img

官方微信

遥感技术与应用, 2019, 34(6): 1162-1172 doi: 10.11873/j.issn.1004-0323.2019.6.1162

冰雪遥感专栏

北极重要海峡海冰密集度时空变化呈现异质性

张天媛,1,2, 黄季夏,1,3, 曹云锋1, 王利3, 孙宇晗1, 杨林生3

1.北京林业大学 教育部森林培育与保护重点实验室室,北京 100083

2.北京师范大学 地表过程与资源生态国家重点实验室,北京 100875

3.中国科学院地理科学与资源研究所 陆地表层格局与模拟重点实验室,北京 100101

Spatiotemporal Variation of Sea Ice Concentration in Important Arctic Straits is Heterogeneous

Zhang Tianyuan,1,2, Huang Jixia,1,3, Cao Yunfeng1, Wang Li3, Sun Yuhan1, Yang Linsheng3

1.Beijing key Laboratory of Precision Forestry, Beijing Forestry University, Beijing 100083, China

2.State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing 100875, China

3.Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China

通讯作者: 黄季夏(1985-),男,河南安庆人,博士,副教授,主要从事空间数据分析研究。E⁃mail: huangjx@bjfu.edu.cn

收稿日期: 2018-07-30   修回日期: 2019-10-17   网络出版日期: 2020-03-19

基金资助: 中国科学院重点部署项目.  ZDRW⁃ZS⁃2017⁃4
中国科学院先导科技专项.  XDA19070502

Received: 2018-07-30   Revised: 2019-10-17   Online: 2020-03-19

作者简介 About authors

张天媛(1997-),女,河北石家庄人,博士研究生,主要从事空间数据分析研究E⁃mail:zty12396@126.com , E-mail:zty12396@126.com

摘要

在全球变暖背景下,北极海冰的面积与厚度正逐渐减小,为北极通航提供了可能,而重要海峡的冰情直接影响到北极航道的开通。以东北航道和西北航道上14个重要海峡近35年的海冰密集度为研究对象,利用核K-means方法进行时空聚类,通过经验模态分解模型研究不同聚类模式下的时间序列趋势,探究冰情变化异质性,结果如下:①各海峡海冰密集度呈3种聚类结果,同一聚类结果中海峡的密集度变化具有较强一致性,不同聚类结果之间差异较大,海冰密集度低的海峡全部位于东北航道。②全年尺度中除白令海峡和德米特里拉普捷夫海峡之外,其他海峡海冰密集度呈下降趋势。呈上升趋势的两个海峡均为海冰密集度低的海峡。③夏季融冰期尺度中各海峡海冰密集度变化趋势类型多样,除单纯的上升、下降趋势外,还出现了包括“U”形曲线在内的各种波动型趋势。

关键词: 北极 ; 海冰密集度 ; 重要海峡 ; 经验模态分解 ; 核K-means聚类

Abstract

In the context of global warming, the area and thickness of Arctic sea ice is gradually decreasing, which provides the possibility for Arctic navigation. As an important transportation hub of sea transportation, the Arctic Strait has a direct impact on the opening of the Arctic Channel. In this study, the sea ice density in the Northeast Passage and the Northwest Passage of the Arctic region in recent 35 years was used as the research object, and the sea ice concentration was clustered by using Kernel K-means clustering. The trend of time series of sea ice intensity under different clustering models is analyzed by Empirical Mode Decomposition (EMD), and the heterogeneity of ice regime changes in important straits is explored. Then taking the summer melting ice age as the study period, the cluster and heterogeneity analysis were carried out, and the following conclusions were drawn: ①The sea ice concentration of 14 straits in the North Pole showed three spatio-temporal clustering models. The variation of sea ice concentration in the same clustering model has strong consistency, and the variation of sea ice concentration is quite different among different models. All the straits with low sea ice concentration are in the Northeast Passage. ②The sea ice density of the other straits except the Bering Strait and the Dimitri Laptev Strait shows a decreasing trend in the whole year. The two straits with a decreasing trend are the straits with low sea ice concentration. ③The variation trends of sea ice concentration in each strait during the summer melting ice period are various. in addition to the simple increasing and decreasing trends, there are also various fluctuating trends, including the U-shape trend.

Keywords: Arctic ; Sea ice density ; Straits ; Empirical Mode Decomposition ; Kernel K-means clustering

PDF (4820KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

张天媛, 黄季夏, 曹云锋, 王利, 孙宇晗, 杨林生. 北极重要海峡海冰密集度时空变化呈现异质性. 遥感技术与应用[J], 2019, 34(6): 1162-1172 doi:10.11873/j.issn.1004-0323.2019.6.1162

Zhang Tianyuan, Huang Jixia, Cao Yunfeng, Wang Li, Sun Yuhan, Yang Linsheng. Spatiotemporal Variation of Sea Ice Concentration in Important Arctic Straits is Heterogeneous. Remote Sensing Technology and Application[J], 2019, 34(6): 1162-1172 doi:10.11873/j.issn.1004-0323.2019.6.1162

