方法文章

利用卫星信息研究南海海表叶绿素与主要特征之间的关系

7K 次观看

⸱

DOI：

10.3791/61172

⸱

2020年6月13日

 ,  ,  ,  , 
1College of Oceanography, Hohai University, 2State Key Laboratory of Satellite Ocean Environment Dynamics, Second Institute of Oceanography, Ministry of Natural Resources

* These authors contributed equally

本文内容

摘要

通过卫星观测获取或衍生的海表叶绿素、温度、海平面高度、风速和锋面数据为表征海洋环境提供了有效手段。本文介绍了一种对这些数据进行全面研究的方法，包括总体平均、季节周期和相互关联性分析，以充分理解区域动力学特征和 生态系统。

摘要

卫星观测为研究主要海洋参数的特征提供了有效手段，这些参数包括海表叶绿素（CHL）、海表温度（SST）、海表高度（SSH）以及由这些参数衍生出的因素（例如锋面）。本研究展示了一套利用卫星观测数据描述中国南海（SCS）主要参数及其在季节性和异常场中相互关系的逐步操作流程。所用卫星数据的时间范围为2002年至2017年。由于云层覆盖的影响，本研究采用月平均数据。通过经验正交函数（EOF）分析方法，描述各参数的空间分布与时间变化特征。该海域的变化主要受季风风场主导，因此本研究使用再分析数据集中的风场数据，以探讨其对各参数的驱动作用。叶绿素浓度（CHL）的季节性变化显著，并在中国南海大部分区域与其他参数表现出显著相关性。冬季，强劲的东北季风导致混合层加深，整个海域叶绿素浓度升高。在季节周期中，各参数之间呈现出显著的相关系数。夏季，高叶绿素浓度主要出现在中国南海西部海域。该区域并非呈现明显的季节依赖性，而是具有高度动态性，在异常场中各参数显著相关，表现为异常高的叶绿素浓度与异常强风及强烈的锋面活动密切相关。本研究提供了一套利用卫星观测数据描述主要海洋参数及其在季节性和异常场中关系的标准化操作流程。该方法可推广应用于全球其他海域，有助于深入理解海洋动力过程。

引言

遥感技术提供了具有大空间尺度和长时间序列的丰富数据集，可用于描述海洋环境。随着卫星空间分辨率的不断提高，如今已能够分辨从区域尺度到数百米尺度的精细特征1,2。利用最新的卫星观测数据，可进一步加深对海洋动力过程的理解3。

通过在遥感平台上集成多种传感器，可以全面描述不同的参数。海表温度（SST）是已观测超过半个世纪的基本参数4。近年来，海表叶绿素a（CHL）的观测数据已可获取，可用于描述海洋初级生产力5。测高卫星用于测量海表高度6,7，该参数与全球海洋中尺度涡旋活动密切相关8,9。除了涡旋外，锋面活动对于影响区域动力过程和初级生产力也具有重要意义10。

本研究的主要目的是寻找一种标准程序，用于描述不同海洋要素的空间分布和时间变异性。在该方法中， SST、CHL、SSH 和由 SST 梯度导出的锋面数据被用于分析海洋模式。其中，CHL 用于表征海洋生产力，并引入一种方法来研究 CHL 与其他海洋参数之间的关系。为验证该方法，选取2002年10月至2017年9月中国南海时段的数据对所有参数进行分析。该方法可便捷地应用于全球其他区域，以捕捉主要海洋模式并探究海洋动力过程对生态系统的影响。

南海（SCS）被选定为研究区域，因其卫星观测的覆盖率相对较高。南海太阳辐射丰富，因此叶绿素浓度（CHL）主要取决于营养盐的可利用性11,12。当更多营养盐被输送到真光层时，叶绿素浓度水平可随之升高13。风力引起的混合可将营养盐带入海洋表层，从而增强叶绿素浓度14。南海受独特的季风系统主导，该系统决定了该区域的海洋动力过程与生态系统特征。季风在冬季最强15；而在夏季，风向改变，风速远弱于冬季16,17。风力强度可决定垂直混合的强弱，使得混合层深度（MLD）在冬季风力增强时加深，在夏季风力减弱时变浅18。因此，在冬季风力较强时，更多营养盐被输送至真光层19，叶绿素浓度达到全年最高值20,21。

除了风以外，混合层深度（MLD）还可以通过其他因素来确定，例如海表温度（SST）和海平面异常 (SLAs)，这些因素最终会影响营养盐含量和叶绿素浓度（CHL）22。在冬季，微弱的垂直梯度与表层低温相关20，相应的混合层较深，更多的营养盐可被输送到上层，因此表层中的叶绿素浓度较高17。叶绿素浓度水平的变化增加可归因于中尺度涡旋，其可引发垂直输送和混合过程23。上升流通常出现在与负海平面异常相关的气旋式涡旋中8,9，并伴随较高的叶绿素浓度24；而下降流通常出现在与正海平面异常相关的反气旋式涡旋中8,9，并伴随较低的叶绿素浓度24。在其他季节，混合层变浅，混合作用减弱，因此在大部分海盆区域可观察到较低的叶绿素浓度25。随后，该区域的叶绿素浓度季节性周期变得尤为显著26。

除了混合过程外，锋面及其相关的沿岸上升流还可进一步调节叶绿素浓度（CHL）。锋面被定义为不同水团之间的边界，在决定区域环流和生态系统响应方面具有重要意义27。锋生过程通常与沿岸上升流和辐合现象相关28,29，这些过程可将营养物质向上输送，促进浮游植物的生长30。目前已有多种算法被开发用于从卫星观测数据中自动识别锋面，包括直方图法和海表温度（SST）梯度法。本研究采用的是后者28。

