Waiting
Login processing...

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

Environment

바다 표면 엽록소와 위성 정보와 남중국해의 주요 특징 사이의 관계를 조사

Published: June 13, 2020 doi: 10.3791/61172
Automatic Translation
*1,2, *2, *1,2, 2, 2
1College of Oceanography, Hohai University, 2State Key Laboratory of Satellite Ocean Environment Dynamics, Second Institute of Oceanography, Ministry of Natural Resources
* These authors contributed equally

Summary

위성 관측에서 얻어지거나 추출한 바다 표면 엽록소, 온도, 해수면 높이, 바람 및 전면 데이터는 바다를 특성화하는 효과적인 방법을 제공합니다. 제시는 지역 역학 및 생태계를 완전히 이해하기 위해 전체 평균, 계절 주기 및 상호 상관 관계를 포함한 이러한 데이터에 대한 포괄적인 연구를 위한 방법입니다.

Abstract

위성 관측은 해면 엽록소(CHL), 해표면 온도(SST), 해수면 높이(SSH), 이러한 매개변수(예: 전선)에서 파생된 요인 등 주요 해양 파라미터의 특징을 조사하는 훌륭한 접근법을 제공합니다. 이 연구는 위성 관측을 사용하여 계절및 비정상적인 필드에서 주요 매개 변수와 관계를 설명하는 단계별 절차를 보여줍니다. 이 방법은 남중국해(SCS)의 표면 특징을 설명하는 데 사용된 2002-2017년의 위성 데이터 집합을 사용하여 설명합니다. 클라우드 커버리지로 인해 이 연구에서 월별 평균 데이터가 사용되었습니다. 경험적 직교 기능(EOF)은 서로 다른 요인의 공간 분포 및 측두체 변성을 설명하기 위해 적용되었다. 몬순 바람은 분지의 변동성을 지배합니다. 따라서, 재분석 데이터 집합에서 바람은 다른 매개 변수에 대한 그것의 원동력을 조사하기 위해 사용되었다. CHL의 계절 적 변동성은 눈에 띄었으며 SCS의 대다수에서 다른 요인과 크게 상관관계가 있었습니다. 겨울에는 강한 북동쪽 몬순이 분지 전체에 깊은 혼합층과 높은 수준의 엽록소를 유도합니다. 중요한 상관 관계 계수는 계절 주기의 요인 들 사이에서 찾아냈습니다. 여름에, 높은 CHL 수준은 주로 서부 SCS에서 찾아냈습니다. 계절적 의존도가 높은 대신, 이 지역은 매우 역동적이었고, 비정상적으로 높은 CHL 수준이 비정상적으로 강한 바람과 강렬한 정면 활동과 관련이 있는 비정상적인 분야에서 요인이 크게 상관관계가 있었습니다. 이 연구는 위성 관측을 사용하여 계절및 비정상적인 분야에서 주요 매개 변수와 관계를 설명하는 단계별 절차를 제시합니다. 이 방법은 다른 글로벌 해양에 적용 할 수 있으며 해양 역학을 이해하는 데 도움이 될 것입니다.

Introduction

원격 감지 기술은 대규모 공간 스케일과 해양 환경을 설명하기 위한 오랜 기간의 훌륭한 데이터 집합을 제공합니다. 위성의 공간 해상도가 증가함에 따라, 자세한 기능은 이제 지역 규모에서 수백 미터1,2로해결됩니다. 해양 역학에 대한 향상된 이해는 대부분의 업데이트 된 위성 관측3을통해 달성 될 수있다.

원격 감지 플랫폼에 여러 센서를 통합하면 다양한 매개 변수에 대한 포괄적인 설명이 가능합니다. 해수면 온도(SST)는 반세기 이상 관찰된 기본 파라미터(SST)이다. 최근에는 해면 엽록소(CHL)에 대한 관측이 가능해졌으며 해양 생산성을 설명하는 데 사용될 수있다. 고도항도 위성은 바다 표면 높이를측정하는 데 사용된다6,7,이는 강하게 글로벌 바다에서 중형 에디 활동과 관련이8,9. 에디 외에도 전두엽 활동은 지역 역학 및 1 차 생산10에영향을 미치는 데 에도 중요합니다.

현재 연구의 주요 초점은 다른 해양 요인의 공간 분포 및 측두근성을 설명하는 표준 절차를 찾는 것입니다. 이 방법에서는 SST 그라데이션에서 파생된 SST, CHL, SSH 및 전면 데이터를 분석하여 패턴을 결정합니다. 특히, CHL은 바다의 생산성을 나타내는 데 사용되며, CHL 및 기타 해양 파라미터 간의 관계를 조사하는 방법이 도입된다. 이 방법을 검증하기 위해 남중국해에서 2002년 10월부터 2017년 9월까지의 기간은 모든 매개 변수를 검사하는 데 사용되었습니다. 이 방법은 주요 해양 패턴을 포착하고 해양 역학이 생태계에 미치는 영향을 탐구하기 위해 전 세계 다른 지역에서 쉽게 사용할 수 있습니다.

남중국해(SCS)는 위성 관측비율이 상대적으로 높기 때문에 연구 지역으로 지정되었습니다. SCS는 태양 복사에 풍부하다; 따라서, CHL은 주로영양소(11,12)의가용성에 의해 결정된다. 더 많은 영양소가 내포층으로 운반되면 CHL 수치가13을증가시킬 수 있습니다. 바람에 의해 유도된 혼합은 양분을 바다 표면에 도입하고 CHL14를향상시킬 수 있다. SCS는 이 지역의 역학과 생태계를 결정하는 몬순 풍력 시스템에 의해 독특하게 지배됩니다. 몬순 바람은 겨울15동안 가장 강하다. 여름에는 바람이 방향을 바꾸고 풍속은겨울 16,17보다훨씬 약합니다. 바람 강도는 수직 혼합의 강도를 결정할 수 있으며, 겨울에 바람이 증가함에 따라 혼합층 깊이(MLD)가 심화되고 여름18에바람이 감소함에 따라 얕아진다. 따라서 바람이19이고 CHL이 올해20,21의가장 높은 지점에 도달할 때 겨울 동안 더 많은 영양소가 연중 유포층으로 운반된다.

