长江口海区一次骨条藻赤潮发生过程的多元分析，本文主要内容关键词为：赤潮论文,海区论文,过程论文,发生论文,长江口论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：X55；
文献标识码：A
文章编号：1007-6336(2000)04-0001-05
赤潮与环境存在着密切的联系，环境因子可以诱发赤潮，而赤潮的形成又可导致环境因子的变化，彼此之间的消长关系颇为复杂。如何寻找影响赤潮的主导因子，成为人们感兴趣的问题之一[1～3]。
本文就长江口1990年6月上中旬一次骨条藻(Skeletonema costatum)赤潮发生全过程的环境因子与赤潮生物量的数据，运用SAS(statistical analysis system)软件[4]，进行聚类、相关及回归、主成分与判别等多元统计分析，试图寻找影响本次赤潮发生的重要因子与主导因子，同时通过赤潮线性判别模型的研究，为赤潮的预报作一些初步探讨。
1 材料与方法
1.1 采样
调查站为长江口赤潮多发区[5]中的C[,13]观测站（图1）。调查时间为1990年6月9日至15日。内容有环境因子〔风速(u[,w])、风向、流速(u[,c])、流向与气压(p)〕、理化因子〔水温(t)、盐度(S)、浊度(Tu)、DO、pH、CO[-,3]-N、NO[-,2]-N、NH[+,4]-N、PO[3-,4]-P、SiO[2-,3]、Fe与Mn〕和浮游植物的种类及数量。水温、盐度、浊度、DO和pH项目，每2h取样一次，层次分0、5、10、15m和底层，表层共取样69次；营养盐项目，赤潮发生期间，每2h取样一次，层次为表层、4m、和底层（水深20m）。
1.2 数据处理
本次赤潮，根据其发生过程的浮游植物种类组成、数量变动和理化要素变化特征分析，分为四期即起始期（6月9日20:00～11日16:00）、发展期（6月11日18:00～14日10:00）、维持期（6月14日12:00～15日00:00）与消亡期（6月15日02:00～15日12:00）[3,6～8]。按这四个发育期，本文将数据集分成四个子集，子集样本号分别为1～24、25～56、57～63、64～69。建立数据库时，采用关系数据库结构，每行为一个记录，每列为一个字段，在SAS中分别称为观测值与变量。分析方法主要运用多元统计分析中的聚类、相关与回归分析、主成分分析与判别分析。聚类分析分观测值与变量聚类分析两种情况，回归分析用逐步回归方法。骨条藻生物量数据计算时取对数，风向与流向数据舍弃。
2 结果与讨论
2.1 聚类分析
2.1.1 观测值聚类
最终结果见图2。观测值分成较为明显的两类：以起始期与消亡期的样本（样本号1～24，64～69）为主归并在一起构成A类，表明消亡期的环境因子开始向赤潮发生前的水平恢复；以发展期与维持期的样本（样本号25～56，57～63）为主归并成B类，表明赤潮的增值和巨大种群的维持所需的环境条件大体相似。A类中有34%的样本属于B类，B类中有25%的样本属于A类。这一结果显示了赤潮发生过程中，环境因子的错综复杂。
2.1.2 变量聚类
基于观测值聚类的结果，我们选择维持与发展期的环境因子作斜主成分聚类，结果为（类间相关系数见表1），第一类：气压、水温、盐度、NO[-,3]-N、PO[3-,4]-P、SiO[2-,3]-Si；第二类：风速、浊度、Fe、Mn；第三类：DO、pH、NO[-,2]-N、NH[+,4]-N。
这一结果似乎打破了我们常规的认识，仅从水文、气象及化学的角度难以对上三种类别合理地解释。当我们将第一类的环境因子与相关系数较大的因子比较时发现，这一类中除SiO[2-,3]-Si外，气压、水温、盐度、NO[-,3]-N、PO[3-,4]-P正是相关分析中求得的重要环境因子。这些环境因子之所以能聚集在一起构成一类，可能反映了它们对赤潮影响的相似程度。