1 引 言

近百年来,由于社会经济发展迅速,人类活动增多,诸多人为因素和自然因素导致全球气候变暖。在北半球高纬度地区,地表增暖更为明显,导致北极海冰快速减少。遥感卫星数据显示,北极海冰的面积在近30年的时间里逐步减小。从20世纪70年代开始北极海冰覆盖范围不断缩小,20世纪90年代海冰减少速率加快[1]。除此之外,海冰厚度也正在变薄。气候预测报告指出这一缩减的趋势仍将继续,北极部分地区可能出现周期性的无冰时段。

就海上交通运输而言,北极海冰面积减少甚至季节性无冰的现象将提高北极区域的通航能力,北极航道的概念应运而生。北极航道由东北航道和西北航道构成,东北航道从西欧地区穿过北冰洋五大海域到达白令海峡,西北航道从白令海峡出发沿加拿大到达北美地区,含有两条分支。开通后的北极航道与经过马六甲海峡、苏伊士运河或者巴拿马运河的南方航道相比更有优势,可节省大约20%和40%的航程。此外,由于北极航道受海盗等不稳定因素影响较小,船舶航行过程中的护航费用和保险费用等将大幅降低。北极航道的开通将改变世界贸易格局,形成以俄罗斯、北美、西欧、东亚为主体的环北冰洋经济圈,对我国的经济发展将产生重要影响[2]

海峡作为海上交通要道和航运枢纽中心,其重要性不言而喻。重要海峡的冰情将成为影响北极航道开通的决定性因素。现有关于北极航道海峡的研究主要集中于北极全域性海冰变化的定性研究和通航相关的政策制度与贸易能力影响的分析。付强等[3,4]以北极航道关键海区为研究对象分析海冰变化规律和航道适航性;苏洁等针对西北航道南北线路的冰障流段海冰变化提出衡量通航程度的建议[5];李人达[6]就北极航道有关途径海峡的航行飞越制度展开分析;孟德宾等[7,8]就北极航道的开通分析其对我国外贸格局的潜在影响。目前定量分析北极航道重要海峡海冰密集度的现有研究较少。为了更好地研究北极航道通航的可能性,本文以东北航道和西北航道上的重要海峡冰情为研究对象,从以下3个方面展开讨论:①北极航道上各重要海峡近35 a来海冰密集度的时间序列变化趋势;②不同海峡的海冰密集度可能具有的时空聚类模式以及不同聚类结果可能存在的共同特征;③不同海峡海冰密集度时间序列变化是否存在空间异质性。在此基础上,进一步以每年夏季融冰期为研究时段对上述方面进行分析。最后,根据定量研究结果,分析引起海冰冰情变化的可能的影响因子。

2 数 据

研究对象为北极航道上14个关键海峡,包括东北航道的6个海峡,分别为白令海峡(Bering Strait)、桑尼科夫海峡(Sannikov Strait)、德米特里拉普捷夫海峡(Dmitry Laptev Strait)、维利基茨基海峡(Vilkitsky Strait)、尤戈尔斯基沙尔海峡(Yugorskiy Shar)、喀拉海峡(Kara Strait);西北航道的八个海峡,分别为维多利亚海峡(Victoria Strait)、巴罗海峡(Barrow Strait)、兰开斯特海峡(Lancaster Sound)、麦克林托克海峡(McClintock)、皮尔海峡(Peel Sound)、麦克卢尔海峡(M'clure Strait)、威尔士亲王海峡(Prince of Wales Strait)、梅尔维尔子爵海峡(Viscount Melville Sound)。表1显示了所有海峡的坐标信息。

表1   北极地区重要海峡坐标信息

Table 1  Coordinate Information of important Channel in Arctic region

所属航道中文名称英文名称经度纬度图1、2海峡代号
东北航道白令海峡Bering Strait169°00′W66°00′N1
桑尼科夫海峡Sannikov Strait140°00′E74°30′N2
德米特里拉普捷夫海峡Dmitry Laptev Strait142°00′E73°00′N3
维利基茨基海峡Vilkitsky Strait103°35′E77°57′N4
尤戈尔斯基沙尔海峡Yugorskiy Shar60°30′E69°45′N5
喀拉海峡Kara Strait58°00′E70°30′N6
西北航道维多利亚海峡Victoria Strait101°00′W69°00′N7
巴罗海峡Barrow Strait97°48′W74°23′N8
兰开斯特海峡Lancaster Sound84°00′W74°13′N9
麦克林托克海峡McClintock102°00′W72°00′N10
皮尔海峡Peel Sound96°30′W73°00′N11
麦克卢尔海峡M'clure Strait117°00′W74°42′N12
威尔士亲王海峡Prince of Wales Strait119°18′W72°15′N13
梅尔维尔子爵海峡Viscount Melville Sound105°00′W74°15′N14

