JoVE Journal > Environment
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Please note that all translations are automatically generated. Click here for the English version.
环境科学

Onderzoek naar de relatie tussen het zeeoppervlak chlorofyl en belangrijke kenmerken van de Zuid-Chinese Zee met satellietinformatie

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

Summary

Zeeoppervlak chlorofyl, temperatuur, hoogte van de zeespiegel, wind, en front gegevens verkregen of afgeleid van satelliet waarnemingen bieden een effectieve manier om de oceaan te karakteriseren. Gepresenteerd is een methode voor de uitgebreide studie van deze gegevens, met inbegrip van de totale gemiddelde, seizoensgebonden cyclus, en intercorrelatie analyses, om volledig te begrijpen regionale dynamiek en ecosystemen.

Abstract

Satellietwaarnemingen bieden een geweldige aanpak om de kenmerken van belangrijke mariene parameters te onderzoeken, waaronder chlorofyl (CHL) van het zeeoppervlak (CHL), de temperatuur van het zeeoppervlak (SST), de hoogte van het zeeoppervlak (SSH) en factoren die uit deze parameters zijn afgeleid (bijvoorbeeld fronten). Deze studie toont een stapsgewijze procedure om satellietwaarnemingen te gebruiken om belangrijke parameters en hun relaties in seizoens- en afwijkende velden te beschrijven. Deze methode wordt geïllustreerd aan de hand van satellietgegevenssets van 2002-2017 die werden gebruikt om de oppervlaktekenmerken van de Zuid-Chinese Zee (SCS) te beschrijven. Vanwege de dekking van de cloud werden in deze studie maandelijkse gemiddelden gebruikt. De empirische orthogonale functie (EOF) werd toegepast om de ruimtelijke verdeling en temporele variabiliteiten van verschillende factoren te beschrijven. De moessonwind domineert de variabiliteit in het bassin. Zo werd de wind van de reanalysis dataset gebruikt om de drijvende kracht op verschillende parameters te onderzoeken. De seizoensgebonden variabiliteit in CHL was prominent en sterk gecorreleerd met andere factoren in een meerderheid van de SCS. In de winter veroorzaakt een sterke noordoostelijke moesson een diepe gemengde laag en een hoog chlorofylgehalte in het bekken. Significante correlatiecoëfficiënten werden gevonden tussen factoren tijdens de seizoenscyclus. In de zomer werden hoge CHL-niveaus meestal gevonden in de westelijke SCS. In plaats van een seizoensgebonden afhankelijkheid, de regio was zeer dynamisch, en factoren gecorreleerd aanzienlijk in afwijkende velden zodanig dat ongewoon hoge CHL niveaus werden geassocieerd met abnormaal sterke wind en intense frontale activiteiten. De studie presenteert een stapsgewijze procedure om satellietwaarnemingen te gebruiken om belangrijke parameters en hun relaties in seizoensgebonden en afwijkende velden te beschrijven. De methode kan worden toegepast op andere mondiale oceanen en zal nuttig zijn voor het begrijpen van de mariene dynamiek.

Introduction

Remote sensing technologie biedt geweldige datasets met grote ruimtelijke schalen en lange perioden voor het beschrijven van mariene omgevingen. Met de toenemende ruimtelijke resolutie van satellieten, zijn gedetailleerde functies nu opgelost van de regionale schaal tot een paar honderd meter1,2. Een beter begrip van de mariene dynamiek kan worden bereikt met de meeste bijgewerkte satellietwaarnemingen3.

Door meerdere sensoren op een teledetectieplatform te integreren, is een uitgebreide beschrijving van verschillende parameters mogelijk. Zeeoppervlaktetemperatuur (SST) is de basisparameter die al meer dan een halve eeuwwordt waargenomen. Onlangs zijn waarnemingen voor chlorofyl-a (CHL) beschikbaar gekomen en kunnen ze worden gebruikt om de productiviteit van de zee te beschrijven5. Altimetry-satellieten worden gebruikt voor het meten van de hoogte van het zeeoppervlak6,7, wat sterk gerelateerd is aan mesoschaalwervelingactiviteiten in de mondiale oceaan8,9. Naast eddies zijn frontale activiteiten ook belangrijk voor het beïnvloeden van de regionale dynamiek en de primaire productie10.

De belangrijkste focus van de huidige studie is het vinden van een standaardprocedure om de ruimtelijke verdeling en temporele variabiliteiten van verschillende oceaanfactoren te beschrijven. In deze methode worden SST-, CHL-, SSH- en frontgegevens, die zijn afgeleid van SST-verlopen, geanalyseerd om patronen te bepalen. In het bijzonder wordt de CHL gebruikt om de productiviteit van de oceaan te vertegenwoordigen, en een methode wordt geïntroduceerd om de relatie tussen CHL en andere oceaanparameters te onderzoeken. Om de methode te valideren, werd de periode tussen oktober 2002 en september 2017 in de Zuid-Chinese Zee gebruikt om alle parameters te onderzoeken. De methode kan gemakkelijk worden gebruikt voor andere regio’s over de hele wereld om grote oceaanpatronen vast te leggen en te onderzoeken hoe de mariene dynamiek het ecosysteem beïnvloedt.

De Zuid-Chinese Zee (SCS) werd aangewezen als studiegebied vanwege de relatief hoge dekkingsgraad van satellietwaarnemingen. De SCS is overvloedig in zonnestraling; Het CHL wordt dus vooral bepaald door de beschikbaarheid van voedingsstoffen11,12. Met meer voedingsstoffen worden vervoerd in de euforische laag, CHL niveaus kunnen verhogen13. Mengen, veroorzaakt door wind, kan voedingsstoffen in het oceaanoppervlak introduceren en CHL14verbeteren. De SCS wordt uniek gedomineerd door een moessonwindsysteem, dat de dynamiek en het ecosysteem in de regio bepaalt. De moessonwind is het sterkst in de winter15. In de zomer, de wind van richting veranderen en de windsnelheden zijn veel zwakker dan die in de winter16,17. De windintensiteit kan de sterkte van verticale menging bepalen, zodanig dat de gemengde laagdiepte (MLD) verdiept naarmate de wind in de winter toeneemt en ondieper wordt naarmate de wind afneemt in de zomervan 18. Zo worden meer voedingsstoffen getransporteerd in de euforische laag in de winter wanneer de wind sterk is19 en CHL bereikt het hoogste punt van het jaar20,21.

