Waiting
Login processing...

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

Environment

Undersøker forholdet mellom Sea Surface Chlorophyll og hovedtrekkene i Sør-Kinahavet med satellittinformasjon

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

Havoverflateklorfyll, temperatur, havnivåhøyde, vind og frontdata innhentet eller avledet fra satellittobservasjoner gir en effektiv måte å karakterisere havet på. Presentert er en metode for den omfattende studien av disse dataene, inkludert samlet gjennomsnitt, sesongsyklus og interkorrelasjonsanalyser, for å fullt ut forstå regional dynamikk og økosystemer.

Abstract

Satellittobservasjoner gir en god tilnærming til å undersøke funksjonene til store marine parametere, inkludert havoverflateklorofyll (CHL), havoverflatetemperatur (SST), havoverflatehøyde (SSH) og faktorer avledet fra disse parametrene (f.eks. fronter). Denne studien viser en trinnvis prosedyre for å bruke satellittobservasjoner for å beskrive viktige parametere og deres relasjoner i sesongmessige og uregelmessige felt. Denne metoden er illustrert ved hjelp av satellittdatasett fra 2002-2017 som ble brukt til å beskrive overflatefunksjonene i Sør-Kinahavet (SCS). På grunn av skydekning ble månedlige gjennomsnittsdata brukt i denne studien. Den empiriske ortogonale funksjonen (EOF) ble brukt til å beskrive romlig fordeling og temporale variasjoner av ulike faktorer. Monsunvinden dominerer variasjonen i bassenget. Dermed ble vind fra reanalysedatasettet brukt til å undersøke sin drivkraft på ulike parametere. Den sesongmessige variasjonen i CHL var fremtredende og betydelig korrelert med andre faktorer i et flertall av SCS. Om vinteren induserer en sterk nordøstmonsun et dypt blandet lag og høyt nivå av klorofyll i hele bassenget. Signifikante korrelasjonskoeffisienter ble funnet blant faktorene i sesongsyklusen. Om sommeren ble det for det meste funnet høye CHL-nivåer i det vestlige SCS. I stedet for en sesongmessig avhengighet var regionen svært dynamisk, og faktorer korrelerte betydelig i uregelmessige felt slik at uvanlig høye CHL-nivåer var forbundet med unormalt sterk vind og intense frontale aktiviteter. Studien presenterer en trinnvis prosedyre for å bruke satellittobservasjoner for å beskrive viktige parametere og deres relasjoner i sesongmessige og uregelmessige felt. Metoden kan brukes på andre globale hav og vil være nyttig for å forstå marin dynamikk.

Introduction

Fjernmålingsteknologi gir flotte datasett med store romlige skalaer og lange perioder for å beskrive marine miljøer. Med den økende romlige oppløsningen av satellitter, er detaljerte funksjoner nå løst fra den regionale skalaen til noen hundre meter1,2. En forbedret forståelse av marin dynamikk kan oppnås med de fleste oppdaterte satellittobservasjoner3.

Ved å innlemme flere sensorer på en fjernmålingsplattform, er en omfattende beskrivelse av ulike parametere mulig. Havoverflatetemperatur (SST) er den grunnleggende parameteren som har blitt observert i mer enn et halvt århundre4. Nylig har observasjoner for havoverflaten klorofyll-a (CHL) blitt tilgjengelige og kan brukes til å beskrive marin produktivitet5. Høydemålssatellitter brukes til måling av havoverflatehøyde6,7, som er sterkt relatert til mesoscale eddy aktiviteter i det globalehavet 8,9. I tillegg til eddies er frontalaktiviteter også viktig for å påvirke regional dynamikk og primærproduksjon10.

Hovedfokuset i den nåværende studien er å finne en standard prosedyre for å beskrive romlig fordeling og timelige variasjoner av ulike havfaktorer. I denne metoden analyseres SST-, CHL-, SSH- og frontdata, som er avledet fra SST-graderinger, for å bestemme mønstre. Spesielt brukes CHL til å representere havets produktivitet, og en metode innføres for å undersøke forholdet mellom CHL og andre havparametere. For å validere metoden ble tidsperioden mellom oktober 2002 og september 2017 i Sør-Kinahavet brukt til å undersøke alle parametere. Metoden kan enkelt brukes til andre regioner over hele verden for å fange opp store havmønstre og utforske hvordan marin dynamikk påvirker økosystemet.

Sør-Kinahavet (SCS) ble utpekt som studieregionen på grunn av sin relativt høye dekningsgrad av satellittobservasjoner. SCS er rikelig i solstråling; Dermed er CHL hovedsakelig bestemt av tilgjengeligheten av næringsstoffer11,12. Med flere næringsstoffer som transporteres inn i det eufotiske laget, kan CHL-nivåene øke13. Blanding, indusert av vind, kan introdusere næringsstoffer i havoverflaten og forbedre CHL14. SCS er unikt dominert av et monsunvindsystem, som bestemmer dynamikken og økosystemet i regionen. Monsunvinden er sterkest om vinteren15. Om sommeren endrer vinden retning og vindhastighetene er mye svakere enn de om vinteren16,17. Vindintensiteten kan bestemme styrken av vertikal blanding, slik at blandet lagdybde (MLD) blir dypere etter hvert som vinden øker om vinteren og blir grunnere etter hvert som vinden minker sommeren18. Dermed blir flere næringsstoffer transportert inn i euforisk lag om vinteren når vinden er sterk19 og CHL når sitt høyeste punkt i året20,21.

