通过机器学习方法解析弗拉姆海峡（Fram Strait）不同水文子区域中开花物候特征及季节性叶绿素a变化的差异

《Deep Sea Research Part II: Topical Studies in Oceanography》：Differences in bloom phenology and seasonal chlorophyll- a variability in the Fram Strait’s hydrographic subregions resolved by a machine learning approach

冰架海峡（FS）的水文分异显著影响叶绿素-a（Chl-a）的时空变异性。本研究基于海表温度（SST）机器学习方法，将FS划分为寒冷北极影响区、温暖大西洋影响区和锋面过渡区三个子域。结果显示，北极区Chl-a藻华集中在5月，大西洋区延迟至7月，且极区变异系数达2.3倍。尽管2016-2021年整体浓度无明显趋势，但分域分析揭示北极区浓度标准差（0.25 mg/m3）是其他两区的3-5倍。该方法为高变率海域的生态过程解析提供新工具，尤其适用于遥感数据稀缺区域。

　　

凡妮莎·兰佩（Vanessa Lampe）|安德烈亚斯·奥斯利斯（Andreas Oschlies）|马库斯·沙尔陶（Markus Schartau）

GEOMAR亥姆霍兹海洋研究中心，Wischhofstr. 1-3，24148基尔，德国

摘要

弗拉姆海峡（Fram Strait，FS）在年内外尺度上表现出明显的叶绿素-a（Chl-a）浓度变化，这与该地区的复杂水文特征有关，该地区以两条相反方向的洋流为特征，这两条洋流由一个锋面系统分隔开。在这里，我们提出了一种机器学习方法，该方法根据遥感海表温度将FS划分为三个水文子区域（扇区），海表温度是除了盐度之外用于识别水体的主要属性。这些扇区分别对应寒冷的北极水域、温暖的大西洋水域以及受锋面影响的中间水域。这种划分方法能够更细致地分析变化情况，同时考虑到了洋流和锋面系统的动态行为。在这些水文扇区内，叶绿素-a浓度的变化反映了藻类繁殖现象的差异：在受北极影响的扇区，藻类繁殖通常发生在5月，此时海冰覆盖情况多变；而在受大西洋影响的扇区，藻类繁殖则出现在7月。尽管叶绿素-a浓度的绝对变化幅度与其平均值相关，但经过浓度标准化处理后，受北极影响的扇区的变化幅度更为显著，这突显了不同水文环境对浮游植物动态的影响。在2016年至2021年间，我们未观察到这些扇区叶绿素-a平均浓度或藻类繁殖时间的明显趋势。本研究有助于更全面地理解弗拉姆海峡叶绿素-a浓度的变化范围。此外，它还为分析大型地理空间数据集提供了有价值的工具，尤其是在现场测量海水物理性质的空间和时间覆盖范围有限的情况下。

引言

北极是一个具有显著年内外变化的独特系统。冬季极夜期间光线完全缺失，而夏季极昼期间则持续有光照，海冰的厚度和范围在空间、季节和年份之间都会发生变化。这种环境变化导致了初级生产力（PP）的强烈波动，这种波动主要体现在叶绿素-a（Chl-a）浓度的短期和局部变化上。库恩等人（Kuhn et al., 2019）使用全球生态系统模型确定，浮游植物生物量的相关时间尺度平均为30天（在流速较高的情况下为15天），空间相关时间尺度从西部边界流的<100公里到南极绕极流的2000公里不等。此外，与其他地区相比，气候变化在北极地区更为显著，这主要是由于温度和反照率的反馈效应（Pithan and Mauritsen, 2014）。海表温度的上升（Comiso and Hall, 2014; Nielsen-Englyst et al., 2023）以及海冰范围的缩小和厚度减薄（Stroeve et al., 2012; Hansen et al., 2013; Renner et al., 2014; Spreen et al., 2020）可能会从根本上改变海洋生态系统的功能和生物地球化学过程。1998年至2008年间，无冰开放水域的时间延长了45天，导致整个北极地区的初级生产力增加了20%，其中西伯利亚地区的增幅最大为+135%，而格陵兰地区则减少了-13%（数据基于叶绿素-a、海表温度（SST）和遥感图像的冰盖信息，Arrigo and Van Dijken, 2011）。将这一时间序列延长至2012年，Arrigo and van Dijken (2015) 报告称整个北极地区的初级生产力进一步增加了30%，这主要与海冰范围的减少有关，也可能是因为陆地营养物质的输入增加；不同海域之间的变化幅度仍然很大，格陵兰地区甚至减少了-15%。库尔克等人（Kulk et al., 2020）采用结合现场光合作用观测和叶绿素生物量遥感数据的模型估计，发现1998年至2018年间极地地区的初级生产力增加了4.5%（需要注意的是，与Arrigo and Van Dijken的研究不同，库尔克等人的模型并非专门针对北极水域设计）。然而，现有的叶绿素-a和初级生产力遥感时间序列可能仍然太短，无法可靠地检测到气候变化信号，因为亨森等人（Henson et al., 2010）认为需要大约40年的时间序列才能有效识别气候变化）。

弗拉姆海峡连接着北冰洋和大西洋，是水交换和海冰输出的重要通道。这一高度动态的区域由两条相反方向的洋流主导：东部的西斯匹次卑尔根洋流（West Spitsbergen Current，WSC）将温暖且含盐量高的大西洋水向北输送至北冰洋（Beszczynska-M?ller et al., 2012）；西部的东格陵兰洋流（East Greenland Current，EGC）则将北极水域的水通过季节性冰封的弗拉姆海峡排出（de Steur et al., 2009）。在这两条洋流之间，是受海冰动态影响的东格陵兰极锋（East Greenland Polar Front），该锋面的面积和强度都存在显著的季节性变化（Liu et al., 2022）。此外，该区域还充满了涡旋，进一步加剧了中尺度变化（Von Appen et al., 2022）。

鉴于弗拉姆海峡复杂的水文特征，其叶绿素-a的季节性变化范围（即典型观测值及其围绕中心值如平均值或中位数的波动幅度）在不同子区域可能存在差异。然而，由于这些子区域的地理范围在短时间内会发生变化，因此对其进行识别和区分较为复杂。诺蒂格等人（N?thig et al., 2015）曾沿本初子午线（0°，格林尼治子午线）将弗拉姆海峡划分为西部和东部两个区域，这一划分在1998年至2012年间导致了遥感叶绿素-a浓度变化和趋势的显著差异。他们的研究发现，西部EGC区域的叶绿素-a峰值通常出现在5月和6月，而在东部WSC区域，峰值出现在2002年至2009年的6月或7月，以及此前的5月或6月。虽然诺蒂格等人没有发现EGC区域存在显著趋势，但季节性变化确实存在；而在WSC区域，2002年至2009年间的变化趋势为+0.54 mg m^-3。尽管沿本初子午线的划分在实践中具有意义，但它可能过于简化了该区域的动态复杂水文情况。兰佩等人（Lampe et al., 2021）使用机器学习方法仅基于遥感海表温度（SST）对弗拉姆海峡的两个子区域进行了分类，其主要目的是对HAUSGARTEN监测站进行分类。通过这种基于SST的划分，他们还发现了2016年至2018年间EGC和WSC区域叶绿素-a浓度的不同季节性模式。

在这样一个变化剧烈的区域，检测初级生产力的长期变化（主要体现在藻类繁殖的节律上）是一项艰巨的任务，因为只有在了解自然变化范围的情况下，才能将自然变化趋势与长期变化区分开来（Soltwedel et al., 2016）。明确藻类繁殖时间和强度的变化（此处定义为叶绿素-a > 1 mg m^-3，参考Wu et al., 2007）并识别其原因至关重要，这些因素需要在能够可靠预测北极地区未来藻类繁殖发展的模型中得到考虑。本研究旨在确定弗拉姆海峡不同水文子区域内的叶绿素-a变化范围。具体而言，我们扩展了兰佩等人（Lampe et al., 2021）提出的机器学习聚类方法，为2018年识别出三个子区域：1）受EGC影响的寒冷区域；2）受WSC影响的温暖区域；3）受锋面影响的中间区域。我们评估了这些SST子区域的识别有效性，并比较了遥感估计的叶绿素-a浓度季节周期及其变化情况。将分析范围扩展至2016年至2021年，我们评估了2018年观察到的模式在相邻年份的稳定性。本研究的主要研究问题包括：

1)

弗拉姆海峡的不同水文子区域在叶绿素-a的变化范围（无论是幅度还是时间）上是否存在差异？

2)

2018年观察到的季节性模式是否具有稳定性，从而也能代表2016年至2021年这一较长时期的情况？

3)

2016年至2021年间，SST子区域内叶绿素-a浓度、变化范围或时间是否存在可检测的趋势？

方法部分

方法

首先，我们简要描述了遥感数据产品，然后解释了用于根据海表温度（SST）划分不同水文子区域的机器学习流程。最后，我们总结了用于分析叶绿素-a变化情况的统计方法。

结果

我们首先分析了弗拉姆海峡叶绿素-a浓度的季节性变化，未区分任何子区域。随后，我们研究了机器学习方法识别弗拉姆海峡不同子区域的能力，并确定了2018年这些子区域内叶绿素-a的变化情况。最后，我们比较了2016年至2021年这一较长时间序列中的叶绿素-a季节性变化。

讨论

分析结果表明，为了研究藻类繁殖的发展变化，区分不同区域（水文区域）是有意义的。除了沿洋流的传输路径（寒冷区域向南，温暖区域向北）外，导致藻类繁殖发展的根本机制似乎也有所不同。

结论

在本研究中，我们应用机器学习方法根据海表温度（SST）划分了弗拉姆海峡（FS）的水文子区域（簇），以分析叶绿素-a（Chl-a）浓度的年内外变化。

我们的方法有效地识别出了FS中的三个代表性SST簇，该区域以显著的海表温度梯度为特征。尽管我们未能检测到藻类繁殖时间的趋势或平均叶绿素-a浓度的变化趋势

作者贡献声明

凡妮莎·兰佩（Vanessa Lampe）：撰写初稿、可视化处理、验证、方法论设计、数据分析、概念化。安德烈亚斯·奥斯利斯（Andreas Oschlies）：撰写、审稿与编辑、监督工作、资源协调。马库斯·沙尔陶（Markus Schartau）：撰写、审稿与编辑、监督工作、资源获取、概念化

未引用参考文献

Bracher等人，2023年，CMEMS。

数据说明

用于执行机器学习程序、进行统计分析和生成图表的代码可在github上找到：https://github.com/vlampe/chl-variability-machine-learning（目前为私有代码，最终版本将存档在zenodo平台上）。SST数据由GHRSST、英国气象局（Met Office）和CMEMS提供（Good et al., 2020a）。每日叶绿素-a浓度数据由CMEMS和ACRI的L3数据产品提供（2023年）。

利益冲突

作者声明没有利益冲突。

资助

本研究是microARC项目的成果，属于“变化中的北极海洋”（Changing Arctic Ocean）计划的一部分，由德国联邦教育和研究部（BMBF；03F0802A）和英国自然环境研究委员会（NERC）共同资助。

利益冲突声明

? 作者声明没有已知的可能影响本文研究的财务利益或个人关系。

致谢

我们感谢两位匿名审稿人的宝贵和细致的反馈，这些反馈极大地帮助我们改进了手稿。我们感谢PEBCAO（变化中的北极海洋中的浮游生态与生物地球化学）小组对早期研究版本的宝贵意见，特别是席宏艳博士（Dr. Hongyan Xi）在解释遥感叶绿素-a数据集方面提供的帮助。我们也感谢薛天飞博士（Dr. Tianfei Xue）的校对和有益建议。