叶绿素时间序列与不同因素之间的相关性为量化它们的关系提供了重要见解。本研究全面描述了如何利用卫星观测揭示与海洋生产力相关的区域海洋动力学过程。该方法可作为研究海洋任何区域表层过程的指导。本文结构包括逐步操作方案，随后在正文和图示中给出描述性结果。最后讨论了该方法的适用性及其优缺点。

方案

1. 数据集获取

  1. 海表温度（SST）和叶绿素浓度（CHL）
    1. 从 MODIS-Aqua 卫星数据平台（podaac-tools.jpl.nasa.gov/）下载海表温度（SST）和叶绿素浓度（CHL）的卫星观测数据集，这两个数据集的空间分辨率约为每日 4.5 km。
      注：请按照 补充文件 中提供的示例脚本文件夹结构来组织目录和数据。将卫星数据的 .nc 文件存储在“Data”文件夹中。在分析软件（例如 MATLAB）中添加 NetCDF 工具箱路径。选择 添加子文件夹 以包含“UTILITIES”文件夹及其所有子文件夹的路径。
    2. 确定时间范围。为保持不同数据集之间的一致性，所有参数应使用相同的时间范围。根据各数据集的时间覆盖情况调整时间范围，并选择其中最长的观测周期。本实验方案中，下载从 2002 年 10 月到 2017 年 9 月共 15 年的数据。
    3. 确定空间覆盖范围。
      注：设计的研究区域位于东经 105° 至 123°、北纬 0° 至 25° 之间。
    4. 检查预处理说明。阅读 .nc 文件中关于 SST 和 CHL 数据预处理要求的说明（例如是否需要缩放）。
      注：下载的数据集已排除陆地上的数据、距离海岸线 5 km 以内的数据以及受云层污染的数据。
    5. 将 SST 和 CHL 数据加载到分析软件中。在命令窗口中输入 Read_MODIS_SST 以读取 SST 数据；类似地，输入 Read_MODIS_CHL 以读取 CHL 数据。由于 CHL 数据呈对数正态分布，需对其进行对数变换31。
      注：加载的变量包括三维的 SST 和 CHL，分别表示纬向位置、经向位置和以天为单位的时间。SST 的取值范围为 -2 至 44，CHL 的取值范围为 0.01 至 20。
  2. 海面高度异常（SLA）
    1. 下载 2002–2017 年期间空间分辨率为 25 km 的日尺度 SLA 数据32。
      注：SLA 描述的是观测到的海面高度与对应像元在 20 年平均海面高度（1993–2012 年）之间的差值。SLA 数据由 SSALTO/DUACS 处理，并由卫星海洋学数据归档、验证与解释中心（AVISO，https://www.aviso.altimetry.fr）分发。
    2. 将数据加载到分析软件中。在命令窗口中输入 Read_SLA 以加载单日 SLA 数据。
      注：补充文件 中的“Data”文件夹仅包含一个示例数据，用于说明脚本用法。
  3. 风速
    1. 从 ERA-Interim 再分析产品中获取风场信息，该产品是由欧洲中期天气预报中心（ECMWF）开发的全球大气再分析数据集33。下载与 CHL 和 SST 数据一致的时间段（2002 年 10 月–2017 年 9 月）的风速数据以保持一致性。
      注：风速数据集的空间分辨率约为 25 km，由原始空间分辨率约为 0.7° 的数据插值得到。
    2. 将数据加载到分析软件中。在命令窗口中输入 Read_WindVector 以读取一个月的风矢量数据。通过平均原始每 6 小时一次的数据，计算月平均风速。
  4. 地形
    1. 从国家环境信息中心网站（NCEI，https://maps.ngdc.noaa.gov/viewers/wcs-client/）下载高分辨率地形数据，空间分辨率约为 2 km。获取所选研究区域的 ETOPO1 基岩数据，格式为 XYZ。
    2. 将数据加载到分析软件中。在命令窗口中输入 Read_topography 以将地形数据加载到分析软件中。

2. 数据预处理

  1. 时间平均
    1. 由于海表温度（SST）和叶绿素浓度（CHL）数据中云覆盖范围较大，需将原始数据替换为3日平均数据。为此，在运行以下步骤后 Read_MODIS_SST.m 和 Read_MODIS_CHL.m 脚本（步骤 1.1.5），输入 时间平均 在命令窗口中运行该脚本。
  2. 同一网格的插值
    1. 由于不同数据集的空间分辨率不一致，在进行比较之前，需将SST和CHL数据插值到与风场和SLA相同的空间网格上。运行以下操作后 Temporal_average.m 和 Read_WindVector.m 脚本，类型 插值网格 在命令窗口中运行该脚本。
  3. 风应力与风应力旋度
    1. 类型 风应力旋度 在命令窗口中输入以下命令，使用下列公式计算风应力（WS）和风应力旋度（WSC）：
      τ=ρCū·|ū|, fluid dynamics equation for momentum flux calculation.
      Static equilibrium equation, formula for curl in fluid dynamics, mathematical derivation.
      其中 Vector field analysis, velocity vector symbol, diagram with arrows indicating flow directions, fluid dynamics. 是风速矢量； Torque vector τ in static equilibrium diagram, Στ=0; mechanics, rotational forces study. 风速（WS）是否与风矢量方向相同； τ<sub>x</sub> symbol, static equilibrium equation, stress analysis in engineering diagram, educational use 和 Shear stress symbol τy in materials science, formula representation, mechanical behavior analysis. 分别为东向和北向的风速； Static equilibrium diagram; ΣFx=0, MA=0 equations; force balance illustration; educational use. 是空气密度（等于 1.2 kg/m³）3）；C 为中性稳定条件下的阻力系数（取值为 0.0015）34.
  4. 月平均值
    1. 通过输入以下命令，计算每个像素点处海表温度（SST）、风速和海平面高度（SLA）的月度时间序列，即30天平均值 月平均值 运行脚本。由于云覆盖率较高，使用60天平均值作为叶绿素a（CHL）的月时间序列，包括15日前后各30天的数据th 月份中的日期