I tillegg til vinden kan MLD også bestemmes ved hjelp av andre faktorer, for eksempel SST og havnivåanomalier (SLA), som til slutt påvirker næringsinnhold og CHL22. Om vinteren er den svake vertikale gradienten forbundet med lave temperaturer på overflaten20. Den tilsvarende MLD er dyp og flere næringsstoffer kan transporteres oppover; Dermed er CHL i overflatelaget høy17. En økende variasjon i CHL nivåer kan tilskrives mesoscale eddies, som induserer vertikal transport og blanding23. Oppgang finnes vanligvis i sykloniske eddies forbundet med deprimerte SLA8,9 ogforhøyede CHL konsentrasjoner24. Downwelling finnes vanligvis i anticyclonic eddies forbundet med forhøyede SLA8,9 og deprimerte CHL konsentrasjoner24. For andre sesonger blir MLD grunn, og blanding blir svak; Dermed kan lav CHL observeres over mesteparten av bassenget25. De sesongmessige syklusene av CHL nivåer er senere dominerende for regionen26.

I tillegg til blanding kan fronter og tilhørende kystoppgang ytterligere modulere CHL. Fronten, som er definert som en grense for ulike vannmasser, er viktig for å bestemme den regionale sirkulasjons- og økosystemresponsen27. Frontogenese er vanligvis forbundet med kystoppgang og konvergens28,29, som kan indusere næringsstoffer og heve veksten av planteplankton30. Ulike algoritmer er utviklet for å automatisk identifisere fronter fra satellittobservasjoner, inkludert histogrammet og SST gradient metoder. Den sistnevnte tilnærmingen er vedtatt i denne studien28.

Sammenhengen mellom tidsserier mellom CHL og ulike faktorer gir stor innsikt for å kvantifisere forholdet. Den nåværende studien gir en omfattende beskrivelse av hvordan du bruker satellittobservasjoner for å avsløre regional marin dynamikk knyttet til produktivitet. Denne beskrivelsen kan brukes som en veiledning for å undersøke overflateprosessene i alle deler av havet. Strukturen i denne artikkelen inneholder en trinnvis protokoll, etterfulgt av beskrivende resultater i teksten og figurene. Anvendelsen i tillegg til fordeler og ulemper ved metoden diskuteres senere.

Protocol

1. Innhenting av datasett

  1. SST og CHL
    1. Last ned et datasett av satellittobservasjoner for SST og CHL fra MODIS-Aqua (podaac-tools.jpl.nasa.gov/), der den romlige oppløsningen av begge datasettene er ca. 4,5 km med daglige intervaller.
      Merk: Strukturer mappene og dataene etter eksempelskriptmappen som er tilgjengelig i tilleggsfilene. Lagre NC-filene til satellittdataene i "Data"-mappen. Legg til banen til NetCDF-verktøykassen i analyseprogramvaren (det vil si MATLAB). Velg Legg til med undermapper for å omslutte banene til "VERKTØY"-mappen og undermappene.
    2. Bestem tidsperioden. Hvis du vil opprettholde konsistens mellom ulike datasett, bruker du samme tidsrom for alle parametere. Juster tidsperioden basert på tidsdekningen og bruk den lengste observasjonsperioden blant ulike datasett. For denne protokollen laster du ned 15 år med data fra oktober 2002 til september 2017.
    3. Bestem romlig dekning.
      MERK: Det utformede studieområdet er mellom 105°E og 123°E og mellom 0° og 25 °N.
    4. Kontroller instruksjonene for forhåndsbehandling. Les instruksjonene i .nc-filene om forhåndsbehandlingskravene til SST- og CHL-dataene (f.eks. om skalering er nødvendig).
      MERK: Det nedlastede datasettet utelukker allerede data over land og innen 5 km fra kysten, samt de som er forurenset av skyer.
    5. Last inn SST- og CHL-data i analyseprogramvaren. Skriv Read_MODIS_SST i kommandovinduet for å lese SST-dataene. På samme måte skriver Read_MODIS_CHL i kommandovinduet for å lese CHL-dataene. Transformer CHL-data logaritmisk fordi de har en log-normal distribusjon31.
      MERK: Lastede variabler inkluderer SST og CHL i tre dimensjoner, som representerer meridional plassering, soneplassering og tid i dager, henholdsvis. Rekkevidden av SSTs er mellom -2 og 44, og rekkevidden av CHL er mellom 0,01 og 20.
  2. Anomali på havnivå (SLA)
    1. Last ned daglige serviceavtaledata med en romlig oppløsning på 25 km fra 2002–201732.
      MERK: SLA-er beskriver forskjellen mellom observerte havoverflatehøyder og gjennomsnittlig havoverflatehøyde over 20 år (1993–2012) for en tilsvarende piksel. Serviceavtaledataene behandles av SSALTO/DUACS og distribueres av arkivering, validering og tolkning av satellittoseanografiske data (AVISO, https://www.aviso.altimetry.fr).
    2. Last inn data i analyseprogramvaren. Last inn serviceavtaledata for én dag ved å skrive Read_SLA i kommandovinduet.
      MERK: «Data-mappen i tilleggsfilene inneholder bare ett eksempeldatum i illustrasjonsskriptet.
  3. Vindstyrke
    1. Få vindinformasjon fra et ERA-Interim reanalyseprodukt, som er et globalt atmosfærisk reanalysedatasett utviklet av European Center for Medium-Range Weather Forecasts (ECMWF)33. Last ned vinddata for samme periode (oktober 2002–september 2017) for å opprettholde konsistensen med CHL- og SST-dataene.
      MERK: Vinddatasettet har en romlig oppløsning på ca. 25 km og ble interpolert fra det opprinnelige datasettet med en romlig oppløsning på ca. 0,7°.
    2. Last inn data i analyseprogramvaren. Skriv Read_WindVector i kommandovinduet for å lese en måneds vinddata. Beregn det månedlige gjennomsnittet ved å gjennomsnitte de opprinnelige dataene, som er på 6 t intervaller.
  4. Topografi
    1. Last ned de høyoppløselige topografidataene fra National Centers for Environmental Information-nettstedet (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). Den romlige oppløsningen er ~ 2 km. Få ETOPO1-dataene for berggrunn i XYZ-format for det valgte studieområdet.
    2. Last inn data i analyseprogramvaren. Skriv Read_topography i kommandovinduet for å laste topografidataene inn i analyseprogramvaren.

2. Forhåndsbehandling av data

  1. Temporal gjennomsnitt
    1. På grunn av den store skydekningen i SST- og CHL-dataene erstatter du de opprinnelige dataene med 3-dagers gjennomsnittsdata. Hvis du vil gjøre dette, når du har kjørt Read_MODIS_SST.m- og Read_MODIS_CHL.m-skriptene (trinn 1.1.5), skriver du inn Temporal_average i kommandovinduet for å kjøre skriptet.
  2. Interpolering i samme rutenett
    1. Fordi den romlige oppløsningen ikke er konsistent for ulike datasett, interpolerer SST- og CHL-dataene til et romlig rutenett som er det samme som vind- og SLA-romllnettet før du gjør sammenligninger. Når du har Temporal_average.m og Read_WindVector.m, skriver du Interpolation_grid i kommandovinduet for å kjøre skriptet.
  3. Vindstress og vindstresskrøll
    1. Skriv Wind_stress_curl i kommandovinduet for å beregne vindstresset (WS) og vindstresskrøllen (WSC) ved hjelp av følgende ligninger:
      Equation 1
      Equation 2
      hvor Equation 10 er vindhastighetsvektoren; Equation 10 er WS i samme retning som vindvektoren; og er Equation 10 Equation 10 WS i øst og nord retninger, henholdsvis; Equation 10 er lufttettheten (lik 1,2 kg / m3); og C er drakoeffisienten (en verdi på 0,0015 brukes) under nøytrale stabilitetsforhold34.
  4. Månedlige gjennomsnitt
    1. Beregn den månedlige tidsserien SST, vind og serviceavtale som 30-dagers gjennomsnitt i hver piksel ved å skrive Monthly_average for å kjøre skriptet. På grunn av den høye skydekningshastigheten, bruk et gjennomsnitt på 60 dager som den månedlige tidsserien for CHL, inkludert 30 dager før til 30 dager etterden 15.

3. SST frontdeteksjon

  1. Romlig utjevning
    1. Skriv Spatial_smoothing for å kjøre skriptet for å gjennomsnittlig tre-dagers SST-data i hver piksel.
      MERK: En stor mengde støy ble identifisert i SST-dataene. Dermed ble dataene glattet med et 3 x 3 romlig gjennomsnitt. Når ingen data var tilgjengelige i de opprinnelige 3-dagers gjennomsnittsdataene, ble de avstandsgjennomsnittlige dataene angitt som utilgjengelige.
  2. SST gradering
    1. Skriv inn SST_gradient for å kjøre skriptet for å beregne sone- og meridional SST-graderingene (henholdsvis Gx og Gy)som SST-forskjellen mellom de nærmeste to pikslene delt på tilsvarende avstand via ligning (3). Bruk den oppnådde graderingsvektoren til å beregne den totale graderingen, G, som en skalar etter ligning (4).
      Equation 3
      Equation 4
  3. Lokal maksimum
    1. Identifiser en front ved å teste en SST-graderingsverdi: Merk en piksel som en potensiell frontpiksel hvis verdien er større enn en angitt terskel. Oppretthold bare den lokale maksimumspikselen i samme retning vinkelrett på graderingsretningen hvis det er tilkoblede piksler med verdier som er større enn terskelen. Her definerer du terskelen som 0,035 °C/km etter tidligere studier10,28.
      MERK: Det tilsvarendeskriptet Local_maximum.m' er tilgjengelig i tilleggsfilene.
  4. Månedlig frontal sannsynlighet (FP)
    MERK: Den frontale sannsynligheten (FP) beskriver sannsynligheten for å observere en front.
    1. Beregn FP-en for en viss tidsperiode (i dette tilfellet et månedlig intervall), ved å skrive Monthly_FP for å kjøre skriptet. Del forekomsten av fronter på hver piksel i løpet av et tidsvindu med antall dager som er fri for skyer.

4. Romlig og timelig variasjon

  1. Sesongsyklus
    1. Beregn sesongmessige sykluser av ulike faktorer som gjennomsnittet av ulike årstider. Definer årstidene som følger: vinteren er fra desember til februar, våren er fra mars til mai, sommeren er fra juni til august, og høsten er fra september til november.
      MERK: Sesongsyklusen er ikke vist i denne studien; følgende metode brukes til å forklare romlig og timelig variasjon i stedet.
  2. Empirisk ortogonal funksjon (EOF)
    1. Fjern det timelige gjennomsnittet og utilgjengelige piksler. Før du utfører EOF, trekk fra det totale gjennomsnittet på hver piksel og ekskluder stedene der manglende observasjoner overstiger 20% på grunn av skydekning. Last inn data ved å skrive inn last(Monthly_data_for_EOF.mat' i kommandovinduet.
    2. Påfør en EOF for å beskrive de romlige og timelige variasjonene til ulike parametere. Skriv inn Empirical_orthogonal_function.m for å kjøre skriptet for å beregne størrelsen (Mag), eigenvalues (Eig) og amplitude (Amplitude (Amp) av EOFs for datasettet (det vil si tidsserier av månedlig gjennomsnittlig SST, vindstress, vindstresskrølling, CHL og FP).
      MERK: Funksjonen brytes ned den månedlige tidsserien i forskjellige moduser, som består av romlige og timelige mønstre, og variansen forklart av hver modus reduseres med økende modusnummer.

5. Sammenstilling

  1. Korrelasjon i sesongskalaen
    1. Beregn korrelasjonene mellom to faktorer ved hjelp av tidsseriene på hver piksel ved å skrive Seasonal_correlation for å kjøre skriptet. Fordi sesongsyklusen ikke er fjernet, kontrollerer du betydningen av korrelasjonen for alle korrelasjoner.
  2. Korrelasjon av et uregelmessig felt
    1. Beregn korrelasjonene mellom de månedlige CHL-avvikene og andre faktorer, for eksempel SST, WS, fronter og serviceavtaler. Få de månedlige avvikene (det vil si avviket fra gjennomsnittsstatusen) ved å trekke det totale gjennomsnittet for en tilsvarende måned fra den månedlige tidsserien. Skriv Anomalous_correlation for å kjøre skriptet og få korrelasjonene.

6. Vise informasjon og beregne relasjoner

  1. Vis satellittinformasjon.
    1. Skriv Sat_SCS_Fig3457 for å kjøre skriptet for å generere et utstillingsvindu av satellittinformasjon, inkludert SST, CHL og frontaldistribusjoner. Angi gjeldende mappe som "skript" der dataene "Sat_SCS_data.mat" er plassert.
      MERK: Figur 1, Figur 2, Figur 3og Figur 4 viser SST, CHL, fronter, vind og topografi for den valgte datoen som eksempel.
  2. Vis EOF-resultatet ved å skrive Sat_SCS_Fig890.m for å kjøre skriptet.
    MERK: Figur 5, Figur 6og Figur 7 beskriver romlig størrelse, månedlig gjennomsnitt og tidsserier for henholdsvis CHL, SST og fronter.
  3. Beregn forholdet mellom CHL og andre faktorer på sesongmessige tidsskalaer og for uregelmessige felt ved å skrive Sat_SCS_Fig1112.m for å kjøre skriptet. Få korrelasjonskartet for sesongmessige variasjoner (figur 8) og anomalier (figur 9).

Representative Results

De romlige og timelige mønstrene til havoverflaten CHL i SCS ble beskrevet ved hjelp av satellittobservasjoner. Satellittinformasjon for CHL (figur 1A) og SST (figur 1B) kan være forurenset av skydekning, noe som resulterer i at en stor del av dataene ikke kan brukes. De nyanalyserte vinden (figur 1C) og SLA (figur 1D) data ble ikke påvirket av daglige skyer. Topografien (figur 1E) hadde en fremtredende innvirkning på den romlige fordelingen av CHL. High CHL ble hovedsakelig distribuert langs kysten, hvor topografien er grunn. Vinden ble også påvirket av orografi, og lee siden av fjellene var preget av svak vind; Dermed ble en fremtredende WSC identifisert sørvest for SCS. I motsetning var SLA-ene ikke avhengige av topografi, og en region med uvanlig høye SLA-er ble funnet i bassenget på SCS.

Figure 1
Figur 1: Opprinnelige observasjoner for store parametere 15.
(A)Havoverflateklorfyll (CHL),(B) havoverflatetemperatur (SST),(C) vindstresskrøll (WSC, skyggelegging) med vindstress (WS, vektor), (D) havoverflateavvik og (E) topografi for havbassenget. Vennligst klikk her for å se en større versjon av denne figuren.

På grunn av den alvorlige skyvirkningen på satellittobservasjoner, var mye data enten ikke tilgjengelige eller romlig inkonsekvente. En effektiv og effektiv metode ble brukt for å fylle noen datahull og jevne ut feltet. Dataene ble først erstattet med et 3-dagers gjennomsnitt på hver piksel, som effektivt kan fylle noen hull fordi skyer varierer daglig (figur 2B). Et romlig gjennomsnitt ble videre brukt på hver piksel slik at dataene ble erstattet av gjennomsnittet av omkringliggende verdier (3 x 3 piksler). Dermed ble den romlige inkonsekvensen sterkt redusert ( figur2C).

