论文部分内容阅读
摘 要：在海水質量评价中，为获得研究区范围内连续环境分布状况，空间插值方法是一种有效的手段。由于空间插值方法的假设不同，针对不同变化趋势的水环境要素，最适合的方法可能存在差别。该研究利用反距离权重插值方法（Inverse Distance Weighting，IDW）、普通克里金法（Ordinary Kriging，OK）以及径向基函数（Radial Basis Function，RBF），对2018年长江口中华鲟自然保护区及周边水域的溶解氧（DO）、pH、化学需氧量（COD）和铜（Cu）数据进行插值，并基于最优插值结果对海水质量进行评价。其中，普通克里金法的半方差模型分别选择指数（OKE）、高斯（OKG）和球面（OKS）模型，径向基函数包括完全规则样条函数（Regularized Spline Function，RS）和张力样条函数（Tension Spline Function，TS）。结果表明：（1）经交叉验证，DO较为适用的空间插值方法为RS，pH为TS，COD为IDW，Cu为OKE;（2）四季中所得DO值均达海水质量评价第I类标准;冬季pH在东滩水域部分范围内为第III/IV类标准，其他季节pH均达第I类标准;秋季COD在东滩水域部分范围内为第IV类标准，其余季节主要为第II类标准和第III类标准;冬季Cu污染最为严重，在研究区范围内均为第III/IV类标准，春季北支和东滩水域大部分为第II类标准。说明不同空间插值方法会对长江口水环境要素的预测造成影响，并且针对不同空间变化趋势的环境数据，每种变量适用的空间插值方法也有所不同，最终影响海水质量的评价。因此，建议在今后的长江口海水质量评价研究中将以上潜在影响纳入考虑范围内。
关键词：空间插值法;长江口;水质;评价
中图分类号 X824 文献标识码 A 文章编号 1007-7731（2020）06-0077-06
Abstract： In the seawater quality assessment， in order to obtain the continuous environmental distribution in the study area， the spatial interpolation method is an effective method. Due to the different assumptions of the spatial interpolation method， the most suitable method may be different for the water environment elements with different changing trends. In this study， inverse distance weight interpolation （Inverse Distance Weighting， IDW）， ordinary Kriging method （Ordinary Kriging，OK） and radial basis function （Radial Basis Function，RBF） were used to interpolate the dissolved oxygen （DO）， pH， chemical oxygen demand （COD） and copper （Cu） data of the Yangtze Estuary Chinese Sturgeon Nature Reserve and its surrounding waters in 2018， and the seawater quality was evaluated based on the optimal interpolation results. The semi-variance model of ordinary Kriging method chooses exponential （OKE）， Gaussian （OKG） and spHerical （OKS） model respectively， and the radial basis function includes fully regular spline function （Regularized Spline Function， RS） and tension spline function （Tension Spline Function， TS）. The results show that：1） after cross-verification， the suitable spatial interpolation method of DO is that RS， pH is TS， COD and IDW， Cu is OKE; 2） the DO values obtained in the four seasons all meet the Class I standard of seawater quality evaluation， the pH is Class III / IV standard in part of Dongtan waters in winter， and the pH in other seasons reaches Class I standard. In autumn， COD is Class IV standard in part of Dongtan waters， while in other seasons， it is mainly Class II and Class III standards; Cu pollution is the most serious in winter， which is Class III / IV standard in the study area， and most of the North Branch and Dongtan waters are Class II standards in spring. The study shows that different spatial interpolation methods will affect the prediction of the environmental elements of the Yangtze River Estuary， and according to the environmental data of different spatial trends， the applicable spatial interpolation methods of each variable will be different， which will eventually affect the evaluation of seawater quality. It is suggested that these potential effects should be taken into account in the future study of seawater quality assessment in the Yangtze River Estuary. Key words： Spatial interpolation; Yangtze Estuary; Seawater quality; Evaluation
