基于GEE的中國南海水質反演與富營養化評價

王鳳霞,夏卓異,郭雨輝,楊子清,李佳欣,陳崯曉

基于GEE的中國南海水質反演與富營養化評價

王鳳霞1,夏卓異2*,郭雨輝1,楊子清1,李佳欣1,陳崯曉1

(1.海南大學旅游學院,海南 海口 570203；2.南京大學建筑與城市學院,江蘇 南京 210093)

基于Google Earth Engine(GEE)平臺,以MODIS遙感影像為數據源,通過構建多元特征建立水質反演模型,分析了2006～2018年的南海透明度(SD)、總氮(TN)、葉綠素(Chl-a)、化學需氧量(COD)的空間變化特征,并通過綜合營養指數分析了南海富營養化的時空趨勢.結果表明:GEE結合多元回歸模型能夠較好模擬南海水質變化,水質對于MODIS特征的響應程度為SD>COD>TN>Chl-a,多項式擬合水質參數效果最好;南海的SD、TN、Chl-a、COD 4個水質參數時空異質規律明顯,SD高值主要分布在菲律賓西部和越南東部的海域,2006～2018年SD逐步降低, 2006～2018年間TN高值分布范圍逐年擴大,而Chl-a濃度逐步降低,2006～2018年期間COD在逐漸蔓延;通過三維趨勢面分析,SD和COD、TN和Chl-a的空間變化趨勢相似,而Chl-a則與SD、COD的變化趨勢完全相反;2006～2018年,中國南海富營養化程度呈遞增趨勢,不同國家應當開展區域合作以進行海洋環境治理.

中國南海；時空演變；Google Earth Engine；MODIS；綜合營養指數；富營養化

富營養化是海洋出現的生態異常現象,多發生在有機污染嚴重、水交換不良的內海和港灣或排污河口近岸水域.海洋水質受到人類活動和氣候變化的雙重影響,已經成為全球性的社會-生態問題[1],不僅限制了各國海洋產業的發展,也導致海洋生態結構和功能的下降[2].研究營養物質在海洋環境中的過程和機制,成為國內外科學家和世界各國政府共同面臨的任務和挑戰[3].南海素有“亞洲地中海”之稱,是溝通兩大洋和聯系三大洲的海上樞紐,不僅是我國最大的海域,也是“一帶一路”戰略的重要節點,具有重要的戰略意義.

國內外不少學者對南海水質的評價模型進行研究.早期學者使用物理參數法和化學參數法進行點數據測量[4],再進一步通過單因子法[5-6]、綜合指數法[7]、模糊聚類[8]和主成分分析[9]等方法對水質的營養化程度進行評估.研究表明,南海大亞灣的富營養化狀況較高,水質的季節性變化受到季風和人類活動的影響[10];海水溫度是影響南海北部海水質量最為關鍵的水質因子,海水的溫熱結構決定著其他水質參數的分布模式和變化特點[11];南海南部區域總體營養鹽水平較低,南海富營養化呈現空間上的不均衡[12-13].由于地域空間的限制,點數據模型評估依賴于數據的代表性和有效性,難以進行大范圍水域的同步采樣測量和分析南海水質的時空異質性[14].

我國海洋遙感應用自20世紀70年代起步以來,構建了覆蓋海洋水色、海洋動力和海洋監視監測的3大系列海洋衛星[15].利用衛星遙感技術探測海水指標,可大大減少采樣工作量,探測速度快、成本低,與常規方法具有很好的互補性[16].Yi等[17]對南海表面鹽度分析表明,需要長時間序列和高空間分辨率數據揭示氣候變化和海洋鹽度的耦合關系.但海洋衛星數據容易受到海洋環流、大氣作用和海氣作用的影響,導致數據存在一定的偏差[18].

為了對南海水質空間進行擬合,需要構建水質特征,并建立和觀測點之間的關聯,當前學者主要采用多元回歸、BP神經網絡[19]、貝葉斯網絡[20]等方法.當測量數據較少時,BP神經網絡和貝葉斯網絡在擬合觀測數據和遙感數據時容易造成過擬合或欠擬合,對研究結果造成影響,而多元回歸模型在少樣本數據擬合上更為穩健[9].基于此,本文在獲取海南水域28個實測葉綠素(Chl-a)、總氮(TN)、透明度(SD)、COD數據的基礎上,以GEE云遙感處理平臺為分析處理平臺[21],獲取海洋和陸地的MODIS數據,利用多元回歸分析的方法,將水質觀測與遙感光譜信息相結合,建立中國南海水域水質參數與衛星遙感數據之間的反演模型,再通過三維趨勢面分析其不同水質參數的空間特征,最后對2006～2018年的南海富營養化狀況進行評估,以期為研究中國南海水質變化和富營養化空間規律提供依據.

