Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Environment

חקירת הקשר בין כלורופיל פני הים ותכונות עיקריות של ים סין הדרומי עם מידע לווין

Published: June 13, 2020 doi: 10.3791/61172
* These authors contributed equally

Summary

כלורופיל פני הים, טמפרטורה, גובה פני הים, רוח ונתונים קדמיים שהושגו או נגזרו מתצפיות לוויין מציעים דרך יעילה לאפיין את האוקיינוס. מוצגת שיטה למחקר מקיף של נתונים אלה, כולל ממוצע כולל, מחזור עונתי וניתוחי יחסי גומלין, כדי להבין באופן מלא את הדינמיקה האזורית ואת המערכות האקולוגיות.

Abstract

תצפיות לוויין מציעות גישה מצוינת לחקור את התכונות של פרמטרים ימיים עיקריים, כולל כלורופיל פני הים (CHL), טמפרטורת פני הים (SST), גובה פני הים (SSH), וגורמים הנגזרים פרמטרים אלה (למשל, חזיתות). מחקר זה מראה הליך שלב אחר שלב לשימוש בתצפיות לוויין לתיאור פרמטרים מרכזיים ויחסיהם בתחומים עונתיים וחגומיים. שיטה זו מודגמת באמצעות ערכות נתונים לוויין 2002-2017 ששימשו לתיאור תכונות פני השטח של ים סין הדרומי (SCS). בשל כיסוי ענן, נעשה שימוש בנתונים ממוצעים חודשיים במחקר זה. הפונקציה האמפירית אורתוגונלית (EOF) הוחלה כדי לתאר את ההתפלגות המרחבית ואת השונות הזמנית של גורמים שונים. רוח המונסון שולטת על השונות באגן. לכן, רוח מ dataset ניתוח מחדש שימש כדי לחקור את הכוח המניע שלה על פרמטרים שונים. השונות העונתית ב- CHL הייתה בולטת ומתואמת באופן משמעותי עם גורמים אחרים ברוב ה- SCS. בחורף, מונסון צפון-מזרחי חזק גורם לשכבה מעורבת עמוקה ורמה גבוהה של כלורופיל בכל האגן. מקדמי מתאם משמעותיים נמצאו בין הגורמים במחזור העונתי. בקיץ, רמות CHL גבוהות נמצאו בעיקר ב- SCS המערבי. במקום תלות עונתית, האזור היה דינמי מאוד, וגורמים מתואמים באופן משמעותי בתחומים חריגים כך שרמות CHL גבוהות במיוחד היו קשורות לרוחות חזקות באופן חריג ולפעילויות חזיתיות אינטנסיביות. המחקר מציג הליך שלב אחר שלב לשימוש בתצפיות לוויין לתיאור פרמטרים מרכזיים ויחסיהם בתחומים עונתיים וחגומיים. השיטה יכולה להיות מיושמת על אוקיינוסים גלובליים אחרים ותסייע להבנת הדינמיקה הימית.

Introduction

טכנולוגיית חישה מרחוק מציעה ערכות נתונים נהדרות עם קשקשים מרחביים גדולים ותקופות ארוכות לתיאור סביבות ימיות. עם הרזולוציה המרחבית הגוברת של לוויינים, תכונות מפורטות נפתרות כעת מן הסולם האזורי כמה מאותמטרים 1,2. הבנה משופרת של הדינמיקה הימית ניתן להשיג עם תצפיות לווין המעודכנותביותר 3.

על ידי שילוב חיישנים מרובים בפלטפורמת חישה מרחוק, תיאור מקיף של פרמטרים שונים אפשרי. טמפרטורת פני הים (SST) הוא הפרמטר הבסיסי שנצפה במשך יותר מחצי מאה4. לאחרונה, תצפיות על פני הים chlorophyll-a (CHL) הפכו לזמינים ו ניתן להשתמש בהם כדי לתאר את הפרודוקטיביותהימית 5. לווייני Altimetry משמשים למדידת גובהפני הים 6,7, אשר קשורה קשר הדוק לפעילויות אודי mesoscale באוקיינוס העולמי8,9. בנוסף לאדי, פעילויות פרונטל חשובות גם להשפעה על הדינמיקה האזורית והייצור הראשוני10.

המוקד העיקרי של המחקר הנוכחי הוא למצוא הליך סטנדרטי לתיאור ההתפלגות המרחבית והמגוון הזמני של גורמי אוקיינוס שונים. בשיטה זו, SST, CHL, SSH ונתונים קדמיים, הנגזרים ממילויים הדרגתיים של SST, מנותחים כדי לקבוע תבניות. בפרט, CHL משמש כדי לייצג את הפרודוקטיביות של האוקיינוס, שיטה מוצגת כדי לחקור את הקשר בין CHL ופרמטרים אחרים האוקיינוס. כדי לאמת את השיטה, פרק הזמן שבין אוקטובר 2002 לספטמבר 2017 בים סין הדרומי שימש לבחינת כל הפרמטרים. השיטה יכולה לשמש בקלות עבור אזורים אחרים ברחבי העולם כדי ללכוד דפוסי אוקיינוס מרכזיים ולחקור כיצד הדינמיקה הימית משפיעה על המערכת האקולוגית.

ים סין הדרומי (SCS) הוגדר כאזור המחקר בשל שיעור הכיסוי הגבוה יחסית של תצפיות לוויין. SCS הוא בשפע קרינת השמש; לכן, CHL נקבע בעיקר על ידי הזמינות של חומריםמזינים 11,12. עם יותר חומרים מזינים מועברים לשכבה האופטית, רמות CHL יכול להגדיל13. ערבוב, המושרה על ידי רוח, יכול להכניס חומרים מזינים לתוך פני האוקיינוס ולשפר CHL14. ה- SCS נשלט באופן ייחודי על ידי מערכת רוח מונסון, הקובעת את הדינמיקה ואת המערכת האקולוגית באזור. רוח המונסון היא החזקה ביותר בחורף15. בקיץ הרוחות משנים כיוון ומהירויות הרוח חלשות בהרבה מאלה בחורף16,17. עוצמת הרוח יכולה לקבוע את עוצמת הערבוב האנכי, כך שעומק השכבה המעורבת (MLD) מעמיק ככל שהרוח עולה בחורף והופך רדוד יותר ככל שהרוח פוחתתבקיץ 18. לכן, חומרים מזינים יותר מועברים לשכבה האופטית במהלך החורף כאשר הרוחחזקה 19 ו CHL מגיע לנקודה הגבוהה ביותר שלהשנה 20,21.