3. SST 前沿检测

  1. 空间平滑
    1. 输入 Spatial_smoothing 以运行脚本，对每个像素的三日海表温度（SST）数据进行平均。
      注：在SST数据中识别出大量噪声。因此，采用3×3空间平均对数据进行平滑处理。当原始三日平均数据中无有效数据时，空间平均后的数据亦设为无效。
  2. SST梯度
    1. 输入 SST_gradient 以运行脚本，计算经向和纬向SST梯度（即分别为 Gx 和 Gy），其定义为相邻两个像素间的SST差值除以相应距离，计算公式见公式（3）。利用所得梯度矢量，按照公式（4）计算作为标量的总梯度 G。
      梯度计算公式；边缘检测方程；x和y方向的导数
      梯度模长公式 \( G = \sqrt{G_x^2 + G_y^2} \)；矢量微积分方程
  3. 局部最大值
    1. 通过检验SST梯度值来识别锋面：若某像素的梯度值大于设定阈值，则将其标记为潜在锋面像素。若存在多个梯度值超过阈值且相连的像素，则仅保留沿垂直于梯度方向上的局部最大值像素。此处，参照以往研究10,28，将阈值定义为0.035 °C/km。
      注：相应的脚本“Local_maximum.m”可在补充文件中获取。
  4. 月度锋面概率（FP）
    注：锋面概率（FP）描述的是观测到锋面的可能性。
    1. 输入 Monthly_FP 以运行脚本，计算特定时间段（本例中为月间隔）的FP。将每个像素在时间窗口内锋面出现的次数除以无云覆盖的天数，得到该像素的锋面概率。

4. 空间与时间变异性

  1. 季节循环
    1. 通过计算不同季节的平均值来确定各因素的季节循环。季节定义如下：冬季为12月至2月，春季为3月至5月，夏季为6月至8月，秋季为9月至11月。
      注意：本研究未展示季节循环；以下方法用于解释空间和时间变异性。
  2. 经验正交函数（EOF）
    1. 去除时间平均值和无效像素。在进行EOF分析之前，需减去每个像素点的总体均值，并排除因云层覆盖导致缺失观测值超过20%的位置。在命令窗口中输入 load('Monthly_data_for_EOF.mat') 来加载数据。
    2. 应用EOF分析以描述不同参数的空间和时间变异性。输入 Empirical_orthogonal_function.m 运行脚本，计算该数据集的经验正交函数的幅值（Mag）、特征值（Eig）和振幅（Amp）（即月平均海表温度SST、风应力、风应力旋度、叶绿素浓度CHL和浮游植物丰度FP的时间序列）。
      注意：该函数将月时间序列分解为不同的模态，每个模态由空间和时间分布模式组成，且各模态解释的方差随模态序号增加而递减。

5. 相互关联

  1. 季节尺度上的相关性
    1. 通过在每个像素上输入 Seasonal_correlation 运行脚本来计算两个因子之间基于其时间序列的相关性。由于未去除季节循环，需检验所有相关性的显著性。
  2. 异常场的相关性
    1. 计算月度叶绿素a浓度（CHL）异常与其他因子（如海表温度SST、风速WS、锋面和海面高度异常SLAs）之间的相关性。通过从月度时间序列中减去对应月份的总体平均值，得到月度异常值（即相对于平均状态的偏差）。输入 Anomalous_correlation 运行脚本以获得相关性结果。

6. 显示信息与计算关系

  1. 显示卫星信息。
    1. 输入 Sat_SCS_Fig3457 以运行脚本，生成包括海表温度（SST）、叶绿素浓度（CHL）和锋面分布在内的卫星信息展示图。将当前文件夹设置为包含数据文件“Sat_SCS_data.mat”的“scripts”文件夹。
      注意：图1、图2、图3 和 图4 以示例形式展示了所选日期的海表温度、叶绿素浓度、锋面、风场和地形信息。
  2. 输入 Sat_SCS_Fig890.m 以运行脚本，显示EOF分析结果。
    注意：图5、图6 和 图7 分别描述了叶绿素浓度、海表温度和锋面前两个模态的空间分布特征、月平均状态及时间序列。
  3. 输入 Sat_SCS_Fig1112.m 以运行脚本，计算叶绿素浓度（CHL）与其他因素在季节尺度以及异常场条件下的相互关系。获取季节变化（图8）和异常场（图9）的相关性分布图。

结果

使用卫星观测数据描述了南海海表叶绿素a（CHL）的时空分布格局。叶绿素a的卫星信息（图1A）和海表温度（SST）（图1B）可能受到云层覆盖的影响，导致大量数据无法使用。再分析的风场数据（图1C）和海表高度异常（SLA）数据（图1D）不受每日云层的影响。地形（图1E）对叶绿素a的空间分布具有显著影响。高叶绿素a浓度主要分布在沿岸区域，这些区域地形较浅。风场也受到地形的影响，山脉背风侧风力较弱；因此，在南海西南部识别出一个显著的风速辐合区（WSC）。相比之下，海表高度异常受地形影响较小，在南海海盆区域发现了一处异常高的海表高度异常区。

figure-results-1
图1：2015年4月15日主要参数的原始观测结果。
（A）海表叶绿素（CHL），（B）海表温度（SST），（C）风应力旋度（WSC，阴影）及风应力（WS，矢量），（D）海表异常，以及（E）海洋盆地的地形。 请点击此处查看此图的放大版本。

由于云层对卫星观测造成严重影响，大量数据要么无法获取，要么在空间上不一致。为填补部分数据缺失并平滑数据场，采用了一种有效且高效的方法。首先对每个像素点使用3天平均值替代原始数据，该方法可有效填补部分数据空缺 因为云层每日都会变化（图2B）。随后对每个像素应用了空间平均 数据被周围值（3×3像素）的均值所替代，从而显著降低了空间不一致性（图 2C).

figure-results-2
图2：2015年4月15日单日的海表温度（SST）。
（A）来自MODIS的原始SST，（B）三日平均SST，以及（C）空间平滑处理后的SST。请点击此处查看此图的放大版本。

每日海表温度锋面分布由海表温度梯度得出（图 3A）。此处应用的阈值有效捕捉了前沿的位置（图3B）并确保完整水体边界的呈现（图 3C）。梯度和锋面几乎完全相同，因为锋面是 主要来自梯度。

figure-results-3
图3：基于海表温度（SST）的锋面检测流程。
(ASST梯度的幅度，（B) 薄黑色线条表示的SST锋面分布，以及（C) 前部分布基于 相应的SST梯度。 请点击此处以查看此图的放大版本。

由于叶绿素（CHL）、海表温度（SST）和锋面数据存在云层覆盖，本研究计算并采用了月平均时间序列。以2015年4月为例，随机选取一个示例展示于图4中。所有参数均无数据缺失。不同参数在空间变异方面表现出高度一致的总体格局。例如，叶绿素浓度在近岸区域较高，而在中央海盆较低；而海表温度则在近岸区域较低，在中央海盆较高。月平均数据提供了全面的信息，有助于描绘区域特征。锋面主要分布在沿海区域，这些区域的动力过程较为复杂。海盆的大部分区域无锋面分布，因此南海中心区域的锋面强度接近于零（图4E）。

figure-results-4
图4：2015年4月主要参数的月平均值。
(A) 叶绿素浓度（对数尺度），(B) 海表温度，(C) 海面风速（着色）与风速（矢量），(D) 海表温度异常，以及 (E) 锋面概率（FP）。请点击此处查看此图的高清版本。

大多数海表特征表现出显著的季节性变化，通过经验正交函数（EOF）分析可清晰观测到这一现象。EOF 是一种广泛应用于大气与海洋科学中的有效数学方法，能够从空间域上的时间序列数据中提取出空间分布模式和时间变化信号28。对南海海表特征进行时空分解后，通常前两个模态即可描述其主要的空间与时间变率。叶绿素浓度（CHL）的前两个 EOF 模态分别解释了总方差的 44% 和 12%。EOF1 在南海北部区域表现出较大的方差贡献（图 5A），其对应的时间序列月平均值（图 5C）显示，CHL 在冬季升高，夏季降低。西南沿岸邻近区域的变化幅度较弱，其主要变率由 EOF2 描述（图 5B），该区域 CHL 在夏季较高，冬季较低，与北部区域的相位基本相反。EOF 时间序列的月变化显示出明显的季节性特征，且 EOF2 比 EOF1 超前约 4 个月（图 5E）。

figure-results-5
图 5：CHL 的 EOF 分析结果。
（A）EOF1 的空间模态，（B）EOF2 的空间模态，（C）EOF1 的月平均时间序列，（D）EOF2 的月平均时间游戏副本，以及（E）EOF1（黑色）和 EOF2（蓝色）的月时间序列。请点击此处查看此图的放大版本。

SST 前两个 EOF 模态解释的方差显著较高，其中 EOF1 和 EOF2 分别占 91% 和 5%。需要强调的是，在进行 EOF 分析之前必须去除整体平均值，因此已排除平均场的影响。EOF1 主导了总方差，其模态在南海北部最强，并向南逐渐减弱（图 6A）。对应的时间序列月平均值（图 6C）显示，SST 在夏季升高，在冬季降低。南海南部表现为较弱的模态，这是由于低纬度地区持续高温所致。南部区域的变化主要由 EOF2 捕获（图 6B）。对应的 SST 在 3 月至 6 月期间升高，而在其余月份保持较低水平。2010 年和 2016 年出现了显著的增暖现象，南海西南部近海的 SST 明显高于其他年份（图 6E）。这种年际变率主要归因于厄尔尼诺事件，其减弱了西南夏季风并导致上升流减弱12。由于本研究主要关注季节内变率，该特征不再进一步讨论。

figure-results-6
图6：SST的EOF分析结果。
（A）EOF1的幅值，（B）EOF2的幅值，（C）EOF1的月平均时间序列，（D）EOF2的月平均时间序列，以及（E）EOF1（黑色）和EOF2（蓝色）的月时间序列。请点击此处查看该图的放大版本。

由于梯度的噪声特性，所提取的模态解释的方差比例较低。事实上，FP 的 EOF1 和 EOF2 分别仅解释了总方差的 19% 和 9%。EOF1 捕捉到了南海北部和东北部的变异特征（图 7A）。其对应的时间序列月平均值（图 7C）显示，在这些区域，冬季 FP 发生频率较高，而夏季较低。在南海西南部近海区域，其相位相反，但相应的变率显著较弱。EOF2 捕捉到了南海西部春季 FP 的增强现象（图 7B，图 7D）。EOF1 和 EOF2 的月时间序列表现出较弱的年际变率特征。

figure-results-7
图7：FP的EOF分析结果。
（A）EOF1的幅值，（B）EOF2的幅值，（C）EOF1的月平均时间序列，（D）EOF2的月平均时间序列，以及（E）EOF1（黑色）和EOF2（蓝色）的月时间序列。请点击此处查看该图的放大版本。

研究了不同因素与叶绿素浓度（CHL）之间的关系（图8）。例如，海表温度（SST）可用于理解影响浮游植物生长速率并进而影响CHL的海洋基本特征。 在南海大部分海域，SST与CHL之间存在较高的相关性（图8A），且多数相关性系数超过-0.8。需要强调的是，高相关性并不意味着这两个因素之间存在因果关系。当SST在夏季达到年度最高值时，混合层深度（MLD）最浅21。由于强烈的层化作用阻碍了垂直混合，输送到真光层的营养盐含量较低13。因此，营养盐匮乏限制了浮游植物的生长速率，导致CHL较低。相反，在冬季，当MLD较深且较低的SST引起较弱的层化作用时，CHL较高35。

figure-results-8
图8：CHL 与其他因素之间的相关性 季节尺度。
(A) SST，（B）WS，（CWSC，（D) 荧光蛋白（FP），以及（ESLA。灰色表示相关性不显著。空间平均变量的计算基于（a）图中绿色框区域 A. 利用它们的时间序列计算相关系数 表1该图已根据 Yu 等人的研究修改。17. 请点击此处以查看此图的放大版本。

风驱动的混合可通过风速（WS）近似评估，并用于描述垂向混合。18. 在南海北部，WS与CHL水平之间表现出较大的相关系数，数值约为0.8图8B），尤其是在南海北部陆架冬季风最强的区域。在南部地区则发现了较弱但显著的相关性。WSC与CHL在南海大部分区域均表现出显著相关性。图8C），尽管它们在南北区域呈现出相反的趋势。在南部区域，CHL与WSC之间存在正相关关系，而北部区域则为负相关。在这两个区域之间的地带，相关性不显著。在冬季WS最大的相应区域，WS与CHL表现出强相关性。

锋面活动也能引起叶绿素浓度（CHL）的变化。在南海东北部和西南部发现了较大的相关性（图8D）。随着锋面活动增强，CHL升高36。南海东北部至西南部海域的海面高度异常（SLA）与CHL呈显著负相关，而在南海西海岸则呈正相关（图8E）。值得注意的是，正相关关系仅局限于地形较浅的区域。

在南海东北部，所有相关性均较强（图8）。因此，叶绿素（CHL）与其他参数之间月时间序列的相关性通过指定区域箱体的空间平均值进行计算（图8A），大多数因子之间均表现出显著的相关性（表1右上部分）。由于时间序列主要受季节周期主导，去除月平均值后，相关性不再显著（表1左下部分）。

Chl-aSSTWSWSCFPSLA
Chl-a-0.80.780.670.74-0.71
SST-0.41-0.47-0.51-0.790.86
WS0.320.040.630.51-0.38
WSC00.08-0.020.52-0.37
FP0.21-0.090.030.15-0.74
SLA-0.250.420.070.13-0.08

表1：使用图8A所示区域，计算位于南海东北部的各因素时间序列之间的相关系数，例如SST（海表温度）、FP（锋面概率）、WSC（风应力旋度）和WS（风应力）。 月平均值与异常值 分别显示在右上角部分和左下角部分。加粗并以斜体显示的数字表示相关性未达到 95% 置信水平。该表格经 Yu 等人修改。17.

某些区域的季节性周期相关性并不显著，例如南海西南部（图8）。该区域 主要受动力过程（如上升流和风驱动的离岸输送）支配，这些过程决定了叶绿素浓度（CHL）的变化17。在异常场中识别出CHL与其他因素（如SST、风速（WS）、锋面和风应力旋度（WSC））之间的显著相关性（图9）。异常值是通过从月度时间序列中去除相应的月平均值计算得到的。虽然有效自由度可以增加，但先前的研究表明，这并 不会影响时间序列之间潜在的关系28,37。

figure-results-9
图9：异常海域中CHL与其他因素的相关性。
(A) SST，(B) WS，(C) WSC，(D) FP，以及(E) SLA。灰色区域表示相关性不显著。空间平均变量基于图A中的绿色方框区域计算得出。 时间序列用于计算表2中所示的相关系数。本图经修改自Yu et al.17。请点击此处查看此图的放大版本。

在异常场中，南海大部分区域的叶绿素浓度（CHL）与海表温度（SST）显著相关（图9A）。当SST异常偏高时，CHL异常偏低，反之亦然。类似地，南海西南部异常偏高的风速切变（WSC）和锋面活动也导致CHL水平升高，反之亦然（图9C、9D）。此外，海表高度异常（SLAs）与CHL水平之间存在负相关关系（图9E）。研究测试了不同的时间滞后效应，发现仅在无时间滞后时相关性才显著。因此，CHL同时受到SST、WSC、锋面以及 SLA异常的影响。为进一步探究其关系，采用南海西南部（如图9A中绿色方框所示区域）空间平均的月时间序列进行分析。结果表明，在异常场中，大多数因子之间存在显著的相互关联（表2左下部分）。

叶绿素a海表温度风速风速分量浮游植物丰度比叶面积
叶绿素a-0.150.360.350.26-0.15
海表温度-0.59-0.480.610.070.17
风速0.25-0.24-0.14-0.020.1
风速分量0.29-0.10.410.53-0.21
浮游植物丰度0.57-0.420.240.29-0.42
比叶面积-0.30.54-0.23-0.29-0.47

表2：使用图9A所示区域框，计算南海西南部海域各因素间时间序列的相关系数，例如SST（海表温度）、FP（锋面概率）、WSC（风应力旋度）和WS（风应力）。 月平均值与异常值 分别显示在右上角和左下角部分。加粗并以斜体显示的数字表示相关性未达到95%置信水平。该表格改编自Yu et al.17.