바람 이외에, MLD는 궁극적으로 영양 분함량 및 CHL22에영향을 미치는 SST 및 해수면 이상(SLA)과 같은 다른 요인을 사용하여 결정될 수 있다. 겨울 동안, 약한 수직 그라데이션은 표면20에서저온과 연관된다. 해당 MLD는 깊고 더 많은 영양소를 위쪽으로 운반할 수 있습니다. 따라서, 표면 층의 CHL은17가높다. CHL 레벨의 증가 변화는 수직 수송 및 혼합23을유도하는 메조스케일 에디에 기인할 수 있다. Upwelling은 일반적으로 우울한SLA와관련되었던 사이클론 에디에서 발견8,9 및 높은 CHL 농도24. 다운웰링은 일반적으로 높은SLA와관련된 항사이클론 에디에서 발견8,9 및 우울한 CHL 농도24. 다른 계절에 대 한, MLD 얕은 되 고 혼합 약한 되 면; 따라서, 낮은 CHL은분지(25)의대부분을 통해 관찰될 수 있다. CHL 수준의 계절 주기는 이후 지역26에대한 우세하다.

혼합 이외에, 전선 및 관련 해안 팽창은 CHL을 더욱 조절할 수 있습니다. 서로 다른 물 덩어리의 경계로 정의되는 전면은 지역 순환 및 생태계대응(27)을결정하는 데 중요하다. 프론토발생은 일반적으로 영양분을 유도하고 식물성 플랑크톤(30)의 성장을 촉진할 수 있는 해안 팽창 및융합(28,29)과관련이 있다. 히스토그램 및 SST 그라데이션 방법을 포함하여 위성 관측에서 전선을 자동으로 식별하기 위해 다양한 알고리즘이 개발되었습니다. 후자의 접근방식은 이 연구28에서채택된다.

CHL과 다양한 요소 간의 시계열의 상관 관계는 관계를 정량화하는 데 큰 통찰력을 제공합니다. 현재 연구는 생산성과 관련된 지역 해양 역학을 밝히기 위해 위성 관측을 사용하는 방법에 대한 포괄적 인 설명을 제공합니다. 이 설명은 바다의 모든 부분에서 표면 프로세스를 조사하기위한 가이드로 사용할 수 있습니다. 이 문서의 구조에는 단계별 프로토콜이 포함되며 텍스트와 그림에서 설명 결과가 따릅니다. 방법의 장단점 이외에 적용성은 이후에 논의된다.

Protocol

1. 데이터 셋 획득

  1. SST 및 CHL
    1. MODIS-Aqua(podaac-tools.jpl.nasa.gov/)에서 SST 및 CHL에 대한 위성 관측 데이터를 다운로드하여 두 데이터 집합의 공간 해상도는 일일 간격으로 약 4.5km입니다.
      참고: 보충 파일에서 사용할 수 있는 예제 스크립트 폴더 다음 디렉터리 및 데이터를 구조화합니다. 위성 데이터의 .nc 파일을 '데이터' 폴더에 저장합니다. 분석 소프트웨어(예: MATLAB)에서 NetCDF 도구 상자에 경로를 추가합니다. 하위 폴더를 사용하여 추가를 선택하여 '유틸리티' 폴더및 하위 폴더의 경로를 둘러싸습니다.
    2. 시간 범위를 결정합니다. 서로 다른 데이터 집합 간의 일관성을 유지하려면 모든 매개 변수에 대해 동일한 시간 범위를 사용합니다. 시간 적용 범위에 따라 시간 범위를 조정하고 서로 다른 데이터 집합 중 가장 긴 관찰 기간을 사용합니다. 이 프로토콜의 경우 2002년 10월부터 2017년 9월까지 15년간의 데이터를 다운로드하십시오.
    3. 공간 커버리지를 결정합니다.
      참고: 설계된 스터디 영역은 105°E와 123°E 사이이며 0°에서 25°N 사이입니다.
    4. 전처리 지침을 확인합니다. SST 및 CHL 데이터의 전처리 요구 사항(예: 배율 조정이 필요한지 여부)에 대한 .nc 파일의 지침을 읽습니다.
      참고: 다운로드한 데이터 집합은 이미 육지와 해안선에서 5km 이내의 데이터를 제외할 뿐만 아니라 구름에 의해 오염된 데이터를 제외합니다.
    5. SST 및 CHL 데이터를 분석 소프트웨어에 로드합니다. 명령 창에 Read_MODIS_SST 입력하여 SST 데이터를 읽습니다. 마찬가지로 명령 창에 Read_MODIS_CHL 입력하여 CHL 데이터를 읽습니다. CHL 데이터를 로그-일반분포(31)가있기 때문에 logarithmically 변환합니다.
      참고: 로드된 변수에는 각각 자조 위치, 구역 위치 및 며칠 의 시간을 나타내는 3차원의 SST 및 CHL이 포함됩니다. SST의 범위는 -2와 44 사이이며 CHL의 범위는 0.01에서 20 사이입니다.
  2. 해수면 이상 (SLA)
    1. 2002년부터 2017년까지 25km의 공간 해상도로일일 SLA 데이터를 다운로드하십시오.
      참고: SLA는 관측된 해수면 높이와 해당 픽셀에 대해 20년(1993-2012)의 평균 해표면 높이 의 차이를 설명합니다. SLA 데이터는 SSALTO/DUACS에 의해 처리되며 위성 해양 데이터의 보관, 유효성 검사 및 해석에 의해 배포됩니다(AVISO, https://www.aviso.altimetry.fr).
    2. 분석 소프트웨어에 데이터를 로드합니다. 명령 창에 Read_SLA 입력하여 일일 SLA 데이터를 로드합니다.
      참고: 보충 파일의 '데이터' 폴더에는 그림에 대한 스크립트에 하나의 샘플 데이텀만 포함됩니다.
  3. 풍속
    1. 유럽 중거리 기상 예보 센터(ECMWF)33에서개발한 글로벌 대기 재분석 데이터 세트인 ERA-중간 재분석 제품으로부터 풍력 정보를 입수한다. CHL 및 SST 데이터와 일관성을 유지하기 위해 같은 기간(2002년 10월~2017년 9월)에 대한 풍력 데이터를 다운로드합니다.
      참고: 풍력 데이터 집합은 약 25km의 공간 해상도를 가지며 원래 데이터 집합에서 약 0.7°의 공간 해상도로 보간되었습니다.
    2. 분석 소프트웨어에 데이터를 로드합니다. 명령 창에 Read_WindVector 입력하여 1개월 간의 바람 데이터를 읽습니다. 6h 간격의 원래 데이터를 평균화하여 월별 평균을 계산합니다.
  4. 지형
    1. 국립환경정보센터 홈페이지(NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/)에서 고해상도 지형 데이터를 다운로드하십시오. 공간 해상도는 ~2km입니다. 선택한 스터디 영역에 대한 XYZ 형식의 암반에 대한 ETOPO1 데이터를 가져옵니다.
    2. 분석 소프트웨어에 데이터를 로드합니다. 명령 창에 Read_topography 입력하여 지형 데이터를 분석 소프트웨어에 로드합니다.

