龐小平 胡曉坤 季青 李娟 張晨雷 梁澤毓 陳亦卓

(1 武漢大學,中國南極測繪研究中心,湖北 武漢 430079;2 自然資源部極地測繪科學重點實驗室,湖北 武漢 430079)

0 引言

全球氣候變化加劇了北極海冰消融,并對區(qū)域氣候和生物地球化學循環(huán)產生重要影響[1-2]。海表葉綠素a濃度是監(jiān)測北冰洋生態(tài)系統(tǒng)最重要的參數之一,能反映浮游植物光合作用的強弱和生物群落的生長狀況。同時,浮游植物的生長狀況與海洋環(huán)境條件密不可分,如水體分層與流速[3]、光照[4]、水溫[5]、營養(yǎng)條件[6]等,因此浮游植物生長狀況的變化能直接反映水體環(huán)境的變化。浮游植物作為食物網中最重要的初級生產者,其種類組成、群落結構和豐度將直接影響水體環(huán)境、生態(tài)系統(tǒng)內的能量和物質交換,進而影響區(qū)域乃至全球的環(huán)境變化[7-9]。北極作為全球環(huán)境變化的敏感區(qū),準確全面地獲取北冰洋葉綠素及浮游植物初級生產力變化信息,是研究北冰洋生態(tài)系統(tǒng)變化、預測全球和區(qū)域氣候變化趨勢的關鍵[2]。

遙感觀測技術是監(jiān)測大尺度海洋初級生產力的重要手段[10]。然而,在北冰洋開展水色遙感存在諸多挑戰(zhàn)。如高緯度地區(qū)較低的太陽高度角需要更準確的大氣校正模型,厚云和大范圍海冰覆蓋嚴重影響了衛(wèi)星數據質量,海冰的高反射率使得獲取冰邊緣區(qū)水體信息變的更加困難等[11-12]。此外,受北冰洋獨特且復雜的水體光學特性影響,國內外廣泛應用的葉綠素a遙感反演算法和模型在北極存在較大的局限性[13]。近年來,國外在區(qū)域優(yōu)化的經驗算法上取得了較大進展。Lewis 和Arrigo[12]以及Carmack等[13]根據洋流流向將北冰洋大陸架劃分為流入陸架、流出陸架和內部陸架,并收集整理了北冰洋生物光學數據庫(圖1),基于不同陸架的生物光學特性提出了適用于北冰洋的區(qū)域優(yōu)化算法(AO.emp 和AOReg.emp)。然而區(qū)域優(yōu)化算法的適用區(qū)域仍存在較大的不確定性。同時,在針對北冰洋水體的半經驗半分析物理模型算法和神經網絡算法方面,Lewis 和Arrigo[12]以及Blix 等[14]進行了相關工作,然而目前這兩類算法的精度仍有很大的提升空間?，F有的初級生產力模型在北極的應用也存在較大的挑戰(zhàn)。海冰覆蓋限制衛(wèi)星數據的空間覆蓋率,嚴重影響衛(wèi)星反演精度[15]。淡水河流注入的大量有色可溶物使得水體光學屬性變得復雜,導致水體組分濃度反演變得困難。同時,水面次表層浮游植物爆發(fā)使得基于水表光學特性建立的初級生產力模型極大地低估了浮游植物生物量[16-17]。

圖1 北極區(qū)域劃分圖與生物數據分布圖。a)北冰洋陸架和海盆。黑線為區(qū)域劃分線,其中陸架與海盆分界線與1000米等深線重合。綠色箭頭表示流入海流而紫色箭頭表示流出海流;b)北極生物光學數據庫中不同項目實測數據空間分布圖(根據Lewis 和Arrigo[12]優(yōu)化的算法繪制)Fig.1.The regional division and biological data distribution of the Arctic area.a) the Arctic Ocean with its shelf seas and basin.Subregions between shelf and basin are bounded by black lines using the 1000 m isobaths.Inflow and outflow currents are depicted as green and purple arrows,respectively;b) spatial distribution of in situ measurements of different program from the AO database colored by expedition[12]

