Artykuł metodologiczny

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

7K wyświetleń

⸱

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

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

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

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

1. Pozyskiwanie zbioru danych

  1. SST i CHL
    1. Pobrać zbiór danych z obserwacji satelitarnych SST i CHL z MODIS-Aqua (podaac-tools.jpl.nasa.gov/), gdzie rozdzielczość przestrzenna obu zbiorów danych wynosi około 4.5 km w odstępach dobowych.
      UWAGA: Strukturę katalogów oraz danych należy dostosować do folderu ze skryptami przykładami dostępnego w Plikach uzupełniających (Supplemental Files). Pliki .nc z danymi satelitarnymi należy zapisać w folderze „Data”. Należy dodać ścieżkę do biblioteki NetCDF w oprogramowaniu analitycznym (np. MATLAB). Wybrać opcję Add with subfolders, aby objąć ścieżki do folderu „UTILITIES” oraz jego podfolderów.
    2. Określić przedział czasowy. Aby zachować spójność między różnymi zbiorami danych, dla wszystkich parametrów należy zastosować ten sam przedział czasowy. Przedział ten należy dostosować do pokrycia czasowego, wybierając najdłuższy okres obserwacji spośród różnych zbiorów danych. W ramach niniejszego protokołu należy pobrać dane z 15 lat, od października 2002 do września 2017 roku.
    3. Określić zasięg przestrzenny.
      UWAGA: Zaprojektowany obszar badań znajduje się między 105°E a 123°E oraz między 0° a 25°N.
    4. Sprawdzić instrukcje wstępnego przetwarzania. Zapoznać się z instrukcjami w plikach .nc dotyczącymi wymagań wstępnego przetwarzania danych SST i CHL (np. czy wymagane jest skalowanie).
      UWAGA: Pobrany zbiór danych wyklucza już dane nad lądem i w odległości do 5 km od linii brzegowej, a także dane zanieczyszczone zachmurzeniem.
    5. Wczytać dane SST i CHL do oprogramowania analitycznego. Wpisać Read_MODIS_SST w oknie poleceń, aby odczytać dane SST. analogicznie wpisać Read_MODIS_CHL w oknie poleceń, aby odczytać dane CHL. Dane CHL należy przekształcić logarytmicznie, ponieważ mają rozkład log-normalny31.
      UWAGA: Wczytane zmienne obejmują SST i CHL w trzech wymiarach, reprezentujących odpowiednio położenie południkowe, położenie równoleżnikowe oraz czas w dniach. Zakres SST mieści się w przedziale od -2 do 44, a zakres CHL od 0.01 do 20.
  2. Anomalia poziomu morza (SLA)
    1. Pobrać dobowe dane SLA o rozdzielczości przestrzennej 25 km z lat 2002–201732.
      UWAGA: SLA opisują różnicę między obserwowaną wysokością powierzchni morza a średnią wysokością powierzchni morza z 20 lat (1993−2012) dla odpowiedniego piksela. Dane SLA są przetwarzane przez SSALTO/DUACS i rozpowszechniane przez Archiving, Validation, and Interpretation of Satellite Oceanographic Data (AVISO, https://www.aviso.altimetry.fr).
    2. Wczytać dane do oprogramowania analitycznego. Wczytać jednodniowe dane SLA, wpisując Read_SLA w oknie poleceń.
      UWAGA: Folder „Data” w Plikach uzupełniających (Supplemental Files) zawiera tylko jedną przykładową wartość danych w skrypcie w celach ilustracyjnych.
  3. Prędkość wiatru
    1. Uzyskać informacje o wietrze z produktu reanalizy ERA-Interim, który jest globalnym zbiorem danych z reanalizy atmosferycznej opracowanym przez Europejskie Centrum Prognoz Średnioterminowych (ECMWF)33. Pobrać dane o wietrze dla tego samego okresu (październik 2002 – wrzesień 2017), aby zachować spójność z danymi CHL i SST.
      UWAGA: Zbiór danych o wietrze ma rozdzielczość przestrzenną około 25 km i został interpolowany z oryginalnego zbioru danych o rozdzielczości przestrzennej około 0.7°.
    2. Wczytać dane do oprogramowania analitycznego. Wpisać Read_WindVector w oknie poleceń, aby odczytać miesięczne dane o wietrze. Obliczyć średnią miesięczną poprzez uśrednienie danych oryginalnych, które są zapisane w odstępach 6 h.
  4. Topografia
    1. Pobrać wysokorozdzielcze dane topograficzne ze strony National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). Rozdzielczość przestrzenna wynosi ~2 km. Uzyskać dane ETOPO1 dla podłoża skalnego w formacie XYZ dla wybranego obszaru badań.
    2. Wczytać dane do oprogramowania analitycznego. Wpisać Read_topography w oknie poleceń, aby załadować dane topograficzne do oprogramowania analitycznego.

