Waiting
Login processing...

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

Environment

Undersöka förhållandet mellan havsyta klorofyll och stora funktioner i Sydkinesiska havet med satellitinformation

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

Havsytan klorofyll, temperatur, havsnivåhöjd, vind, och främre data som erhållits eller härrör från satellitobservationer erbjuder ett effektivt sätt att karakterisera havet. Presenteras är en metod för omfattande studie av dessa data, inklusive övergripande genomsnitt, säsongscykel, och interkorrelation analyser, att till fullo förstå regional dynamik och ekosystem.

Abstract

Satellitobservationer erbjuder ett bra tillvägagångssätt för att undersöka funktionerna hos stora marina parametrar, inklusive havsyta klorofyll (CHL), havsyttemperatur (SST), havsytans höjd (SSH) och faktorer som härrör från dessa parametrar (t.ex. fronter). Denna studie visar en steg-för-steg-procedur för att använda satellitobservationer för att beskriva större parametrar och deras relationer i säsongs- och avvikande fält. Denna metod illustreras med hjälp av satellitdatauppsättningar från 2002–2017 som användes för att beskriva ytegenskaperna i Sydkinesiska havet (SCS). På grund av molntäckning användes månatliga genomsnittliga data i denna studie. Den empiriska ortogonala funktionen (EOF) tillämpades för att beskriva den rumsliga fördelningen och tidsmässiga variabilities av olika faktorer. Monsunvinden dominerar variabiliteten i bassängen. Således användes vind från datauppsättningen för omanalyser för att undersöka dess drivkraft på olika parametrar. Den säsongsvariationer i CHL var framträdande och signifikant korrelerade med andra faktorer i en majoritet av SCS. På vintern inducerar en stark nordostmonsun ett djupt blandat lager och hög nivå av klorofyll i hela bassängen. Betydande korrelationskoefficienter konstaterades bland faktorer vid säsongscykeln. På sommaren, hög CHL nivåer hittades mestadels i västra SCS. I stället för en säsongsberoende, regionen var mycket dynamisk, och faktorer korrelerade betydligt i avvikande fält så att ovanligt höga CHL nivåer var associerade med onormalt starka vindar och intensiva frontalaktiviteter. Studien presenterar ett stegvis förfarande för att använda satellitobservationer för att beskriva viktiga parametrar och deras samband i säsongs- och avvikande fält. Metoden kan tillämpas på andra globala oceaner och kommer att vara till hjälp för att förstå marin dynamik.

Introduction

Fjärranalysteknik erbjuder bra datauppsättningar med stora rumsliga skalor och långa perioder för att beskriva marina miljöer. Med den ökande rumsliga upplösningen av satelliter, detaljerade funktioner är nu löst från den regionala skalan till några hundra meter1,2. En förbättrad förståelse för marin dynamik kan uppnås med de flesta uppdaterade satellitobservationer3.

Genom att införliva flera sensorer på en fjärranalysplattform är en omfattande beskrivning av olika parametrar möjlig. Havsytans temperatur (SST) är den grundläggande parameter som har observerats i mer än ett halvt sekel4. Nyligen har observationer för havsyta klorofyll-a (CHL) blivit tillgängliga och kan användas för att beskriva marin produktivitet5. Altimetry satelliter används för att mäta havsytahöjd 6,7, som är starkt relaterade till mesoskala virvel verksamhet i den globalaoceanen 8,9. Förutom virvlar är frontasala aktiviteter också viktiga för att påverka den regionala dynamiken och primärproduktionen10.

Den aktuella studiens huvudfokus är att hitta ett standardförfarande för att beskriva den rumsliga utbredningen och de tidsmässiga variansen hos olika havsfaktorer. I den här metoden analyseras SST, CHL, SSH och front-data, som härledas från SST-lutningar, för att bestämma mönster. I synnerhet används CHL för att representera havets produktivitet, och en metod införs för att undersöka förhållandet mellan CHL och andra havsparametrar. För att validera metoden användes tidsperioden mellan oktober 2002 och september 2017 i Sydkinesiska havet för att undersöka alla parametrar. Metoden kan enkelt användas för andra regioner runt om i världen för att fånga stora havsmönster och utforska hur marin dynamik påverkar ekosystemet.

Sydkinesiska havet (SCS) utsågs till studieregion på grund av dess relativt höga täckningsgrad för satellitobservationer. DEN SCS är riklig i solstrålning; således bestäms CHL huvudsakligen av tillgången på näringsämnen11,12. Med mer näringsämnen som transporteras in i det euphotiska lagret, CHL-nivåer kan öka13. Blandning, framkallas av vind, kan införa näringsämnen i havsytan och förbättra CHL14. SCS domineras unikt av ett monsunvindsystem, som bestämmer dynamiken och ekosystemet i regionen. Monsunvinden är starkast under vintern15. På sommaren, vindarna ändra riktning och vindhastigheterna är mycket svagare än de på vintern16,17. Vindintensiteten kan bestämma styrkan i vertikal blandning, så att den blandade skikt djup (MLD) fördjupas när vinden ökar på vintern och blir grundare som vinden minskar under sommaren18. Således transporteras mer näringsämnen in i det euphotiska lagret under vintern när vinden ärstark 19 och CHL når sin högsta punkt på året20,21.