Figure 2
Figur 2: SST for en enkelt dag 15.
(A) Original SST fra MODIS, (B) tre-dagers gjennomsnittlig SST, og (C) SST etter romlig utjevning. Vennligst klikk her for å se en større versjon av denne figuren.

Den daglige fordelingen av SST-fronter ble avledet fra SST-graderingene (figur 3A). Terskler som brukes her effektivt fanget plasseringen av fronten (Figur 3B) og sikret skildring av grensene for hele vannmasser (Figur 3C). Gradientene og frontene var nesten identiske fordi fronten hovedsakelig ble hentet fra gradienten.

Figure 3
Figur 3: Prosedyre for frontdeteksjon avledet fra SST.
(A) Størrelsen på SST-graderingen, (B) fordelingen av SST-fronter i tynne svarte linjer, og (C) frontfordeling basert på de tilsvarende SST-graderingene. Vennligst klikk her for å se en større versjon av denne figuren.

På grunn av skydekning i CHL-, SST- og frontdata ble den månedlige gjennomsnittlige tidsserien beregnet og brukt i denne studien. Et tilfeldig eksempel er vist i figur 4 for april 2015. Det var ingen eksisterende gap for noen av parametrene. De generelle mønstrene for ulike parametere var svært konsistente angående deres romlige varians. For eksempel var CHL høyt nær kysten og lavt i det sentrale bassenget, mens SST var lav nær kysten og høyt i det sentrale bassenget. Det månedlige gjennomsnittet tilbød omfattende informasjon for å skildre regionale funksjoner. Fronter ble hovedsakelig fordelt langs kysten, hvor dynamikken er kompleks. En stor del av bassenget var fri for fronter; Dermed var sentrum av SCS preget av en verdi nær null (Figur 4E).

Figure 4
Figur 4: Månedlig gjennomsnitt for store parametere i april 2015.
(A) CHL (i logaritme skala), (B) SST, (C) WSC (skyggelegging) med WS (vektor), (D) havoverflate anomali, og (E) frontal sannsynlighet (FP). Vennligst klikk her for å se en større versjon av denne figuren.

De fleste overflatefunksjoner var preget av fremtredende sesongmessige variasjoner, som ble tydelig observert ved hjelp av EOFer. EOF er en nyttig matematisk metode som er mye brukt i atmosfæriske og marine vitenskaper. Metoden kan avgrense romlige mønstre og timelige signaler fra tidsserier over romlige domener28. Etter spatiotemporal nedbrytning for havoverflatefunksjoner i SCS, er de to første modusene generelt nødvendig for å beskrive de romlige og timelige variasjonene. De to første EOFs for CHL beskrev henholdsvis 44 % og 12 % av den totale variansen. EOF1 fanget en stor varians i den nordlige delen av SCS (figur 5A). Det tilsvarende månedlige gjennomsnittet av tidsserien (figur 5C) viste at CHL ble forhøyet om vinteren og deprimert om sommeren. Regionen ved sørvestkysten var preget av svak størrelsesorden, og tilsvarende variasjon ble hovedsakelig fanget av EOF2 (figur 5B). CHL-verdiene var høye om sommeren og lave om vinteren. Dette var hovedsakelig ute av fase sammenlignet med den nordlige delen. Den månedlige tidsserien for EOFer viste klar sesongmessig variasjon, og EOF2 ledet EOF1 med ca. 4 måneder (figur 5E).

Figure 5
Figur 5: EOF for CHL.
(A) Størrelsesorden EOF1, (B) størrelsesorden EOF2, (C) månedlig gjennomsnittlig tidsserie for EOF1, (D) månedlig gjennomsnittlig tidsserie for EOF2, og (E) månedlige tidsserier av EOF1 (svart) og EOF2 (blå). Vennligst klikk her for å se en større versjon av denne figuren.

Den forklarte variansen i de to første EOFs for SST var fremtredende høy, tilsvarende henholdsvis 91% og 5% for EOF1 og EOF2. Det er viktig å understreke at det totale gjennomsnittet må fjernes før utfører EOF; Dermed ble gjennomsnittsfeltet utelukket. EOF1 dominerte den totale variansen, og omfanget var størst i det nordlige SCS og gikk ned sørover (figur 6A). Det tilsvarende månedlige gjennomsnittet av tidsserien (figur 6C) viste at SST ble forhøyet om sommeren og deprimert om vinteren. Den sørlige SCS var preget av en svak størrelsesorden, tilskrives vedvarende høye temperaturer ved lave breddegrader. Variasjonen i den sørlige delen ble hovedsakelig fanget av EOF2 (figur 6B). Tilsvarende SST ble forbedret mellom mars og juni, mens lave verdier vedvarte i de resterende månedene. Fremtredende oppvarming skjedde i 2010 og 2016, hvor SST utenfor kysten sørvest for SCS var mye høyere enn i de andre årene (Figur 6E). Denne interårlige variasjonen tilskrives hovedsakelig El Niño hendelser som reduserer den sørvestlige sommermonsunen og resulterer i svak oppgang12. Fordi sesongmessig variasjon er hovedfokus for den nåværende studien, diskuteres ikke denne funksjonen videre.