Naast de wind kan de MLD ook worden bepaald aan de hand van andere factoren, zoals SST- en zeeniveauafwijkingen (SLA’s), die uiteindelijk van invloed zijn op het gehalte aan nutriënten en CHL22. In de winter wordt de zwakke verticale helling geassocieerd met lage temperaturen aan het oppervlak20. De overeenkomstige MLD is diep en meer voedingsstoffen kunnen naar boven worden getransporteerd; dus, de CHL in de oppervlaktelaag is hoog17. Een toenemende variatie in CHL-niveaus kan worden toegeschreven aan mesoschaal wervelingen, die verticaal transport en het mengenvan 23veroorzaken. Opwelling is meestal te vinden in cyclonische wervelingen geassocieerd met depressieve SLA’s8,9 en verhoogde CHL concentraties24. Downwelling is meestal te vinden in anticyclidische wervelingen geassocieerd met verhoogde SLA’s8,9 en depressieve CHL concentraties24. Voor andere seizoenen wordt de MLD ondiep en wordt het mengen zwak; zo kan lage CHL worden waargenomen over de meerderheid van het bekken25. De seizoenscycli van CHL-niveaus zijn vervolgens overheersend voor de regio26.

Naast het mengen kunnen fronten en de bijbehorende kustopwelling de CHL verder moduleren. Het front, dat wordt gedefinieerd als een grens van verschillende watermassa’s, is belangrijk om de regionale circulatie en ecosysteemreacties te bepalen27. Frontogenese wordt meestal geassocieerd met kustopwelling en convergentie28,29, die voedingsstoffen kunnen opwekken en de groei van fytoplankton30kunnen verheffen . Er zijn verschillende algoritmen ontwikkeld om fronten automatisch te identificeren aan de hand van satellietwaarnemingen, waaronder histogram- en SST-gradiëntmethoden. Deze laatste benadering wordt in deze studieovergenomen 28.

De correlatie van tijdreeksen tussen CHL en verschillende factoren biedt geweldige inzichten voor het kwantificeren van hun relatie. De huidige studie biedt een uitgebreide beschrijving van het gebruik van satellietwaarnemingen om de regionale mariene dynamiek in verband met productiviteit aan het licht te brengen. Deze beschrijving kan worden gebruikt als een gids voor het onderzoeken van de oppervlakteprocessen in elk deel van de oceaan. De structuur van dit artikel bevat een stapsgewijze protocol, gevolgd door beschrijvende resultaten in de tekst en cijfers. De toepasbaarheid naast de voor- en nadelen van de methode wordt vervolgens besproken.

Protocol

1. Overname van Dataset SST en CHL Download een dataset van satellietwaarnemingen voor SST en CHL van MODIS-Aqua (podaac-tools.jpl.nasa.gov/), waar de ruimtelijke resolutie van beide datasets dagelijks ongeveer 4,5 km bedraagt.OPMERKING: Structureer de map met mappen en gegevens naar aanleiding van de voorbeeldscriptsmap die beschikbaar is in de aanvullende bestanden. Sla de .nc-bestanden van de satellietgegevens op in de map ‘Data’. Voeg het pad toe aan de NetCDF-toolbox in de analysesoftware (d.w.z. MATLAB). Selecteer Toevoegen met submappen om de paden van de map ‘HULPPROGRAMMA’S’ en de submappen te omsluiten. Bepaal de tijdspanne. Als u de consistentie tussen de verschillende gegevenssets wilt behouden, gebruikt u dezelfde tijdspanne voor alle parameters. Pas de tijdsspanne aan op basis van de temporele dekking en gebruik de langste observatieperiode tussen verschillende gegevenssets. Download voor dit protocol 15 jaar gegevens van oktober 2002 tot september 2017. Bepaal de ruimtelijke dekking.OPMERKING: Het ontworpen studiegebied ligt tussen 105°E en 123°E en tussen 0° en 25°NB. Controleer de instructies voor verwerking. Lees instructies in de .nc-bestanden met betrekking tot de preprocessingvereisten van de SST- en CHL-gegevens (bijvoorbeeld of schaling nodig is).OPMERKING: De gedownloade dataset sluit al gegevens uit over land en binnen 5 km van de kustlijn, evenals gegevens die besmet zijn met wolken. Laad SST- en CHL-gegevens in de analysesoftware. Typ Read_MODIS_SST in het opdrachtvenster om de SST-gegevens te lezen. Typ ook Read_MODIS_CHL in het opdrachtvenster om de CHL-gegevens te lezen. Transformeer de CHL-gegevenslogaritisch omdat ze een log-normale verdelinghebben 31.OPMERKING: Geladen variabelen omvatten SST en CHL in drie dimensies, die respectievelijk de meridiionale locatie, zonale locatie en tijd in dagen vertegenwoordigen. Het bereik van SST’s ligt tussen -2 en 44, en het bereik van CHL ligt tussen 0,01 en 20. Anomalie op zeeniveau (SLA) Download dagelijkse SLA-gegevens met een ruimtelijke resolutie van 25 km van 2002-201732.OPMERKING: SLA’s beschrijven het verschil tussen waargenomen hoogten van het zeeoppervlak en de gemiddelde hoogte van het zeeoppervlak over 20 jaar (1993−2012) voor een overeenkomstige pixel. De SLA-gegevens worden verwerkt door SSALTO/DUACS en gedistribueerd door Archivering, Validatie en Interpretatie van Satellietocografische gegevens (AVISO, https://www.aviso.altimetry.fr). Laad gegevens in de analysesoftware. Sla-gegevens van één dag laden door Read_SLA in het opdrachtvenster te typen.OPMERKING: De map ‘Gegevens’ in de aanvullende bestanden bevat slechts één voorbeelddatum in het script ter illustratie. Windsnelheid Verkrijg de windinformatie van een ERA-Interim reanalysis product, een wereldwijde atmosferische reanalyse dataset ontwikkeld door het European Center for Medium-Range Weather Forecasts (ECMWF)33. Download windgegevens voor dezelfde periode (oktober 2002-september 2017) om de consistentie met de CHL- en SST-gegevens te behouden.OPMERKING: De winddataset heeft een ruimtelijke resolutie van ongeveer 25 km en is geïnterpoleerd uit de oorspronkelijke dataset met een ruimtelijke resolutie van ongeveer 0,7°. Laad gegevens in de analysesoftware. Typ Read_WindVector in het opdrachtvenster om de windgegevens van één maand te lezen. Bereken het maandelijkse gemiddelde door de oorspronkelijke gegevens te gemiddelde, dat is met intervallen van 6 uur. Topografie Download de topografiegegevens met hoge resolutie van de Website van de Nationale Centra voor Milieu-informatie (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). De ruimtelijke resolutie is ~2 km. Verkrijg de ETOPO1-gegevens voor gesteente in XYZ-formaat voor het geselecteerde studiegebied. Laad gegevens in de analysesoftware. Typ Read_topography in het opdrachtvenster om de topografiegegevens in de analysesoftware te laden. 2. Voorbewerking van gegevens Temporele gemiddelde Vanwege de grote clouddekking in de SST- en CHL-gegevens, vervang je de oorspronkelijke gegevens door 3-daagse gemiddelde gegevens. Typ hiervoor Temporal_average na het uitvoeren van de Read_MODIS_SST.m en Read_MODIS_CHL.m scripts (stap 1.1.5) Temporal_average in het opdrachtvenster om het script uit te voeren. Interpolatie in hetzelfde raster Omdat de ruimtelijke resolutie niet consistent is voor verschillende gegevenssets, interpoleert u de SST- en CHL-gegevens in een ruimtelijk raster dat hetzelfde is als het ruimtelijke wind- en SLA-ruimteraster voordat u vergelijkingen maakt. Nadat u de Temporal_average.m en Read_WindVector.m scripts hebt uitgevoerd, typt u Interpolation_grid in het opdrachtvenster om het script uit te voeren. De spanning van de wind en de krul van de windstress Typ Wind_stress_curl in het opdrachtvenster om de windbelasting (WS) en windstress krul (WSC) te berekenen met behulp van de volgende vergelijkingen:waar is de windsnelheidsvector; is de WS in dezelfde richting als de windvector; en zijn de WS in respectievelijk de oostelijke en noordelijke richtingen; is de luchtdichtheid (gelijk aan 1,2 kg/m3); en C is de luchtweerstandscoëfficiënt (een waarde van 0,0015 wordt gebruikt) onder neutrale stabiliteitsomstandigheden34. Maandelijkse gemiddelden Bereken de maandelijkse SST-, wind- en SLA-tijdreeksen als 30-daagse gemiddelden in elke pixel door Monthly_average te typen om het script uit te voeren. Gebruik vanwege de hoge dekkingsgraad van de cloud een 60-daags gemiddelde als de maandelijkse tijdreeks voor CHL, inclusief 30 dagen voor 30 dagen na de15e dag van de maand. 