Article de méthode

Étudier les relations entre la chlorophylle de surface de la mer et les principales caractéristiques de la mer de Chine méridionale avec des informations satellitaires

7K vues

⸱

DOI :

10.3791/61172

⸱

13 juin 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

Dans cet article

Résumé

La chlorophylle de surface de la mer, la température, la hauteur du niveau de la mer, le vent et les données avant obtenues ou dérivées d’observations satellitaires offrent un moyen efficace de caractériser l’océan. Présentée est une méthode pour l’étude complète de ces données, y compris la moyenne globale, le cycle saisonnier et les analyses d’intercorrépendation, afin de bien comprendre la dynamique régionale et les écosystèmes.

Résumé

Les observations par satellite offrent une excellente approche pour étudier les caractéristiques des principaux paramètres marins, y compris la chlorophylle de surface de la mer (LCH), la température de surface de la mer (SST), la hauteur de la surface de la mer (SSH) et les facteurs dérivés de ces paramètres (p. ex., fronts). Cette étude montre une procédure étape par étape pour utiliser des observations satellitaires pour décrire les paramètres majeurs et leurs relations dans les champs saisonniers et anormaux. Cette méthode est illustrée à l’aide d’ensembles de données satellitaires de 2002 à 2017 qui ont été utilisés pour décrire les caractéristiques de surface de la mer de Chine méridionale (SCS). En raison de la couverture nuageuse, des données mensuelles moyennes ont été utilisées dans cette étude. La fonction orthogonale empirique (EOF) a été appliquée pour décrire la distribution spatiale et les variabilités temporelles de différents facteurs. Le vent de mousson domine la variabilité du bassin. Ainsi, le vent de l’ensemble de données de réanalyse a été utilisé pour étudier sa force motrice sur différents paramètres. La variabilité saisonnière de la LCH était importante et significativement corrélée avec d’autres facteurs dans la majorité du SCS. En hiver, une forte mousson du nord-est induit une couche mixte profonde et un niveau élevé de chlorophylle dans tout le bassin. Des coefficients de corrélation significatifs ont été trouvés parmi les facteurs au cycle saisonnier. En été, on a surtout constaté des niveaux élevés de LCH dans le SCS de l’Ouest. Au lieu d’une dépendance saisonnière, la région était très dynamique, et les facteurs se corrélés de façon significative dans les champs anormaux de sorte que des niveaux anormalement élevés de LCH aient été associés à des vents anormalement forts et à des activités frontales intenses. L’étude présente une procédure étape par étape pour utiliser les observations par satellite pour décrire les paramètres majeurs et leurs relations dans les domaines saisonniers et anormaux. La méthode peut être appliquée à d’autres océans mondiaux et sera utile pour comprendre la dynamique marine.

Introduction

La technologie de télédétection offre d’excellents ensembles de données avec de grandes échelles spatiales et de longues périodes pour décrire les environnements marins. Avec la résolution spatiale croissante des satellites, les caractéristiques détaillées sont maintenant résolues de l’échelle régionale à quelques centaines demètres 1,2. Une meilleure compréhension de la dynamique marine peut être obtenue grâce à la plupart des observations satellitaires mises àjour 3.

En intégrant plusieurs capteurs sur une plate-forme de télédétection, une description complète des différents paramètres est possible. La température de surface de la mer (SST) est le paramètre de base observé depuis plus d’undemi-siècle 4. Récemment, des observations sur la chlorophylle de surface de la mer a (LCH) sont devenues disponibles et peuvent être utilisées pour décrire la productivité marine5. Les satellites d’altimétrie sont utilisés pour mesurer la hauteur de surface de lamer 6,7, ce qui est fortement lié aux activités de remous mésométriques dans l’océan global8,9. En plus des tourbillons, les activités frontales sont également importantes pour avoir un impact sur la dynamique régionale et la productionprimaire 10.

L’objectif principal de l’étude actuelle est de trouver une procédure standard pour décrire la distribution spatiale et les variabilités temporelles des différents facteurs océaniques. Dans cette méthode, les données SST, CHL, SSH et front, qui sont dérivées des gradients SST, sont analysées pour déterminer les modèles. En particulier, le LCH est utilisé pour représenter la productivité de l’océan, et une méthode est introduite pour étudier la relation entre la LCH et d’autres paramètres océaniques. Pour valider la méthode, la période comprise entre octobre 2002 et septembre 2017 en mer de Chine méridionale a été utilisée pour examiner tous les paramètres. La méthode peut être facilement utilisée pour d’autres régions du monde pour capturer les principaux modèles océaniques et explorer l’impact de la dynamique marine sur l’écosystème.

La mer de Chine méridionale (SCS) a été désignée région d’étude en raison de son taux de couverture relativement élevé d’observations par satellite. Le SCS est abondant en rayonnement solaire; ainsi, la LCH est principalement déterminée par la disponibilité desnutriments 11,12. Avec plus d’éléments nutritifs transportés dans la couche euphotique, les niveaux de LCH peuventaugmenter de 13. Le mélange, induit par le vent, peut introduire des nutriments à la surface de l’océan et améliorer laLCH 14. Le SCS est particulièrement dominé par un système éolien de mousson, qui détermine la dynamique et l’écosystème de la région. Le vent de mousson est plus fort pendantl’hiver 15. En été, les vents changent de direction et les vitesses du vent sont beaucoup plus faibles que celles del’hiver 16,17. L’intensité du vent peut déterminer la force du mélange vertical, de sorte que la profondeur de la couche mixte (MLD) s’approfondit à mesure que le vent augmente en hiver et devient moins profonde à mesure que le vent diminue àl’été 18. Ainsi, plus de nutriments sont transportés dans la couche euphotique pendant l’hiver lorsque le ventest fort 19 et CHL atteint son point culminant del’année 20,21.

