Artykuł metodologiczny

Badanie związku między chlorofilem na powierzchni morza a głównymi cechami Morza Południowochińskiego za pomocą informacji satelitarnych

DOI:

10.3791/61172

⸱

13 czerwca 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

W tym artykule

Podsumowanie

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

Chlorofil powierzchni morza, temperatura, wysokość poziomu morza, wiatr i dane frontowe uzyskane lub pochodzące z obserwacji satelitarnych oferują skuteczny sposób na scharakteryzowanie oceanu. Przedstawiono metodę kompleksowego badania tych danych, w tym ogólnej średniej, cyklu sezonowego i analiz korelacji, aby w pełni zrozumieć dynamikę regionalną i ekosystemy.

Streszczenie

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

Obserwacje satelitarne oferują doskonałe podejście do badania cech głównych parametrów morskich, w tym chlorofilu powierzchni morza (CHL), temperatury powierzchni morza (SST), wysokości powierzchni morza (SSH) oraz czynników wynikających z tych parametrów (np. frontów). Badanie to pokazuje krok po kroku procedurę wykorzystania obserwacji satelitarnych do opisania głównych parametrów i ich relacji w polach sezonowych i anomalnych. Metodę tę zilustrowano zestawami danych satelitarnych z lat 2002–2017, które posłużyły do opisania cech powierzchni Morza Południowochińskiego (SCS). Ze względu na zachmurzenie w tym badaniu wykorzystano uśrednione dane miesięczne. Empiryczna funkcja ortogonalna (EOF) została zastosowana do opisania rozkładu przestrzennego i zmienności czasowej różnych czynników. Wiatr monsunowy dominuje w zmienności dorzecza. W związku z tym wiatr ze zbioru danych reanalizy został wykorzystany do zbadania jego siły napędowej na różnych parametrach. Sezonowa zmienność CHL była znacząca i istotnie skorelowana z innymi czynnikami w większości SCS. Zimą silny monsun północno-wschodni indukuje głęboką warstwę mieszaną i wysoki poziom chlorofilu w całym basenie. Stwierdzono istotne współczynniki korelacji pomiędzy czynnikami w cyklu sezonowym. Latem wysokie poziomy CHL stwierdzono głównie w zachodnim SCS. Zamiast zależności sezonowej, region był bardzo dynamiczny, a czynniki istotnie korelowały w polach anomalnych, tak że niezwykle wysokie poziomy CHL były związane z nienormalnie silnymi wiatrami i intensywną aktywnością frontu. W pracy przedstawiono krok po kroku procedurę wykorzystania obserwacji satelitarnych do opisania głównych parametrów i ich zależności w polach sezonowych i anomalnych. Metoda ta może być zastosowana do innych oceanów na świecie i będzie pomocna w zrozumieniu dynamiki morskiej.

Wprowadzenie

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

Technologia teledetekcji oferuje wspaniałe zestawy danych o dużych skalach przestrzennych i długich okresach do opisu środowisk morskich. Wraz ze wzrostem rozdzielczości przestrzennej satelitów, szczegółowe obiekty są teraz rozpoznawane od skali regionalnej do kilkuset metrów1,2. Lepsze zrozumienie dynamiki morskiej można osiągnąć dzięki najbardziej aktualnym obserwacjom satelitarnym3.

Dzięki włączeniu wielu czujników do platformy teledetekcyjnej, możliwy jest kompleksowy opis różnych parametrów. Temperatura powierzchni morza (SST) to podstawowy parametr obserwowany od ponad pół wieku4. Ostatnio dostępne stały się obserwacje chlorofilu a (CHL) na powierzchni morza, które mogą być wykorzystane do opisania produktywności mórz5. Satelity wysokościowe są używane do pomiaru wysokości powierzchni morza6,7, co jest silnie związane z mezoskalową aktywnością wirów w globalnym oceanie8,9. Oprócz wirów, działania frontalne są również ważne dla wpływu na dynamikę regionalną i produkcję pierwotną10.

Głównym celem obecnego badania jest znalezienie standardowej procedury opisującej rozkład przestrzenny i czasowe zmienności różnych czynników oceanicznych. W tej metodzie SST, CHL, SSH i dane frontowe, które pochodzą z gradientów SST, są analizowane w celu określenia wzorców. W szczególności CHL jest używany do reprezentowania produktywności oceanu i wprowadzana jest metoda badania związku między CHL a innymi parametrami oceanu. Aby zweryfikować metodę, wykorzystano okres od października 2002 r. do września 2017 r. na Morzu Południowochińskim w celu zbadania wszystkich parametrów. Metodę tę można z łatwością zastosować w innych regionach na całym świecie w celu uchwycenia głównych wzorców oceanicznych i zbadania, w jaki sposób dynamika morska wpływa na ekosystem.

Morze Południowochińskie (SCS) zostało wyznaczone jako region badany ze względu na stosunkowo wysoki wskaźnik pokrycia obserwacjami satelitarnymi. SCS jest obfity w promieniowanie słoneczne; w związku z tym CHL zależy głównie od dostępności składników odżywczych11,12. Wraz z transportem większej ilości składników odżywczych do warstwy eufotowej, poziom CHL może wzrosnąć13. Mieszanie, wywołane przez wiatr, może wprowadzić składniki odżywcze na powierzchnię oceanu i wzmocnić CHL14. SCS jest wyjątkowo zdominowany przez monsunowy system wiatrów, który decyduje o dynamice i ekosystemie w regionie. Wiatr monsunowy jest najsilniejszy zimą15. Latem wiatry zmieniają kierunek, a prędkość wiatru jest znacznie mniejsza niż zimą16,17. Intensywność wiatru może określać siłę mieszania pionowego, tak że głębokość warstwy mieszanej (MLD) pogłębia się wraz ze wzrostem wiatru zimą i staje się płytsza, gdy wiatr słabnie latem18. W ten sposób więcej składników odżywczych jest transportowanych do warstwy eufotycznej zimą, kiedy wiatr jest silny19 i CHL osiąga najwyższy punkt w roku20,21.

