Methodenartikel

Untersuchung der Beziehung zwischen Sea Surface Chlorophyll und Hauptmerkmalen des Südchinesischen Meeres mit Satelliteninformationen

DOI:

10.3791/61172

⸱

13. Juni 2020

 ,  ,  ,  , 
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

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Meeroberflächenchlorophyll, Temperatur, Meeresspiegelhöhe, Wind und Frontdaten, die aus Satellitenbeobachtungen gewonnen oder abgeleitet wurden, bieten eine effektive Möglichkeit, den Ozean zu charakterisieren. Präsentiert ist eine Methode für die umfassende Untersuchung dieser Daten, einschließlich des Gesamtdurchschnitts, des saisonalen Zyklus und der Interkorrelationsanalysen, um regionale Dynamiken und Ökosysteme vollständig zu verstehen.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Satellitenbeobachtungen bieten einen großartigen Ansatz, um die Merkmale wichtiger Meeresparameter zu untersuchen, einschließlich Chlorophyll (CHL), Meeresoberflächentemperatur (SST), Meeresoberflächenhöhe (SSH) und Faktoren, die sich aus diesen Parametern ableiten (z. B. Fronten). Diese Studie zeigt ein Schritt-für-Schritt-Verfahren, um Satellitenbeobachtungen zu verwenden, um wichtige Parameter und ihre Beziehungen in saisonalen und anomalen Feldern zu beschreiben. Diese Methode wird anhand von Satelliten-Datasets aus den Jahren 2002–2017 veranschaulicht, die zur Beschreibung der Oberflächenmerkmale des Südchinesischen Meeres (SCS) verwendet wurden. Aufgrund der Cloud-Abdeckung wurden in dieser Studie monatliche durchschnittse Daten verwendet. Die empirische orthogonale Funktion (EOF) wurde angewendet, um die räumliche Verteilung und zeitliche Variabilitäten verschiedener Faktoren zu beschreiben. Der Monsunwind dominiert die Variabilität im Becken. So wurde Wind aus dem Reanalyse-Datensatz verwendet, um seine treibende Kraft auf verschiedene Parameter zu untersuchen. Die saisonale Variabilität in CHL war prominent und korrelierte signifikant mit anderen Faktoren in der Mehrheit der SCS. Im Winter induziert ein starker Nordostmonsun eine tiefe Mischschicht und einen hohen Chlorophyllgehalt im gesamten Becken. Unter den Faktoren des saisonalen Zyklus wurden signifikante Korrelationskoeffizienten gefunden. Im Sommer wurden vor allem im westlichen SCS hohe CHL-Werte festgestellt. Anstelle einer saisonalen Abhängigkeit war die Region hochdynamisch, und Faktoren korrelierten signifikant in anomalen Feldern, so dass ungewöhnlich hohe CHL-Werte mit ungewöhnlich starken Winden und intensiven frontalen Aktivitäten in Verbindung gebracht wurden. Die Studie stellt ein Schrittweiseverfahren zur Verwendung von Satellitenbeobachtungen vor, um wichtige Parameter und ihre Beziehungen in saisonalen und anomalen Feldern zu beschreiben. Die Methode kann auf andere globale Ozeane angewendet werden und wird hilfreich sein, um die Meeresdynamik zu verstehen.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Fernerkundungstechnologie bietet großartige Datensätze mit großen räumlichen Maßstäben und langen Zeiträumen für die Beschreibung von Meeresumgebungen. Mit der zunehmenden räumlichen Auflösung von Satelliten werden nun detaillierte Merkmale von der regionalen Skala auf ein paar hundert Meter1,2. Ein besseres Verständnis der Meeresdynamik kann mit den meisten aktualisierten Satellitenbeobachtungen erreicht werden3.

Durch die Integration mehrerer Sensoren auf einer Fernerkundungsplattform ist eine umfassende Beschreibung verschiedener Parameter möglich. Die Meeresoberflächentemperatur (SST) ist der Grundlegende Parameter, der seit mehr als einem halben Jahrhundert beobachtet wird4. In jüngster Zeit sind Beobachtungen für die Meeresoberfläche Chlorophyll-a (CHL) verfügbar geworden und können verwendet werden, um die Marineproduktivität zu beschreiben5. Altimetry-Satelliten werden zur Messung der Meeresoberflächenhöhe6,7verwendet, die stark mit mesoskaligen Wirbelaktivitäten im globalen Ozean8,9verwandt ist. Neben den Wirbeln sind frontale Aktivitäten auch wichtig, um die regionale Dynamik und die Primärproduktion zu beeinflussen10.

Der Schwerpunkt der aktuellen Studie liegt auf der Suche nach einem Standardverfahren zur Beschreibung der räumlichen Verteilung und der zeitlichen Variabilitäten verschiedener Ozeanfaktoren. Bei dieser Methode werden SST, CHL, SSH und Front-Daten, die aus SST-Gradienten abgeleitet sind, analysiert, um Muster zu bestimmen. Insbesondere wird die CHL verwendet, um die Produktivität des Ozeans darzustellen, und eine Methode wird eingeführt, um die Beziehung zwischen CHL und anderen Ozeanparametern zu untersuchen. Zur Validierung der Methode wurde der Zeitraum zwischen Oktober 2002 und September 2017 im Südchinesischen Meer verwendet, um alle Parameter zu untersuchen. Die Methode kann leicht für andere Regionen auf der ganzen Welt verwendet werden, um wichtige Meeresmuster zu erfassen und zu erforschen, wie sich die Meeresdynamik auf das Ökosystem auswirkt.

Das Südchinesische Meer (SCS) wurde wegen seiner relativ hohen Abdeckungsrate von Satellitenbeobachtungen als Untersuchungsgebiet ausgewiesen. Das SCS ist reichlich in Sonneneinstrahlung; somit wird die CHL hauptsächlich durch die Verfügbarkeit von Nährstoffenbestimmt 11,12. Mit mehr Nährstoffen, die in die euphotische Schicht transportiert werden, kann der CHL-Spiegelum 13steigen. Mischen, durch Wind induziert, kann Nährstoffe in die Meeresoberfläche einführen und CHL14verbessern. Der SCS wird einzigartig von einem Monsunwindsystem dominiert, das die Dynamik und das Ökosystem in der Region bestimmt. Der Monsunwind ist im Winter15am stärksten. Im Sommer ändern die Winde die Richtung und die Windgeschwindigkeiten sind viel schwächer als im Winter16,17. Die Windintensität kann die Stärke des vertikalen Mischens bestimmen, so dass sich die Gemischte Schichttiefe (MLD) mit zunehmendem Wind im Winter vertieft und mit abnehmendem Wind im Sommer18flacher wird. So werden im Winter mehr Nährstoffe in die euphotische Schicht transportiert, wenn der Wind stark ist19 und CHL seinen höchsten Punkt des Jahres20,21erreicht.

Neben dem Wind kann die MLD auch anhand anderer Faktoren bestimmt werden, wie SST und Anomalien des Meeresspiegels (SLAs), die sich letztlich auf den Nährstoffgehalt und CHL22auswirken. Im Winter ist der schwache vertikale Gradient mit niedrigen Temperaturen an der Oberfläche20verbunden. Die entsprechende MLD ist tief und mehr Nährstoffe können nach oben transportiert werden; somit ist die CHL in der Oberflächenschicht hoch17. Eine zunehmende Variation der CHL-Spiegel ist auf mesoskalige Wirbel zurückzuführen, die vertikalen Transport und Mischen von23induzieren. Upwelling findet sich in der Regel in zyklonischen Wirbeln, die mit depressiven SLAs8,9 und erhöhten CHL-Konzentrationen24assoziiert sind. Downwelling findet sich in der Regel in antizyklonischen Wirbeln, die mit erhöhten SLAs8,9 und depressiven CHL-Konzentrationen24assoziiert sind. Für andere Jahreszeiten wird die MLD flach, und das Mischen wird schwach; somit kann über den Großteil des Beckens25niedrige CHL beobachtet werden. Die saisonalen Zyklen der CHL-Spiegel sind in der Folge für die Region26vorherrschend.

Neben dem Mischen können Fronten und die damit verbundene Küstenaufwellung die CHL weiter modulieren. Die Front, die als Grenze verschiedener Wassermassen definiert ist, ist wichtig, um die regionale Zirkulation und die Ökosystemreaktionen zu bestimmen27. Frontogenese ist in der Regel verbunden mit Küstenaufwellung und Konvergenz28,29, die Nährstoffe induzieren und das Wachstum von Phytoplankton30erhöhen können. Verschiedene Algorithmen wurden entwickelt, um Fronten aus Satellitenbeobachtungen automatisch zu identifizieren, einschließlich Histogramm- und SST-Gradientenmethoden. Der letztgenannte Ansatz wird in dieser Studie übernommen28.

Die Korrelation von Zeitreihen zwischen CHL und verschiedenen Faktoren bietet großartige Einblicke in die Quantifizierung ihrer Beziehung. Die aktuelle Studie bietet eine umfassende Beschreibung, wie Satellitenbeobachtungen verwendet werden können, um regionale Meeresdynamiken im Zusammenhang mit der Produktivität aufzudecken. Diese Beschreibung kann als Leitfaden für die Untersuchung der Oberflächenprozesse in jedem Teil des Ozeans verwendet werden. Die Struktur dieses Artikels enthält ein Schritt-für-Schritt-Protokoll, gefolgt von beschreibenden Ergebnissen im Text und den Abbildungen. Die Anwendbarkeit zusätzlich zu den Vor- und Nachteilen der Methode wird anschließend erörtert.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Datensatzerfassung

  1. SST und CHL
    1. Laden Sie einen Datensatz mit Satellitenbeobachtungen für SST und CHL von MODIS-Aqua (podaac-tools.jpl.nasa.gov/) herunter, wobei die räumliche Auflösung beider Datensätze im täglichen Abstand etwa 4,5 km beträgt.
      HINWEIS: Strukturieren Sie die Verzeichnisse und Daten nach dem Beispielskriptordner, der in den Ergänzungsdateienverfügbar ist. Speichern Sie die .nc-Dateien der Satellitendaten im Ordner "Daten". Fügen Sie den Pfad zur NetCDF-Toolbox in der Analysesoftware (d. h. MATLAB) hinzu. Wählen Sie Hinzufügen mit Unterordnern aus, um die Pfade des Ordners "UTILITIES" und seiner Unterordner einzuschließen.
    2. Bestimmen Sie die Zeitspanne. Um die Konsistenz zwischen verschiedenen Datasets aufrechtzuerhalten, verwenden Sie die gleiche Zeitspanne für alle Parameter. Passen Sie die Zeitspanne basierend auf der zeitlichen Abdeckung an, und verwenden Sie den längsten Beobachtungszeitraum zwischen verschiedenen Datasets. Laden Sie für dieses Protokoll 15 Jahre Daten von Oktober 2002 bis September 2017 herunter.
    3. Bestimmen Sie die räumliche Abdeckung.
      HINWEIS: Der vorgesehene Untersuchungsbereich liegt zwischen 105°E und 123°E und zwischen 0° und 25°N.
    4. Überprüfen Sie die Vorverarbeitungsanweisungen. Lesen Sie Anweisungen in den .nc-Dateien zu den Vorverarbeitungsanforderungen der SST- und CHL-Daten (z. B. ob eine Skalierung erforderlich ist).
      HINWEIS: Der heruntergeladene Datensatz schließt bereits Daten über Land und innerhalb von 5 km von der Küste sowie durch Wolken kontaminierte Daten aus.
    5. Laden Sie SST- und CHL-Daten in die Analysesoftware. Geben Sie Read_MODIS_SST im Befehlsfenster ein, um die SST-Daten zu lesen. Geben Sie Read_MODIS_CHL im Befehlsfenster ein, um die CHL-Daten zu lesen. Transformieren Sie die CHL-Daten logarithmisch, da sie über eine Log-Normalverteilung31verfügen.
      HINWEIS: Zu den geladenen Variablen gehören SST und CHL in drei Dimensionen, die die Meridionalposition, die zonale Position und die Zeit in Tagen darstellen. Der Bereich der SSTs liegt zwischen -2 und 44, und der Bereich von CHL liegt zwischen 0,01 und 20.
  2. Anomalie des Meeresspiegels (SLA)
    1. Laden Sie tägliche SLA-Daten mit einer räumlichen Auflösung von 25 km von 2002 bis 201732herunter.
      HINWEIS: SLAs beschreiben den Unterschied zwischen beobachteten Meeresoberflächenhöhen und der mittleren Meeresoberflächenhöhe über 20 Jahre (1993-2012) für ein entsprechendes Pixel. Die SLA-Daten werden von SSALTO/DUACS verarbeitet und durch Archivierung, Validierung und Interpretation satellitenozeanographischer Daten (AVISO, https://www.aviso.altimetry.fr) verteilt.
    2. Laden Sie Daten in die Analysesoftware. Laden Sie eintägige SLA-Daten, indem Sie Read_SLA im Befehlsfenster eingeben.
      HINWEIS: Der Ordner "Daten" in den Ergänzungsdateien enthält nur ein Beispieldatum im Skript zur Veranschaulichung.
  3. Windgeschwindigkeit
    1. Erhalten Sie die Windinformationen von einem ERA-Interim Reanalysis-Produkt, einem globalen atmosphärischen Reanalyse-Datensatz, der vom European Center for Medium-Range Weather Forecasts (ECMWF)33entwickelt wurde. Laden Sie Winddaten für den gleichen Zeitraum (Oktober 2002–September 2017) herunter, um die Konsistenz mit den CHL- und SST-Daten aufrechtzuerhalten.
      HINWEIS: Das Wind-Dataset hat eine räumliche Auflösung von ca. 25 km und wurde vom ursprünglichen Datensatz mit einer räumlichen Auflösung von ca. 0,7° interpoliert.
    2. Laden Sie Daten in die Analysesoftware. Geben Sie Read_WindVector in das Befehlsfenster ein, um die einmonatigen Winddaten zu lesen. Berechnen Sie den monatlichen Mittelwert, indem Sie die ursprünglichen Daten in 6 H-Intervallen durchschnittlich eingberechnen.
  4. Topographie
    1. Laden Sie die hochauflösenden Topographiedaten von der Website der National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/) herunter. Die räumliche Auflösung beträgt 2 km. Rufen Sie die ETOPO1-Daten für das Fundament im XYZ-Format für die ausgewählte Studienregion ab.
    2. Laden Sie Daten in die Analysesoftware. Geben Sie Read_topography im Befehlsfenster ein, um die Topographiedaten in die Analysesoftware zu laden.