En plus du vent, le MLD peut également être déterminé à l’aide d’autres facteurs, tels que le TSS et les anomalies du niveau de la mer (ALD), qui ont finalement un impact sur la teneur en éléments nutritifs et laLCH 22. Pendant l’hiver, le faible gradient vertical est associé à de basses températures à la surface20. Le MLD correspondant est profond et plus de nutriments peuvent être transportés vers le haut; ainsi, le CHL dans la couche superficielle est élevé17. Une variation croissante des niveaux de LCH peut être attribuée aux tourbillons mésoscales, qui induisent le transport vertical etmélangent 23. Le gonflement se trouve habituellement dans les tourbillons cycloniques associés aux ALdéprimés 8,9 et aux concentrations élevées de LCH24. Downwelling se trouve habituellement dans les tourbillons anticycloniques associés à des ALélevés 8,9 et des concentrations déprimées de LCH24. Pour les autres saisons, le MLD devient peu profond, et le mélange devient faible; ainsi, on peut observer une faible LCH sur la majorité du bassin25. Les cycles saisonniers des niveaux de LCH sont par la suite prédominants pour larégion 26.

En plus du mélange, les façades et la remontée côtière associée peuvent moduler davantage la LCH. Le front, qui est défini comme une limite de différentes masses d’eau, est important pour déterminer la circulation régionale et les réponses écosystémiques27. La frontogenèse est généralement associée à la remontée côtière et à la convergence28,29, qui peuvent induire des éléments nutritifs et élever la croissance du phytoplancton30. Différents algorithmes ont été développés pour identifier automatiquement les fronts à partir d’observations satellitaires, y compris les méthodes d’histogramme et de gradient SST. Cette dernière approche est adoptée dans cette étude28.

La corrélation des séries chelli temps entre la LCH et différents facteurs offre d’excellentes perspectives pour quantifier leur relation. La présente étude offre une description complète de la façon d’utiliser les observations satellitaires pour révéler la dynamique marine régionale liée à la productivité. Cette description peut servir de guide pour étudier les processus de surface dans n’importe quelle partie de l’océan. La structure de cet article comprend un protocole étape par étape, suivi de résultats descriptifs dans le texte et les chiffres. L’applicabilité en plus des avantages et des inconvénients de la méthode sont ensuite discutés.

Protocole

1. Acquisition de Dataset

  1. TVS et LCH
    1. Téléchargez un ensemble de données d’observations satellitaires pour SST et CHL à partir de MODIS-Aqua (podaac-tools.jpl.nasa.gov/), où la résolution spatiale des deux ensembles de données est d’environ 4,5 km à intervalles quotidiens.
      REMARQUE : Structurez les répertoires et les données en suivant l’exemple du dossier scripts disponible dans les fichiers complémentaires. Stockez les fichiers .nc des données satellitaires dans le dossier « Données ». Ajouter le chemin d’accès à la boîte à outils NetCDF dans le logiciel d’analyse (c.-à-d. MATLAB). Sélectionnez Ajouter avec des sous-folders pour enfermer les chemins du dossier 'UTILITIES' et de ses sous-folders.
    2. Déterminez le laps de temps. Pour maintenir la cohérence entre les différents ensembles de données, utilisez le même laps de temps pour tous les paramètres. Ajustez la durée en fonction de la couverture temporelle et utilisez la plus longue période d’observation entre différents ensembles de données. Pour ce protocole, téléchargez 15 ans de données d’octobre 2002 à septembre 2017.
    3. Déterminez la couverture spatiale.
      REMARQUE : La région d’étude conçue se situe entre 105 °E et 123 °E et entre 0 ° et 25 °N.
    4. Vérifiez les instructions de prétraitement. Lisez les instructions dans les fichiers .nc concernant les exigences de prétraitement des données du TSS et de la LCH (p. ex., si l’échelle est nécessaire).
      REMARQUE : L’ensemble de données téléchargés exclut déjà les données sur terre et à moins de 5 km du littoral, ainsi que celles contaminées par les nuages.
    5. Chargez les données SST et CHL dans le logiciel d’analyse. Tapez Read_MODIS_SST dans la fenêtre de commande pour lire les données SST. De même, tapez Read_MODIS_CHL dans la fenêtre de commande pour lire les données de la LCH. Transformez les données de la LCH de façon logarithmique parce qu’elles ont une distribution log-normale31.
      REMARQUE : Les variables chargées incluent le TSS et le LCH en trois dimensions, représentant l’emplacement méridien, l’emplacement zonal et l’heure en jours, respectivement. La gamme des SST se situe entre -2 et 44, et la plage de CHL se situe entre 0,01 et 20.
  2. Anomalie du niveau de la mer (ALS)
    1. Téléchargez quotidiennement les données SLA avec une résolution spatiale de 25 km de 2002 à 201732.
      REMARQUE : Les AL décrivent la différence entre les hauteurs observées à la surface de la mer et la hauteur moyenne de la surface de la mer sur 20 ans (1993−2012) pour un pixel correspondant. Les données de l’ALS sont traitées par SSALTO/DUACS et distribuées par archivage, validation et interprétation des données océanographiques par satellite (AVISO, https://www.aviso.altimetry.fr).
    2. Chargez les données dans le logiciel d’analyse. Chargez les données SLA d’une journée en tapant Read_SLA dans la fenêtre de commande.
      REMARQUE : Le dossier « Données » dans les fichiers supplémentaires ne comprend qu’un seul exemple de datum dans le script pour l’illustration.
  3. Vitesse du vent
    1. Obtenez les informations sur le vent à partir d’un produit de réanalyse era-interim, qui est un ensemble mondial de données de réanalyse atmosphérique développé par l’European Center for Medium-Range Weather Forecasts (ECMWF)33. Téléchargez les données sur le vent pour la même période (octobre 2002-septembre 2017) afin de maintenir la cohérence avec les données de la LCH et du TSS.
      REMARQUE : L’ensemble de données sur le vent a une résolution spatiale d’environ 25 km et a été interpolé à partir de l’ensemble de données d’origine avec une résolution spatiale d’environ 0,7 °.
    2. Chargez les données dans le logiciel d’analyse. Tapez Read_WindVector dans la fenêtre de commande pour lire les données de vent d’un mois. Calculez la moyenne mensuelle en faisant la moyenne des données d’origine, qui sont à intervalles de 6 h.
  4. Topographie
    1. Téléchargez les données de topographie haute résolution du site Web des Centres nationaux d’information environnementale (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). La résolution spatiale est d’environ 2 km. Obtenez les données ETOPO1 pour le substrat rocheux au format XYZ pour la région d’étude sélectionnée.
    2. Chargez les données dans le logiciel d’analyse. Tapez Read_topography la fenêtre de commande pour charger les données de topographie dans le logiciel d’analyse.