Förutom vinden kan MLD också bestämmas med hjälp av andra faktorer, såsom SST och avvikelser havsnivån (SLA), som i slutändan påverkar näringsinnehåll och CHL22. Under vintern är den svaga vertikala lutningen förknippad med låga temperaturer vid ytan20. Motsvarande MLD är djup och mer näringsämnen kan transporteras uppåt; således är CHL i ytskiktet hög17. En ökande variation i CHL-nivåer kan hänföras till mesoskala virvlar, som inducerar vertikala transporter och blandning23. Upwelling finns vanligtvis i cykloniska virvlar i samband med deprimerad SLA8,9 och förhöjda CHL koncentrationer24. Downwelling finns vanligtvis i anticykloniska virvlar i samband med förhöjda SLA8,9 och deprimerad CHL koncentrationer24. För andra säsonger blir MLD ytlig, och blandning blir svag; således kan låg CHL observeras över majoriteten av bassängen25. De säsongs- cyklar av CHL jämnar är därpå dominera för regionen26.

Förutom att blanda, fronter och deras tillhörande kustnära uppvällning kan ytterligare modulera CHL. Fronten, som definieras som en gräns för olika vattenmassor, är viktig för att bestämma den regionala cirkulationen ochekosystemsvaren 27. Frontogenes är vanligtvis förknippas med kustnära uppvällningoch konvergens 28,29, som kan framkalla näringsämnen och höja tillväxten av fytoplankton30. Olika algoritmer har utvecklats för att automatiskt identifiera fronter från satellitobservationer, inklusive histogram och SST-gradientmetoder. Det sistnämnda tillvägagångssättet antas i denna studie28.

Korrelationen av tidsserier mellan CHL och olika faktorer ger stora insikter för att kvantifiera deras relation. Den aktuella studien ger en omfattande beskrivning av hur man använder satellitobservationer för att avslöja regional marin dynamik i samband med produktivitet. Denna beskrivning kan användas som vägledning för att undersöka ytprocesserna i någon del av havet. Strukturen i denna artikel innehåller ett stegvis protokoll, följt av beskrivande resultat i texten och figurerna. Tillämpligheten utöver metodens för- och nackdelar diskuteras därefter.

Protocol

1. Dataset förvärv

  1. SST och CHL
    1. Ladda ner en datauppsättning med satellitobservationer för SST och CHL från MODIS-Aqua (podaac-tools.jpl.nasa.gov/), där den rumsliga upplösningen på båda datamängderna är cirka 4,5 km med dagliga intervall.
      OBS: Strukturera katalogerna och data efter exempelskriptmappen som finns i tilläggsfilerna. Lagra .nc-filerna av satellitdata i mappen 'Data'. Lägg till sökvägen till NetCDF-verktygslådan i analysprogramvaran (dvs. MATLAB). Välj Lägg till med undermappar om du vill omsluta sökvägarna för mappen 'UTILITIES' och dess undermappar.
    2. Bestäm tidsspannet. För att upprätthålla konsekvensen mellan olika datauppsättningar, använd samma tidsintervall för alla parametrar. Justera tidsspannet baserat på den temporala täckningen och använd den längsta observationsperioden bland olika datauppsättningar. För det här protokollet laddar du ned 15 års data från oktober 2002 till september 2017.
    3. Bestäm den rumsliga täckningen.
      OBS: Den utformade studieregionen ligger mellan 105°E och 123°E och mellan 0° och 25°N.
    4. Kontrollera anvisningar om förbearbetning. Läs instruktioner i .nc-filerna angående förbearbetningskraven för SST- och CHL-data (t.ex. om skalning behövs).
      OBS: Den nedladdade datauppsättningen utesluter redan data över land och inom 5 km från kustlinjen, samt de som förorenats av moln.
    5. Ladda in SST- och CHL-data i analysprogramvaran. Skriv Read_MODIS_SST i kommandofönstret om du vill läsa SST-data. På samma sätt Read_MODIS_CHL i kommandofönstret för att läsa CHL-data. Omvandla CHL-data logaritmically eftersom de har en log-normal fördelning31.
      OBS: Inlästa variabler inkluderar SST och CHL i tre dimensioner, som representerar meridional plats, zonplats respektive tid i dagar. Intervallet för SST:erna är mellan -2 och 44, och räckvidden för CHL ligger mellan 0,01 och 20.
  2. Avvikelse på havsnivå (SLA)
    1. Hämta dagliga SLA-data med en 25 km rumslig upplösning från 2002–201732.
      OBS: SLA beskriver skillnaden mellan observerade havsythöjder och medelnivån för havsytans höjd under 20 år (1993−2012) för en motsvarande pixel. SLA-uppgifterna behandlas av SSALTO/DUACS och distribueras av Archiving, Validation, and Interpretation of Satellite Oceanographic Data (AVISO, https://www.aviso.altimetry.fr).
    2. Läs in data i analysprogramvaran. Läs in SLA-data för enstaka dag genom att Read_SLA i kommandofönstret.
      OBS: Mappen 'Data' i Tilläggsfilerna innehåller bara ett exempel datum i skriptet för illustration.
  3. Vindhastighet
    1. Få vindinformationen från en ERA-Interim-reanalysisprodukt, som är en global atmosfärisk reanalysis-datauppsättning som utvecklats av European Center for Medium-Range Weather Forecasts (ECMWF)33. Ladda ned vinddata för samma period (oktober 2002–september 2017) för att upprätthålla överensstämmelsen med CHL- och SST-data.
      OBS: Vinddatauppsättningen har en rumslig upplösning på cirka 25 km och interpolerades från den ursprungliga datauppsättningen med en rumslig upplösning på ungefär 0,7°.
    2. Läs in data i analysprogramvaran. Skriv Read_WindVector i kommandofönstret för att läsa en månads vinddata. Beräkna månads medelvärdet genom att medelvärdet av de ursprungliga uppgifterna, som är på 6 h intervall.
  4. Topografi
    1. Ladda ner högupplösta topografidata från National Centers for Environmental Information webbplats (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). Den rumsliga upplösningen är ~2 km. Få ETOPO1-data för berggrund i XYZ-format för den valda studieregionen.
    2. Läs in data i analysprogramvaran. Skriv Read_topography i kommandofönstret för att läsa in topografidata i analysprogramvaran.