Oprócz wiatru, MLD można również określić za pomocą innych czynników, takich jak SST i anomalie poziomu morza (SLA), które ostatecznie wpływają na zawartość składników odżywczych i CHL22. Zimą słaby gradient pionowy jest związany z niskimi temperaturami na powierzchni20. Odpowiedni MLD jest głęboki i więcej składników odżywczych może być transportowanych w górę; w związku z tym CHL w warstwie powierzchniowej to high17. Rosnące różnice w poziomach CHL można przypisać wirom mezoskalowym, które indukują transport pionowy i mieszanie23. Upwelling jest zwykle spotykany w wirach cyklonalnych związanych z obniżonymi SLAs8,9 i podwyższonymi stężeniami CHL24. Downwelling jest zwykle spotykany w wirach antycyklonalnych związanych z podwyższonymi SLAs8,9 i obniżonymi stężeniami CHL24. W innych porach roku MLD staje się płytki, a mieszanie słabe; w związku z tym niski CHL można zaobserwować na większości obszaru basenu25. Sezonowe cykle poziomów CHL są następnie dominujące dla regionu26.

Oprócz mieszania, fronty i związane z nimi upwellingi przybrzeżne mogą dodatkowo modulować CHL. Front, który jest zdefiniowany jako granica różnych mas wody, jest ważny dla określenia regionalnej cyrkulacji i reakcji ekosystemu27. Frontogeneza jest zwykle związana z upwellingiem i konwergencją przybrzeżną28,29, który może indukować składniki odżywcze i zwiększać wzrost fitoplanktonu30. Opracowano różne algorytmy automatycznej identyfikacji frontów na podstawie obserwacji satelitarnych, w tym metody histogramu i gradientu SST. To ostatnie podejście zostało przyjęte w tym badaniu28.

Korelacja szeregów czasowych między CHL a różnymi czynnikami dostarcza świetnych spostrzeżeń do ilościowego określenia ich związku. Obecne badanie zawiera obszerny opis tego, w jaki sposób można wykorzystać obserwacje satelitarne do ujawnienia regionalnej dynamiki mórz związanej z produktywnością. Opis ten może być wykorzystany jako przewodnik do badania procesów powierzchniowych w dowolnej części oceanu. Struktura tego artykułu obejmuje protokół krok po kroku, po którym następują opisowe wyniki w tekście i rysunkach. Następnie omówiono możliwość zastosowania oraz zalety i wady metody.

Protokół

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

1. Pozyskiwanie danych

  1. SST oraz CHL
    1. Pobierz zestaw danych obserwacji satelitarnych dla SST i CHL z MODIS-Aqua (podaac-tools.jpl.nasa.gov/), gdzie rozdzielczość przestrzenna obu zestawów danych wynosi około 4,5 km w odstępach dziennych.
      UWAGA: Uporządkuj katalogi i dane zgodnie z folderem przykładowych skryptów dostępnym w plikach uzupełniających. Zapisz pliki .nc z danymi satelitarnymi w folderze "Dane". Dodaj ścieżkę do przybornika NetCDF w oprogramowaniu do analizy (np. MATLAB). Wybierz Dodaj z podfolderami, aby ująć ścieżki folderu "UTILITIES" i jego podfolderów.
    2. Określ przedział czasu. Aby zachować spójność między różnymi zestawami danych, użyj tego samego przedziału czasu dla wszystkich parametrów. Dostosuj przedział czasu na podstawie pokrycia czasowego i użyj najdłuższego okresu obserwacji spośród różnych zestawów danych. W przypadku tego protokołu pobierz dane z 15 lat od października 2002 r. do września 2017 r.
    3. Określ pokrycie przestrzenne.
      UWAGA: Projektowany obszar badania znajduje się między 105°E a 123°E oraz między 0° a 25°N.
    4. Sprawdź instrukcje przetwarzania wstępnego. Przeczytaj instrukcje w plikach .nc dotyczące wymagań dotyczących wstępnego przetwarzania danych SST i CHL (np. czy potrzebne jest skalowanie).
      UWAGA: Pobrany zestaw danych nie obejmuje już danych nad lądem i w promieniu 5 km od linii brzegowej, a także tych zanieczyszczonych chmurami.
    5. Załaduj dane SST i CHL do oprogramowania analitycznego. Wpisz Read_MODIS_SST w oknie poleceń, aby odczytać dane SST. Podobnie wpisz Read_MODIS_CHL w oknie poleceń, aby odczytać dane CHL. Przekształć dane CHL logarytmicznie, ponieważ mają one rozkład logarytmiczno-normalny31.
      UWAGA: Załadowane zmienne obejmują SST i CHL w trzech wymiarach, reprezentując odpowiednio lokalizację południkową, lokalizację strefową i czas w dniach. Zakres SST wynosi od -2 do 44, a zakres CHL wynosi od 0,01 do 20.
  2. Anomalia poziomu morza (SLA)
    1. Pobierz dzienne dane SLA z rozdzielczością przestrzenną 25 km z lat 2002–201732.
      UWAGA: Umowy SLA opisują różnicę między obserwowaną wysokością powierzchni morza a średnią wysokością powierzchni morza w ciągu 20 lat (1993−2012) dla odpowiedniego piksela. Dane SLA są przetwarzane przez SSALTO/DUACS i dystrybuowane przez Archiwizację, Walidację i Interpretację Satelitarnych Danych Oceanograficznych (AVISO, https://www.aviso.altimetry.fr).
    2. Załaduj dane do oprogramowania analitycznego. Załaduj dane jednodniowej umowy SLA, wpisując Read_SLA w oknie poleceń.
      UWAGA: Folder "Dane" w plikach uzupełniających zawiera tylko jeden przykładowy punkt odniesienia w skrypcie w celu zilustrowania.
  3. Prędkość wiatru
    1. Uzyskaj informacje o wietrze z produktu do ponownej analizy ERA-Interim, który jest globalnym zestawem danych do ponownej analizy atmosfery opracowanym przez Europejskie Centrum Prognoz Średnioterminowych (ECMWF)33. Pobierz dane dotyczące wiatru za ten sam okres (październik 2002 r. – wrzesień 2017 r.), aby zachować spójność z danymi CHL i SST.
      UWAGA: Zestaw danych wiatru ma rozdzielczość przestrzenną około 25 km i został interpolowany z oryginalnego zestawu danych z rozdzielczością przestrzenną około 0,7°.
    2. Załaduj dane do oprogramowania analitycznego. Wpisz Read_WindVector w oknie poleceń, aby odczytać dane dotyczące wiatru w ciągu jednego miesiąca. Oblicz średnią miesięczną, uśredniając pierwotne dane, które występują w odstępach 6-godzinnych.
  4. topografia
    1. Pobierz dane topograficzne w wysokiej rozdzielczości ze strony internetowej National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). Rozdzielczość przestrzenna wynosi ~2 km. Uzyskaj dane ETOPO1 dla podłoża skalnego w formacie XYZ dla wybranego badanego regionu.
    2. Załaduj dane do oprogramowania analitycznego. Wpisz Read_topography w oknie poleceń, aby załadować dane topograficzne do oprogramowania analitycznego.