在上述背景下,本文嘗試總結基于衛(wèi)星遙感數據的葉綠素a濃度和初級生產力分析研究方法,詳述北冰洋葉綠素a和初級生產力遙感估算模型及其適用區(qū)域,定性或定量描述其模型精度,同時整理歸納了近年來北冰洋葉綠素a濃度和初級生產力的時空變化特征,以期為我國北冰洋水色遙感、北極生態(tài)系統(tǒng)及其對氣候環(huán)境變化的響應等研究提供參考。

1 葉綠素a 濃度遙感反演算法

1.1 經驗模型算法

用于反演估算葉綠素a濃度的經驗模型算法是基于海表面色素濃度與遙感藍綠波段反射率比之間定量關系的反演算法。其中藍色波段選擇范圍為443 nm、488～490 nm、510～532 nm,綠色波段范圍為551～560 nm[18]。經驗模型算法根據用于圖像處理的波段數分為使用兩波段的OC2 算法、三波段的OC3 算法和四波段的OC4 算法[19]?？傮w而言,經驗算法是采用一個四次多項式模型來擬合葉綠素a濃度(mg·m–3)和波段反射率Rrs之間的關系,其公式如下:

式中,Chl a表示葉綠素濃度,R為最大光譜波段比以10 為底的對數。公式(2)為R與Rrs等式關系舉例,ai為經驗或半經驗系數(i=1,2,3,4)。Mustapha 等[18]應用了在北冰洋波弗特海獲取的實測數據對該經驗模型算法進行了評估,但需要提到的是,作為葉綠素a濃度反演的基礎算法,經驗模型算法在整個北冰洋的適用性還有待于進一步驗證。

1.2 區(qū)域優(yōu)化算法

北冰洋浮游植物種類、有色可溶物等組分相較于中低緯度地區(qū)存在差異,水體光學性質主要由有色顆粒物主導,浮游植物有較高的色素包裝效應。浮游植物相對豐度較低使得后向散射系數較低,硅藻類浮游植物有著較低的輻射吸收系數[20-22]。

傳統(tǒng)算法特別是一些經驗算法比較適用于低緯度海域或者開闊大洋,算法的參數也是基于低緯度水體光學特性發(fā)展而來,因而在水體組分較為復雜的沿海區(qū)域和高緯度海域葉綠素a反演的精度較低。為此采用與研究區(qū)生物光學數據相協調的替代方法(區(qū)域優(yōu)化算法)往往是更好選擇。

Wang 和Cota[20]發(fā)現四波段OC4 遙感算法并不總是在海洋的所有水域有效,特別是在沿海和高緯度海域不能進行準確地葉綠素a濃度反演。為此,他們利用在波弗特海和楚科奇海采集的生物光學數據改進了光輻射傳輸模型,形成了OC4P算法。驗證結果表明,輻射傳輸模型模擬的遙感反射光譜與實測數據吻合較好,也證實了實測數據的運用有助于了解研究區(qū)域的生物光學性質。

Cota 等[22]在分析了北極海域生物光學特性的基礎上,利用線性插值的方式改進了基于SeaWiFS 的經驗算法,提出了一種四波段的線性優(yōu)化算法(OC4L)。這種以實測數據為基準的區(qū)域優(yōu)化算法在研究區(qū)內最大限度地提高反演精度,避免了傳統(tǒng)算法出現負值的情況。Son 和Kim[23]在研究斯瓦爾巴群島附近海域葉綠素a濃度時發(fā)現與NASA 標準算法反演結果存在較大誤差。該海域葉綠素a濃度對氣候變化非常敏感,同時非藻類顆粒(NAP)對藍色波長高度吸收且有色可溶物質(CDOM)較多。因此,Son 和Kim 在結合該區(qū)域生物光學和水體光學特性的基礎上開發(fā)了三種區(qū)域優(yōu)化算法(SC3M、SC2S、SC4)。

Lewis 和Arrigo[12]收集了各國共34 次北極考察的生物光學數據,建立了一個大型北極生物光學數據庫,該數據庫涵蓋了不同季節(jié)、不同區(qū)域的實測數據,能較好地反映北冰洋水體的固有光學屬性?；趯崪y數據的分析,Lewis 和Arrigo提出適用于全北冰洋的優(yōu)化經驗算法(AO.emp)和區(qū)域優(yōu)化算法(AOReg.emp),并針對不同的傳感器特點優(yōu)化出不同的算法系數。

1.3 半經驗半分析物理模型算法

半經驗半分析物理模型算法是一種基于海洋固有光學模型的分析算法。該算法通過水體各個組分(如葉綠素a濃度、CDOM、懸浮顆粒等)的光學性質來反演特定要素組分的濃度。Carder 等[24]的研究表明遙感反射率Rrs(λ)與海洋表面的離水輻射LW(λ)和下行輻照度Ed(λ)的比值有關,而離水輻射、下行輻照度又與水體的后向散射系數bb(λ)和吸收系數a(λ)有關。Lewis 和Arrigo[12]提出了適用于全北冰洋海域的半經驗半分析物理模型算法(AO.GSM)。該算法具有較高的葉綠素a濃度反演精度,同時對有色可溶物質的吸收系數和顆粒物的后向散射系數也有較高的精度,能較好地反映北冰洋水體的光學特性。相關公式推導如下:

式中,t 為海氣通過率,n 為海水折射率,二者都可看作是常數;f(λ)/Q(λ)為輻射分布因子,由于其值在大多數衛(wèi)星觀測幾何模型中較小[25],因而上式可以簡化為:

式中,C 表示為常數,bb(λ)和a(λ)表示水體的后向散射系數和吸收系數,這兩項系數和水體的光學屬性有關,是各組分的線性疊加,即:

式中,bbw(λ)和aw(λ)表示純水的兩項系數,bbp(λ)表示水體中各組分后向散射系數的總和,aph(λ)和adg(λ)分別表示葉綠素色素的吸收系數和水體顆粒物的吸收系數[19]。bbp(λ)、aph(λ)、adg(λ)又有如下公式表示:

式中,λ0是參考波段(通常為443nm);Sdg是水體顆粒物的光譜衰減系數;Sbbp為后向散射系數;Chl a是葉綠素a濃度,是葉綠素a吸收系數。利用Rrs(λ)在412 nm、443 nm、490 nm、510 nm和555nm 的反射率代入公式中求解出Chl a、bbp(λ0)和adg(λ0)三個未知量。

1.4 神經網絡與機器學習反演方法

基于多元非線性回歸技術的神經網絡算法可以依據測量數據(即濃度和反射率)或模擬數據集進行訓練并分析。Buckton 等[26]利用MERIS 數據在計算海水組分時發(fā)現神經網絡算法不但比傳統(tǒng)的經驗方法(如波段比值法等)具有更高的反演精度,而且還可以獲得多種信息(如幾何參數、大氣能見度等)。

隨著計算機技術的發(fā)展,采用多個隱藏層的機器學習模型算法被廣泛應用于海洋葉綠素a濃度的遙感反演中。Blix 等[27]利用機器學習高斯回歸過程模型算法反演了巴拉頓湖的葉綠素a濃度,研究表明機器學習法在反演復雜水體組分上相比于經驗算法有更高的靈敏度。隨后,Blix 等還利用該算法估算了北極和亞北極海域的葉綠素a濃度。研究結果表明,機器學習模型在開闊水域和沿海地區(qū)有較好的反演精度,在水體輻射校正上比傳統(tǒng)方法更優(yōu)[14]。

2 初級生產力遙感估算方法

2.1 經驗模型遙感估算方法

Hill 和Zimmerman[28]基于北冰洋楚科奇海多次走航觀測數據,提出了海表初級生產力的經驗公式:

Hill 等[29]結合實測數據和水體光學特性將水體從垂直方向上分為了四個部分,分別為混合層、透光層、1.2 倍光學厚度層和淺層,在此基礎上利用ARCSS-PP 數據庫和1998—2007 年之間的衛(wèi)星數據提出泛北冰洋海域的綜合深度經驗模型,其公式如下:

式中,PPsat表示衛(wèi)星反演的初級生產力,單位為mg C·m–2·d–1;Chl a表示葉綠素a濃度,單位為mg·m–3;Z表示深度,單位為m。該模型的創(chuàng)新在于提出了一種利用遙感手段反演不同深度葉綠素a濃度,一定程度上解決了次表層浮游植物爆發(fā)造成的初級生產力低估的問題。實測數據檢驗的結果表明,模型在混合層和透光層反演精度較高,而在夏季時期模型低估了40%～75%。

2.2 垂直廣義生產模型

Behrenfeld 和Falkowski[30]提出了一套基于葉綠素濃度、光照周期和光深度參數的垂直廣義生產模型,用以估算海洋凈初級生產力。垂直廣義生產模型的核心思想是將單位面積海域水面到透光層底部看作單位水柱,對單位水柱進行建模計算單位海域的凈初級生產力,再結合衛(wèi)星觀測資料估算整個研究區(qū)域的凈初級生產力。該模型如式(12)所示:

式中,NPP表示從表層至真光層深度的每日凈初級生產力;表示最高光合作用速率,其數值與溫度有關;PAR為表面光合活性輻射,即浮游植物能利用的表層有效太陽輻射;Zeu為真光層深度,dl為日照時間。

Hill 和Zimmerman[28]提出了適用于楚科奇海和西波弗特海的垂直廣義生產模型,并將OC4L算法反演的葉綠素a濃度作為輸入值代入反演的優(yōu)化模型中。同時,他們還發(fā)現北冰洋海域的浮游植物最高光合作用速率和催青溫度(T)與中低緯度浮游植物有較大的差異?；趯崪y數據的統(tǒng)計分析,改進后的模型如下:

2.3 碳基海洋生產力模型

碳基海洋生產力模型是Behrenfeld 等[31]提出的一種基于浮游植物生物量和葉綠素a濃度的海洋初級生產力模型。室內培養(yǎng)結果表明,浮游植物會調節(jié)細胞色素水平以應對光照、營養(yǎng)物質、溫度等環(huán)境變化,滿足它對光合作用的需求,而這種變化可以通過浮游植物生物碳和葉綠素a濃度比值來定量反映[32-33]?；谠撗芯拷Y果,Behrenfeld 等計算全球初級生產力的步驟如下:

(1)利用顆粒物后向散射系數bbp來估算浮游植物碳生物量:

式中,C表示浮游植物碳生物量(單位為mg C·m–2);0.00035 為背景值,表示水體碎屑組分和顆粒物對散射系數估計的偏差。

(2)利用葉綠素a濃度和浮游植物生物量的比值(Chla:C)計算浮游植物的生長速率(μ):

繁華一瓢飲止：《金粉世家》號稱民國紅樓，的確是有點紅樓的影子。尤其是對女性的塑造都極用心，為整部小說的基調和氛圍都增色許多。

式中,Chl a:Csat表示衛(wèi)星反演的葉綠素與生物量之比,Ig表示混合層光級,即水體的光照強度。

(3)結合浮游植物生長速率和生物量來估算海洋凈初級生產力:

式中,Zeu表示光合作用活躍的深度,單位為m;h(I0)是描述光照變化對深層植物光合作用的函數。

Hill 和Zimmerman[28]在前人研究的基礎上,提出了應用于楚科奇海和波弗特海的碳基生產力模型,與大洋算法不同的是,他們提出一種經驗算法來估算浮游植物碳生物量(C)。并且利用OC4L 算法來反演葉綠素a濃度。公式如下:

式中,R表示光譜最大波段比,該值取決于衛(wèi)星的觀測波段。模型估算結果與實測數據的回歸分析表明,春季時模型估算結果整體會略微偏高但相關系數較高,達到0.74,標準偏差為0.35。而在夏季,模型精度較差,具體表現為在一部分區(qū)域高估,而在另外區(qū)域低估,相關系數為0.17,標準偏差為0.51。

2.4 極地海洋初級生產力參數化模型

Arrigo 等[34]基于SeaWiFS 葉綠素a濃度數據、海表溫度數據和水體有效輻射,提出了一種適用于極地海域的初級生產力估算模型,其計算公式如下所示:

式中,PP為日尺度初級生產力,單位為mg C·m–2·d–1;z表示深度,單位為m;t為時間,單位為h;表示浮游植物碳生物量與葉綠素a濃度的比值,反映浮游植物在不同環(huán)境下光合作用效率;Chl a(z)表示隨深度改變的葉綠素a濃度,可通過式(21)計算;G(z,t)為凈生物量增長速率,它是關于時間t和深度z的函數,可通過式(22)計算。

式中,Chla(0)表示表層葉綠素濃度,單位為mg·m–3;MLD表示混合層的深度,單位為m。

式中,G0表示微藻類在0℃下的最大凈生長速率,通常為常數0.59 d–1;r為G值對溫度的敏感度;T(t)為隨時間t變化的溫度函數,單位為℃;L(z,t)為光限制函數,其定量表達式如下:

式中,PUR(z,t)表示光合有效輻射,是隨時間和水深變化的參量;EK(z,t)為光馴化參數,是定量化描述浮游植物對光環(huán)境變化的響應。

Pabi 等[35]利用衛(wèi)星反演的葉綠素濃度數據、海表溫度數據和海冰范圍數據,改進了Arrigo 等提出的初級生產力模型,并利用改進的模型估算了北冰洋1998 年至2006 年的初級生產力,結果表明模型在夏季低估較為嚴重,原因在于次表層浮游植物爆發(fā)。

北極地區(qū)低光照、低太陽高度角是限制浮游植物光合作用的重要原因。因此,Bélanger等[36]基于實測光譜輻照度數據提出了適用于泛北冰洋海域的光譜解析生產力模型,其表達公式如下:

式中,PP表示初級生產力,單位為mg C·m–2·d–1;Chl a表示葉綠素a濃度,單位為mg·m–3;表示輕飽和葉綠素標準化固定率,是浮游植物光合作用強度的指標,根據北冰洋水體現場觀測結果該值通常為2.0 mg C·(mg Chl)–1·h–1;EK為飽和輻照度,單位為mol C·m–2·s–1;PUR(z,t)為光合有效輻射,由如下公式表示:

式中,aph(λ)為浮游植物光譜吸收系數;E0為光譜標量輻照度;Kd(λ,t)為水體光譜擴散衰減系數。

3 北冰洋葉綠素a 與初級生產力時空分布與變化研究進展

目前,國內外學者對北冰洋浮游植物生物量和初級生產力估算方面取得了一定的進展。Zhang等[37]利用衛(wèi)星觀測數據的分析結果顯示,1988—2007 年海冰減少導致北極海域初級生產力在20 年間增加了50%。Lewis 等[38]運用了半經驗半分析物理模型算法和區(qū)域優(yōu)化算法反演并分析了1998—2019 年北極海域長時序的葉綠素a濃度變化,同時對北極海域近20 年浮游植物初級生產力進行了估算。研究結果表明,北極海域葉綠素a濃度在1998 年至2019 年間增加了22%,幾乎所有的增加都發(fā)生在2009 年之后。葉綠素a濃度增加的區(qū)域主要是楚科奇海和巴倫支海,分別增加了26%和61%,并且在過去的四年里年平均葉綠素a濃度的最大值出現了三次。

在北冰洋葉綠素a濃度的季節(jié)變化研究方面,Pabi 等[35]發(fā)現北極海域浮游植物有著較為明顯的生長周期。在1—3月,海冰覆蓋范圍較大時,葉綠素a濃度與初級生產力幾乎為零。從4月開始海冰消融,葉綠素a濃度上升,5月時出現最高值。隨后,北極海域葉綠素a濃度會有所降低,而在7—8月會迎來全年的第二次高爆發(fā),9—12月隨著海冰生長,葉綠素a濃度逐漸降低。Pabi 等[35]的研究結果還表明,北冰洋表層水中葉綠素a濃度的年平均值為1.5 mg·m–3,藻華爆發(fā)的時間一般為春、秋兩季,葉綠素a濃度最高接近2.5 mg·m–3。隨著海冰的減少以及北極年平均氣溫的上升,浮游植物生長周期受到較大影響,浮游植物爆發(fā)生長時間提前[35]。Kahru 等[39]利用衛(wèi)星觀測數據分析了1997—2009年間北極地區(qū)浮游植物爆發(fā)的時間,發(fā)現北冰洋約11%的海域(如哈德遜灣、巴芬灣、格陵蘭島沿岸海域、喀拉海)在初夏時期,因海冰快速消融導致浮游植物爆發(fā)生長時間提前了50天。

北極地區(qū)的年平均初級生產力約為1.5 Gt C·a–1,北極圈(66.5°N)以北的海域面積為 1.4×107km2,所以單位面積的年均初級生產力約為107 g C·m–2·a–1[40]。Pabi 等[35]利用極地海洋初級生產力參數化模型估算了1998—2006 年北冰洋初級生產力。結果表明,在3—9 月浮游植物生長季節(jié)里,北冰洋單位面積的日均初級生產力達到了420±26 mg C·m–2·d–1?？臻g分布上,浮游植物爆發(fā)增長的海域主要在巴倫支海、喀拉海和東西伯利亞海。同時,這些海域也是海冰范圍縮減較為明顯的區(qū)域。對開闊水域和海洋初級生產力進行回歸分析發(fā)現,北冰洋浮游植物增長與開闊水域面積的增長密切相關,而與輻照度和海表溫度的相關性較小。

Arrigo 等[41]分析了2003—2007 年北極海域初級生產力的時空變化。年初級生產力在2003—2006 年間增長了27.5 Tg C·a–1,但在2006—2007年間增長了35 Tg C·a–1,超過過去五年增長值。春季海冰融化加速和秋季凍結延遲的共同作用導致2007 年無冰時間比2006 年長100 天。在拉普捷夫海、西伯利亞海和楚科奇海的大部分海域,包括沒有受到2007 年夏季海冰面積急劇減少影響的大陸架地區(qū),2007 年浮游植物生長時間比2006 年延長了25～75 天(圖2)。

圖2 北冰洋2006 和2007 年初級生產力以及浮游植物生長時長變化。a) 2006 年初級生產力; b) 2007 年初級生產力;c) 2006 年至2007 年初級生產力變化(暖色區(qū)域表明2007 年的產量更高);d) 2006 年至2007 年浮游植物生長時長變化。通過2006 年3 月1 日至9 月30 日的冰覆蓋總日數減去2007 年3 月1 日至9 月30 日的冰覆蓋總日數獲得,暖色區(qū)域表明2007 年有較長的生長時長(根據Arrigo 等[41]研究繪制)Fig.2.Primary production in the Arctic Ocean in 2006 and 2007 and the changes in phytoplankton growing season.a) annual primary production in 2006;b) annual primary production in 2007;c) the change in annual primary production between 2006 and 2007 (warm-colored areas were more productive in 2007);d) the changes of phytoplankton growing season between 2006 and 2007.The change in the phytoplankton growing season was calculated by subtracting the total number of days of ice cover between 1 March and 30 September 2007 from the total number of days of ice cover between 1 March and 30 September 2006.Warm-colored areas had a longer growing season in 2007[41]

4 總結與展望

過去幾十年里,北冰洋水色遙感以及葉綠素a濃度和浮游植物初級生產力的研究取得了較大的進展。基于衛(wèi)星影像的反演算法的精度不斷提高,對極地海域浮游生物的研究從早期簡單的數據收集發(fā)展到大尺度時空變化監(jiān)測,并推動了生物、生態(tài)、物理、化學等多領域的交叉融合。水色遙感因其具有的長時序、大范圍監(jiān)測的技術優(yōu)勢,將在未來北冰洋海洋生態(tài)系統(tǒng)研究中發(fā)揮愈加重要的作用。

