CN112465186B - 一种海表漂浮浒苔消亡天数的预测方法 - Google Patents

一种海表漂浮浒苔消亡天数的预测方法 Download PDF

Info

Publication number
CN112465186B
CN112465186B CN202011171301.2A CN202011171301A CN112465186B CN 112465186 B CN112465186 B CN 112465186B CN 202011171301 A CN202011171301 A CN 202011171301A CN 112465186 B CN112465186 B CN 112465186B
Authority
CN
China
Prior art keywords
enteromorpha
days
area
death
year
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011171301.2A
Other languages
English (en)
Other versions
CN112465186A (zh
Inventor
安德玉
邢前国
禹定峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Oceanographic Instrumentation Shandong Academy of Sciences
Original Assignee
Institute of Oceanographic Instrumentation Shandong Academy of Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Oceanographic Instrumentation Shandong Academy of Sciences filed Critical Institute of Oceanographic Instrumentation Shandong Academy of Sciences
Priority to CN202011171301.2A priority Critical patent/CN112465186B/zh
Publication of CN112465186A publication Critical patent/CN112465186A/zh
Application granted granted Critical
Publication of CN112465186B publication Critical patent/CN112465186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种海表漂浮浒苔消亡天数的预测方法，包括如下步骤：步骤一，将浒苔消亡期分为m个时期P1～m，P1代表浒苔最大面积后1～t天，P2代表浒苔最大面积后(t+1)～2t天，P3代表浒苔最大面积后(2t+1)～3t天，…，Pm代表浒苔最大面积后((m‑1)t+1)～mt天，m和t的取值根据海域内历年海表漂浮浒苔消亡天数确定；统计历年m个时期内的浒苔消亡率多年均值
Figure DDA0002747397960000011
步骤二，将