בנוסף לרוח, MLD ניתן לקבוע גם באמצעות גורמים אחרים, כגון SST וחריגות פני הים (SLAs), אשר בסופו של דבר להשפיע על תוכן מים מזינים CHL22. במהלך החורף, שיפוע אנכי חלש קשור לטמפרטורות נמוכות על פני השטח20. MLD המתאים הוא עמוק וחומרים מזינים יותר ניתן להעביר כלפי מעלה; לכן, CHL בשכבת פני השטח הואגבוה 17. וריאציה גוברת ברמות CHL ניתן לייחס אדי mesoscale, אשר לגרום תחבורה אנכית ערבוב23. Upwelling נמצא בדרך כלל אדי ציקלוני הקשורים SLAs מדוכא8,9 וריכוזי CHLגבוהים 24. Downwelling נמצא בדרך כלל אדי אנטי סיקלוני הקשורים SLAs מוגבה8,9 ו ריכוזי CHL מדוכא24. בעונות אחרות, ה-MLD הופך רדוד, והשילוב נחלש; לכן, CHL נמוך ניתן לראות על פני רוב האגן25. המחזורים העונתיים של רמות CHL הם לאחר מכן דומיננטי עבור האזור26.

בנוסף לערבוב, חזיתות ואת upwelling החוף הקשורים שלהם יכול עוד יותר לווסת את CHL. החזית, המוגדרת כגבול של מסות מים שונות, חשובה כדי לקבוע את זרימת הדם האזורית ואת תגובות המערכת האקולוגית27. פרונטוגנזה קשורה בדרך כלל עם החוף upwellingוהתכנסות 28,29, אשר יכול לגרום חומרים מזינים להעלות את הצמיחה של פיטופלנקטון30. אלגוריתמים שונים פותחו כדי לזהות באופן אוטומטי חזיתות מתצפיות לווין, כולל שיטות היסטוגרמה ושיפוע SST. הגישה האחרונה מאומצת במחקר זה28.

המתאם של סדרות זמן בין CHL וגורמים שונים מציע תובנות נהדרות לכמת את מערכת היחסים שלהם. המחקר הנוכחי מציע תיאור מקיף של אופן השימוש בתצפיות לוויין כדי לחשוף את הדינמיקה הימית האזורית הקשורה לפרודוקטיביות. תיאור זה יכול לשמש כמדריך לחקירת תהליכי פני השטח בכל חלק של האוקיינוס. המבנה של מאמר זה כולל פרוטוקול שלב אחר שלב, ואחריו תוצאות תיאוריות בטקסט ובמספרים. היישום בנוסף היתרונות והחסרונות של השיטה נידונים לאחר מכן.

Protocol

1. רכישת ערכת נתונים

  1. SST ו- CHL
    1. הורד ערכת נתונים של תצפיות לווין עבור SST ו- CHL מ MODIS-Aqua (podaac-tools.jpl.nasa.gov/), שם הרזולוציה המרחבית של שתי ערכות הנתונים היא כ 4.5 ק"מ במרווחים יומיים.
      הערה: מבנה הספריות והנתונים בהתאם לתיקיית קבצי ה- Script לדוגמה הזמינה בתיקיה קבצים משלימים. אחסן את קבצי ה- .nc של נתוני הלוויין בתיקיה 'Data'. הוסף את הנתיב לארגז הכלים NetCDF בתוכנת הניתוח (כלומר, MATLAB). בחר הוסף עם תיקיות משנה כדי להקיף את הנתיבים של התיקיה 'UtilitIES' ותיקיות המשנה שלה.
    2. קבע את טווח הזמן. כדי לשמור על עקביות בין ערכות נתונים שונות, השתמש באותו טווח זמן עבור כל הפרמטרים. התאם את טווח הזמן בהתבסס על כיסוי הזמן ולהשתמש בתקופת התצפית הארוכה ביותר בין ערכות נתונים שונות. עבור פרוטוקול זה, הורד 15 שנים של נתונים מאוקטובר 2002 עד ספטמבר 2017.
    3. לקבוע את הכיסוי המרחבי.
      הערה: אזור המחקר המעוצב הוא בין 105° E ו 123 ° E ובין 0 ° ו 25 ° N.
    4. בדוק הוראות עיבוד מראש. קרא הוראות בקבצי .nc בנוגע לדרישות עיבוד מקדים של נתוני SST ו- CHL (לדוגמה, אם יש צורך בהקטנה).
      הערה: ערכת הנתונים שהורדו כבר אינה כוללת נתונים ביבשה ובתוך 5 ק"מ מקו החוף, כמו גם את אלה המזוהמים בעננים.
    5. טען נתוני SST ו- CHL לתוכנה הניתוח. הקלד Read_MODIS_SST בחלון הפקודה כדי לקרוא את נתוני SST. באופן דומה, הקלד Read_MODIS_CHL בחלון הפקודה כדי לקרוא את נתוני CHL. המר את נתוני CHL באופן לוגריתמי מכיוון שיש להם הפצה רגילה ביומן31.
      הערה: משתנים שנטענו כוללים SST ו- CHL בשלושה ממדים, המייצגים מיקום מרידיון, מיקום זונאל ושעה בימים, בהתאמה. טווח ה- SSTs הוא בין -2 ל- 44, והטווח של CHL הוא בין 0.01 ל- 20.
  2. אנומליה מפלס הים (SLA)
    1. הורד נתוני SLA יומיים ברזולוציה מרחבית של 25 ק"מ בין השנים 2002-201732.
      הערה: SLAs מתארים את ההבדל בין גובה פני הים שנצפה לבין גובה פני הים הממוצע על פני 20 שנה (1993-2012) עבור פיקסל מתאים. נתוני ה- SLA מעובדים על-ידי SSALTO/DUACS ומופצים על-ידי אחסון בארכיון, אימות ופרשנות של נתונים אוקיינוגרפיים בלוויין (AVISO, https://www.aviso.altimetry.fr).
    2. טען נתונים לתוכנה לניתוח. טען נתוני SLA של יום אחד על-Read_SLA הקלדה בחלון הפקודה.
      הערה: התיקיה 'נתונים' בתיקיה קבצים משלימים כוללת רק datum לדוגמה אחד בקובץ ה- Script להמחשה.
  3. מהירות רוח
    1. השג את מידע הרוח ממוצרים של ניתוח מחדש של ERA-ביניים, שהוא ערכת נתונים גלובלית של ניתוח אטמוספרי שפותחה על ידי המרכז האירופי לתחזיות מזג אוויר לטווח בינוני (ECMWF)33. הורד נתוני רוח עבור אותה תקופה (אוקטובר 2002 - ספטמבר 2017) כדי לשמור על עקביות עם נתוני CHL ו- SST.
      הערה: ערכת נתוני הרוח היא ברזולוציה מרחבית של כ-25 ק"מ והיא עברה אינטרפולציה מערכת הנתונים המקורית ברזולוציה מרחבית של כ- 0.7°.
    2. טען נתונים לתוכנה לניתוח. הקלד Read_WindVector בחלון הפקודה כדי לקרוא את נתוני הרוח של חודש אחד. חשב את הממוצע החודשי על-ידי חישוב ממוצע הנתונים המקוריים, שהם במרווחים של 6 שעות.
  4. טופוגרפיה
    1. הורד את נתוני הטופוגרפיה ברזולוציה גבוהה מאתר המרכזים הלאומיים למידע סביבתי (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). הרזולוציה המרחבית היא ~ 2 ק"מ. השג את נתוני ETOPO1 עבור סלע בתבנית XYZ עבור אזור המחקר שנבחר.
    2. טען נתונים לתוכנה לניתוח. הקלד Read_topography בחלון הפקודה כדי לטעון את נתוני הטופוגרפיה לתוכנה לניתוח.