2. Prétraitement des données

  1. Moyenne temporelle
    1. En raison de la grande couverture nuageuse des données SST et CHL, remplacez les données originales par des données moyennes sur 3 jours. Pour ce faire, après avoir exécuté les scripts Read_MODIS_SST.m et Read_MODIS_CHL.m (étape 1.1.5), tapez Temporal_average dans la fenêtre de commande pour exécuter le script.
  2. Interpolation dans la même grille
    1. Étant donné que la résolution spatiale n’est pas uniforme pour différents ensembles de données, interpolez les données SST et CHL dans une grille spatiale identique à celle du vent et de la grille spatiale SLA avant de faire des comparaisons. Après avoir exécuté les Temporal_average.m et Read_WindVector.m scripts, tapez Interpolation_grid dans la fenêtre de commande pour exécuter le script.
  3. Le stress du vent et le vent s’enroulent
    1. Tapez Wind_stress_curl la fenêtre de commande pour calculer le stress du vent (WS) et la courbure de stress du vent (WSC) à l’aide des équations suivantes :
      figure-protocol-1
      figure-protocol-2
      où figure-protocol-3 est le vecteur de vitesse du vent; est le WS dans la même direction que le vecteur du figure-protocol-4 vent; et sont les figure-protocol-5 figure-protocol-6 WS dans les directions est et nord, respectivement; figure-protocol-7 est la densité de l’air (égale à 1,2 kg/m3); et C est le coefficient de traînée (une valeur de 0,0015 est utilisé) dans des conditions de stabilité neutre34.
  4. Moyennes mensuelles
    1. Calculez les séries de temps mensuelles SST, wind et SLA comme des moyennes de 30 jours dans chaque pixel en tapant Monthly_average pour exécuter le script. En raison du taux élevé de couverture nuageuse, utilisez une moyenne de 60 jours comme série de temps mensuelle pour la LCH, y compris 30 jours avant à 30 joursaprès le 15e jour du mois.

3. Détection avant SST

  1. Lissage spatial
    1. Tapez Spatial_smoothing pour exécuter le script pour faire la moyenne des données SST de trois jours dans chaque pixel.
      REMARQUE : Une grande quantité de bruit a été identifiée dans les données du TSS. Ainsi, les données ont été lissées avec une moyenne spatiale de 3 x 3. Lorsqu’aucune donnée n’était disponible dans les données moyennes initiales sur 3 jours, les données moyennes spatiales ont été définies comme indisponibles.
  2. Gradient SST
    1. Tapez SST_gradient pour exécuter le script pour calculer les gradients zonaux et méridionaux SST (c.-à-Gx et Gy ,respectivement)comme la différence SST entre les deux pixels les plus proches divisés par la distance correspondante par équation (3). Utilisez le vecteur de gradient obtenu pour calculer le gradient total, G, comme équation scalaire suivante (4).
      figure-protocol-8
      figure-protocol-9
  3. Maximum local
    1. Identifiez un front en testant une valeur de gradient SST : étiquetez un pixel comme un pixel frontal potentiel si la valeur est supérieure à un seuil désigné. Ne maintenez le pixel maximum local dans la même direction perpendiculaire à la direction de gradient que s’il y a des pixels connectés avec des valeurs plus grandes que le seuil. Ici, définissez le seuil comme 0.035 °C/km suivant les anciennes études10,28.
      REMARQUE : Le script correspondant 'Local_maximum.m' est disponible dans les fichiers supplémentaires.
  4. Probabilité frontale mensuelle (FP)
    REMARQUE : La probabilité frontale (FP) décrit la probabilité d’observer un front.
    1. Calculez le FP pendant une certaine période de temps (dans ce cas, un intervalle mensuel), en tapant Monthly_FP pour exécuter le script. Divisez l’occurrence des fronts à chaque pixel pendant une fenêtre de temps par le nombre de jours qui sont exempts de nuages.