2. Förbearbetning av uppgifter

  1. Tidsmässigt genomsnitt
    1. På grund av den stora molntäckningen i SST- och CHL-data, ersätt de ursprungliga uppgifterna med 3-dagars genomsnittsdata. För att göra detta, efter att ha kört Read_MODIS_SST.m och Read_MODIS_CHL.m skript (steg 1.1.5), skriv Temporal_average i kommandofönstret för att köra skriptet.
  2. Interpolation i samma rutnät
    1. Eftersom den rumsliga upplösningen inte är konsekvent för olika datamängder interpolerar du SST- och CHL-data i ett rumsligt rutnät som är samma som vind- och SLA-spatialt rutnät innan du gör jämförelser. När du har Temporal_average.m Read_WindVector.m skripten skriver du Interpolation_grid i kommandofönstret för att köra skriptet.
  3. Vindstress och vindstress curl
    1. Skriv Wind_stress_curl i kommandofönstret för att beräkna vindstressen (WS) och vindstresscurl (WSC) med hjälp av följande ekvationer:
      Equation 1
      Equation 2
      var Equation 10 är vindhastighetsvektorn; Equation 10 är WS i samma riktning som vindvektorn; och är WS i öst respektive Equation 10 norr Equation 10 riktning; är Equation 10 lufttätheten (lika med 1,2 kg/m3), och C är dragkoefficienten (ett värde av 0,0015 används) under neutrala stabilitetsförhållanden34.
  4. Månadsgenomsnitt
    1. Beräkna de månatliga SST-, vind- och SLA-tidsserierna som 30-dagars medelvärden i varje pixel genom att Monthly_average för att köra skriptet. På grund av den höga molntäckningsgraden använder du ett 60-dagars genomsnitt som månadstidsserien för CHL, inklusive 30 dagar före till 30 dagar efter den15:e dagen i månaden.

3. SST-frontdetektering

  1. Rumslig utjämning
    1. Skriv Spatial_smoothing att köra skriptet till medelvärdet av tre dagars SST-data i varje pixel.
      OBS: En stor mängd buller identifierades i SST-data. Således jämnades data med ett rumsligt genomsnitt på 3 x 3. När inga data fanns tillgängliga i de ursprungliga 3-dagars genomsnittsdata, den rumsliga medelvärdet data sattes som otillgänglig.
  2. SST-lutning
    1. Skriv SST_gradient för att köra skriptet för att beräkna zonal- och meridionella SST-gradienter (dvs Gx respektive Gy)som SST-skillnaden mellan de närmaste två pixlarna dividerat med motsvarande avstånd via ekvation (3). Använd den erhållna övertoningsvektorn för att beräkna den totala övertoningen, G, som en skalär efter ekvation (4).
      Equation 3
      Equation 4
  3. Lokal maximal
    1. Identifiera en front genom att testa ett SST-övertoningsvärde: ge en etikett till en pixel som en potentiell frontalpixel om värdet är större än ett utsett tröskelvärde. Behåll bara den lokala maximala pixeln i samma riktning vinkelrätt mot övertoningens riktning om det finns kopplade pixlar med värden som är större än tröskelvärdet. Här definierar du tröskeln som 0,035 °C/km efter tidigare studier10,28.
      OBS: Motsvarande skript 'Local_maximum.m' finns i de kompletterande filer.
  4. Månadsvis främre sannolikhet (FP)
    OBS: Frontalsannolikheten (FP) beskriver sannolikheten för att observera en front.
    1. Beräkna FP för en viss tidsrymd (i det här fallet ett månadsintervall), genom att Monthly_FP för att köra skriptet. Dela upp förekomsten av fronter vid varje pixel under ett tidsfönster med antalet dagar som är fria från moln.

