Summary
Havoverfladechlorofyl, temperatur, havniveau højde, vind, og front data opnået eller afledt af satellit observationer tilbyder en effektiv måde at karakterisere havet. Præsenteret er en metode til en omfattende undersøgelse af disse data, herunder det samlede gennemsnit, sæsoncyklus, og indbyrdes forbindelse analyser, til fuldt ud at forstå regionale dynamik og økosystemer.
Abstract
Satellitobservationer er en god metode til at undersøge de særlige forhold ved større havparametre, herunder chlorofyl (CHL), havoverfladetemperatur (SST), havoverfladehøjde (SSH) og faktorer, der stammer fra disse parametre (f.eks. fronter). Denne undersøgelse viser en trinvis procedure til at bruge satellitobservationer til at beskrive større parametre og deres relationer i sæson- og anormerede områder. Denne metode er illustreret ved hjælp af satellitdatasæt fra 2002-2017, der blev brugt til at beskrive overfladefunktionerne i Det Sydkinesiske Hav (SCS). På grund af skydækning blev der anvendt månedlige gennemsnitsdata i denne undersøgelse. Den empiriske ortogonale funktion (EOF) blev anvendt til at beskrive de forskellige faktorers rumlige fordeling og tidsmæssige variabilitet. Monsunvinden dominerer variabiliteten i bassinet. Således blev vind fra reanalysedatasættet brugt til at undersøge sin drivkraft på forskellige parametre. Sæsonudsvingene i CHL var fremtrædende og signifikant korreleret med andre faktorer i størstedelen af SCS. Om vinteren, en stærk nordøst monsun inducerer en dyb blandet lag og højt niveau af klorofyl i hele bassinet. Der blev fundet signifikante korrelationskoefficienter blandt faktorerne i sæsoncyklussen. Om sommeren blev høje CHL-niveauer for det meste fundet i det vestlige SCS. I stedet for en sæsonbestemt afhængighed var regionen meget dynamisk, og faktorer korreleret betydeligt i unormale områder, således at usædvanligt høje CHL niveauer var forbundet med unormalt stærk vind og intense frontal aktiviteter. Undersøgelsen præsenterer en trinvis procedure til at bruge satellitobservationer til at beskrive større parametre og deres relationer i sæson- og anormerede områder. Metoden kan anvendes på andre globale oceaner og vil være nyttigt for at forstå marine dynamik.
Introduction
Telemålingsteknologi tilbyder fantastiske datasæt med store rumlige skalaer og lange perioder til beskrivelse af havmiljøer. Med den stigende rumlige opløsning af satellitter, er detaljerede funktioner nu løst fra den regionale skala til et par hundrede meter1,2. Der kan opnås en bedre forståelse af marinedynamikken med de mest opdaterede satellitobservationer3.
Ved at inkorporere flere sensorer på en telemålingsplatform er en omfattende beskrivelse af forskellige parametre mulig. Havoverfladetemperatur (SST) er den grundlæggende parameter, der er blevet observeret i mere end et halvt århundrede4. For nylig er observationer for chlorofyl-a (CHL) blevet tilgængelige og kan bruges til at beskrive den marine produktivitet5. Altimetry-satellitter anvendes til måling af havoverfladehøjde6,7, som er stærkt relateret til mesoskala eddy-aktiviteter i det globale hav8,9. Ud over hvirvler er frontale aktiviteter også vigtige for at påvirke den regionale dynamik og primærproduktionen10.
Hovedfokus for den nuværende undersøgelse er at finde en standardprocedure til at beskrive de rumlige fordeling og tidsmæssige varia evner af forskellige havfaktorer. I denne metode analyseres SST, CHL, SSH og frontdata, som er afledt af SST-forløb, for at bestemme mønstre. CHL anvendes især til at repræsentere havets produktivitet, og der indføres en metode til at undersøge forholdet mellem CHL og andre havparametre. For at validere metoden blev tidsperioden mellem oktober 2002 og september 2017 i Det Sydkinesiske Hav anvendt til at undersøge alle parametre. Metoden kan nemt bruges til andre regioner rundt om i verden til at fange store havmønstre og undersøge, hvordan marine dynamik påvirker økosystemet.
Det Sydkinesiske Hav (SCS) blev udpeget som undersøgelsesregion på grund af dets relativt høje dækningsgrad for satellitobservationer. SCS er rigeligt i solstråling; CHL bestemmes således hovedsagelig af tilgængeligheden af næringsstoffer11,12. Med flere næringsstoffer, der transporteres ind i euforiserende lag, CHL niveauer kan stige13. Blanding, induceret af vind, kan indføre næringsstoffer i havoverfladen og forbedre CHL14. SCS er unikt domineret af et monsunvindsystem, der bestemmer dynamikken og økosystemet i regionen. Monsunvinden er stærkest i løbet afvinteren 15. Om sommeren skifter vinden retning, og vindhastighederne er meget svagere end i vinter16,17. Vindintensiteten kan bestemme styrken af lodret blanding, således at blandet lag dybde (MLD) uddyber som vinden stiger om vinteren og bliver fladere som vinden falder i sommeren18. Således transporteres flere næringsstoffer ind i det euforiske lag om vinteren, når vinden erstærk 19 og CHL når sit højeste punkt iår 20,21.
Ud over vinden kan MLD også bestemmes ved hjælp af andre faktorer, såsom SST og havniveau anomalier (SLA'er), som i sidste ende påvirker næringsstofindholdet og CHL22. Om vinteren er den svage lodrette hældning forbundet med lave temperaturer ved overfladen20. Den tilsvarende MLD er dyb og flere næringsstoffer kan transporteres opad; CHL i overfladelaget er således høj17. En stigende variation i CHL niveauer kan tilskrives mesoscale hvirvler, som inducerer lodret transport og blanding23. Upwelling findes normalt i cykloniske hvirvler forbundet med deprimerede SLA'er8,9 og forhøjede CHL-koncentrationer24. Downwelling findes normalt i anticykloniske hvirvler forbundet med forhøjedeSLA'er 8,9 og deprimerede CHL-koncentrationer24. For andre sæsoner, bliver MLD lavvandet, og blanding bliver svag; således kan lav CHL observeres over størstedelen af bassinet25. De sæsonbestemte cyklusser for CHL-niveauerne er efterfølgende fremherskende for regionen26.
Ud over at blande, fronter og deres tilhørende kystnære upwelling kan yderligere modulere CHL. Fronten, der defineres som en grænse for forskellige vandmasser, er vigtig for at bestemme den regionale cirkulation og økosystemrespons27. Frontogenese er normalt forbundet med kystnære upwelling og konvergens28,29, som kan fremkalde næringsstoffer og øge væksten af fytoplankton30. Forskellige algoritmer er blevet udviklet til automatisk at identificere fronter fra satellit observationer, herunder histogram og SST gradient metoder. Sidstnævnte fremgangsmåde anvendes i denne undersøgelse28.
Sammenhængen mellem tidsserier mellem CHL og forskellige faktorer giver stor indsigt for kvantificering af deres forhold. Den nuværende undersøgelse giver en omfattende beskrivelse af, hvordan man bruger satellitobservationer til at afsløre regionale marinedynamik i forbindelse med produktivitet. Denne beskrivelse kan bruges som vejledning til undersøgelse af overfladeprocesserne i alle dele af havet. Strukturen i denne artikel indeholder en trinvis protokol efterfulgt af beskrivende resultater i teksten og tallene. Anvendeligheden ud over metodens fordele og ulemper drøftes efterfølgende.
Protocol
1. Dataindsamling
- SST og CHL
- Download et datasæt af satellitobservationer for SST og CHL fra MODIS-Aqua (podaac-tools.jpl.nasa.gov/), hvor den rumlige opløsning af begge datasæt er ca. 4,5 km med daglige intervaller.
BEMÆRK: Strukturer mapperne og dataene efter den eksempelscriptmappe, der er tilgængelig i supplerende filer. Gem .nc-filerne på satellitdataene i mappen 'Data'. Føj stien til NetCDF-værktøjskassen i analysesoftwaren (dvs. Vælg Tilføj med undermapper for at omslutte stierne i mappen 'UTILITIES' og dens undermapper. - Bestem tidsintervalt. Hvis du vil bevare ensartetheden mellem forskellige datasæt, skal du bruge det samme tidsinterval for alle parametre. Juster tidsintervallet baseret på den tidsmæssige dækning, og brug den længste observationsperiode mellem forskellige datasæt. I forbindelse med denne protokol skal du hente 15 års data fra oktober 2002 til september 2017.
- Bestem den rumlige dækning.
BEMÆRK: Det designede studieområde er mellem 105°E og 123°E og mellem 0° og 25°N. - Kontroller forbehandlingsinstruktioner. Læs vejledningen i .nc-filerne vedrørende kravene til forbehandling af SST- og CHL-dataene (f.eks. om skalering er nødvendig).
BEMÆRK: Det downloadede datasæt omfatter allerede data over land og inden for 5 km fra kysten samt data, der er forurenet med skyer. - Indlæs SST- og CHL-data i analysesoftwaren. Skriv Read_MODIS_SST i kommandovinduet for at læse SST-dataene. På samme måde skal du Read_MODIS_CHL i kommandovinduet for at læse CHL-dataene. Transformer CHL-datalogaritmisk, fordi de har en log-normal fordeling31.
BEMÆRK: Indlæste variabler omfatter SST og CHL i tre dimensioner, der repræsenterer henholdsvis meridional placering, zoneplacering og tid i dage. Rækken af SST'er er mellem -2 og 44, og intervallet for CHL er mellem 0,01 og 20.
- Download et datasæt af satellitobservationer for SST og CHL fra MODIS-Aqua (podaac-tools.jpl.nasa.gov/), hvor den rumlige opløsning af begge datasæt er ca. 4,5 km med daglige intervaller.
- Havoverfladen anomali (SLA)
- Download daglige SLA-data med en rumlig opløsning på 25 km fra 2002-201732.
BEMÆRK: SLA'er beskriver forskellen mellem observerede havoverfladehøjder og den gennemsnitlige havoverfladehøjde over 20 år (1993-2012) for en tilsvarende pixel. SLA-dataene behandles af SSALTO/DUACS og distribueres ved arkivering, validering og fortolkning af satellit oceanografiske data (AVISO, https://www.aviso.altimetry.fr). - Indlæs data i analysesoftwaren. Indlæs endags SLA-data ved at Read_SLA i kommandovinduet.
BEMÆRK: Mappen 'Data' i de supplerende filer indeholder kun ét eksempel i scriptet til illustration.
- Download daglige SLA-data med en rumlig opløsning på 25 km fra 2002-201732.
- Vindhastighed
- Få vindinformationen fra et ERA-Interim reanalyseprodukt, som er et globalt datasæt for atmosfærisk reanalyse udviklet af European Center for Medium-Range Weather Forecasts (ECMWF)33. Download vinddata for samme periode (oktober 2002-september 2017) for at opretholde overensstemmelse med CHL- og SST-dataene.
BEMÆRK: Vinddatasættet har en rumlig opløsning på ca. 25 km og blev interpoleret fra det oprindelige datasæt med en rumlig opløsning på ca. 0,7°. - Indlæs data i analysesoftwaren. Skriv Read_WindVector i kommandovinduet for at læse vinddataene på en måned. Beregn det månedlige gennemsnit ved at beregne gennemsnittet af de oprindelige data, som er med 6 h intervaller.
- Få vindinformationen fra et ERA-Interim reanalyseprodukt, som er et globalt datasæt for atmosfærisk reanalyse udviklet af European Center for Medium-Range Weather Forecasts (ECMWF)33. Download vinddata for samme periode (oktober 2002-september 2017) for at opretholde overensstemmelse med CHL- og SST-dataene.
- Topografi
- Download topografidata med høj opløsning fra webstedet National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). Den rumlige opløsning er ~ 2 km. Få ETOPO1-dataene for grundfjeld i XYZ-format for det valgte studieområde.
- Indlæs data i analysesoftwaren. Skriv Read_topography i kommandovinduet for at indlæse topografidataene i analysesoftwaren.
2. Forbehandling af data
- Tidsmæssigt gennemsnit
- På grund af den store skydækning i SST- og CHL-dataene skal du erstatte de oprindelige data med 3-dages gennemsnitsdata. Det kan du gøre, når du har kørt Read_MODIS_SST.m- Read_MODIS_CHL.m-scripts (trin 1.1.5), skal du skrive Temporal_average i kommandovinduet for at køre scriptet.
- Interpolation i samme gitter
- Da den rumlige opløsning ikke er ensartet for forskellige datasæt, skal SST- og CHL-dataene interpoleres i et rumligt gitter, der er det samme som det fysiske gitter for vind og SLA, før der foretages sammenligninger. Når du har Temporal_average.m scripts Read_WindVector.m, skal du Interpolation_grid i kommandovinduet for at køre scriptet.
- Vindstress og vindstresskrølle
- Skriv Wind_stress_curl i kommandovinduet for at beregne vindstress (WS) og vindstresskrøk (WSC) ved hjælp af følgende ligninger:
hvor
er vindhastighedsvektoren, 
er WS i samme retning som vindvektoren, og er WS i henholdsvis 
øst- og 
nordretningen, er lufttætheden (svarende til 1,2 kg/m3),og C er trækkoefficienten (en værdi på 0,0015 anvendes) under neutrale stabilitetsforhold34.
- Skriv Wind_stress_curl i kommandovinduet for at beregne vindstress (WS) og vindstresskrøk (WSC) ved hjælp af følgende ligninger:
- Månedlige gennemsnit
- Beregn den månedlige SST-, vind- og SLA-tidsserie som 30-dages gennemsnit i hver pixel ved at skrive Monthly_average for at køre scriptet. På grund af den høje skydækningsgrad skal du bruge et 60-dages gennemsnit som den månedlige tidsserie for CHL, herunder 30 dage før til 30dage efter den 15.
er vindhastighedsvektoren, 
er WS i samme retning som vindvektoren, og er WS i henholdsvis 
øst- og 
nordretningen, er lufttætheden (svarende til 1,2 kg/m3),og C er trækkoefficienten (en værdi på 0,0015 anvendes) under neutrale stabilitetsforhold34.3. SST front detektion
- Rumlig udjævning
- Skriv Spatial_smoothing for at køre scriptet for at beregne gennemsnittet af de tre dages SST-data i hver pixel.
BEMÆRK: Der blev identificeret en stor mængde støj i SST-dataene. Således blev dataene glattet med en 3 x 3 rumlige gennemsnit. Når der ikke foreligge data i de oprindelige 3-dages gennemsnitsdata, blev de geogennemsnitsdata angivet som utilgængelige.
- Skriv Spatial_smoothing for at køre scriptet for at beregne gennemsnittet af de tre dages SST-data i hver pixel.
- SST-forløb
- Skriv SST_gradient for at køre scriptet for at beregne zone- og meridionale SST-gradienter (dvs. henholdsvis Gxog Gy)som SST-forskellen mellem de nærmeste to pixel divideret med den tilsvarende afstand via ligning (3). Brug den opnåede forløbsvektor til at beregne det samlede forløb, G, som en skalar efter ligning (4).
- Skriv SST_gradient for at køre scriptet for at beregne zone- og meridionale SST-gradienter (dvs. henholdsvis Gxog Gy)som SST-forskellen mellem de nærmeste to pixel divideret med den tilsvarende afstand via ligning (3). Brug den opnåede forløbsvektor til at beregne det samlede forløb, G, som en skalar efter ligning (4).
- Lokalt maksimum
- Identificer en front ved at teste en SST-forløbsværdi: mærk en pixel som en potentiel frontal pixel, hvis værdien er større end en angivet tærskelværdi. Bevar kun den lokale maksimale pixel i samme retning vinkelret på forløbsretningen, hvis der er forbundne pixel med værdier, der er større end tærsklen. Her defineres tærsklen som 0,035 °C/km efter tidligere undersøgelser10,28.
BEMÆRK: Det tilsvarende script' Local_maximum.m' er tilgængeligt i de supplerende filer.
- Identificer en front ved at teste en SST-forløbsværdi: mærk en pixel som en potentiel frontal pixel, hvis værdien er større end en angivet tærskelværdi. Bevar kun den lokale maksimale pixel i samme retning vinkelret på forløbsretningen, hvis der er forbundne pixel med værdier, der er større end tærsklen. Her defineres tærsklen som 0,035 °C/km efter tidligere undersøgelser10,28.
- Månedlig frontal sandsynlighed (FP)
BEMÆRK: Frontal sandsynlighed (FP) beskriver sandsynligheden for at observere en front.- Beregn FP'et i et bestemt tidsrum (i dette tilfælde et månedligt interval) ved at skrive Monthly_FP for at køre scriptet. Divider forekomsten af fronter på hver pixel i løbet af et tidsvindue med det antal dage, der er fri for skyer.
4. Rumlig og tidsmæssig variation
- Sæsonbestemt cyklus
- Beregn sæsoncyklusser af forskellige faktorer som gennemsnittet af forskellige årstider. Definer årstiderne som følger: vinteren er fra december til februar, foråret er fra marts til maj, sommeren er fra juni til august, og efteråret er fra september til november.
BEMÆRK: Sæsoncyklussen er ikke vist i denne undersøgelse; følgende metode bruges til at forklare den rumlige og tidsmæssige variabilitet i stedet.
- Beregn sæsoncyklusser af forskellige faktorer som gennemsnittet af forskellige årstider. Definer årstiderne som følger: vinteren er fra december til februar, foråret er fra marts til maj, sommeren er fra juni til august, og efteråret er fra september til november.
- Empirisk ortogonal funktion (EOF)
- Fjern det tidsmæssige gennemsnit og de tilgængelige pixel. Før EOF udføres, skal du trække det samlede gennemsnit ved hver pixel fra og udelukke de steder, hvor manglende observationer overstiger 20 % på grund af skydækning. Indlæs data ved at skrive indlæsning(Monthly_data_for_EOF.mat' i kommandovinduet.
- Anvend en EOF til at beskrive de rumlige og tidsmæssige variabiliteter af forskellige parametre. Skriv Empirical_orthogonal_function.m til at køre scriptet til at beregne størrelsen (Mag), eigenvalues (Eig), og amplitude (Amplitude) af EOFs for datasættet (dvs. tidsserier af månedlige gennemsnitlige SST, vind stress, vind stress krølle, CHL, og FP).
BEMÆRK: Funktionen nedbrydes den månedlige tidsserie i forskellige tilstande, som er sammensat af rumlige og tidsmæssige mønstre og variansen forklaret ved hver tilstand falder med stigende tilstandsnummer.
5. Samcorrelation
- Korrelation på sæsonskalaen
- Beregn korrelationerne mellem to faktorer ved hjælp af deres tidsserier ved hver pixel ved at Seasonal_correlation for at køre scriptet. Da årstidens cyklus ikke er fjernet, skal du kontrollere korrelationens betydning for alle korrelationer.
- Korrelation af et unormalt felt
- Beregn korrelationerne mellem de månedlige CHL-uregelmæssigheder og andre faktorer, f.eks. De månedlige uregelmæssigheder (dvs. afvigelsen fra middelstatus) opnås ved at trække det samlede gennemsnit for en tilsvarende måned fra den månedlige tidsserie. Skriv Anomalous_correlation for at køre scriptet og hente korrelationerne.
6. Visning af oplysninger og beregning af relationer
- Vis satellitoplysninger.
- Skriv Sat_SCS_Fig3457 at køre scriptet for at generere et udstillingsvindue for satellitoplysninger, herunder SST-, CHL- og frontaldistributioner. Angiv den aktuelle mappe som 'scripts', hvor dataene 'Sat_SCS_data.mat' er placeret.
BEMÆRK: Figur 1, Figur 2, Figur 3og Figur 4 viser SST, CHL, fronter, vind og topografi for den valgte dato som eksempel.
- Skriv Sat_SCS_Fig3457 at køre scriptet for at generere et udstillingsvindue for satellitoplysninger, herunder SST-, CHL- og frontaldistributioner. Angiv den aktuelle mappe som 'scripts', hvor dataene 'Sat_SCS_data.mat' er placeret.
- Få vist EOF-resultatet ved at Sat_SCS_Fig890.m for at køre scriptet.
BEMÆRK: Figur 5, Figur 6og Figur 7 beskriver den rumlige størrelse, det månedlige gennemsnit og tidsrækkerne for de første to tilstande for henholdsvis CHL, SST og fronter. - Beregn forholdet mellem CHL og andre faktorer på sæsonbestemte tidsskalaer og for unormale felter ved at skrive Sat_SCS_Fig1112.m at køre scriptet. Der fremskaf sammenligningskortet for sæsonudsving (figur 8) og uregelmæssigheder (Figur 9).
Representative Results
De rumlige og tidsmæssige mønstre for havoverfladen CHL i SCS blev beskrevet ved hjælp af satellitobservationer. Satellitoplysninger for CHL (Figur 1A) og SST (figur 1B) kan være forurenet af skydækning, hvilket resulterer i, at en stor del af dataene ikke kan bruges. De genanalyserede vind (figur 1C) og SLA (Figur 1D)data blev ikke påvirket af daglige skyer. Topografien (Figur 1E) havde en fremtrædende indvirkning på den rumlige fordeling af CHL. Høj CHL blev hovedsageligt fordelt langs kysten, hvor topografien er lavvandet. Vinden var også påvirket af orografi, og læ side af bjergene var kendetegnet ved svag vind; Således blev der identificeret en fremtrædende WSC sydvest for SCS. I modsætning hertil var SLA'erne ikke meget afhængige af topografi, og der blev fundet en region med usædvanligt høje SLA'er i SKS-bassinet.
Figur 1: Originale observationer for større parametre den 15.
a) Havoverfladechlorofyl (CHL), b )havoverfladetemperatur(SST), C ) vindstresskrøb (WSC, skygge) med vindstress (WS, vektor),d) havoverfladeal og (E) topografi for havbassinet. Klik her for at se en større version af dette tal.
På grund af den alvorlige indvirkning i skyen på satellitobservationer var mange data enten ikke tilgængelige eller geografisk inkonsekvente. Der blev anvendt en effektiv metode til at udfylde nogle datahuller og udjævne feltet. Dataene blev først erstattet med et 3-dages gennemsnit ved hver pixel, hvilket effektivt kan udfylde nogle huller, fordi skyerne varierer dagligt (Figur 2B). Et rumligt gennemsnit blev anvendt yderligere ved hver pixel, således at dataene blev erstattet af gennemsnittet af omgivende værdier (3 x 3 pixel). Således blev den rumlige inkonsekvens stærkt reduceret (figur 2C).
Figur 2: SST for en enkelt dag den 15.
(A ) Original SST fra MODIS,B) tre-dages gennemsnit SST, og(C)SST efter rumlig udjævning. Klik her for at se en større version af dette tal.
Den daglige fordeling af SST-fronter stammer fra SST-gradienterne (figur 3A). De tærskler, der blev anvendt her, erobrede effektivt frontens placering (figur 3B) og sikrede, at grænserne for hele vandmassernes grænser blev afbildet (figur 3C). Gradienter og fronter var næsten identiske, fordi fronten hovedsagelig blev opnået fra gradienten.
Figur 3: Procedure for frontdetektering afledt af SST.
a) SST-gradientens størrelse,B) fordelingen af SST-fronter i tynde sorte linjer og (C)frontfordeling baseret på de tilsvarende SST-forløb. Klik her for at se en større version af dette tal.
På grund af skydækning i CHL-, SST- og frontdata blev de månedlige gennemsnitlige tidsserier beregnet og anvendt i denne undersøgelse. Et tilfældigt eksempel vises i figur 4 for april 2015. Der var ingen eksisterende mellemrum for nogen af parametrene. De generelle mønstre for forskellige parametre var meget ensartede med hensyn til deres rumlige varians. For eksempel var CHL høj nær kysten og lavt i det centrale bassin, mens SST var lav nær kysten og højt i det centrale bassin. Det månedlige gennemsnit tilbød omfattende oplysninger til at skildre regionale funktioner. Fronterne blev hovedsageligt fordelt langs kysten, hvor dynamikken er kompleks. En stor del af bassinet var fri for fronter; således var midten af SCS karakteriseret ved en værdi tæt på nul (Figur 4E).
Figur 4: Månedligt gennemsnit for større parametre i april 2015.
( A) CHL (i logaritmeskala), B ) SST, (C) WSC (skygge) med WS (vektor),(D) havoverfladealalalal og(E)frontal sandsynlighed (FP). Klik her for at se en større version af dette tal.
De fleste overfladefunktioner var kendetegnet ved fremtrædende sæsonudsving, som tydeligt blev observeret ved hjælp af EOF'er. EOF er en nyttig matematisk metode, der er meget udbredt i atmosfæriske og marine videnskaber. Metoden kan afgrænse rumlige mønstre og tidsmæssige signaler fra tidsserier over rumlige domæner28. Efter spatiotemporal nedbrydning for havoverflade funktioner i SCS, de to første tilstande er generelt behov for at beskrive de rumlige og tidsmæssige varia evner. De første to EOF'er for CHL beskrev henholdsvis 44 % og 12 % af den samlede varians. EOF1 fangede en stor varians i den nordlige del af SCS (Figur 5A). Det tilsvarende månedlige gennemsnit af tidsserierne (Figur 5C) viste, at CHL blev forhøjet om vinteren og trykket ned om sommeren. Regionen ved siden af den sydvestlige kyst var præget af svag størrelse, og den tilsvarende variation blev hovedsagelig erobret af EOF2 (Figur 5B). CHL værdier var høje om sommeren og lav om vinteren. Dette var hovedsagelig ude af fase sammenlignet med den nordlige del. De månedlige tidsserier for EOF'er viste tydelig sæsonvariation, og EOF2 førte EOF1 med ca. 4 måneder (figur 5E).
Figur 5: EOF for CHL.
a) Størrelsen af EOF1,B) størrelsen af EOF2, (C) månedlige gennemsnitlige tidsserier for EOF1, (D) måneds gennemsnitlige tidsserier for EOF2 og (E) månedlige tidsserier af EOF1 (sort) og EOF2 (blå). Klik her for at se en større version af dette tal.
Den forklarede varians i de første to EOF'er for SST var fremtrædende, svarende til henholdsvis 91 % og 5 % for EOF1 og EOF2. Det er vigtigt at understrege, at det samlede gennemsnit skal fjernes, før EOF gennemføres; gennemsnitsfeltet blev derfor udelukket. EOF1 dominerede den samlede varians, og dens størrelse var størst i det nordlige SCS og faldt sydpå (figur 6A). Det tilsvarende månedlige gennemsnit af tidsserierne (Figur 6C) viste, at SST blev forhøjet om sommeren og trykket om vinteren. Den sydlige SCS var kendetegnet ved en svag størrelsesorden, tilskrives vedvarende høje temperaturer ved lave breddegrader. Variabiliteten i den sydlige del blev hovedsagelig fanget af EOF2 (figur 6B). Den tilsvarende SST blev forbedret mellem marts og juni, mens lave værdier fortsatte i de resterende måneder. Den fremtrædende opvarmning fandt sted i 2010 og 2016, hvor SST ud for kysten sydvest for SCS var meget højere end i de andre år (figur 6E). Denne interårlige variation tilskrives hovedsagelig El Niño-hændelser , der reducerer den sydvestlige sommermonsun og resulterer i svagopsving 12. Da sæsonudsving er det vigtigste fokus i den aktuelle undersøgelse, diskuteres denne funktion ikke yderligere.
Figur 6: EOF for SST.
a) Størrelsen af EOF1,B) størrelsen af EOF2, (C) månedlige gennemsnitlige tidsserier for EOF1, (D) månedlige gennemsnitlige tidsserier for EOF2 og (E) månedlige tidsserier af EOF1 (sort) og EOF2 (blå). Klik her for at se en større version af dette tal.
På grund af gradientens støjende natur forklarede den afledte front meget mindre af variansen. EOF1 og EOF2 fra FP forklarede kun henholdsvis 19 % og 9 % af den samlede varians. EOF1 fangede variansen i den nordlige og nordøstlige SCS (Figur 7A). Det tilsvarende månedlige gennemsnit af tidsserierne (figur 7C) viste, at der i disse regioner forekom mere FP om vinteren og mindre om sommeren. Fasen ud for kysten sydvest for SCS var den modsatte, selv om den tilsvarende variation var langt mindre fremtrædende. EOF2 fangede fjederforbedringen af FP (Figur 7D) i det vestlige SCS (Figur 7B). Den månedlige tidsserie af EOF1 og EOF2 var karakteriseret ved svag interannuel variation.
Figur 7: EOF for FP.
a) Størrelsen af EOF1,B) størrelsen af EOF2, (C) månedlige gennemsnitlige tidsserier for EOF1, (D) månedlige gennemsnitlige tidsserier for EOF2 og (E) månedlige tidsserier af EOF1 (sort) og EOF2 (blå). Klik her for at se en større version af dette tal.
Forskellige faktorer blev undersøgt for deres forhold til CHL (figur 8). For eksempel kan SST bruges til at forstå de grundlæggende træk ved havet, der kan påvirke vækstraten for fytoplankton og efterfølgende påvirke CHL. For størstedelen af SCS var der store korrelationer mellem SST og CHL (figur 8A), og de fleste af korrelationerne nåede over -0,8. Det er vigtigt at påpege, at høj korrelation ikke indikerer årsagssammenhæng mellem disse to faktorer. Da SST nåede sit årlige maksimum om sommeren, blev MLD lavvandede21. Næringsstoffer, der blev leveret til det euforistiske lag, var lave, fordi vertikal blanding blev blokeret ved intensiv stratificering13. Som følge heraf begrænsede lave næringsstoffer vækstraten for fytoplankton og resulterede i lav CHL. I modsætning hertil skete høj CHL om vinteren, når MLD var dybere, og lav SST induceret svag stratificering35.
Figur 8: Korrelationer mellem CHL og andre faktorer på sæsonskalaen.
a) SST,B) WS, (C) WSC,d) FP og (E) SLA. Den grå farve angiver, at korrelationen er ikke-signifikant. Rumligt beregnede variabler beregnes ud fra den grønne boks i panel A. Deres tidsserier anvendes til at opnå korrelationskoefficienterne i tabel 1. Dette tal er blevet ændret fra Yu et al.17. Klik her for at se en større version af dette tal.
Vinddrevet blanding kan måles ca. af WS og blev brugt til at beskrive lodret blanding18. Der blev identificeret store korrelationskoefficienter med værdier på ca. 0,8 mellem WS- og CHL-niveauerne nord for SCS(figur 8B), især i de regioner, hvor der er den kraftigste vintervind, der er placeret på SCS's nordlige hylde. Svage, men signifikante korrelationer blev fundet mod syd. Korrelationerne mellem WSC og CHL var betydelige i størstedelen af SCS (figur 8C), selv om de udviste modsatrettede tendenser i nord og syd. Der blev identificeret en positiv korrelationskoefficient mellem CHL og WSC mod syd, og der var negative værdier i nord. Sammenhængen i regionen mellem dem var ikke signifikant. WS og CHL blev anset for at være stærkt korreleret i den tilsvarende region, hvor vinteren WS var størst.
Fronter kan også fremkalde CHL variabilitet. Der blev fundet en stor korrelation i den nordøstlige og sydvestlige del af SCS( Figur 8D). CHL steg i løbet af frontalaktiviteterne blev mereaktive 36. SLA viste en betydelig negativ korrelation med CHL fra det nordøstlige SCS mod sydvest og en positiv korrelation langs vestkysten af SCS (figur 8E). Det er interessant at bemærke, at de positive korrelationer var begrænset til regionen med lavvandede topografi.
Nordøst for SCS var alle korrelationer store (figur 8). Korrelationerne mellem de månedlige tidsserier mellem CHL og andre parametre blev således beregnet ved hjælp af det rumlige gennemsnit i en udpeget kasse (figur 8A), og de fleste af faktorerne var indbyrdes forbundne med signifikante korrelationer (øverst til højre i tabel 1). Da årstiden dominerede tidsserien, var korrelationen ikke længere gyldig efter fjernelse af det månedlige gennemsnit (nederst til venstre i tabel 1).
| Chl-a | Sst | Ws | Wsc | Fp | Sla | |
| Chl-a | -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 | 0 | 0.08 | -0.02 | 0.52 | -0.37 | |
| Fp | 0.21 | -0.09 | 0.03 | 0.15 | -0.74 | |
| Sla | -0.25 | 0.42 | 0.07 | 0.13 | -0.08 |
Tabel 1: Tidsseriens korrelationskoefficienter mellem faktorer, der er placeret nordøst for SCS, f.eks. De månedlige gennemsnit og afvigelser vises i henholdsvis øverst til højre og venstre nederste sektion. Tal med fed og kringatisk angiver, at korrelationen ikke opfylder konfidensniveau på 95 %. Tabellen er blevet ændret fra Yu et al.17.
Korrelationerne i sæsoncyklussen var ikke signifikante for visse regioner,f.eks. Regionen er domineret af dynamiske processer (f.eks. opsving og vindinduceret offshore transport), der bestemmer variabiliteten i CHL17. En signifikant korrelation mellem CHL og andre faktorer(f.eks. Uregelmæssighederne blev beregnet for de månedlige tidsserier ved at fjerne det tilsvarende månedlige gennemsnit. Det effektive antal frihedsgrader kan øges , men tidligere undersøgelser har vist , at det ikke påvirker de underliggende relationer mellem derestidsserier 28,37.
Figur 9: Korrelation mellem CHL og andre faktorer i de unormale felter.
a) SST,B) WS, (C) WSC,d) FP og (E) SLA. Den grå farve angiver, at korrelationen er ikke-signifikant. Rumligt beregnede variabler beregnes på grundlag af den grønne boks i panel A. Tidsserierne bruges til at opnå de korrelationskoefficienter, der er vist i tabel 2. Dette tal er blevet ændret fra Yu et al.17. Klik her for at se en større version af dette tal.
På de unormale områder var CHL og SST signifikant korreleret i størstedelen af SCS (figur 9A). Når SST'er var usædvanligt høje, CHL blev usædvanligt lav, og vice versa. Tilsvarende en usædvanlig høj WSC og fronter sydvest for SCS induceret høje niveauer af CHL, og vice versa (Figur 9C, 9D). Desuden blev der fundet en negativ korrelation mellem SLA'erne og CHL-niveauerne (figur 9E). Forskellige halter blev testet, og korrelationen blev kun signifikant, hvis der ikke blev anvendt nogen forsinkelse. CHL blev således samtidig påvirket af uregelmæssigheder i SST, WSC og fronter samt SLA. Deres forhold blev yderligere undersøgt ved hjælp af rumligt gennemsnit månedlige tidsserier sydvest for SCS, udpeget som en grøn boks i figur 9A. Resultaterne viser, at de fleste faktorer var indbyrdes forbundne med signifikante korrelationer i det unormale felt (nederst til venstre i tabel 2).
| Chl-a | Sst | Ws | Wsc | Fp | Sla | |
| Chl-a | -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 | 0.29 | -0.1 | 0.41 | 0.53 | -0.21 | |
| Fp | 0.57 | -0.42 | 0.24 | 0.29 | -0.42 | |
| Sla | -0.3 | 0.54 | -0.23 | -0.29 | -0.47 |
Tabel 2: Tidsseriens korrelationskoefficienter mellem faktorer, der er placeret sydvest for SCS, f.eks. Det månedlige gennemsnit og uregelmæssighederne vises i henholdsvis øverst til højre og venstre nederste sektion. Tal med fed og kringatisk angiver, at korrelationen ikke opfylder konfidensniveau på 95 %. Tabellen er blevet ændret fra Yu et al.17.
Supplerende filer. Klik her for at downloade denne fil.
Discussion
I denne undersøgelse beskrives de vigtigste træk ved marine systemer ved hjælp af satellitobservationer. CHL, som kan bruges til at repræsentere havproduktionen, vælges som en indikatorfaktor. Faktorer relateret til CHL variabilitet blev undersøgt ved hjælp af månedlige gennemsnitlige tidsserier, f.eks. Tre kritiske trin er beskrevet i denne undersøgelse: erhvervelse af satellitdata for forskellige parametre, beskrivelse af deres rumlige og tidsmæssige variabilitet via EOF og bestemmelse af indbyrdes forhold mellem forskellige faktorer ved at beregne korrelationskoefficienter. Der medfølger en detaljeret procedure, der viser identifikationen af den daglige frontaldistribution, som er afledt af SST-observationerne. Der er udviklet to større tilgange til SST-frontdetektion: gradientmetoden10,38 og histogrammetoden39,40. Histogrammetoden er baseret på et tilsvarende værdiinterval for SST, som kan bruges til at opdele vandmasserne i forskellige grupper. Pixel med værdier mellem forskellige grupper, der repræsenterer pixlen i et overgangsbånd, defineres som fronter. På den anden side adskiller gradientmetoden flere relativt ensartede vandområder som pixel med store gradientværdier. En sammenligning undersøgelse blev gennemført, og de fandt lavere falske satser ved hjælp af histogram metode og færre ubesvarede fronter ved hjælp af gradient metode41. I denne undersøgelse blev den gradientbaserede metode38 vedtaget efter tidligere undersøgelser10,28. Algoritmen kan undgå frontopbrydende i flere kantfragmenter ved at lade omfanget falde til et niveau under en mindre tærskel. Ud over det datasæt, der er medtaget her, kan andre satellitobservationer, såsom aerosolindekset, også anvendes med en lignende fremgangsmåde.
De fleste af procedurerne kan anvendes direkte i andre regioner eller datasæt. Der kan ske ændringer for at ændre tærsklen for frontdetektering. Da SST-gradienten i SCS kan sammenlignes med det nuværende system for den østlige grænse28, blev de samme tærskler gennemført for den aktuelle undersøgelse. En tidligere undersøgelse viste, at SST gradient fra forskellige datasæt kan variere så meget som tre gange42, hvilket gør metoden eller anden måde mindre objektiv. Omfattende undersøgelser har undersøgt frontale aktiviteter omkring det globale ocean28,43. Den bedste fremgangsmåde til at validere fronter er at sammenligne dem med in situ observationer. Yao44 beskrev den månedlige frontaldistribution for SCS. Deres resultater var godt enige med in situ målinger. Den samlede gradient bør kontrolleres og justeres, da værdien kan variere afhængigt af den rumlige opløsning og instrumenterne. Tærsklen bør navnlig ajourføres, når der anvendes et andet SST-datasæt. En grundlæggende forståelse af den regionale dynamik er afgørende for forståelsen af frontogenese45,46,47. Frontdetekteringsscriptet kan udvikles af individuelle forfattere baseret på beskrivelsen i dette papir.
Satellitinformation giver en omfattende forståelse af overfladefunktioner, og en resultatsammenligning med in situ-observationer kan bidrage til at vurdere troværdigheden. Satellitobservationer er imidlertid begrænset til havoverfladen, hvilket begrænser anvendelsen af forståelse af vandsøjlens lodrette struktur. I en nylig undersøgelse viste satellitobservationer, at overfladen CHL steg med 15 gange, men den vertikale integrerede værdi steg kun med 2,5 gange48. Denne forskel skyldtes, at overfladeværdien blev påvirket af coeffects af fytoplanktonvækst og stimering af MLD, hvilket resulterede i en urealiseret værdi ved overfladen. Overfladefunktionen giver således muligvis ikke en nøjagtig beskrivelse af hele vandsøjlen. Derudover begrænser indflydelsen af skydækning satellitters fortsatte observationer. Månedlige tidsserier beregnes således for forskellige faktorer i samme region og samme periode. Dette vil sikre troværdigheden af beregningen af korrelationerne mellem forskellige faktorer. Men de korte periode begivenheder, f.eks tyfoner, der varer et par dage til en uge, vil ikke blive løst.
Sammenlignet med tidligere undersøgelser kan den foreslåede metode tilbyde rumlig information på pixelniveau, hvilket kan bidrage til at evaluere dynamikken på en mere detaljeret måde. Nogle tidligere undersøgelser gennemsnit hele SCS som et enkelt nummer og opnået en tidsserie. De fandt, at en usædvanlig stærk WS og høj SST kan fremkalde unormalt høj CHL16, hvilket er i overensstemmelse med det nuværende resultat. Den geografiske variation i relationerne blev dog ikke løst. I denne undersøgelse var bassinskalarelationen mellem WS og CHL svag på det unormale område. Der blev kun identificeret en stor signifikant korrelation for visse områder,f.eks. Den nuværende metode giver således en omfattende beskrivelse til undersøgelse af rumlige variationer. På samme måde blev der anvendt observationer fra to Bio-Argo-flåd, og det viste sig, at WSC ikke korrelerede med CHL-variabilitet20. De to flåds forløb er dog kun placeret i visse regioner. I dette tilfælde var det præcis inden for båndet, hvor sammenhængen mellem CHL-niveauet og WSC ikke var signifikant (figur 8D). Den foreslåede metode er meget nyttig til at løse den geografiske afhængighed blandt faktorer, som er et grundlæggende kendetegn ved det globale hav.
Sammenfattende kan den metode, der anvendes her, præcist beskrive den rumlige fordeling og tidsmæssige variabilitet i havets overflade funktioner ved hjælp af satellit observationer. Med den stigende opløsning af satellitdatasæt kan der identificeres og undersøges mere detaljerede funktioner, hvilket giver mulighed for en generel forståelse af regionale funktioner, herunder CHL, SST og SSH. Sammenhængen mellem månedlige tidsserier mellem forskellige faktorer kan bidrage til at forstå deres dynamiske relationer og potentielle indvirkning på etøkosystem 49. Da korrelationen i høj grad kan variere på forskellige rumlige steder, giver den foreslåede metode en detaljeret og omfattende beskrivelse. En lignende tilgang kan anvendes på alle havområder på verdensplan, hvilket vil være yderst nyttigt for at forbedre forståelsen af marine dynamikker og økosystemer.
Disclosures
Forfatterne har intet at afsløre.
Acknowledgments
Støtten fra Kinas nationale centrale forsknings- og udviklingsprogram (nr. 2016YFC1401601), Postgraduate Research & Practice Innovation Program of Jiangsu Province (Nr. SJKY19_0415) støttet af grundforskningsfondene for de centrale universiteter (nr. 2019B62814), National Natural Science Foundation of China (nr. 41890805, 41806026 og 41730536) og fælles avancerede marine og økologiske studier i Den Bengalske Bugt og det østlige ækvatoriale Indiske Ocean blev i høj grad anerkendt. Forfatterne sætter pris på levering af data fra kilder, herunder National Aeronautics and Space Administration (NASA), Det Europæiske Center for Medium-Range Vejrudsigter (ECMWF), Copernicus Marine and Environment Monitoring Service (CMEMS) og National Oceanic and Atmospheric Administration (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) |
References
- Behrenfeld, M. J., Falkowski, P. G. Photosynthetic rates derived from satellite-based chlorophyll concentration. Limnology and Oceanography. 42 (1), 1-20 (1997).
- 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).
- 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).
- Bates, J. J., Smith, W. L. Sea surface temperature: Observations from geostationary satellites. Journal of Geophysical Research. 90, 11609-11618 (1985).
- 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).
- 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).
- 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).
- 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).
- Chelton, D. B., Schlax, M. G., Samelson, R. M. Global observations of nonlinear mesoscale eddies. Progress in Oceanography. 91 (2), 167-216 (2011).
- 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).
- 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).
- 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).
- 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).
- Kahru, M., et al. Global correlations between winds and ocean chlorophyll. Journal of Geophysical Research. 115, 12040 (2010).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Fedorov, K. N. The physical nature and structure of oceanic fronts. , Springer-Verlag. Berlin. 333 (1986).
- 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).
- 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).
- 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).
- Siegel, D. A., et al. Regional to global assessments of phytoplankton dynamics from the SeaWiFS mission. Remote Sensing of Environment. 135, 77-91 (2013).
- 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).
- 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).
- Hellerman, S. Computations of wind stress fields over the Atlantic Ocean. Monthly Weather Review. 93 (4), 239-244 (1965).
- 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).
- 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).
- Chelton, D. B. Large-scale response of the California Current to forcing by the wind stress curl. CalCOFI Reports. 23, 130-148 (1982).
- Canny, J. A computational approach to edge-detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 6, 679-698 (1986).
- 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).
- Cayula, J. F., Cornillon, P. Cloud detection from a sequence of SST images. Remote Sensing of Environment. 55 (1), 80-88 (1996).
- 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).
- 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).
- Legeckis, R. A survey of worldwide sea surface temperature fronts detected by environmental satellites. Journal of Geophysical Research. 83 (9), 4501-4522 (1978).
- 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).
- 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).
- 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).
- 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).
- 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).
- Belkin, I. M., Cornillon, P., Sherman, K. Fronts in Large Marine Ecosystems. Progress in Oceanography. 81, 223-236 (2009).