3. SST-voordetectie Ruimtelijke smoothing Typ Spatial_smoothing om het script uit te voeren om de driedaagse SST-gegevens in elke pixel te gemiddelde.OPMERKING: Er is een grote hoeveelheid ruis vastgesteld in de SST-gegevens. Zo werden de gegevens gladgestreken met een 3 x 3 ruimtelijk gemiddelde. Toen er geen gegevens beschikbaar waren in de oorspronkelijke gemiddeldste gegevens van 3 dagen, werden de gegevens met een ruimtegemiddelde ingesteld als niet beschikbaar. SST-verloop Typ SST_gradient om het script uit te voeren om de zonale en meridional SST-verlopen (d.w.z. Gx en Gy, respectievelijk) te berekenen als het SST-verschil tussen de dichtstbijzijnde twee pixels gedeeld door de overeenkomstige afstand via vergelijking (3). Gebruik de verkregen verloopvector om het totale verloop, G, te berekenen als een scalaire volgende vergelijking (4). Lokaal maximum Identificeer een front door een SST-verloopwaarde te testen: label een pixel als een potentiële frontale pixel als de waarde groter is dan een aangewezen drempelwaarde. Handhaaf de lokale maximale pixel alleen in dezelfde richting loodrecht op de verlooprichting als er verbonden pixels zijn met waarden die groter zijn dan de drempelwaarde. Bepaal de drempel hier als 0,035 °C/km na eerdere studies10,28.OPMERKING: Het bijbehorende script ‘Local_maximum.m’ is beschikbaar in de aanvullende bestanden. Maandelijkse frontale waarschijnlijkheid (FP)OPMERKING: De frontale waarschijnlijkheid (FP) beschrijft de waarschijnlijkheid van het observeren van een front. Bereken de FP voor een bepaalde tijdspanne (in dit geval een maandelijks interval) door Monthly_FP te typen om het script uit te voeren. Verdeel het optreden van fronten op elke pixel tijdens een tijdvenster door het aantal dagen dat vrij is van wolken. 4. Ruimtelijke en temporele variabiliteit Seizoenscyclus Bereken de seizoenscycli van verschillende factoren als de gemiddelden van verschillende seizoenen. Definieer de seizoenen als volgt: de winter is van december tot februari, de lente is van maart tot mei, de zomer is van juni tot augustus en de herfst is van september tot november.OPMERKING: De seizoenscyclus wordt niet weergegeven in deze studie; de volgende methode wordt gebruikt om de ruimtelijke en temporele variabiliteit in plaats daarvan uit te leggen. Empirische orthogonale functie (EOF) Verwijder de tijdelijke gemiddelde en niet-beschikbare pixels. Voordat u de EOF uitvoert, trekt u het totale gemiddelde op elke pixel af en sluit u de locaties uit waar ontbrekende waarnemingen meer dan 20% bedragen vanwege de dekking van de cloud. Laad gegevens door load(‘Monthly_data_for_EOF.mat’) in het opdrachtvenster te typen. Pas een EOF toe om de ruimtelijke en temporele verschillen van verschillende parameters te beschrijven. Typ Empirical_orthogonal_function.m om het script uit te voeren om de omvang (Mag), eigenwaarden (Eig) en amplitude (Amplitude) van de EOF’s voor de gegevensset te berekenen (d.w.z. tijdreeksen van maandelijkse gemiddelde SST, windstress, windstresskrul, CHL en FP).OPMERKING: De functie ontleedt de maandelijkse tijdreeksen in verschillende modi, die bestaan uit ruimtelijke en temporele patronen en de variantie die door elke modus wordt verklaard, afneemt met een toenemend modusnummer. 5. Onderlinge samenhang Correlatie op seizoenschaal Bereken de correlaties tussen twee factoren met behulp van hun tijdreeksen op elke pixel door Seasonal_correlation te typen om het script uit te voeren. Omdat de seizoenscyclus niet wordt verwijderd, controleert u de betekenis van de correlatie voor alle correlaties. Correlatie van een afwijkend veld Bereken de correlaties tussen de maandelijkse CHL-afwijkingen en andere factoren, zoals SST, WS, fronten en SLA’s. Verkrijg de maandelijkse afwijkingen (d.w.z. de afwijking van de gemiddelde status) door het totale gemiddelde voor een overeenkomstige maand af te trekken van de maandelijkse tijdreeksen. Typ Anomalous_correlation om het script uit te voeren en de correlaties te verkrijgen. 6. Informatie weergeven en relaties berekenen Satellietinformatie weergeven. Typ Sat_SCS_Fig3457 om het script uit te voeren om een showcase van satellietinformatie te genereren, waaronder SST, CHL en frontale distributies. Stel de huidige map in als ‘scripts’ waarin de gegevens ‘Sat_SCS_data.mat’ zich bevinden.OPMERKING: Figuur 1, Figuur 2, Figuur 3en Figuur 4 tonen SST, CHL, fronten, wind en topografie voor de geselecteerde datum als voorbeeld. Geef het EOF-resultaat weer door Sat_SCS_Fig890.m te typen om het script uit te voeren.OPMERKING: Figuur 5, figuur 6en figuur 7 beschrijven de ruimtelijke omvang, het maandgemiddelde en de tijdreeks van de eerste twee modi voor respectievelijk CHL, SST en fronten. Bereken de relatie tussen CHL en andere factoren op seizoensgebonden tijdschalen en voor afwijkende velden door Sat_SCS_Fig1112.m te typen om het script uit te voeren. Verkrijg de correlatiekaart voor seizoensvariabiliteiten (figuur 8) en afwijkingen (figuur 9).

Representative Results

De ruimtelijke en temporele patronen van het zeeoppervlak CHL in de SCS werden beschreven aan de hand van satellietwaarnemingen. Satellietinformatie voor CHL (figuur 1A) en SST (figuur 1B) kan worden verontreinigd door bewolking, wat resulteert in een groot deel van de gegevens niet bruikbaar. De opnieuw geanalyseerde wind (figuur 1C) en SLA (Figuur 1D) gegevens werden niet beïnvloed door de dagelijkse wolken. De topografie (figuur 1E) had een prominente invloed op de ruimtelijke verdeling van CHL. High CHL werd voornamelijk verdeeld langs de kust, waar de topografie ondiep is. Wind werd ook beïnvloed door orografie, en de luwte kant van de bergen werd gekenmerkt door zwakke wind; aldus werd een prominente WSC geïdentificeerd ten zuidwesten van de SCS. De SLA’s waren daarentegen niet erg afhankelijk van topografie en in het bekken van de SCS werd een gebied met ongewoon hoge SLA’s aangetroffen. Figuur 1: Originele waarnemingen voor belangrijke parameters op 15 april 2015.(A) Zeeoppervlak chlorofyl (CHL), (B) zeeoppervlaktemperatuur (SST), (C) windstress krul (WSC, arcering) met windstress (WS, vector), (D) zeeoppervlak anomalie, en (E) topografie voor de oceaan bekken. Klik hier om een grotere versie van dit cijfer te bekijken. Vanwege de ernstige impact van de wolk op satellietwaarnemingen waren veel gegevens niet beschikbaar of ruimtelijk inconsistent. Er werd een effectieve en efficiënte methode toegepast om enkele gegevenshiaten op te vullen en het veld glad te strijken. De gegevens werden eerst vervangen door een 3-daags gemiddelde per pixel, die effectief kan vullen sommige hiaten, omdat de wolken variëren dagelijks (Figuur 2B). Bij elke pixel werd verder een ruimtelijk gemiddelde toegepast, zodat de gegevens werden vervangen door het gemiddelde van de omringende waarden (3 x 3 pixels). Zo werd de ruimtelijke inconsistentie sterk verminderd(figuur 2C). Figuur 2: SST voor één dag op 15 april 2015.(A) Originele SST van MODIS, (B) driedaagse gemiddeld SST, en (C) SST na ruimtelijke smoothing. Klik hier om een grotere versie van dit cijfer te bekijken. De dagelijkse verdeling van SST-fronten is afgeleid van de SST-gradiënten(figuur 3A). De hier toegepaste drempels hebben de locatie van de voorzijde(figuur 3B) effectief vastgelegd en gezorgd voor de weergave van de grenzen van hele watermassa’s (figuur 3C). De hellingen en fronten waren vrijwel identiek omdat de voorkant voornamelijk werd verkregen uit de helling. Figuur 3: Procedure voor frontdetectie afgeleid van SST.(A) Omvang van het SST-verloop (B) de verdeling van SST-fronten in dunne zwarte lijnen en (C)voorverdeling op basis van de overeenkomstige SST-gradiënten. Klik hier om een grotere versie van dit cijfer te bekijken. Vanwege clouddekking in de CHL, SST en frontgegevens werden de maandelijkse gemiddelde tijdreeksen berekend en toegepast in deze studie. Een willekeurig voorbeeld wordt weergegeven in figuur 4 voor de maand april 2015. Er was geen bestaande kloof voor een van de parameters. De algemene patronen voor verschillende parameters waren zeer consistent met betrekking tot hun ruimtelijke variantie. CHL was bijvoorbeeld hoog in de buurt van de kust en laag in het centrale bekken, terwijl de SST laag was in de buurt van de kust en hoog in het centrale bekken. Het maandelijkse gemiddelde bood uitgebreide informatie om regionale kenmerken weer te geven. Fronten werden voornamelijk verdeeld langs de kust, waar de dynamiek complex is. Een groot deel van het bassin was vrij van fronten; zo werd het centrum van de SCS gekenmerkt door een waarde dicht bij nul(figuur 4E). Figuur 4: Maandgemiddelde voor belangrijke parameters in april 2015.(A) CHL (in logaritmeschaal), (B) SST, (C) WSC (arcering) met WS (vector), (D) zeeoppervlakteafwijking en (E) frontale waarschijnlijkheid (FP). Klik hier om een grotere versie van dit cijfer te bekijken. De meeste oppervlaktekenmerken werden gekenmerkt door prominente seizoensgebonden variabiliteit, die duidelijk werd waargenomen met behulp van EOF’s. De EOF is een nuttige wiskundige methode die veel wordt gebruikt in de atmosferische en mariene wetenschappen. De methode kan ruimtelijke patronen en temporele signalen uit tijdreeksen over ruimtelijke domeinen28afbakenen. Na spatiotemporale afbraak voor zeeoppervlakken in de SCS zijn de eerste twee modi over het algemeen nodig voor het beschrijven van de ruimtelijke en temporele variabiliteiten. De eerste twee EOF’s voor CHL beschreven respectievelijk 44% en 12% van de totale variantie. EOF1 veroverde een grote variantie in het noordelijke deel van de SCS (figuur 5A). Het overeenkomstige maandgemiddelde van de tijdreeks (Figuur 5C) toonde aan dat CHL in de winter was verhoogd en in de zomer depressief was. De regio naast de zuidwestkust werd gekenmerkt door een zwakke omvang, en de overeenkomstige variabiliteit werd voornamelijk gevangen door EOF2 (Figuur 5B). CHL waarden waren hoog in de zomer en laag in de winter. Dit was voornamelijk uit fase in vergelijking met het noordelijke deel. De maandelijkse tijdreeksen voor EOV’s toonden duidelijke seizoensvariabiliteit, en EOF2 leidde EOF1 met ongeveer 4 maanden (figuur 5E). Figuur 5: De EOF voor CHL.(A) Omvang van EOF1, (B) omvang van EOF2, (C) maandelijkse gemiddelde tijdreeksen voor EOF1, (D) maandelijkse gemiddelde tijdreeksen voor EOF2, en (E) maandelijkse tijdreeksen van EOF1 (zwart) en EOF2 (blauw). Klik hier om een grotere versie van dit cijfer te bekijken. De verklaarde variantie in de eerste twee EOF’s voor SST was opvallend hoog, wat overeenkomt met respectievelijk 91% en 5% voor EOF1 en EOF2. Het is belangrijk te benadrukken dat het totale gemiddelde moet worden verwijderd voordat EOF wordt uitgevoerd; het gemiddelde veld werd dus uitgesloten. EOF1 domineerde de totale variantie, en de omvang ervan was het grootst in de noordelijke SCS en daalde naar het zuiden (figuur 6A). Het overeenkomstige maandgemiddelde van de tijdreeks (Figuur 6C) toonde aan dat de SST in de zomer was verhoogd en in de winter depressief was. De zuidelijke SCS werd gekenmerkt door een zwakke omvang, toegeschreven aan aanhoudende hoge temperaturen op lage breedtegraden. De variabiliteit in het zuidelijke deel werd voornamelijk vastgelegd door EOF2 (figuur 6B). De overeenkomstige SST werd versterkt tussen maart en juni, terwijl de lage waarden bleven bestaan in de resterende maanden. Prominente opwarming vond plaats in 2010 en 2016, waar de SST voor de kust ten zuidwesten van de SCS veel hoger was dan in de andere jaren(figuur 6E). Deze interjaarlijkse variabiliteit wordt voornamelijk toegeschreven aan El Niño gebeurtenissen die de zuidwestelijke zomer moesson te verminderen en resulteren in een zwakke opwelling12. Omdat seizoensgebonden variabiliteit de belangrijkste focus van de huidige studie is, wordt deze functie niet verder besproken. Figuur 6: De EOF voor SST.(A) Omvang van EOF1, (B) omvang van EOF2, (C) maandelijkse gemiddelde tijdreeksen voor EOF1, (D) maandelijkse gemiddelde tijdreeksen voor EOF2, en (E) maandelijkse tijdreeksen van EOF1 (zwart) en EOF2 (blauw). Klik hier om een grotere versie van dit cijfer te bekijken. Vanwege het lawaaierige karakter van de helling, de afgeleide voorzijde verklaard veel minder van de variantie. EOF1 en EOF2 van FP verklaarden immers slechts respectievelijk 19% en 9% van de totale variantie. EOF1 veroverde de verschillen in het noorden en noordoosten van SCS (figuur 7A). Het overeenkomstige maandgemiddelde van de tijdreeks (figuur 7C) toonde aan dat in die regio’s meer FP in de winter en minder in de zomer plaatsvond. De fase voor de kust ten zuidwesten van de SCS was het tegenovergestelde, hoewel de overeenkomstige variabiliteit veel minder prominent was. EOF2 veroverde de veerverbetering van FP (Figuur 7D) in de westelijke SCS (figuur 7B). De maandelijkse tijdreeksen van EOF1 en EOF2 werden gekenmerkt door zwakke interjaarlijkse variabiliteit. Figuur 7: De EOF voor FP.(A) Omvang van EOF1, (B) omvang van EOF2, (C) maandelijkse gemiddelde tijdreeksen voor EOF1, (D) maandelijkse gemiddelde tijdreeksen voor EOF2, en (E) maandelijkse tijdreeksen van EOF1 (zwart) en EOF2 (blauw). Klik hier om een grotere versie van dit cijfer te bekijken. Verschillende factoren werden onderzocht voor hun relaties met CHL (figuur 8). SST kan bijvoorbeeld worden gebruikt om de fundamentele kenmerken van de oceaan te begrijpen die de groeisnelheid van fytoplankton kunnen beïnvloeden en vervolgens CHL kunnen beïnvloeden. Voor het merendeel van de SCS waren er hoge correlaties tussen SST en CHL(figuur 8A),en de meeste correlaties bereikten meer dan -0,8. Het is belangrijk erop te wijzen dat een hoge correlatie niet wijst op oorzakelijk verband tussen deze twee factoren. Aangezien SST zijn jaarlijkse maximum in de zomer bereikte, werd MLD ondiepste21. Voedingsstoffen die aan de euforische laag werden geleverd, waren laag omdat verticaal mengen werd geblokkeerd door intensieve gelaagdheid13. Als gevolg hiervan beperkten lage voedingsstoffen de groei van fytoplankton en resulteerden in een lage CHL. In tegenstelling, hoge CHL vond plaats in de winter toen de MLD dieper was, en lage SST geïnduceerde zwakke stratificatie35. Figuur 8: Correlaties tussen CHL en andere factoren op seizoenschaal.(A) SST, (B) WS, (C) WSC,d) FP, en (E) SLA. De grijze kleur geeft aan dat de correlatie niet significant is. Ruimtelijk gemiddelde variabelen worden berekend op basis van de groene doos in paneel A. Hun tijdreeksen worden gebruikt om de correlatiecoëfficiënten in tabel 1te verkrijgen . Dit cijfer is gewijzigd van Yu et al.17. Klik hier om een grotere versie van dit cijfer te bekijken. Wind-aangedreven mengen kan ongeveer worden gemeten door WS en werd gebruikt om verticale mengen18te beschrijven. Er werden grote correlatiecoëfficiënten vastgesteld, met waarden van ongeveer 0,8, tussen de WS- en CHL-niveaus ten noorden van de SCS (figuur 8B), met name in de regio’s met de sterkste winterwind op het noordelijke schap van de SCS. Zwakke maar significante correlaties werden gevonden in het zuiden. Correlaties tussen WSC en CHL waren significant in de meerderheid van de SCS (figuur 8C), hoewel ze tegengestelde trends in het noorden en zuiden vertoonden. Een positieve correlatiecoëfficiënt tussen CHL en WSC werd in het zuiden vastgesteld, waarbij negatieve waarden in het noorden lagen. De correlatie in de regio tussen hen was niet significant. De WS en CHL bleken sterk gecorreleerd te zijn in de overeenkomstige regio waar de winter WS het grootst was. Fronten kunnen ook CHL variabiliteit veroorzaken. Een grote correlatie werd gevonden in het noordoosten en zuidwesten van de SCS (Figuur 8D). CHL steeg als frontale activiteiten werd actiever36. De SLA vertoonde een significante negatieve correlatie met CHL van de noordoostelijke SCS naar het zuidwesten en een positieve correlatie langs de westkust van de SCS (figuur 8E). Het is interessant op te merken dat de positieve correlaties waren beperkt tot de regio met ondiepe topografie. Ten noordoosten van de SCS waren alle correlaties groot(figuur 8). Zo werden de correlaties van maandelijkse tijdreeksen tussen CHL en andere parameters berekend aan de hand van het ruimtelijk gemiddelde in een aangewezen vak (figuur 8A), en werden de meeste factoren gecorreleerd met significante correlaties (rechterbovenhoek van tabel 1). Omdat de seizoenscyclus de tijdreeks domineerde, was de correlatie niet langer geldig na het verwijderen van het maandgemiddelde (linksonder gedeelte van tabel 1). Chl-a SST (SST) Ws WSC WSC Fp SLA SLA Chl-a -0.8 0.78 0.67 0.74 -0.71 SST (SST) -0.41 -0.47 -0.51 -0.79 0.86 Ws 0.32 0.04 0.63 0.51 -0.38 WSC WSC 0 0.08 -0.02 0.52 -0.37 Fp 0.21 -0.09 0.03 0.15 -0.74 SLA SLA -0.25 0.42 0.07 0.13 -0.08 Tabel 1: Correlatiecoëfficiënten van de tijdreeks tussen factoren, ten noordoosten van het SCS, bijvoorbeeld SST (zeeoppervlaktetemperatuur), FP (frontale waarschijnlijkheid), WSC (windstress krul) en WS (windstress), met behulp van de doos in figuur 8A. De maandelijkse gemiddelden en afwijkingen worden weergegeven in respectievelijk het gedeelte rechtsboven en links. Getallen in vet en cursief geven aan dat de correlatie niet voldoet aan het betrouwbaarheidsniveau van 95%. De tabel is gewijzigd van Yu et al.17. De correlaties in de seizoenscyclus waren niet significant voor sommige regio’s, zoals het zuidwesten van het SCS(figuur 8). De regio wordt gedomineerd door dynamische processen (bijvoorbeeld opwelling en door de wind veroorzaakte offshore transport) die de variabiliteit in CHL17bepalen. Een significante correlatie tussen CHL en andere factoren (bijvoorbeeld SST, WS, fronten en WSC) werd geïdentificeerd in afwijkende velden(figuur 9). De afwijkingen werden berekend voor de maandelijkse tijdreeksen door het overeenkomstige maandgemiddelde te verwijderen. Het effectieve aantal vrijheidsgraden zou kunnen worden verhoogd, maar eerdere studies hebben aangetoond dat het geen invloed heeft op de onderliggende relaties tussen huntijdreeksen 28,37. Figuur 9: Correlatie tussen CHL en andere factoren in de afwijkende velden.(A) SST, (B) WS, (C) WSC,d) FP, en (E) SLA. De grijze kleur geeft aan dat de correlatie niet significant is. Ruimtelijk gemiddelde variabelen worden berekend op basis van het groene vak in paneel A. De tijdreeksen worden gebruikt om de correlatiecoëfficiënten in tabel 2te verkrijgen . Dit cijfer is gewijzigd van Yu et al.17. Klik hier om een grotere versie van dit cijfer te bekijken. In de afwijkende velden waren CHL en SST aanzienlijk gecorreleerd in de meerderheid van de SCS(figuur 9A). Toen SST ongewoon hoog was, werd CHL ongewoon laag, en vice versa. Evenzo heeft een ongewoon hoge WSC en fronten ten zuidwesten van de SCS hoge niveaus van CHL veroorzaakt, en vice versa(figuur 9C, 9D). Bovendien werd een negatieve correlatie gevonden tussen de SLA’s en de CHL-niveaus (figuur 9E). Verschillende vertragingen werden getest, en de correlatie werd alleen significant als er geen vertraging werd gebruikt. Zo werd CHL tegelijkertijd beïnvloed door afwijkingen in SST, WSC, en fronten, evenals SLA. Hun relatie werd verder onderzocht met behulp van de ruimtelijk gemiddelde maandelijkse tijdreeks ten zuidwesten van de SCS, aangeduid als een groene doos in figuur 9A. Uit de resultaten blijkt dat de meeste factoren waren gecorreleerd met significante correlaties in het afwijkende veld (linksonder gedeelte van tabel 2). Chl-a SST (SST) Ws WSC WSC Fp SLA SLA Chl-a -0.15 0.36 0.35 0.26 -0.15 SST (SST) -0.59 -0.48 0.61 0.07 0.17 Ws 0.25 -0.24 -0.14 -0.02 0.1 WSC WSC 0.29 -0.1 0.41 0.53 -0.21 Fp 0.57 -0.42 0.24 0.29 -0.42 SLA SLA -0.3 0.54 -0.23 -0.29 -0.47 Tabel 2: Correlatiecoëfficiënten van de tijdreeks tussen factoren, gelegen ten zuidwesten van de SCS, bijvoorbeeld SST (zeeoppervlaktetemperatuur), FP (frontale waarschijnlijkheid), WSC (windstress krul) en WS (windstress), met behulp van de doos weergegeven in figuur 9A. Het maandgemiddelde en de afwijkingen worden weergegeven in respectievelijk het gedeelte rechtsboven en links. Getallen in vet en cursief geven aan dat de correlatie niet voldoet aan het betrouwbaarheidsniveau van 95%. De tabel is gewijzigd van Yu et al.17. Aanvullende bestanden. Klik hier om dit bestand te downloaden. 

