Name: 利用卫星信息研究海面叶绿素与南海主要特征的关系 (视频) | JoVE Journal
Uploaded: 2020-06-13T13:30:00.000+00:00
Duration: 10 min 28 s
Description: 了解利用卫星遥感技术分析南海海面叶绿素与温度等海洋参数时空变异性的方法。本研究通过经验正交函数和相关性分析，揭示地形与季风对海洋生态系统的影响机制。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

中国国家重点研发计划（编号：2016YFC1401601）、研究生研究 &amp;#38; 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。

1. 数据集获取
<ol>
	<li>海表温度（SST）和叶绿素浓度（CHL）
	<ol>
		<li>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。</li>
		<li>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。</li>
		<li>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。</li>
		<li>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。</li>
		<li>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。</li>
	</ol>
	</li>
	<li>海面高度异常（SLA）
	<ol>
		<li>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。</li>
		<li>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。</li>
	</ol>
	</li>
	<li>风速
	<ol>
		<li>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。</li>
		<li>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。</li>
	</ol>
	</li>
	<li>地形
	<ol>
		<li>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。</li>
		<li>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。</li>
	</ol>
	</li>
</ol>
2. 数据预处理
<ol>
	<li>时间平均
	<ol>
		<li>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。</li>
	</ol>
	</li>
	<li>同一网格的插值
	<ol>
		<li>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。</li>
	</ol>
	</li>
	<li>风应力与风应力旋度
	<ol>
		<li>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）： 
		<img alt="τ=ρCū·|ū|, fluid dynamics equation for momentum flux calculation." src="/files/ftp_upload/61172/61172equ01.jpg" data-altupdatedat="1762425657000" data-alt="Equation 1"> 
		<img alt="Static equilibrium equation, formula for curl in fluid dynamics, mathematical derivation." src="/files/ftp_upload/61172/61172equ02.jpg" data-altupdatedat="1762425657000" data-alt="Equation 2"> 
		其中 <img alt="Vector field analysis, velocity vector symbol, diagram with arrows indicating flow directions, fluid dynamics." src="/files/ftp_upload/61172/icon01.jpg" data-altupdatedat="1762425657000" data-alt="Equation 10"> 是风速矢量； <img alt="Torque vector τ in static equilibrium diagram, Στ=0; mechanics, rotational forces study." src="/files/ftp_upload/61172/icon02.jpg" data-altupdatedat="1762425657000" data-alt="Equation 10"> 风速（WS）是否与风矢量方向相同； <img alt="τ&lt;sub&gt;x&lt;/sub&gt; symbol, static equilibrium equation, stress analysis in engineering diagram, educational use" src="/files/ftp_upload/61172/icon03.jpg" data-altupdatedat="1762425657000" data-alt="Equation 10"> 和 <img alt="Shear stress symbol τy in materials science, formula representation, mechanical behavior analysis." src="/files/ftp_upload/61172/icon04.jpg" data-altupdatedat="1762425657000" data-alt="Equation 10"> 分别为东向和北向的风速； <img alt="Static equilibrium diagram; ΣFx=0, MA=0 equations; force balance illustration; educational use." src="/files/ftp_upload/61172/icon05.jpg" data-altupdatedat="1762425657000" data-alt="Equation 10"> 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.</li>
	</ol>
	</li>
	<li>月平均值
	<ol>
		<li>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</li>
	</ol>
	</li>
</ol>
3. SST 前沿检测
<ol>
	<li>空间平滑
	<ol>
		<li>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。</li>
	</ol>
	</li>
	<li>SST梯度
	<ol>
		<li>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。 
		<img alt="梯度计算公式；边缘检测方程；x和y方向的导数" src="/files/ftp_upload/61172/61172equ03.jpg" data-altupdatedat="1762425657000" data-alt="公式 3"> 
		<img alt="梯度模长公式 \( G = \sqrt{G_x^2 + G_y^2} \)；矢量微积分方程" src="/files/ftp_upload/61172/61172equ04.jpg" data-altupdatedat="1762425657000" data-alt="公式 4"></li>
	</ol>
	</li>
	<li>局部最大值
	<ol>
		<li>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。</li>
	</ol>
	</li>
	<li>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。
	<ol>
		<li>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。</li>
	</ol>
	</li>
</ol>
4. 空间与时间变异性
<ol>
	<li>季节循环
	<ol>
		<li>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。</li>
	</ol>
	</li>
	<li>经验正交函数（EOF）
	<ol>
		<li>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。</li>
		<li>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。</li>
	</ol>
	</li>
</ol>
5. 相互关联
<ol>
	<li>季节尺度上的相关性
	<ol>
		<li>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。</li>
	</ol>
	</li>
	<li>异常场的相关性
	<ol>
		<li>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。</li>
	</ol>
	</li>
</ol>
6. 显示信息与计算关系
<ol>
	<li>显示卫星信息。
	<ol>
		<li>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。</li>
	</ol>
	</li>
	<li>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。</li>
	<li>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。</li>
</ol>

作者无任何利益冲突需要披露。

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。

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，&#160;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&#160;(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。

<table><tbody><tr><td>Matlab</td><td>MathWorks</td><td>Matlab R2016</td><td>https://www.mathworks.com/products/matlab.html；在实验方案中提及的分析软件</td></tr><tr><td>海表叶绿素</td><td>NASA</td><td>MODIS</td><td>mg/mg3 (podaac-tools.jpl.nasa.gov)</td></tr><tr><td>海表高度</td><td>AVISO</td><td>AVISO</td><td>米 (www.aviso.altimetry.fr)</td></tr><tr><td>海表温度</td><td>NASA</td><td>MODIS</td><td>&amp;deg;C (podaac-tools.jpl.nasa.gov)</td></tr><tr><td>地形</td><td>NOAA</td><td>NGDC</td><td>米 (maps.ngdc.noaa.gov/viewers/wcs-client/)</td></tr><tr><td>风速</td><td>ECMWF</td><td>ERA-interim</td><td>m/s (www.ecmwf.int/en/forecasts/datasets)</td></tr></tbody></table>

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

Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information

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。

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&#160;生态系统。

卫星观测为研究主要海洋参数的特征提供了有效手段，包括海表叶绿素（CHL）、海表温度……

卫星观测为研究主要海洋参数特征提供了有效手段，包括海表叶绿素和温度、海表高度，以及由这些参数衍生出的要素，例如锋面。本研究展示了如何利用卫星观测来描述主要参数及其相互关系。采用2002年至2017年的卫星数据科学资料，描述了南海表层特征。叶绿素的卫星观测是用于海洋保护的一个因素。通过时间序列研究了与叶绿素变异性相关的因素。该方法可应用于其他全球海洋区域，有助于理解海洋动力学和生态系统。我们展示了一种逐步获取描述空间和时间变异性的不同参数卫星数据，并确定各因素之间相互关系的方法。通过该方法获得参数的空间和时间变异性，利用经验正交函数分析得到各参数的空间时间变化特征，各因素之间的相互关系则通过零相关系数法确定。对于海表温度和海表叶绿素数据的获取，从 MODIS Aqua 下载卫星观测数据集，这两个数据集的空间分辨率均为约 4.5 千米，时间间隔为每日一次。将下载的卫星文件存储在数据文件夹中，并按照所示方式组织文件夹目录结构。在 MATLAB 中添加 NetCDF 文件工具箱的路径，并选择“包含子文件夹”以包含脚本文件夹的路径。数据和函数所需的所有目录路径将显示在 MATLAB 搜索路径中。然后将海表温度数据加载到分析软件中。对于海平面异常数据集的获取，从相同时段下载空间分辨率为 25 千米的每日海平面异常数据，并输入命令以加载单日的海平面异常数据。为了获取风速数据，从 ERA interim 再分析产品中下载相同时段的风场数据，并输入命令以读取一个月的风速数据。所获得的 u、v 和时间变量分别表示纬向和经向的风速分量以及对应的时间。为了获取地形数据集，从国家环境信息中心（National Centers for Environmental Information）网站下载高分辨率地形数据，并输入命令将地形数据加载到分析软件中。XX、YY 和 ZZ 变量分别表示纬度、经度和相应的深度。由于海表温度和海表叶绿素数据存在较大的云层覆盖，需使用命令将原始数据替换为三日平均数据。由于不同数据集的空间分辨率不一致，需输入命令将海表温度和海表叶绿素数据插值到与风场和海平面异常空间网格相同的网格中。按照所示输入命令，以计算风应力和风应力旋度。为计算每个像素中每月海表温度、风场和海平面异常的时间序列（以30天平均值表示），请按指示输入命令。对于空间平滑处理，请输入命令以运行脚本，对每个像素中的三天平均海表温度数据进行平滑处理。为了确定海表温度梯度，输入命令以运行脚本，计算海表温度的纬向和经向梯度，即相邻两个像素之间的海表温度差除以相应的距离。通过检验海表温度梯度的数值来识别锋面：若该数值大于指定阈值，则将该像素标记为潜在锋面像素。为计算在特定时间段内每月观测到锋面出现的前沿概率，请输入相应命令。为了加载月度数据进行分析，输入命令并对数据应用经验正交函数，以描述不同参数的空间和时间变异性。程序将计算该数据集的经验正交函数的模态、特征值和振幅。为了确定季节尺度上的相关性，输入命令以计算每个像素处两个因子时间序列之间的相关性。然后输入命令以计算海表叶绿素月度异常与其他因素之间的相关性。为显示卫星信息，输入命令运行脚本，生成包含海表叶绿素、温度与风场、海平面异常及锋面分布的卫星信息展示图。输入命令以显示经验正交函数分析结果。然后输入指定命令，以计算叶绿素与季节性和异常场中其他因素之间的关系。地形对海表叶绿素的空间分布具有显著影响，高海表叶绿素浓度主要分布在南海沿岸地形较浅的区域。风场也受地形影响，山脉背风侧风力较弱，而在南海西南部可识别出显著的风应力旋度。此处应用的阈值能有效捕捉锋面位置，并确保完整水团边界的呈现。在本分析中，第一经验正交函数在南海北部区域捕获了较大的方差。相应的时间序列月平均结果显示，海表叶绿素浓度在冬季升高，在夏季降低。西南沿海附近的区域表现出较弱的强度，其相应的变率主要由第二经验正交函数捕获。海表叶绿素含量在夏季较高，冬季较低，这与北部区域的变化基本相反。事实上，经验正交函数的月时间序列显示出明显的季节性变化，其中第二经验正交函数比第一经验正交函数领先约四个月。叶绿素与其他因素之间的相关性反映了这些因素之间的相互关系。例如，在本分析中，海表温度与叶绿素呈负相关，而风应力与叶绿素呈正相关。因此，对于这些数据而言，较高的叶绿素浓度与较低的温度和较强的风力相关联。识别海洋参数的变异性并研究其与叶绿素的关系，对于海洋动力学和海洋生态系统至关重要。锋面活动尤为重要，因为高叶绿素浓度通常与锋面相关。可通过调整锋面检测的阈值来改进识别效果，而验证锋面的最佳方法是将其与机构观测结果进行比较。综上所述，利用卫星观测能够准确描述海洋表面特征的空间分布及其时间变化。随着分辨率的不断提高，未来将能够识别和研究更加详细的特征。

investigating-relationship-between-sea-surface-chlorophyll-major

Research

科研

JoVE Journal

Environment

环境

利用卫星信息研究海面叶绿素与南海主要特征的关系

浮游生物和悬浮颗粒在海洋的生物地球化学循环中起着重要作用。本文提供了一种超洁净、低扰动的方法，可用于在海上采集不同大小的颗粒物和浮游生物，并能够处理大量海水样品。...

一种用于采集粒径分级的海洋浮游生物和悬浮颗粒物的超洁净多层装置

我们介绍一种研究高等植物光合作用响应的新技术方法，该方法结合使用脉冲振幅调制（PAM）仪和光谱辐射计，同步测量拟南芥同一叶片区域的叶绿素a荧光和叶片反射率，以检测其信号。...

通过叶片反射率与叶绿素荧光分析的同步测量评估光合行为

该方案从系外行星的光变曲线中提取信息，并构建其表面图。通过使用地球的光变曲线（作为类比系外行星）来演示这一方法。...

利用单点光变曲线对类地系外行星进行表面测绘

本文介绍了一种用于快速检测蓝藻水华及其相关蓝藻毒素的多学科综合策略。该方法可在24小时内检测水样以及双壳类样品等有机基质中的蓝藻及其相关蓝藻毒素。...

利用快速检测策略早期发现蓝藻水华及其相关蓝藻毒素

本方案介绍了针对16S rRNA和18S rRNA基因的 metabarcoding...

通过DNA宏条形码分析监测智利有害藻华的标准化流程

本文介绍了一种将浮游植物显微图像转化为矢量图形和重复图案的实验方案，以实现对过去60年间浮游植物类群组成和生物量变化的可视化展示。该方案也可应用于全球其他浮游生物长期时间序列及数据集的研究。...

可视化海洋学数据以描绘浮游植物的长期变化

本方案涵盖一种四步大范围成像调查方法，用于提取珊瑚礁群落的结构复杂性、群落组成以及种群人口统计学指标。该方案的每一步均优先确保所采集图像的质量以及对原始图像的集成访问。...

利用大面积成像测量水下环境的结构、组成及变化

以下方案描述了海面微塑料采样、微塑料分离及颗粒化学鉴定的方法。本方案符合海洋垃圾监测技术小组（MSFD技术小组）发布的微塑料监测建议。...

海面微塑料采样方案及样品分析方法

对含甲烷沉积物中黄铁矿的硫同位素组成（δ34S）的分析通常集中于整体样品。本文中，我们采用二次离子质谱法分析了不同成因黄铁矿的δ34S值，以揭示黄铁矿化的成岩演化历史。...

含甲烷沉积物中自生黄铁矿的制备 原位 使用二次离子质谱法进行硫同位素分析

本文描述了用于采后害虫控制的一氧化氮（NO）熏蒸处理方案。在注入NO之前，先用氮气（N2）冲洗熏蒸室，以建立超低氧环境。处理结束时，再次用N2冲洗熏蒸室，以稀释NO，随后将产品暴露于环境空气中，从而避免接触二氧化氮（NO2）。...

一氧化氮气体用于害虫防治的实验室熏蒸操作规程

了解利用卫星遥感技术分析南海海面叶绿素与温度等海洋参数时空变异性的方法。本研究通过经验正交函数和相关性分析，揭示地形与季风对海洋生态系统的影响机制。

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

探索更多视频