Description

一种海表漂浮浒苔消亡天数的预测方法
技术领域
本发明涉及海洋监测技术领域，特别涉及一种海表漂浮浒苔消亡天数的预测方法。
背景技术
近年来，海洋大型藻类泛滥，且影响范围逐步变大，比如常见的绿潮，就是在一定的环境条件下，海水中的机会型大型藻类如浒苔暴发性生长和聚集而形成的一种生态灾害(Valiela等，1997；Fletcher，1996)。自2007年，我国南黄海海域已连年周期性大规模暴发绿潮。南黄海绿潮因其持续时间长、影响海域广、清理难度大的特点，被认为是世界上最大规模的绿潮灾害(Zhou等，2015；Liu等，2009)。绿潮爆发对沿海地区的经济和生态环境造成严重影响：绿潮藻浒苔在沿岸聚集，被海浪卷到海岸，破坏海岸的景观生态环境，对该地区的旅游业、海洋运输业和渔业商业等造成严重损失；浒苔分解过程中，释放大量营养盐，腐败过程中，产生H2S等有毒气体，影响海洋浮游动植物群落结构，破坏海洋生态系统的平衡，甚至造成生态威胁。
通过对绿潮的科学分析，进而治理、清除是人们急需要解决的。绿潮分布区域巨大，卫星遥感是目前有效的监测手段。绿潮的遥感监测主要有两种方式：光学遥感和微波遥感。光学遥感监测绿潮的原理是自然海水和浒苔覆盖的海水表面在可见光和近红外波段的光谱具有明显差异(Ramsey等，2012)，微波遥感监测浒苔的原理是有浒苔覆盖的海水比自然海水的海表面粗糙，形成的后向散射信号较强(顾行发等，2011)。利用两者之间的差异，可将浒苔与自然海水区分开，达到绿潮监测的目的。目前对绿潮的遥感应用，主要集中在绿潮的遥感监测算法、绿潮的起源与演变过程、绿潮的驱动机制等方面，对绿潮的起源及早期发展过程逐步清晰：南黄海绿潮是典型的跨区域生态灾害，起源于苏北浅滩紫菜养殖区，紫菜筏架回收过程中，附着在筏架上的绿藻被刮落；刮落绿藻入海后，在合适的温度、光照、营养盐环境下，迅速繁殖；并在风场和流场的驱动下，由南向北漂移至山东半岛；漂移过程中大规模暴发，至7、8月份开始衰退。
每年绿潮漂移至山东半岛近海，相关政府部门均会投入大量的人力、物力进行浒苔的海上拦截、打捞以及沙滩清理工作。然而目前针对绿潮消亡过程的系统性科学分析较少。如此大的工作量及资金投入，给相关部门制定防控策略及资源配置方案带来了极大挑战。
发明内容
为解决上述技术问题，本发明提供了一种海表漂浮浒苔消亡天数的预测方法，以达到实现浒苔消亡天数的准确预估，为相关政府部门制定相应的绿潮防控策略及合理地配置防控资源等提供技术支撑的目的。
为达到上述目的，本发明的技术方案如下：
一种海表漂浮浒苔消亡天数的预测方法，包括如下步骤：
步骤一，将浒苔消亡期分为m个时期P1～m，P1代表浒苔最大面积后1～t天，P2代表浒苔最大面积后(t+1)～2t天，P3代表浒苔最大面积后(2t+1)～3t天，…，Pm代表浒苔最大面积后((m-1)t+1)～mt天，m和t的取值根据海域内历年海表漂浮浒苔消亡天数确定；统计历年m个时期内的浒苔消亡率多年均值
Figure BDA0002747397940000021
步骤二，将
Figure BDA0002747397940000022
及待预测年份的浒苔最大日覆盖面积输入预估模型，预测浒苔消亡天数，具体包括：
首先，输入待预测年份的浒苔最大日覆盖面积
Figure BDA0002747397940000023
m和n，m代表第Pm个时期，n代表浒苔达到最大日覆盖面积后的第n天，m初始值为0，n初始值为0；
然后，进行迭代，m依次加1，n依次加t，根据公式(1)，计算第Pm个时期第n天后的浒苔面积
Figure BDA0002747397940000024
Figure BDA0002747397940000025
其次，判断
Figure BDA0002747397940000026
是否小于设定阈值X，若不是，重复上一步；若是，则根据公式(2)，计算Pm-1时期
Figure BDA0002747397940000027
到达设定阈值X时的天数Day；
Figure BDA0002747397940000028
其中，
Figure BDA0002747397940000029
和
Figure BDA00027473979400000210
分别代表第Pm和Pm-1时期第n天后的浒苔面积；
Figure BDA00027473979400000211
代表第Pm时期的浒苔多年日消亡率均值；
最后，计算消亡天数ZDay，公式如下：
ZDay＝Day+n-t (3)。
上述方案中，步骤一中，计算历年m个时期内的浒苔消亡率多年均值
Figure BDA00027473979400000212
的方法如下：
(1)对历年遥感影像数据进行预处理，得到研究海域的水体遥感反射率图像；
(2)采用DVI算法对水体遥感反射率图像进行处理，得到研究海域的DVI影像图；
DVI＝RNIR-RRED (4)
其中，DVI代表影像上各个像元的差值植被指数值，RNIR和RRED分别代表影像上各个像元在近红外和红光波段的反射率；
(3)基于DVI影像图，用动态阈值与假彩色图像的目视判读相结合的方法进行浒苔信息提取，得到浒苔像元总个数N，并统计浒苔的日覆盖面积Area；