2. Wstępne przetwarzanie danych

  1. Średnia czasowa
    1. Ze względu na duże pokrycie chmur w danych SST i CHL zastąp oryginalne dane danymi średnimi z 3 dni. Aby to zrobić, po uruchomieniu skryptów Read_MODIS_SST.m i Read_MODIS_CHL.m (krok 1.1.5) wpisz Temporal_average w oknie polecenia, aby uruchomić skrypt.
  2. Interpolacja do tej samej siatki
    1. Ponieważ rozdzielczość przestrzenna nie jest spójna dla różnych zestawów danych, przed dokonaniem porównań należy interpolować dane SST i CHL do siatki przestrzennej, która jest taka sama jak siatka przestrzenna wiatru i SLA. Po uruchomieniu skryptów Temporal_average.m i Read_WindVector.m wpisz Interpolation_grid w oknie polecenia, aby uruchomić skrypt.
  3. Naprężenie wiatru i zwijanie się naprężenia wiatru
    1. Wpisz Wind_stress_curl w oknie poleceń, aby obliczyć naprężenie wiatru (WS) i zwijanie naprężenia wiatru (WSC) przy użyciu następujących równań:
      figure-protocol-1
      figure-protocol-2
      gdzie figure-protocol-3 jest wektorem prędkości wiatru; figure-protocol-4 jest WS w tym samym kierunku co wektor wiatru; figure-protocol-5 i figure-protocol-6 to WS odpowiednio w kierunku wschodnim i północnym; figure-protocol-7 oznacza gęstość powietrza (równą 1,2 kg/m3); a C jest współczynnikiem oporu powietrza (przyjmuje się wartość 0,0015) w neutralnych warunkach stabilności34.
  4. Średnie miesięczne
    1. Oblicz miesięczne szeregi czasowe SST, wiatru i umowy SLA jako średnie 30-dniowe w każdym pikselu, wpisując Monthly_average, aby uruchomić skrypt. Ze względu na wysoki współczynnik zachmurzenia należy użyć średniej 60-dniowej jako miesięcznego szeregu czasowego dla CHL, w tym 30 dni przed 15. dniem miesiąca do 30 dni po nim.

3. Wykrywanie czoła SST

  1. Wygładzanie przestrzenne
    1. Wpisz Spatial_smoothing, aby uruchomić skrypt w celu uśrednienia trzydniowych danych SST w każdym pikselu.
      UWAGA: W danych SST zidentyfikowano dużą ilość szumu. W ten sposób dane zostały wygładzone za pomocą średniej przestrzennej 3 x 3. Jeśli żadne dane nie były dostępne w pierwotnych uśrednionych danych z 3 dni, uśrednione dane przestrzenne były ustawiane jako niedostępne.
  2. Gradient SST
    1. Wpisz SST_gradient, aby uruchomić skrypt w celu obliczenia strefowych i południkowych gradientów SST (tj. odpowiednio Gx i Gy) jako różnicy SST między najbliższymi dwoma pikselami podzielonej przez odpowiednią odległość za pomocą równania (3). Użyj uzyskanego wektora gradientu, aby obliczyć całkowity gradient, G, jako skalar zgodnie z równaniem (4).
      figure-protocol-8
      figure-protocol-9
  3. Maksimum lokalne
    1. Zidentyfikuj front, testując wartość gradientu SST: oznacz piksel jako potencjalny piksel czołowy, jeśli wartość jest większa niż wyznaczony próg. Lokalny maksymalny piksel należy zachować w tym samym kierunku prostopadłym do kierunku gradientu tylko wtedy, gdy istnieją połączone piksele o wartościach większych niż próg. W tym miejscu zdefiniuj próg jako 0,035 °C/km zgodnie z poprzednimi badaniami10,28,
      UWAGA: Odpowiedni skrypt "Local_maximum.m" jest dostępny w plikach uzupełniających.
  4. Miesięczne prawdopodobieństwo czołowe (FP)
    UWAGA: Prawdopodobieństwo frontalne (FP) opisuje prawdopodobieństwo zaobserwowania frontu.
    1. Oblicz liczbę klatek na sekundę dla określonego przedziału czasu (w tym przypadku interwału miesięcznego), wpisując Monthly_FP, aby uruchomić skrypt. Podziel występowanie frontów w każdym pikselu w przedziale czasu przez liczbę dni, w których nie ma chmur.

