焦 艷 , 商 杰 , 高 松 , 吳玲娟 , 李 杰 , 于清溪 , 趙一丁 ,付 迪

(1. 山東省海洋生態(tài)環(huán)境與防災減災重點實驗室, 山東 青島 266061; 2. 國家海洋局北海預報中心, 山東 青島 266061; 3. 國家海洋局北海信息中心, 山東 青島 266061)

綠潮是指海洋中一些大型藻類(如滸苔)在一定環(huán)境條件下漂浮增殖或聚集達到某一水平, 導致海洋生態(tài)環(huán)境異常的一種現象[1]。綠潮在全球沿岸海域暴發(fā)變得越來越頻繁, 已經成為一種世界性的海洋災害。自1980年起, 美國、加拿大、荷蘭、法國、意大利、日本和韓國等國家, 均暴發(fā)過綠潮災害, 法國沿岸海域尤為嚴重[2-5]。

2007年, 黃海中、南部海域首次發(fā)生綠潮。2008年至今, 黃海海域綠潮災害連年暴發(fā), 分布面積居高不下, 山東半島南部沿岸的日照、青島、煙臺、威海等地均有不同程度的綠潮登陸。綠潮不僅對沿海地區(qū)的水上賽事、水產養(yǎng)殖、濱海旅游、海上交通運輸等相關產業(yè)產生嚴重影響, 也對近海海洋生態(tài)環(huán)境造成嚴重破壞。

黃海綠潮暴發(fā)已有十余年的歷史, 由于大氣和海洋環(huán)境不同, 不同年份綠潮的發(fā)展規(guī)模有明顯差異。特別是近年來, 我國近海海洋環(huán)境的極端氣候事件增多, 導致綠潮發(fā)展的不確定性增大。因此, 研究黃海綠潮發(fā)展的影響因子, 在綠潮生成前期對其分布面積進行有效預測, 可為有關部門提前開展綠潮防災減災工作部署、制定應急處置方案提供必要的科學依據。

目前已有學者在綠潮影響因子和預測預報技術方面開展了一些初步研究。張?zhí)K平等[6]和衣立等[7]分別從黃海水文氣象條件變化方面對2008、2009年綠潮聚集和定向移動進行研究分析, 認為風場是綠潮漂動的主要強迫場, 風場驅動下的海洋表層流場年際變化是綠潮漂移路徑變異的主要原因。黃娟等[8]基于三維全動力POM海洋模式和2008—2009年黃海綠潮多源實測和監(jiān)測數據, 利用拉格朗日粒子追蹤方法對綠潮的漂移軌跡進行應急預測, 取得了較好的預報效果。Lin 等[9]從交叉學科的角度研究綠潮成因和動力機制, 發(fā)現2008年4—5月在南黃海中部穩(wěn)定冷渦的發(fā)生發(fā)展和運動過程與滸苔的漂流聚集密切相關, 可以利用冷渦來預測綠潮的生消和漂移。上述研究結合黃海綠潮在特定年份的發(fā)展過程, 提出了影響綠潮暴發(fā)和漂移的局地因子, 并通過數值模擬的方式進行綠潮預報。

然而, 而黃海綠潮發(fā)生在開闊海域, 在生成和發(fā)展的過程中要經過大規(guī)模、長時間的漂移。數值模擬方法受強迫場和計算資源的限制, 預報時效偏短(一般小于7 d), 無法滿足綠潮防災減災的實際需求。為延長綠潮的預報時效, 本文首次采用氣候統(tǒng)計預測的思想, 分析綠潮規(guī)模年際變化與前期大氣和海洋要素的定量關系, 建立綠潮最大分布面積的定量化預測模型。

1 研究區(qū)域及數據來源

黃海綠潮主要生成于江蘇鹽城外海, 隨著面積的增長不斷向北漂移, 影響山東附近海域。本文選取(33~37°N, 119~123°E)為研究區(qū)域, 并根據綠潮藻種的演變規(guī)律和對近岸的影響程度, 以35°N為界劃分為兩部分(圖1)。綠潮發(fā)展初期主要位于35°N以南海域, 此時對近岸影響較小; 綠潮發(fā)展成熟期主要位于35°N以北海域, 當綠潮北移進入35°N時表明其對近岸的影響逐漸開始。

圖1 研究區(qū)域位置Fig. 1 Location of the study area

綠潮資料來源于國家海洋局北海預報中心綠潮多源監(jiān)測數據和2019年《北海區(qū)海洋災害公報》[10],時間為2008—2019年。國家海洋局北海預報中心承擔北海區(qū)綠潮業(yè)務化監(jiān)測與預警職責, 數據資料詳實可靠。大氣和海洋數據選取NCEP/NCAR Climate Forecast System Reanalysis (CFSR)和Climate Forecast System Version 2 (CFS v2), 以及Met Office HadISST, 時間為1990—2019年。

2 綠潮規(guī)模年際變化

表征綠潮規(guī)模的物理量有兩個, 分別為綠潮的分布面積和覆蓋面積。綠潮分布面積指發(fā)現漂浮綠潮的整個海域包絡線以內的總面積; 綠潮覆蓋面積指綠潮實際覆蓋的海域面積。此外, 還有一個概念為綠潮分布密度, 定義為覆蓋面積與分布面積的比值,用公式表示為:

圖2為2008至2019年各年最大分布面積和最大覆蓋面積的年際變化。最大分布面積達到或超過50 000 km2的年份有5個, 分別為2009、2014、2015、2016和2019年, 其中2009年分布面積最大, 達到58 000 km2; 2012年分布面積最小, 不足20 000 km2;平均分布面積約40 000 km2。

圖2 2008—2019年最大分布面積和最大覆蓋面積年際變化Fig. 2 Interannual variation in the maximum distribution and coverage area from 2008 to 2019

覆蓋面積最大值也出現在2009年, 約為2 100 km2,最小值為2018年的193 km2, 與當年環(huán)境綜合治理密切相關。平均覆蓋面積約620 km2。

圖3為2008至2019年綠潮分布密度的年際變化及其線性趨勢?？梢钥闯鼍G潮分布密度總體呈現下降的趨勢, 2009年分布密度最大, 達到3.6%; 2018年分布密度最小, 僅為0.5%。

圖3 2008—2019年綠潮分布密度年際變化及線性趨勢Fig. 3 Interannual variation and linear trend of the green tide distribution density from 2008 to 2019

本文選取綠潮最大分布面積作為表征當年綠潮規(guī)模的物理量, 分析影響因子并建立預測模型。一方面, 綠潮分布面積決定了其整體影響范圍; 另一方面, 與綠潮覆蓋面積相比, 分布面積的監(jiān)測技術更成熟、精確度更高。

3 綠潮分布面積影響因子分析及預測模型建立

黃海綠潮的暴發(fā)機理比較復雜, 在生成和發(fā)展的過程中, 主要受綠潮源地生態(tài)因子、黃海海域大氣和海洋熱力和動力因子的影響[11-13]。為延長預報時效, 采用了氣候統(tǒng)計預測的思想和方法, 研究大氣和海洋熱力和動力因子對綠潮發(fā)展規(guī)模的影響, 暫不考慮源地生態(tài)因子的影響。

3.1 綠潮分布面積影響因子分析

選取溫度、濕度、降水、輻射、風、流、鹽度等14個與綠潮發(fā)展規(guī)?？赡芟嚓P的大氣和海洋熱、動力因子(表1), 按照第1節(jié)的區(qū)域劃分, 分別計算區(qū)域1、區(qū)域2和區(qū)域1+2各要素區(qū)域平均值與當年最大分布面積的滑動相關系數(圖4)。為排除高頻信號的干擾, 同時為便于業(yè)務化應用, 將上述大氣和海洋要素進行5 d平均處理。

表1 影響綠潮發(fā)展規(guī)模的可能因子Tab. 1 Possible factors influencing the development scale of the green tide

表1列出的14個變量中, 有6個變量的滑動相關系數通過95%顯著性檢驗, 分別為海溫、鹽度、降水率、表面短波輻射、風的緯向分量和流的緯向分量(圖4)。變量名后的數字表示區(qū)域, 方框標記出相關性較強的時段。

圖4中, 有5個因子的關鍵影響區(qū)都位于區(qū)域1,僅有鹽度的關鍵影響區(qū)是區(qū)域2, 說明綠潮發(fā)展初期的大氣和海洋環(huán)境對綠潮發(fā)展規(guī)模起主導作用。下面對各因子的相關性進行具體分析。

圖4 通過檢驗的大氣和海洋要素與綠潮最大分布面積的滑動相關系數Fig. 4 Sliding correlation coefficients between significant atmospheric and marine factors and the maximum distribution area of the green tide