补充文件。 请点击此处下载该文件。

讨论

本研究利用卫星观测描述海洋系统的主要特征。选择可代表海洋生产力的叶绿素浓度（CHL）作为指示因子。通过月平均时间序列，研究了与CHL变率相关的因素，例如海表温度（SST）、风速（WS）、风应力旋度（WSC）、浮游植物丰度（FP）和海表高度异常（SLA）。本研究描述了三个关键步骤：获取不同参数的卫星数据，通过经验正交函数（EOF）分析其时空变异性，以及通过计算相关系数确定不同因素之间的相互关系。文中还包含了基于SST观测数据识别每日锋面分布的详细流程。目前已有两种主要的SST锋面检测方法：梯度法10,38和直方图法39,40。直方图法基于SST值的相似范围，可用于将水团划分为不同的组别，不同组别之间数值过渡带所对应的像元被定义为锋面。另一方面，梯度法则通过识别具有较大梯度值的像元，将若干相对均质的水体分离开来。已有对比研究表明，直方图法的误检率较低，而梯度法的漏检锋面较少41。本研究采用基于梯度的方法38，该方法沿用了先前研究的方案10,28。该算法通过允许梯度幅值降低至较低阈值以下，避免了锋面被分割成多个边缘碎片。除本研究所包含的数据集外，其他卫星观测数据（如气溶胶指数）也可采用类似方法进行分析。

大多数步骤可直接应用于其他区域或数据集。可根据需要修改锋面检测的阈值。由于南海的海表温度梯度与东部边界流系统相当28，本研究采用了相同的阈值。先前的研究表明，不同数据集所得的海表温度梯度可能相差高达三倍42，这在一定程度上降低了该方法的客观性。已有大量研究探讨了全球海洋的锋面活动28,43。验证锋面的最佳方法是将其与现场观测结果进行比较。Yao44描述了南海的月度锋面分布，其结果与现场测量数据吻合良好。总体梯度值应进行检查和调整，因其可能随空间分辨率和仪器的不同而变化。特别是当使用其他海表温度数据集时，应更新阈值。对区域动力学的基本理解是认识锋生过程的基础45,46,47。锋面检测脚本可由研究人员根据本文的描述自行开发。

卫星信息可提供对地表特征的全面认识，将其与原位观测结果进行对比有助于评估其可信度。然而，卫星观测仅限于海洋表层，这限制了其在理解水体垂直结构方面的应用。在最近的一项研究中，卫星观测显示表层叶绿素浓度（CHL）增加了15倍，但垂直积分值仅增加了2.5倍48。这一差异是由于表层数值受到浮游植物生长和混合层深度（MLD）变浅的共同影响，导致表层出现无法真实反映整体情况的数值。因此，表层特征可能无法准确描述整个水体的状况。此外，云层覆盖的影响也限制了卫星的连续观测。为此，通常在同一区域和相同时段内计算各因素的月时间序列，以确保计算不同因素之间相关性的可靠性。然而，持续数天至一周的短期事件（例如台风）将无法被充分解析。

与以往研究相比，本研究所提出的方法能够提供像素级别的空间信息，有助于更详细地评估动态变化。一些先前的研究将整个南海（SCS）的值平均为单一数值，并得到一个时间序列。这些研究发现，异常强的风速（WS）和高的海表温度（SST）可导致叶绿素浓度（CHL）异常升高16，这与本研究结果一致。然而，这些研究未能解析出关系中的空间变异特征。在本研究中，风速（WS）与叶绿素浓度（CHL）在异常场中的大尺度相关性较弱，仅在某些区域检测到显著的相关性，例如南海中部（图9B）。因此，当前方法可为研究空间变异提供全面的描述。类似地，有研究利用两个生物-Argo浮标观测数据发现，风应力旋度（WSC）与叶绿素浓度（CHL）变率之间无显著相关性20。然而，这两个浮标的轨迹仅位于特定区域，恰好处于叶绿素浓度（CHL）与风应力旋度（WSC）相关性不显著的条带范围内（图8D）。本研究所提出的方法对于揭示因子间空间依赖性非常有帮助，而这种空间依赖性是全球海洋的基本特征之一。

综上所述，本研究采用的方法能够利用卫星观测数据准确描述海洋表面特征的空间分布和时间变化。随着卫星数据集分辨率的不断提高，可以识别和研究更加精细的特征，从而增进对包括叶绿素浓度（CHL）、海表温度（SST）和海面高度（SSH）在内的区域特征的总体认识。不同因子间月时间序列的相关性有助于理解它们之间的动力学关系及其对生态系统的潜在影响49。由于相关性在不同空间位置可能存在显著差异，所提出的方法可提供更为详细和全面的描述。该方法可类似地应用于全球任何海洋盆地，对深入理解海洋动力过程和生态系统具有重要意义。

披露

作者无任何利益冲突需要披露。

致谢

中国国家重点研发计划（编号：2016YFC1401601）、研究生研究 & 江苏省研究生实践创新计划项目（编号：SJKY19_0415），由中央高校基本科研业务费专项资金（编号：2019B62814）、国家自然科学基金（编号：41890805、41806026 和 41730536）资助。对在孟加拉湾和东赤道印度洋开展的联合先进海洋与生态研究表示衷心感谢。作者感谢美国国家航空航天局（NASA）、欧洲中期天气预报中心（ECMWF）、哥白尼海洋与环境监测服务（CMEMS）以及美国国家海洋和大气管理局（NOAA）提供数据支持。