2. 데이터 전처리

  1. 시간 평균
    1. SST 및 CHL 데이터의 큰 클라우드 범위로 인해 원래 데이터를 3일 평균 데이터로 바꿉다. 이렇게 하려면 Read_MODIS_SST.m 및 Read_MODIS_CHL.m 스크립트(1.1.5단계)를 실행한 후 명령 창에 Temporal_average 입력하여 스크립트를 실행합니다.
  2. 동일한 그리드로의 보간
    1. 공간 해상도가 서로 다른 데이터 집합에 대해 일치하지 않기 때문에 SST 및 CHL 데이터를 비교하기 전에 바람 및 SLA 공간 그리드와 동일한 공간 그리드로 보간합니다. Temporal_average.m 및 Read_WindVector.m 스크립트를 실행한 후 명령 창에 Interpolation_grid 입력하여 스크립트를 실행합니다.
  3. 바람 의 스트레스와 바람 스트레스 컬
    1. 명령 창에 Wind_stress_curl 입력하여 다음 방정식을 사용하여 바람 응력(WSC) 및 바람 응력 컬(WSC)을 계산합니다.
      Equation 1
      Equation 2
      바람속도 벡터는 어디, Equation 10 Equation 10 바람 벡터와 동일한 방향으로 WS; Equation 10 및 Equation 10 동쪽과 북쪽 방향에서 Equation 10 WS; 각각 1.2 kg/m3에해당하는 공기 밀도; 및 C는 항력 계수(0.0015의값이 사용됨)이다.
  4. 월평균
    1. 스크립트를 실행하려면 Monthly_average 입력하여 월별 SST, 바람 및 SLA 타임 시리즈를 각 픽셀의 평균 30일로 계산합니다. 높은 클라우드 커버리지 비율로 인해 매월15일 이후 30일 전부터 30일을 포함하여 CHL의 월 평균 시간대로 60일 평균을 사용하십시오.

3. SST 전면 감지

  1. 공간 스무딩
    1. 각 픽셀의 3일 SST 데이터를 평균화하기 위해 스크립트를 실행하려면 Spatial_smoothing 입력합니다.
      참고: SST 데이터에서 많은 양의 노이즈가 확인되었습니다. 따라서, 데이터는 3 x 3 공간 평균으로 부드럽게되었다. 원래 3일 평균 데이터에서 데이터를 사용할 수 없는 경우 공간 평균 데이터를 사용할 수 없는 것으로 설정되었습니다.
  2. SST 그라데이션
    1. SST_gradient 입력하여 수학식(3)을 통해 해당 거리로 나눈 가장 가까운 두 픽셀 간의 SST 차이로 구역 및 자이온 SST 그라데이션(즉, Gx 및 Gy)을계산하기 위해 스크립트를 실행한다. 획득한 그라데이션 벡터를 사용하여 총 그라데이션G를 수학식(4)으로 계산합니다.
      Equation 3
      Equation 4
  3. 로컬 최대 값
    1. SST 그라데이션 값을 테스트하여 전면을 식별합니다: 값이 지정된 임계값보다 큰 경우 픽셀을 잠재적 인 전두엽 픽셀로 레이블을 지정합니다. 임계값보다 큰 값을 가진 연결된 픽셀이 있는 경우에만 그라데이션 방향에 수직으로 로컬 최대 픽셀을 유지합니다. 여기서, 임계값을 이전 연구10,28에따라 0.035°C/km로 정의한다.
      참고: 해당 스크립트'Local_maximum.m'는 보충 파일에서사용할 수 있습니다.
  4. 월간 정면 확률(FP)
    참고: 정면 확률(FP)은 전면을 관찰할 확률을 설명합니다.
    1. 스크립트를 실행하기 위해 Monthly_FP 입력하여 특정 시간 범위(이 경우 월별 간격)에 대한 FP를 계산합니다. 시간 창 동안 각 픽셀의 전선 발생을 구름이 없는 일 수로 나눕니다.