4. Rumslig och tidsmässig variation

  1. Säsongscykel
    1. Beräkna säsongscyklerna för olika faktorer som medelvärdena för olika årstid. Definiera årstiderna enligt följande: vintern är från december till februari, våren är från mars till maj, sommaren är från juni till augusti, och hösten är från september till november.
      OBS: Säsongscykeln visas inte i denna studie; följande metod används för att förklara den rumsliga och tidsmässiga variabiliteten istället.
  2. Empirisk ortogonal funktion (EOF)
    1. Ta bort det temporala medelvärdet och ej tillgängliga pixlar. Innan EOF utförs, subtrahera det totala medelvärdet vid varje pixel och utesluta de platser där saknade observationer överstiger 20% på grund av molntäckning. Ladda data genom att skriva load('Monthly_data_for_EOF.mat') i kommandofönstret.
    2. Applicera en EOF för att beskriva de rumsliga och tidsmässiga variabilities av olika parametrar. Skriv Empirical_orthogonal_function.m för att köra skriptet för att beräkna magnitud (Mag), eigenvalues (Eig) och amplitud (Amp) av EOFs för datauppsättningen (dvs. tidsserier av månatliga genomsnitt SST, vind stress, vind stress curl, CHL, och FP).
      OBS: Funktionen sönderdelas den månatliga tidsserien i olika lägen, som är sammansatta av rumsliga och tidsmässiga mönster och variansen förklaras av varje läge minskar med ökande lägesnummer.

5. Intercorrelation

  1. Korrelation vid säsongsskalan
    1. Beräkna korrelationerna mellan två faktorer med hjälp av deras tidsserier vid varje pixel genom att Seasonal_correlation för att köra skriptet. Eftersom säsongscykeln inte tas bort kontrollerar du betydelsen av korrelationen för alla korrelationer.
  2. Korrelation av ett avvikande fält
    1. Beräkna korrelationerna mellan de månatliga CHL-avvikelserna och andra faktorer, till exempel SST, WS, fronter och SLA: er. Få de månatliga avvikelserna (dvs. avvikelsen från medelstatus) genom att subtrahera det totala genomsnittet för en motsvarande månad från den månatliga tidsserien. Skriv Anomalous_correlation att köra skriptet och erhålla korrelationerna.

6. Visa information och beräkna relationer

  1. Visa satellitinformation.
    1. Skriv Sat_SCS_Fig3457 att köra skriptet för att generera en presentation av satellitinformation, inklusive SST, CHL och frontalfördelningar. Ange den aktuella mappen som 'skript' där data 'Sat_SCS_data.mat' finns.
      OBS: Bild 1, Bild 2, Bild 3, och Bild 4 visar SST, CHL, fronter, vind och topografi för det valda datumet som exempel.
  2. Visa EOF-resultatet genom att Sat_SCS_Fig890.m för att köra skriptet.
    OBS: Figur 5, Bild 6, och bild 7 beskriver rumsliga magnitud, månadsgenomsnitt och tidsserier för de första två lägena för CHL, SST, respektive fronter.
  3. Beräkna förhållandet mellan CHL och andra faktorer vid säsongsbaserade tidsskale och för avvikande fält genom att Sat_SCS_Fig1112.m att köra skriptet. Få korrelationskartan för säsongsvariationer (figur 8) och avvikelser (figur 9).

Representative Results

De rumsliga och tidsmässiga mönster av havsytan CHL i SCS beskrevs med hjälp av satellit observationer. Satellitinformation för CHL (bild 1A) och SST (Bild 1B) kan kontamineras av molntäckning, vilket resulterar i att en stor del av data inte är användbara. Den omanalyserade vinden (figur 1C) och SLA (Figur 1D) data påverkades inte av dagliga moln. Topografin (Figur 1E) hade en framträdande inverkan på den rumsliga fördelningen av CHL. High CHL var huvudsakligen fördelad längs kusten, där topografin är grunt. Vinden påverkades också av orography, och läsidan av bergen präglades av svag vind; sålunda identifierades en framstående WSC sydväst om SCS. Däremot berodde slas inte mycket på topografi, och en region med ovanligt höga SLA hittades i bassängen i SCS.

Figure 1
Figur 1: Originalobservationer för viktigare parametrar den 15 april 2015.
(A) Havsytan klorofyll (CHL), (B) havsytan temperatur (SST), (C) vind stress curl (WSC, skuggning) med vind stress (WS, vektor), (D) havsytan anomali, och (E) topografi för havsbassängen. Vänligen klicka här för att visa en större version av denna figur.

På grund av den allvarliga molnpåverkan på satellitobservationer var mycket data antingen inte tillgängliga eller rumsligt inkonsekventa. En effektiv och ändamålsenlig metod tillämpades för att fylla vissa dataluckor och jämna ut fältet. Uppgifterna ersattes först med ett 3-dagars genomsnitt vid varje pixel, vilket effektivt kan fylla vissa luckor eftersom molnen varierar dagligen (Figur 2B). Ett rumsligt medelvärde tillämpades ytterligare vid varje pixel så att data ersattes av medelvärdet av omgivande värden (3 x 3 pixlar). Således var den rumsliga inkonsekvensen kraftigt reducerad (Figur 2C).