4. Zmienność przestrzenna i czasowa

  1. Cykl sezonowy
    1. Oblicz cykle sezonowe różnych czynników jako średnie z różnych pór roku. Zdefiniuj pory roku w następujący sposób: zima trwa od grudnia do lutego, wiosna trwa od marca do maja, lato trwa od czerwca do sierpnia, a jesień trwa od września do listopada.
      UWAGA: Cykl sezonowy nie jest pokazany w tym badaniu; Zamiast tego do wyjaśnienia zmienności przestrzennej i czasowej stosuje się następującą metodę.
  2. Empiryczna funkcja ortogonalna (EOF)
    1. Usuń średnią czasową i niedostępne piksele. Przed przeprowadzeniem EOF odejmij ogólną średnią dla każdego piksela i wyklucz miejsca, w których brakujące obserwacje przekraczają 20% z powodu zachmurzenia. Załaduj dane, wpisując load('Monthly_data_for_EOF.mat') w oknie poleceń.
    2. Zastosuj EOF do opisania przestrzennych i czasowych zmienności różnych parametrów. Wpisz Empirical_orthogonal_function.m, aby uruchomić skrypt w celu obliczenia wielkości (Mag), wartości własnych (Eig) i amplitudy (Amp) EOF dla zestawu danych (tj. szeregów czasowych miesięcznych uśrednionych SST, naprężeń wiatru, zwijania się naprężeń wiatru, CHL i FP).
      UWAGA: Funkcja rozkłada miesięczne szeregi czasowe na różne mody, które składają się z wzorców przestrzennych i czasowych, a wariancja wyjaśniona przez każdą modę maleje wraz ze wzrostem liczby modów.

5. Wzajemna korelacja

  1. Korelacja w skali sezonowej
    1. Oblicz korelacje między dwoma czynnikami, używając ich szeregów czasowych dla każdego piksela, wpisując Seasonal_correlation, aby uruchomić skrypt. Ponieważ cykl sezonowy nie jest usuwany, sprawdź znaczenie korelacji dla wszystkich korelacji.
  2. Korelacja pola anomalnego
    1. Oblicz korelacje między miesięcznymi anomaliami CHL a innymi czynnikami, takimi jak SST, WS, fronty i SLA. Uzyskaj anomalie miesięczne (tj. odchylenie od stanu średniego), odejmując ogólną średnią dla odpowiedniego miesiąca od miesięcznego szeregu czasowego. Wpisz Anomalous_correlation, aby uruchomić skrypt i uzyskać korelacje.

6. Wyświetlanie informacji i obliczanie zależności

  1. Wyświetlanie informacji satelitarnych.
    1. Wpisz Sat_SCS_Fig3457, aby uruchomić skrypt w celu wygenerowania prezentacji informacji satelitarnych, w tym SST, CHL i rozkładów frontalnych. Ustaw bieżący folder jako "skrypty", w którym znajdują się dane "Sat_SCS_data.mat".
      UWAGA: Rysunek 1, Rysunek 2, Rysunek 3, oraz Rysunek 4 przedstawia SST, CHL, fronty, wiatr i topografię dla wybranej daty jako przykład.
  2. Wyświetl wynik EOF, wpisując Sat_SCS_Fig890.m, aby uruchomić skrypt.
    UWAGA: Rysunek 5, Rysunek 6 i Rysunek 7 opisują wielkość przestrzenną, średnią miesięczną i szeregi czasowe pierwszych dwóch modów odpowiednio dla CHL, SST i frontów.
  3. Oblicz relację między CHL a innymi czynnikami w sezonowych skalach czasu i dla nietypowych pól, wpisując Sat_SCS_Fig1112.m, aby uruchomić skrypt. Uzyskaj mapę korelacji dla zmienności sezonowej (Rysunek 8) i anomalii (Rysunek 9).

Wyniki

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

Przestrzenne i czasowe wzorce powierzchni morza CHL w SCS zostały opisane za pomocą obserwacji satelitarnych. Informacje satelitarne dla CHL (rysunek 1A) i SST (rysunek 1B) mogą być zanieczyszczone przez zachmurzenie, co powoduje, że duża część danych nie nadaje się do użytku. Na ponownie przeanalizowane dane dotyczące wiatru (Rysunek 1C) i SLA (Rysunek 1D) dzienne chmury nie miały wpływu. Topografia (Rysunek 1E) miała znaczący wpływ na rozmieszczenie przestrzenne CHL. Wysoki CHL był rozmieszczony głównie wzdłuż wybrzeża, gdzie topografia jest płytka. Na wiatr wpływ miała również orografia, a zawietrzna strona gór charakteryzowała się słabym wiatrem; w ten sposób zidentyfikowano prominentny WSC na południowy zachód od SCS. W przeciwieństwie do tego, SLA nie zależały zbytnio od topografii, a region o niezwykle wysokich SLA stwierdzono w dorzeczu SCS.

figure-results-1
Rysunek 1: Oryginalne obserwacje głównych parametrów w dniu 15 kwietnia 2015 r.
(A) chlorofil powierzchniowy (CHL), (B) temperatura powierzchni morza (SST), (C) zwijanie się naprężeń wiatrowych (WSC, zacienienie) ze stresem wiatru (WS, wektor), (D) anomalia powierzchni morza oraz (E) topografia basenu oceanicznego. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Ze względu na poważny wpływ chmur na obserwacje satelitarne, wiele danych było albo niedostępnych, albo przestrzennie niespójnych. Zastosowano skuteczną i wydajną metodę, aby wypełnić pewne luki w danych i wygładzić pole. Dane zostały najpierw zastąpione średnią 3-dniową dla każdego piksela, która może skutecznie wypełnić pewne luki, ponieważ chmury zmieniają się codziennie (Rysunek 2B). Do każdego piksela zastosowano następnie średnią przestrzenną, tak że dane zostały zastąpione średnią otaczających wartości (3 x 3 piksele). W ten sposób niespójność przestrzenna została znacznie zmniejszona (Rysunek 2C).