2. מעבד מקדים נתונים

  1. ממוצע זמני
    1. בשל כיסוי הענן הגדול בנתונים SST ו- CHL, החלף את הנתונים המקוריים בנתונים ממוצעים של 3 ימים. לשם כך, לאחר הפעלת קבצי ה- script Read_MODIS_SST.m Read_MODIS_CHL.m (שלב 1.1.5), הקלד Temporal_average בחלון הפקודה כדי להפעיל את קובץ ה- Script.
  2. אינטרפולציה לאותה רשת
    1. מכיוון שהרזולוציה המרחבית אינה עקבית עבור ערכות נתונים שונות, האינטרפולציה של נתוני SST ו- CHL לרשת מרחבית זהה לרשת המרחבית של הרוח וה- SLA לפני ביצוע השוואות. לאחר הפעלת Temporal_average.m Read_WindVector.m, הקלד Interpolation_grid בחלון הפקודה כדי להפעיל את קובץ ה- Script.
  3. מתח רוח ותלתלי לחץ רוח
    1. הקלד Wind_stress_curl בחלון הפקודה כדי לחשב את מתח הרוח (WS) ואת תלתל מתח הרוח (WSC) באמצעות המשוואות הבאות:
      Equation 1
      Equation 2
      איפה Equation 10 וקטור מהירות הרוח; Equation 10 הוא WS באותו כיוון כמו וקטור הרוח; Equation 10 Equation 10 והם WS בכיוונים המזרחיים והצפון, בהתאמה; הוא Equation 10 צפיפות האוויר (שווה ל 1.2 ק"ג / מ'3);ו- C הוא מקדם הגרר (ערך של 0.0015 משמש) בתנאי יציבותניטרליים 34.
  4. ממוצעים חודשיים
    1. חשב את סדרת הזמן החודשית של SST, wind ו- SLA כממוצעים של 30 יום בכל פיקסל על-ידי הקלדת Monthly_average כדי להפעיל את קובץ ה- Script. בשל שיעור כיסוי הענן הגבוה, השתמש בממוצע של 60 יום כסדרת הזמן החודשית עבור CHL, כולל 30 יום לפני עד 30יום לאחר היום ה-15 בחודש.

3. זיהוי קדמי של SST

  1. החלקה מרחבית
    1. הקלד Spatial_smoothing כדי להפעיל את קובץ ה- Script כדי לממוצע את נתוני ה- SST של שלושה ימים בכל פיקסל.
      הערה: כמות גדולה של רעש זוהתה בנתונים SST. לכן, הנתונים היו חלקה עם ממוצע מרחבי 3 x 3. כאשר לא היו נתונים זמינים בנתונים הממוצעים המקוריים של 3 ימים, הנתונים הממוצעים המרחביים נקבעו כלא זמינים.
  2. מעבר צבע SST
    1. הקלד SST_gradient כדי להפעיל את קובץ ה- Script כדי לחשב את מעברי הצבע של SST זונאלי ומרידיוני (כלומר, Gxו- Gy, בהתאמה) כהפרש SST בין שני הפיקסלים הקרובים ביותר המחולקים במרחק המתאים באמצעות משוואה (3). השתמש בווקטור מעבר הצבע המתקבל כדי לחשב את סך כל מעבר הצבע, G, כמשוואה עוקבת סקלארית (4).
      Equation 3
      Equation 4
  3. מקסימום מקומי
    1. זהה חזית על-ידי בדיקת ערך מעבר צבע SST: סמן פיקסל כפיקסל חזיתי פוטנציאלי אם הערך גדול מסף ייעודי. שמור על הפיקסל המרבי המקומי באותו כיוון בניצב לכיוון מעבר הצבע רק אם יש פיקסלים מחוברים עם ערכים גדולים יותר מהסף. כאן, להגדיר את הסף כמו 0.035 מעלות צלזיוס / ק"מ לאחר מחקריםקודמים 10,28.
      הערה: קובץ ה-Local_maximum.m' המתאים ' זמין בקבצים המשלים.
  4. הסתברות קדמית חודשית (FP)
    הערה: ההסתברות החזיתית (FP) מתארת את ההסתברות להתבוננות בחזית.
    1. חשב את ה- FP עבור טווח זמן מסוים (במקרה זה, מרווח זמן חודשי), על-ידי הקלדת Monthly_FP להפעלת קובץ ה- Script. חלק את המופע של חזיתות בכל פיקסל במהלך חלון זמן במספר הימים ללא עננים.