海洋环境变化对维持海洋生态系统的稳定性有着重要影响，随着人类活动加剧和气候变化的影响，海洋生态系统遭到了严重破坏[1-5]。海洋物理环境属性（例如基质和水深）对于构造生物的生境非常重要[6]，在海洋生物多样性及鱼类群落的聚集和分布格局中起着非常重要的作用[7]。例如，透明度、盐度和温度是描述海水性质的重要物理量，其时空分布和变化几乎是大部分海洋生态系统空间变异的原因[8-11];浑浊度、基质类型和深度可能是影响近岸海域幼鱼分布的最重要因素[12]。长江口作为我国的第一大河口，生态环境复杂多变，营养物质及饵料生物丰富，是我国鱼类生物多样性最高、生产潜力最大的河口[13-14]。因此，探讨河口环境要素的质量及空间分布特征，对于研究生物群落的聚集和分布格局十分重要。
目前，常规的海洋调查方法都是按照站位采样测量的，为获得整个研究范围内的环境变化情况，制作连续分布的等值线或等值面图是反映海洋环境要素分布与变化情况的有效手段[15]。空间插值方法能够重构数据的缺失值[16]，改变数据的分辨率，并能将同一时间的实测值外推到整个研究区域[17]，在气象[18]、降水[19]、土壤[20]、电磁场[21]等研究领域已有了广泛的应用。在海洋生态学中，常见的空间插值方法主要有反距离权重插值、普通克里金、径向基函数等[22-25]，主要用于水质评价[17]、环境数据的重构[18，26]，以及资源丰度指标的估计的应用[27-30]。本研究利用不同空间插值方法对2018年长江口环境监测数据中的溶解氧（DO）、pH、化学需氧量（COD）和铜（Cu）进行插值，基于插值结果对长江口及周边水域海水质量进行评价，旨在更全面的了解研究范围水环境连续变化情况，为海水环境质量评价提供更准确、可靠的方法。
1 材料与方法
1.1 数据来源 数据源于2018年长江口中华鲟自然保护区执行的渔业资源常规监测。监测期间，于春季（5月）、夏季（8月）、秋季（11月）和冬季（2月）进行4次调查。监测调查租用“沪崇渔1511号”渔船，监测内容包括水文物理环境（水温、盐度、悬浮物等）和水化学环境（营养盐、DO、pH、COD、挥发酚、总磷、总氮、石油类、水体中重金属含量等）。在长江口中华鲟自然保护区及周边水域设置14个监测站点（图1），按照地理位置划分为3个区域：北港（Z1、Z3）、东滩（Z6、Z9、Z14、Z16、Z17、Z18、Z19）和北支（Z4、Z5、Z7、Z13、Z15）。
所有水环境监测站点在涨、落潮期各采集1次水样。水样取样方法参照《海洋监测规范》第3部分（GB 17378.3-2007）。取样层次按《海洋监测规范》第4部分（GB17378.4-2007）的要求确定，当水深小于10m，只取表层水样，水深大于10m，分表、底层取样，其中油类采集表层下0.5m的水樣500mL，加入0.1N盐酸溶液调节pH至4.0以下，避光4℃保存至分析。气温、盐度、水深、透明度、pH、溶解氧等使用仪器现场测量，悬浮物、硝酸盐、重金属等采集水样后于实验室分析检测。
1.2 空间插值方法 选择3种空间插值对水环境要素进行插值，包括反距离权重插值方法（Inverse Distance Weighting，IDW）、普通克里金法（Ordinary Kriging，OK）和径向基函数（Radial Basis Function，RBF）。其中普通克里金法的半方差模型分别选择指数（OKE）、高斯（OKG）和球面（OKS）模型，径向基函数包括完全规则样条函数（Regularized Spline Function，RS）和张力样条函数（Tension Spline Function，TS）。
IDW假定未知点受近距离已知点的影响比远距离已知点的影响更大[31]，所有预测值都介于已知的最大值和最小值之间。IDW利用到采样点距离的反函数加权值的线性组合来估计在未采样点的值，权重随着距离的增加而减小。影响IDW精度的主要因素是指数幂的取值[32]，并且指数幂和邻域大小的选择是任意的[33]。
克里金法是一种用于空间插值的地统计学方法，重点考虑测量点之间的空间关系和空间相关性，并可用估计的预测误差来评估预测的质量，能够提供更好的预测[34]。克里金法用半方差来测量空间相关部分，用平均半方差和平均距离可以绘制半方差图，半方差图通常须用数学函数或模型来拟合，经拟合的半方差图可用于估算任意给定距离的半方差[35]。常用的模型有球体模型、指数模型、高斯模型等。OK重点考虑空间相关的因素，并用拟合的半方差直接进行插值。克里金法中用到的权重不仅与估算点和已知点之间的半方差有关，还与已知点之间的半方差有关。因此，克里金插值法与IDW相区别。
RBF基函数或方程的设置决定了面与控制点间如何匹配[36]。RBF是指插值方法的一个大类，每种方法各有其控制生产表面光滑程度的参数。RS生成一个平滑、渐变的表面，插值结果可能超出样本点的取值范围[37]。TS根据所拟合的表面来调整表面的硬度，将生成一个相对不太光滑的表面，但插值结果更接近限制在样本点的取值范围内[38]。
关于各插值方法的算法细节，具体见Shen等[39]。本研究使用ArcGIS10.3软件进行空间插值计算，空间分辨率为0.1°×0.1°。
1.3 插值方法比较 利用交叉验证对不同空间插值方法进行比较。交叉验证中，从数据集中除去一个已知点的测量值，用保留点的值估算除去点的值，然后比较已知值和估算值并计算预计误差[40]。对每个点完成上述步骤之后，计算出预测误差的算数平均值（mean error，ME）和均方根误差（root mean square error，RMSE）作为评价插值方法精度的指标。ME反映了插值方法的总体估计偏差，ME越接近于0，则说明预测值越是无偏;RMSE可以用来量化观测密度和拟合密度之间的差异，RMSE接近0值，表明拟合更好[41]。在结果中，RMSE应首先被比较，当RMSE相等时再比较ME的值[42-43]。ME和RMSE的计算公式分别为： 2 结果与分析
2.1 环境因子的插值结果 经不同空间插值方法得到的环境要素值存在差异（表2）。各环境变量与实测数据的均值均较为接近，DO和COD插值结果的均值都大于调查数据，pH和Cu插值结果的均值都小于调查数据。除DO外，所有环境变量插值结果的标准差和变异系数均小于调查数据，数据离散程度降低。其中，pH的标准差和变异系数最小，离散程度最低;Cu的标准差和变异系数最大，离散程度最高。通过比较偏度和峰度系数，pH与调查数据分布形态一致，呈正偏态尖峰分布。基于OKS插值的DO结果偏度由正偏态转为负偏态，基于OKG插值的COD结果峰度由尖峰分布转为平峰分布，Cu的全部插值结果均由尖峰分布转为平峰分布。