材料

本文使用的材料清单
姓名公司目录编号评论
MatlabMathWorksMatlab R2016https://www.mathworks.com/products/matlab.html；在实验方案中提及的分析软件
海表叶绿素NASAMODISmg/mg3 (podaac-tools.jpl.nasa.gov)
海表高度AVISOAVISO米 (www.aviso.altimetry.fr)
海表温度NASAMODIS°C (podaac-tools.jpl.nasa.gov)
地形NOAANGDC米 (maps.ngdc.noaa.gov/viewers/wcs-client/)
风速ECMWFERA-interimm/s (www.ecmwf.int/en/forecasts/datasets)

参考文献

  1. Behrenfeld, M. J., Falkowski, P. G. Photosynthetic rates derived from satellite-based chlorophyll concentration. Limnology and Oceanography. 42 (1), 1-20 (1997).
  2. Loisel, H., et al. Assessment and analysis of the chlorophyll-a concentration variability over the Vietnamese coastal waters from the MERIS ocean color sensor (2002-2012). Remote Sensing of Environment. 190, 217-232 (2017).
  3. Gohin, F., et al. Towards a better assessment of the ecological status of coastal waters using satellite-derived chlorophyll-a concentrations. Remote Sensing of Environment. 112 (8), 3329-3340 (2008).
  4. Bates, J. J., Smith, W. L. Sea surface temperature: Observations from geostationary satellites. Journal of Geophysical Research. 90, 11609-11618 (1985).
  5. Antoine, D., Andre, J., Morel, A. Oceanic primary production: 2. Estimation at global scale from satellite (Coastal Zone Color Scanner) chlorophyll. Global Biogeochemical Cycles. 10 (1), 57-69 (1996).
  6. Mason, E., Pascual, A., McWilliams, J. C. A new sea surface height-based code for oceanic mesoscale eddy tracking. Journal of Atmospheric and Oceanic Technology. 31 (5), 1181-1188 (2014).
  7. Sterlini, P., De Vries, H., Katsman, C. A. Sea surface height variability in the North East Atlantic from satellite altimetry. Climate Dynamics. 47, 1285-1302 (2016).
  8. Chelton, D. B., Schlax, M. G., Samelson, R. M., De Szoeke, R. A. Global observations of large oceanic eddies. Geophysical Research Letters. 34, 15606(2007).
  9. Chelton, D. B., Schlax, M. G., Samelson, R. M. Global observations of nonlinear mesoscale eddies. Progress in Oceanography. 91 (2), 167-216 (2011).
  10. Castelao, R. M., Wang, Y. Wind-driven variability in sea surface temperature front distribution in the California Current System. Journal of Geophysical Research: Oceans. 119 (3), 1861-1875 (2014).
  11. Pauly, D., Christensen, V. Stratified model of large marine ecosystems: A general approach and an application to the South China Sea. Large Marine Ecosystems: Stress, Mitigation, and Sustainability. Sherman, K., Alexander, L. M., Gold, B. D. , AAAS Press. Washington, DC. 148-174 (1993).
  12. Gao, S., Wang, H., Liu, G., Li, H. Spatio-temporal variability of chlorophyll a and its responses to sea surface temperature, winds and height anomaly in the western South China Sea. Acta Oceanologica Sinica. 32 (1), 48-58 (2013).
  13. Chen, Y. L. Spatial and seasonal variations of nitrate-based new production and primary production in the South China Sea. Deep-sea Research Part I. 52 (2), 319-340 (2005).
  14. Kahru, M., et al. Global correlations between winds and ocean chlorophyll. Journal of Geophysical Research. 115, 12040(2010).
  15. Wu, C. R., Shaw, P. T., Chao, S. Y. Seasonal and Interannual Variations in the Velocity Field of the South China Sea. Journal of Oceanography. 54, 361-372 (1998).
  16. Liu, K. K., et al. Inter-annual variation of chlorophyll in the northern South China Sea observed at the SEATS Station and its asymmetric responses to climate oscillation. Biogeosciences. 10, 7449-7462 (2013).
  17. Yu, Y., et al. The variability of chlorophyll-a and its relationship with dynamic factors in the basin of the South China Sea. Journal of Marine Systems. 200, 103230(2019).
  18. Qu, T., Du, Y., Gan, J., Wang, D. Mean seasonal cycle of isothermal depth in the South China Sea. Journal of Geophysical Research. 112, 02020(2007).
  19. Chen, C. C., Shiah, F. K., Chung, S. W., Liu, K. K. Winter phytoplankton blooms in the shallow mixed layer of the South China Sea enhanced by upwelling. Journal of Marine Systems. 59, 97-110 (2006).
  20. Zhang, W. Z., Wang, H., Chai, F., Qiu, G. Physical drivers of chlorophyll variability in the open South China Sea. Journal of Geophysical Research: Oceans. 121, 7123-7140 (2016).
  21. Zeng, L., Wang, D., Chen, J., Wang, W., Chen, R. SCSPOD14, a South China Sea physical oceanographic dataset derived from in situ measurements during 1919-2014. Scientific Data. 3, 160029(2016).
  22. Greer, A. T., Cowen, R. K., Guigand, C. M., Hare, J. A. Fine-scale planktonic habitat partitioning at a shelf-slope front revealed by a high-resolution imaging system. Journal of Marine Systems. 142, 111-125 (2015).
  23. Piontkovski, S. A., Nezlin, N. P., Alazri, A., Alhashmi, K. Mesoscale eddies and variability of chlorophyll-a in the Sea of Oman. Journal of Remote Sensing. 33 (17), 5341-5346 (2012).