4. השתנות מרחבית ותמית

  1. מחזור עונתי
    1. לחשב את המחזורים העונתיים של גורמים שונים כמו הממוצעים של עונות שונות. הגדר את העונות כדלקמן: החורף הוא מדצמבר עד פברואר, האביב הוא ממרץ עד מאי, הקיץ הוא מיוני עד אוגוסט, והסתיו הוא מספטמבר עד נובמבר.
      הערה: המחזור העונתי אינו מוצג במחקר זה; השיטה הבאה משמשת כדי להסביר את השונות המרחבית והתקתית במקום זאת.
  2. פונקציה אורתוגונלית אמפירית (EOF)
    1. הסר את הממוצע הזמני ואת הפיקסלים שאינם זמינים. לפני ביצוע ה- EOF, הפחת את הממוצע הכולל בכל פיקסל ואל תכלול את המיקומים שבהם תצפיות חסרות עולות על 20% עקב כיסוי ענן. טען נתונים על-ידי הקלדת load('Monthly_data_for_EOF.mat') בחלון הפקודה.
    2. החל EOF כדי לתאר את השונות המרחבית והזמפוראלית של פרמטרים שונים. הקלד Empirical_orthogonal_function.m כדי להפעיל את קובץ ה- Script כדי לחשב את סדר הגודל (Mag), eigenvalues (Eig) משרעת (Amp) של EOFs עבור ערכת הנתונים (כלומר, סדרת זמן של SST ממוצע חודשי, מתח רוח, תלתל מתח רוח, CHL ו- FP).
      הערה: הפונקציה מרוקנת את סדרת הזמן החודשית למצבים שונים, המורכבים מתבניות מרחביות ותזות והסטיות המוסברת על-ידי כל מצב פוחתת עם מספר המצב הגדל.

5. יחסי גומלין

  1. מתאם בקנה מידה עונתי
    1. חשב את המתאמים בין שני גורמים המשתמשים בסדרת הזמן שלהם בכל פיקסל על-ידי הקלדת Seasonal_correlation כדי להפעיל את קובץ ה- Script. מכיוון שה מחזור העונתי אינו מוסר, בדוק את משמעות המתאם עבור כל המתאמים.
  2. מתאם של שדה חריג
    1. חשב את המתאמים בין חריגות CHL החודשיות לבין גורמים אחרים, כגון SST, WS, חזיתות ו- SLAs. השג את החריגות החודשיות (כלומר, החריגה מהסטטוס הממוצע) על-ידי חיסור הממוצע הכולל לחודש מתאים מסדרת הזמן החודשית. הקלד Anomalous_correlation כדי להפעיל את קובץ ה- Script ולקבל את המתאמים.

6. הצגת מידע וחישוב קשרי גומלין

  1. הצג מידע לוויין.
    1. הקלד Sat_SCS_Fig3457 כדי להפעיל את קובץ ה- Script כדי ליצור חלון ראווה של מידע לוויין, כולל SST, CHL והפצה פרונטלית. הגדר את התיקיה הנוכחית כ'קבצי Script' שבהם ממוקמים הנתונים 'Sat_SCS_data.mat'.
      הערה: איור 1, איור 2, איור 3 ואיור 4 מציגים SST, CHL, חזיתות, רוח וטופוגרפיה עבור התאריך הנבחר כדוגמה.
  2. הצג את תוצאת EOF על-ידי הקלדת Sat_SCS_Fig890.m להפעיל את קובץ ה- Script.
    הערה: איור 5, איור 6 ואיור 7 מתארים את סדרי הגודל המרחביים, הממוצע החודשי וסדרת הזמנים של שני המצבים הראשונים עבור CHL, SST וחזיתות, בהתאמה.
  3. חשב את קשרי הגומלין בין CHL לגורמים אחרים בצירי זמן עונתיים עבור שדות חריגים על-ידי הקלדת Sat_SCS_Fig1112.m להפעלת קובץ ה- Script. קבלו את מפת המתאם למגוון עונתי (איור 8) וחמדויות (איור 9).

Representative Results

הדפוסים המרחביים והת זמניים של פני הים CHL ב SCS תוארו באמצעות תצפיות לווין. מידע לוויין עבור CHL (איור 1A) ו- SST (איור 1B) עלול להיות מזוהם על ידי כיסוי ענן, וכתוצאה מכך חלק גדול מהנתונים אינם ניתנים לשימוש. נתוני הרוח המותזנת (איור 1C) ו- SLA (איור 1D) לא הושפעו מעננים יומיומיים. לטופוגרפיה (איור 1E) הייתה השפעה בולטת על ההתפלגות המרחבית של CHL. HIGH CHL הופצה בעיקר לאורך החוף, שם הטופוגרפיה רדודה. הרוח הושפעה גם על ידי אורוגרפיה, ואת הצד lee של ההרים התאפיין ברוח חלשה; לפיכך, WSC בולט זוהה מדרום מערב SCS. לעומת זאת, SLAs לא היה תלוי הרבה על טופוגרפיה, ואזור של SLAs גבוה במיוחד נמצא באגן של SCS.

Figure 1
איור 1: תצפיות מקוריות לפרמטרים עיקריים ב-15 באפריל 2015.
(A)כלורופיל פני הים (CHL),(B)טמפרטורת פני הים (SST),(C)תלתל מתח רוח (WSC, הצללה) עם מתח רוח (WS, וקטור), (D) אנומליה פני הים, ו (E) טופוגרפיה עבור אגן האוקיינוס. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

בגלל הפגיעה החמורה בענן על תצפיות לווין, הרבה נתונים לא היו זמינים או לא עקביים מבחינה מרחבית. שיטה יעילה ויעילה הוחלה כדי למלא פערי נתונים מסוימים ולהחליק את השדה. הנתונים הוחלפו לראשונה בממוצע של 3 ימים בכל פיקסל, שיכול למלא ביעילות פערים מסוימים מכיוון שהעננים משתנים מדי יום (איור 2B). ממוצע מרחבי הוחל עוד יותר בכל פיקסל כך שהנתונים הוחלפו בממוצע הערכים המקיפים אותם (3 x 3 פיקסלים). לפיכך, חוסר העקביות המרחבית צומצם מאוד (איור 2C).