2. Przetwarzanie wstępne danych

  1. Średnia czasowa
    1. Ze względu na duże zachmurzenie w danych SST i CHL, zastąp oryginalne dane danymi uśrednionymi z 3 dni. Aby to zrobić, po uruchomieniu skryptów Read_MODIS_SST.m oraz Read_MODIS_CHL.m (krok 1.1.5), wpisz Temporal_average w oknie poleceń, aby uruchomić skrypt.
  2. Interpolacja do tej samej siatki
    1. Ponieważ rozdzielczość przestrzenna nie jest spójna dla różnych zestawów danych, przed dokonaniem porównań zinterpoluj dane SST i CHL do siatki przestrzennej takiej samej jak siatka przestrzenna wiatru i SLA. Po uruchomieniu skryptów Temporal_average.m i Read_WindVector.m, wpisz Interpolation_grid w oknie poleceń, aby uruchomić skrypt.
  3. Naprężenie wiatru i rotacja naprężenia wiatru
    1. Wpisz Wind_stress_curl w oknie poleceń, aby obliczyć naprężenie wiatru (WS) i rotację naprężenia wiatru (WSC) przy użyciu następujących równań:
      figure-protocol-1
      figure-protocol-2
      gdzie figure-protocol-3 to wektor prędkości wiatru; figure-protocol-4 to WS w tym samym kierunku co wektor wiatru; figure-protocol-5 oraz figure-protocol-6 to odpowiednio WS w kierunkach wschodnim i północnym; figure-protocol-7 to gęstość powietrza (równa 1.2 kg/m3); a C to współczynnik oporu (użyto wartości 0.0015) w warunkach stabilności neutralnej34.
  4. Średnie miesięczne
    1. Oblicz miesięczne szeregi czasowe SST, wiatru i SLA jako średnie 30-dniowe dla każdego piksela, wpisując Monthly_average w celu uruchomienia skryptu. Ze względu na wysoki stopień zachmurzenia, w przypadku CHL jako miesięczny szereg czasowy zastosuj średnią 60-dniową, obejmującą okres od 30 dni przed do 30 dni po 15tym dniu miesiąca.

3. Detekcja frontów SST

  1. Wygładzanie przestrzenne
    1. Typ Wygładzanie przestrzenne aby uruchomić skrypt w celu wyciągnięcia średniej z trzydniowych danych SST dla każdego piksela.
      UWAGA: W danych SST zidentyfikowano dużą ilość szumów. W związku z tym dane zostały wygładzono za pomocą średniej przestrzennej 3 x 3. W przypadkach, gdy w oryginalnych danych uśrednionych z 3 dni brakowało danych, dane uśrednione przestrzennie oznaczono jako niedostępne.
  2. gradient SST
    1. Typ gradient_SST aby uruchomić skrypt do obliczania strefowych i południkowych gradientów SST (tj. GProszę podać tekst źródłowy do przetłumaczenia. i Gy(odpowiednio) jako różnicę SST między dwoma najbliższymi pikselami podzieloną przez odpowiadający im dystans zgodnie z równaniem (3). Wykorzystaj otrzymany wektor gradientu do obliczenia gradientu całkowitego, G, jako skalarną zgodnie z równaniem (4).
      figure-protocol-8
      figure-protocol-9
  3. Maksimum lokalne
    1. Zidentyfikuj front poprzez przetestowanie a Wartość gradientu SST: etykieta a piksel jako potencjalny piksel czołowy, jeśli jego wartość jest większa od wyznaczonego progu. Należy zachować jedynie piksel stanowiący maksimum lokalne w tym samym kierunku prostopadłym do kierunku gradientu, jeśli występują połączone piksele o wartościach większych od progu. W tym przypadku próg definiuje się jako 0.035 °C/km zgodnie z poprzednimi badaniami10,28.
      UWAGA: Odpowiadający temu skrypt „Local_maximum.mjest dostępny w Pliki uzupełniające.
  4. Miesięczne prawdopodobieństwo czołowe (FP)
    UWAGA: Prawdopodobieństwo frontalne (FP) opisuje prawdopodobieństwo zaobserwowania frontu.
    1. Oblicz FP dla określonego przedziału czasowego (w tym przypadku, a odstęp miesięczny), wpisując Miesięczny_FP aby uruchomić skrypt. Podziel liczbę wystąpień frontów w każdym pikselu w określonym oknie czasowym przez liczbę dni, które są bez zachmurzenia.

