上升，其中2020年的输沙量达到自2003年以来的最高值，但利津站当年的输沙量也仅为2005年以前年平均输沙量的40%。与黄河径流量和输沙量的变化情况相比，莱州湾SPM年平均变化整体呈现下降趋势。相关性分析结果表明，莱州湾SPM与黄河径流量和输沙量的相关系数分别为-0.50和0.17，这表明在长期变化的时间尺度上，黄河入海水、沙量与莱州湾SPM之间并不存在显著的相关性。
|
( 黑色线、橘/绿/蓝色线和虚线分别表示相关变量的月平均数据、年平均数据和长期变化趋势。The black lines indicate monthly mean data, the orange line, the green line and the blue line all indicate annual mean data, the dashed line indicates long-term trend. ) 图 13 2003—2023年黄河径流量(a)、输沙量(b)和莱州湾SPM(c)的时间序列 Fig. 13 Time series of Yellow River runoff (a), sediment transport (b), and SPM in Laizhou Bay (c) from 2003 to 2023 |
为进一步探究黄河入海泥沙对邻近海域SPM的影响，本文对黄河口附近5、10、15和20 km范围内海域的逐月SPM进行对比分析，结果如图 14所示。黄河口附近5 km海域内的平均SPM为66.05 mg/L，明显高于黄河口附近10 km(55.31 mg/L)、15 km (49.29 mg/L)和20 km(47.50 mg/L)范围内海域的平均SPM。这种空间差异在黄河入海水沙量较大的洪季(5—10月)尤为显著：黄河口附近5 km海域内平均SPM达到51.21 mg/L，而其他三个距离范围内海域的平均SPM分别降至38.28、30.76和28.67 mg/L。这表明随着到黄河口距离的增加，SPM逐渐降低，而当与黄河口之间的距离超过15 km后，SPM空间下降幅度趋于平缓。上述现象表明，黄河输沙量对黄河口附近海域SPM存在一定的影响，但这种影响相对有限，基本局限在河口附近约15 km区域内。自黄河调水调沙工程实施以来，黄河的大部分入海泥沙是通过冲刷小浪底水库和下游河床获得的，这导致粗颗粒泥沙比例增加[23, 43]。因此黄河的水沙注入渤海后，大部分泥沙会在河口附近15 km范围内迅速沉降[18, 44]，然后成为海底沉积物，之后通过风、浪、流等动力过程参与海水中泥沙的再分配。而莱州湾作为水深小于15 m的浅水区域，SPM变化主要受海水中动力条件的调控，如波浪、环流等。因此，黄河入海泥沙量对莱州湾及整个渤海海域的SPM变化趋势几乎没有直接影响。
|
图 14 黄河口附近5 km(a)、10 km(b)、15 km(c)和20 km(d)海域内逐月SPM Fig. 14 Variation of monthly mean SPM in the 5 km (a), 10 km (b), 15 km (c) and 20 km (d) sea areas of the Yellow River |
在长江口，径流输入带来大量的悬浮泥沙，并且长江中的泥沙流经长江口最终注入东海。图 15展示了2003—2023年长江年平均径流量、输沙量和长江口附近海域年平均SPM的时间序列对比，结果表明长江径流量在2003—2023年的平均值为867.36×108 t，并在这20年间围绕平均值上下波动，整体变化幅度不大。但长江输沙量表现出显著的长期减少趋势，其下降趋势线的斜率为-0.42。具体来说，2003—2006年长江输沙量出现了急剧下降，下降趋势线的斜率高达-2.95，这主要归因于在这期间三峡大坝工程进行了大量的蓄水运行[45]。在随后的2007—2015年，长江输沙量平均值维持在12.78×106 t左右，为2003—2006年平均值的78.2%。在2016年之后的8年，长江输沙量再次出现急剧下降，下降趋势线的斜率达到-1.35。值得注意的是，2020年受流域内特大洪水的影响，输沙量达到16.40×106 t，相比于2019年增长56.2%。这些现象表明，人类活动(如流域工程建设)与自然因素共同影响了长江入海输沙量的变化。与此同时，长江口附近海域SPM也呈现出长期下降趋势，其年降幅为0.95 mg/L，并且与长江输沙量显著正相关(r=0.64，p＜0.05)，这表明河流泥沙排放对长江口附近海域SPM具有显著影响。另外，长江口附近海域SPM在2016年左右显示出显著的下降趋势，下降幅度由前14年间的0.84 mg·L-1·a-1增加至1.29 mg·L-1·a-1，这一变化可能是与三峡大坝运行后不断累积的影响有关[21]。
|
( 虚线表示相关变量的长期变化趋势。The dashed lines indicate the long-term variation trends. ) 图 15 2003—2023年长江年平均径流量(a)、输沙量(b)和长江口年平均SPM时间序列(c) Fig. 15 Time series of annual mean runoff (a), sediment (b) discharge of Yangtze River and SPM in the Yangtze Estuary (c) from 2003 to 2023 |
图 16展示了长江口附近海域年平均SPM和长江年均输沙量的相关系数空间分布图，不同区域的SPM与河流泥沙排放量之间的相关性反映出不同的主控因素。在长江口内，SPM与长江输沙量之间有显著的相关性(r>0.8，p＜0.05)，这表明长江口内SPM主要受河流排放泥沙控制。在长江口外附近海域，SPM年际变化的影响因素以122.3°E为分界线，分界线以西海域SPM年际变化明显，与长江年均输沙量的相关系数比较高(r>0.6，p＜0.05)，表明该海域SPM年际变化仍然主要受长江入海水沙量年际变化的控制，但影响程度比长江口内小，可能与该海域是长江径流与潮流的交汇处有关。而长江口外122.3°E以东海域的SPM年际变化几乎不受长江入海泥沙的影响，更多地与风浪将海洋沉积物重新悬浮有关，主要是因为长江入海泥沙大部分在长江口沿岸沉积，导致能够输送到122.3°E以东海域的悬浮物较少。
|
图 16 2003—2023年长江口附近海域年平均SPM和长江年平均输沙量相关系数的空间分布 Fig. 16 Spatial distribution maps of the correlation coefficients between SPM in the waters near the Yangtze River Estuary and the sediment discharge of the Yangtze River from 2003 to 2023 |