Figure 6
Figur 6: EOF for SST.
(A) Størrelsesorden EOF1, (B) størrelsesorden EOF2, (C) månedlig gjennomsnittlig tidsserie for EOF1, (D) månedlig gjennomsnittlig tidsserie for EOF2, og (E) månedlige tidsserier av EOF1 (svart) og EOF2 (blå). Vennligst klikk her for å se en større versjon av denne figuren.

På grunn av den støyende karakteren til gradienten forklarte den avledede fronten mye mindre av variansen. Faktisk forklarte EOF1 og EOF2 av FP bare henholdsvis 19% og 9% av den totale variansen. EOF1 fanget avvikene i nord og nordøst SCS (figur 7A). Det tilsvarende månedlige gjennomsnittet av tidsserien (figur 7C) viste at i disse regionene skjedde det mer FP om vinteren og mindre om sommeren. Fasen utenfor kysten sørvest for SCS var motsatt, selv om den tilsvarende variasjonen var mye mindre fremtredende. EOF2 fanget våren ekstrautstyr av FP (Figur 7D) i den vestlige SCS (Figur 7B). Den månedlige tidsserien av EOF1 og EOF2 var preget av svak interårlig variasjon.

Figure 7
Figur 7: EOF for FP.
(A) Størrelsesorden EOF1, (B) størrelsesorden EOF2, (C) månedlig gjennomsnittlig tidsserie for EOF1, (D) månedlig gjennomsnittlig tidsserie for EOF2, og (E) månedlige tidsserier av EOF1 (svart) og EOF2 (blå). Vennligst klikk her for å se en større versjon av denne figuren.

Ulike faktorer ble undersøkt for deres forhold til CHL (figur 8). For eksempel kan SST brukes til å forstå de grunnleggende egenskapene til havet som kan påvirke veksten av planteplankton og deretter påvirke CHL. For de fleste av SCS var det høye sammenhenger mellom SST og CHL (figur 8A), og de fleste korrelasjonene nådde mer enn -0,8. Det er viktig å påpeke at høy korrelasjon ikke indikerer årsakssammenheng mellom disse to faktorene. Da SST nådde sitt årlige maksimum om sommeren, ble MLD grunneste21. Næringsstoffer levert til eufotisk lag var lav fordi vertikal blanding ble blokkert av intensiv stratifisering13. Som et resultat begrenset lave næringsstoffer veksten av planteplankton og resulterte i lav CHL. I motsetning til dette skjedde høy CHL om vinteren da MLD var dypere, og lav SST indusert svak stratifisering35.

Figure 8
Figur 8: Sammenhenger mellom CHL og andre faktorer i sesongskalaen.
(A) SST, (B) WS, (C) WSC, (D) FP og (E) SLA. Den grå fargen indikerer at korrelasjonen ikke er signifikant. Romlig gjennomsnittlige variabler beregnes basert på den grønne boksen i panel A. Deres tidsserier brukes til å oppnå korrelasjonskoeffisientene i tabell 1. Dette tallet er endret fra Yu et al.17. Vennligst klikk her for å se en større versjon av denne figuren.

Vinddrevet blanding kan måles omtrent av WS og ble brukt til å beskrive vertikal blanding18. Store korrelasjonskoeffisienter, med verdier på ca. 0,8, ble identifisert mellom WS- og CHL-nivåene nord for SCS (figur 8B), spesielt i regionene med den sterkeste vintervinden som ligger på den nordlige sokkelen av SCS. Svake, men betydelige korrelasjoner ble funnet i sør. Korrelasjonene mellom WSC og CHL var signifikante i de fleste SCS (figur 8C), selv om de viste motstridende trender i nord og sør. En positiv korrelasjonskoeffisient mellom CHL og WSC ble identifisert i sør, med negative verdier i nord. Korrelasjonen i regionen mellom dem var ikke signifikant. WS og CHL ble funnet å være sterkt korrelert i den tilsvarende regionen der vinter WS var størst.

Fronter kan også indusere CHL-variasjon. En stor korrelasjon ble funnet i nordøst og sørvest for SCS (Figur 8D). CHL økte etter hvert som frontalaktiviteter ble mer aktive36. SLA viste en betydelig negativ korrelasjon med CHL fra nordøst SCS mot sørvest og en positiv korrelasjon langs vestkysten av SCS (figur 8E). Det er interessant å merke seg at de positive korrelasjonene var begrenset til regionen med grunn topografi.

Nordøst for SCS var alle korrelasjonene store (figur 8). Dermed ble korrelasjonene til månedlige tidsserier mellom CHL og andre parametere beregnet ved hjelp av romlig gjennomsnitt i en bestemt boks (figur 8A), og de fleste faktorene ble forbundet med signifikante korrelasjoner (øverst til høyre i tabell 1). Fordi sesongsyklusen dominerte tidsseriene, var korrelasjonen ikke lenger gyldig etter å ha fjernet det månedlige gjennomsnittet (nederst til venstre i tabell 1).

Chl-a Sst Ws Vm 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
Vm 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: Korrelasjonskoeffisienter i tidsseriene mellom faktorer, som ligger nordøst for SCS, for eksempel SST (havoverflatetemperatur), FP (frontal sannsynlighet), WSC (vindstresskrøll) og WS (vindstress), ved hjelp av boksen vist i figur 8A. De månedlige gjennomsnittene og avvikene vises henholdsvis øverst til høyre og venstre nederst. Tall i fet skrift og kursiv indikerer at korrelasjonen ikke oppfyller 95% konfidensnivået. Tabellen er endret fra Yu et al.17.

Korrelasjonene i sesongsyklusen var ikke signifikante for enkelte regioner, for eksempel sørvest for SCS (figur 8). Regionen domineres av dynamiske prosesser (f.eks. oppskalking og vindindusert offshoretransport) som bestemmer variasjonen i CHL17. En signifikant sammenheng mellom CHL og andre faktorer (f.eks. SST, WS, fronter og WSC) ble identifisert i uregelmessige felt (figur 9). Avvikene ble beregnet for den månedlige tidsserien ved å fjerne det tilsvarende månedlige gjennomsnittet. Det effektive antallet frihetsgrader kan økes, men tidligere studier har vist at det ikke påvirker de underliggende relasjonene mellom deres tidsserie28,37.

Figure 9
Figur 9: Korrelasjon mellom CHL og andre faktorer i de uregelmessige feltene.
(A) SST, (B) WS, (C) WSC, (D) FP og (E) SLA. Den grå fargen indikerer at korrelasjonen ikke er signifikant. Romlig gjennomsnittlige variabler beregnes basert på den grønne boksen i panel A. Tidsseriene brukes til å oppnå korrelasjonskoeffisientene som vises i tabell 2. Dette tallet er endret fra Yu et al.17. Vennligst klikk her for å se en større versjon av denne figuren.

I de uregelmessige feltene var CHL og SST signifikant korrelert i de fleste SCS(figur 9A). Når SSTs var uvanlig høy, CHL ble uvanlig lav, og vice versa. Tilsvarende, en uvanlig høy WSC og fronter sørvest for SCS indusert høye nivåer av CHL, og vice versa (Figur 9C, 9D). I tillegg ble det funnet en negativ korrelasjon mellom serviceavtaler og CHL-nivåer (figur 9E). Ulike etterslep ble testet, og korrelasjonen ble bare signifikant hvis ingen etterslep ble ansatt. Dermed ble CHL samtidig påvirket av anomalier i SST, WSC og fronter, samt Serviceavtale. Deres forhold ble videre undersøkt ved hjelp av romlig gjennomsnitt månedlige tidsserien sørvest for SCS, utpekt som en grønn boks i figur 9A. Resultatene viser at de fleste faktorene var forbundet med signifikante korrelasjoner i det uregelmessige feltet (nederst til venstre i tabell 2).

Chl-a Sst Ws Vm 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
Vm 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: Korrelasjonskoeffisienter i tidsseriene mellom faktorer, som ligger sørvest for SCS, for eksempel SST (havoverflatetemperatur), FP (frontal sannsynlighet), WSC (vindstresskrøll) og WS (vindstress), ved hjelp av boksen vist i figur 9A. Det månedlige gjennomsnittet og avvikene vises henholdsvis øverst til høyre og venstre nederst. Tall i fet skrift og kursiv indikerer at korrelasjonen ikke oppfyller 95% konfidensnivået. Tabellen er endret fra Yu et al.17.

Tilleggsfiler. Vennligst klikk her for å laste ned denne filen. 

Discussion

I denne studien er de viktigste funksjonene i marine systemer beskrevet ved hjelp av satellittobservasjoner. CHL, som kan brukes til å representere havproduksjon, er valgt som en indikatorfaktor. Faktorer relatert til CHL-variasjon ble undersøkt ved hjelp av månedlige gjennomsnittlige tidsserier, for eksempel SST, WS, WSC, FP og SLA. Tre kritiske trinn er beskrevet i denne studien: anskaffe satellittdata for ulike parametere, beskrive deres romlige og timelige variasjoner via EOF, og bestemme sammenhenger mellom ulike faktorer ved å beregne korrelasjonskoeffisienter. En detaljert prosedyre som viser identifikasjon for daglig frontal distribusjon, som er avledet fra SST observasjoner, er inkludert. To store tilnærminger er utviklet for SST frontdeteksjon: gradientmetoden10,38 og histogrammetmetode 39,40. Histogrammet metoden er basert på et lignende verdiområde for SST, som kan brukes til å dele vannmassene i forskjellige grupper. Pikslene med verdier mellom ulike grupper som representerer pikselen i et overgangsbånd, defineres som fronter. På den annen side skiller graderingsmetoden flere relativt ensartede vannlegemer som piksler med store graderingsverdier. En sammenligningsstudie ble utført, og de fant lavere falske priser ved hjelp av histogrammet metoden og færre tapte fronter ved hjelp av gradientmetoden41. I denne studien ble den gradientbaserte metoden38 vedtatt etter tidligere studier10,28. Algoritmen kan unngå frontbrudd i flere kantfragmenter ved å la størrelsen reduseres til et nivå under en mindre terskel. I tillegg til datasettet som er inkludert her, kan andre satellittobservasjoner, som aerosolindeksen, også brukes med en lignende tilnærming.