4. 공간 및 측두형 가변성

  1. 계절주기
    1. 다른 요인의 계절 주기를 다른 계절의 평균으로 계산합니다. 다음 시즌을 정의 : 겨울은 12 월에서 2 월, 봄은 3 월에서 5 월, 여름은 6 월에서 8 월이며, 가을은 9 월에서 11 월입니다.
      참고: 계절주기는 이 연구에 표시되지 않습니다. 다음 방법은 공간 및 측두적인 가변성을 설명하는 데 사용됩니다.
  2. 경험적 직교 기능 (EOF)
    1. 시간 적 평균 및 사용할 수없는 픽셀을 제거합니다. EOF를 수행하기 전에 각 픽셀의 전체 평균값을 빼고 클라우드 커버리지로 인해 누락된 관측이 20%를 초과하는 위치를 제외합니다. 명령 창에 로드('Monthly_data_for_EOF.mat')를 입력하여 데이터를 로드합니다.
    2. EOF를 적용하여 서로 다른 매개 변수의 공간 및 시간 적 분산성을 설명합니다. Empirical_orthogonal_function.m 입력하여 데이터 집합에 대한 EOF의 크기(Mag), eigenvalue(Eig), 및 진폭(Amp)을 계산하기 위해 스크립트를 실행합니다(예: 월 평균 SST, 바람 응력, 바람 응력 컬, CHL 및 FP).
      참고: 이 함수는 월별 시계열을 공간 및 시간 패턴으로 구성된 다른 모드로 분해하며 각 모드에 설명된 분산은 모드 수가 증가함에 따라 감소합니다.

5. 상관 관계

  1. 계절적 척도의 상관 관계
    1. 스크립트를 실행하려면 Seasonal_correlation 입력하여 각 픽셀의 시계열을 사용하여 두 요소 간의 상관 관계를 계산합니다. 계절 주기가 제거되지 않으므로 모든 상관 관계에 대한 상관 관계의 중요성을 확인합니다.
  2. 비정상적인 필드의 상관 관계
    1. 월별 CHL 이상과 SST, WS, 전선 및 SLA와 같은 기타 요인 간의 상관 관계를 계산합니다. 월별 표준시에서 해당 월의 전체 평균을 빼서 월별 이상(즉, 평균 상태에서의 편차)을 가져옵니다. 스크립트를 실행하고 상관 관계를 얻기 위해 Anomalous_correlation 입력합니다.

6. 정보 표시 및 관계 계산

  1. 위성 정보를 표시합니다.
    1. 스크립트를 실행하려면 Sat_SCS_Fig3457 입력하여 SST, CHL 및 정면 분포를 비롯한 위성 정보 쇼케이스를 생성합니다. 현재 폴더를 데이터 'Sat_SCS_data.mat'이 있는 '스크립트'로 설정합니다.
      참고: 그림 1, 도 2, 그림 3및 도 4는 선택한 날짜에 대한 SST, CHL, 전선, 바람 및 지형을 예로 들 수 있습니다.
  2. 스크립트를 실행하기 위해 Sat_SCS_Fig890.m 입력하여 EOF 결과를 표시합니다.
    참고: 그림 5, 그림 6및 도 7은 각각 CHL, SST 및 전선에 대한 처음 두 가지 모드의 공간 크기, 월평균 및 시간 시리즈를 설명합니다.
  3. CHL과 계절별 시간대의 다른 요소 간의 관계와 스크립트를 실행하기 위해 Sat_SCS_Fig1112.m 입력하여 비정상적인 필드에 대한 관계를 계산합니다. 계절적 변동에 대한 상관관계 맵을획득(도 8)및 이상(도9).

Representative Results

SCS의 해수면 CHL의 공간 및 측두패턴은 위성 관측을 사용하여 기술되었다. CHL(도1A)및 SST(도1B)에대한 위성 정보는 클라우드 커버리지에 의해 오염될 수 있으며, 이로 인해 많은 양의 데이터를 사용할 수 없게 된다. 재분석된바람(도 1C)과SLA(그림1D)데이터는 매일 구름에 의해 영향을 받지 않았다. 지형(도1E)은지형이 얕은 해안을 따라 주로 분포된 CHL. 높은 CHL의 공간 분포에 큰 영향을 미쳤다. 바람은 또한 오로그래피에 의해 영향을 받았고, 산의 리 쪽은 약한 바람이 특징이었다. 따라서, 저명한 WSC는 SCS의 남서쪽에 확인되었다. 대조적으로, SLA는 지형에 크게 의존하지 않았고, SLA의 지역은 SCS의 분지에서 비정상적으로 높은 SLA의 영역을 발견했다.

Figure 1
그림 1: 2015년 4월 15일 주요 매개 변수에 대한 원래 관측값입니다.
(A)바다 표면 엽록소(CHL),(B)바다 표면 온도(SST),(C)바람 응력 컬(WSC, 그늘) 바람 응력(WSC, 벡터),(D)바다 표면 이상,(E)바다 분지에 대한 지형. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

위성 관측에 대한 심각한 클라우드 영향 때문에 많은 데이터를 사용할 수 없거나 공간적으로 일관성이 없었습니다. 일부 데이터 격차를 채우고 필드를 원활하게 하기 위해 효과적이고 효율적인 방법이 적용되었습니다. 데이터는 먼저 각 픽셀에서 3일 평균으로 대체되었으며, 이는 구름이 매일 다르기 때문에 일부 간격을 효과적으로 채울 수있습니다(그림 2B). 공간 평균은 각 픽셀에 추가 적용되었기 때문에 데이터가 주변 값(3 x 3 픽셀)의 평균으로 대체되었습니다. 따라서 공간 불일치가 크게 감소하였다(도2C).