各环境变量插值结果的离散程度发生变化，数据的集中趋势也存在差别（图2）。不同空间插值方法获得的DO、pH、COD数据结果差别较小，但3种环境数据插值结果的上四分位数值和下四分位数值均发生变化，说明插值方法对数据的集中趋势造成影响。Cu数据的插值结果中，RBF的结果与其他插值方法结果差异较大。不同空间插值方法对各环境变量的响应不同，但并未出现变量值偏大或偏小的一致性趋势。
2.2 环境因子空间分布预测 以2018年冬季环境数据为例制作环境因子的空间分布图（图3～6）。从图3～6可以看出，不同空间插值方法获得的环境数据在数值上存在差异，但不会改变环境因子的整体分布趋势，如：北支DO较高，pH和COD较低，北港Cu最低。对于自身空间分布变化较小的环境数据（如pH和COD），各插值方法获得的空间分布差异较小。DO的空间分布图中，东滩的插值结果差异较大，北支IDW的插值结果明显高于其他结果。Cu的空间分布图中，各插值方法在东滩和北支结果差异较大，OK的半方差模型未表现出差异，但与IDW和RBF插值结果差别较大，北港OK的插值结果较低。
2.3 不同空间插值方法对环境因子插值结果的影响 各环境要素插值结果的交叉验证结果显示，不同环境因子适用的空间插值方法不同（表3）。DO较为适用的空间插值方法为RS，RMSE值为0.283;pH适用的方法为TS，RMSE值为0.113;COD适用的方法为IDW，RMSE为0.704;Cu适用的方法为OKE，RMSE为3.429。RMSE最小的环境因子为pH，并且其离散程度也最低。各环境要素不同插值结果的ME均接近0，说明插值结果几乎是无偏的。
2.4 长江口海水质量评价 使用各环境要素最适用插值方法获得的结果，对2018年长江口中华鲟自然保护区及周边水域海水质量进行了评价（图7）。所得插值结果中，DO值均大于6为第I类标准。pH除冬季在东滩范围内部分海域为第III/IV类外，其他季节均达第I类标准。长江口COD主要为第3类，污染较为严重，春季未达第I类标准，其他季节仅北支部分水域达第I类标准，秋季东滩出现第IV类水质。Cu在四季中污染状况变化最大，秋季達第I类标准，春夏季污染出现第II类，冬季整个水域呈第III/IV类，污染最为严重。
3 讨论与结论
在海水质量评价中，为了解整个研究区范围内连续水环境要素的分布情况，常利用空间插值方法来实现。空间插值方法用已知点的值估算未知点的值，对于需要描述评价总体环境状况变化的研究对象具有实际意义[44]。吴翠晴等[45]采用空间插值和营养指数方程相结合的方法，对锦州湾海域海水富营养化状态进行评价，结果表明，普通克里金法所得的插值结果评价锦州湾海水的富营养化状态更直观和准确。姜红等[46]使用5种插值方法对博斯腾湖的矿化度进行了空间插值，全局多项式插值方法在博斯腾湖矿化度插值中取得的精度最高，并发现博斯腾湖水体矿化度存在明显的空间梯度。李冕等[47]根据海水污染物分布扩散规律和采样点之间的关系，给出了一种自适应凸包选点的反距离权重插值方法，结果表明，该方法能够很好的反映海水污染物空间分布状况。不同空间插值方法存在不同的假设，针对不同海域、不同的水环境要素，最适用的空间插值方法可能存在差别。
本研究使用反距离权重插值、普通克里金法（半方差模型：指数、高斯和球面）以及径向基函数（完全规则样条函数和张力样条函数）对2018年长江口中华鲟自然保护区及周边水域DO、pH、COD和Cu进行插值，并基于插值结果对海水质量进行了评价。经交叉验证发现，DO较为适用的空间插值方法为RS，pH为TS，COD为IDW，Cu为OKE。不同空间插值方法虽然不会改变环境要素的整体空间分布状况，但可能会得到不同的值，进而对海水质量的评价造成影响。因此，在进行海水质量评价之前，为确保评价结果的真实性和可靠性，选择合适的空间插值方法十分重要。
参考文献
[1]Martin Parry（编），丁一汇（译）.气候变化2007影响、适应和脆弱性[J].国外科技新书评介，2008（8）：17-18.
[2]Richardson，A.J .Climate Impact on Plankton Ecosystems in the Northeast Atlantic[J].Science，2004，305（5690）：1609-1612.
[3]Behrenfeld M J，O’Malley，Robert T，Siegel D A，et al.Climate-driven trends in contemporary ocean productivity[J].NATURE，2006，444（7120）：752-755.
[4]Halpern B S，Walbridge S，Selkoe K A，et al.A Global Map of Human Impact on Marine Ecosystems[J].Science，2008，319（5865）：948-952.
[5]王有基，李丽莎，李琼珍，等.海洋酸化和全球变暖对贝类生理生态的影响研究进展[J].生态学报，2014，34（13）：3499-3508. [6]Freeman S M，Rogers S I .A new analytical approach to the characterisation of macro-epibenthic habitats：Linking species to the environment[J].Estuarine Coastal and Shelf Science，2003，56（3-4）：749-764.
[7]赵静，章守宇，汪振华，等.基于GAM模型的鱼类群落多样性分布及影响因素[J].生态学杂志，2013，32（12）：3226-3235.
[8]纪风颖，国家海洋信息中心，纪风颖，等.Argo、GTSPP与WOD数据集及其应用中需注意的若干问题[J].海洋通报，2016.
[9]Pessanha A L M，Araújo F G.Spatial，temporal and diel variations of fish assemblages at two sandy beaches in the Sepetiba Bay，Rio de Janeiro，Brazil[J].Estuarine Coastal and Shelf Science，2003，57（5-6）：817-828.
[10]Hajisamae S，Yeesin P .Patterns in community structure of trawl catches along coastal area of the South China Sea[J].Raffles Bulletin of Zoology， 2010， 58（2）（2）：357-368.
[11]Vilar C C，Spach H L，Joyeux J C .Spatial and temporal changes in the fish assemblage of a subtropical estuary in Brazil：environmental effects[J].Journal of the Marine Biological Association of the United Kingdom，2011，91（03）：635-648.
[12]Blaber S J M，Blaber T G .Factors affecting the distribution of juvenile estuarine and inshore fish[J].Journal of Fish Biology，1980，17（2）：143-162.
[13]张迎秋，线薇微，李文龙.2004和2007年春季长江口近海鱼类群落特征及其与环境因子的关系[J].中国海洋大学学报（自然科学版），2013，43（9）：67-74.
[14]罗秉征.河口及近海的生态特点与渔业资源[J].长江流域资源与环境，1992，1（1）：24-30.
[15]王立华.基于GIS的渔业环境因子制图算法及其分析比较[J].湛江海洋大学学报，2003，23（6）：30-34.
[16]杨胜龙，马军杰，伍玉梅，等.基于Kriging方法Argo数据重构太平洋温度场研究[J].海洋渔业，2008（01）：15-20.
[17]褚晓春，张韧，王辉赞.基于ARGO资料的空间插值方法的对比试验[C]//中国气象学会2006年年会“中尺度天气动力学、数值模拟和预测”分会场论文集.2006.
[18]Hsu S C，Mavrogianni A，Hamilton I.Comparing Spatial Interpolation Techniques of Local Urban Temperature for Heat-related Health Risk Estimation in a Subtropical City[J].Procedia Engineering，2017，198：354-365.
[19]何紅艳，郭志华，肖文发.降水空间插值技术的研究进展[J].生态学杂志，2005，24（10）：1187-1191.
[20]Shen Q，Wang Y，Wang X，et al.Comparing interpolation methods to predict soil total pHospHorus in the Mollisol area of Northeast China[J].CATENA，2019，174：59-72.
[21]Rufo M，Antolín，Alicia，Paniagua，Jesús M，et al.Optimization and comparison of three spatial interpolation methods for electromagnetic levels in the AM band within an urban area[J].Environmental Research，2018，162：219-225.
[22]Li J，Heap A D .Spatial interpolation methods applied in the environmental sciences：A review[J].Environmental Modelling & Software，2014，53：173-189.
[23]刘文岭，李伟，刘洋.空间插值法对渤海天津海域海水盐度分布的影响[J].盐业与化工，2010，39（02）：49-52.
[24]陈佳琪，杨日杰，战和，等.海洋温度剖面最优插值及其效果分析[J].海军航空工程学院学报，2012，27（6）：713-720. [25]王兴，刘莹，王春晖，等.海洋盐度分布的插值方法应用与对比研究[J].海洋通报，2016，3：324-330.
[26]黄杰.海洋环境综合数据时空建模与可视化研究[D].杭州：浙江大学，2008.
[27]Cormack R M，Cressie N.Statistics for Spatial Data[J].Terra Nova，1992，48（4）：1300.
[28]Maynou F，Conan G Y，Cartes J E，et al.Spatial structure and seasonality of decapod crustacean populations on the northwestern Mediterranean slope[J].Limnology & OceanograpHy，1996，41（1）：113-125.
[29]Rivoirard J.Geostatistics for Estimating Fish Abundance[J].Geostatistics for Estimating Fish Abundance，2000，131（5）：1004-1005.
[30]Wyatt R J.Mapping the abundance of riverine fish populations：integrating hierarchical Bayesian models with a geograpHic information system （GIS）[J].Canadian Journal of Fisheries and Aquatic Sciences，2003，60（8）：997-1006.
[31]Shepard D.A Two-Dinensional Interpolation Function for Irregularly Spaced Data[J].Proc.of ACM Mat.Conf，1964：517-524.
[32]Isaaks E H，Srivastava R M.Applied Geostatistics[J].Home Page，1989.
[33]Webster R，Oliver M A.Geostatistics for Environmental Scientists，Second Edition.[M]// Statistics for earth and environmental scientists.Wiley，2008.
[34]Chen Y，Peng R C，Zhang L H，et al.Interpolating method for digital depth model based on sounding anisotropy[J].HydrograpHic Surveying Charting，2011，31（5）：31-33.
[35]Gringarten E，Deutsch C V .Teacher's Aide Variogram Interpretation and Modeling[J].Mathematical Geology，2001，33（4）：507-534.
[36]Broomhead D S，Lowe D .Multivariable Functional Interpolation and Adaptive Networks[J].Complex Systems，1988，2（3）：321-355.
[37]Mitás L，Mitásová H.General variational approach to the interpolation problem[J].Computers & Mathematics with Applications，1988，16（12）：983-992.
[38]Mitásová H，Mitás L.Interpolation by regularized spline with tension：I.Theory and implementation[J].Mathematical Geology，1993，25（6）：641-655.
[39]Shen Q S，Wang Y，Wang X R，et al.Comparing interpolation methods to predict soil total pHospHorus in the Mollisol area of Northeast China[J].CATENA，2019，174：59-72.
[40]Mueller T G，Pusuluri N B，Mathias K K，et al.Map Quality for Ordinary Kriging and Inverse Distance Weighted Interpolation[J].Soil Science Society of America Journal，2004，68（6）：2042-2047.
[41]Stow C A，Jolliff J，Mcgillicuddy D J，et al.Skill assessment for coupled biological/ pHysical models of marine systems[J].Journal of Marine Systems，2009，76（1-2）：4-15.
[42]Ding Q，Wang Y，Zhuang D .Comparison of the common spatial interpolation methods used to analyze potentially toxic elements surrounding mining regions[J].Journal of Environmental Management，2018，212：23-31.
[43]Arslan H，Turan A N.Estimation of spatial distribution of heavy metals in groundwater using interpolation methods and multivariate statistical techniques; its suitability for drinking and irrigation purposes in the Middle Black Sea Region of Turkey[J].Environmental Monitoring & Assessment，2015，187（8）：516.