De fleste prosedyrene kan brukes direkte i andre regioner eller datasett. Det kan skje endringer for å endre terskelen for frontdeteksjon. Fordi SST-graderingen i SCS er sammenlignbar med Eastern Boundary Current System28, ble de samme terskler implementert for den gjeldende studien. En tidligere studie viste at SST-gradienten fra forskjellige datasett kan variere så mye som tre ganger42, noe som gjør metoden på en eller annen måte mindre objektiv. Betydelige studier har undersøkt frontalaktiviteter rundt de globale havene28,43. Den beste tilnærmingen til å validere fronter er å sammenligne dem med in situ observasjoner. Yao44 beskrev den månedlige frontalfordelingen for SCS. Deres resultater var godt enig med in situ målinger. Den generelle gradienten bør kontrolleres og justeres siden verdien kan variere avhengig av romlig oppløsning og instrumenter. Terskelen bør spesielt oppdateres når et annet Datasett for SST brukes. En grunnleggende forståelse av den regionale dynamikken er grunnleggende for å forstå frontogenese45,46,47. Frontdeteksjonsskriptet kan utvikles av individuelle forfattere basert på beskrivelsen i dette papiret.

Satellittinformasjon gir en omfattende forståelse av overflatefunksjoner, og en resultatsammenligning med in situ observasjoner kan bidra til å evaluere troverdighet. Imidlertid er satellittobservasjoner begrenset til havoverflaten, noe som begrenser applikasjonen for å forstå den vertikale strukturen i vannsøylen. I en fersk studie viste satellittobservasjoner at overflaten CHL økte med 15 ganger, men den vertikale integrerte verdien økte bare med 2,5 ganger48. Denne forskjellen var fordi overflateverdien ble påvirket av kaffects av planteplankton vekst og stimering av MLD, noe som resulterer i en urealiserbar verdi på overflaten. Dermed kan overflatefunksjonen ikke gi en nøyaktig beskrivelse for hele vannkolonnen. I tillegg begrenser påvirkningen av skydekning de kontinuerlige observasjonene av satellitter. Dermed beregnes månedlige tidsserier for ulike faktorer i samme region og samme periode. Dette vil garantere troverdigheten til å beregne korrelasjonene mellom ulike faktorer. Men kortperiodehendelsene, for eksempel tyfoner som varer i noen dager til en uke, vil ikke bli løst.

Sammenlignet med tidligere studier kan den foreslåtte metoden tilby romlig informasjon på pikselnivå, noe som kan bidra til å evaluere dynamikken på en mer detaljert måte. Noen tidligere studier gjennomsnitt hele SCS som et enkelt tall og fikk en tidsserie. De fant at en uvanlig sterk WS og høy SST kan indusere uregelmessig høy CHL16, som er i samsvar med dagens resultat. Den romlige variasjonen i relasjonene ble imidlertid ikke løst. I denne studien var korrelasjonen i bassengskala mellom WS og CHL svak i det uregelmessige feltet. En stor signifikant korrelasjon ble bare identifisert for visse områder, for eksempel i midten av SCS (figur 9B). Dermed tilbyr den nåværende metoden en omfattende beskrivelse for å undersøke romlige variasjoner. Tilsvarende ble observasjoner fra to Bio-Argo flyter brukt og viste at WSC ikke korrelerte med CHL variabilitet20. Banene til de to flytene er imidlertid bare plassert i visse regioner. I dette tilfellet var det nøyaktig innenfor bandet hvor korrelasjonen mellom CHL-nivået og WSC ikke var signifikant (figur 8D). Den foreslåtte metoden er svært nyttig for å løse den romlige avhengigheten blant faktorer, noe som er en grunnleggende egenskap ved det globale havet.

Oppsummert kan metoden som brukes her nøyaktig beskrive romlig fordeling og temporal variasjon i havoverflatefunksjoner ved hjelp av satellittobservasjoner. Med den økende oppløsningen av satellittdatasett kan mer detaljerte funksjoner identifiseres og undersøkes, noe som muliggjør en generell forståelse av regionale funksjoner, inkludert CHL, SST og SSH. Korrelasjonen av månedlige tidsserier mellom ulike faktorer kan bidra til å forstå deres dynamiske relasjoner og potensiell innvirkning på etøkosystem 49. Fordi korrelasjonen i stor grad kan variere på forskjellige romlige steder, tilbyr den foreslåtte metoden en detaljert og omfattende beskrivelse. En lignende tilnærming kan brukes på ethvert havbasseng over hele verden, noe som vil være svært nyttig for å forbedre forståelsen av marin dynamikk og økosystemer.

Disclosures

Forfatterne har ingenting å avsløre.

Acknowledgments

Støtten fra National Key Research and Development Program of China (nr. 2016YFC1401601), Postgraduate Research & Practice Innovation Program i Jiangsu-provinsen (nr. SJKY19_0415) støttet av Fundamental Research Funds for de sentrale universitetene (nr. 2019B62814), National Natural Science Foundation of China (nr. 41890805, 41806026 og 41730536) og Joint Advanced Marine and Ecological Studies i Bengalbukta og det østlige ekvatoriale Indiahavet ble sterkt anerkjent. Forfatterne setter pris på levering av data fra kilder, inkludert National Aeronautics and Space Administration (NASA), European Centre for Medium-Range Weather Forecasts (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)

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

Miljøvitenskap Utgave 160 klorofyll havoverflatetemperatur havoverflatehøyde Sør-Kinahavet sesongsyklus satellittobservasjoner
Undersøker forholdet mellom Sea Surface Chlorophyll og hovedtrekkene i Sør-Kinahavet med satellittinformasjon
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