Figure 2
איור 2: SST ליום אחד ב- 15 באפריל 2015.
(A)SST מקורי מ- MODIS, (B) SST ממוצע של שלושה ימים, ו- (C) SST לאחר החלקה מרחבית. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

ההתפלגות היומית של חזיתות SST נגזרה מהשיפועים של SST (איור 3A). הסף שהוחל כאן לכד למעשה את מיקום החזית (איור 3B) והבטיח את תיאור גבולות מסות המים שלמות (איור 3C). מעברי הצבע והחזיתות היו כמעט זהים מכיוון שהחזית הושגה בעיקר מהשיפוע.

Figure 3
איור 3: נוהל לזיהוי חזיתי הנגזר מ- SST.
(A)סדר הגודל של מעבר הצבע SST(B) התפלגות חזיתות SST בקווים שחורים דקים, ו - (C) התפלגות קדמית המבוססת על מעברי הצבע המתאימים של SST. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

עקב כיסוי ענן ב- CHL, SST ונתונים קדמיים, סדרות הזמן הממוצע החודשי חושבו ויוחלו במחקר זה. דוגמה אקראית מוצגת איור 4 לחודש אפריל 2015. לא היה פער קיים עבור אף אחד מה הפרמטרים. הדפוסים הכלליים של פרמטרים שונים היו עקביים מאוד לגבי השונות המרחבית שלהם. לדוגמה, CHL היה גבוה ליד החוף ונמוך באגן המרכזי, בעוד SST היה נמוך ליד החוף גבוה באגן המרכזי. הממוצע החודשי הציע מידע מקיף לתיאור תכונות אזוריות. החזיתות חולקו בעיקר לאורך החוף, שם הדינמיקה מורכבת. חלק גדול מהאסן היה נקי מחזיתות; כך, מרכז ה-SCS התאפיין בערך הקרוב לאפס ( איור4E).

Figure 4
איור 4: ממוצע חודשי לפרמטרים עיקריים באפריל 2015.
(A) CHL (בסולם לוגריתם), (B) SST, (C) WSC (הצללה) עם אנומליית פני הים של WS(D)ו- (E). אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

רוב תווי פני השטח התאפיינו בכך שהיו שונות עונתית בולטת, שנצפתה בבירור באמצעות EOFs. EOF היא שיטה מתמטית שימושית המשמשת באופן נרחב במדעי האטמוספירה והים. השיטה יכולה לתזמן דפוסים מרחביים ואותות זמניים מסדרת זמן על פני תחומים מרחביים28. לאחר פירוק מרחבי עבור תכונות פני הים ב- SCS, שני המצבים הראשונים נחוצים בדרך כלל לתיאור השונות המרחבית והזמןית. שני EOFs הראשונים עבור CHL תיארו 44% ו 12% של השונות הכוללת, בהתאמה. EOF1 לכד שונות גדולה בחלק הצפוני של ה-SCS (איור 5A). הממוצע החודשי המקביל של סדרת הזמן ( איור5C) הראה כי CHL הועלתה במהלך החורף ומדוכאת במהלך הקיץ. האזור הסמוך לחוף הדרום-מערבי התאפיין בעוצמה חלשה, וההשתנה המקבילה נלכדה בעיקר על ידי EOF2(איור 5B). ערכי CHL היו גבוהים בקיץ ונמוכו בחורף. זה היה בעיקר מחוץ לשלב בהשוואה לקטע הצפוני. סדרות הזמן החודשיות של EOFs הראו שונות עונתית ברורה, ו-EOF2 הוביל את EOF1 בכ-4 חודשים (איור 5E).

Figure 5
איור 5: ה- EOF עבור CHL.
(A) סדר גודל של EOF1, (B) בסדרות זמן ממוצעותחודשיותעבור EOF1, (D) סדרת זמן ממוצעת חודשית עבור EOF2 ו- (E) סדרת זמן חודשית של EOF1 (שחור) ו- EOF2 (כחול). אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

השונות המוסברת בשני EOFs הראשונים עבור SST הייתה גבוהה באופן בולט, שווה 91% ו 5% עבור EOF1 ו EOF2, בהתאמה. חשוב להדגיש כי יש להסיר את הממוצע הכולל לפני ביצוע EOF; לפיכך, השדה הממוצע לא נכלל. EOF1 שלט השונות הכוללת, ועוצמתו הייתה הגדולה ביותר בצפון SCS והצטמצמה דרומה (איור 6A). הממוצע החודשי המקביל של סדרת הזמן ( איור6C) הראה כי ה-SST היה גבוה במהלך הקיץ ומדוכא במהלך החורף. ה-SCS הדרומי התאפיין בעוצמה חלשה, המיוחסת לטמפרטורות גבוהות מתמשכות בקווי רוחב נמוכים. השונות בחלק הדרומי נתפסה בעיקר על ידי EOF2 ( איור6B). ה- SST המתאים שופר בין מרץ ליוני, בעוד ערכים נמוכים נמשכו בחודשים הנותרים. התחממות בולטת התרחשה בשנים 2010 ו-2016, שם ה-SST מול חופי דרום-מערב ה-SCS היה גבוה בהרבה מזה שהיה בשנים האחרות (איור 6E). שונות בין-שנתית זו מיוחסת בעיקר לאירועי אל ניניו המפחיתים את מונסון הקיץ הדרום־מערבי וכתוצאה מכך מתנפחים12. מכיוון השתנות עונתית היא המוקד העיקרי של המחקר הנוכחי, תכונה זו אינה נדונה עוד.

Figure 6
איור 6: ה- EOF עבור SST.
(A) סדר גודל של EOF1, (B) בסדרות זמן ממוצעותחודשיותעבור EOF1, (D) סדרת זמן ממוצעת חודשית עבור EOF2 ו- (E) סדרת זמן חודשית של EOF1 (שחור) ו- EOF2 (כחול). אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

בגלל האופי הרועש של ההדרגה, החזית הנגזרת הסבירה הרבה פחות את השונות. ואכן, EOF1 ו- EOF2 של FP הסבירו רק 19% ו -9% מהשונות הכוללת, בהתאמה. EOF1 לכד את השונות בצפון ובצפון מזרח SCS(איור 7A). הממוצע החודשי המקביל של סדרת הזמן (איור 7C) הראה כי באזורים אלה, יותר FP התרחש במהלך החורף ופחות במהלך הקיץ. השלב מול החוף מדרום-מערב ל-SCS היה הפוך, אם כי השונות המקבילה הייתה הרבה פחות בולטת. EOF2 כבש את שיפור האביב של FP (איור 7D) ב SCS המערבי (איור 7B). סדרות הזמן החודשיות של EOF1 ו- EOF2 התאפיינו בכך שהיו שונות בין-שנתית חלשה.