Discussion

In deze studie worden de belangrijkste kenmerken van mariene systemen beschreven aan de hand van satellietwaarnemingen. De CHL, die kan worden gebruikt om de oceaanproductie weer te geven, wordt geselecteerd als indicatorfactor. Factoren met betrekking tot CHL variabiliteit werden onderzocht aan de hand van maandelijkse gemiddelde tijdreeksen, bijvoorbeeld SST, WS, WSC, FP en SLA. In deze studie worden drie kritieke stappen beschreven: het verkrijgen van satellietgegevens voor verschillende parameters, het beschrijven van hun ruimtelijke en temporele verschillen via EOF en het bepalen van onderlinge relaties tussen verschillende factoren door correlatiecoëfficiënten te berekenen. Een gedetailleerde procedure met de identificatie voor de dagelijkse frontale distributie, die is afgeleid van de SST-waarnemingen, is opgenomen. Er zijn twee belangrijke benaderingen ontwikkeld voor SST-frontdetectie: de gradiëntmethode10,38 en de histogrammethode39,40. De histogrammethode is gebaseerd op een vergelijkbaar bereik van waarden voor SST, die kan worden gebruikt om de watermassa’s in verschillende groepen te verdelen. De pixels met waarden tussen verschillende groepen die de pixel in een overgangsband vertegenwoordigen, worden gedefinieerd als fronten. Aan de andere kant scheidt de gradiëntmethode een aantal relatief uniforme waterlichamen als pixels met grote verloopwaarden. Er werd een vergelijkingsstudie uitgevoerd en ze vonden lagere false rates met behulp van de histogrammethode en minder gemiste fronten met behulp van de gradiëntmethode41. In deze studie werd de op gradiënt gebaseerde methode38 aangenomen na eerdere studies10,28. Het algoritme kan voorkomen dat de voorkant break-up in meerdere rand fragmenten door dat de omvang te verlagen tot een niveau onder een kleinere drempel. Naast de hier opgenomen dataset kunnen ook andere satellietwaarnemingen, zoals de aerosolindex, met een vergelijkbare aanpak worden gebruikt.

De meeste procedures kunnen rechtstreeks worden toegepast in andere regio’s of gegevenssets. Er kan worden gewijzigd om de drempel van de voordetectie te wijzigen. Omdat de SST-gradiënt in de SCS vergelijkbaar is met het huidige systeem28voor de oostelijke grens, zijn dezelfde drempelwaarden geïmplementeerd voor de huidige studie. Een eerdere studie bleek dat de SST gradiënt van verschillende datasets kan variëren zo veel als drie keer42, waardoor de methode een of andere manier minder objectief. Aanzienlijke studies hebben frontale activiteiten rond de mondiale oceanen28,43onderzocht . De beste aanpak om fronten te valideren is om ze te vergelijken met in situ waarnemingen. Yao44 beschreef de maandelijkse frontale distributie voor de SCS. Hun resultaten waren het goed eens met de in situ metingen. De totale gradiënt moet worden gecontroleerd en aangepast, omdat de waarde ervan kan variëren afhankelijk van de ruimtelijke resolutie en instrumenten. In het bijzonder moet de drempelwaarde worden bijgewerkt wanneer een andere SST-gegevensset wordt gebruikt. Een basiskennis van de regionale dynamiek is van fundamenteel belang voor het begrijpen van frontogenese45,46,47. Het front detection script kan worden ontwikkeld door individuele auteurs op basis van de beschrijving in dit artikel.