Figure 2
Figur 2: SST för en enda dag den 15 april 2015.
(A) Original SST från MODIS, (B) tre dagars genomsnitt SST, och (C) SST efter rumsliga utjämning. Vänligen klicka här för att visa en större version av denna figur.

Den dagliga fördelningen av SST-fronter härleddes från SST-gradienterna (Bild 3A). De tröskelvärden som tillämpas här effektivt fångade placeringen av fronten (Figur 3B) och säkerställde skildringen av gränserna för hela vattenmassor (Figur 3C). Lutningarna och beklär var nästan identiska, därför att bekläda erhölls främst från lutningen.

Figure 3
Bild 3: Förfarande för frontdetektion som härrör från SST.
(A) Storlek på SST-gradienten, (B) fördelningen av SST-fronter i tunna svarta linjer, och (C) frontfördelning baserad på motsvarande SST-gradienter. Vänligen klicka här för att visa en större version av denna figur.

På grund av molntäckning i CHL, SST och frontdata beräknades och tillämpades månadsgenomsnittstidsserien i denna studie. Ett slumpmässigt exempel visas i diagram 4 för april månad 2015. Det fanns ingen befintlig lucka för någon av parametrarna. De allmänna mönstren för olika parametrar var mycket konsekventa när det gäller deras rumsliga varians. Till exempel var CHL hög nära kusten och låg i centrala bassängen, medan SST var låg nära kusten och hög i centrala bassängen. Det månatliga genomsnittet erbjöd omfattande information för att skildra regionala funktioner. Fronter var främst fördelade längs kusten, där dynamiken är komplex. Ett stort portionr av handfatet var fritt av beklär; sålunda präglades SCS centrum av ett värde nära noll (Bild 4E).

Figure 4
Diagram 4: Månadsmedelvärde för större parametrar i april 2015.
(A) CHL (i logaritm skala), (B) SST, (C) WSC (skuggning) med WS (vektor), (D) havsytan anomali, och (E) frontal sannolikhet (FP). Vänligen klicka här för att visa en större version av denna figur.

De flesta ytegenskaper kännetecknades av framträdande säsongsvariationer, som tydligt observerades med hjälp av EOFs. EOF är en användbar matematikmetod som används flitigt inom atmosfärs- och marinvetenskap. Metoden kan avgränsa rumsliga mönster och temporala signaler från tidsserier över rumsligadomäner 28. Efter spatiotemporal sönderdelning för havsytan funktioner i SCS, de två första lägen behövs i allmänhet för att beskriva den rumsliga och tidsmässiga variabilities. De två första export- och exportomdr-erna för CHL beskrev 44 % respektive 12 % av den totala variansen. EOF1 fångade en stor varians i den norra delen av SCS (Bild 5A). Motsvarande månadsmedelvärde för tidsserierna (Figur 5C) visade att CHL var förhöjt under vintern och deprimerad under sommaren. Regionen intill sydvästra kusten präglades av svag magnitud, och motsvarande variabilitet fångades huvudsakligen av EOF2 (Figur 5B). CHL-värdena var höga på sommaren och låga på vintern. Detta var främst ur fas jämfört med den norra delen. Den månatliga tidsserien för EOFs visade tydliga säsongsvariationer, och EOF2 ledde EOF1 med cirka 4 månader (Figur 5E).

Figure 5
Bild 5: EOF för CHL.
(A) Magnitud på EOF1, (B) magnitud av EOF2, (C) månatligen genomsnitt tidsserier för EOF1, (D) månatliga genomsnittliga tidsserier för EOF2, och (E) månatliga tidsserier av EOF1 (svart) och EOF2 (blå). Vänligen klicka här för att visa en större version av denna figur.

Den förklarade variansen i de två första EOF för SST var framträdande hög, vilket motsvarade 91 % respektive 5 % för EOF1 respektive EOF2. Det är viktigt att betona att det totala genomsnittet måste tas bort innan de leder EOF; sålunda uteslöts medelfältet. EOF1 dominerade den totala variansen, och dess magnitud var störst i norra SCS och minskade söderut (Figur 6A). Motsvarande månadsmedelvärde för tidsserierna (Figur 6C) visade att SST var förhöjt under sommaren och deprimerat under vintern. Södra SCS kännetecknades av en svag magnitud, tillskrivs ihållande höga temperaturer på låga breddgrader. Variabiliteten i den södra delen fångades huvudsakligen av EOF2 (Figur 6B). Motsvarande SST förstärktes mellan mars och juni, medan låga värden kvarstod under de återstående månaderna. Framträdande uppvärmningen inträffade under 2010 och 2016, där SST utanför kusten sydväst om SCS var mycket högre än den under de andra åren (Figur 6E). Denna interannual variabilitet är främst tillskrivas El Niño händelser som minskar sydväst sommar monsun och resultera i svag uppvällning12. Eftersom säsongsvariationer är huvudfokus för den aktuella studien diskuteras inte denna funktion vidare.

Figure 6
Bild 6: EOF för SST.
(A) Magnituden av EOF1, (B) magnitud av EOF2, (C) månatligen genomsnitt tidsserier för EOF1, (D) månatliga genomsnitt tidsserier för EOF2, och (E) månatliga tidsserierna av EOF1 (svart) och EOF2 (blå). Vänligen klicka här för att visa en större version av denna figur.

På grund av den bullriga naturen av lutningen, förklarade den härledde beklär mycket mindre av variansen. EOF1 och EOF2 i FP förklarade i själva verket endast 19 respektive 9 procent av den totala variansen. EOF1 fångade varianserna i norra och nordöstra SCS (Figur 7A). Motsvarande månadsmedelvärde för tidsserierna (diagram 7C) visade att i dessa regioner inträffade mer FP under vintern och mindre under sommaren. Fasen utanför kusten sydväst om SCS var den motsatta, även om motsvarande variabilitet var mycket mindre framträdande. EOF2 fångade vårens förstärkning av FP (Figur 7D) i västra SCS (Figur 7B). Den månatliga tidsserien av EOF1 och EOF2 kännetecknades av svag mellanårsvariabilitet.

Figure 7
Bild 7: EOF för FP.
(A) Magnituden av EOF1, (B) magnitud av EOF2, (C) månatligen genomsnitt tidsserier för EOF1, (D) månatliga genomsnitt tidsserier för EOF2, och (E) månatliga tidsserierna av EOF1 (svart) och EOF2 (blå). Vänligen klicka här för att visa en större version av denna figur.

Olika faktorer undersöktes för deras relationer med CHL (figur 8). Till exempel kan SST användas för att förstå de grundläggande dragen i havet som kan påverka tillväxttakten för fytoplankton och därefter påverka CHL. För majoriteten av SCS fanns det höga korrelationer mellan SST och CHL (figur 8A), och de flesta korrelationerna nådde mer än -0,8. Det är viktigt att påpeka att hög korrelation inte tyder på orsakssamband mellan dessa två faktorer. Som SST nådde sin årliga maximala på sommaren, blev MLD grundaste21. Näringsämnen som tillfördes det eufotiska lagret var lågt eftersom vertikal blandning blockerades av intensiv stratifiering13. Som ett resultat, låga näringsämnen begränsade tillväxttakten för fytoplankton och resulterade i låg CHL. Däremot inträffade hög CHL på vintern när MLD var djupare, och låg SST inducerad svag stratifiering35.

Figure 8
Figur 8: Korrelationer mellan CHL och andra faktorer i säsongsskalan.
(A) SST, (B) WS, (C) WSC, (D) FP, och (E) SLA. Den grå färgen anger att korrelationen är icke-betydande. Rumsligt genomsnittsbaserade variabler beräknas utifrån den gröna rutan på panel A. Deras tidsserier används för att erhålla korrelationskoefficienterna i tabell 1. Denna siffra har modifierats från Yu et al.17. Vänligen klicka här för att visa en större version av denna figur.

Vinddriven blandning kan ungefär mätas av WS och användes för att beskriva vertikal blandning18. Stora korrelationskoefficienter, med värden på ungefär 0,8, identifierades mellan nivåerna WS och CHL norr om SCS (Figur 8B), särskilt i de regioner med den starkaste vintervinden som ligger på den norra hyllan i SCS. Svaga men betydande samband konstaterades i söder. Korrelationerna mellan WSC och CHL var betydande i majoriteten av SCS (figur 8C), även om de visade motsatta trender i norr och söder. En positiv korrelationskoefficient mellan CHL och WSC identifierades i söder, med negativa värden var i norr. Korrelationen i regionen mellan dem var inte signifikant. WS och CHL befanns vara starkt korrelerade i motsvarande region där vintern WS var störst.

Fronter kan också framkalla CHL variabilitet. En stor korrelation hittades i nordöstra och sydvästra delen av SCS (Figur 8D). CHL ökade som frontaktiv verksamhet blev mer aktiv36. SLA visade en betydande negativ korrelation med CHL från nordöstra SCS mot sydväst och en positiv korrelation längs västkusten av SCS (Figur 8E). Det är intressant att notera att de positiva sambanden var begränsade till regionen med grund topografi.

Till nordost om SCS var alla korrelationer stora (Bild 8). Således beräknades korrelationerna mellan månatliga tidsserier mellan CHL och andra parametrar med hjälp av det rumsliga genomsnittet i en angiven ruta (figur 8A), och de flesta av faktorerna var inbördes relaterade till signifikanta samband (övre högra avsnittet i tabell 1). Eftersom säsongscykeln dominerade tidsserien var korrelationen inte längre giltig efter att ha tagit bort månadsgenomsnittet (det nedre vänstra avsnittet i tabell 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

Tabell 1: Tidsseriens korrelationskoefficienter bland faktorer, belägna nordost om SCS, t.ex., SST (havsyttemperatur), FP (frontalsannolikhet), WSC (vindspänningscurt) och WS (vindstress), med hjälp av rutan som visas i figur 8A. De månatliga medelvärdena och avvikelserna visas i avsnittet övre högra avsnittet respektive den vänstra nedre delen. Siffror i fetstil och kursiv visar att korrelationen inte uppfyller 95% konfidensnivå. Tabellen har modifierats från Yu et al.17.