Figure 7
איור 7: ה- EOF עבור FP.
(A) סדר גודל של EOF1, (B) בסדרות זמן ממוצעותחודשיותעבור EOF1, (D) סדרת זמן ממוצעת חודשית עבור EOF2 ו- (E) סדרת זמן חודשית של EOF1 (שחור) ו- EOF2 (כחול). אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

גורמים שונים נחקרו על מערכת היחסים שלהם עם CHL (איור 8). לדוגמה, SST יכול לשמש כדי להבין את התכונות הבסיסיות של האוקיינוס שיכול להשפיע על קצב הצמיחה של פיטופלנקטון ולאחר מכן להשפיע CHL. עבור רוב SCS, היו מתאמים גבוהים בין SST ו CHL (איור 8A), ורוב המתאמים הגיעו ליותר מ -0.8. חשוב לציין כי מתאם גבוה אינו מצביע על סיבתיות בין שני גורמים אלה. כאשר SST הגיע למקסימום השנתי שלו בקיץ, MLD הפך הרדודביותר 21. חומרים מזינים שסופקו לשכבה האופטית היו נמוכים מכיוון שהערוב האנכי נחסם על ידי ריבודאינטנסיבי 13. כתוצאה מכך, חומרים מזינים נמוכים הגבילו את קצב הצמיחה של פיטופלנקטון והביאו CHL נמוך. לעומת זאת, CHL גבוה התרחש בחורף כאשר MLD היה עמוק יותר, ו SST נמוך גרם ריבוד חלש35.

Figure 8
איור 8: מתאמים בין CHL לגורמים אחרים בקנה מידה עונתי.
(A)SST , (B) WS , (C) WSC , (D) FP ו- (E) SLA. הצבע האפור מציין שהמתאם אינו משמעותי. משתנים ממוצעים מרחביים מחושבים בהתבסס על התיבה הירוקה בחלונית A. סידרת הזמנים שלהם משמשת להשגת מקדמי המתאם בטבלה 1. נתון זה שונה מיו ואח '17. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

ערבוב מונחה רוח ניתן לאמוד בקירוב על ידי WS שימש לתיאור ערבוב אנכי18. מקדמי קורלציה גדולים, עם ערכים של כ-0.8, זוהו בין רמות WS ו-CHL מצפון ל-SCS (איור 8B), במיוחד באזורים עם רוח החורף החזקה ביותר הממוקמת על המדף הצפוני של ה-SCS. בדרום נמצאו מתאמים חלשים אך משמעותיים. הקשרים בין WSC ל-CHL היו משמעותיים ברוב ה-SCS (איור 8C), אם כי הם הראו מגמות מנוגדות בצפון ובדרום. מקדם מתאם חיובי בין CHL ו WSC זוהה מדרום, עם ערכים שליליים היו בצפון. המתאם באזור ביניהם לא היה משמעותי. WS ו CHL נמצאו בקורלציה חזקה באזור המקביל שבו WS החורף היה הגדול ביותר.

חזיתות יכולות גם לגרום לשינוי CHL. מתאם גדול נמצא בצפון מזרח ובדרום מערב SCS (איור 8D). CHL גדל ככל שפעילות פרונטל הפכה פעילהיותר 36. SLA הראה מתאם שלילי משמעותי עם CHL מצפון מזרח SCS לכיוון דרום מערב מתאם חיובי לאורך החוף המערבי של SCS (איור 8E). מעניין לציין כי המתאמים החיוביים הוגבלו לאזור עם טופוגרפיה רדודה.

מצפון-מזרח ל-SCS, כל המתאמים היו גדולים (איור 8). כך, המתאמים של סדרות הזמן החודשיות בין CHL לפרמטרים אחרים חושבו באמצעות הממוצע המרחביבתיבה ייעודית ( איור 8A), ורוב הגורמים היו קשורים זה בזה עם מתאמים משמעותיים (החלק הימני העליון של טבלה 1). מכיוון שמחזור העונתי שלט בסדרת הזמנים, המתאם כבר לא היה תקף לאחר הסרת הממוצע החודשי (החלק השמאלי התחתון של טבלה 1).

כל-א SST Ws WSC (ארגון WSC) FP (100 מ זל"א
כל-א -0.8 0.78 0.67 0.74 -0.71
SST -0.41 -0.47 -0.51 -0.79 0.86
Ws 0.32 0.04 0.63 0.51 -0.38
WSC (ארגון WSC) 0 0.08 -0.02 0.52 -0.37
FP (100 מ 0.21 -0.09 0.03 0.15 -0.74
זל"א -0.25 0.42 0.07 0.13 -0.08

טבלה 1: מקדמי מתאם של סדרת הזמן בין גורמים, הממוקמים צפונית מזרחית ל- SCS, למשל, SST (טמפרטורת פני הים), FP (הסתברות קדמית), WSC (תלתל מתח רוח) ו- WS (מתח רוח), באמצעות התיבה המוצגת באיור 8A. הממוצעים החודשיים וחמדיות מוצגים במקטע הימני העליון ובסעיף התחתון השמאלי, בהתאמה. מספרים מודגשים ו נטויים מצביעים על כך שהמתאם אינו עומד ברמת הביטחון של 95%. הטבלה שונתה מיו ואח '17.

המתאמים במחזור העונתי לא היו משמעותיים עבור אזורים מסוימים, כגון דרום מערב ה- SCS (איור 8). האזור נשלט על ידי תהליכים דינמיים (למשל, תחבורה מהחוף הנגרמת על ידי רוח) הקובעים את השונות ב- CHL17. מתאם משמעותי בין CHL לגורמים אחרים (לדוגמה, SST, WS, חזיתות ו- WSC) זוהה בשדות חריגים (איור 9). הסטיות חושבו עבור סדרת הזמן החודשית על-ידי הסרת הממוצע החודשי המתאים. ניתן להגדיל את מספר דרגות החופש האפקטיבי, אך מחקרים קודמים הראו כי הוא אינו משפיע על היחסים הבסיסיים ביןסדרות הזמן שלהם 28,37.

Figure 9
איור 9: מתאם בין CHL לגורמים אחרים בשדות החריגים.
(A)SST , (B) WS , (C) WSC , (D) FP ו- (E) SLA. הצבע האפור מציין שהמתאם אינו משמעותי. משתנים ממוצעים מרחבית מחושבים בהתבסס על התיבה הירוקה בחלונית A. סידרת הזמן משמשת להשגת מקדמי המתאם המוצגים בטבלה 2. נתון זה שונה מיו ואח '17. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

בשדות החריגים, CHL ו- SST היו בקורלציה משמעותית ברוב SCS (איור 9A). כאשר SSTs היו גבוהים באופן יוצא דופן, CHL הפך נמוך במיוחד, ולהיפך. באופן דומה, WSC גבוה במיוחד וחזיתות מדרום מערב ל- SCS גרמו לרמות גבוהות של CHL, ולהיפך (איור 9C, 9D). בנוסף, נמצא מתאם שלילי בין רמות ה- SLAs ו- CHL (איור 9E). פיגורים שונים נבדקו, והמתאם הפך למשמעותי רק אם לא נעשה פיגור. לכן, CHL הושפע בו זמנית על ידי חריגות SST, WSC, וחזיתות, כמו גם SLA. מערכת היחסים שלהם נחקרה עוד יותר באמצעות סדרת הזמן החודשית הממוצעת מבחינה מרחבית מדרום מערב ל- SCS, שהוגדרה כקופסה ירוקה ב איור 9A. התוצאות מראות כי רוב הגורמים היו קשורים זה בזה עם מתאמים משמעותיים בשדה החריג (החלק השמאלי התחתון של טבלה 2).

כל-א SST Ws WSC (ארגון WSC) FP (100 מ זל"א
כל-א -0.15 0.36 0.35 0.26 -0.15
SST -0.59 -0.48 0.61 0.07 0.17
Ws 0.25 -0.24 -0.14 -0.02 0.1
WSC (ארגון WSC) 0.29 -0.1 0.41 0.53 -0.21
FP (100 מ 0.57 -0.42 0.24 0.29 -0.42
זל"א -0.3 0.54 -0.23 -0.29 -0.47

טבלה 2: מקדמי מתאם של סדרת הזמן בין גורמים, הממוקמים דרומית-מערבית ל- SCS, למשל, SST (טמפרטורת פני הים), FP (הסתברות קדמית), WSC (תלתל מתח רוח) ו- WS (מתח רוח), באמצעות התיבה המוצגת באיור 9A. הממוצע החודשי וחמדיות מוצגים במקטע הימני העליון ובסעיף השמאלי התחתון, בהתאמה. מספרים מודגשים ו נטויים מצביעים על כך שהמתאם אינו עומד ברמת הביטחון של 95%. הטבלה שונתה מיו ואח '17.

קבצים משלימים. נא לחץ כאן כדי להוריד קובץ זה. 

Discussion

במחקר זה, התכונות העיקריות של מערכות ימיות מתוארות באמצעות תצפיות לווין. ה- CHL, בו ניתן להשתמש כדי לייצג את ייצור האוקיינוס, נבחר כמגורם מחוון. גורמים הקשורים לשונות CHL נחקרו באמצעות סדרת זמן ממוצעת חודשית, למשל, SST, WS, WSC, FP ו- SLA. שלושה שלבים קריטיים מתוארים במחקר זה: רכישת נתוני לוויין עבור פרמטרים שונים, תיאור השונות המרחבית והזמןית שלהם באמצעות EOF, וקביעת יחסי גומלין בין גורמים שונים על ידי חישוב מקדמי מתאם. הליך מפורט המציג את הזיהוי להפצה פרונטלית יומית, הנגזרת מתצפיות SST, כלול. שתי גישות עיקריות פותחו לגילוי קדמי של SST: שיטת ההדרגה10,38 ושיטת ההיסטוגרמה39,40. שיטת ההיסטוגרמה מבוססת על טווח ערכים דומה עבור SST, אשר ניתן להשתמש בהם כדי לחלק את מסות המים לקבוצות שונות. הפיקסלים עם הערכים בין קבוצות שונות המייצגות את הפיקסל ברצועה מעבר מוגדרים כחזיתות. מצד שני, שיטת ההדרגה מפרידה בין מספר גופי מים אחידים יחסית לפיקסלים עם ערכי מעבר צבע גדולים. מחקר השוואה נערך, והם מצאו שיעורים כוזבים נמוכים יותר באמצעות שיטת היסטוגרמה ופחות חזיתות שלא נענו בשיטההדרגתית 41. במחקר זה, השיטה המבוססת על שיפוע38 אומצה לאחר מחקריםקודמים 10,28. האלגוריתם יכול למנוע פריצה קדמית לרסיסי קצה מרובים בכך שהוא מאפשר לעוצמה לרדת לרמה מתחת לסף קטן יותר. בנוסף לערכות הנתונים הכלולות כאן, תצפיות לוויין אחרות, כגון מדד אירוסול, יכולות לשמש גם בגישה דומה.

ניתן להחיל את רוב ההליכים ישירות באזורים או בערכות נתונים אחרים. ייתכן שינוי כדי לשנות את סף הזיהוי הקדמי. מכיוון שמילוי הדרגתי של SST ב- SCS דומה למערכת זרם הגבול המזרחי28, אותם ספי סף יושמו עבור המחקר הנוכחי. מחקר קודם גילה כי שיפוע SST מערכות נתונים שונות יכול להשתנות ככל שלושפעמים 42, מה שהופך את השיטה איכשהו פחות אובייקטיבי. מחקרים משמעותיים חקרו פעילויות פרונטל סביב האוקיינוסיםהעולמיים 28,43. הגישה הטובה ביותר לאמת חזיתות היא להשוות אותם עם תצפיות situ. יאו44 תיאר את ההפצה הקדמית החודשית עבור SCS. התוצאות שלהם הסכימו היטב עם מדידות situ. יש לבדוק ולתאם את המילוי ההדרגתי הכולל מכיוון שהערך שלו עשוי להשתנות בהתאם לרזולוציה המרחבית והמכשירים. בפרט, יש לעדכן את הסף בעת שימוש ב ערכת נתונים אחרת של SST. הבנה בסיסית של הדינמיקה האזורית היא בסיסית להבנת פרוגנוגנזה45,46,47. סקריפט הזיהוי הקדמי יכול להיות מפותח על ידי מחברים בודדים בהתבסס על התיאור בעיתון זה.

מידע לוויין מציע הבנה מקיפה של תכונות פני השטח, והשוואה לתוצאות עם תצפיות situ יכול לסייע בהערכת אמינות. עם זאת, תצפיות לווין מוגבלות לפני השטח של האוקיינוס, אשר מגביל את היישום להבנת המבנה האנכי של עמוד המים. במחקר שנערך לאחרונה, תצפיות לווין גילו כי CHL פני השטח גדל פי 15, אבל הערך המשולב האנכי רק עלה על ידי 2.5פעמים 48. הבדל זה היה כי ערך פני השטח הושפע ממקדמי הצמיחה של פיטופלנקטון והלקת MLD, וכתוצאה מכך ערך בלתי ניתן לתיעוב על פני השטח. לכן, ייתכן שתכונת פני השטח לא תציע תיאור מדויק עבור עמוד המים כולו. בנוסף, ההשפעה של כיסוי ענן מגבילה את התצפיות המתמשכות של לוויינים. לכן, סדרות זמן חודשיות מחושבות עבור גורמים שונים על פני אותו אזור ואותה תקופה. זה יבטיח את האמינות של חישוב המתאמים בין גורמים שונים. עם זאת, אירועי התקופה הקצרה, למשל, טייפונים שימשך כמה ימים עד שבוע, לא ייפתרו.

בהשוואה למחקרים קודמים, השיטה המוצעת יכולה להציע מידע מרחבי ברמת הפיקסל, אשר יכול לעזור להעריך את הדינמיקה בצורה מפורטת יותר. כמה מחקרים קודמים בממוצע SCS כולו כמספר אחד וקיבלו סדרת זמן. הם מצאו כי WS חזק במיוחד SST גבוה יכול לגרום CHL גבוה באופן חריג16, אשר עולה בקנה אחד עם התוצאה הנוכחית. עם זאת, הווריאציה המרחבית ביחסים לא נפתרה. במחקר זה, המתאם בקנה מידה אגן בין WS ו CHL היה חלש בתחום החריג. מתאם משמעותי גדול זוהה רק באזורים מסוימים, למשל, במרכז ה-SCS (איור 9B). לכן, השיטה הנוכחית מציעה תיאור מקיף לחקירת וריאציות מרחביות. באופן דומה, תצפיות משני מצופים ביו-ארגו שימשו וחשפו כי WSC לא לתאם עם השתנות CHL20. עם זאת, המסלולים של שני הצפים ממוקמים רק באזורים מסוימים. במקרה זה, זה היה בדיוק בתוך הלהקה שבה המתאם בין רמת CHL לבין WSC לא היה משמעותי (איור 8D). השיטה המוצעת מסייעת מאוד לפתרון התלות המרחבית בין הגורמים, שהיא מאפיין בסיסי של האוקיינוס העולמי.

לסיכום, השיטה המשמשת כאן יכולה לתאר במדויק את ההתפלגות המרחבית ואת השונות הזמנית בתכונות פני הים באמצעות תצפיות לווין. עם הרזולוציה הגוברת של ערכות נתונים לווין, תכונות מפורטות יותר ניתן לזהות ולחקר, המאפשר הבנה כללית של תכונות אזוריות, כולל CHL, SST, ו SSH. המתאם של סדרות זמן חודשיות בין גורמים שונים יכול לסייע בהבנת היחסים הדינמיים שלהם ואת ההשפעה הפוטנציאלית על מערכתאקולוגית 49. מכיוון שהמתאם יכול להשתנות במידה רבה במיקומים מרחביים שונים, השיטה המוצעת מציעה תיאור מפורט ומקיף. גישה דומה יכולה להיות מיושמת על כל אגן אוקיינוס ברחבי העולם, אשר יהיה מאוד מועיל כדי לשפר את ההבנה של הדינמיקה הימית ומערכות אקולוגיות.

Disclosures

למחברים אין מה לחשוף.

Acknowledgments

התמיכה של התוכנית הלאומית למחקר ופיתוח מפתח של סין (מס '2016YFC1401601), מחקר לתואר שני & תרגול תוכנית חדשנות של מחוז ג'יאנגסו (לא. SJKY19_0415) בתמיכת קרנות המחקר הבסיסיות של האוניברסיטאות המרכזיות (מס ' 2019B62814), הקרן הלאומית למדעי הטבע של סין (מס '41890805, 41806026 ו 41730536) ומחקרים ימיים ואקולוגיים מתקדמים משותפים במפרץ בנגל ובאוקיינוס ההודי המשווני המזרחי הוכרו מאוד. המחברים מעריכים את אספקת הנתונים ממקורות כולל מינהל האווירונאוטיקה החלל הלאומי (נאס"א), המרכז האירופי לתחזיות מזג אוויר לטווח בינוני (ECMWF), שירות ניטור ימי וסביבתי קופרניקוס (CMEMS) והמינהל הלאומי לאוקיינוסים ואטמוספירה (NOAA).

Materials

Name Company Catalog Number Comments
Matlab MathWorks Matlab R2016 https://www.mathworks.com/products/matlab.html; referred to analysis software in the protocol
Sea surface chlorophyll NASA MODIS mg/mg3 (podaac-tools.jpl.nasa.gov)
Sea surface height AVISO AVISO meter (www.aviso.altimetry.fr)
Sea surface temperature NASA MODIS °C (podaac-tools.jpl.nasa.gov)
Topography NOAA NGDC meter (maps.ngdc.noaa.gov/viewers/wcs-client/)
Wind ECMWF ERA-interim m/s (www.ecmwf.int/en/forecasts/datasets)

DOWNLOAD MATERIALS LIST

References

  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).

Tags

מדעי הסביבה גיליון 160 כלורופיל טמפרטורת פני הים גובה פני הים ים סין הדרומי מחזור עונתי תצפיות לוויין
חקירת הקשר בין כלורופיל פני הים ותכונות עיקריות של ים סין הדרומי עם מידע לווין
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Chen, H. H., Tang, R., Zhang, H. R., More

Chen, H. H., Tang, R., Zhang, H. R., Yu, Y., Wang, Y. Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information. J. Vis. Exp. (160), e61172, doi:10.3791/61172 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter