Name: Badanie związku między chlorofilem na powierzchni morza a głównymi cechami Morza Południowochińskiego za pomocą informacji satelitarnych (Wideo) | JoVE Journal
Uploaded: 2020-06-13T13:30:00.000+00:00
Duration: 10 min 28 s
Description: Poznaj metodę analizy obserwacji satelitarnych chlorofilu i temperatury powierzchni morza w celu badania dynamiki ekosystemu Morza Południowochińskiego.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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).

1. Pozyskiwanie zbioru danych
<ol>
	<li>SST i CHL
	<ol>
		<li>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&#160;4.5 km w odstępach dobowych. 
		UWAGA: Strukturę katalogów&#160;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&#160;w oprogramowaniu analitycznym (np. MATLAB). Wybrać opcję Add with subfolders, aby objąć ścieżki do folderu „UTILITIES” oraz jego podfolderów.</li>
		<li>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.</li>
		<li>Określić zasięg przestrzenny. 
		UWAGA: Zaprojektowany obszar badań znajduje się między 105°E a 123°E oraz między 0° a 25°N.</li>
		<li>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&#160;dane nad lądem i w odległości do 5 km od linii brzegowej, a także dane zanieczyszczone zachmurzeniem.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Anomalia poziomu morza (SLA)
	<ol>
		<li>Pobrać dobowe dane SLA o rozdzielczości przestrzennej 25 km z lat 2002–201732. 
		UWAGA: SLA&#160;opisują&#160;różnicę między obserwowaną wysokością powierzchni morza a średnią wysokością powierzchni morza z 20 lat (1993−2012) dla&#160;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).</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Prędkość wiatru
	<ol>
		<li>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°.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Topografia
	<ol>
		<li>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.</li>
		<li>Wczytać dane do oprogramowania analitycznego. Wpisać Read_topography w oknie poleceń, aby załadować dane topograficzne do oprogramowania analitycznego.</li>
	</ol>
	</li>
</ol>
2. Przetwarzanie wstępne danych
<ol>
	<li>Średnia czasowa
	<ol>
		<li>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.</li>
	</ol>
	</li>
	<li>Interpolacja do tej samej siatki
	<ol>
		<li>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.</li>
	</ol>
	</li>
	<li>Naprężenie wiatru i rotacja naprężenia wiatru
	<ol>
		<li>Wpisz Wind_stress_curl w oknie poleceń, aby obliczyć naprężenie wiatru (WS) i rotację naprężenia wiatru (WSC) przy użyciu następujących równań: 
		<img alt="Równanie 1" src="/files/ftp_upload/61172/61172equ01.jpg" /> 
		<img alt="Równanie 2" src="/files/ftp_upload/61172/61172equ02.jpg" /> 
		gdzie <img alt="Równanie 10" src="/files/ftp_upload/61172/icon01.jpg" /> to wektor prędkości wiatru; <img alt="Równanie 10" src="/files/ftp_upload/61172/icon02.jpg" /> to WS w tym samym kierunku co wektor wiatru; <img alt="Równanie 10" src="/files/ftp_upload/61172/icon03.jpg" /> oraz <img alt="Równanie 10" src="/files/ftp_upload/61172/icon04.jpg" /> to odpowiednio WS w kierunkach wschodnim i północnym; <img alt="Równanie 10" src="/files/ftp_upload/61172/icon05.jpg" /> to gęstość powietrza (równa 1.2 kg/m3); a C to współczynnik oporu (użyto wartości 0.0015) w warunkach stabilności neutralnej34.</li>
	</ol>
	</li>
	<li>Średnie miesięczne
	<ol>
		<li>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.</li>
	</ol>
	</li>
</ol>
3. Detekcja frontów SST
<ol>
	<li>Wygładzanie przestrzenne
	<ol>
		<li>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&#160;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.</li>
	</ol>
	</li>
	<li>gradient SST
	<ol>
		<li>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). 
		<img alt="Równanie 3" src="/files/ftp_upload/61172/61172equ03.jpg" /> 
		<img alt="Równanie 4" src="/files/ftp_upload/61172/61172equ04.jpg" /></li>
	</ol>
	</li>
	<li>Maksimum lokalne
	<ol>
		<li>Zidentyfikuj front poprzez przetestowanie a&#160;Wartość gradientu SST: etykieta a&#160;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 &#176;C/km zgodnie z poprzednimi badaniami10,28. 
		UWAGA: Odpowiadający temu skrypt „Local_maximum.mjest dostępny w&#160;Pliki uzupełniające.</li>
	</ol>
	</li>
	<li>Miesięczne prawdopodobieństwo czołowe (FP) 
	UWAGA: Prawdopodobieństwo frontalne (FP) opisuje prawdopodobieństwo zaobserwowania frontu.
	<ol>
		<li>Oblicz FP dla określonego przedziału czasowego (w tym przypadku, a&#160;odstęp miesięczny), wpisując Miesięczny_FP aby uruchomić skrypt. Podziel liczbę wystąpień frontów w każdym pikselu w określonym oknie czasowym przez liczbę dni, które są&#160;bez zachmurzenia.</li>
	</ol>
	</li>
</ol>
4. Zmienność przestrzenna i czasowa
<ol>
	<li>Cykl sezonowy
	<ol>
		<li>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.</li>
	</ol>
	</li>
	<li>Empiryczna funkcja ortogonalna (EOF)
	<ol>
		<li>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.</li>
		<li>Zastosować EOF w celu opisania zmienności przestrzennej i czasowej&#160;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.</li>
	</ol>
	</li>
</ol>
5. Interkorelacja
<ol>
	<li>Korelacja w skali sezonowej
	<ol>
		<li>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.</li>
	</ol>
	</li>
	<li>Korelacja pola anomalii
	<ol>
		<li>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 &#160;odpowiedniego miesiąca od miesięcznych szeregów czasowych. Wpisz Anomalous_correlation, aby uruchomić skrypt i uzyskać korelacje.</li>
	</ol>
	</li>
</ol>
6. Wyświetlanie informacji i obliczanie relacji
<ol>
	<li>Wyświetlanie informacji satelitarnych.
	<ol>
		<li>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.</li>
	</ol>
	</li>
	<li>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.</li>
	<li>Obliczanie zależności między CHL&#160;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&#160;(Rycina 8) oraz anomalii&#160;(Rycina 9).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

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.

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.

<table><tbody><tr><td>Matlab</td><td>MathWorks</td><td>Matlab R2016</td><td>https://www.mathworks.com/products/matlab.html; odnosi się do oprogramowania analitycznego w protokole</td></tr><tr><td>Chlorofil powierzchni morza</td><td>NASA</td><td>MODIS</td><td>mg/mg3 (podaac-tools.jpl.nasa.gov)</td></tr><tr><td>Miernik wysokości powierzchni morza</td><td>AVISO</td><td>AVISO</td><td>(www.aviso.altimetry.fr)</td></tr><tr><td>Temperatura powierzchni morza</td><td>NASA</td><td>MODIS</td><td>& Stopniach; C (podaac-tools.jpl.nasa.gov)</td></tr><tr><td>Topografia</td><td>NOAA</td><td>Miernik NGDC</td><td>(maps.ngdc.noaa.gov/viewers/wcs-client/)</td></tr><tr><td>Wiatr</td><td>ECMWF</td><td>ERA-interim</td><td>m/s (www.ecmwf.int/en/forecasts/datasets)</td></tr></tbody></table>

badanie związku między chlorofilem na powierzchni morza a głównymi cechami morza południowochińskiego za pomocą informacji satelitarnych

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

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.

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.

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

Satellite observations offer a great approach to investigate the features of major marine parameters, including sea surface chlorophyll (CHL), sea surface ...

Obserwacje satelitarne stanowią doskonałe podejście do badania cech głównych parametrów morskich, w tym chlorofilu i temperatury powierzchni morza, wysokości powierzchni morza oraz czynników wynikających z tych parametrów, takich jak fronty. Nasze badanie pokazuje, w jaki sposób wykorzystać obserwacje satelitarne do opisania głównych parametrów i ich zależności. Dane satelitarne z lat 2002-2017 zostały wykorzystane do opisania cech powierzchni Morza Południowochińskiego.Obserwacja satelitarna chlorofilu jest czynnikiem, który służy do ochrony oceanów. Czynniki związane ze zmiennością chlorofilu badano za pomocą szeregów czasowych. Metoda ta może być zastosowana do innych oceanów na świecie i będzie pomocna w zrozumieniu dynamiki morskiej i ekosystemu.Pokazujemy krok po kroku procedurę pozyskiwania danych satelitarnych o różnych parametrach, opisującą zmienność przestrzenną i czasową oraz określającą wzajemne zależności między różnymi czynnikami. Uzyskuje się przestrzenne i czasowe zmienności parametrów. Są to empiryczne funkcje ortogonalne, a wzajemne powiązania między różnymi czynnikami są uzyskiwane przez zerowe współczynniki korelacji.W celu pozyskania danych o temperaturze powierzchni morza i chlorofilu na powierzchni morza należy pobrać zestaw danych obserwacji satelitarnych z MODIS Aqua, dla których rozdzielczość przestrzenna obu zestawów danych wynosi około 4,5 kilometra w odstępach dziennych. Przechowuj pobrane pliki satelitarne w folderze danych i uporządkuj katalog folderów, jak pokazano. Dodaj ścieżkę przybornika dla pliku NetCDF w programie MATLAB i wybierz pozycję dodaj z podfolderami, aby ująć ścieżki folderu skryptów.Ścieżka do wszystkich wymaganych katalogów danych i funkcji pojawi się w ścieżce wyszukiwania MATLAB. Następnie załaduj dane dotyczące temperatury powierzchni morza do oprogramowania analitycznego. W celu uzyskania zestawu danych anomalii poziomu morza pobierz dzienne dane o anomaliach poziomu morza z rozdzielczością przestrzenną 25 kilometrów z tego samego przedziału czasu i wprowadź polecenie, aby załadować dane anomalii poziomu morza w ciągu jednego dnia.Aby uzyskać dane dotyczące prędkości wiatru, należy pobrać dane dotyczące wiatru z tego samego okresu z produktu do tymczasowej ponownej analizy ERA i wprowadzić polecenie, aby odczytać dane dotyczące wiatru z jednego miesiąca. Uzyskane zmienne u, v i czasowe reprezentują odpowiednio wszystkie prędkości strefowe i południk oraz odpowiadający im czas. Aby uzyskać dostęp do zestawu danych topograficznych, pobierz dane topograficzne o wysokiej rozdzielczości ze strony internetowej National Centers for Environmental Information i wprowadź polecenie, aby załadować dane topograficzne do oprogramowania analitycznego.Zmienne XX, YY i ZZ wskazują odpowiednio szerokość, długość geograficzną i odpowiednią głębokość. Ze względu na duże pokrycie chmur w danych dotyczących temperatury powierzchni morza i chlorofilu na powierzchni morza użyj polecenia, aby zastąpić oryginalne dane średnimi danymi z trzech dni. Ponieważ rozdzielczość przestrzenna nie jest spójna dla różnych zestawów danych, wprowadź polecenie, aby interpolować dane dotyczące temperatury powierzchni morza i chlorofilu na powierzchnię morza do siatki przestrzennej, która jest taka sama jak siatka przestrzenna anomalii wiatru i poziomu morza.Wprowadź polecenie zgodnie ze wskazaniami, aby obliczyć naprężenie wiatru i zwijanie się naprężenia wiatru. Aby obliczyć miesięczną temperaturę powierzchni morza, wiatr i szeregi czasowe anomalii poziomu morza jako średnie 30-dniowe w każdym pikselu, wprowadź polecenie zgodnie ze wskazaniami. W przypadku wygładzania przestrzennego wprowadź polecenie, aby uruchomić skrypt w celu wygładzenia danych średniej temperatury powierzchni morza z trzech dni w każdym pikselu.Aby określić gradient temperatury powierzchni morza, wprowadź polecenie, aby uruchomić skrypt w celu obliczenia gradientów temperatury powierzchni morza w strefie i południku jako różnicy temperatury powierzchni morza między dwoma najbliższymi pikselami podzielonej przez odpowiednią odległość. Aby zidentyfikować front, testując wartość gradientu temperatury powierzchni morza, oznacz piksel jako potencjalny piksel czołowy, jeśli wartość była większa niż wyznaczony próg. Aby obliczyć miesięczne prawdopodobieństwo, że front będzie miał miejsce w określonym przedziale czasu, wprowadź polecenie.Aby załadować dane miesięczne do analizy, wprowadź polecenia i zastosuj empiryczną funkcję ortogonalną w celu opisania przestrzennych i czasowych zmienności różnych parametrów. Program obliczy wielkość, wartości własne i amplitudę empirycznych funkcji ortogonalnych dla zestawu danych. Aby określić korelację w skali sezonowej, wprowadź polecenie w celu obliczenia korelacji między dwoma czynnikami na podstawie ich szeregów czasowych dla każdego piksela.Następnie wprowadź polecenie, aby obliczyć korelacje między miesięcznymi anomaliami chlorofilu na powierzchni morza a innymi czynnikami. Aby wyświetlić informacje satelitarne, wprowadź polecenie, aby uruchomić skrypt w celu wygenerowania prezentacji informacji satelitarnych, w tym chlorofilu na powierzchni morza, temperatury i wiatru oraz anomalii poziomu morza i rozkładu frontów. Wprowadź polecenie, aby wyświetlić wynik empirycznej funkcji ortogonalnej.Następnie wprowadź polecenie, jak wskazano, aby obliczyć związek między chlorofilem a innymi czynnikami na polach sezonowych i anomalnych. Topografia ma znaczący wpływ na przestrzenne rozmieszczenie chlorofilu powierzchniowego morza, przy czym chlorofil na dużej powierzchni morza występuje głównie wzdłuż wybrzeża Morza Południowochińskiego, gdzie topografia jest płytka. Na wiatr wpływa również orografia, przy czym dzierżawiona strona gór charakteryzuje się słabym wiatrem i wyraźnym zakrętem naprężeń wiatrowych zidentyfikowanym na południowy zachód od Morza Południowochińskiego.Zastosowane tu progi skutecznie oddają położenie frontu i zapewniają odwzorowanie granic całych mas wodnych. W tej analizie, empirycznej funkcji ortogonalnej, udało się uchwycić dużą wariancję w północnej części Morza Południowochińskiego. Odpowiednia średnia miesięczna szeregów czasowych wykazała, że poziom chlorofilu na powierzchni morza był podwyższony zimą i obniżony latem.Region przylegający do południowo-zachodniego wybrzeża charakteryzował się słabą wielkością gwiazdową, a odpowiadająca jej zmienność była głównie uchwycona przez empiryczną funkcję ortogonalną dwa. Wartości chlorofilu na powierzchni morza były wysokie latem i niskie zimą, co było głównie przesunięte w fazie w porównaniu z regionem północnym. Rzeczywiście, miesięczne szeregi czasowe dla empirycznych funkcji ortogonalnych wykazały wyraźną zmienność sezonową, przy czym empiryczna funkcja ortogonalna to dwie wiodące empiryczne funkcje ortogonalne o około cztery miesiące.Korelacje między chlorofilem a innymi czynnikami reprezentują wzajemne zależności czynników. Na przykład w tej analizie temperatura powierzchni morza jest ujemnie skorelowana z chlorofilem, podczas gdy stres wiatrowy jest dodatnio skorelowany z chlorofilem. Tak więc wysoki poziom chlorofilu był związany z niską temperaturą i silnym wiatrem dla tych danych.Identyfikacja zmienności parametrów oceanicznych i zbadanie ich związku z chlorofilem ma kluczowe i ważne znaczenie dla dynamiki oceanów i ekosystemu morskiego. Aktywność frontalna jest szczególnie ważna, ponieważ wysoki poziom chlorofilu jest zwykle związany z frontem. Modyfikacja może mieć miejsce w celu zmiany progu wykrywania frontu, a najlepszym podejściem do walidacji frontu jest porównanie ich z obserwacjami instytutu.Podsumowując, za pomocą obserwacji satelitarnych można dokładnie opisać rozkład przestrzenny i czasową zmienność cech powierzchni oceanu. Wraz z rosnącą rozdzielczością można zidentyfikować i zbadać bardziej szczegółowe cechy w przyszłości.