4. Zmienność przestrzenna i czasowa

  1. Cykl sezonowy
    1. Obliczyć cykle sezonowe różnych czynników jako średnie z poszczególnych pór roku. Pory roku zdefiniować następująco: zima od grudnia do lutego, wiosna od marca do maja, lato od czerwca do sierpnia oraz jesień od września do listopada.
      UWAGA: Cykl sezonowy nie jest przedstawiony w niniejszym badaniu; zamiast tego do wyjaśnienia zmienności przestrzennej i czasowej zastosowano poniższą metodę.
  2. Empiryczna funkcja ortogonalna (EOF)
    1. Usunąć średnią czasową oraz niedostępne piksele. Przed przeprowadzeniem analizy EOF odjąć średnią ogólną dla każdego piksela i wykluczyć lokalizacje, w których brak obserwacji przekracza 20% z powodu zachmurzenia. Wczytać dane, wpisując load('Monthly_data_for_EOF.mat') w oknie poleceń.
    2. Zastosować EOF w celu opisania zmienności przestrzennej i czasowej różnych parametrów. Wpisać Empirical_orthogonal_function.m, aby uruchomić skrypt obliczający wielkość (Mag), wartości własne (Eig) i amplitudę (Amp) EOF dla zbioru danych (tj. szeregów czasowych miesięcznych średnich SST, naprężenia wiatru, rotacji naprężenia wiatru, CHL i FP).
      UWAGA: Funkcja ta rozkłada miesięczne szeregi czasowe na różne mody, które składają się z wzorców przestrzennych i czasowych, a wariancja wyjaśniona przez każdy mod maleje wraz ze wzrostem numeru modu.

5. Interkorelacja

  1. Korelacja w skali sezonowej
    1. Oblicz korelacje między dwoma czynnikami, wykorzystując ich szeregi czasowe dla każdego piksela, wpisując Seasonal_correlation, aby uruchomić skrypt. Ponieważ cykl sezonowy nie został usunięty, sprawdź istotność wszystkich obliczonych korelacji.
  2. Korelacja pola anomalii
    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 miesięcznych szeregów czasowych. Wpisz Anomalous_correlation, aby uruchomić skrypt i uzyskać korelacje.

6. Wyświetlanie informacji i obliczanie relacji

  1. Wyświetlanie informacji satelitarnych.
    1. Wpisz Sat_SCS_Fig3457, aby uruchomić skrypt generujący zestawienie informacji satelitarnych, w tym rozkłady SST, CHL oraz frontów. Ustaw bieżący folder na „scripts”, w którym znajdują się dane „Sat_SCS_data.mat”.
      UWAGA: Rycina 1, Rycina 2, Rycina 3 oraz Rycina 4 przedstawiają w formie przykładu SST, CHL, fronty, wiatr i topografię dla wybranej daty.
  2. Wyświetlanie wyniku EOF poprzez wpisanie Sat_SCS_Fig890.m w celu uruchomienia skryptu.
    UWAGA: Rycina 5, Rycina 6 oraz Rycina 7 opisują odpowiednio przestrzenną amplitudę, średnią miesięczną i szeregi czasowe dwóch pierwszych modów dla CHL, SST oraz frontów.
  3. Obliczanie zależności między CHL a innymi czynnikami w skalach sezonowych oraz dla pól anomalii poprzez wpisanie Sat_SCS_Fig1112.m w celu uruchomienia skryptu. Uzyskaj mapę korelacji dla zmienności sezonowej (Rycina 8) oraz anomalii (Rycina 9).

Wyniki

Przestrzenne i czasowe wzorce stężenia CHL w powierzchniowej warstwie wody w SCS zostały opisane na podstawie obserwacji satelitarnych. Informacje satelitarne dotyczące CHL (Rycina 1A) oraz SST (Rycina 1B) mogą być zniekształcone przez zachmurzenie, co sprawia, że znaczna część danych jest nieużyteczna. Reanalizowane dane dotyczące wiatru (Rycina 1C) oraz SLA (Rycina 1D) nie były pod wpływem codziennego zachmurzenia. Topografia (Rycina 1E) miała istotny wpływ na rozkład przestrzenny CHL. Wysokie stężenie CHL występowało głównie wzdłuż wybrzeża, gdzie topografia jest płytka. Wiatr był również pod wpływem orografii, a strona zawietrzna gór charakteryzowała się słabym wiatrem; w związku z tym w południowo-zachodniej części SCS zidentyfikowano wyraźną WSC. Z kolei SLA nie zależały w dużym stopniu od topografii, a obszar o nietypowo wysokich wartościach SLA stwierdzono w basenie SCS.

figure-results-1
Rycina 1: Pierwotne obserwacje głównych parametrów z dnia 15 kwietnia 2015 r.
(A) chlorofil powierzchniowy (CHL), (B) temperatura powierzchni morza (SST), (C) rotacja naprężeń wiatru (WSC, cieniowanie) wraz z naprężeniem wiatru (WS, wektor), (D) anomalia powierzchni morza oraz (E) topografia basenu oceanicznego. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Ze względu na silny wpływ zachmurzenia na obserwacje satelitarne, wiele danych było niedostępnych lub niespójnych przestrzennie. W celu uzupełnienia niektórych luk w danych oraz wygładzenia pola zastosowano skuteczną i wydajną metodę. W pierwszej kolejności dane zastąpiono średnią 3-dniową dla każdego piksela, co pozwoliło na efektywne uzupełnienie części luk. ponieważ zachmurzenie zmienia się codziennie (Rycina 2B). Następnie w każdym pikselu zastosowano uśrednianie przestrzenne w taki sposób, że dane zastąpiono średnią z wartości sąsiednich (obszar 3 x 3 piksele). W ten sposób znacznie zredukowano niespójność przestrzenną (Rycina 2C).

figure-results-2
Rysunek 2: SST dla pojedynczego dnia, 15 kwietnia 2015 r.
(A) Oryginalne SST z MODIS, (B) średnia SST z trzech dni oraz (C) SST po wygładzeniu przestrzennym. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Dzienny rozkład frontów SST wyprowadzono z gradientów SST (Rysunek 3A). Zastosowane tutaj progi skutecznie uchwyciły położenie frontu (Rysunek 3B) i zapewniły przedstawienie granic całych mas wodnych (Rysunek 3C). Gradienty i fronty były niemal identyczne, ponieważ fronty zostały uzyskane głównie z gradientu.

figure-results-3
Rycina 3: Procedura wykrywania frontów na podstawie SST.
(A) Amplituda gradientu SST, (B) rozkład frontów SST w postaci cienkich czarnych linii oraz (C) rozkład frontów w oparciu o odpowiednie gradienty SST. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Ze względu na zachmurzenie w danych dotyczących CHL, SST oraz frontów, w niniejszym badaniu obliczono i zastosowano miesięczne średnie szeregi czasowe. Przykładowy obraz dla miesiąca kwietnia 2015 r. przedstawiono na Rysunku 4. Dla żadnego z parametrów nie wystąpiły luki w danych. Ogólne wzorce dla różnych parametrów były wysoce spójne pod względem ich wariancji przestrzennej. Na przykład CHL była wysoka w pobliżu wybrzeża i niska w centralnej części basenu, podczas gdy SST była niska w pobliżu wybrzeża i wysoka w centralnej części basenu. Średnia miesięczna dostarczyła kompleksowych informacji pozwalających opisać cechy regionalne. Fronty były rozmieszczone głównie wzdłuż wybrzeża, gdzie dynamika jest złożona. Duża część basenu była wolna od frontów; w związku z tym centrum SCS charakteryzowało się wartością bliską zeru (Rysunek 4E).