通过对上述内容的深入分析可以得出，河流入海泥沙量的变化对中国东部海SPM长期变化的影响相对有限，其影响范围主要集中在河口区域。而造成长江径流影响范围远大于黄河径流的主要原因是长江径流量约是黄河的20倍，长江的大量径流入海后，与海水发生混合并产生向外冲溢的现象，从而形成“长江冲淡水[46-47]”，对黄海和东海的水文环境产生重要影响。
4 结论与展望本研究基于2003—2023年MODIS卫星遥感数据反演并插值重构了中国东部海SPM，揭示了其长期变化趋势，并据此分析了其变化规律的影响机制。主要结论如下：
(1) 中国东部海SPM的长期变化呈现整体下降的趋势，并且高SPM区域的总面积和平均值都有所下降。从空间角度来看，在沿岸海域中，渤海的三个海湾、苏北浅滩沿岸、长江口和杭州湾的SPM有显著下降的趋势，而山东半岛西南岸和浙闽沿岸的SPM有显著上升的趋势。外海的SPM常年较低，没有明显的长期变化特征。同时中国东部海SPM变化存在周期为2~3 a的波动现象，并且在2003—2023年经历了缓慢下降、平缓、显著下降三个阶段。
(2) 风速变化是影响2003—2023年中国东部海沿岸海域SPM长期变化趋势的主要驱动因素。具体而言，渤海三个海湾、苏北浅滩沿岸、长江口及杭州湾等区域的风速呈现显著下降趋势，导致其邻近海域SPM同步降低；而山东半岛西南岸及浙闽沿岸区域的风速呈上升趋势，相应海域SPM也随之增加。相比之下，黄河与长江入海水沙量对沿岸海域SPM长期变化趋势的影响并不显著，其作用范围主要局限于河口区域。
由于卫星遥感反演技术仅能获取表层SPM，本研究主要聚焦于中国东部海表层SPM的长期变化趋势及其影响机制。在探讨SPM长期变化的影响因素方面，除在气候变化增强和人类活动加剧的背景下存在长期显著变化的风速和河流入海泥沙量之外，海洋层结和环流等在SPM季节变化中发挥驱动作用的环境因素也可能会对SPM长期变化产生影响。然而，目前没有研究表明中国东部海层结在近20年的长时间尺度上存在明显的长期变化趋势，并且本研究计算混合层深度与SPM之间的相关性仅为-0.13，表明海洋层结对SPM长期变化的影响并不显著，因此并未对层结展开分析。而环流的变异本身较为复杂，本研究基于数据分析的研究方法难以全面涵盖。因此，未来研究可以结合数值模拟方法，进一步探究海洋中悬浮物在多种环境因子作用下的具体动力过程，从而更深入地揭示气候变化和人类活动对中国东部海SPM的影响机制，为中国东部海及其他沿海地区制定适应全球气候变化和人类活动加剧的合理措施提供科学依据。
| [1] |
Torregroza-Espinosa A C, Restrepo J C, Escobar J, et al. Nutrient inputs and net ecosystem productivity in the mouth of the Magdalena River, Colombia[J]. Estuarine, Coastal and Shelf Science, 2020, 243: 106899. DOI:10.1016/j.ecss.2020.106899 (  0) |
| [2] |
Tett P B, Joint I R, Purdie D A, et al. Biological consequences of tidal stirring gradients in the North Sea[J]. Philosophical Transactions of the Royal Society of London. Series A: Physical and Engineering Sciences, 1997, 343(1669): 493-508. ( 0) |
| [3] |
Mertes L A K, Smith M O, Adams J B. Estimating suspended sediment concentrations in surface waters of the Amazon River wetlands from Landsat images[J]. Remote Sensing of Environment, 1993, 43(3): 281-301. DOI:10.1016/0034-4257(93)90071-5 ( 0) |
| [4] |
Volpe V, Silvestri S, Marani M. Remote sensing retrieval of suspended sediment concentration in shallow waters[J]. Remote Sensing of Environment, 2011, 115(1): 44-54. DOI:10.1016/j.rse.2010.07.013 ( 0) |
| [5] |
Qiao L, Liu S, Xue W, et al. Spatiotemporal variations in suspended sediments over the inner shelf of the East China Sea with the effect of oceanic fronts[J]. Estuarine, Coastal and Shelf Science, 2020, 234: 106600. DOI:10.1016/j.ecss.2020.106600 ( 0) |
| [6] |
Wei J, Wang M, Jiang L, et al. Global estimation of suspended particulate matter from satellite ocean color imagery[J]. Journal of Geophysical Research: Oceans, 2021, 126(8): e2021JC017303. DOI:10.1029/2021JC017303 ( 0) |
| [7] |
Reisinger A, Gibeaut J C, Tissot P E. Estuarine suspended sediment dynamics: Observations derived from over a decade of satellite data[J]. Frontiers in Marine Science, 2017, 4: 233-239. DOI:10.3389/fmars.2017.00233 ( 0) |
| [8] |
Loisel H, Mangin A, Vantrepotte V, et al. Variability of suspended particulate matter concentration in coastal waters under the Mekong's influence from ocean color (MERIS) remote sensing over the last decade[J]. Remote Sensing of Environment, 2014, 150: 218-230. DOI:10.1016/j.rse.2014.05.006 ( 0) |
| [9] |
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 of the Total Environment, 2018, 618: 1125-1138. DOI:10.1016/j.scitotenv.2017.09.196 ( 0) |
| [10] |
Zhan W, 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) |
| [11] |
Chen J, Liu J. The spatial and temporal changes of chlorophyll-a and suspended matter in the eastern coastal zones of China during 1997—2013[J]. Continental Shelf Research, 2015, 95: 89-98. DOI:10.1016/j.csr.2015.01.004 ( 0) |
| [12] |
蔡榕硕, 谭红建. 中国近海变暖和海洋热浪演变特征及气候成因研究进展[J]. 大气科学, 2024, 48(1): 121-146. Cai R S, Tan H J. Progress on the evolutionary characteristics and climatic causes for warming and marine heatwaves in the coastal China seas[J]. Chinese Journal of Atmospheric Sciences, 2024, 48(1): 121-146. ( 0) |
| [13] |
Li L, Ni J, Chang F, et al. Global trends in water and sediment fluxes of the world's large rivers[J]. Science Bulletin, 2020, 65(1): 62-69. DOI:10.1016/j.scib.2019.09.012 ( 0) |
| [14] |
Cai R, Tan H, Kontoyiannis H. Robust surface warming in offshore China seas and its relationship to the East Asian Monsoon wind field and ocean forcing on inter-decadal timescales[J]. Journal of Climate, 2017, 30(22): 8987-9005. DOI:10.1175/JCLI-D-16-0016.1 ( 0) |
| [15] |
Zhou Z, Bian C, Wang C, 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) |
| [16] |
Feng L, Hu C, Chen X, et al. Influence of the Three Gorges Dam on total suspended matters in the Yangtze Estuary and its adjacent coastal waters: Observations from MODIS[J]. Remote Sensing of Environment, 2014, 140: 779-788. DOI:10.1016/j.rse.2013.10.002 ( 0) |
| [17] |
Zhang M, Dong Q, Cui T, et al. Suspended sediment monitoring and assessment for Yellow River estuary from Landsat TM and ETM+ imagery[J]. Remote Sensing of Environment, 2014, 146: 136-147. DOI:10.1016/j.rse.2013.09.033 ( 0) |
| [18] |
Zhao G, Jiang W, 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. DOI:10.1029/2021JC017699 ( 0) |
| [19] |
Gao G D, Wang X H, Song D, et al. Effects of wave-current interactions on suspended-sediment dynamics during strong wave events in Jiaozhou Bay, Qingdao, China[J]. Journal of Physical Oceanography, 2018, 48(5): 1053-1078. DOI:10.1175/JPO-D-17-0259.1 ( 0) |
| [20] |
Shen F, Zhou Y, Li J, et al. Remotely sensed variability of the suspended sediment concentration and its response to decreased river discharge in the Yangtze estuary and adjacent coast[J]. Continental Shelf Research, 2013, 69: 52-61. DOI:10.1016/j.csr.2013.09.002 ( 0) |
| [21] |
Luo W, Shen F, He Q, et al. Changes in suspended sediments in the Yangtze River Estuary from 1984 to 2020: Responses to basin and estuarine engineering constructions[J]. Science of the Total Environment, 2022, 805: 150381. DOI:10.1016/j.scitotenv.2021.150381 ( 0) |
| [22] |
Milliman J D, Meade R H. World-wide delivery of river sediment to the oceans[J]. The Journal of Geology, 1983, 91(1): 1-21. DOI:10.1086/628741 ( 0) |
| [23] |
Wang H, Wu X, Bi N, et al. Impacts of the dam-orientated water-sediment regulation scheme on the lower reaches and delta of the Yellow River (Huanghe): A review[J]. Global and Planetary Change, 2017, 157: 93-113. DOI:10.1016/j.gloplacha.2017.08.005 ( 0) |
| [24] |
Yang Z, Ji Y, Bi N, et al. Sediment transport off the Huanghe (Yellow River) delta and in the adjacent Bohai Sea in winter and seasonal comparison[J]. Estuarine, Coastal and Shelf Science, 2011, 93(3): 173-181. DOI:10.1016/j.ecss.2010.06.005 ( 0) |
| [25] |
Yu Y, Wang H, Shi X, et al. New discharge regime of the Huanghe (Yellow River): Causes and implications[J]. Continental Shelf Research, 2013, 69: 62-72. DOI:10.1016/j.csr.2013.09.013 ( 0) |
| [26] |
Zhou Z, Bian C, Chen S, 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) |
| [27] |
Wang M, Shi W. The NIR-SWIR combined atmospheric correction approach for MODIS ocean color data processing[J]. Optics Express, 2007, 15(24): 15722-15733. DOI:10.1364/OE.15.015722 ( 0) |
| [28] |
Wang S, Shen M, Ma Y, 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) |
| [29] |
Fan Y, Li W, Gatebe C K, et al. Atmospheric correction over coastal waters using multilayer neural networks[J]. Remote Sensing of Environment, 2017, 199: 218-240. DOI:10.1016/j.rse.2017.07.016 ( 0) |
| [30] |
Wang M, Shi W, Jiang L. Atmospheric correction using near-infrared bands for satellite ocean color data processing in the turbid western Pacific region[J]. Optics Express, 2012, 20(2): 741-753. DOI:10.1364/OE.20.000741 ( 0) |
| [31] |
Chen S, Zhang T. Evaluation of a QAA-based algorithm using MODIS land bands data for retrieval of IOPs in the Eastern China Seas[J]. Optics Express, 2015, 23(11): 13953-13971. DOI:10.1364/OE.23.013953 ( 0) |
| [32] |
胡静雯, 陈树果, 张亭禄, 等. 利用MODIS卫星遥感数据监测东中国海浊度的时空分布[J]. 海洋环境科学, 2015, 34(4): 564-569. Hu J W, Chen S G, Zhang T L, et al. Spatial and temporal variations of turbidity in the East China Seas derived from MODIS satellite data[J]. Marine Environmental Science, 2015, 34(4): 564-569. ( 0) |
| [33] |
翟世奎, 张怀静, 范德江, 等. 长江口及其邻近海域悬浮物浓度和浊度的对应关系[J]. 环境科学学报, 2005(5): 693-699. Zhai S K, Zhang H J, Fan D J, et al. Corresponding relationship between suspended matter concentration and turbidity on Changiang Estuary and adjacent sea area[J]. Acta Seientiae Circumstantiae, 2005(5): 693-699. ( 0) |
| [34] |
Alvera-Azcárate A, Barth A, Beckers J M, et al. Multivariate reconstruction of missing data in sea surface temperature, chlorophyll, and wind satellite fields[J]. Journal of Geophysical Research: Oceans, 2007, 112(C3): C03008. ( 0) |
| [35] |
Li Y, He R. Spatial and temporal variability of SST and ocean color in the Gulf of Maine based on cloud-free SST and chlorophyll reconstructions in 2003—2012[J]. Remote Sensing of Environment, 2014, 144: 98-108. DOI:10.1016/j.rse.2014.01.019 ( 0) |
| [36] |
Liu X, Wang M. Gap filling of missing data for VIIRS global ocean color products using the DINEOF method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(8): 4464-4476. DOI:10.1109/TGRS.2018.2820423 ( 0) |
| [37] |
Kendall M G. A new measure of rank correlation[J]. Biometrika, 1938, 30(1/2): 81-93. DOI:10.2307/2332226 ( 0) |
| [38] |
Mann H B. Nonparametric tests against trend[J]. Econometrica, 1945, 13(3): 245-259. DOI:10.2307/1907187 ( 0) |
| [39] |
Kim S, Lee D, Kim M, et al. Seasonal patterns and bloom dynamics of phytoplankton based on satellite-derived chlorophyll-a in the eastern Yellow Sea[J]. Marine Environmental Research, 2024, 199: 106605. DOI:10.1016/j.marenvres.2024.106605 ( 0) |
| [40] |
Bian C, Jiang W, Greatbatch R J. An exploratory model study of sediment transport sources and deposits in the Bohai Sea, Yellow Sea, and East China Sea[J]. Journal of Geophysical Research: Oceans, 2013, 118(11): 5908-5923. DOI:10.1002/2013JC009116 ( 0) |
| [41] |
Wang H, Wang A, Bi N, et al. Seasonal distribution of suspended sediment in the Bohai Sea, China[J]. Continental Shelf Research, 2014, 90: 17-32. DOI:10.1016/j.csr.2014.03.006 ( 0) |
| [42] |
Zeng X, He R, Xue Z, et al. River-derived sediment suspension and transport in the Bohai, Yellow, and East China Seas: A preliminary modeling study[J]. Continental Shelf Research, 2015, 111: 112-125. DOI:10.1016/j.csr.2015.08.015 ( 0) |
| [43] |
Wu X, Wang H, Bi N, et al. Impact of artificial floods on the quantity and grain size of river-borne sediment: A case study of a dam regulation scheme in the Yellow River Catchment[J]. Water Resources Research, 2021, 57(5): e2021WR029581. DOI:10.1029/2021WR029581 ( 0) |
| [44] |
毕乃双, 杨作升, 王厚杰, 等. 黄河调水调沙期间黄河入海水沙的扩散与通量[J]. 海洋地质与第四纪地质, 2010, 30(2): 27-34. Bi N S, Yang Z S, Wang H J, et al. Characteristics of dispersal of the Yellow River water and sediment to the sea during water-sediment regulation period of the Yellow River and its dynamic mechanism[J]. Marine Geology and Quaternary Geology, 2010, 30(2): 27-34. ( 0) |
| [45] |
Wang H, Yan H, Zhou F, et al. Changes in nutrient transport from the Yangtze River to the East China Sea linked to the Three-Gorges Dam and water transfer project[J]. Environmental Pollution, 2020, 256: 113376. DOI:10.1016/j.envpol.2019.113376 ( 0) |
| [46] |
Liu Z, Gan J, Hu J, et al. Progress on circulation dynamics in the East China Sea and southern Yellow Sea: Origination, pathways, and destinations of shelf currents[J]. Progress in Oceanography, 2021, 193: 102553. ( 0) |
| [47] |
Wu H, Shen J, Zhu J, et al. Characteristics of the Changjiang plume and its extension along the Jiangsu Coast[J]. Continental Shelf Research, 2014, 76: 108-123. DOI:10.1016/j.csr.2014.01.007 ( 0) |
2. College of Environmental Science and Engineering, Ministry of Education, Ocean University of China, Qingdao 266100, China