Sambanden i säsongscykeln var inte signifikanta för vissa regioner, såsom sydväst om SCS (figur 8). Regionen domineras av dynamiska processer (t.ex. uppvällande och vindinducerade offshoretransporter) som avgör variabiliteten i CHL17. En betydande korrelation mellan CHL och andra faktorer (t.ex., SST, WS, fronter och WSC) identifierades i avvikande fält (figur 9). Avvikelserna beräknades för månadstidsserien genom att ta bort motsvarande månadsgenomsnitt. Det effektiva antalet frihetsgrader skulle kunna ökas, men tidigare studier har visat att det inte påverkar de underliggande sambanden bland deras tidsserier28,37.

Figure 9
Bild 9: Korrelation mellan CHL och andra faktorer i de avvikande fälten.
(A) SST, (B) WS, (C) WSC, (D) FP, och (E) SLA. Den grå färgen anger att korrelationen är icke-betydande. Rumsligt genomsnittsbaserade variabler beräknas utifrån den gröna rutan i panel A. Tidsserierna används för att få fram de korrelationskoefficienter som visas i tabell 2. Denna siffra har modifierats från Yu et al.17. Vänligen klicka här för att visa en större version av denna figur.

I de avvikande fälten korrelerade CHL och SST betydligt i huvuddelen av SCS (Figur 9A). När SST:erna var ovanligt höga blev CHL ovanligt lågt, och vice versa. Likaledes en ovanligt hög WSC och fronter till sydväst om SCS inducerade höga halter av CHL, och vice versa (Figur 9C, 9D). Dessutom konstaterades en negativ korrelation mellan SLA:erna och CHL-nivåerna (figur 9E). Olika eftersläpningar testades, och korrelationen blev bara betydande om ingen eftersläpning användes. CHL påverkades alltså samtidigt av avvikelser i SST, WSC och fronter, samt SLA. Deras förhållande undersöktes vidare med hjälp av den rumsligt genomsnittliga månatliga tidsserierna sydväst om SCS, betecknad som en grön ruta i figur 9A. Resultaten visar att de flesta av faktorerna var inbördes relaterade med betydande samband i det avvikande fältet (nedre vänstra delen av tabell 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

Tabell 2: Tidsseriens korrelationskoefficienter bland faktorer, belägna sydväst om SCS, t.ex., SST (havsyttemperatur), FP (frontalsannolikhet), WSC (vindspänningscurt) och WS (vindstress), med hjälp av rutan som visas i figur 9A. Det månatliga medelvärdet och avvikelser visas i den övre högra delen respektive den vänstra nedre delen. Siffror i fetstil och kursiv visar att korrelationen inte uppfyller 95% konfidensnivå. Tabellen har modifierats från Yu et al.17.

Kompletterande filer. Vänligen klicka här för att ladda ner denna fil. 

Discussion

I denna studie beskrivs de viktigaste inslagen i marina system med hjälp av satellitobservationer. CHL, som kan användas för att representera havsproduktionen, väljs som indikatorfaktor. Faktorer relaterade till CHL variabilitet undersöktes med hjälp av månatliga genomsnittliga tidsserier, t.ex., SST, WS, WSC, FP och SLA. Tre kritiska steg beskrivs i denna studie: att förvärva satellitdata för olika parametrar, beskriva deras rumsliga och tidsmässiga variabilities via EOF, och bestämma inbördes samband mellan olika faktorer genom att beräkna korrelationskoefficienter. Ett detaljerat förfarande som visar identifieringen för daglig frontalfördelning, som härleds från SST-observationerna, ingår. Två större tillvägagångssätt har utvecklats för SST front upptäckt: gradienten metod10,38 och histogram metoden39,40. Histogrammetoden bygger på ett liknande värdeintervall för SST, som kan användas för att dela upp vattenmassorna i olika grupper. Pixlarna med värden mellan olika grupper som representerar pixeln i ett övergångsband definieras som fronter. Å andra sidan separerar gradientmetoden flera relativt enhetliga vattenförekomster som pixlar med stora gradientvärden. En jämförelsestudie genomfördes, och de fann lägre falska priser med histogram metoden och färre missade fronter med hjälp av toning metod41. I denna studie antogs den gradientbaserademetoden 38 efter tidigare studier10,28. Algoritmen kan undvika front break-up i flera kantfragment genom att låta magnitud minska till en nivå under en mindre tröskel. Förutom den datamängd som ingår här kan även andra satellitobservationer, såsom aerosolindexet, användas med ett liknande tillvägagångssätt.