figure-results-2
Rysunek 2: SST dla jednego dnia w dniu 15 kwietnia 2015 r.
(A) oryginalny SST z MODIS, (B) trzydniowy uśredniony SST oraz (C) SST po wygładzeniu przestrzennym. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Dzienny rozkład frontów SST został uzyskany na podstawie gradientów SST (Rysunek 3A). Zastosowane tu progi skutecznie uchwyciły położenie frontu (Rysunek 3B) i zapewniły odwzorowanie granic całych mas wodnych (Rysunek 3C). Nachylenia i fronty były prawie identyczne, ponieważ front został uzyskany głównie z gradientu.

figure-results-3
Rysunek 3: Procedura wykrywania z przodu na podstawie SST.
(A) wielkość gradientu SST, (B) rozkład frontów SST w cienkich czarnych liniach oraz (C) rozkład frontu oparty na odpowiadających im gradientach SST. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Ze względu na pokrycie chmur w danych CHL, SST i frontu, średnie miesięczne szeregi czasowe zostały obliczone i zastosowane w tym badaniu. Losowy przykład jest pokazany w Rysunek 4 dla miesiąca kwiecień 2015 r. Nie było żadnej luki dla żadnego z parametrów. Ogólne wzorce dla różnych parametrów były bardzo spójne pod względem ich wariancji przestrzennej. Na przykład CHL był wysoki w pobliżu wybrzeża i niski w basenie centralnym, podczas gdy SST był niski w pobliżu wybrzeża i wysoki w basenie centralnym. Średnia miesięczna dostarczyła wyczerpujących informacji obrazujących cechy regionalne. Fronty były rozmieszczone głównie wzdłuż wybrzeża, gdzie dynamika jest złożona. Duża część basenu była wolna od frontów; w ten sposób środek SCS charakteryzował się wartością bliską zeru (Rysunek 4E).

figure-results-4
Wykres 4: Średnia miesięczna dla głównych parametrów w kwietniu 2015 r.
(A) CHL (w skali logarytmicznej), (B) SST, (C) WSC (zacienienie) z WS (wektor), (D) anomalia powierzchni morza, oraz (E) prawdopodobieństwo frontalne (FP). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Większość cech powierzchni charakteryzowała się wyraźną sezonową zmiennością, co było wyraźnie obserwowane za pomocą EOF. EOF to przydatna metoda matematyczna, która jest szeroko stosowana w naukach o atmosferze i morzu. Metoda może wyznaczać wzorce przestrzenne i sygnały czasowe z szeregów czasowych w domenach przestrzennych28. Po dekompozycji czasoprzestrzennej dla cech powierzchni morza w SCS, pierwsze dwa tryby są na ogół potrzebne do opisania zmienności przestrzennej i czasowej. Pierwsze dwa EOF dla CHL opisywały odpowiednio 44% i 12% całkowitej wariancji. EOF1 uchwycił dużą wariancję w północnej części SCS (Rysunek 5A). Odpowiednia średnia miesięczna szeregu czasowego (Rysunek 5C) wykazała, że CHL był podwyższony zimą i obniżony latem. Region przylegający do południowo-zachodniego wybrzeża charakteryzował się słabą magnitudą, a odpowiadająca jej zmienność została głównie uchwycona przez EOF2 (Rysunek 5B). Wartości CHL były wysokie latem i niskie zimą. Był on w dużej mierze przesunięty w czasie w porównaniu z odcinkiem północnym. Miesięczne szeregi czasowe dla EOF wykazały wyraźną zmienność sezonową, a EOF2 wyprzedził EOF1 o około 4 miesiące (Rysunek 5E).

figure-results-5
Rysunek 5: EOF dla CHL.
(A) wielkość EOF1, (B) wielkość EOF2, (C) uśrednione miesięczne szeregi czasowe dla EOF1, (D) średnie miesięczne szeregi czasowe dla EOF2 oraz (E) miesięczne szeregi czasowe EOF1 () i EOF2 (niebieski). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Wyjaśniona wariancja w pierwszych dwóch EOF dla SST była wyraźnie wysoka, wynosząc odpowiednio 91% i 5% dla EOF1 i EOF2. Ważne jest, aby podkreślić, że ogólna średnia musi zostać usunięta przed przeprowadzeniem EOF; W związku z tym pole średniej zostało wykluczone. EOF1 zdominował całkowitą wariancję, a jego wielkość była największa w północnym SCS i zmniejszyła się w kierunku południowym (Rysunek 6A). Odpowiednia średnia miesięczna szeregu czasowego (Rysunek 6C) wykazała, że SST był podwyższony latem i obniżony zimą. Południowy SCS charakteryzował się słabą magnitudą, przypisywaną utrzymującym się wysokim temperaturom na niskich szerokościach geograficznych. Zmienność w sekcji południowej została uchwycona głównie przez EOF2 (Rysunek 6B). Odpowiedni SST został podwyższony między marcem a czerwcem, podczas gdy niskie wartości utrzymywały się w pozostałych miesiącach. Wyraźne ocieplenie miało miejsce w 2010 i 2016 roku, gdzie SST u wybrzeży na południowy zachód od SCS był znacznie wyższy niż w pozostałych latach (Rysunek 6E). Ta międzyroczna zmienność jest głównie przypisywana wydarzeniom El Niño, które zmniejszają południowo-zachodni monsun letni i powodują słabe upwelling12. Ponieważ zmienność sezonowa jest głównym celem obecnego badania, cecha ta nie jest dalej omawiana.