所有因子中, 相關性最強且信號持續(xù)時間最長的是海溫。持續(xù)的正相關信號表明, 前期海溫越高, 綠潮分布面積越大。鹽度雖然僅在4月第6—15 d通過顯著性檢驗, 但在綠潮暴發(fā)前期也呈現持續(xù)的正相關信號, 且鹽度關鍵影響區(qū)為區(qū)域2, 表明35°N以北海域海水中的鹽分多少是綠潮能否持續(xù)發(fā)展的影響因子。降水率與綠潮最大分布面積在5月第11—15 d呈強正相關關系, 5月第11—15 d處于綠潮規(guī)模達到衛(wèi)星可觀測時間的前5 d, 表明在綠潮暴發(fā)前如果發(fā)生強降水, 易引發(fā)海水富營養(yǎng)化, 從而有利于綠潮暴發(fā)。向下短波輻射的關鍵影響期是在6月第6—10 d前后, 說明在綠潮發(fā)展初期, 充足的光照有利于綠潮的生長。風和流的緯向分量屬于大氣和海洋的動力因子, 它們通過影響綠潮的漂移路徑對綠潮最大分布面積產生影響。具體來說, 當風和流的緯向分量為正(自西向東)時, 有利于綠潮向東漂移, 東部開闊的海域有利于綠潮的發(fā)展和擴散。

3.2 綠潮分布面積預測模型建立

為便于業(yè)務化應用, 在建立預測模型時, 選取因子應遵循以下幾個原則: (1) 因子的強相關信號要有一定的持續(xù)性; (2) 因子強相關時段宜早不宜晚,以保證預測的時效性; (3) 兼顧大氣與海洋、熱力與動力因子的影響。選取相關系數最高的海溫、向下短波輻射和流的緯向分量作為預測因子, 分別代表海洋熱力因子、大氣因子和海洋動力因子, 并以其在對應時段內的均值定義指數:Xsst(3月第16 d至4月第30 d)、Xdswsfc(6月第6 d至第15 d)和Xocn_u(6月第6 d至第25 d)。

采用一元/多元回歸方法建立綠潮最大分布面積(S)與各因子組合的回歸方程。表2列出了各因子組合方程的相關系數(R)和標準差(standard deviation,DST)。

由表2可知, 與綠潮最大分布面積相關性最好的因子是Xocn_u,R達到0.75, 通過95%顯著性檢驗。因此最優(yōu)一元回歸方程為:

表2 不同因子組合建立一元/多元回歸方程結果檢驗Tab. 2 Test of linear/multiple regression equations constructed via different factor combinations

在Xocn_u因子的基礎上增加Xsst因子,R提升至0.80,DST下降至9.58×103km2, 因此最優(yōu)二元回歸方程為:

若同時考慮3個因子的影響, 建立三元回歸方程,R并沒有較二元回歸方程有所提高, 反而標準差有所增大, 說明引入預測因子過多會引起干擾信號增強, 因此僅采用一元和二元回歸方程作為預測模型。

從擬合結果來看(圖5), 一元和二元回歸模型都能夠比較好地模擬出綠潮最大分布面積的總體變化趨勢, 即2009年偏大, 2010—2013年偏小, 2014—2016年轉為偏大。對比而言, 二元回歸模型更接近與觀測值, 由此采用式(3)作為綠潮最大分布面積的預測方程。

圖5 最優(yōu)一元/二元回歸模型擬合值與綠潮實際最大分布面積對比圖Fig. 5 Comparison between the fitting value of the optimal linear/binary regression model and the observation value of the maximum distribution area of the green tide

4 大尺度海洋和大氣環(huán)流的影響

由上文可知, 影響綠潮最大分布面積的關鍵因子為綠潮暴發(fā)前的海溫和綠潮漂移過程中的緯向流,本節(jié)將進一步探究各因子與大尺度大氣和海洋系統(tǒng)的聯系。

將Xsst和Xocn_u指數時間序列延長至1990—2019年, 分別計算各指數與同期和前期500 hPa位勢高度和全球海面溫度異常(sea surface temperature anomaly, SSTA)的相關系數。圖6a為Xsst指數與4月500 hPa位勢高度相關系數分布圖(由于篇幅所限,未通過顯著性檢驗的月份圖略)。可以看出, 在北大西洋—歐亞大陸500 hPa位勢高度自西向東呈現出“+-+”的相關分布型, 即大西洋東北部正相關, 烏拉爾山負相關, 貝加爾湖以東正相關, 該分布為比較典型的歐亞遙相關波列的負位相。