目前北冰洋水色遙感研究面臨一些問題與挑戰(zhàn)。北極地區(qū)的高緯度大氣校正因低太陽高度角、云霧密布等特點變得困難。傳統(tǒng)的遙感大氣校正方法是基于大氣平面假設建立查找表來進行校正,而在高緯度地區(qū)這種方式會帶來較大的誤差,應考慮大氣球面分布重新建立查找表。同時還應該考慮到北冰洋大氣散射和吸收增強、太陽光光程增加等因素,開展遙感大氣校正。

在發(fā)展高精度北冰洋葉綠素a濃度遙感反演算法方面,面臨的主要問題有以下幾方面。其一,陸源有機物和有色顆粒使得北冰洋水體光學特性變得復雜并且空間差異明顯。其二,受北冰洋浮游植物較高光吸收性(色素包裝效應)的影響,通用的大洋水體算法在北極有很大的局限性?；趯崪y數據的區(qū)域優(yōu)化算法能部分解決算法精度問題,前人研究結果也表明相較于通用經驗算法,區(qū)域優(yōu)化算法具有較高精度,但區(qū)域算法的適用范圍較小,往往某一區(qū)域得出的算法無法應用于其他區(qū)域。半經驗半分析物理模型算法是基于水體光學特性的反演算法,發(fā)展針對北冰洋水體考慮熒光信號的半經驗半分析物理模型算法,是未來開展北冰洋葉綠素a濃度遙感研究的重要方向之一。

北冰洋初級生產力估算模型還存在一定的局限性。首先,無論是垂直廣義生產力模型還是極地參數化模型都存在不同程度的低估,原因在于水面以下次表層浮游植物爆發(fā)。其次,大部分模型對水體垂直方向上光學特性、生物分布和環(huán)境因素改變的模擬不足,導致大部分模型僅能在淺表層有較好的精度。其三,北冰洋冰下浮游植物爆發(fā)已成常態(tài),遙感手段在此方面的作用有限,可考慮結合實測數據構建新的估算模型,探索冰邊緣區(qū)和冰下大尺度初級生產力的時空分布規(guī)律。

未來北冰洋葉綠素a及初級生產力研究可在以下幾個方面展開:(1)生態(tài)模型與遙感技術的結合。生態(tài)模型是對生態(tài)環(huán)境物理化學過程的模擬。對于冰下等難以觀測的地區(qū),遙感技術結合生態(tài)模型是了解難以觀測地區(qū)生態(tài)機制的重要方法。同時,生態(tài)模型與遙感結合的方式也是研究北冰洋大尺度浮游植物時空分布的重要方法,能更好地了解生態(tài)系統(tǒng)對環(huán)境變化的響應以及相互作用機制。(2)多元觀測手段協同實現對北冰洋水體的垂直觀測。海洋次表層、混合層等水面下浮游植物爆發(fā)是北冰洋春夏季浮游植物生長特點,然而一般光學衛(wèi)星難以穿透水面。可考慮利用激光雷達衛(wèi)星(如CLIPSO)結合走航等觀測手段,探索北冰洋生態(tài)系統(tǒng)的變化。(3)海冰邊緣區(qū)浮游植物爆發(fā)過程與環(huán)境因素。北冰洋海冰邊緣區(qū)浮游植物爆發(fā)的時間特征與空間特征是未來北冰洋水色遙感的重要內容之一。同時,了解海冰邊緣區(qū)的理化性質、營養(yǎng)結構分層、熱量收支平衡等環(huán)境因素是揭示海冰邊緣區(qū)浮游植物爆發(fā)過程的重要一環(huán),有助于認知北冰洋生態(tài)環(huán)境變化及其與其他圈層的相互作用。