Figure 2
그림 2: 2015년 4월 15일 하루 동안 SST.
(A)MODIS로부터 의 원래 SST,(B)3일 평균 SST, 및(C)SST는 공간 스무딩 후. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

SST 전선의 일일 분포는 SST 그라데이션(도3A)으로부터파생되었다. 여기에 적용된 임계값은전면(도 3B)의위치를 효과적으로 캡처하고 전체 수질량의 경계를 묘사하였다(도3C). 그라데이션과 전면은 주로 그라데이션에서 얻어졌기 때문에 거의 동일했습니다.

Figure 3
그림 3: SST에서 파생된 전면 검출 절차.
(A)SST 그라데이션의 크기,(B)얇은 검은 색 선내 SST 전선의 분포, 및(C)해당 SST 그라데이션에 기초하여 전면 분포. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

CHL, SST 및 전면 데이터의 클라우드 커버리지로 인해 월별 평균 타임 시리즈는 이 연구에서 계산되고 적용되었습니다. 임의의 예는 2015년 4월의 달그림 4에 표시됩니다. 매개 변수에 대한 기존 간격이 없었습니다. 서로 다른 매개 변수에 대한 일반적인 패턴은 공간 분산에 대해 매우 일관되었습니다. 예를 들어, CHL은 해안 근처에 높고 중앙 분지에서 낮았으며 SST는 해안 근처에 낮았고 중앙 분지에서는 높았습니다. 월평균은 지역 기능을 묘사하는 포괄적인 정보를 제공했습니다. 전선은 주로 역동성이 복잡한 해안을 따라 분포되었다. 분지의 상당 부분은 전선에서 자유로웠습니다. 따라서, SCS의 중심은 0에 가까운 값을 특징으로하였다(도4E).

Figure 4
그림 4: 2015년 4월 주요 매개 변수의 월평균.
(A)CHL (로가릿암 스케일),(B)SST,(C)WSC(섀도링)와 WS(벡터),(D)해수면 이상,(E)정면 확률(FP). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

대부분의 표면 특징은 EOF를 사용하여 명확하게 관찰된 눈에 띄는 계절 적 가변성을 특징으로했습니다. EOF는 대기 및 해양 과학에 널리 사용되는 유용한 수체 방법입니다. 이 방법은 공간도메인(28)을통해 타임시리즈에서 공간 패턴과 시간적 신호를 묘사할 수 있다. SCS의 해면 피쳐에 대한 현수성 분해 후, 처음 두 가지 모드는 일반적으로 공간 및 측두적인 변성을 설명하기 위해 필요합니다. CHL에 대한 처음 두 EOFs는 각각 전체 분산의 44 %와 12 %를 설명했다. EOF1은 SCS(도5A)의북부 구간에서 큰 차이를 포착하였다. 시계열(그림5C)의해당 월평균은 겨울철에 CHL이 상승하여 여름동안 우울한 것으로 나타났다. 남서해안 옆 지역은 진도가 약하고, 대응가액은 주로 EOF2(도5B)에의해 포착되었다. CHL 값은 여름에 높고 겨울에는 낮았습니다. 이것은 주로 북부 섹션에 비해 위상이 부족했다. EOF의 월간 시계열은 계절적 변동성이 뚜렷한 것으로 나타났으며, EOF2는 EOF1을 약 4개월(그림5E)으로이끌었다.

Figure 5
그림 5: CHL용 EOF.
(A)EOF1의 크기,(B)EOF2의 크기,(C)EOF1의 월 평균 타임 시리즈,(D)EOF2의 월 평균 타임 시리즈,(E)EOF1(블랙) 및 EOF2(블루)의 월간 타임 시리즈. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

SST에 대한 처음 두 EOF의 설명된 차이는 EOF1과 EOF2의 경우 각각 91%와 5%에 해당하는 것으로 나타났다. EOF를 수행하기 전에 전체 평균을 제거해야 한다는 점을 강조하는 것이 중요합니다. 따라서 평균 필드는 제외되었습니다. EOF1은 전체 분산을 지배했으며, 그 크기는 북부 SCS에서 가장 크고 남쪽으로 감소했습니다(그림6A). 시계열(그림6C)의해당 월평균은 SST가 여름철에 상승하여 겨울철에 우울해진 것으로 나타났다. 남부 SCS는 낮은 위도에서 지속적인 고온에 기인, 약한 크기로 특징지어졌다. 남부 구간의 변동성은 주로 EOF2(도6B)에의해 포착되었다. 해당 SST는 3월과 6월 사이에 강화되었으며, 낮은 값은 나머지 달에 지속되었습니다. 눈에 띄는 온난화는 2010년과 2016년에 발생했는데, SCS 남서쪽 해안의 SST는 다른해(그림 6E)보다훨씬 높았습니다. 이 연중 변동성은 주로 남서부 여름 몬순을 줄이고 약한 팽창12귀착엘니뇨 이벤트에 기인한다. 계절 적 변동성은 현재 연구의 주요 초점이기 때문에이 기능은 더 이상 논의되지 않습니다.