figure-results-6
Rysunek 6: EOF dla SST.
(A) wielkość EOF1, (B) wielkość EOF2, (C) uśrednione miesięczne szeregi czasowe dla EOF1, (D) miesięczne uśrednione szeregi czasowe dla EOF2 oraz (E) miesięczne szeregi czasowe EOF1 (czarne) i EOF2 (niebieskie). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Ze względu na hałaśliwy charakter gradientu, pochodny front wyjaśniał znacznie mniej wariancji. Rzeczywiście, EOF1 i EOF2 FP wyjaśniały odpowiednio tylko 19% i 9% całkowitej wariancji. EOF1 uchwycił wariancje w północnym i północno-wschodnim SCS (Rysunek 7A). Odpowiednia średnia miesięczna szeregu czasowego (Rysunek 7C) pokazała, że w tych regionach więcej FP wystąpiło zimą, a mniej latem. Faza u wybrzeży na południowy zachód od SCS była odwrotna, chociaż odpowiadająca jej zmienność była znacznie mniej widoczna. EOF2 uchwycił wzmocnienie sprężyny FP (Rysunek 7D) w zachodnim SCS (Rysunek 7B). Miesięczne szeregi czasowe EOF1 i EOF2 charakteryzowały się słabą zmiennością międzyroczną.

figure-results-7
Rysunek 7: EOF dla PR.
(A) wielkość EOF1, (B) wielkość EOF2, (C) uśrednione miesięczne szeregi czasowe dla EOF1, (D) miesięczne uśrednione szeregi czasowe dla EOF2 oraz (E) miesięczne szeregi czasowe EOF1 (czarne) i EOF2 (niebieskie). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Różne czynniki zostały zbadane pod kątem ich związków z CHL (Rysunek 8). Na przykład SST można wykorzystać do zrozumienia podstawowych cech oceanu, które mogą wpływać na tempo wzrostu fitoplanktonu, a następnie wpływać na CHL. W przypadku większości SCS stwierdzono wysokie korelacje między SST a CHL (Rysunek 8A), a większość korelacji osiągnęła ponad -0,8. Należy podkreślić, że wysoka korelacja nie wskazuje na związek przyczynowo-skutkowy między tymi dwoma czynnikami. Gdy SST osiągnął swoje roczne maksimum latem, MLD stał się płyty21. Ilość składników odżywczych dostarczanych do warstwy eufotycznej była niska, ponieważ pionowe mieszanie było blokowane przez intensywną stratyfikację13. W rezultacie ubogie w składniki odżywcze ograniczały tempo wzrostu fitoplanktonu i skutkowały niskim CHL. Natomiast wysoki CHL występował zimą, gdy MLD był głębszy, a niski SST powodował słabą stratyfikację35.

figure-results-8
Rysunek 8: Korelacje między CHL a innymi czynnikami w skali sezonowej.
(a) SST, (b) WS, (c) WSC, (D) FP i (E) SLA. Szary kolor oznacza, że korelacja jest nieistotna. Zmienne uśrednione przestrzennie są obliczane na podstawie zielonego pola w panelu A. Ich szeregi czasowe służą do uzyskania współczynników korelacji w tabeli 1. Ten rysunek został zmodyfikowany z Yu et al.17. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Mieszanie napędzane wiatrem może być w przybliżeniu mierzone przez WS i zostało użyte do opisania mieszania pionowego18. Duże współczynniki korelacji, o wartościach około 0,8, zidentyfikowano między poziomami WS i CHL na północ od SCS (Rysunek 8B), szczególnie w regionach o najsilniejszym zimowym wietrze zlokalizowanych na północnym szelfie SCS. Słabe, ale znaczące korelacje stwierdzono na południu. Korelacje między WSC i CHL były istotne w większości SCS (Rysunek 8C), chociaż wykazywały przeciwstawne tendencje na północy i południu. Dodatni współczynnik korelacji między CHL i WSC stwierdzono na południu, a wartości ujemne na północy. Korelacja w regionie między nimi nie była istotna. Stwierdzono, że WS i CHL są silnie skorelowane w odpowiednim regionie, w którym zimowy WS był największy.

Fronty mogą również wywoływać zmienność CHL. Dużą korelację stwierdzono w północno-wschodniej i południowo-zachodniej części SCS (Rysunek 8D). CHL wzrastał, gdy działania frontalne stawały się coraz bardziej aktywne36. SLA wykazało istotną ujemną korelację z CHL od północno-wschodniego SCS w kierunku południowo-zachodnim i dodatnią korelację wzdłuż zachodniego wybrzeża SCS (Rysunek 8E). Co ciekawe, dodatnie korelacje ograniczały się do regionu o płytkiej topografii.

Na północny wschód od SCS wszystkie korelacje były duże (Rysunek 8). W związku z tym korelacje miesięcznych szeregów czasowych między CHL a innymi parametrami zostały obliczone przy użyciu średniej przestrzennej w wyznaczonym polu (Rysunek 8A), a większość czynników była skorelowana z istotnymi korelacjami (prawa górna część tabeli 1). Ponieważ cykl sezonowy zdominował szereg czasowy, korelacja nie była już aktualna po usunięciu średniej miesięcznej (lewa dolna część tabeli 1).

pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt.
Chl-aSstWsMistrzostwa ŚwiataFpSla
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
Mistrzostwa Świata00,08-0,020,52-0,37
Fp0,21-0,090,030,15-0,74
Sla-0,250,420,070,13-0,08

Tabela 1: Współczynniki korelacji szeregu czasowego między czynnikami, zlokalizowanymi na północny wschód od SCS, np. SST (temperatura powierzchni morza), FP (prawdopodobieństwo frontalne), WSC (zwijanie się naprężenia wiatru) i WS (naprężenia wiatrowe), korzystając z pola pokazanego na rysunku 8A. Średnie miesięczne i anomalie są wyświetlane odpowiednio w prawej górnej sekcji i lewej dolnej sekcji. Liczby pogrubione i kursywą wskazują, że korelacja nie spełnia 95% poziomu ufności. Tabela została zmodyfikowana z Yu et al.17.