[44]帥方敏，卢进登，王新生.基于GIS空间插值方法的长湖水质评价[J].环境监测管理与技术，2007（04）：44-46.
[45]吴翠晴，李楠，王亚涛，等.空间插值方法在锦州湾海水富营养化评价中的应用[J].水资源与水工程学报，2012（6）：116-119.
[46]姜红，玉素甫江·如素力，热伊莱·卡得尔，等.不同空间插值方法对博斯腾湖水体矿化度的适应性评价研究[J].新疆师范大学学报（自然科学版），2016（4）：7-14.
[47]李冕，赵辉，鲍晨光，等.改进的IDW插值模型在海水水质评价中的应用[J].海洋环境科学，2014，33（2）：258-261.
（责编：张宏民）
关键词：空间插值法;长江口;水质;评价
中图分类号 X824 文献标识码 A 文章编号 1007-7731（2020）06-0077-06
Abstract： In the seawater quality assessment， in order to obtain the continuous environmental distribution in the study area， the spatial interpolation method is an effective method. Due to the different assumptions of the spatial interpolation method， the most suitable method may be different for the water environment elements with different changing trends. In this study， inverse distance weight interpolation （Inverse Distance Weighting， IDW）， ordinary Kriging method （Ordinary Kriging，OK） and radial basis function （Radial Basis Function，RBF） were used to interpolate the dissolved oxygen （DO）， pH， chemical oxygen demand （COD） and copper （Cu） data of the Yangtze Estuary Chinese Sturgeon Nature Reserve and its surrounding waters in 2018， and the seawater quality was evaluated based on the optimal interpolation results. The semi-variance model of ordinary Kriging method chooses exponential （OKE）， Gaussian （OKG） and spHerical （OKS） model respectively， and the radial basis function includes fully regular spline function （Regularized Spline Function， RS） and tension spline function （Tension Spline Function， TS）. The results show that：1） after cross-verification， the suitable spatial interpolation method of DO is that RS， pH is TS， COD and IDW， Cu is OKE; 2） the DO values obtained in the four seasons all meet the Class I standard of seawater quality evaluation， the pH is Class III / IV standard in part of Dongtan waters in winter， and the pH in other seasons reaches Class I standard. In autumn， COD is Class IV standard in part of Dongtan waters， while in other seasons， it is mainly Class II and Class III standards; Cu pollution is the most serious in winter， which is Class III / IV standard in the study area， and most of the North Branch and Dongtan waters are Class II standards in spring. The study shows that different spatial interpolation methods will affect the prediction of the environmental elements of the Yangtze River Estuary， and according to the environmental data of different spatial trends， the applicable spatial interpolation methods of each variable will be different， which will eventually affect the evaluation of seawater quality. It is suggested that these potential effects should be taken into account in the future study of seawater quality assessment in the Yangtze River Estuary. Key words： Spatial interpolation; Yangtze Estuary; Seawater quality; Evaluation
海洋环境变化对维持海洋生态系统的稳定性有着重要影响，随着人类活动加剧和气候变化的影响，海洋生态系统遭到了严重破坏[1-5]。海洋物理环境属性（例如基质和水深）对于构造生物的生境非常重要[6]，在海洋生物多样性及鱼类群落的聚集和分布格局中起着非常重要的作用[7]。例如，透明度、盐度和温度是描述海水性质的重要物理量，其时空分布和变化几乎是大部分海洋生态系统空间变异的原因[8-11];浑浊度、基质类型和深度可能是影响近岸海域幼鱼分布的最重要因素[12]。长江口作为我国的第一大河口，生态环境复杂多变，营养物质及饵料生物丰富，是我国鱼类生物多样性最高、生产潜力最大的河口[13-14]。因此，探讨河口环境要素的质量及空间分布特征，对于研究生物群落的聚集和分布格局十分重要。