4. Variabilité spatiale et temporelle

  1. Cycle saisonnier
    1. Calculer les cycles saisonniers des différents facteurs en tant que moyennes de différentes saisons. Définissez les saisons comme suit : l’hiver est de décembre à février, le printemps de mars à mai, l’été de juin à août et l’automne de septembre à novembre.
      REMARQUE : Le cycle saisonnier n’est pas indiqué dans cette étude; la méthode suivante est utilisée pour expliquer la variabilité spatiale et temporelle à la place.
  2. Fonction orthogonale empirique (EOF)
    1. Supprimez la moyenne temporelle et les pixels indisponibles. Avant d’effectuer l’EOF, soustrayez la moyenne globale à chaque pixel et excluez les emplacements où les observations manquantes dépassent 20 % en raison de la couverture nuageuse. Chargez les données en tapant la charge ('Monthly_data_for_EOF.mat') dans la fenêtre de commande.
    2. Appliquez un EOF pour décrire les variabilités spatiales et temporelles des différents paramètres. Tapez Empirical_orthogonal_function.m pour exécuter le script pour calculer la magnitude (Mag), les eigenvalues (Eig) et l’amplitude (Amp) des EOF pour l’ensemble de données (c.-à-d. séries châbées de SST moyenne mensuelle, stress éolien, courbure de stress du vent, CHL et FP).
      REMARQUE : La fonction décompose la série temporelle mensuelle en différents modes, qui sont composés de modèles spatiaux et temporels et la variance expliquée par chaque mode diminue avec l’augmentation du nombre de modes.

5. Intercorrépendation

  1. Corrélation à l’échelle saisonnière
    1. Calculez les corrélations entre deux facteurs à l’aide de leur série de temps à chaque pixel en tapant Seasonal_correlation pour exécuter le script. Étant donné que le cycle saisonnier n’est pas supprimé, vérifiez l’importance de la corrélation pour toutes les corrélations.
  2. Corrélation d’un champ anormal
    1. Calculer les corrélations entre les anomalies mensuelles de la LCH et d’autres facteurs, comme le TSS, le SS, les fronts et les AL. Obtenez les anomalies mensuelles (c.-à-d. l’écart par rapport à l’état moyen) en soustrayant la moyenne globale pour un mois correspondant de la série de temps mensuelle. Tapez Anomalous_correlation pour exécuter le script et obtenir les corrélations.

6. Affichage de l’information et calcul des relations

  1. Affichez des informations satellitaires.
    1. Tapez Sat_SCS_Fig3457 pour exécuter le script afin de générer une vitrine d’informations satellitaires, y compris la TVS, la LCH et les distributions frontales. Définissez le dossier actuel sous forme de « scripts » où se trouvent les données Sat_SCS_data.mat ».
      REMARQUE : Figure 1, figure 2, figure 3et figure 4 montrent la TVS, la LCH, les façades, le vent et la topographie pour la date choisie à titre d’exemple.
  2. Affichez le résultat EOF en tapant Sat_SCS_Fig890.m pour exécuter le script.
    REMARQUE : La figure 5, la figure 6 etla figure 7 décrivent respectivement l’ampleur spatiale, la moyenne mensuelle et les séries ch/à terme des deux premiers modes pour la LCH, le TSS et les fronts.
  3. Calculez la relation entre la LCH et d’autres facteurs à des échelles saisonnières et pour les champs anormaux en tapant Sat_SCS_Fig1112.m pour exécuter le script. Obtenez la carte de corrélation pour les variabilités saisonnières (figure 8) et les anomalies (figure 9).

Résultats

Les modèles spatiaux et temporels de la LCH de surface de la mer dans le SCS ont été décrits à l’aide d’observations satellitaires. L’information satellitaire pour la LCH (figure 1A) et la TVS (figure 1B) peut être contaminée par la couverture nuageuse, ce qui fait qu’une grande partie des données ne sont pas utilisables. Les données sur le vent réanalysé(figure 1C)et l’ALS(figure 1D)n’ont pas été touchées par les nuages quotidiens. La topographie (figure 1E) a eu un impact important sur la distribution spatiale de la LCH. La LCH élevée a été principalement distribuée le long de la côte, où la topographie est peu profonde. Le vent a également été influencé par l’orographie, et le côté sous le vent des montagnes a été caractérisé par un vent faible; ainsi, un important CSM a été identifié au sud-ouest du SCS. En revanche, les AL ne dépendaient pas beaucoup de la topographie, et une région d’AL anormalement élevée a été trouvée dans le bassin du SCS.

figure-results-1
Figure 1 : Observations originales pour les principaux paramètres le 15 avril 2015.
(A) Chlorophylle de surface de la mer (LCH), (B) température de surface de la mer (SST), (C) courbure de stress du vent (WSC, ombrage) avec stress du vent (WS, vecteur), (D) anomalie de surface de la mer, et (E) topographie pour le bassin océanique. S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

En raison de l’impact des nuages graves sur les observations par satellite, beaucoup de données n’étaient pas disponibles ou spatialement incohérentes. Une méthode efficace et efficace a été appliquée pour combler certaines lacunes en matière de données et lisser le champ. Les données ont d’abord été remplacées par une moyenne de 3 jours à chaque pixel, ce qui peut effectivement combler certaines lacunes parce que les nuages varient quotidiennement (figure 2B). Une moyenne spatiale a été appliquée à chaque pixel de telle sorte que les données ont été remplacées par la moyenne des valeurs environnantes (3 x 3 pixels). Ainsi, l’incohérence spatiale a été considérablement réduite (Figure 2C).

figure-results-2
Figure 2 : TVS pour une seule journée le 15 avril 2015.
(A) SST original de MODIS, (B) trois jours moyenne SST, et (C) SST après lissage spatial. S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

La distribution quotidienne des fronts SST provient des gradients SST (Figure 3A). Les seuils appliqués ici ont effectivement capturé l’emplacement de l’avant (figure 3B) et ont assuré la représentation des limites des masses d’eau entières (figure 3C). Les pentes et les avants étaient presque identiques parce que l’avant était principalement obtenu à partir du gradient.

figure-results-3
Figure 3 : Procédure de détection avant dérivée du TSS.
(A) Magnitude du gradient SST, (B) la distribution des fronts SST en fines lignes noires, et (C) distribution avant basée sur les gradients SST correspondants. S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

En raison de la couverture nuageuse dans la LCH, le TSS et les données de façade, les séries ch/temps moyennes mensuelles ont été calculées et appliquées dans cette étude. Un exemple aléatoire est indiqué à la figure 4 pour le mois d’avril 2015. Il n’y avait pas d’écart existant pour aucun des paramètres. Les modèles généraux pour différents paramètres étaient très cohérents en ce qui concerne leur variance spatiale. Par exemple, la LCH était haute près de la côte et basse dans le bassin central, tandis que la TVS était faible près de la côte et élevée dans le bassin central. La moyenne mensuelle offrait des renseignements complets pour décrire les caractéristiques régionales. Les fronts étaient principalement répartis le long de la côte, où la dynamique est complexe. Une grande partie du bassin était exempte de fronts; ainsi, le centre du SCS a été caractérisé par une valeur proche de zéro (Figure 4E).

figure-results-4
Figure 4 : Moyenne mensuelle des principaux paramètres en avril 2015.
(A) CHL (à l’échelle logarithm), (B) SST, (C) WSC (ombrage) avec WS (vecteur), (D) anomalie de surface de la mer, et (E) probabilité frontale (FP). S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

La plupart des caractéristiques de surface ont été caractérisées par une variabilité saisonnière importante, qui a été clairement observée à l’aide des FEO. L’EOF est une méthode mathématique utile qui est largement utilisée dans les sciences atmosphériques et marines. La méthode peut délimifier les modèles spatiaux et les signaux temporels des séries temporelles sur les domaines spatiaux28. Après la décomposition spatiotemporale pour les caractéristiques de surface de la mer dans le SCS, les deux premiers modes sont généralement nécessaires pour décrire les variabilités spatiales et temporelles. Les deux premiers EOFs pour CHL ont décrit 44% et 12% de la variance totale, respectivement. EOF1 a capturé une grande variance dans la partie nord du SCS (Figure 5A). La moyenne mensuelle correspondante de la série chréalité(figure 5C)a montré que la LCH était élevée pendant l’hiver et déprimée pendant l’été. La région à côté de la côte sud-ouest a été caractérisée par une faible magnitude, et la variabilité correspondante a été principalement capturée par EOF2 (figure 5B). Les valeurs de la LCH étaient élevées en été et faibles en hiver. C’était principalement hors phase par rapport à la section nord. Les séries de temps mensuelles pour les FEEO ont montré une variabilité saisonnière claire, et EOF2 a mené EOF1 d’environ 4 mois(figure 5E).

figure-results-5
Figure 5 : L’EOF pour la LCH.
(A) Magnitude d’EOF1, (B) magnitude de EOF2, (C) mensuel série de temps moyenne pour EOF1, (D) série de temps mensuel moyen pour EOF2, et (E) séries de temps mensuels de EOF1 (noir) et EOF2 (bleu). S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

L’écart expliqué dans les deux premiers EOFs pour SST était en évidence élevé, égalant 91% et 5% pour EOF1 et EOF2, respectivement. Il est important de souligner que la moyenne globale doit être supprimée avant d’effectuer l’EOF; ainsi, le champ moyen a été exclu. EOF1 dominait la variance totale, et sa magnitude était la plus importante dans le SCS nord et diminuait vers le sud (figure 6A). La moyenne mensuelle correspondante de la série de temps (figure 6C) a montré que le TSS était élevé pendant l’été et déprimé pendant l’hiver. Le SCS sud a été caractérisé par une faible magnitude, attribuée à des températures élevées persistantes aux basses latitudes. La variabilité de la section sud a été principalement capturée par EOF2 (figure 6B). Le TSS correspondant a été amélioré entre mars et juin, tandis que les faibles valeurs ont persisté au cours des mois restants. Un réchauffement important s’est produit en 2010 et 2016, où le TSS au large des côtes au sud-ouest du SCS était beaucoup plus élevé que celui des autres années (figure 6E). Cette variabilité interannuelle est principalement attribuée aux événements d’El Niño qui réduisent la mousson estivale du sud-ouest et entraînent une faible remontéed’eau de 12. Étant donné que la variabilité saisonnière est au cœur de l’étude actuelle, cette caractéristique n’est pas examinée plus avant.

figure-results-6
Figure 6 : L’EOF pour la TVS.
(A) Magnitude d’EOF1, (B) magnitude de EOF2, (C) mensuel série de temps moyenne pour EOF1, (D) mensuel série de temps moyenne pour EOF2, et (E) séries de temps mensuels de EOF1 (noir) et EOF2 (bleu). S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

En raison de la nature bruyante du gradient, l’avant dérivé expliquait beaucoup moins la variance. En effet, EOF1 et EOF2 de FP n’ont expliqué que 19% et 9% de la variance totale, respectivement. EOF1 a capturé les variances dans le SCS nord et nord-est (Figure 7A). La moyenne mensuelle correspondante de la série de temps (figure 7C) a montré que dans ces régions, plus de FP s’est produit pendant l’hiver et moins pendant l’été. La phase au large de la côte au sud-ouest du SCS était le contraire, bien que la variabilité correspondante ait été beaucoup moins importante. EOF2 a capturé l’amélioration printanière de FP (Figure 7D) dans le SCS ouest (Figure 7B). Les séries de temps mensuelles d’EOF1 et d’EOF2 ont été caractérisées par une faible variabilité interannuelle.

figure-results-7
Figure 7 : L’EOF pour FP.
(A) Magnitude d’EOF1, (B) magnitude de EOF2, (C) mensuel série de temps moyenne pour EOF1, (D) mensuel série de temps moyenne pour EOF2, et (E) séries de temps mensuels de EOF1 (noir) et EOF2 (bleu). S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

Différents facteurs ont été étudiés pour leurs relations avec la LCH( figure 8). Par exemple, le TSS peut être utilisé pour comprendre les caractéristiques fondamentales de l’océan qui peuvent influencer le taux de croissance du phytoplancton et avoir par la suite un impact sur la LCH. Pour la majorité de la SCS, il y avait des corrélations élevées entre le TSS et la LCH (figure 8A), et la plupart des corrélations ont atteint plus de -0,8. Il est important de souligner qu’une forte corrélation n’indique pas le lien de causalité entre ces deux facteurs. Comme SST a atteint son maximum annuel en été, le MLD est devenu moins profond21. Les nutriments fournis à la couche euphotique étaient faibles parce que le mélange vertical était bloqué par stratification intensive13. Par conséquent, de faibles nutriments ont limité le taux de croissance du phytoplancton et ont entraîné une faible teneur en LCH. En revanche, le CHL élevé s’est produit en hiver quand le MLD était plus profond, et le faible SST a induit la stratification faible35.

figure-results-8
Figure 8 : Corrélations entre la LCH et d’autres facteurs à l’échelle saisonnière.
(A) SST, (B) WS, (C) WSC, (D) FP, et (E) SLA. La couleur grise indique que la corrélation n’est pas significative. Les variables moyennes spatiales sont calculées en fonction de la boîte verte du panneau A. Leurs séries de temps sont utilisées pour obtenir les coefficients de corrélation dans le tableau 1. Ce chiffre a été modifié à partir de Yu et coll.17. S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

Le mélange entraîné par le vent peut être mesuré approximativement par WS et a été utilisé pour décrire le mélange vertical18. D’importants coefficients de corrélation, d’une valeur d’environ 0,8, ont été identifiés entre les niveaux de WS et de LCH au nord du SCS(figure 8B), particulièrementdans les régions où le vent d’hiver est le plus fort situé sur le plateau nord du SCS. Des corrélations faibles mais significatives ont été trouvées au sud. Les corrélations entre le CSM et la LCH étaient significatives dans la majorité de la SCS (figure 8C), bien qu’elles aient montré des tendances opposées dans le nord et le sud. Un coefficient de corrélation positif entre la LCH et le CSM a été identifié au sud, avec des valeurs négatives dans le nord. La corrélation dans la région entre eux n’était pas significative. On a constaté que le WS et le LCH étaient fortement corrélés dans la région correspondante où le SM d’hiver était le plus important.

Les fronts peuvent également induire la variabilité de la LCH. Une grande corrélation a été trouvée dans le nord-est et le sud-ouest du SCS( Figure 8D). La LCH a augmenté à mesure que les activités frontales devenaientplus actives 36. L’ALS a montré une corrélation négative significative avec la LCH du SCS nord-est vers le sud-ouest et une corrélation positive le long de la côte ouest du SCS (figure 8E). Il est intéressant de noter que les corrélations positives ont été limitées à la région avec une topographie peu profonde.

Au nord-est du SCS, toutes les corrélations étaient importantes (figure 8). Ainsi, les corrélations des séries châmiques mensuelles entre la LCH et d’autres paramètres ont été calculées à l’aide de la moyenne spatiale dans une boîte désignée (figure 8A), et la plupart des facteurs étaient intercorrelés avec des corrélations significatives (section en haut à droite du tableau 1). Étant donné que le cycle saisonnier dominait les séries de temps, la corrélation n’était plus valide après avoir supprimé la moyenne mensuelle (section inférieure gauche du tableau 1).

Chl-a (Chl-a)SstWsWscFpSla
Chl-a (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

Tableau 1 : Coefficients de corrélation de la série de temps entre les facteurs situés au nord-est du SCS, p. ex., SST (température de surface de la mer), FP (probabilité frontale), WSC (courbure de stress du vent) et WS (stress éolien), à l’aide de la boîte indiquée à la figure 8A. Les moyennes mensuelles et les anomalies sont indiquées dans la section supérieure droite et la section inférieure gauche, respectivement. Les chiffres en gras et en italique indiquent que la corrélation ne répond pas au niveau de confiance de 95 %. Le tableau a été modifié à partir de Yu et coll.17.

Les corrélations dans le cycle saisonnier n’étaient pas significatives pour certaines régions, comme le sud-ouest du SCS (figure 8). La région est dominée par des processus dynamiques (p. ex., remontée d’eau et transport extracôtier induit par le vent) qui déterminent la variabilité de laLCH 17. Une corrélation significative entre la LCH et d’autres facteurs (p. ex., SST, WS, fronts et WSC) a été identifiée dans des champs anormaux (figure 9). Les anomalies ont été calculées pour la série de temps mensuelle en supprimant la moyenne mensuelle correspondante. Le nombre effectif de degrés de liberté pourrait être augmenté, mais des études antérieures ont montré qu’il n’a pas d’impact sur les relations sous-jacentes entre leurs sériesde temps 28,37.

figure-results-9
Figure 9 : Corrélation entre la LCH et d’autres facteurs dans les champs anormaux.
(A) SST, (B) WS, (C) WSC, (D) FP, et (E) SLA. La couleur grise indique que la corrélation n’est pas significative. Les variables moyennes spatiales sont calculées en fonction de la boîte verte du panneau A. Les séries de temps sont utilisées pour obtenir les coefficients de corrélation indiqués dans le tableau 2. Ce chiffre a été modifié à partir de Yu et coll.17. S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

Dans les champs anormaux, la LCH et le TSS ont été significativement corrélés dans la majorité des SCS (figure 9A). Lorsque les TSS étaient exceptionnellement élevés, la LCH est devenue exceptionnellement faible, et vice versa. De même, un CSM et des fronts exceptionnellement élevés au sud-ouest du SCS ont induit des niveaux élevés de LCH, et vice versa (figure 9C, 9D). De plus, une corrélation négative a été trouvée entre les AL et les niveaux de LCH (figure 9E). Différents retards ont été testés, et la corrélation n’est devenue significative que si aucun retard n’était utilisé. Ainsi, la LCH a été simultanément affectée par des anomalies dans le TSS, le CSM et les fronts, ainsi que par l’ALS. Leur relation a fait l’objet d’une étude plus approfondie à l’aide de la série de temps mensuelles moyenne spatiale au sud-ouest du SCS, désignée comme boîte verte à la figure 9A. Les résultats montrent que la plupart des facteurs étaient intercorrelés avec des corrélations significatives dans le domaine anormal (section inférieure gauche du tableau 2).

Chl-a (Chl-a)SstWsWscFpSla
Chl-a (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

Tableau 2 : Coefficients de corrélation de la série de temps entre facteurs, situés au sud-ouest du SCS, p. ex., TSS (température de surface de la mer), FP (probabilité frontale), WSC (courbure de stress du vent) et WS (stress éolien), à l’aide de la boîte indiquée à la figure 9A. La moyenne mensuelle et les anomalies sont indiquées dans la section supérieure droite et la section inférieure gauche, respectivement. Les chiffres en gras et en italique indiquent que la corrélation ne répond pas au niveau de confiance de 95 %. Le tableau a été modifié à partir de Yu et coll.17.

Fichiers supplémentaires. S’il vous plaît cliquez ici pour télécharger ce fichier. 

Discussion

Dans cette étude, les principales caractéristiques des systèmes marins sont décrites à l’aide d’observations par satellite. Le LCH, qui peut être utilisé pour représenter la production océanique, est choisi comme facteur indicateur. Des facteurs liés à la variabilité de la LCH ont été étudiés à l’aide de séries ch/temps moyennes mensuelles, p. ex., SST, WS, WSC, FP et SLA. Trois étapes critiques sont décrites dans cette étude : l’acquisition de données satellitaires pour différents paramètres, la description de leurs variabilités spatiales et temporelles par l’intermédiaire de l’EOF, et la détermination des interrelations entre différents facteurs en calculant les coefficients de corrélation. Une procédure détaillée montrant l’identification pour la distribution frontale quotidienne, qui est dérivée des observations de SST, est incluse. Deux approches majeures ont été développées pour la détection avant SST : la méthode de gradient10,38 et la méthode d’histogramme39,40. La méthode de l’histogramme est basée sur une gamme similaire de valeurs pour SST, qui peut être utilisé pour diviser les masses d’eau en différents groupes. Les pixels avec des valeurs entre les différents groupes représentant le pixel dans une bande de transition sont définis comme des fronts. D’autre part, la méthode de gradient sépare plusieurs plans d’eau relativement uniformes en tant que pixels avec de grandes valeurs de gradient. Une étude de comparaison a été menée, et ils ont trouvé des taux faux inférieurs utilisant la méthode d’histogramme et moins de fronts manqués utilisant la méthode de gradient41. Dans cette étude, la méthode basée sur le gradient38 a été adoptée à la suite d’anciennesétudes 10,28. L’algorithme peut éviter la rupture avant en fragments de bord multiples en permettant à la magnitude de diminuer à un niveau inférieur à un seuil plus petit. En plus de l’ensemble de données inclus ici, d’autres observations satellitaires, telles que l’indice des aérosols, peuvent également être utilisées avec une approche similaire.

La plupart des procédures peuvent être appliquées directement dans d’autres régions ou ensembles de données. Des modifications peuvent avoir lieu pour modifier le seuil de détection avant. Étant donné que le gradient SST dans le SCS est comparable au système de courant frontalier de l’Est28,les mêmes seuils ont été mis en œuvre pour l’étude en cours. Une étude précédente a révélé que le gradient SST de différents ensembles de données peut varier jusqu’àtrois fois 42, ce qui rend la méthode en quelque sorte moins objective. Des études substantielles ont étudié les activités frontales autour des océansmondiaux 28,43. La meilleure approche pour valider les fronts est de les comparer avec des observations in situ. Yao44 a décrit la distribution frontale mensuelle pour le SCS. Leurs résultats étaient bien d’accord avec les mesures in situ. Le gradient global doit être vérifié et ajusté puisque sa valeur peut varier en fonction de la résolution spatiale et des instruments. En particulier, le seuil doit être mis à jour lorsqu’un autre ensemble de données SST est utilisé. Une compréhension de base de la dynamique régionale est fondamentale pour comprendre la frontogenèse45,46,47. Le script de détection avant peut être développé par des auteurs individuels sur la base de la description dans cet article.

L’information satellitaire offre une compréhension complète des caractéristiques de surface, et une comparaison des résultats avec des observations in situ peut aider à évaluer la crédibilité. Toutefois, les observations satellitaires se limitent à la surface de l’océan, ce qui limite l’application pour comprendre la structure verticale de la colonne d’eau. Dans une étude récente, les observations satellitaires ont révélé que la LCH de surface a augmenté de 15 fois, mais que la valeur verticale intégrée n’a augmenté que de 2,5fois 48. Cette différence s’explique par le fait que la valeur de surface a été affectée par les coeffects de la croissance du phytoplancton et du haut-fond du MLD, ce qui a donné lieu à une valeur irréalisable à la surface. Ainsi, la fonction de surface peut ne pas offrir une description précise pour l’ensemble de la colonne d’eau. En outre, l’influence de la couverture nuageuse limite les observations continues des satellites. Ainsi, les séries de temps mensuelles sont calculées pour différents facteurs sur la même région et la même période. Cela garantira la crédibilité du calcul des corrélations entre les différents facteurs. Toutefois, les événements de courte durée, par exemple les typhons qui durent de quelques jours à une semaine, ne seront pas résolus.

Par rapport aux études antérieures, la méthode proposée peut offrir des informations spatiales au niveau pixel, ce qui peut aider à évaluer la dynamique d’une manière plus détaillée. Certaines études antérieures ont fait la moyenne de l’ensemble du SCS en tant que nombre unique et ont obtenu une série de temps. Ils ont constaté qu’un WS exceptionnellement fort et un TSS élevé peuvent induire un CHL16 anormalementélevé, ce qui est conforme au résultat actuel. Cependant, la variation spatiale dans les relations n’a pas été résolue. Dans cette étude, la corrélation bassin-échelle entre WS et CHL était faible dans le domaine anormal. Une grande corrélation significative n’a été identifiée que pour certaines zones, par exemple, au centre du SCS (figure 9B). Ainsi, la méthode actuelle offre une description complète pour étudier les variations spatiales. De même, des observations de deux flotteurs Bio-Argo ont été utilisées et ont révélé que le CSM n’était pas en corrélation avec la variabilité de laLCH 20. Cependant, les trajectoires des deux flotteurs ne sont situées que dans certaines régions. En l’espèce, c’est exactement au sein de la bande que la corrélation entre le niveau de la LCH et le CSM n’était pas significative (figure 8D). La méthode proposée est très utile pour résoudre la dépendance spatiale entre les facteurs, qui est une caractéristique fondamentale de l’océan mondial.

En résumé, la méthode utilisée ici peut décrire avec précision la distribution spatiale et la variabilité temporelle des caractéristiques de surface de l’océan à l’aide d’observations satellitaires. Avec la résolution croissante des ensembles de données satellitaires, des fonctionnalités plus détaillées peuvent être identifiées et étudiées, ce qui permet une compréhension générale des caractéristiques régionales, y compris la LCH, la TVS et la SSH. La corrélation des séries de temps mensuelles entre différents facteurs peut aider à comprendre leurs relations dynamiques et leur impact potentiel sur unécosystème 49. Étant donné que la corrélation peut varier en grande partie à différents endroits spatiaux, la méthode proposée offre une description détaillée et complète. Une approche similaire peut être appliquée à n’importe quel bassin océanique dans le monde entier, ce qui sera grandement utile pour améliorer la compréhension de la dynamique marine et des écosystèmes.

Déclarations de divulgation

Les auteurs n’ont rien à divulguer.

Remerciements

Le soutien du National Key Research and Development Program of China (No. 2016YFC1401601), le Programme d’innovation en recherche et en pratique de troisième cycle de la province du Jiangsu (no. SJKY19_0415) soutenu par les Fonds de recherche fondamentale pour les universités centrales (n° 2019B62814), la National Natural Science Foundation of China (nos. 41890805, 41806026 et 41730536) et joint Advanced Marine and Ecological Studies dans le golfe du Bengale et l’est de l’océan Indien équatorial ont été grandement reconnus. Les auteurs apprécient la fourniture de données provenant de sources, dont la National Aeronautics and Space Administration (NASA), le Centre européen de prévisions météorologiques à moyen terme (ECMWF), le Copernicus Marine and Environment Monitoring Service (CMEMS) et la National Oceanic and Atmospheric Administration (NOAA).

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
MatlabMathWorksMatlab R2016https://www.mathworks.com/products/matlab.html ; fait référence à un logiciel d’analyse dans le protocole
Chlorophylle de surface de la merNASAMODISmg/mg3 (podaac-tools.jpl.nasa.gov)
Hauteur de la surface de la merAVISOAVISOmeter (www.aviso.altimetry.fr)
Température de surface de la merNASAMODIS& Deg; C (podaac-tools.jpl.nasa.gov)
TopographieNOAANGDC(maps.ngdc.noaa.gov/viewers/wcs-client/)
WindECMWFERA-interimm/s (www.ecmwf.int/en/forecasts/datasets)
Compteur

Références

  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).

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Observations satellitairesFonction orthogonale empiriqueTemp rature de surface de la merHauteur de la surface de la merContrainte du ventD tection frontaleDonn es moyennes mensuellesAnalyse de corr lation

Articles connexes