新窗口打开| 下载CSV


海冰密集度数据由美国冰雪中心(National Snow and Ice Data Center, NSIDC)提供,该密集度产品由 Nimbus-7卫星上的扫描式多通道微波辐射计(Scanning Multi-frequency Microwave Radiometer, SMMR)和美国国防气象卫星DMSP(Defense Meteorological Satellite Program)搭载的多波段微波辐射扫描仪(Special Sensor Microwave/Imager, SSM/I),以及包括来自DMSP-F17上的特殊传感器微波成像仪(SSMIS)提供的亮温数据计算生成,版本为Version2.0。该数据是使用高级微波扫描辐射计—地球观测系统(The Advanced Microwave Scanning Radiometer-EOS,AMSR-E)通过Bootstrap算法生成的。数据集覆盖范围包括整个南北极地区,数据格式为二进制格式,为保证整数字符存储,数值为实际亮温值的10倍。SMMR的数据流时间从1978年11月1日至1987年7月31日,SSM/I数据流时间范围从1987年8月1日至2007年12月31日,SSMIS数据流时间区间从2008年1月1日至今[9]

为了更好地研究夏季融冰期的海峡冰情规律,本研究筛选出各海峡1980~2014年每年5月15日至6月5日的海冰密集度数据,取每年数据的平均值作为这一年夏季融冰期的海冰密集度数据,以此作为研究的根据。

3 方 法

数据处理方法采用了Kernel K-means聚类模式和经验模态分解模型。Kernel K-means聚类模式可以对时空数据进行聚类,适用于具有时间序列特征和空间横截面特征的海冰密集度数据;经验模态分解模型(EMD)用于进行时间序列分解,分解过程不依赖于基函数。

3.1 Kernel K-means聚类

聚类是在样本类别未知的情况下,根据特征向量对其进行分类的手段。不同的聚类方法较多,适用情况不一,一般而言K-均值聚类算法(K-means)比较多见且聚类效果较好。当各类样本的边界线性不可分或类分布为非对称分布时,k-means聚类的效果往往不尽人意。核K-均值聚类算法(Kernel K-means)可以有效减小具有上述情况的样本的聚类误差,获得较好的聚类效果。Kernel K-means算法将待分类样本映射到高维的特征空间(也称核空间)中,使样本线性或近似线性可分,再在此核空间中进行K-means聚类。算法步骤如下:

(1)在核空间中任意确定初始聚类中心。

(2)计算样本到初始聚类中心的距离,按照距离远近将每个样本分配到不同的类别之中。

(3)在各类中分别将每个样本作为中心,计算其它点到中心的距离,并算出距离之和,将距离之和最小的中心作为该类新的中心,称最小的距离之和为该类的误差平方和。

(4)重复步骤(2)和(3),进行反复迭代,直到各类误差平方和的累加值趋于稳定[10]

充分考虑聚类区组内和组间差异性,本文采用CH指数确定聚类的个数[11]

CHk=Bk-1/Wn-k

其中:B是组间离差和,W是组内离差和,k是聚类数,n是监测站点数。CH值越大,聚类的效果越好。Kernel K-means的分类工作在R中使用Kernlab包完成[12,13]

3.2 经验模态分解

Huang等[14]于1998年提出了基于数据时域局部特征的经验模式分解算法(EMD),可将复杂且大量的数据分解成有限个内蕴模式函数分量(Intrinsic Mode Functions,IMF)。EMD是数据驱动的自适应分析方法,不依赖于基函数是其区别于其他变换方法的独到之处。通常一个基本模式分量函数需要满足:①数据序列中极值点的数量应等于或最多相差一个过零点的数量;②任一时间点上信号的局部最大值和最小值定义的包络均值为零。

EMD分解步骤如下:

(1)首先通过3次样条函数拟合出极大值包络线emax和极小值包络线emin,均值包络m1(t)则由两包络线计算均值得出。

(2)原时空x(t)序列减去m1(t)均值包络,得到去低频的新信号h11(t),据此重复迭代k次筛选出一阶IMF分量h1k(t),迭代次数一般不超过10次。

(3)用原序列减去一阶IMF分量,得到去高频的新信号,据此重复迭代筛选出二阶IMF分量r1(t)

(4)重复以上步骤,直到第n阶IMF分量或其残余分量小于初始预设值,或直到残余分量为单调函数或常量,停止分解。x(t)最终分解为N个从高频道低频的IMF函数。

xt=1Ncit+rNt,i=1N

其中:rN(t)为趋势项,表示信号的平均趋势或均值[15]

以1980~2014年各海峡每日的海冰密集度数据为处理对象,采用Kernel K-means方法对数据聚类,产生3种海冰密集度聚类结果,通过EMD方法对这3类模式进行时间序列分解,形成海冰密集度变化趋势曲线,并利用此方法对东北航道和西北航道各海峡的海冰密集度进行趋势分解,据此深入关于北极海峡冰情的聚类模式及各自异质性的分析。

4 结 果

4.1 全年时间尺度下的海冰密集度分析

4.1.1 重要海峡海冰密集度时空聚类结果

使用Kernel K-means模型对北极地区海峡的海冰密集度进行时空聚类。设定聚类个数从2到5,当聚类个数为3时,CH指数达到最大值,因此采用3种聚类模式(图1),分别为海冰密集度较低的海峡(红色圆点显示的白令海峡、尤戈尔斯基沙尔海峡、喀拉海峡),海冰密集度中等的海峡(黄色圆点显示的德米特里拉普捷夫海峡、桑尼科夫海峡、兰开斯特海峡、维多利亚海峡、威尔士亲王海峡),以及海冰密集度较高的海峡(蓝色圆点显示的其他各海峡)。表2显示了各海峡海冰密集度的数学特征量。

图1

图1   北极重要海峡海冰密集度时空聚类结果

Fig.1   Spatial and temporal clustering Model


表2   各海峡海冰密集度的数学特征量

Table 2  Mathematical characteristics of sea ice density in various straits

海峡25%分位50%分位75%分位平均值标准差
维利基茨基海峡86.5097.2598.8886.4023.18
巴罗海峡90.0198.1799.4488.7122.27
麦克林托克海峡91.5597.9199.4589.4419.92
皮尔海峡94.1196.6798.4490.1517.60
麦克卢尔海峡95.3698.0099.3691.7418.15
梅尔维尔子爵海峡95.5597.9199.3692.5515.65
桑尼科夫海峡77.2497.9599.5979.4034.64
德米特里拉普捷夫海峡81.4097.0099.1381.3631.84
维多利亚海峡67.8897.4299.2577.3534.83
兰开斯特海峡43.1796.2199.3773.0335.07
威尔士亲王海峡66.7896.3398.5682.0025.87
白令海峡0.0020.9597.3845.2545.82
尤戈尔斯基沙尔海峡0.0076.3997.3657.2042.13
喀拉海峡0.0043.1593.6446.8940.82

新窗口打开| 下载CSV


各海峡的海冰密集度分布呈现不同的特征,红、黄和蓝色3种不同颜色的柱体分别对应图1中不同时空聚类结果的海峡(图2)。从左至右,维利基茨基海峡到梅尔维尔子爵海峡等几个海峡的海冰密集度分布范围相对较为狭窄(蓝色柱状图),其中麦克卢尔海峡和梅尔维尔子爵海峡的海冰密集度集中在较高部分。德米特里拉普捷夫海峡、桑尼科夫海峡、兰开斯特海峡、维多利亚海峡、威尔士亲王海峡的海冰密集度分布范围相对广泛(黄色柱状图),平均海冰密集度相对后3个海峡有显著的提高,75%分位数接近最大值,25%分位数与最小值有一定的差距。白令海峡、尤戈尔斯基沙尔海峡、喀拉海峡的海冰密集度分布形状较为相似(红色柱状图),75%分位数与最大值有一定的差距,而25%分位数与最小值非常接近。通过海冰密集度分布可以看出,各海峡分布图形状与时空聚类的结果有一定的相似性。

图2

图2   北极14个海峡1980~2014年海冰密集度分布

(横轴表示14个海峡,纵轴表示海冰密集度指数,范围自下而上为0~100)

Fig.2   Distribution of sea ice concentration


4.1.2 不同聚类结果中海峡海冰密集度的时间序列趋势

总体而言,3种聚类结果中海峡海冰密集度时间序列趋势有同有异。尽管三者都呈现出下降趋势,各聚类结果的下降幅度却存在明显差异(图3)。

图3

图3   3种不同聚类结果中海峡EMD时间序列分解趋势

Fig.3   EMD Time series decomposition trend under three different clustering models


第一类(维利基茨基海峡、巴罗海峡、麦克林托克海峡、皮尔海峡、麦克卢尔海峡和梅尔维尔子爵海峡)从1980年的92.4%下降到2010年的84.5%(图3(a)),1998年之前下降趋势平缓,之后下降速度加快,2010年之后密集度开始回升,上升了约1个百分点;第二类(德米特里拉普捷夫海峡、桑尼科夫海峡、兰开斯特海峡、维多利亚海峡和威尔士亲王海峡)下降幅度同样较大,从80.2%下降到约72%,下降幅度为8%,2010年后下降趋势仍明显;第三类(白令海峡、尤戈尔斯基沙尔海峡和喀拉海峡)的海冰密集度下降幅度最大,从1980年的54%下降到2014年的36.8%。1990年之前密集度整体保持稳中有升的态势,然后不断下降,2010年之后下降趋势变缓。

4.1.3 北极重要海峡海冰密集度变化异质性分析

东北航道6个海峡近35 a来海冰密集度变化呈现两种不同形态。第一类曲线以白令海峡和德米特里拉普捷夫海峡为代表,总体呈上升趋势,2010年之后开始有所下降(图4(a)、(b))。其中白令海峡先下降后上升,变化幅度约5%;德米特里拉普捷夫海峡一直上升,但变化幅度较小,约为0.7%。东北航道其余4个海峡海冰密集度变化模式归为第二类曲线(图4(c)~(f)),总体呈下降趋势。其中,尤戈尔斯基沙尔海峡2005年之前下降了约8%,之后以较快的速度回升;桑尼科夫海峡基本直线下降了4个百分点;喀拉海峡和维利基茨基海峡1990年之前变化不大,之后开始下降,其中维利基茨基海峡下降幅度最大,约14个百分点。

图4

图4   东北航道重要海峡近35 a来海冰密集度变化趋势

Fig.4   Variation trend of sea ice density in the major straits of northeast channel in recent 35 years


西北航道8个海峡海冰密集度变化虽然总体均下降,但密集度水平较高。根据其冰情变化平稳度区分出两种曲线形态(图5)。第一类曲线以兰开斯特海峡、麦克林托克海峡、梅尔维尔子爵海峡和皮尔海峡为代表,1995年之前密集度变化不大(以下称之为平台期),密集度相对较高,随后开始下降,下降不到10个百分点。2010年之后,兰开斯特海峡和麦克林托克海峡的海冰密集度有所上升(图5(a)~(d))。第二类曲线以维多利亚海峡、巴罗海峡、麦克卢尔海峡和威尔士亲王海峡为代表,整体呈无平台期的下降趋势,下降幅度在4%~8%。其中,维多利亚海峡的海冰密集度在2005年之后趋于平稳,其余3个海峡的海冰密集度在2010年后有上升趋势(图5(e)~(h))。

图5

图5   西北航道重要海峡近35 a来海冰密集度变化趋势

Fig.5   Variation trend of sea ice density in the major straits of northwest channel in recent 35 years


4.2 夏季融冰期北极重要海峡海冰密集度变化异质性分析

在夏季融冰期(5~6月),海冰融化速度相对较快,研究这段时期的海冰融化情况对北极海峡的通航性分析具有重要意义。东北航道6个海峡近35 a来每年夏季融冰期的海冰密集度变化也呈现两种不同形态。第一类曲线以桑尼科夫海峡、维利基茨基海峡、喀拉海峡和白令海峡为代表,总体呈下降趋势(图6(a)~(d))。其中,桑尼科夫海峡海冰密集度很高,1980年到20世纪90年代前期有不到0.4%的上升,之后下降约1%;喀拉海峡和白令海峡海冰密集度下降幅度很大,约下降30%,其中喀拉海峡的海冰密集度在1995~2000年保持相对平稳。

图6

图6   夏季融冰期东北航道重要海峡近35 a来海冰密集度变化趋势

Fig.6   Variation trend of sea ice density in the major straits of northeast channel in summer melt ice age in recent 35 years


东北航道第二种海冰密集度变化模式曲线以德米特里拉普捷夫海峡和尤戈尔斯基沙尔海峡为代表(图6(e)、(f)),总体呈V字型,密集度先下降,从20世纪90年代后期开始逐渐上升。尤戈尔斯基沙尔海峡相对来说密集度更低,上升下降的幅度更大。

西北航道8个海峡夏季融冰期海冰密集度变化呈现3类完全不同的曲线形态(图7)。第一类曲线以维多利亚海峡、麦克林托克海峡、梅尔维尔子爵海峡和巴罗海峡为代表,整体呈上升趋势(图7(a)~(d)),上升幅度1%左右,海冰密集度都非常高。其中巴罗海峡的海冰密集度1995年之前上升速度较快,之后上升速度放缓。第二类曲线以麦克卢尔海峡和威尔士亲王海峡为代表(图7(e)、(f)),呈先上升后下降的倒V型,在2000年前后出现拐点,整体的密集度较高,变化幅度控制在3%左右。第三类曲线以兰开斯特海峡和皮尔海峡为代表(图7(g)、(h)),曲线形状先下降后上升再下降。皮尔海峡海冰密集度较高,整体波动幅度很小,不到0.5%,2000年出现第一个拐点,之后的波动处于较平稳的状态,2010年出现了小高峰。兰开斯特海峡整体波动幅度超过10%,从1980年的86.5%下降到1994年的75.8%,再上升到2005年的83%,之后到2014年又下降为79.5%。

图7

图7   西北航道重要海峡近35 a来海冰密集度变化趋势

Fig.7   Variation trend of sea ice density in the major straits of northwest channel in summer melt ice age in recent 35 years


5 讨 论

现有对北极海冰的相关研究,多集中在宏观分析海冰变化对适航性的影响和航道制度与政策的讨论方面。适航性分析方面,李新情等[16]研究了近10 a来维利基茨基海峡海冰的变化情况并对年际通航时期进行分析总结;付强[3]以西北航道关键海区海域的海冰情况作为分析对象,具体研究每年不同时期某一区域或某一线路海冰变化情况,从卫星图像中海冰区域变化等现象定性判断是否能够通航。在关于北极航道现有的国际政策制度方面,多基于对我国在北极地区的战略发展。以俄罗斯为代表的极地国家在一段时间内主张持有东北航道部分海峡的管辖权并划为“内水”,规定管辖国政府有权中止违反法规船舶的航行或命令其离开航道,对破冰船的收取费用也相应地提高标准和增加项数。随着北极航道在国际经济的地位逐步提升,为促使当地经济发展,极地国家开始向国际开放北极海运。面对当前局势,中国应以近极地国家身份加强更多通航话语权,积极参与北极事务,把握北极航道通行权力,以降低对外贸易过程中的成本[17]。针对航道政策的有关研究中,白佳玉等[18]以北极航道上的白令海峡为对象,从航行制度、法律地位等方面探究国际潜在的合作机制;杨成林[4]分析了东北航道开通后的有关战略战策、对我国外贸潜力及全球贸易格局的影响等。从上述分析中可以看出,现有对政策和制度的研究都较为宏观,适航性分析的样本选择在时空上也存在明显的局限性。本文使用多种不同来源的数据,研究空间范围具体到14个重要的通航海峡,时间范围扩增到35 a,观测此期间各重要海峡的海冰消融变化情况,阐述不同聚类海峡海冰变化的异质性,可为北极通航计划提供更加全面直观和可靠的科学依据,对我国的北极航道开发利用也能提供决策参考。

研究结果表明,北极地区14个海峡海冰密集度呈现3种时空聚类结果。各聚类结果内部海冰密集度变化差异较小,不同结果之间差异较大。第一聚类结果中的海峡除维利基茨基海峡外均分布于西北航道,第三聚类结果中的海峡则全部位于东北航道上,第二聚类结果中的海峡在两航道上各有分布。由于各海峡位于北冰洋不同区域,其所在地区的大气环流、洋流模式、水文特征等都存在着很大的差异。因此,这些海峡的海冰密集度变化趋势表现出明显的空间异质性。通过Kernel K-means时空聚类模型,发现同一聚类结果中的各海峡尽管空间位置差异较大,但海冰密集度变化却具有较强一致性,这可以为后续的海峡海冰预测模型提供一定的经验知识。

全年尺度观测下,在14个海峡中有12个海峡的海冰密集度一直表现出下降趋势。这与全球变暖下北极地区气温升高相对应。海峡冰情与径流变化也有一定的关系。流入北冰洋的较大的河流约有35条,分为7个流域。其中,东北冰洋接收的河流比西北冰洋要多,成为西北航道海峡海冰密集度高于东北航道的可能原因之一。此外,流入白令海的育空河的流量比较大,从一定程度上可以解释白令海峡海冰密集水平较低。北极径流季节变化明显,从每年11月至来年4月流量变小,在 3、4 月达到最小值,然后进入春季融冰期,流量急剧增大,洪峰流量出现在 6月份。1993年之后,由于冬春季径流明显增加,夏季径流减小,弱化了季节变化,因此海冰输出变少[19]。与北极地区变暖现象存在矛盾的是剩下两个海峡海冰密集度出现了上升。关于白令海峡海冰增加的原因,有研究表明这与该地区北部的西风异常有关,也有可能是从楚科奇海到白令海峡温度降低导致了海冰增加,是海冰对全球温度变化的负反馈效应[20]。关于海冰密集度增加及部分海峡海冰密集度近年下降速度趋于平稳的现象,还有可能由以下因素导致,由于研究结果表明各海峡并不具有海冰密集度上升的普遍性,这些因素还有待进一步商榷:①北大西洋涛动转入负相位,气压增高,导致北方地区气候变冷;②河流入海口地区海水盐分降低,海冰融化较少;③冬季径流增加,夏季径流减少,减弱了下沉流,抑制了北大西洋深层水生成,进而阻碍了全球深层水循环,热量交换减弱,导致气候变冷、海冰融化减弱。

在夏季融冰期,很多海峡海冰密集度则表现出不尽相同的波动形态。这表明海冰密集度变化与全球增暖现象之间存在非线性关系,这一时期的海冰密集度变化受到更多环境因素的影响,影响机制需要进一步讨论。

本研究存在如下3个方面的缺陷:(1)在海冰冰情方面,研究仅考虑了海冰密集度因子,而没有考虑诸如海冰厚度等因子。主要原因在于目前海冰密集度的数据可信度较高,而海冰厚度等再生数据有一定的不确定性。认识海冰厚度在气温等因子影响下随时间变化的特征, 是估算海冰资源量的基础[21,22]。海冰厚度随时间的变化取决于温度、风向风速以及海流的变化,这些动力因素和热力因素的变化对通航条件有一定影响。在今后的研究中将加强对此方面的分析。(2)在时间序列方面,仅仅考虑到近35 a来的海冰变化,对于未来情景没有作进一步的预测分析。在接下来的研究中将会分析至2050年的海冰变化情况,并试用其他方法提高预测精度。(3)数据来源的丰富多样决定了数据的误差(包括由不同卫星传感器数据匹配、填充、去重等步骤引起的误差)相对较小,但也因此存在部分时段数据缺失的问题。此外,对于海冰密集度变化趋势出现各种形态的原因还需要进一步的研究[23,24,25,26,27,28,29,30,31]

6 结 语

本文采取Kernel K-Means的聚类方法,利用北极地区14个重要海峡35 a每天的海冰密集度数据分析各海峡的时空聚类模式。在此基础上,使用EMD模型分别对不同聚类结果和各海峡分别进行时序分解,同时对14个海峡35 a的夏季融冰期内每日的海冰密集度时空变化趋势展开研究。研究结果表明,14个海峡的海冰密集度呈三种聚类结果。海冰密集度高的海峡大部分分布在西北航道上,海冰密集度低的海峡均位于东北航道。北极地区重要海峡的海冰密集度变化存在着一定的空间异质性。总体而言,全年尺度下除白令海峡和德米特里拉普捷夫海峡之外,其他各海峡海冰密集度呈下降趋势;而在夏季融冰期内,各海峡海冰密集度的变化趋势更具有多样性。

本研究通过详细的数据分析,揭示了北极地区重要海峡在全年尺度及夏季融冰期尺度下海冰冰情的变化规律。由于各海峡海冰变化存在着一定的异质性,在建立海冰—环境因子模型时需要考虑到各个海峡的特性。另一方面,由于海峡与航道的密切关联性,本文也为分析全球变暖背景下北极航道的开通条件提供了研究基础。

参考文献

NSIDC (2012) National Snow & Ice Data Center Ongoing Data Updates[Z]

Available atwww.nsidc.org. Accessed December 20, 2012.

[本文引用: 1]

Peng Zhenwu, Wang Yunchuang.

Significance and Domestic Impact of Navigable Arctic Channel

[J]. Port and Waterway Engineering, 2014(7):86-89, 109.

[本文引用: 1]

彭振武, 王云闯.

北极航道通航的重要意义及对我国的影响

[J]. 水运工程,2014(7):86-89, 109.

[本文引用: 1]

Fu Qiang, Research on the Variation of Ice Condition in the Key Areas of the Northwest Passage

[D]. Dalian: Dalian Maritime University, 2012.

[本文引用: 2]

付强. 北极西北航道通航关键海区海冰变化规律研究[D]. 大连:大连海事大学, 2012.

[本文引用: 2]

Yang Chenglin.

Strategic Analysis of Navigation Conditions in the Northeast Passage

[D]. Ji'nan: Shandong Normal University, 2016.

[本文引用: 2]

杨成林.

北极东北航道通航条件战略分析

[D]. 济南: 山东师范大学, 2016.

[本文引用: 2]

Su Jie, Xu Dong, Zhao Jinping, et al.

Features of Northwest Passage Sea Ice’s Distribution and Variation under Arctic Rapidly Warming Condition

[J]. Chinese Journal of Polar Research, 2010, 22 (2): 104-124.

[本文引用: 1]

苏洁, 徐栋, 赵进平,.

北极加速变暖条件下西北航道的海冰分布变化特征

[J]. 极地研究, 2010, 22(2):104-124.

[本文引用: 1]

Li Renda.

On the Overflight System of Arctic Passage through Relevant Straits

[J]. The New Orient, 2016 (6): 18-20.

[本文引用: 1]

李人达.

论北极航道途经有关海峡的航行飞越制度

[J]. 新东方, 2016(6):18-20.

[本文引用: 1]

Meng Debin.

Study on the Influence of Arctic Passage on Global Trade Pattern

[D]. Shanghai: Shanghai Academy of Social Sciences, 2015.

[本文引用: 1]

孟德宾.

北极航道对全球贸易格局的影响研究

[D]. 上海:上海社会科学院, 2015.

[本文引用: 1]

Sun Yimeng.

Study on the Influence of the Potential of China's Foreign Trade by the Arctic Route

[D]. Dalian: Dalian Maritime University, 2014.

[本文引用: 1]

孙艺萌.

北极航线对我国对外贸易潜力的影响研究

[D]. 大连大连海事大学, 2014.

[本文引用: 1]

Meng Shang, Li Ming, Tian Zhongxiang, et al.

Characteristics of the Sea Ice Variation in the Arctic Northeast Passage

[J], Marine Forecasts, 2013,30 (2): 8-13.

[本文引用: 1]

孟上, 李明, 田忠翔,.

北极东北航道海冰变化特征分析研究

[J]. 海洋预报, 2013, 30(2):8-13.

[本文引用: 1]

Kong Rui, Zhang Guoxuan, Shi Zesheng, et al.

Kernel-based K-means Clustering

[J], Computer Engineering, 2004, 30 (11): 12-13.

[本文引用: 1]

孔锐, 张国宣, 施泽生,.

基于核的K-均值聚类

[J]. 计算机工程, 2004, 30(11):12-13.

[本文引用: 1]

Caliński T, Harabasz J.

A Dendrite Method for Cluster Analysis

[J]. Communications in Statistics, 1974, 3(1):1-27.

[本文引用: 1]

Team R C.

R: A Language and Environment for Statistical Computing. 2012

.[J]. Computing, 2012, 1:12-21.

[本文引用: 1]

Karatzoglou A, Smola A, Hornik K, et al.

Kernlab - An S4 Package for Kernel Methods in R

[J]. Journal of Statistical Software, 2004, 11(i09):721-729.

[本文引用: 1]

Xu Xiaogang, Xu Guanlei, Wang Xiaotong, et al.

Empirical Mode Decomposition and its Application

[J]. Acta Electronica Sinica, 2009,37 (3): 581-585.

[本文引用: 1]

徐晓刚, 徐冠雷, 王孝通,.

经验模式分解(EMD)及其应用

[J]. 电子学报, 2009, 37(3):581-585.

[本文引用: 1]

Wang limin, Xing Changyu, Liu Xiangdong, et al.

Study on Price Discovery Function of Steel Futures based on Empirical Mode Decomposition

[J]. Science Technology and Industry, 2012, 12 (8): 78-82.

[本文引用: 1]

王立民, 兴长宇, 刘祥东,.

基于EMD分解的螺纹钢期货价格发现的实证研究

[J]. 科技和产业, 2012, 12(8):78-82.

[本文引用: 1]

Li Xinqing, Tianyu Ci, Luo Sihan, et al.

Spatio-temporal Variation of Sea Ice and Navigability in the Arctic Vilkitsky Strait

[J]. Chinese Journal of Polar Research, 2015 (3): 282-288.

[本文引用: 1]

李新情, 慈天宇, 罗斯瀚,.

北极东北航道维利基茨基海峡海冰时空变化及适航性分析

[J]. 极地研究, 2015(3):282-288.

[本文引用: 1]

Wang Dan, Wang Jie, Zhang Hao.

Study of Arctic Waterway Transit Policy and Its Development on Circumpolar Nations and Regions

[J]. Chinese Journal of Polar Research,2015(1): 74-82.

[本文引用: 1]

王丹, 王杰, 张浩.

环北极国家与地区的北极航道通行政策及其发展趋势分析

[J]. 极地研究, 2015(1):74-82.

[本文引用: 1]

Bai Jiayu, Sun Yan, Zhang Xia.

Cooperation Mechanism of Bering Strait Governance

[J]. Chinese Journal of Polar Research, 2017,29 (2): 256-269.

[本文引用: 1]

白佳玉, 孙妍, 张侠.

白令海峡治理的合作机制研究

[J]. 极地研究, 2017, 29(2):256-269.

[本文引用: 1]

Li Pixue.

Dominant Climate Factors Influencing the Arctic Runoff and Association between the Runoff and Arctic Sea Ice

[D]. Dalian: Dalian Maritime University, 2009.

[本文引用: 1]

李丕学.

北极径流变化的关键气候因子及其对北冰洋海冰变化影响的研究

[D]. 大连:大连海事大学, 2009.

[本文引用: 1]

Gu Wei, Gu Songgang, Shi Peijun, et al.

The Temporal Change Characteristics of Sea Ice Thickness and Regeneration Period of Sea Ice in Liaodong Gulf

[J], Resources Science, 2003, 25 (3): 24-32.

[本文引用: 1]

顾卫, 顾松刚, 史培军,.

海冰厚度的时间变化特征与海冰再生周期研究

[J]. 资源科学, 2003, 25(3):24-32.

[本文引用: 1]

Wei Lixin.

Study on Variation of Arctic Sea Ice and its Effect on Global Climate

[D].Dalian: Dalian Maritime University, 2008.

[本文引用: 1]

魏立新.

北极海冰变化及其气候效应研究

[D]. 大连: 大连海事大学, 2008.

[本文引用: 1]

Liu Jiang, Mu Dejun.

Dynamic Feature Extraction of Sea Ice in SAR Imagery

[J]. Remote Sensing Technology an Application,2018,33(1):55-60.

[本文引用: 1]

刘建歌, 慕德俊.

基于SAR影像海冰动态特征的提取方法

[J]. 遥感技术与应用, 2018331):55-60.

[本文引用: 1]

Becagli S, Lazzara L, Marchese C, et al.

Relationships Linking Primary Production, Sea Ice Melting, and Biogenic Aerosol in the Arctic

[J]. Atmospheric Environment, 2016, 136:1-15.

[本文引用: 1]

Castro-Morales K, Ricker R, Gerdes R.

Regional Distribution and Variability of Model-simulated Arctic Snow on Sea Ice

[J]. Polar Science, 2017, 13:33-49.

[本文引用: 1]

Granskog M A, Rösel A, Dodd P A, et al.

Snow Contribution to First‐Year and Second‐year Arctic Sea Ice Mass Balance North of Svalbard

[J]. Journal of Geophysical Research, 2017, 122(3):2539-2549.

[本文引用: 1]

Henderson G R, Barrett B S, Lafleur D M.

Arctic Sea Ice and the Madden–Julian Oscillation (MJO)

[J]. Climate Dynamics, 2014, 43(7-8):1-12.

[本文引用: 1]

Huang W, Lei R, Han H, et al.

Physical Structures and Interior Melt of the Central Arctic Sea Ice/Snow in Summer 2012

[J]. Cold Regions Science & Technology, 2016, 124:127-137.

[本文引用: 1]

Landy J C,Ehn J K,Babb D G, et al.

Sea Ice Thickness in the Eastern Canadian Arctic: Hudson Bay Complex & Baffin Bay

[J].Remote Sensing of Environment,2017,200(200):281-294.

[本文引用: 1]

Nam J H, Park I, Lee H J, et al.

Simulation of Optimal Arctic Routes Using a Mumerical Sea Ice Model based on an Ice-coupled Ocean Circulation Method

[J]. International Journal of Naval Architecture & Ocean Engineering, 2013, 5(2):210-226.

[本文引用: 1]

Sandø A. B., Gao Y., Langehaug H. R..

Poleward Ocean Heat Transports, Sea Ice Processes, and Arctic Sea Ice Variability in NorESM1‐M Simulations

[J]. Journal of Geophysical Research Oceans, 2014, 119(3):2095-2108.

[本文引用: 1]

Wu S Q, Zeng Q C, Bi X Q.

Modeling of Arctic Sea Ice Variability During 1948~2009: Validation of Two Versions of the Los Alamos Sea Ice Model (CICE)

[J]. Atmospheric and Oceanic Science Letters, 2015, 8(4):215-219.

[本文引用: 1]

/