目前，常规的海洋调查方法都是按照站位采样测量的，为获得整个研究范围内的环境变化情况，制作连续分布的等值线或等值面图是反映海洋环境要素分布与变化情况的有效手段[15]。空间插值方法能够重构数据的缺失值[16]，改变数据的分辨率，并能将同一时间的实测值外推到整个研究区域[17]，在气象[18]、降水[19]、土壤[20]、电磁场[21]等研究领域已有了广泛的应用。在海洋生态学中，常见的空间插值方法主要有反距离权重插值、普通克里金、径向基函数等[22-25]，主要用于水质评价[17]、环境数据的重构[18，26]，以及资源丰度指标的估计的应用[27-30]。本研究利用不同空间插值方法对2018年长江口环境监测数据中的溶解氧（DO）、pH、化学需氧量（COD）和铜（Cu）进行插值，基于插值结果对长江口及周边水域海水质量进行评价，旨在更全面的了解研究范围水环境连续变化情况，为海水环境质量评价提供更准确、可靠的方法。
1 材料与方法
1.1 数据来源 数据源于2018年长江口中华鲟自然保护区执行的渔业资源常规监测。监测期间，于春季（5月）、夏季（8月）、秋季（11月）和冬季（2月）进行4次调查。监测调查租用“沪崇渔1511号”渔船，监测内容包括水文物理环境（水温、盐度、悬浮物等）和水化学环境（营养盐、DO、pH、COD、挥发酚、总磷、总氮、石油类、水体中重金属含量等）。在长江口中华鲟自然保护区及周边水域设置14个监测站点（图1），按照地理位置划分为3个区域：北港（Z1、Z3）、东滩（Z6、Z9、Z14、Z16、Z17、Z18、Z19）和北支（Z4、Z5、Z7、Z13、Z15）。
所有水环境监测站点在涨、落潮期各采集1次水样。水样取样方法参照《海洋监测规范》第3部分（GB 17378.3-2007）。取样层次按《海洋监测规范》第4部分（GB17378.4-2007）的要求确定，当水深小于10m，只取表层水样，水深大于10m，分表、底层取样，其中油类采集表层下0.5m的水樣500mL，加入0.1N盐酸溶液调节pH至4.0以下，避光4℃保存至分析。气温、盐度、水深、透明度、pH、溶解氧等使用仪器现场测量，悬浮物、硝酸盐、重金属等采集水样后于实验室分析检测。
1.2 空间插值方法 选择3种空间插值对水环境要素进行插值，包括反距离权重插值方法（Inverse Distance Weighting，IDW）、普通克里金法（Ordinary Kriging，OK）和径向基函数（Radial Basis Function，RBF）。其中普通克里金法的半方差模型分别选择指数（OKE）、高斯（OKG）和球面（OKS）模型，径向基函数包括完全规则样条函数（Regularized Spline Function，RS）和张力样条函数（Tension Spline Function，TS）。
IDW假定未知点受近距离已知点的影响比远距离已知点的影响更大[31]，所有预测值都介于已知的最大值和最小值之间。IDW利用到采样点距离的反函数加权值的线性组合来估计在未采样点的值，权重随着距离的增加而减小。影响IDW精度的主要因素是指数幂的取值[32]，并且指数幂和邻域大小的选择是任意的[33]。
克里金法是一种用于空间插值的地统计学方法，重点考虑测量点之间的空间关系和空间相关性，并可用估计的预测误差来评估预测的质量，能够提供更好的预测[34]。克里金法用半方差来测量空间相关部分，用平均半方差和平均距离可以绘制半方差图，半方差图通常须用数学函数或模型来拟合，经拟合的半方差图可用于估算任意给定距离的半方差[35]。常用的模型有球体模型、指数模型、高斯模型等。OK重点考虑空间相关的因素，并用拟合的半方差直接进行插值。克里金法中用到的权重不仅与估算点和已知点之间的半方差有关，还与已知点之间的半方差有关。因此，克里金插值法与IDW相区别。
RBF基函数或方程的设置决定了面与控制点间如何匹配[36]。RBF是指插值方法的一个大类，每种方法各有其控制生产表面光滑程度的参数。RS生成一个平滑、渐变的表面，插值结果可能超出样本点的取值范围[37]。TS根据所拟合的表面来调整表面的硬度，将生成一个相对不太光滑的表面，但插值结果更接近限制在样本点的取值范围内[38]。
关于各插值方法的算法细节，具体见Shen等[39]。本研究使用ArcGIS10.3软件进行空间插值计算，空间分辨率为0.1°×0.1°。
1.3 插值方法比较 利用交叉验证对不同空间插值方法进行比较。交叉验证中，从数据集中除去一个已知点的测量值，用保留点的值估算除去点的值，然后比较已知值和估算值并计算预计误差[40]。对每个点完成上述步骤之后，计算出预测误差的算数平均值（mean error，ME）和均方根误差（root mean square error，RMSE）作为评价插值方法精度的指标。ME反映了插值方法的总体估计偏差，ME越接近于0，则说明预测值越是无偏;RMSE可以用来量化观测密度和拟合密度之间的差异，RMSE接近0值，表明拟合更好[41]。在结果中，RMSE应首先被比较，当RMSE相等时再比较ME的值[42-43]。ME和RMSE的计算公式分别为： 2 结果与分析
2.1 环境因子的插值结果 经不同空间插值方法得到的环境要素值存在差异（表2）。各环境变量与实测数据的均值均较为接近，DO和COD插值结果的均值都大于调查数据，pH和Cu插值结果的均值都小于调查数据。除DO外，所有环境变量插值结果的标准差和变异系数均小于调查数据，数据离散程度降低。其中，pH的标准差和变异系数最小，离散程度最低;Cu的标准差和变异系数最大，离散程度最高。通过比较偏度和峰度系数，pH与调查数据分布形态一致，呈正偏态尖峰分布。基于OKS插值的DO结果偏度由正偏态转为负偏态，基于OKG插值的COD结果峰度由尖峰分布转为平峰分布，Cu的全部插值结果均由尖峰分布转为平峰分布。
各环境变量插值结果的离散程度发生变化，数据的集中趋势也存在差别（图2）。不同空间插值方法获得的DO、pH、COD数据结果差别较小，但3种环境数据插值结果的上四分位数值和下四分位数值均发生变化，说明插值方法对数据的集中趋势造成影响。Cu数据的插值结果中，RBF的结果与其他插值方法结果差异较大。不同空间插值方法对各环境变量的响应不同，但并未出现变量值偏大或偏小的一致性趋势。
2.2 环境因子空间分布预测 以2018年冬季环境数据为例制作环境因子的空间分布图（图3～6）。从图3～6可以看出，不同空间插值方法获得的环境数据在数值上存在差异，但不会改变环境因子的整体分布趋势，如：北支DO较高，pH和COD较低，北港Cu最低。对于自身空间分布变化较小的环境数据（如pH和COD），各插值方法获得的空间分布差异较小。DO的空间分布图中，东滩的插值结果差异较大，北支IDW的插值结果明显高于其他结果。Cu的空间分布图中，各插值方法在东滩和北支结果差异较大，OK的半方差模型未表现出差异，但与IDW和RBF插值结果差别较大，北港OK的插值结果较低。
2.3 不同空间插值方法对环境因子插值结果的影响 各环境要素插值结果的交叉验证结果显示，不同环境因子适用的空间插值方法不同（表3）。DO较为适用的空间插值方法为RS，RMSE值为0.283;pH适用的方法为TS，RMSE值为0.113;COD适用的方法为IDW，RMSE为0.704;Cu适用的方法为OKE，RMSE为3.429。RMSE最小的环境因子为pH，并且其离散程度也最低。各环境要素不同插值结果的ME均接近0，说明插值结果几乎是无偏的。
2.4 长江口海水质量评价 使用各环境要素最适用插值方法获得的结果，对2018年长江口中华鲟自然保护区及周边水域海水质量进行了评价（图7）。所得插值结果中，DO值均大于6为第I类标准。pH除冬季在东滩范围内部分海域为第III/IV类外，其他季节均达第I类标准。长江口COD主要为第3类，污染较为严重，春季未达第I类标准，其他季节仅北支部分水域达第I类标准，秋季东滩出现第IV类水质。Cu在四季中污染状况变化最大，秋季達第I类标准，春夏季污染出现第II类，冬季整个水域呈第III/IV类，污染最为严重。
3 讨论与结论
在海水质量评价中，为了解整个研究区范围内连续水环境要素的分布情况，常利用空间插值方法来实现。空间插值方法用已知点的值估算未知点的值，对于需要描述评价总体环境状况变化的研究对象具有实际意义[44]。吴翠晴等[45]采用空间插值和营养指数方程相结合的方法，对锦州湾海域海水富营养化状态进行评价，结果表明，普通克里金法所得的插值结果评价锦州湾海水的富营养化状态更直观和准确。姜红等[46]使用5种插值方法对博斯腾湖的矿化度进行了空间插值，全局多项式插值方法在博斯腾湖矿化度插值中取得的精度最高，并发现博斯腾湖水体矿化度存在明显的空间梯度。李冕等[47]根据海水污染物分布扩散规律和采样点之间的关系，给出了一种自适应凸包选点的反距离权重插值方法，结果表明，该方法能够很好的反映海水污染物空间分布状况。不同空间插值方法存在不同的假设，针对不同海域、不同的水环境要素，最适用的空间插值方法可能存在差别。
本研究使用反距离权重插值、普通克里金法（半方差模型：指数、高斯和球面）以及径向基函数（完全规则样条函数和张力样条函数）对2018年长江口中华鲟自然保护区及周边水域DO、pH、COD和Cu进行插值，并基于插值结果对海水质量进行了评价。经交叉验证发现，DO较为适用的空间插值方法为RS，pH为TS，COD为IDW，Cu为OKE。不同空间插值方法虽然不会改变环境要素的整体空间分布状况，但可能会得到不同的值，进而对海水质量的评价造成影响。因此，在进行海水质量评价之前，为确保评价结果的真实性和可靠性，选择合适的空间插值方法十分重要。
参考文献
[1]Martin Parry（编），丁一汇（译）.气候变化2007影响、适应和脆弱性[J].国外科技新书评介，2008（8）：17-18.
[2]Richardson，A.J .Climate Impact on Plankton Ecosystems in the Northeast Atlantic[J].Science，2004，305（5690）：1609-1612.
[3]Behrenfeld M J，O’Malley，Robert T，Siegel D A，et al.Climate-driven trends in contemporary ocean productivity[J].NATURE，2006，444（7120）：752-755.
[4]Halpern B S，Walbridge S，Selkoe K A，et al.A Global Map of Human Impact on Marine Ecosystems[J].Science，2008，319（5865）：948-952.
[5]王有基，李丽莎，李琼珍，等.海洋酸化和全球变暖对贝类生理生态的影响研究进展[J].生态学报，2014，34（13）：3499-3508. [6]Freeman S M，Rogers S I .A new analytical approach to the characterisation of macro-epibenthic habitats：Linking species to the environment[J].Estuarine Coastal and Shelf Science，2003，56（3-4）：749-764.
[7]赵静，章守宇，汪振华，等.基于GAM模型的鱼类群落多样性分布及影响因素[J].生态学杂志，2013，32（12）：3226-3235.
[8]纪风颖，国家海洋信息中心，纪风颖，等.Argo、GTSPP与WOD数据集及其应用中需注意的若干问题[J].海洋通报，2016.
[9]Pessanha A L M，Araújo F G.Spatial，temporal and diel variations of fish assemblages at two sandy beaches in the Sepetiba Bay，Rio de Janeiro，Brazil[J].Estuarine Coastal and Shelf Science，2003，57（5-6）：817-828.
[10]Hajisamae S，Yeesin P .Patterns in community structure of trawl catches along coastal area of the South China Sea[J].Raffles Bulletin of Zoology， 2010， 58（2）（2）：357-368.
[11]Vilar C C，Spach H L，Joyeux J C .Spatial and temporal changes in the fish assemblage of a subtropical estuary in Brazil：environmental effects[J].Journal of the Marine Biological Association of the United Kingdom，2011，91（03）：635-648.
[12]Blaber S J M，Blaber T G .Factors affecting the distribution of juvenile estuarine and inshore fish[J].Journal of Fish Biology，1980，17（2）：143-162.
[13]张迎秋，线薇微，李文龙.2004和2007年春季长江口近海鱼类群落特征及其与环境因子的关系[J].中国海洋大学学报（自然科学版），2013，43（9）：67-74.
[14]罗秉征.河口及近海的生态特点与渔业资源[J].长江流域资源与环境，1992，1（1）：24-30.
[15]王立华.基于GIS的渔业环境因子制图算法及其分析比较[J].湛江海洋大学学报，2003，23（6）：30-34.
[16]杨胜龙，马军杰，伍玉梅，等.基于Kriging方法Argo数据重构太平洋温度场研究[J].海洋渔业，2008（01）：15-20.
[17]褚晓春，张韧，王辉赞.基于ARGO资料的空间插值方法的对比试验[C]//中国气象学会2006年年会“中尺度天气动力学、数值模拟和预测”分会场论文集.2006.
[18]Hsu S C，Mavrogianni A，Hamilton I.Comparing Spatial Interpolation Techniques of Local Urban Temperature for Heat-related Health Risk Estimation in a Subtropical City[J].Procedia Engineering，2017，198：354-365.
[19]何紅艳，郭志华，肖文发.降水空间插值技术的研究进展[J].生态学杂志，2005，24（10）：1187-1191.
[20]Shen Q，Wang Y，Wang X，et al.Comparing interpolation methods to predict soil total pHospHorus in the Mollisol area of Northeast China[J].CATENA，2019，174：59-72.
[21]Rufo M，Antolín，Alicia，Paniagua，Jesús M，et al.Optimization and comparison of three spatial interpolation methods for electromagnetic levels in the AM band within an urban area[J].Environmental Research，2018，162：219-225.
[22]Li J，Heap A D .Spatial interpolation methods applied in the environmental sciences：A review[J].Environmental Modelling & Software，2014，53：173-189.
[23]刘文岭，李伟，刘洋.空间插值法对渤海天津海域海水盐度分布的影响[J].盐业与化工，2010，39（02）：49-52.
[24]陈佳琪，杨日杰，战和，等.海洋温度剖面最优插值及其效果分析[J].海军航空工程学院学报，2012，27（6）：713-720. [25]王兴，刘莹，王春晖，等.海洋盐度分布的插值方法应用与对比研究[J].海洋通报，2016，3：324-330.
[26]黄杰.海洋环境综合数据时空建模与可视化研究[D].杭州：浙江大学，2008.
[27]Cormack R M，Cressie N.Statistics for Spatial Data[J].Terra Nova，1992，48（4）：1300.
[28]Maynou F，Conan G Y，Cartes J E，et al.Spatial structure and seasonality of decapod crustacean populations on the northwestern Mediterranean slope[J].Limnology & OceanograpHy，1996，41（1）：113-125.
[29]Rivoirard J.Geostatistics for Estimating Fish Abundance[J].Geostatistics for Estimating Fish Abundance，2000，131（5）：1004-1005.
[30]Wyatt R J.Mapping the abundance of riverine fish populations：integrating hierarchical Bayesian models with a geograpHic information system （GIS）[J].Canadian Journal of Fisheries and Aquatic Sciences，2003，60（8）：997-1006.
[31]Shepard D.A Two-Dinensional Interpolation Function for Irregularly Spaced Data[J].Proc.of ACM Mat.Conf，1964：517-524.
[32]Isaaks E H，Srivastava R M.Applied Geostatistics[J].Home Page，1989.
[33]Webster R，Oliver M A.Geostatistics for Environmental Scientists，Second Edition.[M]// Statistics for earth and environmental scientists.Wiley，2008.
[34]Chen Y，Peng R C，Zhang L H，et al.Interpolating method for digital depth model based on sounding anisotropy[J].HydrograpHic Surveying Charting，2011，31（5）：31-33.
[35]Gringarten E，Deutsch C V .Teacher's Aide Variogram Interpretation and Modeling[J].Mathematical Geology，2001，33（4）：507-534.
[36]Broomhead D S，Lowe D .Multivariable Functional Interpolation and Adaptive Networks[J].Complex Systems，1988，2（3）：321-355.
[37]Mitás L，Mitásová H.General variational approach to the interpolation problem[J].Computers & Mathematics with Applications，1988，16（12）：983-992.
[38]Mitásová H，Mitás L.Interpolation by regularized spline with tension：I.Theory and implementation[J].Mathematical Geology，1993，25（6）：641-655.
[39]Shen Q S，Wang Y，Wang X R，et al.Comparing interpolation methods to predict soil total pHospHorus in the Mollisol area of Northeast China[J].CATENA，2019，174：59-72.
[40]Mueller T G，Pusuluri N B，Mathias K K，et al.Map Quality for Ordinary Kriging and Inverse Distance Weighted Interpolation[J].Soil Science Society of America Journal，2004，68（6）：2042-2047.
[41]Stow C A，Jolliff J，Mcgillicuddy D J，et al.Skill assessment for coupled biological/ pHysical models of marine systems[J].Journal of Marine Systems，2009，76（1-2）：4-15.
[42]Ding Q，Wang Y，Zhuang D .Comparison of the common spatial interpolation methods used to analyze potentially toxic elements surrounding mining regions[J].Journal of Environmental Management，2018，212：23-31.
[43]Arslan H，Turan A N.Estimation of spatial distribution of heavy metals in groundwater using interpolation methods and multivariate statistical techniques; its suitability for drinking and irrigation purposes in the Middle Black Sea Region of Turkey[J].Environmental Monitoring & Assessment，2015，187（8）：516.
[44]帥方敏，卢进登，王新生.基于GIS空间插值方法的长湖水质评价[J].环境监测管理与技术，2007（04）：44-46.
[45]吴翠晴，李楠，王亚涛，等.空间插值方法在锦州湾海水富营养化评价中的应用[J].水资源与水工程学报，2012（6）：116-119.
[46]姜红，玉素甫江·如素力，热伊莱·卡得尔，等.不同空间插值方法对博斯腾湖水体矿化度的适应性评价研究[J].新疆师范大学学报（自然科学版），2016（4）：7-14.
[47]李冕，赵辉，鲍晨光，等.改进的IDW插值模型在海水水质评价中的应用[J].海洋环境科学，2014，33（2）：258-261.
（责编：张宏民）