Figure 6
그림 6: SST용 EOF.
(A)EOF1의 크기,(B)EOF2의 크기,(C)EOF1에 대한 월평균 타임 시리즈,(D)EOF2에 대한 월평균 타임 시리즈,(E)EOF1 (블랙) 및 EOF2 (블루)의 월간 타임 시리즈. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그라데이션의 시끄러운 특성 때문에 파생 된 전면은 분산을 훨씬 적게 설명했습니다. 실제로, FP의 EOF1과 EOF2는 각각 전체 분산의 19%와 9%만 설명했습니다. EOF1은 북쪽과 북동부 SCS(그림7A)의차이를 포착했다. 시계열(그림7C)의해당 월평균은 해당 지역에서 겨울철에 더 많은 FP가 발생했으며 여름철에는 더 적은 것으로 나타났다. SCS의 남서쪽 해안에서 의 상은 반대였지만, 해당 변동성은 훨씬 덜 두드러졌습니다. EOF2는 서부 SCS(도7B)에서FP(도7D)의봄 향상을 포착했습니다. EOF1과 EOF2의 월간 타임 시리즈는 연중 변동성이 약한 것이 특징입니다.

Figure 7
그림 7: FP용 EOF.
(A)EOF1의 크기,(B)EOF2의 크기,(C)EOF1에 대한 월평균 타임 시리즈,(D)EOF2에 대한 월평균 타임 시리즈,(E)EOF1 (블랙) 및 EOF2 (블루)의 월간 타임 시리즈. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

다른 요인은 CHL과의 관계에 대해 조사되었다(그림 8). 예를 들어, SST는 식물성 플랑크톤의 성장 속도에 영향을 미치고 그 이후에 CHL에 영향을 미칠 수 있는 바다의 근본적인 특징을 이해하는 데 사용될 수 있다. SCS의 대다수에 대 한, SST와 CHL 사이 높은 상관 관계가 있었다(그림 8A),그리고 상관 관계의 대부분은 이상에 도달 -0.8. 높은 상관 관계가 이 두 요인 사이의 인과관계를 나타내지 않는다는 점을 지적하는 것이 중요합니다. SST가 여름에 연간 최대치에 도달함에 따라 MLD는 가장 얕은21이되었습니다. 수직 혼합이집중계층화(13)에의해 차단되었기 때문에 약층층에 공급되는 영양소는 낮았다. 그 결과, 낮은 영양소는 식물성 플랑크톤의 성장 속도를 제한하고 낮은 CHL의 결과. 대조적으로, MLD가 더 깊었던 겨울에 높은 CHL이 발생했으며, 낮은 SST는 약한계층화(35)를유도하였다.

Figure 8
그림 8: 계절적 척도에서 CHL과 기타 요인 간의 상관 관계입니다.
(A)SST,(B)WS,(C)WSC,(D)FP 및(E)SLA. 회색 색상은 상관 관계가 중요하지 않다는 것을 나타냅니다. 공간적으로 평균된 변수는 패널 A의녹색 상자를 기반으로 계산됩니다. 그들의 시계열은 표 1에서상관 계수를 얻는 데 사용됩니다. 이 그림은 Yu 외17에서수정되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

바람 구동 혼합은 WS에 의해 대략 측정될 수 있으며 수직혼합(18)을설명하는 데 사용되었다. 약 0.8의 값을 가진 큰 상관 계수는, SCS(그림8B)의북쪽WS와 CHL 수준 사이에서 특히 SCS의 북부 선반에 위치한 가장 강한 겨울 바람을 가진 지역에서 확인되었다. 약하지만 중요한 상관 관계는 남쪽에 발견되었다. WSC와 CHL 사이의 상관 관계는 SCS(그림 8C)의대다수에서 중요했지만 남북의 반대 추세를 보였습니다. CHL과 WSC 사이의 긍정적 인 상관 계수는 남쪽에 확인되었으며, 부정적인 값은 북쪽에 있었다. 그들 사이의 영역에서 상관 관계는 중요하지 않았다. WS와 CHL은 겨울 WS가 가장 큰 해당 지역에서 강하게 상관관계가 있는 것으로 나타났습니다.

전선은 또한 CHL 가변성을 유도할 수 있습니다. SCS(도8D)의북동쪽과 남서쪽에서 큰 상관관계가 발견되었다. 정면 활동이 활발해짐에 따라 CHL이증가36. SLA는 동북SCS에서 남서쪽으로 의 CHL과 상당한 부정적인 상관관계를 보였으며 SCS의 서해안을 따라 긍정적인 상관관계가 있는 것으로나타났다(도 8E). 긍정적인 상관 관계가 얕은 지형을 가진 지역으로 제한되었다는 점에 유의하는 것이 흥미롭습니다.

SCS의 북동쪽에, 모든 상관 관계는 컸다(그림 8). 따라서, CHL 및 기타 파라미터 간의 월별 시계열의 상관관계는 지정된상자(도 8A)에서공간 평균을 사용하여 계산되었고, 대부분의 요인들은 상당한 상관관계(표 1의오른쪽 상단 부분)와 상호 연관되었다. 계절 주기가 시계열을 지배했기 때문에 월별 평균(표 1의왼쪽 아래 섹션)을 제거한 후 상관 관계가 더 이상 유효하지 않습니다.

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

표 1: SCS의 북동쪽에 위치한 요인들 간의 시계계의 상관계계수(예: SST(해표면 온도), FP(전두엽 확률), WSC(바람 응력 컬) 및 WS(바람 응력)를 도 8A에 도시된 상자를 이용하여. 월별 평균 및 이상은 각각 오른쪽 상단 섹션과 왼쪽 하단 섹션에 표시됩니다. 굵은 것과 기울임꼴의 숫자는 상관 관계가 95% 신뢰 수준에 부합하지 않는다는 것을 나타냅니다. 표는 Yu 외17에서수정되었습니다.

계절주기의 상관관계는 SCS의 남서쪽과 같은 일부 지역에서는 중요하지않았다(도 8). 이 지역은 CHL17의변동성을 결정하는 동적 프로세스(예: 팽창 및 풍력 유도 해상 운송)에 의해 지배된다. CHL 및 기타 요인(예: SST, WS, 전선 및 WSC) 간의 중요한 상관관계가 비정상적인필드(그림 9)에서확인되었다. 이상은 해당 월별 평균을 제거하여 월별 타임 시리즈에 대해 계산되었습니다. 자유의 유효 한 수를 증가 시킬 수 있습니다., 하지만 이전 연구 는 그들의 시간 시리즈 간의 기본 관계에 영향을 미치지 않는 것으로 나타났습니다28,37.

Figure 9
그림 9: 비정상적인 필드의 CHL 과 기타 요인 간의 상관 관계입니다.
(A)SST,(B)WS,(C)WSC,(D)FP 및(E)SLA. 회색 색상은 상관 관계가 중요하지 않다는 것을 나타냅니다. 공간적으로 평균적인 변수는 패널 A.의 녹색 상자를 기반으로 계산됩니다. 이 그림은 Yu 외17에서수정되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

비정상적인 분야에서, CHL 및 SST는 SCS의 대다수에서 현저하게 상관관계가 있었다(그림 9A). SST가 비정상적으로 높았을 때 CHL은 비정상적으로 낮아졌고 그 반대의 경우도 마찬가지였습니다. 유사하게, 비정상적으로 높은 WSC와 SCS의 남서쪽으로 의 전선은 높은 수준의 CHL을 유도하고, 그 반대의 경우도마찬가지(도 9C, 9D). 또한, SLA와 CHL수준(도 9E)사이에 부정적인 상관관계가 발견되었다. 다른 지연을 테스트하고, 관계가 지연이 없는 경우에만 중요해졌습니다. 따라서, CHL은 SST, WSC 및 전선, SLA의 이상에 의해 동시에 영향을 받았습니다. 이들의 관계는 그림 9A의녹색 상자로 지정된 SCS의 남서쪽에 있는 공간적으로 평균적인 월간 시계시리즈를 사용하여 더욱 조사되었다. 결과는 대부분의 요인이 비정상적인 필드 (표 2의왼쪽 아래 섹션)의 중요한 상관 관계와 상호 연관된 것으로 나타났습니다.

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

표 2: SCS의 남서쪽에 위치한 요인들 간의 상관계계수(예: SST(해표면 온도), FP(전두엽 확률), WSC(바람 응력 컬) 및 WS(바람 응력)를 도 9A에 도시된 상자를 이용하여. 월별 평균 및 이상은 각각 오른쪽 상단 섹션과 왼쪽 하단 섹션에 표시됩니다. 굵은 것과 기울임꼴의 숫자는 상관 관계가 95% 신뢰 수준에 부합하지 않는다는 것을 나타냅니다. 표는 Yu 외17에서수정되었습니다.

추가 파일. 이 파일을 다운로드하려면 여기를 클릭하십시오. 

Discussion

이 연구에서는 해양 시스템의 주요 특징이 위성 관측을 사용하여 설명됩니다. 해양 생산을 나타내는 데 사용할 수 있는 CHL은 지표 요인으로 선택됩니다. CHL 변동성과 관련된 요인은 월별 평균 기간 시리즈(예: SST, WSC, WSC, FP 및 SLA)를 사용하여 조사되었습니다. 이 연구에서는 다양한 매개 변수에 대한 위성 데이터 수집, EOF를 통한 공간 및 시간 적 변동성 설명, 상관 관계 계수를 계산하여 서로 다른 요소 간의 상호 관계를 결정하는 세 가지 중요한 단계가 설명되어 있습니다. SST 관측에서 파생된 일일 정면 분포에 대한 식별을 보여주는 자세한 절차가 포함되어 있습니다. SST 전면 감지를 위해 두 가지 주요 접근법이 개발되었습니다: 그라데이션방법(10,38) 및 히스토그램방법(39,40). 히스토그램 방법은 물 질량을 다른 그룹으로 나누는 데 사용할 수 있는 SST에 대한 유사한 값 범위를 기반으로 합니다. 전환 대역의 픽셀을 나타내는 서로 다른 그룹 간의 값이 있는 픽셀은 전면으로 정의됩니다. 반면, 그라데이션 방법은 그라데이션 값이 큰 픽셀로 비교적 균일한 수문 여러 체분을 분리합니다. 비교 연구가 수행되었고, 그들은 히스토그램 방법을 사용하여 더 낮은 거짓 비율을 발견하고 그라데이션 방법(41)을사용하여 누락 된 전선이 적다. 본 연구에서, 그라데이션 기반방법(38)은 이전 연구10,28에따라 채택되었다. 알고리즘은 크기를 더 작은 임계값 이하의 수준으로 감소시켜 여러 가장자리 조각으로 전면 침입을 방지할 수 있습니다. 여기에 포함된 데이터 집합 외에도 에어로졸 지수와 같은 다른 위성 관측도 유사한 접근 방식으로 사용될 수 있다.

대부분의 절차는 다른 지역 이나 데이터 집합에 직접 적용할 수 있습니다. 전면 감지 의 임계값을 변경 하기 위해 수정이 일어날 수 있습니다. SCS의 SST 그라데이션은 동부 경계 전류시스템(28)과유사하기 때문에 현재 스터디에 대해 동일한 임계값이 구현되었습니다. 이전 연구에 따르면 서로 다른 데이터 집합의 SST 그라데이션은42배까지3배까지 다양하여 방법을 더 적게 객관적으로 만듭니다. 실질적인 연구는 글로벌 바다 주변의 정면 활동을조사했다 28,43. 전선의 유효성을 검사하는 가장 좋은 방법은 시투 관측에서 이를 비교하는 것입니다. Yao44는 SCS의 월간 정면 분포를 설명했습니다. 그들의 결과는 시투 측정과 잘 동의했습니다. 전체 그라데이션은 공간 해상도 및 계측에 따라 값이 다를 수 있으므로 전체 그라데이션을 점검하고 조정해야 합니다. 특히 다른 SST 데이터 집합을 사용할 때 임계값을 업데이트해야 합니다. 지역 역학에 대한 기본적인 이해는 전두근45,46,47을이해하는 데 기본이다. 전면 검색 스크립트는 이 백서의 설명에 따라 개별 작성자에서 개발할 수 있습니다.

위성 정보는 표면 기능에 대한 포괄적인 이해를 제공하며, 결과 비교는 시투 관측에서 신뢰성을 평가하는 데 도움이 될 수 있습니다. 그러나 위성 관측은 바다 표면으로 제한되어 수열의 수직 구조를 이해하는 응용 프로그램을 제한합니다. 최근 연구에서 위성 관측결과, 표면 CHL이 15배 증가했지만 수직통합값은 2.5배48배만증가한 것으로 나타났다. 이러한 차이는 표면 값이 MLD의 식물성 플랑크톤 성장과 밀링의 공동 효과에 의해 영향을 받아 표면에서 실현 불가능한 값을 초래했기 때문입니다. 따라서 표면 피쳐는 전체 물 열에 대한 정확한 설명을 제공하지 않을 수 있습니다. 또한 클라우드 커버리지의 영향은 위성의 지속적인 관찰을 제한합니다. 따라서 월별 타임 시리즈는 동일한 지역과 같은 기간에 걸쳐 다른 요인에 대해 계산됩니다. 이것은 다른 요인 들 간의 상관 관계를 계산의 신뢰성을 보장 합니다. 그러나 며칠에서 일주일 동안 지속되는 태풍과 같은 단기 적인 사건은 해결되지 않습니다.

이전 연구에 비해 제안 된 방법은 픽셀 수준에서 공간 정보를 제공 할 수 있으며, 이는 보다 상세한 방식으로 역학을 평가하는 데 도움이 될 수 있습니다. 일부 이전 연구는 전체 SCS를 단일 숫자로 평균하고 타임 시리즈를 획득했습니다. 그(것)들은 비정상적으로 강한 WS 및 높은 SST가 현재 결과와 일치하는 비정상적으로 높은 CHL16을유도할 수 있다는 것을 것을을 발견했습니다. 그러나 관계의 공간 적 변화는 해결되지 않았습니다. 이 연구에서는 WS와 CHL 간의 분지 규모 상관 관계가 비정상적인 분야에서 약했습니다. 큰 중요한 상관관계는 SCS(도9B)의중심과 같은 특정 영역에 대해서만 확인되었다. 따라서, 현재 방법은 공간 변화를 조사하기 위한 포괄적인 설명을 제공한다. 마찬가지로, 두 개의 바이오 아르고 수레에서 관찰이 사용되었고 WSC가 CHL 변동성(20)과상관 관계가 없는 것으로 나타났습니다. 그러나 두 수레의 궤적은 특정 지역에만 있습니다. 이 경우, CHL 레벨과 WSC 사이의 상관관계가 중요하지 않은 밴드 내에 정확히있었다(도 8D). 제안된 방법은 글로벌 바다의 근본적인 특징인 요인들 간의 공간 의존성을 해결하는 데 매우 유용합니다.

요약하자면, 여기서 사용되는 방법은 위성 관측을 사용하여 해양 표면 피처의 공간 분포 및 측두형 가변성을 정확하게 설명할 수 있다. 위성 데이터 집합의 해상도가 증가함에 따라 보다 자세한 기능을 식별하고 조사하여 CHL, SST 및 SSH를 포함한 지역 기능에 대한 일반적인 이해를 가능하게 합니다. 서로 다른 요인 들 간의 월별 시계시리즈의 상관 관계는 그들의 역동적인 관계와 생태계에 대한 잠재적 영향을 이해하는 데 도움이 될 수있습니다(49). 상관 관계는 크게 다른 공간 위치에 다를 수 있으므로 제안된 메서드는 상세하고 포괄적인 설명을 제공합니다. 전 세계 모든 해양 유역에 유사한 접근 방식을 적용할 수 있으며, 이는 해양 역학 및 생태계에 대한 이해를 향상시키는 데 매우 도움이 될 것입니다.

Disclosures

저자는 공개 할 것이 없습니다.

Acknowledgments

중국 국가 핵심 연구 개발 프로그램(2016YFC1401601호), 장쑤성 대학원 연구 및 실천 혁신 프로그램 지원(No. SJKY19_0415) 중앙대학의 기초연구기금(2019B62814호), 중국 국립자연과학재단(41806026호, 41730536호), 벵골만과 인도양 동부의 공동첨단해양생태학연구기금(No. 41890805) 등이 크게 인정받았다. 저자는 국립 항공 우주 국 (NASA), 중거리 기상 예보 (ECMWF)에 대한 유럽 센터, 코페르니쿠스 해양 및 환경 모니터링 서비스 (CMEMS) 및 국립 해양 대기 관리 (NOAA)를 포함한 소스에서 데이터의 제공을 주셔서 감사합니다.

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

환경 과학 문제 160 엽록소 바다 표면 온도 해면 높이 남중국해 계절 주기 위성 관측
바다 표면 엽록소와 위성 정보와 남중국해의 주요 특징 사이의 관계를 조사
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