2. Datenvorverarbeitung

  1. Zeitlicher Durchschnitt
    1. Ersetzen Sie aufgrund der großen Cloud-Abdeckung in den SST- und CHL-Daten die ursprünglichen Daten durch 3-Tage-Durchschnittsdaten. Geben Sie dazu nach dem Ausführen der Read_MODIS_SST.m und Read_MODIS_CHL.m Skripts (Schritt 1.1.5) Temporal_average in das Befehlsfenster ein, um das Skript auszuführen.
  2. Interpolation in dasselbe Raster
    1. Da die räumliche Auflösung für verschiedene Datasets nicht konsistent ist, interpolieren Sie die SST- und CHL-Daten in ein räumliches Raster, das mit dem räumlichen Raster wind und SLA identisch ist, bevor Sie Vergleiche anstellen. Nachdem Sie die Temporal_average.m- und Read_WindVector.m-Skripts ausgeführt haben, geben Sie Interpolation_grid in das Befehlsfenster ein, um das Skript auszuführen.
  3. Windstress und Windspannungswelle
    1. Geben Sie Wind_stress_curl im Befehlsfenster ein, um die Windspannung (WS) und die Windspannungskrümmung (WSC) mit den folgenden Gleichungen zu berechnen:
      figure-protocol-1
      figure-protocol-2
      wobei figure-protocol-3 der Windgeschwindigkeitsvektor ist; figure-protocol-4 das WS in der gleichen Richtung wie der Windvektor ist; figure-protocol-5 und sind die WS in figure-protocol-6 Östlicher bzw. nördlicher Richtung; figure-protocol-7 ist die Luftdichte (gleich 1,2 kg/m3);und C ist der Luftwiderstandskoeffizient (ein Wert von 0,0015 wird verwendet) unter neutralen Stabilitätsbedingungen34.
  4. Monatliche Durchschnittswerte
    1. Berechnen Sie die monatlichen SST-, Wind- und SLA-Zeitreihen als 30-Tage-Durchschnitte in jedem Pixel, indem Sie Monthly_average eingeben, um das Skript auszuführen. Aufgrund der hohen Cloud-Abdeckungsrate verwenden Sie einen 60-Tage-Durchschnitt als monatliche Zeitreihe für CHL, einschließlich 30 Tage vor bis 30 Tagen nach dem15. Tag des Monats.

3. SST-Fronterkennung

  1. Räumliche Glättung
    1. Geben Sie Spatial_smoothing ein, um das Skript auszuführen, um die dreitägigen SST-Daten in jedem Pixel zu durchschnittlich zu durchschnittlich.
      HINWEIS: In den SST-Daten wurde eine große Menge an Rauschen festgestellt. So wurden die Daten mit einem räumlichen Durchschnitt von 3 x 3 geglättet. Wenn in den ursprünglichen gemittelten Daten für 3 Tage keine Daten verfügbar waren, wurden die räumlichen gemittelten Daten als nicht verfügbar festgelegt.
  2. SST-Gradient
    1. Geben Sie SST_gradient ein, um das Skript auszuführen, um die zonalen und meridionalen SST-Gradienten (d. h. Gx bzw. Gy)als SST-Differenz zwischen den nächsten beiden Pixeln, geteilt durch den entsprechenden Abstand über Gleichung (3), zu berechnen. Verwenden Sie den erhaltenen Gradientenvektor, um den Gesamtgradienten G als Skalar-Folgegleichung (4) zu berechnen.
      figure-protocol-8
      figure-protocol-9
  3. Lokales Maximum
    1. Identifizieren Sie eine Front, indem Sie einen SST-Gradientenwert testen: Beschriften Sie ein Pixel als potenzielles Frontalpixel, wenn der Wert größer als ein festgelegter Schwellenwert ist. Halten Sie das lokale maximale Pixel nur in derselben Richtung senkrecht zur Verlaufsrichtung bei, wenn verbundene Pixel mit Werten vorhanden sind, die größer als der Schwellenwert sind. Hier wird der Schwellenwert nach früheren Studien10,28als 0,035 °C/km definiert.
      HINWEIS: Das entsprechende Skript 'Local_maximum.m' ist in den Supplemental Filesverfügbar.
  4. Monatliche Frontalwahrscheinlichkeit (FP)
    HINWEIS: Die Frontalwahrscheinlichkeit (FP) beschreibt die Wahrscheinlichkeit, eine Front zu beobachten.
    1. Berechnen Sie das RP für einen bestimmten Zeitraum (in diesem Fall ein monatliches Intervall), indem Sie Monthly_FP eingeben, um das Skript auszuführen. Teilen Sie das Vorkommen von Fronten an jedem Pixel während eines Zeitfensters durch die Anzahl der Tage, die frei von Wolken sind.

4. Räumliche und zeitliche Variabilität

  1. Saisonaler Zyklus
    1. Berechnen Sie die saisonalen Zyklen verschiedener Faktoren als Durchschnittswerte verschiedener Jahreszeiten. Definieren Sie die Jahreszeiten wie folgt: Winter ist von Dezember bis Februar, Frühling ist von März bis Mai, Sommer ist von Juni bis August, und Herbst ist von September bis November.
      HINWEIS: Der saisonale Zyklus wird in dieser Studie nicht angezeigt; Die folgende Methode wird stattdessen verwendet, um die räumliche und zeitliche Variabilität zu erklären.
  2. Empirische orthogonale Funktion (EOF)
    1. Entfernen Sie den zeitlichen Durchschnitt und die nicht verfügbaren Pixel. Subtrahieren Sie vor der Durchführung des EOF den Gesamtmittelwert an jedem Pixel und schließen Sie die Positionen aus, an denen fehlende Beobachtungen aufgrund der Wolkenabdeckung 20 % überschreiten. Laden Sie Daten, indem Sie load('Monthly_data_for_EOF.mat') in das Befehlsfenster eingeben.
    2. Wenden Sie ein EOF an, um die räumlichen und zeitlichen Variabilitäten verschiedener Parameter zu beschreiben. Geben Sie Empirical_orthogonal_function.m ein, um das Skript auszuführen, um die Größe (Mag), Eigenwerte (Eig) und Amplitude (Amp) der EOFs für das Dataset zu berechnen (d. h. Zeitreihen von monatlich gemitteltem SST, Windspannung, Windspannungscurl, CHL und FP).
      HINWEIS: Die Funktion zersetzt die monatlichen Zeitreihen in verschiedene Modi, die aus räumlichen und zeitlichen Mustern bestehen und die Varianz, die durch jeden Modus erklärt wird, nimmt mit zunehmender Moduszahl ab.

5. Interkorrelation

  1. Korrelation auf saisonaler Skala
    1. Berechnen Sie die Korrelationen zwischen zwei Faktoren anhand ihrer Zeitreihen an jedem Pixel, indem Sie Seasonal_correlation eingeben, um das Skript auszuführen. Da der saisonale Zyklus nicht entfernt wird, überprüfen Sie die Signifikanz der Korrelation für alle Korrelationen.
  2. Korrelation eines anomalen Feldes
    1. Berechnen Sie die Korrelationen zwischen den monatlichen CHL-Anomalien und anderen Faktoren wie SST, WS, Fronten und SLAs. Erhalten Sie die monatlichen Anomalien (d. h. die Abweichung vom Mittelwertstatus), indem Sie den Gesamtdurchschnitt für einen entsprechenden Monat von den monatlichen Zeitreihen subtrahieren. Geben Sie Anomalous_correlation ein, um das Skript auszuführen und die Korrelationen abzuerhalten.

6. Anzeigen von Informationen und Berechnen von Beziehungen

  1. Satelliteninformationen anzeigen.
    1. Geben Sie Sat_SCS_Fig3457 ein, um das Skript auszuführen, um eine Präsentation von Satelliteninformationen zu generieren, einschließlich SST-, CHL- und Frontalverteilungen. Legen Sie den aktuellen Ordner als 'Skripte' fest, in denen sich die Daten 'Sat_SCS_data.mat' befinden.
      ANMERKUNG: Abbildung 1, Abbildung 2, Abbildung 3und Abbildung 4 zeigen SST, CHL, Fronten, Wind und Topographie für das ausgewählte Datum als Beispiel.
  2. Zeigen Sie das EOF-Ergebnis an, indem Sie Sat_SCS_Fig890.m eingeben, um das Skript auszuführen.
    ANMERKUNG: Abbildung 5, Abbildung 6und Abbildung 7 beschreiben die räumliche Größe, den monatsdurchschnitt und die Zeitreihen der ersten beiden Modi für CHL, SST und Fronten.
  3. Berechnen Sie die Beziehung zwischen CHL und anderen Faktoren in saisonalen Zeitskalen und für anomale Felder, indem Sie Sat_SCS_Fig1112.m eingeben, um das Skript auszuführen. Abrufen der Korrelationskarte für saisonale Variabilitäten (Abbildung 8) und Anomalien (Abbildung 9).

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die räumlichen und zeitlichen Muster der Meeresoberfläche CHL im SCS wurden anhand von Satellitenbeobachtungen beschrieben. Satelliteninformationen für CHL (Abbildung 1A) und SST (Abbildung 1B) können durch Die Bedeckung kontaminiert werden, was dazu führt, dass ein großer Teil der Daten nicht verwendet werden kann. Die neu analysierten Winddaten (Abbildung 1C) und SLA (Abbildung 1D) wurden von den täglichen Wolken nicht beeinflusst. Die Topographie (Abbildung 1E) hatte einen prominenten Einfluss auf die räumliche Verteilung von CHL. High CHL wurde hauptsächlich entlang der Küste verteilt, wo die Topographie flach ist. Der Wind wurde auch durch die Orographie beeinflusst, und die Leeseite der Berge war durch schwachen Wind gekennzeichnet; So wurde südwestlich des SCS ein prominenter WSC identifiziert. Im Gegensatz dazu waren die SLAs nicht sehr von der Topographie abhängig, und im Becken des SCS wurde eine Region mit ungewöhnlich hohen SLAs gefunden.

figure-results-1
Abbildung 1: Ursprüngliche Beobachtungen für wichtige Parameter am 15. April 2015.
(A) Meeroberfläche Chlorophyll (CHL), (B) Meeresoberflächentemperatur (SST), (C) Windspannungscurl (WSC, Schattierung) mit Windspannung (WS, Vektor), (D) Meeresoberflächenanomalie und (E) Topographie für das Ozeanbecken. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Aufgrund der schwerwiegenden Auswirkungen auf Satellitenbeobachtungen waren viele Daten entweder nicht verfügbar oder räumlich inkonsistent. Es wurde eine effektive und effiziente Methode angewendet, um einige Datenlücken zu schließen und das Feld zu glätten. Die Daten wurden zuerst durch einen 3-Tage-Durchschnitt an jedem Pixel ersetzt, der einige Lücken effektiv füllen kann, da die Wolken täglich variieren(Abbildung 2B). Ein räumlicher Durchschnitt wurde an jedem Pixel weiter angewendet, sodass die Daten durch den Mittelwert der umgebenden Werte (3 x 3 Pixel) ersetzt wurden. Dadurch wurde die räumliche Inkonsistenz stark reduziert (Abbildung 2C).

figure-results-2
Abbildung 2: SST für einen einzigen Tag am 15. April 2015.
(A) Original SST von MODIS, (B) Drei-Tage-gemitteltes SST und (C) SST nach räumlicher Glättung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Die tägliche Verteilung der SST-Fronten wurde aus den SST-Gradienten abgeleitet (Abbildung 3A). Die hier angewandten Schwellenwerte erfassten effektiv die Position der Front (Abbildung 3B) und sorgten für die Darstellung der Grenzen ganzer Wassermassen (Abbildung 3C). Die Steigungen und Fronten waren fast identisch, da die Front hauptsächlich aus dem Gradienten gewonnen wurde.

figure-results-3
Abbildung 3: Verfahren zur Fronterkennung, abgeleitet von SST.
(A) Magnitude des SST-Gradienten, (B) die Verteilung von SST-Fronten in dünnen schwarzen Linien und (C) Frontverteilung basierend auf den entsprechenden SST-Gradienten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Aufgrund der Cloud-Abdeckung in den CHL-, SST- und Frontdaten wurden die monatlichen durchschnittlichen Zeitreihen in dieser Studie berechnet und angewendet. Ein zufälliges Beispiel ist in Abbildung 4 für den Monat April 2015 dargestellt. Für einen der Parameter gab es keine Lücke. Die allgemeinen Muster für verschiedene Parameter waren hinsichtlich ihrer räumlichen Varianz sehr konsistent. Zum Beispiel war CHL hoch in der Nähe der Küste und niedrig im zentralen Becken, während die SST war niedrig in der Nähe der Küste und hoch im zentralen Becken. Der monatliche Durchschnitt bot umfassende Informationen, um regionale Merkmale darzustellen. Die Fronten waren hauptsächlich entlang der Küste verteilt, wo die Dynamik komplex ist. Ein großer Teil des Beckens war frei von Fronten; somit war das Zentrum des SCS durch einen Wert nahe Null gekennzeichnet (Abbildung 4E).

figure-results-4
Abbildung 4: Monatlicher Durchschnitt für die wichtigsten Parameter im April 2015.
(A) CHL (in logarithm skala), (B) SST, (C) WSC (Schattierung) mit WS (Vektor), (D) Anomalie der Meeresoberfläche und (E) frontale Wahrscheinlichkeit (FP). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Die meisten Oberflächenmerkmale waren durch eine ausgeprägte saisonale Variabilität gekennzeichnet, die mit EOFs deutlich beobachtet wurde. Der EOF ist eine nützliche mathematische Methode, die in den Atmosphärischen und Meereswissenschaften weit verbreitet ist. Die Methode kann räumliche Muster und zeitliche Signale aus Zeitreihen über räumliche Domänen28ableiten. Nach der räumlich-zeitlichen Zersetzung für Meeresoberflächen-Features im SCS werden die ersten beiden Modi in der Regel zur Beschreibung der räumlichen und zeitlichen Variabilitäten benötigt. Die ersten beiden EOFs für CHL beschrieben 44 % bzw. 12 % der Gesamtvarianz. EOF1 erfasste eine große Varianz im nördlichen Teil des SCS (Abbildung 5A). Der entsprechende Monatsdurchschnitt der Zeitreihen (Abbildung 5C) zeigte, dass CHL im Winter erhöht und im Sommer depressiv war. Die Region an der Südwestküste war durch eine schwache Größe gekennzeichnet, und die entsprechende Variabilität wurde hauptsächlich von EOF2 erfasst (Abbildung 5B). Die CHL-Werte waren im Sommer hoch und im Winter niedrig. Dies war im Vergleich zum nördlichen Abschnitt hauptsächlich aphase. Die monatlichen Zeitreihen für EOFs zeigten eine deutliche saisonale Variabilität, und EOF2 führte EOF1 um etwa 4 Monate an (Abbildung 5E).

figure-results-5
Abbildung 5: Der EOF für CHL.
(A) Größe der EOF1, (B) Magnitude von EOF2, (C) monatliche gemittelte Zeitreihen für EOF1, (D) monatliche durchschnittliche Zeitreihen für EOF2 und (E) monatliche Zeitreihen von EOF1 (schwarz) und EOF2 (blau). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Die erklärte Abweichung in den ersten beiden EOFs für SST war mit 91 % bzw. 5 % für EOF1 bzw. EOF2 deutlich hoch. Es ist wichtig zu betonen, dass der Gesamtdurchschnitt vor der Durchführung des EOF entfernt werden muss; somit wurde das mittlere Feld ausgeschlossen. EOF1 dominierte die Gesamtvarianz, und seine Größe war am größten im nördlichen SCS und ging nach Süden zurück (Abbildung 6A). Der entsprechende Monatsdurchschnitt der Zeitreihen (Abbildung 6C) zeigte, dass die SST im Sommer erhöht und im Winter depressiv war. Der südliche SCS zeichnete sich durch eine schwache Größe aus, die auf anhaltend hohe Temperaturen in niedrigen Breitengraden zurückzuführen war. Die Variabilität im südlichen Abschnitt wurde hauptsächlich von EOF2 erfasst (Abbildung 6B). Der entsprechende SST wurde zwischen März und Juni verbessert, während die niedrigen Werte in den verbleibenden Monaten anhielten. In den Jahren 2010 und 2016 kam es zu einer deutlicher Erwärmung, bei der die SST vor der Küste südwestlich des SCS viel höher war als in den anderen Jahren(Abbildung 6E). Diese jährliche Variabilität wird hauptsächlich auf El-Nio-Ereignisse zurückgeführt, die den Südwest-Sommermonsun verringern und zu einem schwachen Aufwind von12führen. Da die saisonale Variabilität im Mittelpunkt der aktuellen Studie steht, wird diese Funktion nicht weiter diskutiert.

figure-results-6
Abbildung 6: Der EOF für SST.
(A) Größe der EOF1, (B) Magnitude von EOF2, (C) monatliche gemittelte Zeitreihen für EOF1, (D) monatliche gemittelte Zeitreihen für EOF2 und (E) monatliche Zeitreihen von EOF1 (schwarz) und EOF2 (blau). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Aufgrund der lauten Natur des Farbverlaufs erklärte die abgeleitete Front viel weniger der Varianz. EOF1 und EOF2 des RP erklärten nur 19 % bzw. 9 % der Gesamtabweichung. EOF1 erfasste die Varianzen im nördlichen und nordöstlichen SCS (Abbildung 7A). Der entsprechende Monatsdurchschnitt der Zeitreihen (Abbildung 7C) zeigte, dass in diesen Regionen mehr FP im Winter und weniger im Sommer auftraten. Die Phase vor der Küste südwestlich des SCS war das Gegenteil, obwohl die entsprechende Variabilität viel weniger ausgeprägt war. EOF2 erfasste die Federverbesserung des FP (Abbildung 7D) im westlichen SCS (Abbildung 7B). Die monatlichen Zeitreihen von EOF1 und EOF2 waren durch eine schwache jährliche Variabilität gekennzeichnet.

figure-results-7
Abbildung 7: Der EOF für FP.
(A) Größe der EOF1, (B) Magnitude von EOF2, (C) monatliche gemittelte Zeitreihen für EOF1, (D) monatliche gemittelte Zeitreihen für EOF2 und (E) monatliche Zeitreihen von EOF1 (schwarz) und EOF2 (blau). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Für ihre Beziehungen zu CHL wurden verschiedene Faktoren untersucht (Abbildung 8). SST kann beispielsweise verwendet werden, um die grundlegenden Merkmale des Ozeans zu verstehen, die die Wachstumsrate von Phytoplankton beeinflussen und sich anschließend auf CHL auswirken können. Bei der Mehrheit der SCS gab es hohe Korrelationen zwischen SST und CHL (Abbildung 8A), und die meisten Korrelationen erreichten mehr als -0,8. Es ist wichtig, darauf hinzuweisen, dass eine hohe Korrelation nicht auf eine Ursache zwischen diesen beiden Faktoren hindeutet. Als SST im Sommer sein jahresjährliches Maximum erreichte, wurde die MLD am flachsten21. Die Nährstoffe, die der euphotischen Schicht zugeführt wurden, waren gering, da das vertikale Mischen durch intensive Schichtung blockiert wurde13. Infolgedessen beschränkten niedrige Nährstoffe die Wachstumsrate von Phytoplankton und führten zu einer niedrigen CHL. Im Gegensatz dazu trat eine hohe CHL im Winter auf, als die MLD tiefer war, und niedrige SST induzierte eine schwache Schichtung35.

figure-results-8
Abbildung 8: Korrelationen zwischen CHL und anderen Faktoren auf der saisonalen Skala.
(A) SST, (B) WS, (C) WSC, (D) FP und (E) SLA. Die graue Farbe gibt an, dass die Korrelation nicht signifikant ist. Räumlich gemittelte Variablen werden basierend auf dem grünen Feld in Panel Aberechnet. Ihre Zeitreihen werden verwendet, um die Korrelationskoeffizienten in Tabelle 1zu erhalten. Diese Zahl wurde von Yu et al.17geändert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Windgetriebenes Mischen kann ungefähr von WS gemessen werden und wurde verwendet, um vertikales Mischen18zu beschreiben. Große Korrelationskoeffizienten mit Werten von etwa 0,8 wurden zwischen dem WS- und dem CHL-Niveau nördlich des SCS identifiziert (Abbildung 8B), insbesondere in den Regionen mit dem stärksten Winterwind, der sich auf dem nördlichen Schelf des SCS befindet. Im Süden wurden schwache, aber signifikante Korrelationen festgestellt. Die Korrelationen zwischen WSC und CHL waren in der Mehrheit der SCS signifikant (Abbildung 8C), obwohl sie gegensätzliche Tendenzen im Norden und Süden aufwiesen. Im Süden wurde ein positiver Korrelationskoeffizient zwischen CHL und WSC identifiziert, im Norden gab es negative Werte. Die Korrelation in der Region zwischen ihnen war nicht signifikant. Die WS und CHL wurden in der entsprechenden Region, in der die Winter-WS am größten war, stark korreliert.

Fronten können auch CHL-Variabilität induzieren. Eine große Korrelation wurde im Nordosten und Südwesten des SCS gefunden (Abbildung 8D). CHL stieg mit zunehmender Aktivität der Frontalaktivitäten36. Die SLA zeigte eine signifikante negative Korrelation mit CHL vom nordöstlichen SCS in Richtung Südwesten und eine positive Korrelation entlang der Westküste des SCS (Abbildung 8E). Es ist interessant festzustellen, dass die positiven Korrelationen auf die Region mit flacher Topographie beschränkt waren.

Im Nordosten des SCS waren alle Korrelationen groß (Abbildung 8). So wurden die Korrelationen der monatlichen Zeitreihen zwischen CHL und anderen Parametern anhand des räumlichen Durchschnitts in einem bestimmten Feld berechnet (Abbildung 8A), und die meisten Faktoren standen in Beziehung zu signifikanten Korrelationen (oben rechts Abschnitt von Tabelle 1). Da der saisonale Zyklus die Zeitreihen dominierte, war die Korrelation nach dem Entfernen des Monatsdurchschnitts (untere linke Sektion von Tabelle 1) nicht mehr gültig.

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

Tabelle 1: Korrelationskoeffizienten der Zeitreihen zwischen Faktoren, die sich nordöstlich des SCS befinden, z. B. SST (Meeresoberflächentemperatur), FP (frontale Wahrscheinlichkeit), WSC (Windspannungscurl) und WS (Windspannung), unter Verwendung des in Abbildung 8A dargestellten Kastens. Die monatlichen Durchschnittswerte und Anomalien werden im oberen rechten bzw. linken unteren Bereich angezeigt. Zahlen in Fett- und Kursivschrift deuten darauf hin, dass die Korrelation nicht das 95%-Konfidenzniveau erreicht. Die Tabelle wurde von Yu et al.17geändert.

Die Korrelationen im saisonalen Zyklus waren in einigen Regionen, wie z. B. im Südwesten des SCS , nicht signifikant (Abbildung 8). Die Region wird von dynamischen Prozessen (z.B. Auftrieb und windinduziertem Offshore-Transport) dominiert, die die Variabilität in CHL17bestimmen. Eine signifikante Korrelation zwischen CHL und anderen Faktoren (z. B. SST, WS, Fronten und WSC) wurde in anomalen Feldern identifiziert (Abbildung 9). Die Anomalien wurden für die monatlichen Zeitreihen berechnet, indem der entsprechende Monatsdurchschnitt entfernt wurde. Die effektive Anzahl der Freiheitsgrade könnte erhöht werden, aber frühere Studien haben gezeigt, dass es keine Auswirkungen auf die zugrunde liegenden Beziehungen zwischen ihren Zeitreihen28,37.

figure-results-9
Abbildung 9: Korrelation zwischen CHL und anderen Faktoren in den anomalen Feldern.
(A) SST, (B) WS, (C) WSC, (D) FP und (E) SLA. Die graue Farbe gibt an, dass die Korrelation nicht signifikant ist. Räumlich gemittelte Variablen werden auf Basis des grünen Feldes in Panel A berechnet. Die Zeitreihen werden verwendet, um die in Tabelle 2dargestellten Korrelationskoeffizienten zu erhalten. Diese Zahl wurde von Yu et al.17geändert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

In den anomalen Feldern waren CHL und SST in der Mehrheit der SCS signifikant korreliert (Abbildung 9A). Wenn SSTs ungewöhnlich hoch waren, wurde CHL ungewöhnlich niedrig und umgekehrt. In ähnlicher Weise induzierte ein ungewöhnlich hoher WSC und Fronten im Südwesten des SCS hohe CHL-Werte und umgekehrt (Abbildung 9C, 9D). Darüber hinaus wurde eine negative Korrelation zwischen den SLAs und chl-Ebenen gefunden (Abbildung 9E). Es wurden verschiedene Verzögerungen getestet, und die Korrelation wurde nur signifikant, wenn keine Verzögerung verwendet wurde. So wurde CHL gleichzeitig von Anomalien in SST, WSC und Fronten sowie SLA beeinflusst. Ihre Beziehung wurde weiter untersucht, indem die räumlich gemittelte monatliche Zeitreihe südwestlich des SCS verwendet wurde, die in Abbildung 9Aals grüne Box bezeichnet wurde. Die Ergebnisse zeigen, dass die meisten Faktoren mit signifikanten Korrelationen im anomalen Feld in Beziehung standen (untere linke Abteilung von Tabelle 2).

Chl-aSstWsWscFpSla
Chl-a-0.150.360.350.26-0.15
Sst-0.59-0.480.610.070.17
Ws0.25-0.24-0.14-0.020.1
Wsc0.29-0.10.410.53-0.21
Fp0.57-0.420.240.29-0.42
Sla-0.30.54-0.23-0.29-0.47

Tabelle 2: Korrelationskoeffizienten der Zeitreihen zwischen Faktoren, die sich südwestlich des SCS befinden, z. B. SST (Meeresoberflächentemperatur), FP (frontale Wahrscheinlichkeit), WSC (Windspannungscurl) und WS (Windspannung), unter Verwendung des in Abbildung 9A dargestellten Kastens. Der monatliche Durchschnitt und Anomalien werden im oberen rechten bzw. linken unteren Bereich angezeigt. Zahlen in Fett- und Kursivschrift deuten darauf hin, dass die Korrelation nicht das 95%-Konfidenzniveau erreicht. Die Tabelle wurde von Yu et al.17geändert.

Ergänzende Dateien. Bitte klicken Sie hier, um diese Datei herunterzuladen. 

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In dieser Studie werden die Hauptmerkmale von Meeressystemen anhand von Satellitenbeobachtungen beschrieben. Die CHL, die zur Darstellung der Meeresproduktion verwendet werden kann, wird als Indikatorfaktor ausgewählt. Faktoren im Zusammenhang mit der CHL-Variabilität wurden anhand monatlicher gemittelster Zeitreihen untersucht, z. B. SST, WS, WSC, FP und SLA. In dieser Studie werden drei kritische Schritte beschrieben: Erfassung von Satellitendaten für verschiedene Parameter, Beschreibung ihrer räumlichen und zeitlichen Variabilitäten über EOF und Bestimmung von Zusammenbeziehungen zwischen verschiedenen Faktoren durch Berechnung von Korrelationskoeffizienten. Ein detailliertes Verfahren, das die Identifizierung für die tägliche Frontalverteilung zeigt, die sich aus den SST-Beobachtungen ableitet, ist enthalten. Für die SST-Frontdetektion wurden zwei Hauptansätze entwickelt: die Gradientenmethode10,38 und die Histogrammmethode39,40. Die Histogrammmethode basiert auf einem ähnlichen Wertebereich für SST, der verwendet werden kann, um die Wassermassen in verschiedene Gruppen zu unterteilen. Die Pixel mit Werten zwischen verschiedenen Gruppen, die das Pixel in einem Übergangsband darstellen, werden als Fronten definiert. Andererseits trennt die Gradientenmethode mehrere relativ gleichmäßige Wasserkörper als Pixel mit großen Gradientenwerten. Eine Vergleichsstudie wurde durchgeführt, und sie fanden niedrigere Fehlraten mit der Histogramm-Methode und weniger verpasste Fronten mit der Gradientenmethode41. In dieser Studie wurde die gradientenbasierte Methode38 nach früheren Studien10,28angenommen. Der Algorithmus kann das Vorteilen in mehrere Kantenfragmente vermeiden, indem er die Magnitude auf eine Stufe unterhalb eines kleineren Schwellenwerts verringern kann. Neben dem hier enthaltenen Datensatz können auch andere Satellitenbeobachtungen, wie der Aerosolindex, mit einem ähnlichen Ansatz verwendet werden.

Die meisten Verfahren können direkt in anderen Regionen oder Datasets angewendet werden. Änderungen können vorgenommen werden, um die Schwelle der Fronterkennung zu ändern. Da der SST-Gradient im SCS mit dem Eastern Boundary Current System28vergleichbar ist, wurden für die aktuelle Studie die gleichen Schwellenwerte implementiert. Eine frühere Studie ergab, dass der SST-Gradient aus verschiedenen Datensätzen bis zu dreimal42variieren kann, was die Methode irgendwie weniger objektiv macht. Erhebliche Studien haben frontale Aktivitäten rund um die globalen Ozeane untersucht28,43. Der beste Ansatz zur Validierung von Fronten besteht darin, sie mit In-situ-Beobachtungen zu vergleichen. Yao44 beschrieb die monatliche Frontalverteilung für die SCS. Ihre Ergebnisse stimmten gut mit den In-situ-Messungen überein. Der Gesamtgradient sollte überprüft und angepasst werden, da sein Wert je nach räumlicher Auflösung und Instrumenten variieren kann. Insbesondere sollte der Schwellenwert aktualisiert werden, wenn ein anderes SST-Dataset verwendet wird. Ein grundlegendes Verständnis der regionalen Dynamik ist grundlegend für das Verständnis der Frontogenese45,46,47. Das Front-Erkennungsskript kann von einzelnen Autoren basierend auf der Beschreibung in diesem Papier entwickelt werden.

Satelliteninformationen bieten ein umfassendes Verständnis der Oberflächenmerkmale, und ein Ergebnisvergleich mit In-situ-Beobachtungen kann bei der Bewertung der Glaubwürdigkeit helfen. Satellitenbeobachtungen beschränken sich jedoch auf die Meeresoberfläche, was die Anwendung zum Verständnis der vertikalen Struktur der Wassersäule einschränkt. In einer aktuellen Studie zeigten Satellitenbeobachtungen, dass die Oberfläche CHL um das 15-fache zunahm, aber der vertikale integrierte Wert nur um das 2,5-fache48stieg. Dieser Unterschied war, weil der Oberflächenwert durch die Koeffekte des Phytoplanktonwachstums und der Veruntreuung von MLD beeinflusst wurde, was zu einem nicht realisierbaren Wert an der Oberfläche führte. Daher bietet das Oberflächenmerkmal möglicherweise keine genaue Beschreibung für die gesamte Wassersäule. Darüber hinaus begrenzt der Einfluss der Wolkenbedeckung die kontinuierliche Beobachtung von Satelliten. Daher werden monatliche Zeitreihen für verschiedene Faktoren in derselben Region und demselben Zeitraum berechnet. Dies wird die Glaubwürdigkeit der Berechnung der Korrelationen zwischen verschiedenen Faktoren garantieren. Die kurzfristigen Ereignisse, z. B. Taifune, die einige Tage bis zu einer Woche andauern, werden jedoch nicht gelöst.

Im Vergleich zu früheren Studien kann die vorgeschlagene Methode räumliche Informationen auf Pixelebene bieten, was dazu beitragen kann, die Dynamik detaillierter zu bewerten. Einige frühere Studien durchschnittlich die gesamte SCS als eine einzige Zahl und erhielt eine Zeitreihe. Sie fanden heraus, dass ein ungewöhnlich starkes WS und hohe SST anomal hohe CHL16induzieren können, was mit dem aktuellen Ergebnis übereinstimmt. Die räumliche Variation in den Beziehungen wurde jedoch nicht behoben. In dieser Studie war die Beckenkorrelation zwischen WS und CHL im anomalen Bereich schwach. Eine große signifikante Korrelation wurde nur für bestimmte Bereiche identifiziert, z. B. in der Mitte des SCS (Abbildung 9B). Somit bietet die aktuelle Methode eine umfassende Beschreibung zur Untersuchung räumlicher Variationen. In ähnlicher Weise wurden Beobachtungen von zwei Bio-Argo-Floats verwendet, die zeigten, dass WSC nicht mit der CHL-Variabilität20korrelierte. Die Flugbahnen der beiden Schwimmer befinden sich jedoch nur in bestimmten Regionen. In diesem Fall war es genau innerhalb des Bandes, wo die Korrelation zwischen dem CHL-Niveau und dem WSC nicht signifikant war (Abbildung 8D). Die vorgeschlagene Methode ist sehr hilfreich, um die räumliche Abhängigkeit zwischen Faktoren zu lösen, die ein grundlegendes Merkmal des globalen Ozeans ist.

Zusammenfassend lässt sich sagen, dass die hier verwendete Methode die räumliche Verteilung und zeitliche Variabilität in Ozeanoberflächen-Features mithilfe von Satellitenbeobachtungen genau beschreiben kann. Mit der zunehmenden Auflösung von Satellitendatensätzen können detailliertere Features identifiziert und untersucht werden, was ein allgemeines Verständnis regionaler Features ermöglicht, einschließlich CHL, SST und SSH. Die Korrelation monatlicher Zeitreihen zwischen verschiedenen Faktoren kann dazu beitragen, ihre dynamischen Beziehungen und potenziellen Auswirkungen auf ein Ökosystem zu verstehen49. Da die Korrelation an verschiedenen räumlichen Standorten stark variieren kann, bietet die vorgeschlagene Methode eine detaillierte und umfassende Beschreibung. Ein ähnlicher Ansatz kann auf jedes Meeresbecken weltweit angewendet werden, was sehr hilfreich sein wird, um das Verständnis der meeresdynamischen und Ökosysteme zu verbessern.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben nichts zu verraten.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Unterstützung aus dem National Key Research and Development Program of China (Nr. 2016YFC1401601), dem Postgraduate Research & Practice Innovation Program der Provinz Jiangsu (Nr. SJKY19_0415) unterstützt von den Fundamental Research Funds for the Central Universities (Nr. 2019B62814), der National Natural Science Foundation of China (Nr. 41890805, 41806026 und 41730536) und Joint Advanced Marine and Ecological Studies in the Bay of Bengal and the eastern äquatorial Indian Ocean. Die Autoren schätzen die Bereitstellung von Daten aus Quellen wie der National Aeronautics and Space Administration (NASA), dem European Centre for Medium-Range Weather Forecasts (ECMWF), dem Copernicus Marine and Environment Monitoring Service (CMEMS) und der National Oceanic and Atmospheric Administration (NOAA).

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
MatlabMathWorksMatlab R2016https://www.mathworks.com/products/matlab.html; bezieht sich auf Analysesoftware im Protokoll
MeeresoberflächenchlorophyllNASAMODISmg/mg3 (podaac-tools.jpl.nasa.gov)
MeeresoberflächenhöheAVISOAVISOMeter (www.aviso.altimetry.fr)
MeeresoberflächentemperaturNASAMODIS& Deg; C (podaac-tools.jpl.nasa.gov)
TopographieNOAANGDCMeter (maps.ngdc.noaa.gov/viewers/wcs-client/)
WindECMWFERA-interimm/s (www.ecmwf.int/en/forecasts/datasets)

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Satellitenbeobachtungenempirische orthogonalen FunktionenMeeresoberfl chentemperaturMeeresoberfl chenh heWindstressFrontenerkennungmonatlich gemittelte DatenKorrelationsanalyse

Verwandte Artikel