Satellietinformatie biedt een uitgebreid inzicht in de oppervlaktekenmerken en een vergelijking van resultaten met waarnemingen ter plaatse kan helpen bij de beoordeling van de geloofwaardigheid. Satellietwaarnemingen zijn echter beperkt tot het oceaanoppervlak, wat de toepassing voor het begrijpen van de verticale structuur van de waterkolom beperkt. In een recente studie, satelliet waarnemingen bleek dat het oppervlak CHL steeg met 15 keer, maar de verticale geïntegreerde waarde alleen verhoogd met 2,5 keer48. Dit verschil was omdat de oppervlaktewaarde werd beïnvloed door de co-effecten van fytoplanktongroei en shoaling van MLD, wat resulteerde in een onrealiseerbare waarde aan het oppervlak. Zo kan het zijn dat de oppervlaktefunctie geen nauwkeurige beschrijving biedt voor de gehele waterkolom. Bovendien beperkt de invloed van bewolking de continue waarnemingen van satellieten. Zo worden maandelijkse tijdreeksen berekend voor verschillende factoren in dezelfde regio en dezelfde periode. Dit garandeert de geloofwaardigheid van de berekening van de correlaties tussen de verschillende factoren. De gebeurtenissen op korte termijn, bijvoorbeeld tyfoons die enkele dagen tot een week duren, worden echter niet opgelost.

In vergelijking met eerdere studies kan de voorgestelde methode ruimtelijke informatie bieden op pixelniveau, wat kan helpen om de dynamiek op een meer gedetailleerde manier te evalueren. Sommige vroegere studies gemiddeldten de volledige SCS als enig aantal en verkregen een tijdreeks. Zij vonden dat een ongewoon sterke WS en hoge SST abnormaal hoge CHL16kunnen veroorzaken, wat overeenkomt met het huidige resultaat. De ruimtelijke variatie in de relaties werd echter niet opgelost. In deze studie was de bekkenschaal correlatie tussen WS en CHL zwak in het afwijkende veld. Voor bepaalde gebieden, bijvoorbeeld in het midden van het SCS (figuur 9B), werd alleen een grote significante correlatie vastgesteld. Zo biedt de huidige methode een uitgebreide beschrijving voor het onderzoeken van ruimtelijke variaties. Ook waarnemingen van twee Bio-Argo praalwagens werden gebruikt en bleek dat WSC niet correleerde met CHL variabiliteit20. De trajecten van de twee praalwagens bevinden zich echter alleen in bepaalde regio’s. In dit geval was het precies binnen de bandbreedte waar de correlatie tussen het CHL-niveau en de WSC niet significant was (figuur 8D). De voorgestelde methode is zeer nuttig voor het oplossen van de ruimtelijke afhankelijkheid tussen factoren, wat een fundamenteel kenmerk is van de mondiale oceaan.

Samengevat kan de hier gebruikte methode nauwkeurig de ruimtelijke verdeling en temporele variabiliteit in oceaanoppervlaktekenmerken beschrijven aan de hand van satellietwaarnemingen. Met de toenemende resolutie van satellietgegevenssets kunnen meer gedetailleerde functies worden geïdentificeerd en onderzocht, waardoor een algemeen inzicht in regionale functies mogelijk is, waaronder CHL, SST en SSH. De correlatie van maandelijkse tijdreeksen tussen verschillende factoren kan helpen bij het begrijpen van hun dynamische relaties en potentiële impact op een ecosysteem49. Omdat de correlatie grotendeels kan variëren op verschillende ruimtelijke locaties, biedt de voorgestelde methode een gedetailleerde en uitgebreide beschrijving. Een soortgelijke aanpak kan worden toegepast op elk oceaanbekken wereldwijd, wat zeer nuttig zal zijn om het begrip van mariene dynamiek en ecosystemen te verbeteren.

Disclosures

The authors have nothing to disclose.

Acknowledgements

De steun van het National Key Research and Development Program of China (No. 2016YFC1401601), het Postgraduate Research & Practice Innovation Program van de provincie Jiangsu (nr. SJKY19_0415) ondersteund door de Fundamental Research Funds for the Central Universities (Nr. 2019B62814), de National Natural Science Foundation of China (Nos. 41890805, 41806026 en 41730536) en Joint Advanced Marine and Ecological Studies in de Golf van Bengalen en de oostelijke equatoriale Indische Oceaan werden zeer erkend. De auteurs waarderen de verstrekking van gegevens uit bronnen, waaronder de National Aeronautics and Space Administration (NASA), het European Centre for Medium-Range Weather Forecasts (ECMWF), de Copernicus Marine and Environment Monitoring Service (CMEMS) en de National Oceanic and Atmospheric Administration (NOAA).

Materials

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., Sherman, K., Alexander, L. M., Gold, B. D. Stratified model of large marine ecosystems: A general approach and an application to the South China Sea. Large Marine Ecosystems: Stress, Mitigation, and Sustainability. , 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. , 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

Satellite ObservationSea Surface ChlorophyllSouth China SeaSpatial And Temporal VariabilitySea Surface TemperatureSea Level AnomalyWind SpeedFrontsEmpirical Orthogonal FunctionData AcquisitionMODIS AquaNetCDFMATLABMarine DynamicsEcosystem

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Chen, H., Tang, R., Zhang, H., 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).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image