Korelacje w cyklu sezonowym nie były istotne dla niektórych regionów, takich jak południowo-zachodnia część SCS (Rysunek 8). Region ten jest zdominowany przez procesy dynamiczne (np. upwelling i transport morski wywołany wiatrem), które determinują zmienność CHL17. Istotną korelację między CHL a innymi czynnikami (np. SST, WS, frontami i WSC) zidentyfikowano w polach anomalnych (Rysunek 9). Anomalie zostały obliczone dla miesięcznych szeregów czasowych przez usunięcie odpowiadającej im średniej miesięcznej. Efektywna liczba stopni swobody mogłaby zostać zwiększona, ale wcześniejsze badania wykazały, że nie ma to wpływu na podstawowe relacje między ich szeregami czasowymi28,37.

figure-results-9
Rysunek 9: Korelacja między CHL a innymi czynnikami w polach anomalnych.
(a) SST, (b) WS, (c) WSC, (D) FP i (E) SLA. Szary kolor oznacza, że korelacja jest nieistotna. Zmienne uśrednione przestrzennie są obliczane na podstawie zielonego pola w panelu A. Szeregi czasowe służą do uzyskania współczynników korelacji pokazanych w tabeli 2. Ten rysunek został zmodyfikowany z Yu et al.17. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

W polach anomalnych, CHL i SST były znacząco skorelowane w większości SCS (Rysunek 9A). Gdy SST były niezwykle wysokie, CHL stawał się niezwykle niski i na odwrót. Podobnie, niezwykle wysoki WSC i fronty na południowy zachód od SCS indukowały wysokie poziomy CHL i odwrotnie (Rysunek 9C, 9D). Ponadto stwierdzono ujemną korelację między SLA a poziomami CHL (Rysunek 9E). Testowano różne opóźnienia, a korelacja stawała się istotna tylko wtedy, gdy nie zastosowano żadnego opóźnienia. W związku z tym CHL został jednocześnie dotknięty anomaliami w SST, WSC i frontach, a także SLA. Ich związek był dalej badany przy użyciu uśrednionych przestrzennie miesięcznych szeregów czasowych na południowy zachód od SCS, oznaczonych jako zielona ramka w Rysunek 9A. Wyniki pokazują, że większość czynników była skorelowana z istotnymi korelacjami w polu anomalnym (lewa dolna część Tabeli 2).

pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt.
Chl-aSstWsMistrzostwa ŚwiataFpSla
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
Mistrzostwa Świata0,29-0,10,410,53-0,21
Fp0,57-0,420,240,29-0,42
Sla-0,30,54-0,23-0,29-0,47

Tabela 2: Współczynniki korelacji szeregów czasowych między czynnikami, zlokalizowanymi na południowy zachód od SCS, np. SST (temperatura powierzchni morza), FP (prawdopodobieństwo frontalne), WSC (zwijanie naprężenia wiatru) i WS (naprężenia wiatrowe), korzystając z pola pokazanego na rysunku 9A. Średnia miesięczna i anomalie są wyświetlane odpowiednio w prawej górnej sekcji i lewej dolnej sekcji. Liczby pogrubione i kursywą wskazują, że korelacja nie spełnia 95% poziomu ufności. Tabela została zmodyfikowana z Yu et al.17.

Pliki uzupełniające.Kliknij tutaj, aby pobrać ten plik.

Dyskusja

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

W niniejszej pracy opisano główne cechy systemów morskich za pomocą obserwacji satelitarnych. CHL, który może być używany do reprezentowania produkcji oceanicznej, jest wybierany jako czynnik wskaźnikowy. Czynniki związane ze zmiennością CHL badano za pomocą miesięcznych uśrednionych szeregów czasowych, np. SST, WS, WSC, FP i SLA. W niniejszym opracowaniu opisano trzy kluczowe etapy: pozyskiwanie danych satelitarnych dla różnych parametrów, opisywanie ich zmienności przestrzennej i czasowej za pomocą EOF oraz określanie wzajemnych zależności między różnymi czynnikami poprzez obliczanie współczynników korelacji. Dołączono szczegółową procedurę przedstawiającą identyfikację dobowego rozkładu czołowego, która pochodzi z obserwacji SST. Opracowano dwa główne podejścia do wykrywania czoła SST: metodę gradientową10,38 i metodę histogramu39,40. Metoda histogramu opiera się na podobnym zakresie wartości dla SST, który można wykorzystać do podziału mas wody na różne grupy. Piksele z wartościami między różnymi grupami reprezentującymi piksel w paśmie przejściowym są zdefiniowane jako fronty. Z drugiej strony metoda gradientowa oddziela kilka stosunkowo jednorodnych zbiorników wodnych jako piksele o dużych wartościach gradientu. Przeprowadzono badanie porównawcze, w którym stwierdzono niższe wskaźniki błędów przy użyciu metody histogramu i mniej pominiętych frontów przy użyciu metody gradientowej41. W niniejszej pracy zastosowano metodę opartą na gradiencie38 na podstawie wcześniejszych badań10,28. Algorytm może uniknąć rozpadu frontu na wiele fragmentów krawędzi, pozwalając na zmniejszenie wielkości do poziomu poniżej mniejszego progu. Oprócz zawartego tutaj zbioru danych, z podobnym podejściem można również wykorzystać inne obserwacje satelitarne, takie jak indeks aerozolowy.

Większość procedur można bezpośrednio zastosować w innych regionach lub zestawach danych. Może nastąpić modyfikacja w celu zmiany progu wykrywania z przodu. Ponieważ gradient SST w SCS jest porównywalny z systemem prądów wschodnich28, te same progi zostały wdrożone w niniejszym badaniu. Poprzednie badanie wykazało, że gradient SST z różnych zestawów danych może różnić się nawet trzy razy42, co sprawia, że metoda jest mniej obiektywna. Obszerne badania dotyczyły aktywności frontalnej wokół globalnych oceanów28,43. Najlepszym podejściem do walidacji frontów jest porównanie ich z obserwacjami in situ. Yao44 opisał miesięczną rozkład czołowy dla SCS. Ich wyniki dobrze zgadzały się z pomiarami in situ. Ogólne nachylenie powinno zostać sprawdzone i dostosowane, ponieważ jego wartość może się różnić w zależności od rozdzielczości przestrzennej i instrumentów. W szczególności próg ten powinien być aktualizowany w przypadku korzystania z innego zbioru danych SST. Podstawowe zrozumienie dynamiki regionalnej ma fundamentalne znaczenie dla zrozumienia frontogenezy 45,46,47. Skrypt wykrywania frontu może być opracowywany przez poszczególnych autorów na podstawie opisu zawartego w tym artykule.