Area＝PS×N (5)
其中，PS代表卫星影像一个像元对应的地面面积的大小；
(4)利用如下公式计算从YearA到YearB年间m个时期内的浒苔日消亡率多年均值
Figure BDA0002747397940000031
Figure BDA0002747397940000032
其中，
Figure BDA0002747397940000033
是从Pm时期的第i天到Pm时期的第j天之间的日消亡率，计算公式如下：
Figure BDA0002747397940000034
其中，i和j代表一年中的第几天，且j>i，i和j的取值即影像获取日期在一年中的第几天，Areai和Areaj分别代表第i天和第j天浒苔的日覆盖面积。
通过上述技术方案，本发明提供的海表漂浮浒苔消亡天数的预测方法基于浒苔遥感监测结果，建立了有效的浒苔消亡天数预测模型，实现了浒苔消亡天数较为准确的预估，填补了浒苔消亡天数预估方面的技术空白，能够为相关政府部门制定相应的绿潮防控策略及合理地配置防控资源等提供技术支撑。
该模型思路可推广应用到类似的漂浮大型藻类灾害消亡天数预估上。在实际应用中，因大气、海表环境光学差异等因素的影响，需要考虑漂浮大型藻类的遥感监测及日消亡率变化问题；本发明提出的消亡天数预估方法也应与相应的监测模型相结合。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的消亡天数预估模型的迭代过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
遥感影像检测结果显示，2007-2019年南黄海浒苔消亡期(即浒苔最大日覆盖面积，到遥感影像检测的浒苔面积小于16km2时的时期)的消亡天数约为47天，仅有2008年和2019年超过60天。
本发明根据南黄海浒苔消亡天数和日消亡率变化，建立了南黄海绿潮海表漂浮浒苔消亡天数预估方法，具体实施例如下：
步骤一，将浒苔消亡期分为m个时期P1～m，P1代表浒苔最大面积后1～t天，P2代表浒苔最大面积后(t+1)～2t天，P3代表浒苔最大面积后(2t+1)～3t天，…，Pm代表浒苔最大面积后((m-1)t+1)～mt天，m和t的取值根据海域内历年海表漂浮浒苔消亡天数确定；统计历年m个时期内的浒苔消亡率多年均值ADRPm；
mt的取值一般选取历年浒苔消亡天数的平均值，本实施例中，选取mt为60天，m取值4，t取值15。m和t均为整数，m取值也可以为6，t取值为10，对预测结果影响不大。
因此，将浒苔消亡期分为4个时期P1～4，P1代表浒苔最大面积后1-15天，P2代表浒苔最大面积后16-30天，P3代表浒苔最大面积后31-45天，P4代表浒苔最大面积后46-60天；统计2007年-2017年4个时期内的浒苔消亡率多年均值
Figure BDA0002747397940000041
(1)对历年遥感影像数据进行预处理，得到研究海域的水体遥感反射率图像；
(2)采用DVI算法对水体遥感反射率图像进行处理，得到研究海域的DVI影像图；
DVI＝RNIR-RRED (4)
其中，DVI代表影像上各个像元的差值植被指数值，RNIR和RRED分别代表影像上各个像元在近红外和红光波段的反射率；
(3)基于DVI影像图，用动态阈值与假彩色图像的目视判读相结合的方法进行浒苔信息提取，得到浒苔像元总个数N，并统计浒苔的日覆盖面积Area；
Area＝PS×N (5)
其中，PS代表卫星影像一个像元对应的地面面积的大小；
(4)利用如下公式计算从2007年-2017年间4个时期内的浒苔日消亡率多年均值
Figure BDA0002747397940000042
Figure BDA0002747397940000043
其中，
Figure BDA0002747397940000044
是从Pm时期的第i天到Pm时期的第j天之间的日消亡率，计算公式如下：
Figure BDA0002747397940000051
其中，i和j代表一年中的第几天，且j>i，i和j的取值即影像获取日期在一年中的第几天，Areai和Areaj分别代表第i天和第j天浒苔的日覆盖面积。
步骤二，将
Figure BDA0002747397940000052
及待预测年份2018年和2019年的浒苔最大日覆盖面积输入预估模型，预测浒苔消亡天数，如图1所示，具体包括：
首先，输入待预测年份的浒苔最大日覆盖面积
Figure BDA0002747397940000053
m和n，m代表第Pm个时期，n代表浒苔达到最大日覆盖面积后的第n天，m初始值为0，n初始值为0；
然后，进行迭代，m依次加1，n依次加15，根据公式(1)，计算第Pm个时期第n天后的浒苔面积
Figure BDA0002747397940000054
Figure BDA0002747397940000055
其次，判断
Figure BDA0002747397940000056
是否小于设定阈值16km2，若不是，重复上一步；若是，则根据公式(2)，计算Pm-1时期
Figure BDA0002747397940000057
到达设定阈值16km2时的天数Day；
Figure BDA0002747397940000058
其中，
Figure BDA0002747397940000059
和
Figure BDA00027473979400000510
分别代表第Pm和Pm-1时期第n天后的浒苔面积；
Figure BDA00027473979400000511
代表第Pm时期的浒苔多年日消亡率均值；
最后，计算消亡天数ZDay，公式如下：
ZDay＝Day+n-15 (3)
该模型预测的2018和2019年消亡天数与实际消亡天数较为一致，平均误差为19.57％，实现了南黄海浒苔消亡天数较为准确地预估，填补了南黄海浒苔消亡天数预估方面的技术空白。
该模型思路可推广应用到类似的漂浮大型藻类灾害消亡天数预估上。在实际应用中，因大气、海表环境光学差异等因素的影响，需要考虑漂浮大型藻类的遥感监测及日消亡率变化问题；本发明提出的消亡天数预估方法也应与相应的监测模型相结合。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种海表漂浮浒苔消亡天数的预测方法，其特征在于，包括如下步骤：
步骤一，将浒苔消亡期分为m个时期P1～m，P1代表浒苔最大面积后1～t天，P2代表浒苔最大面积后(t+1)～2t天，P3代表浒苔最大面积后(2t+1)～3t天，…，Pm代表浒苔最大面积后((m-1)t+1)～mt天，m和t的取值根据海域内历年海表漂浮浒苔消亡天数确定；统计历年m个时期内的浒苔消亡率多年均值
Figure FDA0003490591340000011
步骤二，将
Figure FDA0003490591340000012
及待预测年份的浒苔最大日覆盖面积输入预估模型，预测浒苔消亡天数，具体包括：
首先，输入待预测年份的浒苔最大日覆盖面积
Figure FDA0003490591340000013
m和n，m代表第Pm个时期，n代表浒苔达到最大日覆盖面积后的第n天，m初始值为0，n初始值为0；
然后，进行迭代，m依次加1，n依次加t，根据公式(1)，计算第Pm个时期第n天后的浒苔面积
Figure FDA0003490591340000014
Figure FDA0003490591340000015
其次，判断
Figure FDA0003490591340000016
是否小于设定阈值X，若不是，重复上一步；若是，则根据公式(2)，计算Pm-1时期
Figure FDA0003490591340000017
到达设定阈值X时的天数Day；
Figure FDA0003490591340000018
其中，
Figure FDA0003490591340000019
和
Figure FDA00034905913400000110
分别代表第Pm和Pm-1时期第n天后的浒苔面积；
Figure FDA00034905913400000111
代表第Pm时期的浒苔多年日消亡率均值；
最后，计算消亡天数ZDay，公式如下：
ZDay＝Day+n-t (3)；
步骤一中，计算历年m个时期内的浒苔消亡率多年均值
Figure FDA00034905913400000112
的方法如下：
(1)对历年遥感影像数据进行预处理，得到研究海域的水体遥感反射率图像；
(2)采用DVI算法对水体遥感反射率图像进行处理，得到研究海域的DVI影像图；
DVI＝RNIR-RRED (4)
其中，DVI代表影像上各个像元的差值植被指数值，RNIR和RRED分别代表影像上各个像元在近红外和红光波段的反射率；
(3)基于DVI影像图，用动态阈值与假彩色图像的目视判读相结合的方法进行浒苔信息提取，得到浒苔像元总个数N，并统计浒苔的日覆盖面积Area；
Area＝PS×N (5)
其中，PS代表卫星影像一个像元对应的地面面积的大小；
(4)利用如下公式计算从YearA到YearB年间m个时期内的浒苔日消亡率多年均值
Figure FDA0003490591340000021
Figure FDA0003490591340000022
其中，
Figure FDA0003490591340000023
是从Pm时期的第i天到Pm时期的第j天之间的日消亡率，计算公式如下：
Figure FDA0003490591340000024
其中，i和j代表一年中的第几天，且j>i，i和j的取值即影像获取日期在一年中的第几天，Areai和Areaj分别代表第i天和第j天浒苔的日覆盖面积。
CN202011171301.2A 2020-10-28 2020-10-28 一种海表漂浮浒苔消亡天数的预测方法 Active CN112465186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011171301.2A CN112465186B (zh) 2020-10-28 2020-10-28 一种海表漂浮浒苔消亡天数的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011171301.2A CN112465186B (zh) 2020-10-28 2020-10-28 一种海表漂浮浒苔消亡天数的预测方法

Publications (2)

Publication Number Publication Date
CN112465186A CN112465186A (zh) 2021-03-09
CN112465186B true CN112465186B (zh) 2022-04-01

Family

ID=74835546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011171301.2A Active CN112465186B (zh) 2020-10-28 2020-10-28 一种海表漂浮浒苔消亡天数的预测方法

Country Status (1)

Country Link
CN (1) CN112465186B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417613B (zh) * 2022-01-20 2023-03-24 国家海洋环境预报中心 物理生态联合作用下的黄海浒苔发展趋势预报系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208313805U (zh) * 2018-06-15 2019-01-01 山东省科学院海洋仪器仪表研究所 一种用于浒苔监测的光学系统及装置
CN111311874A (zh) * 2020-04-20 2020-06-19 宁波海洋研究院 一种基于浮标监测并联合机器学习进行科学预警方法
CN111453824A (zh) * 2020-04-09 2020-07-28 大连海事大学 基于绿潮藻越冬种质库消减的大型藻华防控方法
CN111680266A (zh) * 2020-05-12 2020-09-18 南京信息工程大学 一种测算海洋漂浮大型藻类等效分散密度的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108253943B (zh) * 2017-12-24 2020-08-21 航天恒星科技有限公司 一种基于卫星遥感影像的赤潮浒苔一体化监测方法
CN108981674A (zh) * 2018-08-24 2018-12-11 国家海洋局北海环境监测中心 一种漂浮浒苔生物量监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208313805U (zh) * 2018-06-15 2019-01-01 山东省科学院海洋仪器仪表研究所 一种用于浒苔监测的光学系统及装置
CN111453824A (zh) * 2020-04-09 2020-07-28 大连海事大学 基于绿潮藻越冬种质库消减的大型藻华防控方法
CN111311874A (zh) * 2020-04-20 2020-06-19 宁波海洋研究院 一种基于浮标监测并联合机器学习进行科学预警方法
CN111680266A (zh) * 2020-05-12 2020-09-18 南京信息工程大学 一种测算海洋漂浮大型藻类等效分散密度的方法

Also Published As

Publication number Publication date
CN112465186A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
Hu et al. Remote estimation of biomass of Ulva prolifera macroalgae in the Yellow Sea
Barnes et al. Sediment plumes induced by the Port of Miami dredging: Analysis and interpretation using Landsat and MODIS data
Roff et al. Exposure-driven macroalgal phase shift following catastrophic disturbance on coral reefs
Matabos et al. High-frequency study of epibenthic megafaunal community dynamics in Barkley Canyon: A multi-disciplinary approach using the NEPTUNE Canada network
Kim et al. Observation of typhoon-induced seagrass die-off using remote sensing
CN112712553B (zh) 一种浒苔抵岸量估算方法
Phongsuwan et al. Status and changing patterns on coral reefs in Thailand during the last two decades
Costa et al. Environmental setting
Fang et al. Spatial variability and temporal dynamics of HABs in Northeast China
Suursaar et al. Formation and species composition of stormcast beach wrack in the Gulf of Riga, Baltic Sea
Zamir et al. Increase in weather patterns generating extreme desiccation events: Implications for Mediterranean rocky shore ecosystems
Jordan et al. Elevated sedimentation on coral reefs adjacent to a beach nourishment project
Kendall et al. Long term expansion of a deep Syringodium filiforme meadow in St. Croix, US Virgin Islands: the potential role of hurricanes in the dispersal of seeds
Cuvillier et al. Causes of seasonal and decadal variability in a tropical seagrass seascape (Reunion Island, south western Indian Ocean)
CN112465186B (zh) 一种海表漂浮浒苔消亡天数的预测方法
CN116298109A (zh) 一种浒苔绿潮防控试验效果监测方法
CN112308901B (zh) 一种modis影像云下海表面绿潮覆盖面积的估测方法
van Bijsterveldt et al. Can cheniers protect mangroves along eroding coastlines?–The effect of contrasting foreshore types on mangrove stability
Lathrop et al. Assessment of seagrass status in the Barnegat Bay-Little Egg Harbor Estuary system: 2003 and 2009
Lemesle et al. Local scale high frequency monitoring of seaweed strandings along an intertidal shore of the English Channel (Luc-sur-Mer, Normandy France)–Effect of biotic and abiotic factors
O'Dell Scotland's blue carbon: the contribution from seaweed detritus
Ward et al. Abundance and distribution of eelgrass (Zostera marina) and seaweeds at Izembek National Wildlife Refuge, Alaska, 2007–10
Yu et al. Coastal Disasters and Remote Sensing Monitoring Methods
Bučas Distribution patterns and ecological role of the red alga Furcellaria lumbricalis (Hudson) JV Lamouroux off the exposed Baltic Sea coast of Lithuania
Yunpeng et al. Advances in the investigation and risk assessment of cold source blockages in nuclear power plants in China

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant