全球海洋初级生产力标准化距平数据集

孙雨琦^1,2，薛存金^2,3*，洪娅岚⁴，徐洋峰^2,5，刘敬一^2,6

1. 中国地质大学（北京），北京 100083；
2. 中国科学院空天信息创新研究院，北京 100094；
3. 中国科学院数字地球重点实验室，北京 100094；
4. 曼迪匹艾（北京）科技服务有限公司，北京 101100；
5. 中国石油大学（华东），青岛 266580；
6. 中国电子科技集团公司航天信息应用技术重点实验室，石家庄 050081

摘 要：海洋净初级生产力（Marine Net Primary Production，MNPP）是海洋生态系统中的重要参数，是衡量海洋浮游植物光合作用能力的指标，其异常变化模式的时空特征与全球气候变化、碳循环和全球生态环境具有密切联系。本文采用俄勒冈州立大学海洋生产力网站提供的1998年1月至2002年12月期间的SeaWiFS.R2014版和2003年1月至2019年12月期间的MODIS.R2018版两类产品作为原始数据，采用地理时空统计分析方法，研制了全球海域1998–2019年的年、季、月三种时间尺度的全球海洋初级生产力标准化距平数据集，该数据集空间分辨率为9 km × 9 km，时间分辨率为月，数据格式为HDF4，数据量16.82 GB（压缩后4.81 GB）。本文利用MEI（Multiple ENSO Index）指数初步分析了海洋初级生产力异常变化模式与ENSO（El Ni?o-Southern Oscillation）事件之间的耦合关系，结果表明海洋初级生产力异常变化模式与ENSO事件的生消演变存在密切关系，证明了全球海洋初级生产力标准化距平数据集的可行性和有效性。

关键词：海洋初级生产力；异常变化；月均距平；季均距平；年均距平；数据集

DOI: https://doi.org/10.3974/geodp.2021.02.08

CSTR: https://cstr.escience.org.cn/CSTR:20146.14.2021.02.08

数据可用性声明：本文关联实体数据集已在《全球变化数据仓储电子杂志（中英文）》出版，可获取：
https://doi.org/10.3974/geodb.2020.07.13.V1 或 https://cstr.escience.org.cn/CSTR:20146.11.2020.07.13.V1.

1 前言

海洋净初级生产力（Marine Net Primary Production, MNPP）[1]即单位面积上海洋浮游植物光合作用的能力，是海洋生态系统中的重要参数，它有助于了解全球的碳循环、渔业生产能力等[2]。卫星遥感技术的应用为研究MNPP提供了新的可能，具有覆盖面积大、观测时间序列长等特点，使它成为大时空尺度海洋浮游植物丰度测量与研究必不可少的工具。MNPP在时间和空间上存在异常变化，即某时刻相对于长时间序列平均状态的变化，如月均异常变化、季均异常变化、年均异常变化等[3]。MNPP的异常变化及与海洋环境要素存在关联关系，这种关联关系存在不同的时空分布特征[4]。MNPP的异常变化模式及与海洋环境要素的关联模式可为明确浮游植物时空分布的主要影响因子提供基础，同时为研究气候变化如何影响海洋食物网提供依据[5]。此外，MNPP的异常变化与厄尔尼诺–南方涛动（El Ni?o-Southern Oscillation , ENSO）事件也存在密切联系[6]，如，Bastos等发现ENSO与MNPP之间存在很强的反相关性，这主要是由热带与亚热带纬度地区生态系统驱动的[7]；Chavez等发现在ENSO发生期间，热带地区由于上升流和养分供应的影响，MNPP明显增加[8]。因此，开展MNPP的异常变化研究具有重大意义[9]。尽管已有多种基于卫星遥感的MNPP数据集，比如GlobalMarineABMP_NPP[10]，Chlorophyll-a Concen of Poyang Lake[11]，MuSyQ-NPP-1km-2013[12]，但目前针对MNPP异常变化的时空数据集还没有相关报道。

基于此，本项研究基于已有月均MNPP数据集（1998.01–2019.12），利用地理时空统计分析方法，考虑海洋初级生产力的时空特征，设计了MNPP异常变化数据集生产方法，去除其季节性变动，从而生成年、季、月三种时间尺度的海洋初级生产力标准化距平数据集（MNPP monthly anomaly datasets，MNPP-MAD；MNPP seasonal anomaly datasets， MNPP-SAD；MNPP annual anomaly datasets，MNPP-AAD）。该数据集为全球气候变化研究提供数据基础。

2 数据集元数据简介

《全球海洋初级生产力标准化距平数据集（1998-2019）》[13]的名称、作者、地理区域、数据年代、时间分辨率、空间分辨率、数据集组成、数据出版与共享服务平台、数据共享政策等信息见表1。

3 数据研发方法

3.1 数据来源

本文1998年1月至2002年12月的NPP数据源自SeaWiFS（Sea-Viewing Wide Field-of-View Sensor）卫星平台R2014版数据，基于SeaWiFS CHL、AVHRR SST、SeaWiFS PAR（光合作用辐射）数据，利用垂直广义生产模型（Vertically Generalized Production Model，VGPM）算法计算而来[15]；2003年1月至2019年12月期间的NPP数据源自Aqua卫星平台上的MODIS（Moderate Resolution Imaging Spectroradiometer）传感器，数据版本为R2018，该数据集基于MODIS CHL、MODIS SST、MODIS PAR（光合作用辐射）数据，利用VGPM模型算法计算而来；两个时期的NPP数据均由俄勒冈州立大学[6]海洋生产力网站提供，数据时间分辨率为月，空间分辨率为9 km×9 km，全球网格数均为2160×4320。

3.2 算法流程

针对SeaWiFS和MODIS这两种传感器获得的数据，Couto等人对其进行了相关性与标准差分析，结果表明两种数据可以合并使用，合并结果不受传感器转换的影响[16]。因此，本文以两种传感器的MNPP数据集作为原始输入数据集。首先对原始数据进行空间转换，把原始数据的经度范围从-180°-180°转换至0°-360°，然后利用时间插值算法和时间聚合算法处理得到季节尺度、年尺度的原始数据。时间插值算法，即若某时刻某栅格为无效值，则通过相邻时刻（上一时刻、下一时刻）相同位置栅格值取平均作为该时刻该位置的数值。时间聚合算法，以春季为例，由3、4、5月的数据进行均值处理，产生对应季节尺度数据；年尺度数据，则由每年1–12月的数据进行均值处理，产生对应年尺度数据。

由于海洋初级生产力具有明显的季节变动（如图3所示），且这种季节性的周期模式主要受太阳辐射驱动，且掩盖了海洋初级生产力的异常变化模式，因此，研究异常变化的MNPP数据集，必须剔除这种季节模式。本文采用标准化距平方法——Z-score剔除海洋初级生产力季节变化模式[17]，对1–12月的任意月份，如1月，获取每年1月的数值，构成时间序列，计算其平均值和标准差，并通过其均值和标准差，离散化所有年份1月的数值，如式(1)所示[18]。

(1)

式中，i为年，j为月，和分别为平均值和标准差，和分别为长时间序列影像的原值和转换值。

为验证MNPPAD数据集的适用性，论文选取典型的MNPP的聚簇演变模式，并分析这种演变模式与ENSO事件之间的关系，从而间接的证明该数据集的科学性。MNPPAD数据集的算法流程如图1所示。

图1 数据集研发技术路线图

下载

4 数据结果

4.1 数据集组成

《全球海洋初级生产力数据集（1998–2019）》包括原始数据和结果数据，数据格式均为HDF4，其数据结构为课题组自定义的数据结构，如图2所示，数据描述模块说明如表1，数据要素及属性说明如表2。

HDF4数据格式介绍如图2所示：

图2 HDF4数据结构图

下载

HDF4数据描述模块表如表1所示：

HDF4数据集属性描述如表2所示：

4.2 数据预处理

图3为全球海域1998年1月至2019年12月的海洋初级生产力原始数据与距平数据时间序列对比图。通过分析图3可知，进行标准化距平处理，去除原始数据的季节性成分后，更能够表现出海洋初级生产力在时间序列上的波动性。

图3 海洋初级生产力原始数据与距平数据时间序列对比图（1998年1月至2019年12月）

下载

经过标准化距平处理后，在图4(b) MNPP月均距平的空间分布图中，可以清晰地看到异常升高区域和异常降低区域。

图4 1998年1月原始MNPP数据和月均标准化距平数据图

下载

4.3 结果数据

结果数据包括：（1）全球海洋初级生产力年标准化距平数据集；（2）全球海洋初级生产力季节标准化距平数据集；（3）全球海洋初级生产力月标准化距平数据集。

全球海洋初级生产力年均距平数据如图5所示，全球海洋初级生产力季均距平数据如图6所示，全球海洋初级生产力月均距平数据如图7所示。

图5 全球海洋初级生产力年均距平图（1998–2019）

下载

图6 全球海洋初级生产力季均距平数据图（1998–2019）

下载

图7 全球海洋初级生产力月均距平数据图（1998–2019）

下载

4.4 数据集适用性验证

本文利用ENSO表征指数MEI（Multivariate ENSO Index）与海洋初级生产力异常变化模式之间的耦合关系，来间接验证MNPPAD数据集的适用性。本文利用课题开发的双约束聚类方法[19]提取太平洋海洋初级生产力异常时空簇模式，分析了1998年1月至1998年7月的El Ni?o事件、1998年12月至1999年8月的La Ni?a事件，2006年8月至2007年2月的El Ni?o事件和2010年6月至2011年3月的La Ni?a事件期间印度洋区域、赤道太平洋区域、大西洋区域的海洋初级生产力异常时空簇模式，主要结果如图8–15所示。

图8为1998年1月至1998年7月印度洋西部海域海洋初级生产力异常低值时空簇的空间变化。随着时间的推移，该时空簇的位置基本无变化，覆盖面积逐渐减小，直至消失。图9为该时空簇面积与MEI相关关系图。可以看到，在El Ni?o事件中，该时空演变簇与MEI指数存在响应关系，相关系数达0.97。

图8 印度洋西部异常低值时空簇的空间移动

下载

图9 时空簇面积与MEI相关关系

下载

图10为1998年12月至1999年8月赤道太平洋中东部海域海洋初级生产力异常高值时空簇的空间变化。随着时间的推移，该时空异常高值簇逐渐向东部移动，且覆盖面积逐渐变大。图11为该时空演变簇面积与MEI相关关系图。可以看到在La Ni?a事件中，该时空演变簇与MEI指数具有响应关系，相关系数达到0.79。

图10 赤道中东太平洋异常高值时空簇的空间移动

下载

图11 时空簇面积与MEI相关关系

下载

图12为2006年6月至2007年2月赤道太平洋中南部海域海洋初级生产力异常低值时空簇的空间变化。随着时间的推移，该时空异常低值簇逐渐向东南移动，且覆盖面积逐渐变大，2007年1月开始面积逐渐变小，并慢慢消亡。图13为该时空演变簇面积与MEI相关关系图，可以看到在El Ni?o事件中，该时空演变簇与MEI指数具有响应关系，相关系数达到0.75。

图12 赤道中南太平洋异常低值时空簇的空间移动

下载

图13 时空簇面积与MEI相关关系

下载

图14为2010年6月至2011年3月大西洋中部海域海洋初级生产力异常低值时空簇的空间变化。随着时间的推移，该时空异常低值簇基本没有位置变化，覆盖面积逐渐变小，但是在2010年11月面积又开始逐渐增大，并慢慢消亡。图15为该时空演变簇面积与MEI相关关系图，可以看到在El Ni?o事件中，该时空演变簇与MEI指数具有响应关系，相关系数达到0.63。

图14 大西洋中部异常低值时空簇的空间移动

下载

图15 时空簇面积与MEI相关关系

下载

5 讨论和总结

本文基于SeaWiFS和MODIS海洋初级生产力原始数据集，采用地理时空统计方法，生产了1998–2019年期间的月、季节、年三种时间尺度的海洋初级生产力标准化距平数据集，数据量为16.82 GB（压缩后4.81GB）。利用海洋初级生产力异常变化模式与ENSO事件之间的耦合关系，对MNPPAD数据集的适用性进行验证，在全球海域，海洋初级生产力异常演变簇与ENSO表征指数MEI存在较强的相关性，结果表明：海洋初级生产力的异常变化模式与ENSO事件存在密切联系，可以为全球气候变化研究提供重要的数据基础，但是还需要增加样本量，深入挖掘海洋初级生产力异常变化模式与ENSO事件之间的关系，这也是今后进一步研究的重点和方向。

作者分工：薛存金、洪娅岚对数据集的开发做了总体设计；孙雨琦、徐洋峰采集和处理了海洋初级生产力原始数据；刘敬一设计了海洋异常变化时空聚簇挖掘方法；洪娅岚、孙雨琦做了数据验证；孙雨琦撰写了数据论文等。

利益冲突声明：本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

• [1] 李国胜, 王芳, 梁强等. 东海初级生产力遥感反演及其时空演化机制[J]. 地理学报, 2003(4): 483‒493.
• [2] 吴培中. 海洋初级生产力的卫星探测[J]. 国土资源遥感, 2000(3): 7‒15.
• [3] 刘敬一, 薛存金, 樊彦国等. 一种面向栅格的空间-属性双重约束聚类方法[J]. 地球信息科学学报, 2016, 19(4): 447–456. DOI: 10.3724/SP.J.1047.2017.0447.
• [4] 孙强, 薛存金, 刘敬一等. 全球海洋初级生产力与海洋环境要素时空关联模式挖掘分析[J]. 海洋环境科学, 2020, 39(3): 340–352.DOI: 10.13634/j.cnki.mes.2020.03.003.
• [5] Behrenfeld, M. J., O’Malley, R. T., Siegel, D. A., et al. Climate-driven trends in contemporary ocean productivity [J]. Nature, 2006, 444: 752‒755.
• [6] Behrenfeld, M., Falkowski, P. A consumer’s guide to phytoplankton primary productivity models [J]. Limnology & Oceanography, 1997, 42(7): 1479‒1491.
• [7] Bastos, A., Steven, W., Gouveia, C., et al. The global NPP dependence on ENSO: La Ni?a and the extraordinary year of 2011[ J]. Journal of Geophysical Research: Biogeosciences, 2013(118): 1247‒1255. DOI: 10.1002/jgrg.20100.
• [8] Chavez, F. P., Messie, M., Pennington, J. T. Marine primary production in relation to climate variability and change [J]. Annual Review of Marine Science, 2011, 3: 227‒260.
• [9] Messié, M., Chavez, F. A global analysis of ENSO synchrony: the oceans’ biological response to physical forcing [J]. Journal of Geophysical Research Oceans, 2012, 117: C09001.
• [10] 陶醉, 周翔, 马胜. 基于ABPM模型的全球海洋初级生产力遥感监测9-km分辨率月度数据集(2003–2012) [J/DB/OL]. 全球变化数据仓储电子杂志, 2014. https://doi.org/10.3974/geodb.2014.02.03.V1.
• [11] 王卷乐, 张永杰, 杨飞等. 鄱阳湖叶绿素a浓度数据集(2009–2012)[J/DB/OL]. 全球变化数据仓储电子杂志, 2014. https://doi.org/10.3974/geodb.2014.02.08.V1.
• [12] 高帅, 柳钦火, 康峻等. 中国与东盟地区2013年1 km分辨率植被净初级生产力数据集[DB/OL]. 全球变化数据仓储, 2015. https://doi.org/10.3974/geodb.2015.01.15.V1.
• [13] 孙雨琦, 薛存金, 洪娅岚等. 全球海洋初级生产力标准化距平数据集（1998-2019）[J/DB/OL]. 全球变化数据仓储电子杂志, 2020. https://doi.org/10.3974/geodb.2020.07.13.V1. https://cstr.escience.org.cn/CSTR:20146.11.2020.07.13.V1.
• [14] 全球变化科学研究数据出版系统. 全球变化科学研究数据共享政策[OL]. https://doi.org/10.3974/dp.policy.2014.05 (2017年更新).
• [15] Behrenfeld, M. J., Falkowski, P. G. Photosynthetic rates derived from satellite-based chlorophyll concentration [J]. Limnology and Oceanography, 1997, 42(1): 1–20.
• [16] Couto, A., Holbrook, N., Maharaj, M. Unravelling eastern Pacific and central Pacific ENSO contributions in south Pacific chlorophyll-a variability through remote sensing [J]. Remote Sensing, 2013, 5(8): 4067‒4087.
• [17] Zhang, P., Steinbach, M., Kumar, V., et al. Discovery of Patterns of Earth Science Data Using Data Mining [M]. In New Generation of Data Mining Applications (Zurada, J., Kantardzic, M., eds), New Jersey: John Wiley & Sons Inc., 2005.
• [18] Xue, C., Song, W., Qin, L., et al. A spatiotemporal mining framework for abnormal association patterns in marine environments with a time series of remote sensing images [J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 38: 105‒114.
• [19] Liu, J., Xue, C., He, Y., et al. Dual-constraint spatiotemporal clustering approach for exploring marine anomaly patterns using remote sensing products [J]. IEEE J-STARS, 2018, 11(11): 3963‒3976.