  24. Kahru, M., Fiedler, P. C., Gille, S. T., Manzano, M., Mitchell, B. G. Sea level anomalies control phytoplankton biomass in the Costa Rica Dome area. Geophysical Research Letters. 34, 22601(2007).
  25. Palacz, A. P., Xue, H., Armbrecht, C., Zhang, C., Chai, F. Seasonal and inter-annual changes in the surface chlorophyll of the South China Sea. Journal of Geophysical Research. 116, 09015(2011).
  26. Tang, S., Liu, F., Chen, C. Seasonal and intraseasonal variability of surface chlorophyll a concentration in the South China Sea. Aquatic Ecosystem Health and Management. 17, 242-251 (2014).
  27. Fedorov, K. N. The physical nature and structure of oceanic fronts. , Springer-Verlag. Berlin. 333(1986).
  28. Wang, Y., Castelao, R. M., Yuan, Y. Seasonal variability of alongshore winds and sea surface temperature fronts in Eastern Boundary Current Systems. Journal of Geophysical Research: Oceans. 120 (3), 2385-2400 (2015).
  29. Chen, H. H., Qi, Y., Wang, Y., Chai, F. Seasonal variability of SST fronts and winds on the southeastern continental shelf of Brazil. Ocean Dynamics. 69 (11), 1387-1399 (2019).
  30. Woodson, C. B., Litvin, S. Y. Ocean fronts drive marine fishery production and biogeochemical cycling. Proceedings of the National Academy of Sciences of the United States of America. 112 (6), 1710-1715 (2015).
  31. Siegel, D. A., et al. Regional to global assessments of phytoplankton dynamics from the SeaWiFS mission. Remote Sensing of Environment. 135, 77-91 (2013).
  32. Ducet, N., Traon, P. Y. L., Reverdin, G. Global high-resolution mapping of ocean circulation from Topex/Poseidon and ERS-1/2. Journal of Geophysical Research-Atmospheres. 105 (8), 19477-19498 (2000).
  33. Dee, D. P., et al. The ERA Interim reanalysis: Configuration and performance of the data assimilation system. Quarterly Journal of the Royal Meteorological Society. 137 (656), 553-597 (2011).
  34. Hellerman, S. Computations of wind stress fields over the Atlantic Ocean. Monthly Weather Review. 93 (4), 239-244 (1965).
  35. Xian, T., Sun, L., Yang, Y. J., Fu, Y. F. Monsoon and eddy forcing of chlorophyll-a variation in the northeast South China Sea. International Journal of Remote Sensing. 33 (23), 7431-7443 (2012).
  36. Hu, J. Y., Kawamura, H., Tang, D. Tidal front around the Hainan Island, northwest of the South China Sea. Journal of Geophysical Research. 108 (11), 3342(2003).
  37. Chelton, D. B. Large-scale response of the California Current to forcing by the wind stress curl. CalCOFI Reports. 23, 130-148 (1982).
  38. Canny, J. A computational approach to edge-detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 6, 679-698 (1986).
  39. Cayula, J. F., Cornillon, P., Holyer, R., Peckinpaugh, S. Comparative study of two recent edge-detection algorithms designed to process sea-surface temperature fields. IEEE Geoscience and Remote Sensing Letters. 29 (1), 175-177 (1991).
  40. Cayula, J. F., Cornillon, P. Cloud detection from a sequence of SST images. Remote Sensing of Environment. 55 (1), 80-88 (1996).
  41. Ullman, D. S., Cornillon, P. Evaluation of Front Detection Methods for Satellite-Derived SST Data Using in Situ Observations. Journal of Atmospheric and Oceanic Technology. 17 (12), 1667-1675 (2000).
  42. Oey, L., Chang, M. C., Huang, S., Lin, Y. C., Lee, M. The influence of shelf-sea fronts on winter monsoon over East China Sea. Climate Dynamics. 45, 2047-2068 (2015).
  43. Legeckis, R. A survey of worldwide sea surface temperature fronts detected by environmental satellites. Journal of Geophysical Research. 83 (9), 4501-4522 (1978).
  44. Yao, J., Belkin, I. M., Chen, J., Wang, D. Thermal fronts of the southern South China Sea from satellite and in situ data. International Journal of Remote Sensing. 33 (23), 7458-7468 (2012).
  45. Chen, G., et al. Eddy heat and salt transports in the South China Sea and their seasonal modulations. Journal of Geophysical Research. 117, 05021(2012).
  46. Wang, G., Li, J., Wang, C., Yan, Y. Interactions among the winter monsoon, ocean eddy and ocean thermal front in the South China Sea. Journal of Geophysical Research. 117, 08002(2012).
  47. Guo, L., et al. Enhanced chlorophyll concentrations induced by Kuroshio Intrusion Fronts in the Northern South China Sea. Geophysical Research Letter. 44 (22), 565-572 (2017).
  48. Xing, X. G., Qiu, G. Q., Boss, E., Wang, H. L. Temporal and Vertical Variations of Particulate and Dissolved Optical Properties in the South China Sea. Journal of Geophysical Research-Oceans. 124 (6), 3779-3795 (2019).
  49. Belkin, I. M., Cornillon, P., Sherman, K. Fronts in Large Marine Ecosystems. Progress in Oceanography. 81, 223-236 (2009).

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

相关文章