De flesta av förfarandena kan direkt tillämpas i andra regioner eller datauppsättningar. Ändring kan ske för att ändra tröskeln för frontdetektering. Eftersom SST-gradienten i SCS är jämförbar med eastern boundary current system28implementerades samma tröskelvärden för den aktuella studien. En tidigare studie visade att SST-gradienten från olika datamängder kan variera så mycket som tre gånger42, vilket gör metoden på något sätt mindre objektiv. Betydande studier har undersökt frontasala aktiviteter runt de globala haven28,43. Det bästa tillvägagångssättet för att validera fronter är att jämföra dem med in situ observationer. Yao44 beskrev den månatliga frontalfördelningen för SCS. Deras resultat överens väl med in situ mätningar. Den övergripande lutningen bör kontrolleras och justeras eftersom dess värde kan variera beroende på den rumsliga upplösningen och instrumenten. Tröskeln bör särskilt uppdateras när en annan SST-datamängd används. En grundläggande förståelse av den regionala dynamiken är grundläggande för att förstå frontogenesis45,46,47. Den främre upptäckt skript kan utvecklas av enskilda författare baserat på beskrivningen i detta papper.

Satellitinformation erbjuder en omfattande förståelse av ytan funktioner, och ett resultat jämförelse med in situ observationer kan stöd i utvärderingen av trovärdighet. Satellitobservationer är dock begränsade till havsytan, vilket begränsar tillämpningen för att förstå vattenpelarens vertikala struktur. I en nyligen genomförd studie visade satellitobservationer att ytan CHL ökade med 15 gånger, men det vertikala integrerade värdet ökade bara med 2,5 gånger48. Denna skillnad var att ytan värdet påverkades av coeffects av fytoplankton tillväxt och stimning av MLD, vilket resulterar i en unrealizable värde vid ytan. Således kanske inte ytfunktionen erbjuder en korrekt beskrivning för hela vattenpelaren. Dessutom begränsar påverkan av molntäckningen de kontinuerliga observationerna av satelliter. Således beräknas månatliga tidsserier för olika faktorer under samma region och samma period. Detta kommer att garantera trovärdigheten att beräkna sambanden mellan olika faktorer. Men kortperioden händelser, t.ex.

Jämfört med tidigare studier kan den föreslagna metoden erbjuda rumslig information på pixelnivå, vilket kan bidra till att utvärdera dynamiken på ett mer detaljerat sätt. Några tidigare studier i genomsnitt hela SCS som ett enda nummer och fick en tidsserie. De fann att en ovanligt stark WS och hög SST kan inducera anomala hög CHL16, vilket är förenligt med det aktuella resultatet. Den rumsliga variationen i sambanden löstes dock inte. I denna studie var bassängskala korrelationen mellan WS och CHL svag i det avvikande området. En stor betydande korrelation identifierades endast för vissa områden,t.ex. Den nuvarande metoden erbjuder således en omfattande beskrivning för att undersöka rumsliga variationer. På samma sätt användes observationer från två Bio-Argo-flottor och avslöjade att WSC inte korrelerade med CHL-variabilitet20. Banorna för de två flottörerna ligger dock bara i vissa regioner. I detta fall var det exakt inom bandet där korrelationen mellan CHL-nivån och WSC inte var signifikant (figur 8D). Den föreslagna metoden är till stor hjälp för att lösa det rumsliga beroendet bland faktorer, vilket är ett grundläggande kännetecken för det globala havet.

Sammanfattningsvis kan den metod som används här exakt beskriva den rumsliga fördelningen och temporala variationer i havsytans funktioner med hjälp av satellitobservationer. Med den ökande upplösningen av satellitdatauppsättningar kan mer detaljerade funktioner identifieras och undersökas, vilket möjliggör en allmän förståelse av regionala funktioner, inklusive CHL, SST och SSH. Sambandet mellan månatliga tidsserier mellan olika faktorer kan bidra till att förstå deras dynamiska relationer och potentiella inverkan på ett ekosystem49. Eftersom korrelationen till stor del kan variera på olika rumsliga platser, erbjuder den föreslagna metoden en detaljerad och omfattande beskrivning. Ett liknande tillvägagångssätt kan tillämpas på alla havsområden i hela världen, vilket kommer att vara till stor hjälp för att förbättra förståelsen av den marina dynamiken och ekosystemen.

Disclosures

Författarna har inget att avslöja.

Acknowledgments

Stödet från Kinas nationella viktiga forsknings- och utvecklingsprogram (nr. 2016YFC1401601), postgraduate Research & Practice Innovation Program of Jiangsu-provinsen (nr. SJKY19_0415) som stöds av de grundläggande forskningsfonderna för de centrala universiteten (nr. 2019B62814), National Natural Science Foundation of China (nr. 41890805, 41806026 och 41730536) och Gemensamma avancerade marina och ekologiska studier i Bengaliska viken och östra ekvatorial indiska oceanen erkändes starkt. Författarna uppskattar tillhandahållandet av data från källor, inklusive National Aeronautics and Space Administration (NASA), European Centre for Medium-Range Weather Forecasts (ECMWF), Copernicus Marine and Environment Monitoring Service (CMEMS) och 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)

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

Miljövetenskap klorofyll havsytan temperatur havsytan höjd Sydkinesiska havet säsongscykel satellitobservationer
Undersöka förhållandet mellan havsyta klorofyll och stora funktioner i Sydkinesiska havet med satellitinformation
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