Informacje satelitarne pozwalają na kompleksowe zrozumienie cech powierzchni, a porównanie wyników z obserwacjami in situ może pomóc w ocenie wiarygodności. Obserwacje satelitarne ograniczają się jednak do powierzchni oceanu, co ogranicza zastosowanie do zrozumienia pionowej struktury słupa wody. W niedawnym badaniu obserwacje satelitarne wykazały, że powierzchniowy CHL zwiększył się 15-krotnie, ale wartość zintegrowana pionowo wzrosła tylko 2,5 razy48. Różnica ta wynikała z faktu, że na wartość powierzchni miały wpływ koefekty wzrostu fitoplanktonu i płycizny MLD, co skutkowało niemożliwą do zrealizowania wartością na powierzchni. W związku z tym cecha powierzchni może nie oferować dokładnego opisu dla całego słupa wody. Dodatkowo wpływ zachmurzenia ogranicza ciągłe obserwacje satelitów. W związku z tym miesięczne szeregi czasowe są obliczane dla różnych czynników w tym samym regionie i tym samym okresie. Zagwarantuje to wiarygodność obliczania korelacji między różnymi czynnikami. Jednak zdarzenia krótkookresowe, np. tajfuny, które trwają od kilku dni do tygodnia, nie zostaną rozwiązane.

W porównaniu z wcześniejszymi badaniami, proponowana metoda może dostarczyć informacji przestrzennych na poziomie pikseli, co może pomóc w bardziej szczegółowej ocenie dynamiki. W niektórych poprzednich badaniach uśredniono cały SCS jako pojedynczą liczbę i uzyskano szereg czasowy. Odkryli, że niezwykle silny WS i wysoki SST mogą indukować anomalnie wysoki CHL16, co jest zgodne z obecnym wynikiem. Przestrzenne zróżnicowanie w relacjach nie zostało jednak rozwiązane. W tym badaniu korelacja w skali dorzecza między WS i CHL była słaba w polu anomalnym. Dużą istotną korelację stwierdzono tylko dla niektórych obszarów, np. w centrum SCS (ryc. 9B). W związku z tym obecna metoda oferuje kompleksowy opis do badania zmienności przestrzennej. Podobnie, wykorzystano obserwacje z dwóch pływaków Bio-Argo, które ujawniły, że WSC nie koreluje ze zmiennością CHL20. Jednak trajektorie obu pływaków znajdują się tylko w niektórych regionach. W tym przypadku znajdował się dokładnie w paśmie, w którym korelacja między poziomem CHL a WSC nie była istotna (ryc. 8D). Proponowana metoda jest bardzo pomocna w rozwiązywaniu zależności przestrzennej między czynnikami, co jest podstawową cechą globalnego oceanu.

Podsumowując, zastosowana tutaj metoda może dokładnie opisać rozkład przestrzenny i zmienność czasową cech powierzchni oceanu za pomocą obserwacji satelitarnych. Wraz ze wzrostem rozdzielczości zestawów danych satelitarnych można identyfikować i badać bardziej szczegółowe cechy, co umożliwia ogólne zrozumienie cech regionalnych, w tym CHL, SST i SSH. Korelacja miesięcznych szeregów czasowych między różnymi czynnikami może pomóc w zrozumieniu ich dynamicznych relacji i potencjalnego wpływu na ekosystem49. Ponieważ korelacja może się znacznie różnić w różnych lokalizacjach przestrzennych, proponowana metoda oferuje szczegółowy i wyczerpujący opis. Podobne podejście można zastosować do każdego basenu oceanicznego na świecie, co będzie bardzo pomocne w lepszym zrozumieniu dynamiki i ekosystemów morskich.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Wsparcie ze strony Narodowego Kluczowego Programu Badawczo-Rozwojowego Chin (nr 2016YFC1401601), Podyplomowego Programu Badań i Innowacji Prowincji Jiangsu (No. SJKY19_0415) wspierane przez Fundusze Badań Podstawowych dla Uniwersytetów Centralnych (nr 2019B62814), Chińską Narodową Fundację Nauk Przyrodniczych (nr 41890805, 41806026 i 41730536) oraz Wspólne Zaawansowane Badania Morskie i Ekologiczne w Zatoce Bengalskiej i na wschodnim równikowym Oceanie Indyjskim zostały bardzo docenione. Autorzy doceniają dostarczenie danych ze źródeł takich jak Narodowa Agencja Aeronautyki i Przestrzeni Kosmicznej (NASA), Europejskie Centrum Prognoz Średnioterminowych (ECMWF), Copernicus Marine and Environment Monitoring Service (CMEMS) oraz Narodowa Administracja Oceaniczna i Atmosferyczna (NOAA).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
MatlabMathWorksMatlab R2016https://www.mathworks.com/products/matlab.html; odnosi się do oprogramowania analitycznego w protokole
Chlorofil powierzchni morzaNASAMODISmg/mg3 (podaac-tools.jpl.nasa.gov)
Miernik wysokości powierzchni morzaAVISOAVISO(www.aviso.altimetry.fr)
Temperatura powierzchni morzaNASAMODIS& Stopniach; C (podaac-tools.jpl.nasa.gov)
TopografiaNOAAMiernik NGDC(maps.ngdc.noaa.gov/viewers/wcs-client/)
WiatrECMWFERA-interimm/s (www.ecmwf.int/en/forecasts/datasets)

Bibliografia

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Obserwacje satelitarneempiryczna funkcja ortogonalnatemperatura powierzchni morzawysoko powierzchni morzanapr enie wiatrudetekcja front wdane u rednione miesi cznieanaliza korelacji

Powiązane artykuły