將與均值的偏差超過一倍標準差定義為異常年,圖6b和圖6c分別為Xsst偏小年和偏大年500 hPa位勢高度距平及其等值線合成圖。Xsst偏小年烏拉爾山上空為位勢高度正距平, 東北大西洋和貝湖以東上空為位勢高度負距平。具體表現為烏拉爾阻塞高壓增強, 東亞大槽偏西偏深, 歐亞大陸呈經向型環(huán)流, 有利于源自高緯度的冷氣團南下, 造成黃海海域海溫偏低。反之, 在Xsst偏大年, 烏拉爾脊和東亞大槽整體位相偏東, 東亞大槽偏北偏淺, 不利于高緯度冷氣團南下深入至黃海海域, 導致黃海海域海溫偏高。相比之下,Xsst偏大年歐亞遙相關波列影響更明顯。

圖6 Xsst與4月500 hPa位勢高度的關系Fig. 6 Relationship between Xsst and geopotential height of 500 hpa in April

圖7a為Xocn_u指數與5月全球海面溫度的相關系數分布場。在低緯度中東太平洋以及東北太平洋沿岸, 二者呈正相關關系, 在西北太平洋呈負相關關系。

圖7b、c分別為Xocn_u指數偏小和偏大年全球海溫合成場?？梢钥闯鲈赬ocn_u偏小年, 低緯度中東太平洋以及東北太平洋沿岸海溫異常偏低, 該分布型為太平洋年代際振蕩(Pacific decadal oscillation, PDO)負位相與厄爾尼諾與南方濤動(El Ni?o-Southern oscillation, ENSO)負位相疊加而成。前人研究表明, PDO與ENSO的共同作用下, Walker環(huán)流偏強, 西太平洋副熱帶高壓偏弱偏小、位置偏北偏東, 在高空呈現出氣旋式環(huán)流異常[14-16], 在我國東部沿海表現為東北風距平。根據Ekman漂流關系, 在東北風距平的驅動下, 將產生西向流距平, 導致綠潮整體位置偏西,分布面積偏小。而在Xocn_u偏大年, 全球海溫異常并不顯著。

圖7 Xocn_u與5月全球海面溫度的關系Fig. 7 Relationship between Xocn_u and sea surface temperature in May

5 總結與討論

基于綠潮多源監(jiān)測數據和大氣海洋再分析資料, 分析綠潮規(guī)模的年際變化及其影響因子, 首次建立了綠潮年最大分布面積的預測模型, 并探討了大尺度海洋和大氣因子對綠潮分布面積的可能影響。

2008至2019年間, 黃海綠潮平均分布面積約40 000 km2, 最大值為2009年的58 000 km2, 最小值為2012年的不足20 000 km2; 黃海綠潮平均覆蓋面積約620 km2, 最大值為2 100 km2, 最小值為193 km2。

通過計算, 共有6個變量與綠潮最大分布面積的滑動相關系數通過顯著性檢驗, 分別為海溫、鹽度、降水率、表面短波輻射、風的緯向分量和流的緯向分量。根據綠潮業(yè)務化預測實際需求和回歸方程檢驗結果, 最終選取綠潮生成區(qū)的海溫(3月第16 d至4月第30 d)和緯向海流(6月第6 d至第25 d)兩個因子建立綠潮年最大分布面積預測模型(見式3), 預測模型與觀測值相關系數達到0.80, 通過95%顯著性檢驗。

進一步分析影響綠潮規(guī)模的大尺度海洋和大氣環(huán)流因子。歐亞遙相關波列負位相引起黃海海域前期海溫升高, 是導致綠潮分布面積偏大的主要大尺度環(huán)流因子; 而PDO與ENSO負位相疊加引起的西太平洋上空反氣旋環(huán)流, 造成6月綠潮北上路徑偏西, 是導致綠潮分布面積偏小的主要大尺度環(huán)流因子。需要說明的是, 本文僅從定性的角度探究了綠潮規(guī)模和大尺度環(huán)流因子間的關系, 其具體影響機制仍需通過數值模擬的方法開展深入研究。