表1 类间相关系数(%)
类别
1 2 3
11.000 -0.2720.415
2
-0.271
1.000
-0.030
30.415 -0.0301.000
2.2 主成分分析
主成分分析的基本思想是降维，是用较小的变量来表达多个观测变量的一种方法，而这些综合变量往往是不能直接观察到的，它们通常反映事物的本质[4]。
通过计算，我们选出前三个主成分：
f[,1]～0.95x[,t]-0.95x[,s]+0.85x[,pH]-0.78x[,p]+0.81x[,NO[-,3]]-0.74x[,PO[3-,4]]+0.93x[,SiO[2-,3]]-0.70x[,Fe]
f[,2]～0.74x[,DO]+0.92x[,Tu]+0.74x[,Mn]
f[,3]～0.71x[,u[,w]]-0.79x[,NO[-,2]]-0.83x[,NH[+,4]]
前三个主成分的累计贡献率见表2。
表2 主成分的累计贡献率
Tab.2 Cumulative percent of main factors
类别 第一主成分第二主成分
第三主成分
贡献率 44.57 23.78
18.36
累计贡献率 44.57 67.55
85.91
仔细审视第一主成分f[,1]，可发现除SiO[2-,3]-Si外，其余的环境因子都是重要因子，这些因子在一起构成第一主成分，反映了它们综合地影响着赤潮的形成。
2.3 相关与回归
2.3.1 相关系数
将环境因子与赤潮生物量作相关分析，求得相关系数（表3）。赤潮的形成与气压、水温、盐度、pH、NO[-,3]-N、PO[3-,4]-P和Fe密切相关。气压较低时，高温低盐的海水环境有利于骨条藻赤潮的形成。如本次赤潮发生前后温、盐度增减幅度分别为2.01和-6.15；又如1991年8月发生在嵊山水域的骨条藻赤潮，温、盐度增减幅度分别为1.3和-2.6[3,7]。在营养盐中NO[-,3]-N、NO[-,2]-N、PO[3-,4]-P与赤潮的相关性比NH[+,4]-N、SiO[2-,3]-Si高得多；微量金属元素Fe与赤潮的相关性比Mn高。
表3 赤潮生物量与环境因子的相关系数
Tab.3 Coefficient of correlation between red tide andenvironment factors
环境因子 r 环境因子 r
p -0.877NO[-,3]-N 0.606
u[,w] -0.396NO[-,2]-N 0.602
u[,c] -0.250NH[+,4]-N 0.072
t 0.851PO[3-,4]-P-0.826
S -0.979SiO[2-,3]-Si -0.080
DO 0.576Fe 0.686
pH 0.798Mn-0.490
综合变量聚类、主成分分析与相关这三种方法所获得的结果表明，影响本次赤潮发生的重要环境因子有：气压、水温、盐度、pH、NO[-,3]-N、PO[3-,4]-P和Fe。SiO[2-,3]-Si在本次赤潮中的作用较难确定，它与赤潮生物量之间的相关系数很小，但在聚类与主成分分析时，均归并于重要环境因子之类。
2.3.2 逐步回归分析
利用逐步回归分析方法可以在建立回归议程中筛选自变量，从中挑选出对因变量影响显著的因子。将发展与维持期的赤潮生物量作因变量，环境因子为自变量，在0.15显著性水平下，求得逐步回归方程如下：
y=29.9-0.69x[,s]+2.4x[,Fe]-6.74x[,PO[3-,4]-P]，
r=0.9452。
上由述方程得知，本次骨条藻赤潮形成的主导因子是盐度、Fe和PO[3-,4]-P。这是因为骨条藻是一种低盐性的浮游硅藻。正如郭玉洁[9]报道，在黄河口及长江口本种密集在水温25℃左右、盐度为12～20的夏季；在厦门九龙江口的混合盐水（盐度为5～18）也能生活[10]。而Fe是影响浮游植物生长最关键的微量元素[12]。在海洋中，有关Fe为营养限制因子已有很多报道，河流及地面径流带来的Fe与当地赤潮的发生有明显的关系。Fe为酶系的辅助因子，光合作用依赖于Fe。另外，在硝酸盐还原过程中，Fe为还原酶系的一个组分，它对增强藻类对亚硝酸态氮的还原作用十分明显[11]。关于PO[3-,4]-P是本次赤潮形成的主导因子之一，这一结论与洪君超等[8]以前根据Redfield比量得出的结论一致。
2.4 判别分析
本统计分两种情况来构建线性判别函数，判别时将样本变量数据代入，谁的计算值y大，就将其归为那一类。
2.4.1 5项营养盐的线性判别函数
选择NO[-,3]-N、NO[-,2]-N、NH[+,4]-N、PO[3-,4]-P及SiO[2-,3]-Si等营养盐构成的判别函数如下：
非赤潮类：
y1=24.35+0.34x[,NO[-,3]]+21.93x[,NO[-,2]]+0.46x[,NH[+,4]]+12.57x[,PO[3-,4]]+0.31x[,SiO[2-,3]] (1)
赤潮类：
y2=28.45+0.30x[,NO[-,3]]+25.24x[,NO[-,2]]+0.53x[,NH[+,4]]+14.78x[,PO[3-,4]]+0.35x[,SiO[2-,3]] (2)
2.4.2 11项环境因子的线性判别函数
选择水温、盐度、DO、pH、NO[-,3]-N、NO[-,2]-N、NH[+,4]-N、PO[3-,4]-P、SiO[2-,3]-Si、Fe与Mn等环境因子，计算所获得的线性判别函数如下：
非赤潮：
y1=-29.8+0.27x[,t]+0.27x[,s]-0.25x[,DO]+5.84x[,pH]+0.022x[,NO[-,3]]-2.8x[,NO[-,2]]+0.27x[,NH[+,4]]+1.87x[,PO[3-,4]]+0.08x[,SiO[2-,3]]-1.67x[,Fe]+0.29x[,Mn]
(3)
赤潮：
y2=-32.0+0.26x[,t]+0.28x[,s]-0.26x[,DO]+601x[,pH]+0.023x[,NO[-,3]]-2.9x[,NO[-,2]]+0.28x[,NH[+,4]]+1.9x[,PO[3-,4]]+0.09x[,SiO[2-,3]]-1.71x[,Fe]+0.34x[,Mn](4)
2.4.3 判别
选择长江口骨条藻赤潮发生全过程的环境因子，将其分别代入方程(1)和(2)、方程(3)和(4)中进行判别，结果见表4。
利用5项营养盐函数进行判别时，对于非赤潮类，判对率极高，达到100%，而对于赤潮类判对率为62.5%，当用11个环境因子构成的函数进行判别时，对于赤潮类，判对率高达100%，对于非赤潮类判对率较低，仅为33.3%。这也与观察值聚类的结论相吻合，即环境因子聚类时有“赤潮类中出现了非赤潮类因子，非赤潮类中出现了赤潮类因子”的现象。
3 结 论
(1)常用的多元分析方法如聚类、主成分分析、相关与回归等可用来提取影响赤潮形成的环境因子。(2)观察值聚类结果表明，在赤潮的形成过程中，环境因了在发展与维持期呈相似性，赤潮消亡时，水域环境因子向正常水平恢复。(3)相关、变量聚类及主成分分析三种方法求得的结果基本一致。由此可知，影响本次赤潮形成的重要因子有：气压、水温、盐度、pH、NO[-,3]-N、PO[3-,4]-P和Fe。(4)逐步回归分析确立了影响本次赤潮形成的主导因子为盐度、PO[3-,4]-P和Fe。(5)线性判别函数应用在本次赤潮发生的环境因子分析结果令人满意。
致谢：在本文的资料处理及其应用中，得到复旦大学李贤平教授的指导以及刘建斌研究生的支持和帮助，在此谨致谢意！
收稿日期：2000-01-05，修改稿收到日期：2000-06-13