figure-results-4
Rycina 4: Średnie miesięczne głównych parametrów w kwietniu 2015 r.
(A) CHL (w skali logarytmicznej), (B) SST, (C) WSC (cieniowanie) wraz z WS (wektor), (D) anomalia powierzchni morza oraz (E) prawdopodobieństwo frontalne (FP). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Większość cech powierzchniowych charakteryzowała się wyraźną zmiennością sezonową, co zostało jednoznacznie zaobserwowane przy użyciu EOF. EOF to użyteczna metoda matematyczna, szeroko stosowana w naukach atmosferycznych i morskich. Metoda ta pozwala wyodrębnić wzorce przestrzenne i sygnały czasowe z szeregów czasowych w obrębie domen przestrzennych28. Po dekompozycji czasowo-przestrzennej cech powierzchni morza w SCS, do opisu zmienności przestrzennej i czasowej zazwyczaj wymagane są dwa pierwsze tryby. Dwa pierwsze EOF dla CHL opisały odpowiednio 44% i 12% całkowitej wariancji. EOF1 uchwycił dużą wariancję w północnej sekcji SCS (Rycina 5A). Odpowiadająca im miesięczna średnia szeregu czasowego (Rycina 5C) wykazała, że CHL była podwyższona w zimie i obniżona w lecie. Region sąsiadujący z południowo-zachodnim wybrzeżem charakteryzował się słabą amplitudą, a odpowiadającą mu zmienność uchwycono głównie w EOF2 (Rycina 5B). Wartości CHL były wysokie w lecie i niskie w zimie. Było to głównie w przeciwfazie w porównaniu z sekcją północną. Miesięczne szeregi czasowe dla EOF wykazały wyraźną zmienność sezonową, przy czym EOF2 wyprzedzał EOF1 o około 4 miesiące (Rycina 5E).

figure-results-5
Rysunek 5: EOF dla CHL.
(A) Amplituda EOF1, (B) amplituda EOF2, (C) miesięczna średnia seria czasowa dla EOF1, (D) miesięczna średnia seria czasowa dla EOF2 oraz (E) miesięczne serie czasowe EOF1 (czarna) i EOF2 (niebieska). Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Wyjaśniona wariancja w dwóch pierwszych EOF dla SST była wyraźnie wysoka i wyniosła odpowiednio 91% dla EOF1 oraz 5% dla EOF2. Należy podkreślić, że przed przeprowadzeniem analizy EOF należy usunąć średnią ogólną; w związku z tym wykluczono pole średnie. EOF1 dominował w całkowitej wariancji, a jego amplituda była największa w północnej części SCS i malała w kierunku południowym (Rysunek 6A). Odpowiadająca mu miesięczna średnia szeregu czasowego (Rysunek 6C) wykazała, że SST była podwyższona latem i obniżona zimą. Południowa część SCS charakteryzowała się słabą amplitudą, co przypisuje się utrzymującym się wysokim temperaturom w niskich szerokościach geograficznych. Zmienność w sekcji południowej została uchwycona głównie przez EOF2 (Rysunek 6B). Odpowiadająca mu SST była podwyższona między marcem a czerwcem, natomiast w pozostałych miesiącach utrzymywały się niskie wartości. Wyraźne ocieplenie wystąpiło w 2010 i 2016 roku, kiedy SST u wybrzeży południowo-zachodniej części SCS była znacznie wyższa niż w innych latach (Rysunek 6E). Zmienność międzyroczna ta jest przypisywana głównie zjawiskom El Niño, które osłabiają letni monsun południowo-zachodni i prowadzą do słabego upwellingu12. Ponieważ głównym celem niniejszego badania jest zmienność sezonowa, cecha ta nie jest dalej omawiana.

figure-results-6
Rysunek 6: EOF dla SST.
(A) Amplituda EOF1, (B) amplituda EOF2, (C) średniomiesięczne szeregi czasowe dla EOF1, (D) średniomiesięczne szeregi czasowe dla EOF2 oraz (E) miesięczne szeregi czasowe EOF1 (czarny) i EOF2 (niebieski). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Ze względu na szum charakterystyczny dla gradientu, wyprowadzony front wyjaśniał znacznie mniejszą część wariancji. W rzeczywistości EOF1 i EOF2 dla FP wyjaśniały odpowiednio tylko 19% i 9% całkowitej wariancji. EOF1 uchwycił wariancje w północnej i północno-wschodniej części SCS (Rysunek 7A). Odpowiadająca im miesięczna średnia szeregów czasowych (Rysunek 7C) wykazała, że w tych regionach więcej zjawisk FP występowało podczas zimy, a mniej podczas lata. Faza u wybrzeży południowo-zachodniej części SCS była przeciwna, choć odpowiadająca jej zmienność była znacznie mniej wyraźna. EOF2 uchwycił wiosenne wzmocnienie FP (Rysunek 7D) w zachodniej części SCS (Rysunek 7B). Miesięczne szeregi czasowe EOF1 i EOF2 charakteryzowały się słabą zmiennością międzyroczną.

figure-results-7
Rycina 7: EOF dla FP.
(A) Amplituda EOF1, (B) amplituda EOF2, (C) średniomiesięczne szeregi czasowe dla EOF1, (D) średniomiesięczne szeregi czasowe dla EOF2 oraz (E) miesięczne szeregi czasowe EOF1 (czarny) i EOF2 (niebieski). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Zbadano wpływ różnych czynników na stężenie CHL (Rycyna 8). Przykładowo, SST może posłużyć do zrozumienia podstawowych cech oceanu, które mogą wpływać na tempo wzrostu fitoplanktonu, a w konsekwencji oddziaływać na CHL. W większości obszaru SCS odnotowano wysoką korelację między SST a CHL (Rycina 8A), a większość tych korelacji przekroczyła wartość -0,8. Należy zaznaczyć, że wysoka korelacja nie wskazuje na związek przyczynowo-skutkowy między tymi dwoma czynnikami. Wraz z osiągnięciem przez SST rocznego maksimum w lecie, MLD stało się najpłytsze21. Podaż składników odżywczych do warstwy eufotycznej była niska, ponieważ mieszanie pionowe zostało zablokowane przez intensywną stratyfikację13. W rezultacie niski poziom składników odżywczych ograniczył tempo wzrostu fitoplanktonu, co doprowadziło do niskich wartości CHL. Przeciwnie, wysokie wartości CHL występowały zimą, gdy MLD była głębsza, a niskie SST powodowało słabą stratyfikację35.

figure-results-8
Rysunek 8: Korelacje między CHL a innymi czynnikami w skali sezonowej.
(A) SST, (B) WS, (C) WSC, (D) FP oraz (E) SLA. Kolor szary oznacza, że korelacja jest nieistotna statystycznie. Zmienne uśrednione przestrzennie zostały obliczone na podstawie zielonej ramki na panelu A. Ich szeregi czasowe posłużyły do uzyskania współczynników korelacji w Tabeli 1. Rysunek zmodyfikowany na podstawie pracy Yu et al.17. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Mieszanie wywołane wiatrem można przybliżeniu określić na podstawie WS, co zostało wykorzystane do opisania mieszania pionowego18. Wysokie współczynniki korelacji, o wartościach około 0,8, stwierdzono pomiędzy poziomami WS i CHL w północnej części SCS (Rysunek 8B), szczególnie w regionach z najsilniejszym wiatrem zimowym znajdujących się na północnym szelfie SCS. Na południu stwierdzono słabe, lecz istotne korelacje. Korelacje między WSC a CHL były istotne w większości obszaru SCS (Rysunek 8C), choć wykazywały przeciwstawne trendy na północy i południu. Na południu zidentyfikowano dodatni współczynnik korelacji między CHL a WSC, natomiast na północy wartości były ujemne. Korelacja w regionie pomiędzy nimi nie była istotna. Stwierdzono silną korelację między WS a CHL w odpowiadającym im obszarze, w którym zimowe WS było największe.

Fronty mogą również indukować zmienność CHL. Silna korelacja została odnotowana w północno-wschodniej i południowo-zachodniej części SCS (Rysunek 8D). CHL wzrastało wraz ze wzrostem aktywności frontów36. SLA wykazało istotną ujemną korelację z CHL od północno-wschodniej części SCS w kierunku południowo-zachodniej oraz korelację dodatnią wzdłuż zachodniego wybrzeża SCS (Rysunek 8E). Warto zauważyć, że korelacje dodatnie były ograniczone do regionu o płytkiej topografii.

Na północny wschód od SCS wszystkie korelacje były wysokie (Rysunek 8). Zatem korelacje miesięcznych szeregów czasowych między CHL a innymi parametrami obliczono, stosując średnią przestrzenną w wyznaczonym obszarze (Rysunek 8A), i większość czynników była ze sobą powiązana istotnymi korelacjami (prawa górna sekcja Tabeli 1). Ponieważ w szeregach czasowych dominował cykl sezonowy, korelacja przestała być istotna po usunięciu średniej miesięcznej (lewa dolna sekcja Tabeli 1).

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

Tabela 1: Współczynniki korelacji szeregów czasowych między czynnikami w regionie na północny wschód od SCS, np. SST (temperatura powierzchni morza), FP (prawdopodobieństwo frontu), WSC (wirowość naprężeń wiatru) i WS (naprężenie wiatru), z wykorzystaniem obszaru zaznaczonego na rysunku 8A. Średnie miesięczne oraz anomalie przedstawiono odpowiednio w prawym górnym i lewym dolnym fragmencie. Liczby pogrubione i kursywą wskazują, że korelacja nie spełnia 95% poziomu ufności. Tabela została zmodyfikowana na podstawie pracy Yu et al.17.

Korelacje w cyklu sezonowym nie były istotne dla niektórych regionów, takich jak południowo-zachodnia część SCS (Rycina 8). Region ten jest zdominowane przez procesy dynamiczne (np. upwelling i wywołany wiatrem transport w kierunku otwartego morza), które determinują zmienność stężenia CHL17W polach anomalii zidentyfikowano istotną korelację między CHL a innymi czynnikami (np. SST, WS, frontami i WSC) (Rycina 9). Anomalie dla miesięcznych szeregów czasowych obliczono poprzez odjęcie odpowiadającej im średniej miesięcznej. Efektywną liczbę stopni swobody można by zwiększyć, jednak wcześniejsze badania wykazały, że nie wpłynie na podstawowe zależności pomiędzy ich szeregami czasowymi28,37.

figure-results-9
Rycina 9: Korelacja między CHL a innymi czynnikami w polach anomalnych.
(A) SST, (B) WS, (C) WSC, (D) FP oraz (E) SLA. Kolor szary oznacza, że korelacja jest nieistotna. Zmienne uśrednione przestrzennie obliczono na podstawie zielonego pola w panelu A. The szeregi czasowe zostały wykorzystane do wyznaczenia współczynników korelacji przedstawionych w Tabela 2Rysunek został zmodyfikowany na podstawie pracy Yu i wsp.17. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

W polach anomalii CHL i SST były istotnie skorelowane w większości obszaru SCS (Rysunek 9A). Gdy wartości SST były nietypowo wysokie, wartości CHL stawały się nietypowo niskie i odwrotnie. Podobnie, nietypowo wysoka WSC oraz fronty w południowo-zachodniej części SCS powodowały wysokie poziomy CHL i odwrotnie (Rysunek 9C, 9D). Ponadto stwierdzono ujemną korelację między wartościami SLA a poziomami CHL (Rysunek 9E). Przetestowano różne opóźnienia, a korelacja stała się istotna tylko wtedy, gdy nie zastosowano żadnego opóźnienia. Zatem CHL ulegał jednoczesnemu wpływowi anomalii SST, WSC i frontów, a także SLA. Ich zależności zostały dalej zbadane przy użyciu uśrednionych przestrzennie miesięcznych szeregów czasowych z południowo-zachodniej części SCS, zaznaczonej zieloną ramką na Rysunku 9A. Wyniki pokazują, że większość czynników była ze sobą skorelowana, wykazując istotne korelacje w polu anomalii (lewa dolna sekcja Tabeli 2).

Chl-aSSTWSWSCFPSLA
Chl-a-0.150.360.350.26-0.15
SST-0.59-0.480.610.070.17
WS0.25-0.24-0.14-0.020.1
WSC0.29-0.10.410.53-0.21
FP0.57-0.420.240.29-0.42
SLA-0.30.54-0.23-0.29-0.47

Tabela 2: Współczynniki korelacji szeregów czasowych między czynnikami w południowo-zachodniej części SCS, np. SST (temperatura powierzchni morza), FP (prawdopodobieństwo frontu), WSC (wirowość naprężenia wiatru) i WS (naprężenie wiatru), z wykorzystaniem obszaru pokazanego na rysunku 9A. Średnie miesięczne oraz anomalie przedstawiono odpowiednio w prawym górnym i lewym dolnym fragmencie. Liczby pogrubione i kursywą wskazują, że korelacja nie spełnia 95% poziomu ufności. Tabela została zmodyfikowana na podstawie Yu i wsp.17.

Pliki uzupełniające. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

  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

Tagi

Obserwacje satelitarneempiryczna funkcja ortogonalnatemperatura powierzchni morzawysokość powierzchni morzanaprężenie wiatrudetekcja frontówdane uśrednione miesięcznieanaliza korelacji
Badanie związku między chlorofilem na powierzchni morza a głównymi cechami Morza Południowochińskiego za pomocą informacji satelitarnych
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.