1 數據來源與研究方法

1.1 數據來源

1.1.1 站點監測數據 本文所用的實測數據均為站點監測數據,分別是來自中國南海三亞近海海域2005～2006年24個站點的監測數據和2007～2018年27個站點的監測數據.按照相關性、可操作性、簡潔性和科學性相結合的原則,選取Chl-a、TN、SD、COD作為海洋富營養化評價指標[22].數據全部由國家海洋局海口海洋環境監測中心站測試,葉綠素采用TU-1900紫外可見分光光度計檢測;總氮包括硝酸鹽-氮(NO3--N)、亞硝酸鹽-氮(NO2--N)和無機氮,分別基于鋅-鎘還原法、荼乙二胺分光光度和次溴酸鹽氧化法并通過TU-1900紫外可見分光光度計測量;其次,使用透明度盤測算透明度;最后,基于碘量法使用50mL酸式滴定管測算COD濃度.分析站點實測數據并對其取平均值進行分析,結果表明不同水質參數的時間趨勢差異明顯(表1).

表1 2005～2018年SD、NO3--N、NO2--N、無機氮、Chl-a、COD變化

1.1.2 遙感數據 本文采用GEE(GoogleEarthEngine)數據庫中的MOD09GA和MODODGA全球地表反射率數據集作為數據源.MODIS表面反射率產品提供了表面光譜反射率的估計值,因為它在沒有大氣散射或吸收的情況下在地面上進行測量,并對大氣氣體和氣溶膠的低水平數據進行了校正. MOD09GA和MODOCGA數據集共包含16個波段.MOD09GAV6在正弦投影中的每日網格化L2G產品中提供了1～7波段,包括500m反射率值和1km觀測數據.MODOCGAV6海洋反射率產品包含TerraMODIS8～16波段的1km反射率數據.8～16波段主要用于生產海洋產品,該產品稱為海洋反射率.表2為本研究所采用的15種波段以及其對應的波段寬度、分辨率和信噪比.由2005年1月1日～2018年12月31日的MOD09GA和MODODGA獲取的共360張原始遙感影像圖,基于GEE平臺去云掩膜提取算法排除掉無效影像和因陰影、云、雪造成的不可觀測的影像數據[23-24].

表2 數據來源

1.2 研究方法

1.2.1 水質特征構建 比值植被指數法(RVI)、歸一化植被指數法(NDVI)、增強植被指數法(EVI)等是水體富營養化遙感監測的主要方法.利用NDVI識別水體中的水質參數效果一般[25].因此選取浮游藻類指數(FAI)來進行南海海域的水質參數反演[26],在將多種水體指數進行對比的基礎上選擇利用多波段水體指數(MBWI)反映水質特征[27],基于MODIS數據的FAI公式以及MBWI指數的算法如下:

式中:代表遙感數據中第個波段的反射率;2、1、5分別為859,645,1240nm.

1.2.2 反演模型確立 利用SPSS 23軟件對各個波段及水質特征與相應的實測水質參數數據進行相關分析,篩選出相關性較大的波段作為因變量[28].對20個站點數據進行多項式法、對數法、線性法和指數法擬合,確立波段組合和水質反演模型.

表3 綜合營養狀態指數

1.2.3 精度評價指標 對剩余的站點數據進行預測,并用2、均方根誤差(RMSE)評價模型精度.

1.2.4 綜合營養狀態指數 采用綜合營養狀態指數法對南海營養化狀態進行評價[29](表3).按照自然斷點分級法分為貧營養化、中營養化、輕度富營養化、中度富營養化和重度富營養化5個區間[30](表4).

表4 綜合營養狀態指數法評價標準

2 結果與討論

2.1 單波段、水體指數與水質參數的相關性

圖1 單波段、水體指數與水質參數的相關性

如圖1所示,SD水質參數對B1～B10波段、B12～B15波段、FAI波段、MBWI波段具有較高的敏感性,其中SD與B1～B10波段、FAI波段、MBWI波段呈現負相關,與B11～B15波段呈現正相關,基于MODIS數據構建的特征能夠較好地反映海洋透明度狀況.與COD為0.01級別的相關性顯著的單波段和水體指數數量較少,COD與SD存在高度的負相關性,與B2、B3存在高度的正相關性.TN與B12、B14正相關性最大,與B9和COD負相關性最大. Chl-a對單波段和水體指數呈現相關性不顯著,且負相關性數量大于正相關性數量.不同波段特征對于SD、COD、Chl-a和TN的響應程度不同.

2.2 反演模型確立

如表5所示,SD和COD在單元和多元情境下均取得較好的效果.綜合考慮2和RMSE,選擇SD= 1027.7(B02)2-134.71(B02)+5.9348作為SD的反演模型,2為0.638,RMSE為0.551,效果具有良好的一致性.對TN建立不同形式的反演模型,其中擬合效果最好的是基于SD、B01、B02、B03的多元變量非線性擬合,擬合方程為TN=-0.000077916 (SD)2- 0.381(B01)+ 0.088(B02)+0.033(B03)+0.027;對水質參數COD建立模型,擬合效果最好的是基于SD、B05、FAI、B01、B10擬合的多元方程,2為0.701,擬合結果為COD= 0.034(SD)2-49.373(B05)+108.395(FAI)-47.788(B01)- 17.794(B10)+3.318;Chl-a與SD存在相關性,對水質參數Chl-a建立模型,確立擬合函數Chl-a=-0.00027567 (SD)2-12.485(B02)+15.565(B05)-4.913(B03)+1.089.通過對比分析,發現多項式能夠較好擬合水質和遙感光譜信息,對數次之,且多元擬合效果明顯優于單元.MODIS數據能夠較好地響應SD,SD反演模型的擬合優度均大于0.5,具有較好的準確性,而TN和Chl-a不同模型的2和RMSE差異較大,通過多元逐步回歸只模擬出一種最優模型.

表5 反演模型比較

續表5

2.3 水質反演結果

水質參數反演后基于六邊形格網進行Zonal Statistics處理,得到2006～2018年的SD、TN、Chl-a和COD 4個參數的反演結果,并根據自然斷點分級法分為5個等級.如圖2(a)所示,2006年中國南海SD高值主要分布在菲律賓西部和越南東部的海域, 2009年在海南島和廣東省沿海也出現高值;但由于石油工業的開發等人類活動,2012年SD降低較明顯,整體上水質較清晰;2015年SD值整體有所下降,差異性降低;2018年SD最高值繼續下降,而菲律賓西部海域仍然保持較高的SD值.如圖2(b)所示, 2006～2018年間,TN高值分布范圍逐年擴大,從2006年的南海中部區域到中國廣東省沿海也逐漸出現TN密集區域,海洋污染加劇,到2018年整個中國南海的TN已呈現出空間連通性,而中國南海西北部即菲律賓西部的海域的TN濃度一直處于低水平.如圖2(c)所示,2006年Chl-a主要在中國南海的文萊北部的海域分布較多,在菲律賓西部和越南東部也有一定分布,中國南海中部分布最少.2009～2012年Chl-a整體濃度降低,分布規律上與2006年相比變化不大.由于海洋生態的治理,2015年Chl-a濃度繼續整體降低,高值分布范圍減少,但Chl-a已經蔓延至中國廣東省和廣西省沿海.而到2018年Chl-a高值只在文萊沿海和廣東省沿海分布.如圖2(d)所示,2006年中國南海的COD高值主要分布在越南東部沿海和菲律賓西部沿海,由于海洋水質的破壞,2006～2018年期間COD在逐漸蔓延,并形成空間連通性.由此可見,中國南海水質富營養化是一個較為復雜的體系,海水流動、氣候變化和人類活動都會影響南海水質,海洋保護迫在眉睫.

圖2 2006～2018年中國南海SD、TN、Chl-a和COD反演結果

Fig.2 Inversion of Water SD、TN、Chl-aandCOD in the South China Sea from 2006～2018

2.4 三維趨勢面分析

據圖3可知,SD(圖3a)的空間差異明顯,表現出由西向東逐漸增高,由北向南先升高后降低的趨勢,高值集中在中國南海東部,即菲律賓西部的海域; TN(圖3b)空間變化不明顯,表現出由西向東逐漸降低,由北向南慢慢升高的趨勢,在南海的西南部海域為較高值;Chl-a(圖3c)在空間上分布較為均勻,差異小,總體表現出自西向東逐漸降低的變化趨勢,在南北方向上則表現出先降低后升高的變化趨勢,并且低值集中在中國南海東部,即菲律賓西部的海域;COD (圖3d)在南北方向上具有顯著的差異性,自北向南先升高后降低,而東西方向變化幅度相對較小,主要表現出由西向東先降低后升高的趨勢,高值集中在中國南海東部,即菲律賓西部的海域.SD和COD、TN和Chl-a的空間變化趨勢兩兩較為相似,而Chl-a則與SD、COD的變化趨勢完全相反.

圖3 基于三維趨勢面分析的中國南海水質參數空間變化趨勢

、和軸分別代表東西方向、南北方向和水質參數值大小

2.5 富營養化時空演變

不同時間段內引起海域富營養化的主要因子不同,由此導致不同年份富營養化等級存在差異.分析南海水質富營養化時空演變,發現南海大部分海域水質富營養化等級逐漸升高.如圖4所示,中國沿海海域在2006年、2009年為中營養等級, 2012年為輕度富營養等級,2015年其水質為中度富營養等級,到2018年,大規模區域出現重度富營養化.南海中部區域由2006年的貧營養化到2009年的中營養化,由2012年的輕度營養化到2018的中度營養化.馬來西亞北部的海域2006年為輕度富營養化,2009年為中度富營養化,2012年、2015年、2018年為重度富營養化,南海富營養化呈現不均衡蔓延趨勢.

圖4 南海富營養化時空演變

3 結論

3.1 本文基于GEE云遙感處理平臺使水質反演,通過相關分析發現水體SD、COD、TN和Chl-a對不同波段的響應程度不同,通過多項式法、對數法、線性法和指數法對不同水質參數進行了單元和多元逐步回歸的擬合,根據2和RMSE最終確立了水質反演模型,結果具有良好的一致性.

3.2 2006年～2018年南海水質變化表明,水體SD呈逐年下降趨勢;TN的分布在不斷轉移并且有形成連通的趨勢;2006年～2018年南海整體Chl-a濃度持續減少,且分布不斷擴散;COD呈逐年上升的趨勢.

3.3 趨勢面分析發現,2006～2018年南海SD的空間差異較為明顯,表現出由西向東逐漸增高,由北向南先升高后降低的趨勢;TN空間變化不顯著,表現出由西向東逐漸降低,由北向南慢慢升高的趨勢;Chl-a表現出自西向東逐漸降低的變化趨勢,在南北方向上則表現出先降低后升高的變化趨勢;最后,COD自北向南先升高后降低,而東西方向變化幅度相對較小.

3.4 基于綜合營養狀態指數法對南海營養化狀態進行評價結果表明,南海富營養化的時空異質性和蔓延趨勢顯著,當前南海正面臨富營養化威脅,不同國家應當開展合作加強海洋環境治理.

[1] 陳紹勇,龍愛民,周偉華,等.南海北部上層海水關鍵水質因子的監測與分析[J]. 熱帶海洋學報, 2006,25(1):15-18.

Chen S Y, Long A M, Zhou W H, et al. Monitoring and analysis of key water quality parameters in northern South China Sea [J].Journal of Tropical Oceanography, 2006,25(1):15-18.

[2] Melbourne-Thomas J, Johnson C R, Ali?o P M, et al. A multi-scale biophysical model to inform regional management of coral reefs in the western Philippines and South China Sea [J]. Environmental Modelling & Software, 2011,26(1):66-82.

[3] Wu M, Wang Y, Wang Y, et al. Seasonal and spatial variations of water quality and trophic status in Daya Bay, South China Sea [J]. Marine Pollution Bulletin, 2016,112(1/2):341-348.

[4] Zhang Y, Liu X, Qin B, et al. Aquatic vegetation in response to increased eutrophication and degraded light climate in Eastern Lake Taihu: Implications for lake ecological restoration [J]. Scientific Reports, 2016,6(1):23867.

[5] 王以斌,劉 軍,邵 帥,等.連云港近岸海域2011～2016年環境變化研究[J]. 中國環境科學, 2019,39(8):3430-3440.

Wang Y B, Liu J, Shao S, et al.2011～2016 marine environment temporal variations research in the Lianyungang coastal area [J]. China Environmental Science, 2019,39(8):3430-3440.

[6] 徐祖信.我國河流單因子水質標識指數評價方法研究[J]. 同濟大學學報(自然科學版), 2005,33(3):321-325.

Xu Z X. Single factor water quality identification index for environmental quality assessment of surface water [J]. Journalof Tongji University (naturalscience), 2005,33(3):321-325.

[7] 張際標,張 鵬,戴培東,等.海南島近岸海域溶解無機磷時空分布及富營養化[J]. 中國環境科學, 2019,39(6):2541-2548.

Zhang J B, Zhang P, Pei D D, et al.Spatiotemporal distributions of DIP and the eutrophication in Hainan Island adjacent coastal water [J]. China Environmental Science, 2019,39(6):2541-2548.

[8] 鄒志紅,云 逸,王惠文.兩階段模糊法在海河水系水質評價中的應用[J]. 環境科學學報, 2008,28(4):799-803.

Zou ZH, Yun Y, Wang H W.Application of tvostage fuzzy set theory to water quality evaluation in the Haihe River system [J]. Acta Scientiae Circumstantiae, 2008,28(4):799-803.

[9] Shan V, Singh S K, Haritash A K. Evaluation of water quality and potential metal contamination in ecologically important Bhindawas bird sanctuary, India [J]. Applied Water Science, 2021,11(1):1-9.

[10] Wu M, Wang Y, Wang Y, et al. Seasonal and spatial variations of water quality and trophic status in Daya Bay, South China Sea [J]. Marine Pollution Bulletin, 2016,112(1/2):341-348.

[11] Donchyts G, Baart F, Winsemius H, et al. Earth's surface water change over the past 30years [J]. Nature Climate Change, 2016,6(9):810-813.

[12] Suratman S, Hee Y Y, Tahir N M. Nutrients Status of Kemaman River Basin in Southern South China Sea (Malaysia) [J]. Asian Journal of Chemistry, 2014,26(7):2047-2052.

[13] Voda M, Kithiia S, Jackiewicz E, et al. Geosystems' Pathways to the Future of Sustainability [J]. Scientific Reports, 2019,9(1):14446.

[14] Hu F, Ge J, Lu C, et al. Obtaining elevation of Oncomelania Hupensis habitat based on Google Earth and it’s accuracy evaluation: an example from the Poyang lake region, China [J]. Scientific Reports, 2020,10(1): 515.

[15] 蔣興偉,何賢強,林明森,等.中國海洋衛星遙感應用進展[J]. 海洋學報, 2019,41(10):113-124.

Jiang X W, He X Q, Lin M S, et al. Progresses on ocean satellite remote sensing application in China [J]. Haiyang Xuebao, 2019,41(10):113– 124.

[16] 陳楚群,施 平,毛慶文.南海海域葉綠素濃度分布特征的衛星遙感分析[J]. 熱帶海洋學報, 2001,20(2):66-70.

Chen C Q, Shi P, Mao Q W. Satellite remotely-sensed analysis of distribution characters of chlorophyll concentration in south china sea [J]. Journal of Tropical Oceanography, 2001,20(2):66-70.

[17] Yi D L, Melnichenko O, Hacker P, et al. Remote sensing of sea surface salinity variability in the South China Sea [J]. Journal of Geophysical Research-Ocean, 2020,12(125):2020-2027.

[18] 張培軍,周水華,梁昌霞.基于衛星遙感海溫數據的南海SST預報誤差訂正[J]. 熱帶海洋學報, 2020,39(6):57-65.

Zhang P J, Zhou S H, Liang C X. Study on the correction of SST prediction in South China Sea using remotely sensed SST [J]. Journal of Tropical Oceanography, 2020,39(6):57-65.

[19] 馬豐魁,姜群鷗,徐藜丹,等.基于BP神經網絡算法的密云水庫水質參數反演研究[J]. 生態環境學報, 2020,29(3):569-579.

Ma F K, Jiang Q Y, Xu L D, et al.Retrieval of water quality parameters based on BP neural network algorithm in Miyun Reservoir [J]. Ecology and Environmental Sciences, 2020,29(3):569-579.

[20] Zhang Y, Wu L, Ren H, et al. Retrieval of water quality parameters from hyperspectral images using hybrid bayesian probabilistic neural network [J]. Remote Sensing, 2020,12(10):1567.

[21] 郭永強,王乃江,褚曉升,等.基于Google Earth Engine分析黃土高原植被覆蓋變化及原因[J]. 中國環境科學, 2019,39(11):4804-4811.

Guo Y Q, Wang N J, Zhu X S, et al.Analyzing vegetation coverage changes and its reasons on the Loess Plateau based on Google Earth Engine [J]. China Environmental Science, 2019,39(11):4804-4811.

[22] 李云梅,黃家柱,韋玉春,等.湖泊富營養化狀態的地面高光譜遙感評價[J]. 環境科學, 2006,27(9):1770-1775.

Li Y M, Huang J Z, Wei Y C, et al.Evaluating eutrophic state of Taihu Lake by in situ Hyperspectra [J]. Environmental Science, 2006,27(9): 1770-1775.

[23] Rajib A, Zheng Q, Golden H E, et al. The changing face of floodplains in the Mississippi River Basin detected by a 60-year land use change dataset [J]. Scientific Data, 2021,8(1):271.

[24] Erwin K L. Wetlands and global climate change: the role of wetland restoration in a changing world [J]. Wetlands Ecology and Management, 2008,17(1):71.

[25] 徐京萍,張 柏,李 方,等.基于MODIS數據的太湖藻華水體識別模式[J]. 湖泊科學, 2008,20(2):191-195.

Xu J P, Zhang B, Li F, et al. Detecting modes of cyanobacteria bloom using MODIS data in Lake Taihu [J]. Journal of Lake Sciences, 2008,20(2):191-195.

[26] 劉海秋,任恒奎,牛鑫鑫,等.基于Sentinel-2遙感影像的巢湖藍藻水華提取方法研究[J]. 生態環境學報, 2021,30(1):146-155.

Liu H Q, Ren H K, Niu X X, et al.Extraction of cyanobacteria bloom in Chaohu Lake based on Sentinel-2remote sensing images [J]. Ecology and Environmental Sciences, 30(1):146-155.

[27] Wang X, Xie S, Zhang X, et al. A robust Multi-Band Water Index (MBWI) for automated extraction of surface water from Landsat 8OLI imagery [J]. International Journal of Applied Earth Observation and Geoinformation, 2018,68:73-91.

[28] 陳 艷,劉綏華,王 堃,等.基于Landsat衛星影像的草海水質遙感反演及營養狀態評價[J]. 水生態學雜志, 2020,41(3):24-31.

Chen Y, Liu S H, Wang K, et al.Remote sensing of Caohai lake water quality using Landsat satellite images [J]. Journal of Hydroecology, 2020,41(3):24-31.

[29] 林榮根.海水富營養化水平評價方法淺析[J]. 海洋環境科學, 1996, 15(2):28-31.

Lin R G. Review of the assessing methods for coastal eutrophication [J]. Marine Environmental Science, 1996,15(2):28-31.

[30] Mendel J M, Korjani M M. On establishing nonlinear combinations of variables from small to big data for use in later processing [J]. Information Sciences, 2014,280(0):98-110.

Water quality inversion and eutrophication assessment of The South China Sea based on GEE.

WANG Feng-xia, XIA Zhuo-yi*, GUO Yu-hui, YANG Zi-qing, LI Jia-xin, CHEN Yin-xiao

(School of Tourism, Hainan University, Haikou 570203, China；2.School of Architecture and Urban Engineering, Nanjing University, Nanjing 210093, China)., 2022,42(2)：826～833

Based on the Google Earth Engine (GEE) platform, this study took MODIS data to build water quality inversion models by constructing multivariate feature. The response degree of water quality to MODIS features was SD>COD>TN>Chl-a, and polynomial fitting of water quality parameters was the best model.The spatial and temporal heterogeneity of the four water quality parameters (SD, TN, Chl-a and COD) in the South China Sea was obviously different. The high SD values were mainly distributed in the western Philippines and eastern Vietnam sea areas, and gradually decreased from 2006 to 2018. During 2006 to 2018, the distribution range of TN high values expanded year by year, while the concentration of Chl-a gradually decreased. COD gradually spread from 2006 to 2018. Through three-dimensional trend surface analysis, the spatial variation trend of SD was similar to those of COD, TN and Chl-a, while the spatial variation trend of Chl-a was completely opposite to those of SD and COD.The eutrophication degree of the South China Sea showed an increasing trend from 2006 to 2018, different countries should carry out regional cooperation to manage the marine environment.

South China Sea；spatial and temporal distribution；Google Earth Engine；MODIS；comprehensive nutrition index；eutrophication

X703.5

A

1000-6923(2022)02-0826-08

王鳳霞(1975-),新疆塔城人,教授,博士,研究方向為海洋生態環境遙感監測.發表論文70余篇.

2021-07-01

國家重點研發計劃(2019YFD0901300);海南省社會科學界聯合會(HNSK(YB)19-09)

* 責任作者, 碩士, njuxiazhuoyi@163.com