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

Research

JoVE Journal

Environment

Środowisko

Plankton i zawieszone cząstki odgrywają główną rolę w cyklach biogeochemicznych w oceanie. W tym przypadku zapewniamy ultraczystą, bezstresową metodę zbierania różnych rozmiarów cząstek i planktonu na morzu, która jest w stanie poradzić sobie z dużymi ilościami wody morskiej.

Ultra-czyste, wielowarstwowe urządzenie do zbierania frakcjonowanego planktonu morskiego i zawieszonych cząstek

Opisujemy nowe techniczne podejście do badania reakcji fotosyntezy u wyższych roślin, obejmujące jednoczesne pomiary fluorescencji chlorofilu a i reflektancji liści za pomocą PAM i radiometru spektralnego do wykrywania sygnałów z tego samego obszaru liści u Arabidopsis.

Ocena zachowań fotosyntetycznych poprzez jednoczesne pomiary współczynnika odbicia liści i analizy fluorescencji chlorofilu

Protokół wydobywa informacje z krzywych blasku egzoplanet i tworzy mapy ich powierzchni. Wykorzystuje krzywe blasku Ziemi, która służy jako proxy egzoplaneta, aby zademonstrować to podejście.

Mapowanie powierzchni egzoplanet podobnych do Ziemi za pomocą jednopunktowych krzywych blasku

Szybka multidyscyplinarna strategia wczesnego wykrywania zakwitów sinic i związanych z nimi cyjanotoksyn jest opisana tutaj. Pozwala na wykrycie cyjanobakterii i pokrewnych sinic w próbkach wody oraz w matrycach organicznych, takich jak próbki małży, w ciągu 24 godzin.

Wczesne wykrywanie zakwitów sinic i związanych z nimi cyjanotoksyn przy użyciu strategii szybkiego wykrywania

Ten protokół wprowadza etapy analizy metabarcodingu, ukierunkowane na geny 16S rRNA i 18S rRNA, do monitorowania szkodliwych zakwitów glonów i związanego z nimi mikrobiomu w próbkach wody morskiej. Jest to potężne narzędzie oparte na molekularności, ale wymaga kilku procedur, które są tutaj wizualnie wyjaśnione krok po kroku.

Ustandaryzowana procedura monitorowania szkodliwych zakwitów glonów w Chile za pomocą analizy metabarcoding

Tutaj prezentujemy protokół przekształcania obrazów mikroskopowych fitoplanktonu w grafikę wektorową i powtarzalne wzory, aby umożliwić wizualizację zmian w taksonach fitoplanktonu i biomasie na przestrzeni 60 lat. Protokół ten reprezentuje podejście, które można wykorzystać dla innych szeregów czasowych planktonu i zestawów danych na całym świecie.

Wizualizacja danych oceanograficznych w celu zobrazowania długoterminowych zmian w fitoplanktonie

Ten protokół obejmuje czteroetapową metodologię badań obrazowania dużych obszarów, używaną do wyodrębniania wskaźników złożoności strukturalnej, składu społeczności i demografii populacji dla społeczności raf koralowych. Jakość zebranych zobrazowań i zintegrowany dostęp do zobrazowań źródłowych są traktowane priorytetowo na każdym etapie protokołu.

Pomiar struktury, składu i zmian środowiska podwodnego za pomocą obrazowania wielkopowierzchniowego

Poniższy protokół opisuje metodologię: pobierania próbek mikroplastiku na powierzchni morza, separacji mikroplastiku i chemicznej identyfikacji cząstek. Protokół ten jest zgodny z zaleceniami dotyczącymi monitorowania mikrodrobin plastiku opublikowanymi przez Podgrupę Techniczną ds. Odpadów Morskich ds. Dyrektywy Ramowej w sprawie Strategii Morskiej.

Protokół pobierania próbek mikrodrobin plastiku z powierzchni morza i analizy próbek

Analizy składu izotopowego siarki (δ34S) pirytu z osadów metanowych zazwyczaj koncentrowały się na próbkach masowych. Tutaj zastosowaliśmy spektroskopię mas jonów wtórnych, aby przeanalizować wartości δ34S różnych generacji pirytu, aby zrozumieć diagentyczną historię pirytyzacji.

Otrzymywanie autigenicznego pirytu z osadów metanowych do analizy izotopów siarki in situ za pomocą SIMS

Ten artykuł opisuje protokoły fumigacji tlenkiem azotu (NO) do zwalczania szkodników po zbiorach. Komory fumigacyjne przepłukuje się azotem (N2) w celu ustalenia warunków bardzo niskiego poziomu tlenu przed wstrzyknięciem NO. Na koniec komory przepłukuje sięN2 w celu rozcieńczenia NO przed wystawieniem produktów na działanie powietrza atmosferycznego, aby zapobiec narażeniu na NO2.

Procedury fumigacji laboratoryjnej w celu zwalczania szkodników gazowym tlenkiem azotu

Poznaj metodę analizy obserwacji satelitarnych chlorofilu i temperatury powierzchni morza w celu badania dynamiki ekosystemu Morza Południowochińskiego.

Badanie związku między chlorofilem na powierzchni morza a głównymi cechami Morza Południowochińskiego za pomocą informacji satelitarnych (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów